Resumen de Data analytics approaches in IoT based smart environments
- español
La investigación e innovación contribuyen de manera decisiva a la lucha contra el cambio climático. Las TIC pueden reducir un 20 % de las emisiones mundiales de CO2 de aquí a 2030. El Aprendizaje Automático es útil para detectar ineficiencias de las ciudades modernas que contribuyen a la inestabilidad climática. Para mitigar el cambio climático, la reducción del consumo energético es crucial y la comodidad de los usuarios de los edificios y la reducción de costes deben garantizarse.
Análisis iniciales sugieren que la conversión a edificios inteligentes gracias a la sensorización del Internet de las Cosas (IdC), junto con el análisis de datos, podría ser una opción para abordar estos problemas. Para ello, hemos identificado las siguientes necesidades de los edificios: mejorar las decisiones de gasto, reducir el consumo de energía, mejorar la eficiencia operativa y capacitar a sus usuarios con conocimientos energéticos; y las siguientes necesidades relativas a los análisis: cumplir los requisitos Big Data (volumen, velocidad, variedad, etc.), proporcionar mecanismos de fusión de datos, identificación de patrones de movilidad humana, reducción de información redundante en tiempo real, mejora de la predicción de series temporales mediante la selección de características y la gobernanza de datos. De acuerdo a estas necesidades hemos fijado los siguientes objetivos:
O1. Integrar datos para crear conjuntos relativos al consumo de energía en entornos inteligentes y estudiar la naturaleza de los datos. Desarrollar arquitecturas para recopilar y administrar esos conjuntos de datos.
O2. Desarrollar técnicas de reducción de datos para flujos de IdC que conserven sus características clave en relación con las aplicaciones Big Data.
O3. Crear y comparar metodologías de predicción del consumo de energía con varios horizontes para obtener una predicción precisa y extraer patrones de uso de la energía.
O4. Desarrollar una metodología de reducción de características para series temporales multivariantes aplicadas a predecir consumo de energía.
O5. Encontrar patrones en el uso del aire acondicionado que puedan ser utilizados para acciones específicas hacia la eficiencia energética.
O6. Identificar patrones de movilidad humana utilizando datos de dispositivos portables y redes sociales.
O7. Identificar y aplicar arquitecturas analíticas de IdC en problemas de ciudades inteligentes que abarcan desde la recogida de datos hasta la prestación de servicios.
O8. Crear mecanismos de IdC para prestar servicios personalizados de gestión y sensibilización en materia de energía mediante el análisis de los aspectos de comportamiento relacionados con la eficiencia energética.
Nos centramos en completar algunos de los vacíos que existen en el análisis de datos para mejorar la eficiencia energética. La combinación de la gestión de datos con el aprendizaje automático permite extraer conocimientos para mejorar y crear servicios relacionados con la eficiencia en los edificios.
Mediante análisis estadísticos y técnicas de selección de características hemos identificado variables importantes para la predicción del consumo de energía: temperatura, radiación, ocupación y valores previos de consumo. La ocupación rara vez está disponible y su predicción precisa es complicada, por lo que se ha diferenciado entre mañanas y tardes, lunes a jueves y viernes y también entre semanales y festivos. Random Forest es método excepcional en muchos de los escenarios estudiados, y muy apropiado debido a su fácil paralelización. También hemos estudiado los patrones de movilidad utilizando dispositivos portables y redes sociales que podrían ser aplicados en la estimación de la ocupación de los edificios.
Se encontraron dos tipos de usuarios de aires acondicionados: los que interactúan mucho con la temperatura de consigna (consumidores más altos) y los que no. Estos resultados se utilizaron para diseñar estrategias de reducción del consumo de energía.
Observamos que los datos reales son complicados debido a su volumen y a su naturaleza temporal. En este sentido, hemos desarrollado BEATS, un algoritmo de representación que transforma los datos para que proporcionen cantidades similares de información de forma compacta.
Por último, desarrollamos arquitecturas de IdC que integran todos los pasos, desde la recopilación hasta el análisis de los datos y la prestación de servicios personalizados. Esos servicios se diseñaron para mejorar la eficiencia energética en los edificios inteligentes con el fin de lograr un cambio de comportamiento y resultaron útiles para reducir el consumo de
- English
Research and innovation make a crucial contribution to fighting climate change, and Information and Communications Technologies could reduce 20 % of global CO2 emissions by 2030. Machine Learning (ML) is highly adept at spotting the inefficiencies in modern cities that contribute to climate instability. In order to mitigate climate change, the reduction of energy use is crucial and it has to be done while ensuring buildings' users' comfort and lower costs.
Initial analyses suggest that the conversion of buildings into smart buildings thanks to the Internet of Things (IoT) sensorisation, together with data analytics might be an option by which to tackle these issues. In order to do so, we have identified the following needs of buildings: improving spending decisions, reducing energy consumption, improving operational efficiency and empowering buildings' users with energy literacy; and the following needs in analytics: Big Data requirements (volume, velocity, variety, etc.), sensor data fusion mechanisms, human mobility pattern identification, real-time redundant information reduction, improvement of time series forecasting using feature selection and data governance. According to those needs we have set the following objectives:
O1. To integrate data in order to create datasets relative to energy consumption in smart environments and to study the nature of the data. Develop architectures to collect and manage those datasets.
O2. To develop data reduction techniques for IoT streams preserving their key characteristics regarding Big Data applications.
O3. To create and compare methodologies for energy consumption forecasting with several horizons for obtaining highly accurate forecasting and to extract energy usage patterns.
O4. To develop a feature reduction methodology for multivariate time series applied to energy consumption forecasting.
O5. To find patterns in using HVAC systems which can be used for target actions towards energy efficiency.
O6. Identify human mobility patterns using data from wearable devices and social networks.
O7. To identify and apply IoT analytic architectures in smart city problems that cover from data collecting to service provision.
O8. To create IoT mechanisms to provide personalized energy management and awareness services by analysing behavioural aspects related to energy efficiency.
We focus on filling some of the gaps that are present on data analysis with the goal of improving energy efficiency. The combination of data management with machine learning serves to extract knowledge for improving and creating services regarding efficiency in buildings.
Using statistical analysis and feature selection techniques we have identified important variables for energy consumption prediction: temperature, radiation, occupation and previous values of consumption. Occupation is rarely available and its accurate prediction is complicated, so have differentiated between mornings and afternoons, all days of the week and Fridays and also weekdays and holidays. Random Forest was an outstanding method in many of the studied scenarios, and very appropriate due to its easy parallelisation. We have also studied mobility patterns using wearable devices and social media that could further be applied in the estimation of buildings' occupation.
Two kinds of HVAC users were found: those who interact a lot with the set point (higher consumers) and those who do not. These findings were used to design strategies for energy consumption reduction.
We observed that real scenarios data are challenging because of their volume and their temporal nature. In that sense, we have developed BEATS, a representation algorithm that transforms the data so that it provides similar amounts of information in a compact manner.
Finally, we developed IoT architectures that integrate all steps from the collection to the analysis of the data and the provision of personalised services. Those services were designed for the improvement of energy efficiency in smart buildings targeting behavioural change and were useful for reducing energy consumption and improving energy literacy.
RESUMEN EN ESPAÑOL La investigación e innovación contribuyen de manera decisiva a la lucha contra el cambio climático. Las TIC pueden reducir un 20 % de las emisiones mundiales de CO2 de aquí a 2030. El Aprendizaje Automático es útil para detectar ineficiencias de las ciudades modernas que contribuyen a la inestabilidad climática. Para mitigar el cambio climático, la reducción del consumo energético es crucial y la comodidad de los usuarios de los edificios y la reducción de costes deben garantizarse.
Análisis iniciales sugieren que la conversión a edificios inteligentes gracias a la sensorización del Internet de las Cosas (IdC), junto con el análisis de datos, podría ser una opción para abordar estos problemas. Para ello, hemos identificado las siguientes necesidades de los edificios: mejorar las decisiones de gasto, reducir el consumo de energía, mejorar la eficiencia operativa y capacitar a sus usuarios con conocimientos energéticos; y las siguientes necesidades relativas a los análisis: cumplir los requisitos Big Data (volumen, velocidad, variedad, etc.), proporcionar mecanismos de fusión de datos, identificación de patrones de movilidad humana, reducción de información redundante en tiempo real, mejora de la predicción de series temporales mediante la selección de características y la gobernanza de datos. De acuerdo a estas necesidades hemos fijado los siguientes objetivos:
O1. Integrar datos para crear conjuntos relativos al consumo de energía en entornos inteligentes y estudiar la naturaleza de los datos. Desarrollar arquitecturas para recopilar y administrar esos conjuntos de datos.
O2. Desarrollar técnicas de reducción de datos para flujos de IdC que conserven sus características clave en relación con las aplicaciones Big Data.
O3. Crear y comparar metodologías de predicción del consumo de energía con varios horizontes para obtener una predicción precisa y extraer patrones de uso de la energía.
O4. Desarrollar una metodología de reducción de características para series temporales multivariantes aplicadas a predecir consumo de energía.
O5. Encontrar patrones en el uso del aire acondicionado que puedan ser utilizados para acciones específicas hacia la eficiencia energética.
O6. Identificar patrones de movilidad humana utilizando datos de dispositivos portables y redes sociales.
O7. Identificar y aplicar arquitecturas analíticas de IdC en problemas de ciudades inteligentes que abarcan desde la recogida de datos hasta la prestación de servicios.
O8. Crear mecanismos de IdC para prestar servicios personalizados de gestión y sensibilización en materia de energía mediante el análisis de los aspectos de comportamiento relacionados con la eficiencia energética.
Nos centramos en completar algunos de los vacíos que existen en el análisis de datos para mejorar la eficiencia energética. La combinación de la gestión de datos con el aprendizaje automático permite extraer conocimientos para mejorar y crear servicios relacionados con la eficiencia en los edificios.
Mediante análisis estadísticos y técnicas de selección de características hemos identificado variables importantes para la predicción del consumo de energía: temperatura, radiación, ocupación y valores previos de consumo. La ocupación rara vez está disponible y su predicción precisa es complicada, por lo que se ha diferenciado entre mañanas y tardes, lunes a jueves y viernes y también entre semanales y festivos. Random Forest es método excepcional en muchos de los escenarios estudiados, y muy apropiado debido a su fácil paralelización. También hemos estudiado los patrones de movilidad utilizando dispositivos portables y redes sociales que podrían ser aplicados en la estimación de la ocupación de los edificios.
Se encontraron dos tipos de usuarios de aires acondicionados: los que interactúan mucho con la temperatura de consigna (consumidores más altos) y los que no. Estos resultados se utilizaron para diseñar estrategias de reducción del consumo de energía.
Observamos que los datos reales son complicados debido a su volumen y a su naturaleza temporal. En este sentido, hemos desarrollado BEATS, un algoritmo de representación que transforma los datos para que proporcionen cantidades similares de información de forma compacta.
Por último, desarrollamos arquitecturas de IdC que integran todos los pasos, desde la recopilación hasta el análisis de los datos y la prestación de servicios personalizados. Esos servicios se diseñaron para mejorar la eficiencia energética en los edificios inteligentes con el fin de lograr un cambio de comportamiento y resultaron útiles para reducir el consumo de
