haku: @keyword wavelet analysis / yhteensä: 5
hakutulos-lista
viite: 1 / 5
« edellinen | seuraava »
Tekijä:Kolehmainen, Jussi
Työn nimi:Predicting Complex Events in Sensor Data
Monimutkaisten tapahtumien ennustaminen sensoridatasta
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:vii + 74      Kieli:   eng
Koulu/Laitos/Osasto:Matematiikan ja systeemianalyysin laitos
Oppiaine:Sovellettu matematiikka   (Mat-2)
Valvoja:Salo, Ahti
Ohjaaja:Aalto, Antti
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  568   | Arkisto
Avainsanat:complex event processing
predictive analytics
environmental data
house automation
support vector machines
wavelet analysis
monimutkaisten tapahtumien prosessointi
ennustaminen
ympäristödata
taloautomaatio
tukivektorikoneet
wavelet-analyysi
Tiivistelmä (fin): Monimutkaisten tapahtumien prosessointi (CEP) on teknologia, joka analysoi datavirtoja ja tunnistaa monimutkaisia tilanteita reaaliajassa.
Tunnistettavat tilanteet määritellään EPL-lauseilla, joiden kirjoittamiseen tarvitaan tutkittavaa ilmiötä tuntevia asiantuntijoita.
Yhdessä matemaattisten ennustemenetelmien kanssa CEP mahdollistaa tapahtumien ennustamisen ja niistä varoittamisen.

Tässä työssä käyn läpi mitä ennustava tapahtumaprosessointi on ja kuinka eri komponenteista voidaan kasata järjestelmä reaalimaailman tapahtumien ennustamiseen.
Matemaattisina työkaluina käytän kahta mallia: etäisyysmittaan perustuvaa mallia ja piirrevektoriin perustuvaa mallia.
Ensimmäinen käyttää DTW:tä etäisyysmittana ja k:n lähimmän naapurin (kNN) algoritmia luokitteluun.
Jälkimmäinen pohjautuu wavelet-analysiin ja tukivektorikoneisiin (SVM).

Kokeellisessa osiossa esittelen taloautomaation sovellutuksena ennustavalle tapahtumaprosessoinnille.
Testeissä käytän todellisia sensoreita, joille ennustan sisäilmayhdistyksen asettamien raja-arvojen ylityksiä.
Tämän lisäksi arvioin rakentamani systeemin suorituskykyä.

Hiilidioksidille ja haihtuville orgaanisille yhdisteille ensimmäinen malli antaa oikeita hälytyksiä yli 75 %:ssa tapauksista ja pääsee alle 10 %:iin väärien hälytysten osalta.
Jälkimmäinen malli toimii nopeammin, mutta sen konfigurointi osoittautuu haastavaksi, minkä takia tulokset ovat huonompia.
Jatkotutkimusten aiheiksi suosittelen erityisesti järkevämpää tapahtumamäärittelyä ja systeemin aikaparametrien parempaa optimointia.
Tiivistelmä (eng): Complex event processing (CEP) analyzes data streams and detects complicated situations in real-time.
Domain experts write e ective EPL (event processing language) queries to de ne complex events that are detected.
In combination with predictive analytics (PA), which uses mathematical models to predict the future, a framework for predicting complex events can be designed.

In this thesis I describe how predictive event processing works and how a proof-of-concept framework can be built.
As prediction tools I use two models: a distance-based model and a feature-based model.
The former uses dynamic time warping (DTW) and k-nearest neighbour (kNN) algorithm while the latter employs wavelet analysis and support vector machines (SVMs).

As an application of predictive complex event processing I consider house automation and present a real-life case study for the experimental section.
The goal is to predict when a certain variable exceeds a limit value for a certain period of time.
I also evaluate the performance of the system.

With two variables, CO2 and VOC (volatile organic compounds), the first, distance-based model performs better with correct alarm rate of over 75 % and false alarm rate of under 10 %.
The second, feature-based model turns out to be faster but more di cult to con gure properly.
More meaningful complex events and more thorough time parameter optimization are suggested for future research.
ED:2013-10-29
INSSI tietueen numero: 47412
+ lisää koriin
« edellinen | seuraava »
INSSI