Using consumer behavior data to reduce energy consumption in smart homes
Lade...
Dateien
Autor:innen
Schweizer, Daniel
Zehnder, Michael
Zanatta, Danilo
Rodriguez, Miguel
Autor:in (Körperschaft)
Publikationsdatum
2015
Typ der Arbeit
Studiengang
Typ
04B - Beitrag Konferenzschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Proceedings of the IEEE 2015 International Conference on Machine Learning and Applications
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
Ausgabe / Nummer
Seiten / Dauer
Patentnummer
Verlag / Herausgebende Institution
Verlagsort / Veranstaltungsort
GuangZhou
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
This paper discusses how usage patterns and preferences of inhabitants can be learned efficiently to allow smart homes to autonomously achieve energy savings. We propose a frequent sequential pattern mining algorithm suitable
for real-life smart home event data. The performance of the proposed algorithm is compared to existing algorithms regarding
completeness/correctness of the results, run times as well as memory consumption and elaborates on the shortcomings of the different solutions.
Schlagwörter
smart cities, smar homes, energy saving, recommender systems, association rules, unsupervised learning, internet of things
Fachgebiet (DDC)
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review des Abstracts
Open Access-Status
Lizenz
Zitation
SCHWEIZER, Daniel, Michael ZEHNDER, Holger WACHE, Danilo ZANATTA, Miguel RODRIGUEZ und Hans Friedrich WITSCHEL, 2015. Using consumer behavior data to reduce energy consumption in smart homes. In: Proceedings of the IEEE 2015 International Conference on Machine Learning and Applications. GuangZhou. 2015. Verfügbar unter: https://doi.org/10.26041/fhnw-1004