Energy Usage Prediction for Smart Home with Regression Based Ensemble Model

Hoque, Mohammad Shamsul; Jamil, Norziana; Saharudin, Sharul Azim; Amin, Nowshad

doi:10.1109/icimu49871.2020.9243578

Cited by 3 publications

(2 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hoque et al [290] uses K-Means clustering to classify the characteristics of energy consumption by smart lighting users. The results show two main clusters in energy consumers by optimizing the number of clusters.…”

Section: ) Clusteringmentioning

confidence: 99%

Machine Learning Methods in Smart Lighting Toward Achieving User Comfort: A Survey

et al. 2022

View full text Add to dashboard Cite

Smart lighting has become a universal smart product solution, with global revenues of up to US$5.9 billion by 2021. Six main factors drive the technology: light-emitting diode (LED) lighting, sensors, control, analytics, and intelligence. The Internet of things (IoT) concept with the end device, platform, and application layer plays an essential role in optimizing the advantages of LED lighting in the emergence of smart lighting. The ultimate aim of smart lighting research is to introduce low energy efficiency and high user comfort, where the latter is still in the infancy stage. This paper presents a systematic literature review (SLR) from a bird's eye view covering full-length research topics on smart lighting, including issues, implementation targets, technological solutions, and prospects. In addition to that, this paper also provides a detailed and extensive overview of emerging machine learning techniques as a key solution to overcome complex problems in smart lighting. A comprehensive review of improving user comfort is also presented, such as the methodology and taxonomy of activity recognition as a promising solution and user comfort metrics, including light utilization ratio, unmet comfort ratio, light to comfort ratio, power reduction rate, flickering perception, Kruithof's comfort curve, correlated color temperature, and relative mean square error. Finally, we discuss in-depth open issues and future challenges in increasing user comfort in smart lighting using activity recognition.

show abstract

Section: ) Clusteringmentioning

confidence: 99%

Machine Learning Methods in Smart Lighting Toward Achieving User Comfort: A Survey

et al. 2022

View full text Add to dashboard Cite

show abstract

“…У роботі [8] поряд з вичерпним розвідувальним аналізом побудовані регресійні залежності між середньодобовою тривалістю обігріву та середньодобовою температурою зовнішнього повітря, а у роботі [9] розглянута регресійна модель для аналізу даних про енергоспоживання двох ІБ. З метою покращення результатів лінійних регресійних моделей, у [10] авторами пропонується нова модель ансамблевого прогнозування на основі регресії з вбудованою автоматизованою оптимізацією параметрів для прогнозування споживання електроенергії; в [11] в якості регресійної моделі була використана LSTM-нейромережа. Оскільки комбінація багатьох сенсорів в ІБ може вносити різний вклад у точність моделей, у статті [12] регресійний підхід на базі MIDFEL LASSO регресії розвинутий для визначення найвпливовішого датчика в кожному сегменті горизонту прогнозу.…”

Section: вступ та огляд проблематикиunclassified