Open Access

Christian Edelsbrunner

• Die vorliegende Arbeit beschäftigt sich mit der Lernfähigkeit von Data Mining Modellen im Bereich des Smart Homes. Es wird der Frage nachgegangen, welche Auswirkungen ein kontinuierliches Training von Data Mining Modellen zur intelligenten Automatisierung der Beleuchtungssteuerung in einem Smart Home, auf die Fehlerrate des Data Mining Modells hat. Ziel ist es zu klären, ob durch kontinuierliches Training, auch zeitnah, die Fehlerrate von Data Mining Modellen zur Beleuchtungssteuerung im Smart Home verbessert werden kann. Zu Beginn werden die Begriffe Data Mining und Machine Learning mit Hilfe einer Literaturrecherche, im Bereich des Smart Homes, definiert und ein Überblick über die Funktionsweise von Data Mining geschaffen, sowie das allgemeine Vorgehen zur Implementierung einer Data Mining Anwendung anhand des standardisierten CRISP-DM Prozesses erörtert. Anschließend wurden für die vorliegende Arbeit geeignete Data Mining Verfahren mit Hilfe von Literatur erörtert. Aus diesen Data Mining Verfahren und den erhobenen Anforderungen an den Anwendungsfall der vorliegenden Arbeit, wurde das Data Mining Verfahren der Entscheidungsbäume für die Umsetzung des Prototyps ausgewählt. Im zweiten Teil der Arbeit wurde mit Hilfe des CRISP-DM Prozesses, ein Prototyp zur intelligenten Automatisierung der Beleuchtungssteuerung entwickelt und in ein bestehendes Smart Home integriert. Dieser Prototyp wurde im Zuge einer einfachen Fallstudie evaluiert. Dabei wurde die Fallstudie in zwei Iterationen evaluiert. In der ersten Iteration wurden einmalig trainierte Data Mining Modelle evaluiert und in der zweiten Iteration wurden kontinuierlich trainierte Data Mining Modelle evaluiert. Basierend auf der Auswertung der Daten und dem Vergleich der Vorhersageleistung, konnte die Erkenntnis gewonnen werden, dass ein kontinuierliches Training zeitnah zu einer Verbesserung der Vorhersageleistung beitragen kann.
• This thesis investigates the learning ability of data mining models in the area of smart homes. Data mining is well understood, but the learning ability of data mining models in smart homes has so far been neglected. The paper begins with a literature review to define the terms ‘data mining‘ and ‘machine learning‘ in the domain of smart homes. These definitions are built on by a literature research to clarify how data mining functions and how it can be implemented using a standardized process. Afterwards, this theoretical information is used for an advanced literature research about data mining methods which match the requirements for the application in this thesis. This section concludes with the data mining method decision trees chosen for the implementation of a prototype. The second part of the paper describes the development of a prototype of a prediction and decision-making system for light automation in a smart home. This prototype was used to evaluate the learning ability of data mining models in the area of smart homes. A single case study is chosen and analyzed with two iterations. The first iteration evaluates the prediction performance of data mining models trained once. The second iteration evaluated the performance of continuously trained data mining models. Based on the comparison of both iterations, it is shown that continuously trained data mining models in this domain have far fewer error rates than data mining models trained once.