Automated Smart light System using Pro-Active Learning

Abstract

Smart kunstig liv bidrar mye i det daglige ved å forutsi og kontrollere lysstyrken på enheter ved hjelp av trent modell. Det endelige målet med disse lysene er å gi komfort til sluttbrukeren. Imidlertid er det visse scenarier der disse lampene kan forutsi falske resultater, for eksempel hvis brukeren endrer atferd. I slike tilfeller forventes det at brukerne tilpasser seg lyset, men lyset som tilpasser seg sluttbrukerens oppførsel er langt mer praktisk og behagelig. Denne oppgaven foreslår et smart lys system som tilpasser seg brukeratferden ved hjelp av proaktiv eller kontekstbevisst læring. De smarte lysene forutsier resultatet ved hjelp av trent modell, men brukeren kan gripe inn og gi tilbakemelding i henhold til hans krav, og lysene vil til slutt tilpasse seg hans behov. Flere eksperimenter er utført for å bestemme hvor lang tid et system vil ta å tilpasse seg brukeradferd, sammen med hvordan tidsintervallendring for tilbakemeldingsinntak vil påvirke et slikt system. Funnene viser at et slikt system kan brukes i sanntidsmiljø med effektive resultater.

Smart artificial life contributes widely in the daily life by predicting and controlling the level of luminosity of devices using trained model. The ultimate goal of these lights is to provide comfort to the end user. However, there are certain scenarios in which these lights can predict false results such as, if the user changes his behavior. In such case, users are expected to adapt to the light, however the light adapting to the behavior of the end user is far more convenient and comfortable. This thesis proposes a smart light system which adapts to the user behavior using proactive or context-aware learning. The smart lights predict the result using trained model, however user can intervene and provide feed back according to his requirement, and lights will ultimately adapt to his needs. Multiple experiments have been performed to determine how long a system will take to adapt to user behavior, along with how time interval change for feedback intake will effect such a system. The findings show that such a system can be used in the real time environment with efficient results.