Using live sensor data to monitor occupancy and environmental factors of study areas

Abstract

Et pilotprosjekt ble startet i 2018 på NTNU som mål å bruke smart-sensorer i rom for å overvåke klima og aktivitet innendørs. Så langt, har prosjektet forsket på nytten i å analysere datamengder samlet inn over flere dager eller måneder for å få innsikt i hvordan campus blir brukt i dag. I 2021 ble bruken av direkte strømmet data mulig, noe som skapte en mulighet til å uthente mer verdi fra sensorene. Denne masteroppgaven foreslås en artefakt som skal utforske hvordan rå sensor data kan prosesseres til nyttig informasjon. Artefakten er delt inn i tre deler, en meldingsformidler som håndterer dataen fra sensorene, en prosessor som forvandler og strukturerer data og en nettleser applikasjon som presenterer dataene. Artefakten er bygget opp på prinsipper fra store datamengder og fokuserer på hvordan stadig større data mengder skal håndteres. Målet var å utforske områder som kunne bli forbedret ved å bruke sensor data.

Den første delen av forskningen bestod i å undersøke betydningen av data som ble målt av sensorene. Et dårlig inneklima kan påvirke ytelsen og kognitive funksjoner til de til stede. For høye nivåer av innendørs miljøfaktorer og antall personer i et rom kan gjenkjennes gjennom bruk av direkte strømmet data, noe som fjerner behovet for å fysisk lete etter et tilgjengelig rom med godt innemiljø. Metodologien brukt er "Design Science Research Process”, en iterativ metode som er hjelpsom når man utvikler løsninger på et problem og skal evaluere dem.

Den andre delen av forskningen redegjør kravene og implementasjonen av artefakten. På grunn av problemer med implementasjonen av direkte strømmet data, ble en simulasjon av direkte strømmet data brukt til å utvikle artefakten og teste mulighetene for å skalere den. Som resultat viste artefakten at den skalerte lineært og kan håndtere at sensorer blir installert på hele campus. Deler av evalueringen til artefaktens nett applikasjon ble begrenset av Covid-19. Videre studier bør bli gjennomført for å redegjøre nytteverdien til informasjon prosessert av artefakten.

At NTNU, a pilot project was started in 2018 with the aim of using smart sensors in rooms to monitor indoor climate and activity. So far, the project has been researching the usefulness of analyzing data sampled over several days or months to gain insight into the current usage of the campus. As of 2021, a live data implementation was added, creating a possibility to gain more value from the sensors installed. This thesis proposes an artifact that explores how to process raw sensor data into useful information. The artifact is separated into three parts, a message broker handling the sensor data, a processor transforming and structuring the data, and a web application displaying the data. The artifact is built on big data principles, focusing on how to handle an increasing size of data input. The goal was to explore areas that could be improved by utilizing live sensor data.

The first part of the research investigates the significance of the data recorded by the sensors. A poor indoor climate can affect the performance and cognitive functions of occupants. Problematic levels of indoor environmental factors and the number of occupants in a room can be identified through the use of live data, removing the need to physically search for an available room with a good climate. The methodology applied is the Design Science Research Process, an iterative method useful for developing solutions to a problem and evaluating them.

The second part of the research outlines the requirements and implementation of the artifact. Due to issues with the implementation of the live data, simulated live data was used to develop the artifact and test its scaling capabilities. As a result, the artifact showed linear scaling properties and is be able to handle a sensor implementation of the whole campus. Covid-19 restricted in part the evaluation of the artifact's web application, and further studies should be conducted to establish the value of the information processed by the artifact.