Maschinelles Lernen in Datenstrommanagementsystemen
Buch in deiner Nähe kaufen
Beschreibung
Sowohl im privaten als auch im wirtschaftlichen und öffentlichen Umfeld werden kontinuierliche Sensordaten zusammen mit weiteren Informationen häufig zu Überwachungszwecken verwendet, aber vermehrt auch als Grundlage zum selbstständigen Handeln, sodass Anwendungen situativ über Aktoren reagieren oder sich an bestimmte Situationen anpassen können. Beispielsweise kann Temperatur oder Licht in einem Smart Home automatisch in Abhängigkeit von Strompreis, Wetter und Verhalten der Bewohner geregelt werden, was neben einer Arbeitserleichterung auch zur Senkung des Energiebedarfs führen kann.
Um hierbei mit heterogenen Umgebungen oder verrauschten Sensordaten umgehen zu können, wird meist eine Sensordatenfusion und darauf aufbauened ein Verfahren aus dem Maschinellen Lernen (ML), wie Clustering, Klassifikation oder Assoziationsanalyse, durchgeführt. Technologisch bieten Datenstrommanagementsysteme (DSMS) eine ideale Grundlage für die Umsetzung, da sie unter anderem eine universelle, flexible, skalierbare, deterministische und optimierbare Sensordatenfusion erlauben. Da ein DSMS jedoch nicht über Konzepte zum ML verfügt, wird der entsprechende Teil der Anwendung typischerweise funktionsspezifisch implementiert. Dadurch werden die Vorteile des DSMS, insbesondere Optimierungs-möglichkeiten und Abstraktionsebenen, beim ML nicht berücksichtigt.
Diese Arbeit beschäftigt sich daher mit der Integration von ML in DSMS, um dadurch ein einheitliches System für das Verarbeiten und Lernen von Datenströmen zu bieten und die Vorteile eines DSMS auch für ML verfügbar zu machen. Aufbauend auf der Integration werden neue Optimierungsmöglichkeiten untersucht und hinsichtlich ihrer Verarbeitungsverbesserung evaluiert. Mit OdysseusML wird anschließend ein Prototyp vorgestellt, mit dem zwei Anwendungen für ein Smart Home und einer Windenergieprognose umgesetzt werden.
Autor*in
Dennis Geesen
Themen in »Maschinelles Lernen in Datenstrommanagementsystemen«
Datenstrommangement Energiebedarf Energieverbrauch Maschinelles Lernen Sensordaten Smart Grid