Ключові слова
інформаційні системи
штучний інтелект
Інтернет речей
прогнозування
гейміфікація
Як цитувати
Кількість переглядів 25
Анотація
У статті подано теоретичні підходи до побудови інтелектуальної системи керування енергоспоживанням домогосподарств із використанням технологій штучного інтелекту, Інтернету речей (IoT) та гейміфікації. Визначено архітектуру, що включає користувацький рівень на основі чат-бота, аналітичний рівень із модулями прогнозування та оптимізації, а також IoT-рівень для інтеграції побутових пристроїв. Обґрунтовано доцільність застосування гібридних моделей машинного навчання (LSTM, XGBoost) для підвищення точності прогнозування. Описано принципи оптимізації розкладу роботи пристроїв з урахуванням багатозонних тарифів на основі лінійного програмування. Розглянуто можливості впровадження MQTT та IoT-платформ для підвищення гнучкості системи. Окреслено роль гейміфікації у мотивації користувачів до економного споживання та визначено перспективи розвитку моделі.
Посилання
Romero D. A., Laureano E. V., Betancourt R. O. J., Álvarez E. N. An open source IoT edge-computing system for monitoring energy consumption in buildings. SoftwareX. 2024. Vol. 25. Article 101607. URL: https://www.sciencedirect.com/science/article/pii/S2590123024001282
Manowska A., Wycisk A., Nowrot A., Pielot J. The Use of the MQTT Protocol in Measurement, Monitoring and Control Systems as Part of the Implementation of Energy Management Systems. Electronics. 2023. Vol. 12(1). Article 17. URL: https://www.mdpi.com/2079-9292/12/1/17
Kiprijanovsk I., Stankoski S., Ilievski I., Stojanov G., Popovska-Mitev D. HousEEC: Day-Ahead Household Electrical Energy Consumption Forecasting Using Deep Learning. Energies. 2020. Vol. 13(10). Article 2672. URL: https://www.mdpi.com/1996-1073/13/10/2672
Ali M. H., Al-Azzawi W. K., Jaber M. M., Al-Mahmood H., Sharfuddin M. I. AI-based energy consumption forecasting in smart grids for future IoT-based energy meters. International Journal of Data and Information Management. 2024. Vol. 2(2). Article 62. URL: https://ijdim.com/journal/index.php/ijdim/article/view/62/58
Binbusayyis N., Sha M. Energy consumption prediction using modified deep CNN-Bi LSTM with attention mechanism. Heliyon. 2025. Vol. 10(2). Article e24118. URL: https://www.sciencedirect.com/science/article/pii/S240584402417538X
Chen T., Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785
Гнатенко П. Г., Кіріллова І. Г. Прогнозування електроспоживання на основі ARIMA. Вісник Київського національного університету імені Тараса Шевченка. Серія: Фізико-математичні науки. 2021.
№ 4. С. 44–51.
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9(8). P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735
Soares I., Hammoudeh M., Tokarski P., et al. FEEdBACk: An ICT-based platform to increase energy efficiency and influence consumer behavior towards saving energy. Energies. 2021. Vol. 14(6). Article 1524. URL: https://www.mdpi.com/1996-1073/14/6/1524
Iungman T., Hammoudeh M., Tokarski P., et al. Gamified platform with fuzzy-based user profiling to increase engagement and sustainability. Energies. 2021. Vol. 14(12). Article 3445. URL: https://www.mdpi.com/1996-1073/14/12/3445
Barthelmäs M., Killinger M., Keller J. Using a Telegram chatbot as cost-effective software infrastructure for ambulatory assessment studies with iOS and Android devices. Behavior Research Methods. 2021. Vol. 53. P. 1107–1114. DOI: 10.3758/s13428-020-01475-4
Тези доступні на умовах Creative Commons Attribution-ShareAlike 4.0 International License.