dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.35596/1729-7648-2025-31-3-22-32dt-953Research ArticleЭКОНОМИЧЕСКИЕ НАУКИ, ОБРАЗОВАНИЕECONOMIC SCIENCES, EDUCATIONРазработка модели машинного обучения для системы «умный дом»Developing a Machine Learning Model for a Smart Home SystemЛукашевичМ. М.LukashevichM. M.

Лукашевич М. М., канд. техн. наук, доц. Белорусского государственного университета, докторант Белорусского государственного университета информатики и радиоэлектроники220013, Минск, ул. Платонова, 39Тел.: +375 17 293-86-17Лукашевич Марина Михайловна

Lukashevich M. M., Cand. Sci. (Tech.), Associate Professor at the Belarusian State University, Doctoral Student of the Belarusian State University of Informatics and Radioelectronics220013, Minsk, Platonova St., 39Tel.: +375 17 293-86-17Lukashevich Marina Mikhailovna

lukashevich@bsuir.byБелорусский государственный университет; Белорусский государственный университет информатики и радиоэлектроникиBelarusian State University; Belarusian State University of Informatics and Radioelectronics2025240920253132232Copyright © Лукашевич М.М., 20252025Лукашевич М.М.Lukashevich M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/953

   Машинное обучение повышает эффективность использования систем «умный дом», позволяет конструкциям домашней автоматизации регулировать отопительную и охладительную системы, освещение, температуру помещения и другие параметры. Вариабельность данных и совершенствование таких систем требуют постоянного расширения наборов данных, переобучения или дообучения моделей машинного обучения, модификации алгоритмов и архитектур. В статье представлены модели прогнозирования тепловой и охлаждающей нагрузок дома на основе методов машинного обучения. Приведены результаты исследовательского анализа данных, построения моделей регрессии для прогнозирования загрузки отопительной и охладительной систем. Показана эффективность подбора значений гиперпараметров на основе метода поиска по решетке. Рассмотрена нейросетевая модель, позволяющая одновременно прогнозировать загрузку отопительной и охладительной систем. Выполнены оценка точности и сравнение моделей на основе метрик качества регрессии.

   Machine learning improves the efficiency of smart home systems, allows home automation systems to regulate heating and cooling systems, lighting, room temperature and other parameters. Data variability and improvement of such systems require constant expansion of data sets, retraining or additional training of machine learning models, modification of algorithms and architectures. The article presents models for predicting heating and cooling loads of a house based on machine learning methods. The results of exploratory data analysis, construction of regression models for predicting the load of heating and cooling systems are presented. The efficiency of selecting hyperparameter values based on the grid search method is shown. A neural network model is considered that allows simultaneous prediction of the load of heating and cooling systems. The accuracy is assessed and the models are compared based on regression quality metrics.

машинное обучениерегрессияисследовательский анализ данныхалгоритм машинного обучениямодель машинного обученияметрики оценки качестваmachine learningregressionexploratory data analysismachine learning algorithmmachine learning modelquality assessment metricsReferencesГрингард, С. Интернет вещей: будущее уже здесь / С. Грингард; 2-е изд. М.: Альпина Паблишер, 2019.Greengard S. (2019) Internet of Things: The Future is Already Here. Moscow, Alpina Publisher (in Russian).Попов, Е. В. Умные города / Е. В. Попов, К. А. Семячков. М.: Изд-тво Юрайт, 2020.Popov E. V., Semyachkov K. A. (2020) Smart Cities. Moscow, Yurait Publishing House (in Russian).Жерон, О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow / О. Жерон; 2-е изд. М.: Диалектика, 2020.Giron О. (2020) Applied Machine Learning with Scikit-Learn, Keras and TensorFlow. Moscow, Dialectics Publ. (in Russian).Маккинни, У. Python и анализ данных / У. Маккинни; пер. с англ. А. А. Слинкина; 2-е изд., испр. и доп. М.: ДМК Пресс, 2020.McKinney W. (2020) Python and Data Analysis. Moscow, DMK Press Publ. (in Russian).Курлов, А. Б. Методология информационной аналитики / А. Б. Курлов, В. К. Петров. М.: Проспект, 2014.Kurlov A. B., Petrov V. K. (2014) Methodology of Information Analytics: A Monograph. Moscow, Prospect Publ. (in Russian).Prediction a Building’s Energy Efficiency [Electronic Resource]. Mode of access: https://www.kaggle.com/code/jarredpriester/predicting-a-building-s-energy-efficiency. Date of access: 01.11.2023.Prediction a Building’s Energy Efficiency. Available: https://www.kaggle.com/code/jarredpriester/predicting-a-building-s-energy-efficiency (Accessed 1 November 2023).Polikar, R. Ensemble Based Systems in Decision Making / R. Polikar // IEEE Circuits and Systems Magazine. 2006. Vol. 6, No 3. Р. 21–45. DOI: 10.1109/mcas.2006.1688199.Polikar R. (2006) Ensemble Based Systems in Decision Making. IEEE Circuits and Systems Magazine. 6 (3), 21–45. DOI: 10.1109/mcas.2006.1688199.Rokach, L. Ensemble Methods for Classifiers / L. Rokach // Data Mining and Knowledge Discovery Handbook. 2025. Р. 957–980. DOI: 10.1007/0-387-25465-x_45.Rokach L. (2025) Ensemble Methods for Classifiers. Data Mining and Knowledge Discovery Handbook. 957–980. DOI: 10.1007/0-387-25465-x_45.Kuncheva, L. I. Measures of Diversity in Classifier Ensembles and Their Relationship with the Ensemble Accuracymachine Learning / L. I. Kuncheva, C. J. Whitaker // Machine Learning. 2003. Vol. 51, No 2. Р. 181–207. DOI: 10.1023/a:1022859003006.Kuncheva L. I., Whitaker C. J. (2003) Measures of Diversity in Classifier Ensembles and Their Relationship with the Ensemble Accuracymachine Learning. Machine Learning. 51 (2), 181–207. DOI: 10.1023/a:1022859003006.Chin-Wei, Hsu. A Practical Guide to Support Vector Classification / Chin-Wei Hsu, Chih-Chung Chang, Chih-Jen Lin // Technical Report, National Taiwan University. 2010.Chin-Wei Hsu, Chih-Chung Chang, Chih-Jen Lin (2010) A Practical Guide to Support Vector Classification. Technical Report, National Taiwan University.Chicco, D. Ten Quick Tips for Machine Learning in Computational Biology / D. Chicco // BioData Mining. 2017. Vol. 35, No 10. 35. DOI: 10.1186/s13040-017-0155-3.Chicco D. (2017) Ten Quick Tips for Machine Learning in Computational Biology. BioData Mining. 35 (10). DOI: 10.1186/s13040-017-0155-3.

The authors declare that there are no conflicts of interest present.