Room Occupancy Detection Based on Random Forest with Timestamp Features and ANOVA Feature Selection Method

Q: 이 논문에서 정의한 타임스탬프란 무엇인가?

타임스탬프는 각 데이터 포인트의 발생 시간을 나타내는 특징으로, 시계열 분석, 예측, 이벤트 예측과 같은 작업에 필수적이다. 이는 모델이 데이터의 시간적 패턴을 포착하고 활용하여 시간 의존적 시나리오에서 예측 정확도를 향상시키도록 돕는다. 알고리즘이 이벤트의 시간 순서에 기반하여 정보에 입각한 결정을 내릴 수 있게 한다.

Q: 타임스탬프 특징과 ANOVA 특징 선택 방법이 실내 점유 감지 모델의 정확도에 어떤 영향을 미치는가?

연구 결과, 타임스탬프 특징과 ANOVA 기반 특징 선택 방법을 통합한 제안된 랜덤 포레스트(RF) 모델은 다른 모델 대비 향상된 정확도를 보였다. 특히, 중요하지 않은 특징을 제거함으로써 RF 모델의 정확도가 최대 0.164% 증가하여, 특징 선택이 모델의 예측 능력과 효율성을 높이는 데 긍정적인 영향을 미친다는 것을 입증한다.

Sahirul Alam; Risa Mahardika Sari; Ganjar Alfian; Umar Farooq

doi:10.5626/JCSE.2024.18.1.10

추천

검색

질문

자료유형: 학술저널

저자정보: Sahirul Alam (Universitas Gadjah Mada) Risa Mahardika Sari (Universitas Gadjah Mada) Ganjar Alfian (Universitas Gadjah Mada) Umar Farooq (Coventry University)

저널정보: Korean Institute of Information Scientists and Engineers Journal of Computing Science and Engineering Journal of Computing Science and Engineering Vol.18 No.1

발행연도: 2024.3

수록면: 10 - 18 (9page)

DOI: 10.5626/JCSE.2024.18.1.10

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

To improve energy efficiency, understanding occupant behavior is crucial for adaptive temperature control and optimal electronic device usage. Our study introduces a room occupancy detection system using machine learning and Internetof-Things sensors to predict occupant behavior patterns. Initially, indoor IoT sensor devices are installed to observe occupant behavior, and datasets are generated from sensor data, including temperature, humidity, light, and CO₂ levels, in both occupied and vacant rooms. The collected dataset undergoes analysis through a machine learning-based model designed to classify room occupancy. First, the timestamp features, extracted from date-time data, such as time of day and part of the day, are extracted. ANOVA feature selection is applied to identify five crucial features. Ultimately, the random forest model is employed to classify room occupancy based on the selected features. Results indicate that our proposed model significantly outperforms other models—achieving improvements of up to 99.713%, 99.467%, 99.676%, 99.676%, and 99.571% in accuracy, precision, recall, specificity, and F1-score, respectively. The trained model holds potential for integration into web-based systems for real-time applications. This predictive model is poised to contribute to the optimization of electronic device efficiency within a room or building by continuously monitoring real-time room conditions.

#Occupancy detection #Machine learning #Feature selection #IoT #Web-based system

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)