Machine learning methods for indoor occupancy detection with Co2 multi-sensor data

Think about knowing how busy your favourite bar is before getting dressed and leaving home.. Think about a smart house, which automatically controls heating and lighting, and at the same time saves energy when nobody is at home.. Think about a university, in which you always find a place in class because the assignment of the classrooms is based on previous occupations data.. It could certainly be useful. Internet of Things (IoT) and Machine Learning (ML) are nowadays gaining more and more importance in computer science world. The aim of this project is to use these two disciplines in order to find a robust model able to predict occupancy status of an indoor space. Real-time measurements on the occupancy status of a room can be exploited in many scenarios (HVAC and lighting system control, building energy optimization, allocation and reservation of spaces, etc.). Traditional techniques involve the use of cameras combined with video analysis. To avoid problems of privacy violation in public places it is necessary to use less invasive techniques, such as measurement of the concentration of carbon dioxide (Co2) in the air, that has been proved to be very related to the amount of people who are breathing in an indoor space. An economic network of precise sensors has been designed and developed for data collection and machine learning studies were performed, obtaining excellent prediction results in two different scenarios. The greatest contribution to these results is mainly due to the innovative technique of using more than one Co2 sensor, positioned in strategic places and communicating in a local network, and to a first phase of prediction regarding the opening state of windows. If combined with other techniques, such as other environmental sensors or wireless packets sniffers, we believe that an even more precise estimate can be reached, in order to achieve the higher goal of a smart campus development.

Pensa di poter conoscere quanto è affollato il tuo bar preferito prima di vestirti e uscire di casa.. Pensa a una casa intelligente, in grado di controllare automaticamente il riscaldamento e l'illuminazione, risparmiando energia consumata inutilmente quando nessuno è a casa.. Pensa a un'università, nella quale trovi sempre posto a lezione perchè l'assegnamento delle aule si basa su dati storici di occupazione.. Sarebbe certamente utile. Internet of Things (IoT) e Machine Learning (ML) sono due discipline che al giorno d'oggi stanno guadagnando sempre più importanza nel mondo dell'informatica. L'obiettivo di questo progetto è quello di unire queste due discipline con lo scopo di creare un modello in grado di fornire predizioni robuste riguardo lo stato di occupazione di un ambiente chiuso. Misurazioni in tempo reale riguardo lo stato di occupazione di una stanza possono essere sfruttate in diversi scenari (sistemi HVAC, sistemi di controllo illuminazione, ottimizzazione energetica di edifici, allocazione di spazi, ecc..). Le tecniche tradizionali prevedono l'utilizzo di telecamere e analisi dei video prodotti. Tuttavia, per evitare problemi di violazione della privacy dei presenti in luoghi pubblici, è necessario utilizzare tecniche meno invadenti, come la misurazione della concentrazione di anidride carbonica (Co2) nell'aria, che si è dimostrata essere molto legata alla quantità di persone che stanno respirando nell'ambiente chiuso. Una rete economica di sensori precisi è stata progettata e sviluppata per raccogliere dati, e sono stati fatti studi di machine learning, ottenendo eccellenti risultati di predizione in due diversi scenari. Il maggior contributo a questi risultati è stato principalmente dato dalla tecnica innovativa di utilizzare più di un singolo sensore, posizionati in posti strategici e comunicanti in una rete locale, e da una prima fase di predizione riguardante lo stato di apertura delle finestre. Se combinato con altre tecniche, come l'utilizzo di altri sensori ambientali o sniffer di pacchetti wireless, crediamo che una stima ancora più precisa possa essere raggiunta, con l'obiettivo più grande di sviluppare un campus universitario intelligente.