Online learning techniques for occupancy detection on resource constrained devices

In a world where climate changes are becoming more and more evident, the need for energy-efficient solutions in every aspect of our lives is becoming more and more impor- tant. In this context, my work is trying to improve the energy efficiency of commercial buildings by developing a new methodology for occupancy detection. In this setting, Internet of Things (IOT) devices are already present, and Heating, Ventilation and Air Conditioning (HVAC) systems already have a lot of environmental sensors that can be used to detect the occupancy of a room. To achieve this goal, normal Machine Learning techniques struggle to generalize, so comes the necessity to have a specialized model for almost every room. The proposed methodology tries to tackle this problem by leveraging the power of online learning techniques, which enable us to create a general model that will be adapted to a specific room after the deployment. This work is focused on the de- velopment and testing of this new approach, keeping in mind the constraints of Embedded devices to make it suitable for a real-world deployment without the need for new hard- ware. The methodology is based on the use of Hoeffding Tree, a type of decision tree that has the capabilities to adapt to new incoming data, letting us experiment with different real-world scenarios like sensor failures and changes in the environment. The extensive test campaign has shown that this approach is able to achieve really good performance, opening the door to new applications of Online Learning techniques in the IOT domain. The implications for energy management in commercial buildings are profound, offering a scalable, cost-effective solution to reduce energy consumption and, by extension, mitigate the environmental impact of these structures.

In un mondo dove i cambiamenti climatici diventano sempre più evidenti, la necessità di trovare soluzioni energetiche efficienti in ogni aspetto della nostra vita diventa sempre più importante. In questo contesto, il mio lavoro cerca di migliorare l’efficienza ener- getica degli edifici commerciali sviluppando una nuova metodologia per il rilevamento dell’occupazione. In questo scenario sono già presenti dispositivi IOT e i sistemi di con- dizionamento dell’aria (HVAC) dispongono già di molti sensori ambientali che possono essere sfruttati per rilevare l’occupazione di una stanza. Per raggiungere questo obiettivo, le tecniche di machine learning normali faticano a generalizzare, quindi nasce la necessità di avere un modello specializzato per quasi ogni stanza. La metodologia proposta cerca di affrontare questo problema sfruttando la potenza delle tecniche di Online Learning, che ci permettono di creare un modello generico che verrà adattato a una stanza specifica dopo l’installazione. Questo lavoro è focalizzato sullo sviluppo e test di questo nuovo approccio, tenendo in mente i vincoli dei dispositivi embedded per renderlo adatto a una installazione nel mondo reale senza la necessità di nuovo hardware. La metodologia si basa sull’uso degli Hoeffding Tree, un tipo di albero decisionale che ha le capacità di adattarsi a nuovi dati in arrivo, permettendoci di sperimentare con diversi scenari che troviamo nel mondo reale come guasti ai sensori e cambiamenti nell’ambiente. La vasta campagna di test ha dimostrato che questo approccio è in grado di ottenere ottime prestazioni, aprendo la porta a nuove applicazioni delle tecniche Online Learning nel dominio dell’IOT. Le im- plicazioni per la gestione energetica negli edifici commerciali sono profonde, offrendo una soluzione scalabile ed economicamente vantaggiosa per ridurre il consumo energetico e, di conseguenza, mitigare l’impatto ambientale di queste strutture.