基于Android Studio开发平台使用CNN和LSTM的人工智能家居监控系统

论文标题

• 中文标题：基于Android Studio开发平台使用CNN和LSTM的人工智能家居监控系统

• 英文标题：An Artificial Intelligence Home Monitoring System That Uses CNN and LSTM and is Based on the Android Studio Development Platform

作者信息

• 作者：Guo-Ming Sung, Sachin D. Kohale, Te-Hui Chiang, Yu-Jie Chong

• 所属单位：Electrical Engineering, National Taipei University of Technology, Taipei 10608, Taiwan

• 邮箱：gmsung@ntut.edu.tw (Guo-Ming Sung); sdk26091986@gmail.com (Sachin D. Kohale); bennylativ99@gmail.com (Te-Hui Chiang); chongyujie871125@gmail.com (Yu-Jie Chong)

论文出处

• 期刊名称：Applied Sciences

• 卷号：15

• 文章编号：1207

• DOI：10.3390/app15031207

• 发表日期：2025年1月24日

摘要要点

• 研究内容：开发了一个基于Android Studio开发平台的人工智能家居环境监控系统。

• 系统组成：包括多种传感器、MQTT通信协议、云数据存储和计算以及终端设备控制。

• 数据处理：使用MongoDB软件作为文件导向的NoSQL数据库管理系统，用于处理大数据。

• 数据补全：使用k-最近邻（KNN）算法填补缺失数据。

• 数据传输：使用NodeRED开发软件作为数据接收、存储和计算环境。

• 功能实现：通过MQTT通信协议将室内温度、湿度和二氧化碳浓度数据传输到移动应用进行实时显示和监控。

• 控制功能：可以通过移动应用控制风扇或警告灯，以维持室内温度并警告用户紧急情况。

• 预测模型：使用长短期记忆（LSTM）模型和卷积神经网络（CNN）模型预测室内温度、湿度和二氧化碳浓度。

• 预测性能：湿度和二氧化碳浓度的预测平均相对误差分别为0.0415%和0.134%，室内温度预测的LSTM模型平均绝对百分比误差为0.180%，均方根误差为0.042°C，CNN-LSTM模型平均绝对百分比误差为1.370%，均方根误差为0.117°C。

引言要点

• 背景：随着网络和终端设备的迅速增加，设备之间的连接变得更加紧密和便捷。

• IoT设备：可以手动或通过自动化系统操作，能够进行智能判断并完成大部分工作。

• AI的重要性：对于解释和理解大量传感器数据以及做出最优决策至关重要。

• 智能家居技术：集成了IoT设备，通过网关将多种无线通信技术集成并统一传输数据到云端。

• 研究目的：开发一个基于云侧和端侧协作以及机器学习的室内空气质量监测系统。

系统架构要点

• 通信协议：使用ZigBee通信协议进行数据传输。

• 系统组成：分为传感器、网关和服务器三部分。

• 数据传输：传感器通过ZigBee协议将数据传输到网关，网关进行数据整合和预处理后，通过MQTT协议将数据发送到服务器。

• 数据存储：使用Node-RED作为数据接收、存储和计算环境。

• 移动应用：通过MQTT协议显示传感器数据，并通过HTTP协议控制传感器。

• 虚拟化技术：使用基于内核的虚拟机（KVM）模块分配资源。

• 数据库和MQTT代理：服务器维护和运行数据库和MQTT代理。

系统实现和验证要点

• 传感器连接：七个设备（传感器）连接到一个ZigBee网络，包括温度、湿度、二氧化碳、气体、PM 2.5、PIR和烟雾传感器。

• 数据传输：传感器数据通过ZigBee USB接收器（ZigBee dongle）接收，转换后发送到无线USB dongle，最后通过MQTT代理传输到服务器。

• 数据存储：使用Node-RED开发软件作为MQTT订阅者接收处理后的数据并存储在MongoDB数据库中。

• 数据补全：使用KNN算法填补缺失数据，实验结果表明系统有效执行了数据补全。

• 自动设备控制：结合室内温度传感器和风扇控制设备建立自动控制系统，当室内温度>28°C时自动开启风扇，<22°C时自动关闭。

• 移动应用功能：开发了移动应用，用户可以注册、登录，并通过应用连接到数据库，查看设备状态和传感器数据，远程控制风扇或警告灯。

• 温度预测：使用LSTM和CNN-LSTM模型预测室内温度，实验结果表明LSTM模型在MAPE和RMSE方面优于其他模型，CNN-LSTM模型训练时间比LSTM模型短50%。

结论要点

• 研究开发了一个基于Android开发平台的人工智能家居监控系统，使用CNN和LSTM模型监测和预测室内温度。

• 实验结果表明，提出的LSTM模型在MAPE和RMSE方面优于其他模型。

• 系统使用MQTT协议的QoS 0消息服务“至多一次”以加快通信速度，并使用KNN算法填补缺失的传感器数据。

• LSTM模型更适合室内温度预测，因为它具有较小的MAPE和RMSE。

• CNN-LSTM模型的训练时间比LSTM模型短50%，可以用于便携设备以减少计算负担。

• 未来工作：探索更多的移动平台和通信协议以增强兼容性和扩大应用范围，特别强调改进应用界面和用户体验。此外，将集成边缘计算以减轻计算负担并提高通信准确性。