Maschinelles Lernen in Datenstrommanagementsystemen
Seiten
2013
|
1., Auflage
OlWIR Verlag für Wirtschaft, Informatik und Recht
9783955990015 (ISBN)
OlWIR Verlag für Wirtschaft, Informatik und Recht
9783955990015 (ISBN)
- Keine Verlagsinformationen verfügbar
- Artikel merken
Sowohl im privaten als auch im wirtschaftlichen und öffentlichen Umfeld werden kontinuierliche Sensordaten zusammen mit weiteren Informationen häufig zu Überwachungszwecken verwendet, aber vermehrt auch als Grundlage zum selbstständigen Handeln, sodass Anwendungen situativ über Aktoren reagieren oder sich an bestimmte Situationen anpassen können. Beispielsweise kann Temperatur oder Licht in einem Smart Home automatisch in Abhängigkeit von Strompreis, Wetter und Verhalten der Bewohner geregelt werden, was neben einer Arbeitserleichterung auch zur Senkung des Energiebedarfs führen kann.
Um hierbei mit heterogenen Umgebungen oder verrauschten Sensordaten umgehen zu können, wird meist eine Sensordatenfusion und darauf aufbauened ein Verfahren aus dem Maschinellen Lernen (ML), wie Clustering, Klassifikation oder Assoziationsanalyse, durchgeführt. Technologisch bieten Datenstrommanagementsysteme (DSMS) eine ideale Grundlage für die Umsetzung, da sie unter anderem eine universelle, flexible, skalierbare, deterministische und optimierbare Sensordatenfusion erlauben. Da ein DSMS jedoch nicht über Konzepte zum ML verfügt, wird der entsprechende Teil der Anwendung typischerweise funktionsspezifisch implementiert. Dadurch werden die Vorteile des DSMS, insbesondere Optimierungs-möglichkeiten und Abstraktionsebenen, beim ML nicht berücksichtigt.
Diese Arbeit beschäftigt sich daher mit der Integration von ML in DSMS, um dadurch ein einheitliches System für das Verarbeiten und Lernen von Datenströmen zu bieten und die Vorteile eines DSMS auch für ML verfügbar zu machen. Aufbauend auf der Integration werden neue Optimierungsmöglichkeiten untersucht und hinsichtlich ihrer Verarbeitungsverbesserung evaluiert. Mit OdysseusML wird anschließend ein Prototyp vorgestellt, mit dem zwei Anwendungen für ein Smart Home und einer Windenergieprognose umgesetzt werden.
Um hierbei mit heterogenen Umgebungen oder verrauschten Sensordaten umgehen zu können, wird meist eine Sensordatenfusion und darauf aufbauened ein Verfahren aus dem Maschinellen Lernen (ML), wie Clustering, Klassifikation oder Assoziationsanalyse, durchgeführt. Technologisch bieten Datenstrommanagementsysteme (DSMS) eine ideale Grundlage für die Umsetzung, da sie unter anderem eine universelle, flexible, skalierbare, deterministische und optimierbare Sensordatenfusion erlauben. Da ein DSMS jedoch nicht über Konzepte zum ML verfügt, wird der entsprechende Teil der Anwendung typischerweise funktionsspezifisch implementiert. Dadurch werden die Vorteile des DSMS, insbesondere Optimierungs-möglichkeiten und Abstraktionsebenen, beim ML nicht berücksichtigt.
Diese Arbeit beschäftigt sich daher mit der Integration von ML in DSMS, um dadurch ein einheitliches System für das Verarbeiten und Lernen von Datenströmen zu bieten und die Vorteile eines DSMS auch für ML verfügbar zu machen. Aufbauend auf der Integration werden neue Optimierungsmöglichkeiten untersucht und hinsichtlich ihrer Verarbeitungsverbesserung evaluiert. Mit OdysseusML wird anschließend ein Prototyp vorgestellt, mit dem zwei Anwendungen für ein Smart Home und einer Windenergieprognose umgesetzt werden.
| Reihe/Serie | Oldenburg Computer Science Series ; 27 |
|---|---|
| Verlagsort | Edewecht |
| Sprache | deutsch |
| Maße | 147 x 210 mm |
| Gewicht | 270 g |
| Einbandart | Paperback |
| Themenwelt | Mathematik / Informatik ► Informatik ► Web / Internet |
| Schlagworte | Datenstrommangement • Energiebedarf • Energieverbrauch • Maschinelles Lernen • Sensordaten • Smart Grid |
| ISBN-13 | 9783955990015 / 9783955990015 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
