Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	A recommender system for smart energy grids

Εναλλακτικός τίτλος :	Ένα σύστημα προτάσεων για έξυπνα ενεργειακά πλέγματα

Δημιουργός :	Athanasakou, Alexandra Αθανασάκου, Αλεξάνδρα

Συντελεστής :	Koutsopoulos, Iordanis (Επιβλέπων καθηγητής) Polyzos, George (Εξεταστής) Siris, Vasilios A. (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	64p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8539

Περίληψη :	In recent years, the everyday routine causes the lack of energy resources because of the ignorance of the impact of our actions. But what if we start to handle energy efficiently? Recommender Systems are here to help us. As Recommender Systems developed for energy efficiency are among the most popular Smart City goals, there are many different implementations in the literature. Among others, Matrix Factorization has been consolidated as the best performing approach especially due to the huge amounts of sensor data generated at city scale in many applications. This thesis aims to develop a Recommender System for Smart Energy Grids that offers energy efficiency tips by handling energy consumption data and collecting explicit feedback from households. Our approach consists of a set of Matrix Factorization models using SVD algorithm which is trained with the help of Clustering, and especially K-Means algorithm, in order to offer predictions fast and memory-efficiently compared to a single Matrix Factorization model. Moreover, in order to achieve higher prediction accuracy, the missing ratings of households are filled with the mean rating of the cluster they belong to.At the same time, the final recommendation is provided from a set of “Real-Time rules” that aim to filter the predictions list from Matrix Factorization models concerning the recommendation time frame, the devices used by the target household, and its interests. Right after, the Recommender System observes the real-time consumption of the target household’s electrical devices appeared in the filtered prediction list to find possible increased consumption based on the household’s past behavior. In summary, this thesis highlights the importance of Clustering in Recommender Systems along with Matrix Factorization in order to offer accurate predictions in a fast and memory-efficiently way and introduces a set of “Real-Time rules” for providing the final, personalized recommendation. Στην σύγχρονη εποχή, η καθημερινότητά μας «στοιχίζει» την έλλειψη ενεργειακών πόρων. Ωστόσο, τι θα γινόταν αν διαχειριζόμασταν καλύτερα την κατανάλωσή μας; Ένα Σύστημα Προτάσεων μπορεί να βοηθήσει σε αυτό.Καθώς τα Συστήματα Προτάσεων σχετικά με την ενεργειακή αποδοτικότητα αποτελούν το πιο δημοφιλή στόχο στις «έξυπνες» πόλεις, ήδη στην βιβλιογραφία υπάρχουν διάφοροι τρόποι υλοποίησης. Ανάμεσά τους, η τεχνική Matrix Factorization έχει παγιωθεί ως η καλύτερη τεχνική υλοποίησης σε Συστήματα Προτάσεων για «Έξυπνες» πόλεις λόγω των τεράστιου όγκου δεδομένων που συλλέγεται από αισθητήρες από διάφορες εφαρμογές.Η παρούσα διπλωματική στοχεύει στην υλοποίηση ενός Συστήματος Προτάσεων για «Έξυπνα» Ενεργειακά Πλέγματα το οποίο προτείνει συμβουλές ενεργειακής απόδοσης με το να διαχειρίζεται δεδομένα κατανάλωσης νοικοκυριών και να συλλέγει αξιολογήσεις αυτών στις εν λόγω συμβουλές. Η προσέγγισή μας αποτελείται από μια σειρά από Matrix Factorization μοντέλα τα οποία χρησιμοποιούν τον αλγόριθμο SVD, και εκπαιδεύονται με την βοήθεια της Συσταδοποίησης, και ιδιαίτερα του αλγορίθμου K-Means, προκειμένου να εξαχθούν προβλέψεις γρήγορα και αποδοτικά σε σχέση με ένα Matrix Factorization μοντέλο. Επίσης, προκειμένου να επιτευχθεί μεγαλύτερη ακρίβεια όσον αφορά τις προβλέψεις, οι άγνωστες αξιολογήσεις των νοικοκυριών αντικαθίστανται με την μέση αξιολόγηση που δίνουν τα νοικοκυριά στο αντίστοιχη ομάδα που ανήκουν.Ταυτόχρονα, η τελική πρόταση παρέχεται από τους “Real-Time rules”, οι οποίοι φιλτράρουν την λίστα προβλέψεων από το κάθε μοντέλο με βάση το χρονικό πλαίσιο που συμβαίνει η διαδικασία πρότασης, τις συσκευές που χρησιμοποιεί το νοικοκυριό και τα ενδιαφέροντά του. Αμέσως μετά, ελέγχεται η κατανάλωση των συσκευών του νοικοκυριού σε πραγματικό χρόνο σε σχέση με την κατανάλωση που συνήθιζε να έχει στο παρελθόν.Συνοπτικά, η παρούσα διπλωματική στοχεύει στην ανάδειξη της συμβολής της Συσταδοποίησης μαζί με την τεχνική Matrix Factorization σε Συστήματα Προτάσεων για «Έξυπνα» Ενεργειακά Πλέγματα προκειμένου να εξασφαλίσουμε ακριβείς προβλέψεις γρήγορα και αποδοτικά, καθώς και την συμβολή των “Real-Time rules” στην προσφορά μιας εξατομικευμένης συμβουλής.

Περίληψη :

In recent years, the everyday routine causes the lack of energy resources because of the ignorance of the impact of our actions. But what if we start to handle energy efficiently? Recommender Systems are here to help us. As Recommender Systems developed for energy efficiency are among the most popular Smart City goals, there are many different implementations in the literature. Among others, Matrix Factorization has been consolidated as the best performing approach especially due to the huge amounts of sensor data generated at city scale in many applications. This thesis aims to develop a Recommender System for Smart Energy Grids that offers energy efficiency tips by handling energy consumption data and collecting explicit feedback from households. Our approach consists of a set of Matrix Factorization models using SVD algorithm which is trained with the help of Clustering, and especially K-Means algorithm, in order to offer predictions fast and memory-efficiently compared to a single Matrix Factorization model. Moreover, in order to achieve higher prediction accuracy, the missing ratings of households are filled with the mean rating of the cluster they belong to.At the same time, the final recommendation is provided from a set of “Real-Time rules” that aim to filter the predictions list from Matrix Factorization models concerning the recommendation time frame, the devices used by the target household, and its interests. Right after, the Recommender System observes the real-time consumption of the target household’s electrical devices appeared in the filtered prediction list to find possible increased consumption based on the household’s past behavior. In summary, this thesis highlights the importance of Clustering in Recommender Systems along with Matrix Factorization in order to offer accurate predictions in a fast and memory-efficiently way and introduces a set of “Real-Time rules” for providing the final, personalized recommendation.
Στην σύγχρονη εποχή, η καθημερινότητά μας «στοιχίζει» την έλλειψη ενεργειακών πόρων. Ωστόσο, τι θα γινόταν αν διαχειριζόμασταν καλύτερα την κατανάλωσή μας; Ένα Σύστημα Προτάσεων μπορεί να βοηθήσει σε αυτό.Καθώς τα Συστήματα Προτάσεων σχετικά με την ενεργειακή αποδοτικότητα αποτελούν το πιο δημοφιλή στόχο στις «έξυπνες» πόλεις, ήδη στην βιβλιογραφία υπάρχουν διάφοροι τρόποι υλοποίησης. Ανάμεσά τους, η τεχνική Matrix Factorization έχει παγιωθεί ως η καλύτερη τεχνική υλοποίησης σε Συστήματα Προτάσεων για «Έξυπνες» πόλεις λόγω των τεράστιου όγκου δεδομένων που συλλέγεται από αισθητήρες από διάφορες εφαρμογές.Η παρούσα διπλωματική στοχεύει στην υλοποίηση ενός Συστήματος Προτάσεων για «Έξυπνα» Ενεργειακά Πλέγματα το οποίο προτείνει συμβουλές ενεργειακής απόδοσης με το να διαχειρίζεται δεδομένα κατανάλωσης νοικοκυριών και να συλλέγει αξιολογήσεις αυτών στις εν λόγω συμβουλές. Η προσέγγισή μας αποτελείται από μια σειρά από Matrix Factorization μοντέλα τα οποία χρησιμοποιούν τον αλγόριθμο SVD, και εκπαιδεύονται με την βοήθεια της Συσταδοποίησης, και ιδιαίτερα του αλγορίθμου K-Means, προκειμένου να εξαχθούν προβλέψεις γρήγορα και αποδοτικά σε σχέση με ένα Matrix Factorization μοντέλο. Επίσης, προκειμένου να επιτευχθεί μεγαλύτερη ακρίβεια όσον αφορά τις προβλέψεις, οι άγνωστες αξιολογήσεις των νοικοκυριών αντικαθίστανται με την μέση αξιολόγηση που δίνουν τα νοικοκυριά στο αντίστοιχη ομάδα που ανήκουν.Ταυτόχρονα, η τελική πρόταση παρέχεται από τους “Real-Time rules”, οι οποίοι φιλτράρουν την λίστα προβλέψεων από το κάθε μοντέλο με βάση το χρονικό πλαίσιο που συμβαίνει η διαδικασία πρότασης, τις συσκευές που χρησιμοποιεί το νοικοκυριό και τα ενδιαφέροντά του. Αμέσως μετά, ελέγχεται η κατανάλωση των συσκευών του νοικοκυριού σε πραγματικό χρόνο σε σχέση με την κατανάλωση που συνήθιζε να έχει στο παρελθόν.Συνοπτικά, η παρούσα διπλωματική στοχεύει στην ανάδειξη της συμβολής της Συσταδοποίησης μαζί με την τεχνική Matrix Factorization σε Συστήματα Προτάσεων για «Έξυπνα» Ενεργειακά Πλέγματα προκειμένου να εξασφαλίσουμε ακριβείς προβλέψεις γρήγορα και αποδοτικά, καθώς και την συμβολή των “Real-Time rules” στην προσφορά μιας εξατομικευμένης συμβουλής.

Λέξη κλειδί :	Recommender system Smart grid Matrix factorization Clustering Personalization Συστήματα προτάσεων Έξυπνα πλέγματα Παραγοντοποίηση πίνακα Συσταδοποίηση Εξατομίκευση

Διαθέσιμο από :	2021-04-09 20:47:24

Ημερομηνία έκδοσης :	2021

Ημερομηνία κατάθεσης :	2021-04-09 20:47:24

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Athanasakou_2021.pdf

Τύπος: application/pdf

Είσοδος