Recommender Systems for Sensor-based Ambient Control in Academic Facilities

Abstract

Los espacios académicos son un entorno que favorece el rendimiento de los estudiantes no sólo por la calidad de su equipamiento, sino también por sus condiciones ambientales de confort, que pueden controlarse mediante actuadores que reciben datos de sensores. Algo parecido puede decirse de otros entornos, como el hogar, la empresa o la industria. Sin embargo, los dispositivos sensores pueden provocar fallos o lecturas imprecisas de forma puntual, afectando a los mecanismos de control. La relación mutua entre las variables del entorno puede ser una fuente de conocimiento para predecir una variable en caso de que falle un sensor. Además, la relación entre estas variables y la ocupación de los espacios por los estudiantes a lo largo del tiempo también contiene un conocimiento adecuado del contexto para la predicción. En este artículo proponemos predecir variables ambientales mediante sistemas de recomendación basados en filtrado colaborativo, que se alimentan con datos de sensores a lo largo del tiempo en diferentes aulas académicas. Para ello, aplicamos dos algoritmos diferentes: Factorización Matricial Probabilística y Factorización Matricial Bayesiana No Negativa. La precisión de los algoritmos al comparar los valores reales y los predichos y la comparación de rendimiento entre las dos implementaciones de filtrado colaborativo nos llevan a proponer la Factorización Matricial Probabilística como un buen enfoque para apoyar los sistemas de control ambiental.

Academic spaces are an environment that promotes student performance not only because of the quality of its equipment, but also because of its ambient comfort conditions, which can be controlled by means of actuators that receive data from sensors. Something similar can be said about other environments, such as home, business, or industry environment. However, sensor devices can cause faults or inaccurate readings in a timely manner, affecting control mechanisms. The mutual relationship between ambient variables can be a source of knowledge to predict a variable in case a sensor fails. Moreover, the relationship between these variables and the occupation of spaces by students over time also contains an adequate knowledge of the context for prediction. In this article we propose to predict ambient variables by means of recommendation systems based on collaborative filtering, which are fed with data from sensors over time in different academic rooms. For this purpose, we applied two different algorithms: Probabilistic Matrix Factorization and Bayesian Non-negative Matrix Factorization. The accuracy of the algorithms when comparing actual and predicted values and the performance comparison between the two collaborative filtering implementations lead us to propose Probabilistic Matrix Factorization as a good approach for supporting ambient control systems.