AI-модуль керування кліматом розумного дому з адаптацією до звичок

Термостати з фіксованим розкладом не адаптуються до змінного ритму життя. Ми розробляємо AI-рішення, яке спостерігає за вашою поведінкою 2–3 тижні та автоматично передбачає комфортні уставки температури. На відміну від звичайних термостатів, наша система використовує машинне навчання для предиктивного управління. Вона збирає дані про присутність, ручні коригування та зовнішні умови, будує персональну модель і застосовує її в захищеному діапазоні (наприклад, 18–24°C). Це знижує витрати на опалення на 20–30% та забезпечує комфорт без ручного втручання. Система інтегрується з популярними термостатами: Nest, Ecobee, Tado, а також з будь-якими MQTT-контролерами на ESP32. Для підключення до Home Assistant використовуємо REST API та WebSocket. Мобільний додаток на SwiftUI та Jetpack Compose відображає поточну температуру, прогноз та дозволяє коригувати уставки. AI-модель експортується в ONNX або TFLite та виконується локально на пристрої, забезпечуючи конфіденційність даних.

Які дані необхідні для навчання?

Модель навчання звичок потребує кількох потоків даних:

• Присутність у домі. Wi-Fi presence detection (аналіз MAC-адрес через ARP-таблицю роутера) працює надійніше геозон при нестабільному GPS. Пасивний Bluetooth scanning — як допоміжний сигнал.
• Ручні коригування. Щоразу, коли ви змінюєте температуру в додатку, фіксується контекстна подія: день тижня, година, зовнішня температура.
• Зовнішні умови. Температура на вулиці (OpenWeatherMap), вологість, хмарність — впливають на відчуття комфорту та тепловтрати.

Для навчання використовується градієнтний бустинг (LightGBM) на ознаках: година, день тижня, вихідний, зовнішня температура, кількість присутніх пристроїв. Модель навчається на часових рядах з крос-валідацією TimeSeriesSplit. Експорт в ONNX або TFLite для роботи на мобільному пристрої.

Покроковий план впровадження AI-клімату

1. Аудит обладнання — оцінка сумісності ваших термостатів (Nest, Ecobee, Tado, MQTT-контролери на ESP32).
2. Інтеграція збору даних — налаштування потоків присутності, погоди та подій.
3. Навчання персональної моделі — збір 2–3 тижнів даних, навчання, валідація.
4. Інтеграція в мобільний додаток — SwiftUI / Jetpack Compose, завантаження моделі.
5. Тестування та запуск — A/B-тест, моніторинг, донавчання при необхідності.

Як модель передбачає комфортну температуру?

Після накопичення 2–3 тижнів даних запускається навчання. Для цього завдання добре підходить градієнтний бустинг (LightGBM), а не складна нейромережа — він дає інтерпретовані результати та працює на обмежених даних. Ознаки кодуються з циклічним перетворенням (sin/cos години) для врахування добової періодичності.

# Сервер: навчання персональної моделі комфортної температури import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit def train_comfort_model(user_id: str) -> lgb.Booster: events = load_manual_adjustments(user_id, days=30) features = pd.DataFrame({ 'hour_sin': np.sin(2 * np.pi * events.hour / 24), 'hour_cos': np.cos(2 * np.pi * events.hour / 24), 'dow': events.day_of_week, 'is_weekend': events.is_weekend.astype(int), 'outdoor_temp': events.outdoor_temperature, 'presence': events.presence_count, }) target = events.set_temperature model = lgb.LGBMRegressor(n_estimators=100, learning_rate=0.05, max_depth=4) tscv = TimeSeriesSplit(n_splits=5) model.fit(features, target) return model 

Модель експортується в ONNX або TFLite, завантажується в мобільний додаток. Прогноз на наступні 24 години — масив уставок температури по годинах. Застосовується автоматично або потребує підтвердження (налаштовується).

Чому звичайний термостат не справляється?

Термостати з розкладом не враховують спонтанні зміни: ви захворіли, пішли раніше, вирішили прохолодніше спати. AI-система адаптується за 2–3 дні після початку змін. Користувач може обмежити автоматику захисним діапазоном (наприклад, 18–24°C). Якщо користувач кілька разів поспіль коригує автоматичну уставку — додаток пропонує негайно перенавчити модель.

Управління кліматичним обладнанням

Мобільний додаток керує обладнанням через кілька рівнів. Нижче наведено порівняння популярних термостатів:

Приклад відправки уставки через Home Assistant на iOS:

// iOS: відправка уставки термостата через Home Assistant class ClimateController { private let haBaseURL: String private let bearerToken: String func setTemperature(entityId: String, temperature: Double) async throws { let url = URL(string: "\(haBaseURL)/api/services/climate/set_temperature")! var request = URLRequest(url: url) request.httpMethod = "POST" request.setValue("Bearer \(bearerToken)", forHTTPHeaderField: "Authorization") request.setValue("application/json", forHTTPHeaderField: "Content-Type") request.httpBody = try JSONEncoder().encode([ "entity_id": entityId, "temperature": temperature ]) let (_, response) = try await URLSession.shared.data(for: request) guard (response as? HTTPURLResponse)?.statusCode == 200 else { throw ClimateError.setpointFailed } } } 

Що входить в роботу?

• Аналіз поточної інфраструктури термостатів та мережі.
• Розробка модуля збору даних (Wi-Fi presence, OpenWeatherMap інтеграція).
• Навчання персональної AI-моделі з валідацією.
• Інтеграція моделі в мобільний додаток (iOS/Android).
• Підтримка після запуску (1 місяць моніторингу та донавчання).

Терміни та вартість

Розробка базового AI-модуля для одного приміщення — 8–12 тижнів. Багатозонна система з інтеграцією кількох виробників термостатів — 4–5 місяців. Вартість розраховується індивідуально після аудиту. Ми гарантуємо якість та надаємо документацію по API та моделі. Зв'яжіться з нами для отримання консультації та оцінки вашого проекту.

Згідно з App Store Review Guidelines Section 4.2, додаток повинен запитувати дозвіл на відстеження (ATT) перед збором даних про присутність — ми враховуємо це в реалізації. Отримайте консультацію щодо інтеграції з вашим обладнанням.