186
2018
A Low-Cost Smart Home Automation to Enhance
Decision-Making based on Fog Computing and
Computational Intelligence
G. P. R. Filho, L. Y. Mano, A. D. B. Valejo, L. A. Villas and J. Ueyama
Abstract— This work proposes STORM, a solution for
1
decision-making in a residential environment that combines fog
computing and computational intelligence. In this scenario,
STORm is able to collect, treat, disseminate, detect and control
information generated from the sensor nodes to the decision-
making process. With this in mind, STORm is based on the
development of an ensemble of classifiers to enhance precision in
the decision-making process, as well as on the use of the fog
computing paradigm to manage and process the actions in the
residence in real-time. The idea is to provide computational
resources closer to the end-users, processes them locally before
transmits them to the cloud. When compared with the classical
approaches adopted in the literature for classification, the results
show that, as well as providing a high degree of accuracy in the
classification, the STORm maintains a high stability in the
decision-making process.
Keywords— home automation, domotics, fog computing, IoT,
computational intelligence, sensor, actuator, wireless sensor and
actuator networks, energy efficiency.
I. INTRODUÇÃO
N
OS últimos anos, a eficiência energética tem sido um
tema de pesquisa crescente, em pleno desenvolvimento e
de interesse de pessoas e empresas. Nessa área, constatou-se
que o consumo de energia tem aumentado de maneira
significativa ao longo dos anos devido ao desenvolvimento
econômico [1] e ao uso indiscriminado da energia por parte da
população [2]. Em virtude desse aumento, os governos e
organizações estão adotando políticas de conservação de
energia para não enfrentar problemas no setor energético,
como blecautes (do Inglês blackout) [3]. Especificamente no
Brasil, mais de 180 blecautes já foram registrados desde 2011,
sendo 45 em 2013 e 65 em 2012, afetando, por exemplo,
postos de saúde e linhas de metrô [4].
Nesse cenário, o setor residencial contribui com uma
quantidade significativa no consumo de energia elétrica [5, 2].
O Sistema de Automação Residencial (HAS, do Inglês Home
Automation System), aliado com a Internet das Coisas (IoT, do
Inglês Internet of Things), é uma das alternativas mais promis-
soras para o problema da eficiência energética [6]. Vale frisar
G. P. R. Filho, Universidade de São Paulo (USP), São Carlos, São Paulo,
Brasil, geraldop@icmc.usp.br
L. Y. Mano, Universidade de São Paulo (USP), São Carlos, São Paulo,
Brasil, leandroyukiomano@usp.br
A. D. B. Valejo, Universidade de São Paulo (USP), São Carlos, São Paulo,
Brasil, alan@icmc.usp.br
L. A. Villas, Universidade Estadual de Campinas (UNICAMP), Campinas,
São Paulo, Brasil, leandro@ic.unicamp.br
J. Ueyama, Universidade de São Paulo (USP), São Carlos, São Paulo,
Brasil, joueyama@icmc.usp.br
Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN.
que na IoT, seja qual for a “coisa” (física ou virtual), é
possível conectar via Internet para monitorar, controlar e/ou
usá-la como elemento sensoriador e atuador de uma
arquitetura para interagir com o ambiente em que estão
implantadas. No cenário de HAS, sensores e atuadores
embarcados em dispositivos (smartphones, Raspberry PI e
tablets, por exemplo) podem ser considerados como “coisas”.
Assim, por meio dos dados providos dos sensores, o HAS
permite gerenciar os recursos habitacionais da residência para
a escolha da melhor ação, a qual é realizada mediante os
atuadores, em benefício dos moradores [7, 8, 9, 10]. Ainda,
considerando que tais “coisas” podem intercomunicar-se, um
sensor pode aproveitar a informação de um outro sensor para
melhorar a qualidade da informação no processo de tomada de
decisão na residência [11, 24].
É fundamental destacar que a IoT considera o paradigma
fog computing [13] para auxiliar aplicações que possuem
limitações computacionais. O paradigma fog computing
estende os recursos computacionais disponíveis na
infraestrutura da nuvem para a borda da rede, fornecendo
mobilidade, escalabilidade, baixa latência e robustez no
serviço aos usuários [12, 13]. Apesar dos avanços
conquistados nessa área, os HASs são fortemente dependentes
da sua rede interna, visto que esta é a base de uma casa
inteligente [15, 23]. As Redes de Sensores e Atuadores sem
Fio (RSASFs) [16] fornecem uma infraestrutura moderna e
ubíqua para uma casa inteligente. Portanto, a RSASF combi-
nada com o uso de fog computing é uma solução promissora
para ser utilizada como infraestrutura de controle no HAS.
Ainda que há um esforço crescente conquistado pelo uso
da RSASF associado com o paradigma fog computing em um
HAS, correlacionar um grande volume de dados (quali-tativos
e quantitativos) obtidos dos sensores para o processo de
tomada de decisão traz um novo desafio. Tal desafio está
relacionado como grande parte dos dados são apresentados,
uma vez que são adquiridos de maneira implícita, bruta e
incompreensível, para aproveitar alguma informação no
processo de tomada de decisão. Vale frisar também que as
soluções analisadas na literatura são dotadas de problemas
locais, específicos e com investigações fragmentadas.
Para superar os desafios mencionados anteriormente,
argumenta-se que é necessário investigar uma abordagem
capaz de coletar, tratar, disseminar, detectar e controlar as
informações para o processo de tomada de decisão baseada em
sensores e atuadores sem fio. Este artigo propõem uma
Solução inteligente para TOmadas de decisões em um
ambiente Residencial que combina fog e Inteligência
Computacional: STORm. O STORm baseia-se na utilização
 PEREIRA ROCHA FILHO et al.: A LOW-COST SMART
de um Comitê de Classificadores para melhorar a precisão no
processo de tomada de decisão, e no uso do fog para gerenciar
e processar as ações na residência em tempo real. A ideia é
disponibilizar os recursos computacionais mais próximos do
utilizador final, processá-los localmente antes de repassá-los
para a nuvem. Os resultados dos experimentos, obtidos
mediante a análise estatística, evidenciam o desempenho
satisfatório do STORm quando comparado com algoritmos de
classificação individuais, os quais são utilizados para modelar
o Comitê no processo de tomada de decisão.
O restante deste artigo está organizado da seguinte forma.
A Seção II apresenta os trabalhos relacionados. A Seção III
descreve o STORm. A Seção IV apresenta os resultados da
avaliação de desempenho. Por fim, a Seção V apresenta as
conclusões e os trabalhos futuros.
II. TRABALHOS RELACIONADOS
Esta seção apresenta os principais trabalhos encontrados na
área de HAS, os quais utilizam uma RSASF como infraestru-
tura de controle para coletar dados e atuar em um ambiente
inteligente. O intuito é discutir os principais desafios e
problemas em aberto nessa área que ainda não foram
solucionados e que esta pesquisa investiga. Por exemplo, a
inexistência de uma solução para aumentar a precisão na
tomada de decisão em dispositivos com recursos escassos.
Atualmente, tem-se investigado o potencial uso das
tecnologias de rede sem fio como infraestrutura interna de
uma residência [17, 18, 19, 20]. Particularmente em [17], é
proposto um framework que é modelado com base em uma
infraestrutura sem fio. Como prova de conceito do
framework, foi desenvolvido um protótipo chamado Integ's
smart home. O Integ's smart home permite monitorar e
controlar as condições da sua residência através de um
dispositivo móvel (por exemplo, um smartphone) habilitado
para a Internet. Em [18], é proposto um sistema de automação
residencial de baixo custo voltado para os eletrodomésticos.
Uma placa de controle principal (nó sink) é desenvolvida para
gerenciar a comunicação entre os eletrodomésticos e os
moradores. Entretanto, as soluções citadas anteriormente
possuem limitações, diferenciando deste trabalho
principalmente por serem desenvolvidas para aplicações
específicas, além de não correlacionar os dados coletados
entre as aplicações para melhorar a tomada de decisão.
Outras soluções limitam-se a detectar ou controlar uma
ação preestabelecida, tornando-as não versáteis para o
processo de tomada de decisão. Em ambas analisam-se apenas
os dados brutos obtidos dos sensores, como apresentado em
[2, 21, 22]. Especificamente em [2], os autores propõem um
método para detectar novidades no consumo de energia dos
equipamentos eletrônicos, chamado Novelty Detection Power
Meter (NodePM). Para isso, considera-se o grau de incerteza
do consumo de energia de cada equipamento eletrônico, o qual
é obtido mediante um modelo de cadeia de Markov que é
gerado por meio do K-Nereast Neighbors (KNN). Portanto, é
possível detectar novidades alertando os moradores quando é
identificado uma anomalia no consumo de energia dos
equipamentos eletrônicos.
Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
187
O trabalho que mais se assemelha com esta pesquisa é
apresentado por [15], o qual apresenta um sistema de decisão
inteligente para uma infraestrutura residência distribuída
utilizando sensores e atuadores sem fio, chamado ResiDI. O
núcleo da inteligência do ResiDI é baseado em uma Rede
Neural que visa melhorar a precisão da tomada de decisão,
juntamente com um mecanismo de correlação temporal que é
projetado para reduzir o consumo de energia da infraestrutura.
Apesar do ResiDI aproveitar o processamento da rede sem fio,
melhorando a precisão na tomada de decisão, ele não é capaz
de executar soluções robustas devido aos recursos escassos
que uma RSASF possui.
III. STORM - UMA SOLUÇÃO PARA TOMADAS DE
DECISÕES EM UM AMBIENTE RESIDENCIAL QUE
COMBINA FOG COMPUTING COM INTELIGENCIA
COMPUTACIONAL
Esta seção apresenta a solução proposta, nomeada como
STORm. Inicialmente, a problemática da pesquisa é
apresentada. Em seguida, é descrita uma visão geral do
STORm. Por fim, a explicação do STORm é separado em três
etapas, sendo elas: (i) a divisão dos papéis com a descrição do
seu funcionamento; (ii) a construção da tabela de roteamento
juntamente com a distribuição dos nós na rede; e (iii) a
detecção para a tomada de decisão.
A. Problema da automação residencial usando RSASF
O uso da RSASF como infraestrutura de controle para um
sistema de automação residencial enfrenta problemas quando
o processo de tomada de decisão é embarcado no próprio nó
da rede. Tais problemas são impostos devido a escassez de
recursos computacionais (processamento e memória) que uma
RSASF possui. Nesse cenário, correlacionar um grande
volume de dados obtidos dos nós sensores para realizar a
decisão na automação residencial não é uma tarefa trivial, haja
vista a necessidade de tratar informações qualitativas (prefe-
rência) e quantitativas (temperatura) de acordo com cada mo-
rador.
A problemática descrita anteriormente pode ser resolvida
por meio do STORm, o qual é baseado em um Comitê de
Classificadores e no uso do paradigma de fog computing. Com
isso, é possível obter uma alta precisão na tomada de decisão
com uma robustez no processamento.
B. Visão geral do STORm
O STORm é uma solução inteligente para coletar,
disseminar, detectar e controlar as tomadas de decisões em um
ambiente residencial distribuído formando um fog. Para tanto,
o STORm é baseado em um Comitê de Classificadores para
realizar o processo de tomada de decisão, bem como no uso do
fog para gerenciar e processar as ações na residência em
tempo real. O STORm foi desenvolvido para ter
escalabilidade e robustez no processamento, reduzindo a
latência de serviço, ao mesmo tempo que provê um aumento
na precisão para a tomada de decisão.
No STORm, os nós são munidos com uma interface de
comunicação sem fio, armazenamento, processamento e
 188
bateria como fonte de backup para formar um ambiente
computacional de fog. A Fig. 1 ilustra a arquitetura de
componentes do STORm, na qual o microkernel realiza a
instância e a conexão dos componentes de software para cada
nó com seus respectivos papéis. Entende-se como papéis, as
funcionalidades específicas que são atribuídas para cada nó.
Tais características, além de deixar a infraestrutura do STORm
com alta disponibilidade para os nós que o compõe, lida em
tempo de execução com a heterogeneidade de software e
hardware de cada nó, deixando o STORm colaborativo e
flexível para adição de novos recursos. As funcionalidades dos
nós do STORm foram distribuídas em papéis, as quais são
descritas na próxima Subseção III-C.
Figura 1. Cenário de interação dos principais componentes do STORm.
C. Divisão dos papéis do STORm
Para monitorar e gerenciar o ambiente, os papéis e a
inteligência do STORm são distribuídos entre os nós (revisite
a Fig. 1) da rede, sendo eles: (i) Nó Sensor, (ii) Nó Decisor; e
(iii) Nó Atuador. Os Nós Sensores são distribuídos no
ambiente para coletar e disseminar as informações (por
exemplo, movimento, imagem, presença, e temperatura),
transmitindo-as para o Nó Decisor. O Nó Decisor recebe tais
informações e realiza o processamento para detectar a tomada
de decisão. Nesse caso, as informações são processadas no Nó
Decisor mediante o paradigma de fog computing. O Nó
Decisor além de servir como interface para outras aplicações
(característica presente em uma smart home), é responsável
por realizar a comunicação externa e possíveis atualizações
vindas de fora da rede. Por fim, o Nó Atuador recebe a ação
detectada pelo Nó Decisor e controla as aplicações
(iluminação e equipamentos eletrodomésticos) do ambiente
por meio de diferentes componentes de atuação, tais como
chaves elétricas, relés, transistores e LEDs.
D. Construção da tabela de roteamento e a distribuição dos
nós no ambiente
Como o STORm possui uma infraestrutura distribuída com
diferentes papéis, a tabela de roteamento é construída com
base na distância entre os nós e nos papéis de cada nó. Para
isso, o processo de associação entre os nós é iniciado quando
os Nós Sensores/Atuadores escutam os beacons enviado do
Nó Decisor. Quando um nó recebe uma mensagem, a força do
Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN. 2018
sinal captada (RSSI) por ele é utilizada para estimar a
distância do nó que transmitiu a mensagem. Esse processo é
realizado mediante um handshake de três vias, no qual os Nós
Sensores/Atuadores solicitam associação ao Nó Decisor que
aceita as requisições.
Para cobrir toda área de coleta e disseminação de dados, os
nós sensores são distribuídos de maneira equidistante. Assim,
considerou-se a dimensão da área monitorada (isto é, largura L
e comprimento C) e o raio R de comunicação do nó sensor.
Com isso, é possível definir a quantidade de nós sensores para
ser distribuído na área: !/! !/! . Já a distribuição dos nós
atuadores é a metade dos nós sensores, uma vez que é
realístico admitir que há menos nós atuando no ambiente e
mais nós disseminando informações.
Destaca-se que o Nó Decisor é munido com uma maior
capacidade de comunicação para alcançar todos os nós
sensores/atuadores na rede. Com isso, o Nó Decisor é
responsável por toda região de detecção e atuação. Com
apenas um salto, o Nó Decisor pode receber as informações e
repassar as ações para toda a rede. Isso é uma realidade
razoável de supor em um ambiente residencial, no qual os
equipamentos estão próximos fisicamente. O Nó Decisor pode
construir um conhecimento local sobre a área monitorada, sem
a necessidade de múltiplos saltos. Portanto, o STORm permite
a criação de uma RSASF para sensoriar e atuar no processo de
decisão de forma autônoma dentro da rede. O processo para
realizar a tomada de decisão é descrito na próxima Subseção
III-E.
E. Detecção para o processo de tomada de decisão
Para realizar o processo de tomada de decisão, é necessário
detectar e classificar as preferências do morador em um
ambiente residencial. Destaca-se, entretanto, que tal processo
não é uma tarefa trivial, uma vez que é fundamental tratar e
correlacionar informações qualitativas e quantitativas, como
nível de iluminação/temperatura e quantidade de pessoas no
ambiente. Para tratar tal problema, o modelo proposto para a
tomada de decisão no STORm tem como objetivo o
aprendizado das aplicações mediante um Comitê de classifica-
dores. Assim, o Comitê utiliza os dados providos dos nós
sensores e, por meio de uma combinação de respostas de
algoritmos de classificação, detecta e classifica as
características do ambiente de acordo com as preferências do
morador, para que o STORm possa realizar de maneira mais
assertiva o processo de tomada de decisão.
O uso do Comitê no STORm aumenta a precisão nas
tomadas de decisões, haja vista que os métodos de
classificação isolados produzem erros característicos e
dependes de vários ajustes em seus parâmetros. Em outras
palavras, os classificadores isolados podem resultar em
diferentes decisões de classificação. Além disso, ao utilizar
um classificador de maneira isolada, há um grau de
dificuldade em correlacionar cada classificador na aplicação
desejada (iluminação e ar-condicionado) para melhorar o
processo de tomada de decisão.
Para facilitar o entendimento de como é realizado a
classificação da atuação, a Fig. 2 ilustra o funcionamento do
 PEREIRA ROCHA FILHO et al.: A LOW-COST SMART 189

processo de tomada de decisão. Para isso, o processo de ressaltar que as atividades de atuação (isto é, de tomada de
tomada de decisão foi modelado em duas etapas. A primeira decisão) estão relacionadas em ligar/standby/desligar as
etapa consiste de classificadores individuais que podem ter aplicações, bem como controlar a intensidade da iluminação
diferentes arquiteturas. Os dados provenientes dos nós de acordo com o perfil do morador. O problema é utilizar tais
sensores são utilizados em cada classificador. A segunda etapa aplicações de maneira eficiente, reduzindo o gasto energético
consiste em uma tomada de decisão que opera de acordo com da casa do morador de acordo com o seu perfil.
os resultados de classificação da etapa anterior para produzir a Os dados foram divididos em 10 partições, de modo que
decisão final. cada partição possui dados de uma semana. Além disso, para
contemplar os diferentes comportamentos que o morador
1º Camada 2º Camada
possui, bem como evitar o problema de mínimo local, a
Classificador 1
técnica k-fold cross-validation com k=10 foi utilizada em cada
Padrão
Classificador 2 uma das 10 partições, sendo k-1 para treino e o restante para
Decisão
Desconhecido
Classificador 3
Módulo de
Decisão
Final teste. Com o intuito de estimar o quão correto o STORm será
.
. executado na prática, utilizou-se a precisão nas tomadas de
.
Classificador n
decisões como variável de resposta.
Com o intuito de comprovar o objetivo da proposta,
métodos estatísticas foram utilizados para validar os
Figura 2. Cenário de funcionamento do Comitê modelado para realizar o
resultados mediante os p-valores. Os p-valores são medidas
processo de tomada de decisão.
utilizadas para: (i) verificar a distribuição das amostras de
Destaca-se que para gerar a decisão final, utiliza-se a dados mediante o Shapiro-Wilk normality test; ou (ii)
certificar se os resultados são ou não estatisticamente
Equação 1, que cria um processo de votação com base em uma
diferentes entre si, utilizando métodos paramétricos (t-student)
média ponderada. Em outras palavras, a Equação 1 é utilizada
ou não-paramétricos (post-hoc test) dependendo do p-valor do
para o processo de ponderação, atribuindo pesos ! Shapiro-Wilk normality test. A seguir são apresentados os
proporcionais para cada algoritmo (x) de acordo com sua taxa resultados da avaliação de desempenho discutindo os pontos
de precisão (AP). Dessa forma, cada x utilizado terá um W fortes e fracos da proposta.
proporcional à sua taxa de precisão. Com isso, o Comitê
A. Resultados obtidos
considera a relevância (isto é, o peso) de cada algoritmo,
aumentando a sua precisão na tomada de decisão, pois não é A Tabela I sumariza os resultados obtidos pelos algoritmos
influenciado por decisões incorretas de um algoritmo isolado. avaliados em cada uma das 10 partições de dados. Os maiores
valores de precisão estão destacados em negrito (Tabela I).
A seguir, são apresentados os resultados obtidos de acordo
Observa-se que a abordagem proposta (STORm) obteve uma
com a metodologia utilizada.
pontuação significativamente melhor em 8 das 10 partições de
dados. Isso faz sentido, pois o STORm generaliza os acertos
!"!! na tomada de decisão, diferentemente de um classificador
!!! = ! 1
! !"!!
isolado. Além disso, nota-se que o algoritmo SVM obteve
melhor desempenho em 3 partições e a RNA em 2 partições.
IV. AVALIAÇÃO DE DESEMPENHO E METODOLOGIA Em outras palavras, o STORm, obteve melhores resultados em
62,5% das partições (no pior caso).
Esta seção apresenta a metodologia utilizada para gerar os
A Fig. 3 sumariza os resultados da precisão em relação à
experimentos com o intuito de validar o STORm na tomada de
mediana, indicando o grau de dispersão nos resultados da
decisão. Para isso, o STORm foi comparado com cinco
precisão e seus outliers. Nota-se que o STORm possui um
algoritmos de classificação clássicos da literatura: (i) Árvore
desempenho ligeiramente superior (aproximadamente 17% de
de Decisão (ii) Naive Bayes; (iii) K-Nearest Neighbors, KNN;
aumento no melhor caso e 5% de aumento no pior caso)
(iv) Rede Neural Artificial, RNA; e (v) Support Vector
quando comparado com os outros classificadores. Isso é
Machine, SVM. Tais algoritmos foram utilizados para gerar o
derivado da combinação de classificadores, os quais não
Comitê, uma vez que apresentaram os melhores resultados
geram os mesmos erros que um classificador isolado produz.
dentre os algoritmos de classificação para a tomada de
Por isso, há um aumento na precisão nas tomadas de decisões
decisão.
e, consequentemente, uma melhor generalização nos acertos.
Para validação, foi utilizado um dataset de um ambiente
Além disso, é possível observar uma menor dispersão nos
real adquirido em [2]. Os dados foram coletados durante 40
resultados do STORm e, portanto, uma maior estabilidade no
dias em um ambiente residencial com os seguintes atributos:
sistema. Isto é detectado pela amplitude interquartil do boxplot
(i) temperatura do ambiente em grau Celsius; (ii) presença de
(diferença entre o primeiro e terceiro quartil). Quando
pessoas no ambiente; (iii) data e horário de utilização da
comparado com a RNA e a SVM, o STORm possui
aplicação; (iv) potência em Watt da aplicação; (v) estado da
comportamento similar para a tomada de decisão devido à
aplicação; (vi) tipo de aplicação; e (vii) tomada de decisão.
estabilidade na dispersão dos resultados. Entretanto, destaca-
As aplicações utilizadas foram iluminação e equipamentos
se que a RNA e a SVM possuem um desempenho inferior nos
eletrodomésticos (televisão, computador e geladeira). Deve-se

Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
 190 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 1, JAN. 2018

acertos. Fig. 4. Dessa forma, o desempenho de dois algoritmos é

TABELA I estatisticamente diferente se os valores de suas médias diferem
RESULTADOS DA PRECISÃO PARA TODOS OS ALGORITMOS
AVALIADOS CONSIDERANDO AS 10 PARTIÇÕES DE DADOS
em no mínimo o valor da CD. Os algoritmos mais próximos
do valor 1 (Fig. 4) possuem melhor desempenho no ranking.
RNA SVM KNN Arv. Dec. N. B. STORm Os algoritmos que não têm diferença estatística significativa
Partição 1 0.85 0.91 0.82 0.84 0.82 0.91 estão conectados por uma linha contínua. Os resultados
Partição 2 0.85 0.91 0.82 0.81 0.68 0.85
estatísticos e os rankings dos algoritmos avaliados estão
sumarizados no diagrama da Fig. 4. O valor da CD é 2.42,
Partição 3 0.85 0.78 0.82 0.82 0.65 0.91
considerando uma confiança de 95% (p < 0.05). Portanto, os
Partição 4 0.77 0.78 0.69 0.74 0.65 0.91
resultados de cada algoritmo são estatisticamente diferentes,
Partição 5 0.85 0.85 0.69 0.74 0.84 0.97 caso a diferença entre a média do ranking seja maior do que
Partição 6 0.92 0.91 0.69 0.84 0.74 0.97 2.42.
Partição 7 0.94 0.92 0.79 0.74 0.85 0.97
Partição 8 0.91 0.97 0.79 0.65 0.82 0.97
Partição 9 0.90 0.90 0.85 0.85 0.85 0.85
Partição 10 0.97 0.93 0.85 0.65 0.82 0.97 Figura 4. Diferença estatística e ranking de desempenho geral para todos os
Média 0.88 0.89 0.78 0.77 0.77 0.93 algoritmos avaliados considerando as 10 partições de dados.

B. Discussão dos resultados

Após a obtenção de tais dados, foi realizada uma avaliação
estatística sobre os resultados. Nesse caso, duas etapas foram
necessárias: (i) verificar a normalidade das amostras de dados;
e (ii) certificar se os resultados são ou não estatisticamente
diferentes entre si. Para a primeira etapa, foi utilizado o
Shapiro-Wilk normality test para os conjuntos de dados dos
classificadores (Árvore de Decisão, Naive Bayes, KNN, RNA,
SVM e STORm), os quais apresentaram os seguintes p-
valores: {0.537, 0.058, 0.021, 0.079, 0.013, 0.009}. Com isso,
observou-se que metade dos p-valores (< 0.05) possui a
hipótese de adequação à normalidade rejeitada, considerando
95% de confiança. Isso implica no uso de métodos não
paramétricos de comparação entre os conjuntos, sendo o mais
indicado para este caso o post-hoc test.
Com base nos resultados, observou-se que a abordagem
proposta possui um melhor ranking geral de desempenho
(revisite, Fig. 4), considerando o número de acertos (isto é, a
precisão). Em seguida, os algoritmos RNA e SVM obtiveram
um ranking próximo um do outro. Subsequentemente, estão os
algoritmos KNN e Àrvore de Decisão. Por fim, nota-se que o
algoritmo Naive Bayes alcançou o pior ranking, considerando
o post-hoc test.
Destaca-se que apesar dos algoritmos STORm, RNA e
SVM não possuírem diferença estatística significava, o
STORm apresenta um desempenho ligeiramente maior que
todos os algoritmos (revisite as fig. 3 e 4), obtendo uma média
de 93% na precisão da tomada de decisão (reveja Tabela I).
Portanto, o STORm possui uma vantagem considerável em
termo de precisão no processo de tomada de decisão,
diferentemente de um algoritmo de classificação isolado.

V. CONCLUSÕES E TRABALHOS FUTUROS

Figura 3. Forma, dispersão e centro (ou mediana) dos resultados da precisão
obtidos pelos algoritmos avaliados considerando todas as bases de dados.
Em razão do exposto anteriormente, os resultados da
Tabela I foram submetidos a análise estatística através do
post-hoc test. Tal teste fornece um ranking que permite
determinar o desempenho geral de cada um dos algoritmos
avaliados. No eixo horizontal (Fig. 4), são enumeradas as
posições obtidas pelos algoritmos avaliados, formando um
ranking com suas respectivas médias de desempenho. A
diferença crítica (CD) é localizada no topo do diagrama da
O uso da RSASF como infraestrutura de controle para um
sistema de automação residencial enfrenta problemas quando
o processo de tomada de decisão é embarcado no próprio nó
da rede. Nesse cenário, aumentar a precisão na tomada de
decisão não é uma tarefa trivial, haja vista a necessidade de
tratar informações qualitativas e quantitativas de acordo com
cada morador. Tal problema foi resolvido neste artigo por
meio do STORm que, além de aumentar a precisão no
processo de tomada de decisão, tem como objetivo melhorar a
escalabilidade e robustez no processamento em dispositivos
com recursos escassos.
A proposta é baseada em um Comitê de Classificação que
mostrou ser mais eficiente, quando comparado com outros
algoritmos de Aprendizado de Máquina, apresentando uma
precisão média de 93% no processo de tomada de decisão. Os
resultados mostram que a solução proposta possui um
aumento de 17% de precisão na classificação para a tomada de
decisão, além de apresentar baixa dispersão dos dados nos
testes quando comparados aos algoritmos utilizados de
maneira individual. Vale ressaltar ainda que, apesar dos bons

Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
 PEREIRA ROCHA FILHO et al.: A LOW-COST SMART
resultados obtidos, é possível aumentar a precisão de
classificação na proposta. Em razão disso, como trabalhos
futuros serão investigados: (i) soluções sensíveis ao contexto
para sistemas residências; (ii) impactos em termos de
eficiência energética, e; (iii) valores das ponderações dos
classificadores no Comitê de Classificação. Ainda, tem-se o
intuito de desenvolver soluções sensíveis ao contexto com
base em múltiplos sensores para os sistemas residências. Para
atingir esse objetivo, uma arquitetura baseada no publish-
subscribe será adicionda na proposta deste artigo.
AGRADECIMENTOS for Residential Infrastructure Using Wireless Sensors and Actuators. In:
Os autores gostariam de agradecer o apoio financeiro
concedido da FAPESP (processo 2014/06330-5) para o
bolsista de doutorado MSc. Geraldo P. R. Filho. Ainda, os
autores Leandro A. Villas e Jó Ueyama agradecem à FAPESP
(2015/21642-6 e 2015/07538-1) por financiarem partes dos
seus projetos de pesquisas. The World Congress in Computer Science, Computer Engineering and
REFERÊNCIAS
[1] MINENO, Hiroshi et al. Adaptive home/building energy management
system using heterogeneous sensor/actuator networks. In: 2010 7th
IEEE Consumer Communications and Networking Conference. IEEE,
2010. p. 1-5.
[2] FILHO, Geraldo P. R. et al. NodePM: a remote monitoring alert system
for energy consumption using probabilistic techniques. Sensors, v. 14,
n. 1, p. 848-867, 2014.
[3] ORESTIS, Akribopoulos et al. Smart energy monitoring and
management in large multi-office building environments. In:
Proceedings of the 17th Panhellenic Conference on Informatics. ACM,
2013. p. 219-226.
[4] G1, Economia – brasil registra 181 apagoes desde 2011, Available:
http://g1.globo.com/economia/noticia/2014/02/brasil-registra-181-
apagoes-desde-2011-diz-levantamento.html (accessed on 13 December
2016)
[5] DITTAWIT, Kornschnok; AAGESEN, Finn Arve. Architecture and
functional framework for home energy management systems. In:
Meeting of the European Network of Universities and Companies in
Information and Communication Engineering. Springer Berlin
Heidelberg, 2013. p. 173-184.
[6] SIANO, Pierluigi et al. Designing and testing decision support and
energy management systems for smart homes. Journal of Ambient
Intelligence and Humanized Computing, v. 4, n. 6, p. 651-661, 2013.
[7] JIANG, Li; LIU, Da-You; YANG, Bo. Smart home research. In:
Machine Learning and Cybernetics, 2004. Proceedings of 2004
International Conference on. IEEE, 2004. p. 659-663.
[8] CHENG, Jin; KUNZ, Thomas. A survey on smart home networking.
Carleton University, Systems and Computer Engineering, Technical
Report SCE-09-10, 2009.
[9] MEKIKIS, Prodromos-Vasileios; ATHANASIOU, George; FISCHIONE,
Carlo. A wireless sensor network testbed for event detection in smart
homes. In: 2013 IEEE International Conference on Distributed
Computing in Sensor Systems. IEEE, 2013. p. 321-322.
[10] LEE, Ju Hyun et al. Context-aware inference in ubiquitous residential
environments. Computers in Industry, v. 65, n. 1, p. 148-157, 2014.
[11] MAIA, Pedro et al. Uma Plataforma de Middleware para Integração de
Dispositivos e Desenvolvimento de Aplicações em e-health.
[12] COUTINHO, Antônio Augusto Teixeira Ribeiro; CARNEIRO,
Elisângela Oliveira; GREVE, Fabíola Gonçalves Pereira. Computação
em Névoa: Conceitos, Aplicações e Desafios.
[13] BONOMI, Flavio et al. Fog computing: A platform for internet of
things and analytics. In: Big Data and Internet of Things: A Roadmap
for Smart Environments. Springer International Publishing, 2014. p.
169-186.
[14] KHALID, Madiha et al. Establishing the State of the Art Knowledge
Domain of Cloud Computing. In: Advanced Computer and
Communication Engineering Technology. Springer International
Publishing, 2016. p. 1001-1014.
Authorized licensed use limited to: UNIVERSIDADE ESTADUAL DE OESTE DO PARANA. Downloaded on March 10,2021 at 23:30:29 UTC from IEEE Xplore. Restrictions apply.
191
[15] GERALDO FILHO, P. R. et al. An Energy-Aware System for Decision-
Making in a Residential Infrastructure Using Wireless Sensors and
Actuators. In: Network Computing and Applications (NCA), 2015 IEEE
14th International Symposium on. IEEE, 2015. p. 9-16.
[16] AKYILDIZ, Ian F.; KASIMOGLU, Ismail H. Wireless sensor and actor
networks: research challenges. Ad hoc networks, v. 2, n. 4, p. 351-367,
2004.
[17] MANTORO, Teddy et al. Web-enabled smart home using wireless node
infrastructure. In: Proceedings of the 9th International Conference on
Advances in Mobile Computing and Multimedia. ACM, 2011. p. 72-79.
[18] RAMLEE, Ridza A. et al. Smart home system using android application.
In: Information and Communication Technology (ICoICT), 2013
International Conference of. IEEE, 2013. p. 277-280.
[19] GERALDO FILHO, P. R. et al. ResiDI: An Intelligent Decision Platform
Computer Networks and Distributed Systems (SBRC), 2015 XXXIII
Brazilian Symposium on. IEEE, 2015. p. 237-245.
[20] FILHO, Geraldo PR et al. NodePM: Um Sistema de Monitoramento
Remoto do Consumo de Energia Elétrica via Redes de Sensores sem Fio.
[21] GERALDO FILHO, P. R. et al. An intelligent approach for improving
energy efficiently in smart grids. In: Proceedings of the International
Conference on Wireless Networks (ICWN). The Steering Committee of
Applied Computing (WorldComp), 2013. p. 1.
[22] MANO, Leandro Y. et al. Exploiting IoT technologies for enhancing
Health Smart Homes through patient identification and emotion
recognition. Computer Communications, 2016.
[23] FILHO, Geraldo PR et al. ResiDI: Um Sistema de Decisao Inteligente
para Infraestruturas Residenciais via Sensores e Atuadores Sem Fio.
[24] CARVALHO, Eduardo et al. Exploiting the use of machine learning in
two different sensor network architectures for indoor localization. In:
Industrial Technology (ICIT), 2016 IEEE International Conference on.
IEEE, 2016. p. 652-657.
Geraldo P. R. Filho é estudante de doutorado no Instituto
de Ciências Matemáticas e de Computação da
Universidade de São Paulo (ICMC-USP). MSc. Geraldo
recebeu em 2014 o título de Mestre em Ciência da
Computação e Matemática Computacional pelo ICMC-
USP. Atua na área de Ciência de Computação e tem
interesse em problemas relacionados a Sistemas
Operacionais, Redes de Computadores, Redes de Sensores Sem Fios e
algoritmos para detecção de anomalias.
Leandro Y. Mano é estudante de doutorado no ICMC-
USP. Leandro recebeu em 2015 o título de Mestre em
Ciência da Computação e Matemática Computacional pelo
ICMC-USP. Atua nos seguintes temas: Internet das Coisas,
Interação Humano-Computador, Heath Smart Home e
Monitoramento.
Alan Valejo é estudante de doutorado no ICMC-USP.
Alan obteve o título de Mestre em Ciência da Computação
em 2014 pelo ICMC-USP. Atua na área de aprendizagem
de máquinas. Seus interesses de pesquisa incluem questões
relacionadas à análise de grandes bases de dados e
mineração de redes complexas.
Leandro A. Villas é professor no instituto de computação
da UNICAMP. Prof. Villas recebeu em 2012 o título de
doutor pela Universidade Federal de Minas Gerais. Passou
um ano no laboratório PARADISE no SITE da
Universidade de Ottawa como parte de seu doutorado
sanduiche. Prof. Villas recebeu em 2007 o título de mestre
pela Universidade Federal de São Carlos na área.
Jó Ueyama é Professor Associado no ICMC/USP. Jó
obteve a sua Livre-docência no ICMC/USP em junho de
2013 e o seu doutorado na Lancaster University em Agosto
de 2006. Prof. Jó é bolsista de Produtividade de
Desenvolvimento Tecnológico e Extensão Inovadora do
CNPq (DT-1D). No ano de 2015, realizou um pós-
doutorado em licença Sabática na University Southern
California.