# AI-CER-onHA

**Repository Path**: ttangxj/AI-CER-onHA

## Basic Information

- **Project Name**: AI-CER-onHA
- **Description**: No description available
- **Primary Language**: JavaScript
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2022-04-20
- **Last Updated**: 2023-03-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 产品介绍

为了满足对居民生活产生的碳排放进行智能化管理，并在收集到数据后进行价值提取和分析的需求，本作品采用了物联网、大数据、人工智能等多项当下热门技术，实现了从用户生活常见或已有的智能家居电器、常规电表等多种电器设备中智能读取数据，在本地端对用户生活用电行为进行机器学习分析、掌握用户偏好的同时将数据发送至大数据平台进行更高层次、多维度的城市大数据分析，满足对用户、对企业、对政府的多种数据需求。

**本项目包含三个作品：**

### 本地终端设备：

设计了一套用于进行数据采集及本地机器学习分析的边缘计算设备。其中包含了一款能安装在任何家庭电表上的嵌入式设备，该设备通过红外光传感器对家庭电表进行读取，将获得到的实时家庭用电量数据作为用户的基础数据。同时，智能终端将对家庭中的智能家居产品（若有）的使用情况进行读取，并结合时间、天气、温湿度等环境情况进行使用分析，在本地端对用户的使用习惯进行机器学习分析，既能在节省云端算力的情况下更方便的满足C端普通用户的需求，同时始终将分析结果保存在本地确保用户数据安全。

优势：

1. 高可移植性：该作品基于目前主流的开源智能家居系统Home Assistant进行开发，具备普适性的同时具备可移植性，可适配不同算力平台，甚至能移植到例如车机系统等更多应用场景中。
2. 智能化：虽然智能家居的普及是大趋势，但为了满足不同家庭电器不同的情况，本产品将家庭用电量这种确定信息作为基础数据，当用户家庭中存在其它智能家居产品时得到的数据作为辅助数据进行分析，若用户家电智能化程度越高，得到的结果就越准确。

### 云端大数据分析平台：

设计了一套对前者收集到的数据进行汇总分析的数据平台，结合地理位置、时间段进行排放数据的数学建模、可视化呈现及分析。同时结合环境情况、天气数据等多种现实情况进行全方位、多维度的数据挖掘，精准发现影响碳排放的各种因素。在对过往的数据进行挖掘和分析后，利用LSTM等深度神经网络技术对未来数据进行预测，满足B端用户对相关行业的数据需求，帮助决策。

优势：

1. 数据有效性：采集的数据能做到高精度、全方位、多维度，并且数据量在十万甚至百万级，解决了在推动碳中和的大方向下对生活碳排放无从下手的局面。对实现城市减排以及挖掘城市低碳经济效益具有积极意义。
2. 潜在价值挖掘：通过LSTM（长短期记忆网络）等循环神经网络技术，从过往的大量数据中训练出数据模型，实现对未来数据的预测，并结合B端客户的业务需求，给出有价值的建议或方案，探索低碳经济价值点。

### “低碳+”云社区

在前两者的前提下设计的一套面向广大用户的绿色生活社交及服务平台。在前期对用户碳排放行为进行分析中，当C端用户生活中存在减排行为时为其累计碳积分，碳积分的价值由大数据分析的经济价值换算成“碳汇率”。同时为B端客户中的低碳服务类企业引入销售渠道，向C端用户提供低碳类生活服务，进一步降低碳排放，形成良性循环。

同时利用碳积分在C端用户之间的社交价值，让低碳生活发展为一种“社交游戏”，在彼此的娱乐性竞争中进一步推动绿色生活的普及。

优势：

1. 在前期的智能数据分析下实现了：在娱乐中竞争，在虚拟竞争中反作用于现实生活。发挥绿色生活在新时代的社交价值，让“低碳攀比”成为一种新风尚。
2. 为提供低碳服务的企业提供了定向销售渠道，结合对用户的数据分析掌握用户需求和偏好，让好的服务和产品精准地推送到目标用户中，发挥流量和大数据的价值。
3. 在未来元宇宙的技术发展下，这种虚拟社交存在更多进化和发展的价值，例如让现实中获取的碳积分成为虚拟世界当中的货币，或是在引导和低碳经济的发展下让虚拟世界去满足原先现实中因高排放被取缔的兴趣爱好等等。

## 技术分析

### 本地终端设备

该设备是基于树莓派（低成本）或Jetson Nano（高性能）开发的一套原型试验设备，部署了目前热门的开源智能家居系统Home Assistant用于收集数据，该方案出于普适性和实用性考量，作为功能演示及实验开发用，可移植部署到任何嵌入式平台。前期在此基础设施上进行数据的收集、上传，当积累足够用户数据后建立数学模型、开发AI算法，用于分析用户行为进行精准判断。

当采集到用户如用电量、电器使用情况（包含多维）、天气温度、时间等多种数据后，将开始进行数据挖掘工作以备数学建模，期间使用pandas、Numpy、Scikit-learn等工具进行数据分析、特征挖掘工作。完成挖掘步骤后，根据不同平台适用方案情况（主要做性能考量），基于传统机器学习或深度神经网络分别训练两套模型，前者基于Scikit-learn通过多种回归方法开发集成算法进行用户的减排监测及评分工作，后者基于TensorFlow开发循环神经网络的方法进行用户指标的预测，并结合前面的机器学习方法综合判定，提升精准度。

### 云端大数据分析平台

基于Hadoop搭建的大数据分析平台，将本地用户终端收集到的数据按时间线或按地理信息进行跨时间或跨空间的分析，精准测绘城市排放量信息，实时掌控城市排放数据。按上游提供的用户数据进行筛选，采集其中关键信息如：家庭排放量、减排行为评分、时间、地理信息等，选择OpenTSDB数据库按时间序列进行储存。使用MapReduce对数据做到实时处理并均衡云端负载，实现实时流计算。

后期积累足够数据时，基于过往数据进行挖掘分析，寻找潜在联系点及价值点，训练LSTM（长短期记忆网络）及GAN（生成式对抗网络）进行未来预测及研究，并不断矫正预测数据用于改进模型。

### “低碳+”云社区

该客户端App（或小程序）前期作用在于方便用于查看数据，随着用户数增加和数据积累的上涨，对客户端进行不断的改进升级、丰富功能。前期基于微信小程序，采用原生框架进行开发，实现用户登录、生成图表供用户查看、反馈减排建议、了解减排知识等功能。后期随着社群发展，开发更多社交属性功能，并采用Unity3D等技术设计3D模型让用户体验过程更加生动，更具互动性。

## 产品发展路径

1. 前期实现终端数据获取、大数据平台收集统计、用户小程序信息查看等基础功能，以低成本方式拓展用户流量，以筹备后期数据分析工作。
2. 将收集到的数据进行挖据，训练模型用于预测及改进分析准确度，同时提供AI针对性建议等更多智能化功能，完善用户体验。
3. 将城市综合数据进行建模以进行全方位、更多维度的综合分析，定向生成不同模型，做到模型专用、高效预测。
4. 发展用户群体的同时增强社交属性，以社交价值推动流量涌入、稳固用户粘性，同时形成正向循环，使用户产生更多数据、更多数据为用户提供更好的服务。