エアコンの操作を機械学習したりした

00_ir_ai_report.md

やったこと

• M5Stackで作った赤外線リモコン+温度計（センサーリモコンと呼んでみる）の操作で蓄えたデータを機械学習した

データ

内容としては、リモコンでエアコンを操作したときの操作内容と時間と温度と湿度。
以下に公開しておいてみる。（なぜgitで公開しているかは後述）
https://raw.githubusercontent.com/hakua-doublemoon/IRSendRev_M5Stack/with_test_data/dht12_log.txt
現段階では温度と時間（秒換算した）だけで機械学習している。またエアコンの操作はONかOFFだけで設定温度は考慮していない。これをグラフ化すると下記のようになる。

スケールを0～1にしてある。縦軸が温度で横軸が時間。黄色がOFFで赤がON。
左側から見ると、左側が深夜で、夜更かしして寝るときにまずOFFにしている。そして朝が来るとONにしたり、出かけるときにOFFにしたり、休みの日に朝が過ぎてから起きてONにしたり……となっている。

プログラム

制作物

ir_ai.py (本当はcolabで実行するir_ai.ipynbだけど)

概略

• データをいちいちマウントするのがめんどうなのでgithubにおいてそこからcurlで取る
  • google driveでなんとかしたかったけどよくわからなかった
  • テキストファイルだが、中身は１行ごとのJSONになってる。
    • 「センサーリモコン」を操作するアプリをLabVIEWで書いたらこのファイル形式が楽だった
• データはある程度量子化している
• Feature Crossesもしている
• Kerasを使っている（Sequentialモデル）
• カテゴライズ的なことはしていない。
  • 今回はON/OFFだけだし、binary_crossentropyで損失評価してSigmoidでactivateして……という感じ

学習結果

左がlearnデータ。右が学習モデルからpredictしたデータ。

Feature Crosses

ありなしを学習率とかで比較してみる。
ないバージョン:

あるバージョン:

行きつく先は一緒だが、ある方が速く学習できている気がする。

結論・学習結果の考察

• だいたい傾向はつかめているとは思う
• やっぱりデータの処理として下記を最低限やっていかないとだめだろう
  • 設定温度の考慮（休みに部屋にいる間は上げたり下げたりしてONを何度もやる）
  • 休日と平日をわける（行動パターンが違う）

ir_ai.py

# -*- coding: utf-8 -*-
"""ir_ai.ipynb

Automatically generated by Colaboratory.

ライセンスはパブリックフリー（CC0）で良いですが、使用しているライブラリのライセンスは
それぞれのライブラリに依存します。
https://creativecommons.org/publicdomain/zero/1.0/deed

"""

# ファイルのロード→HASH化
import urllib.request
import json
from collections import OrderedDict
import pprint

html_str = ""
hashs = []
with urllib.request.urlopen("https://raw.githubusercontent.com/hakua-doublemoon/IRSendRev_M5Stack/with_test_data/dht12_log.txt") as res:
    html_str = res.read().decode("utf-8").split("\n")
    for index, line in enumerate(html_str):
        #print("{}: {}".format(index, line))
        obj = None
        try:
            obj = json.loads(line)
        except:
            pass
        if (obj != None):
            hashs.append(obj)
#for obj in hashs:
#    pprint.pprint(obj)
pprint.pprint(hashs[1])

# kerasが処理できるようにデータ変換していく
import numpy as np
import numpy as math
from datetime import datetime
import keras.utils as kutl

base_data = []
base_labl = []
btim = datetime.strptime("00:00:00", "%H:%M:%S")
time_unt = 48 # 1日を量子化する
time_div = 86400/time_unt 
tmp_unt = 20
tmp_div = 30/tmp_unt

for obj in hashs:
    # 学習データ
    ## 時間
    time = datetime.strptime(obj["time"], "%H:%M:%S")
    dt = time - btim
    ttc = math.ceil(dt.total_seconds()/time_div)
    tts = (ttc/time_unt) # 1を超えないようにする
    ## 温度
    tmpc = math.ceil(obj["tempareture"]/tmp_div) # Ex. 24.1 -> 240.0
    tmps = (tmpc/tmp_unt) 
    ## ベクトル化
    base_data = np.append(base_data, np.array([tts, tmps, tts*tmps]) )
    #base_data = np.append(base_data, np.array([tts, tmps, 0]) )
    # 学習ラベル
    base_labl.append(1 if obj["AC_SW"] else 0)

train_data = np.reshape(base_data, (-1, 3))
# to_categorical
train_labl = kutl.to_categorical(base_labl)

print("data0: ",  train_data[0])
print("label0: ", base_labl[0])
print("label0(category): ", train_labl[0])

print('train_data.shape:', train_data.shape)

# 可視化
import matplotlib.pyplot as plt

def data_label_split_show(labels, isCat, threshold=0.5):
    #t_data = np.array([1, 1, 1])
    #f_data = np.array([0, 0, 0])
    t_data = np.array([])
    f_data = np.array([])
    for index,label in enumerate(labels):
        if isCat:
            lb = np.where(label > 0)[0][0]
        else:
            lb = (1 if label > threshold else 0)
        if lb == 0:
            f_data = np.append(f_data, train_data[index])
        else:
            t_data = np.append(t_data, train_data[index])

    f_data = f_data.reshape((-1, 3))
    t_data = t_data.reshape((-1, 3))
    plt.plot(f_data[:,0], f_data[:,1], 'y.')
    plt.plot(t_data[:,0], t_data[:,1], 'r.')

    
    
#data_label_split_show(train_labl, True)
data_label_split_show(base_labl, False)

def plot_history_loss(fit, axL):
    # Plot the loss in the history
    axL.plot(fit.history['loss'],label="loss for training")
    axL.plot(fit.history['val_loss'],label="loss for validation")
    axL.set_title('model loss')
    axL.set_xlabel('epoch')
    axL.set_ylabel('loss')
    axL.legend(loc='upper right')

# acc
def plot_history_acc(fit, axR):
    # Plot the loss in the history
    axR.plot(fit.history['acc'],label="loss for training")
    axR.plot(fit.history['val_acc'],label="loss for validation")
    axR.set_title('model accuracy')
    axR.set_xlabel('epoch')
    axR.set_ylabel('accuracy')
    axR.legend(loc='upper right')

from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense
from tensorflow.python.keras.callbacks import TensorBoard
from tensorflow.python.keras import optimizers

model = Sequential()
model.add(
    Dense(32, input_dim=3, activation='relu')
)
model.add(
    Dense(16, activation='relu')
)
model.add(
    Dense(units=1, activation='sigmoid')
)


# - All parameter gradients will be clipped to
# - a maximum norm of 1.
sgd = optimizers.SGD(lr=0.1)
model.compile(
    optimizer=sgd,
    metrics=['accuracy'],
    loss='binary_crossentropy'
)
tsb = TensorBoard(log_dir='./logs')
fit = model.fit(
    train_data,
    base_labl,
    batch_size=2,
    epochs=100,
    validation_split=0.2,
    verbose=0,
    callbacks=[tsb]
)
score = model.evaluate(train_data, base_labl, verbose=0)

fig, (axL, axR) = plt.subplots(ncols=2, figsize=(10,4))
plot_history_loss(fit, axL)
plot_history_acc(fit, axR)
fig.show()
#plt.close()

predicts = model.predict(train_data)
print(predicts[0])
print(predicts[2])

data_label_split_show(predicts, False)