Blockchain tehnologija postala je snažno rješenje za poboljšanje sigurnosti i privatnosti u sistemima Interneta stvari (IoT) decentralizacijom pohrane podataka i osiguranjem transakcija putem kriptografije, čime se osigurava nemijenjanje podataka i zaštita od neovlaštenog pristupa. Rani radovi predložili su lagane okvire blockchaina za pametne kuće radi zaštite korisničkih podataka od vanjskih napada. Pametni ugovori dodatno automatiziraju akcije uređaja na temelju definiranih okidača. Međutim, računalni zahtjevi blockchaina i mehanizmi konsenzusa mogu izazvati kašnjenja smanjujući učinkovitost u aplikacijama u stvarnom vremenu. Integracija blockchaina sa strojnim učenjem (ML) istražuje se radi poboljšanja sigurnosnog upravljanja u mrežama 6G i optimizacije infrastrukture pametnih gradova, poboljšavajući transparentnost, sigurnost i učinkovitost u područjima poput energije i transporta. Primjene blockchaina također jačaju sigurnost i privatnost pametnih IoT uređaja. Primjena ML-a u prediktivnom upravljanju temperaturom dobila je na značaju zbog svoje sposobnosti da poboljša odzivnost sustava i energetsku učinkovitost. Algoritmi ML-a analiziraju povijesne podatke o unutarnjoj temperaturi, zauzetosti prostora i vremenskim uvjetima radi predviđanja potreba za grijanjem ili hlađenjem, omogućavajući prethodne prilagodbe sustava. Studije pokazuju da kontrola zasnovana na ML-u može smanjiti potrošnju energije do 18% u odnosu na reaktivne sustave. Takvi prediktivni sustavi zahtijevaju robusno i sigurno upravljanje podacima za obradu podataka u stvarnom vremenu i povijesnih unosa. Uvedeno je računanje na rubu (edge computing) radi smanjenja latencije i problema s propusnošću u oblaku, lokalnim rukovanjem podacima, čime se poboljšava donošenje odluka u stvarnom vremenu, posebno za pametno upravljanje temperaturom. Sinergija umjetne inteligencije (AI) i blockchain tehnologija značajno povećava industrijsku produktivnost, pouzdanost operacija i sigurnost podataka. Kombinacija objašnjive AI s blockchainom poboljšava financijsko odlučivanje kroz povećanu transparentnost i povjerenje. Okviri za pametne kuće koji koriste blockchain i duboko učenje pokazuju napredak u energetskoj učinkovitosti, sigurnosti i automatizaciji. Modeli diferencijalne privatnosti integrirani s blockchainom značajno štite privatnost korisničkih podataka. Sustavi poput BEDS-a poboljšavaju upravljanje podacima u pametnim kućama i vozilima putem učinkovitog planiranja senzorskih podataka. Suradnički pristupi koji kombiniraju blockchain s bežičnim senzorskim mrežama (WSN) unapređuju integritet i pouzdanost podataka, dok novije metode rojevne inteligencije povećavaju sigurnost i učinkovitost WSN-a.

Ostala istraživanja optimiziraju operacije mikrogridova, sustave bežičnog prijenosa energije i integraciju obnovljivih izvora energije u pametnim kućama kroz naprednu prognozu i raspoređivanje, često koristeći kombinirane ML algoritme za poboljšanje predviđanja potrošnje energije. Povjerenje korisnika ključno je za prihvaćanje AI-pokretanih pametnih uređaja u domaćinstvima, oblikujući spremnost na integraciju takvih tehnologija. Pregledi pokazuju kako AI poboljšava upravljanje energijom optimizirajući kontrolu i učinkovitost temperature, dok se analize blockchaina usredotočene na sigurnost razmjene podataka u pametnim kućama. WSN-i su središnji za prikupljanje podataka u stvarnom vremenu u okvirima prediktivnog upravljanja temperaturom, a različite ML strategije poboljšavaju energetsku učinkovitost predviđanjem i prilagodbom sustava grijanja. Decentralizirana trgovina energijom putem blockchaina usklađena je s ciljevima upravljanja energijom u pametnim kućama. Tehnike agregacije podataka optimiziraju performanse WSN-a smanjenjem potrošnje energije i povećanjem točnosti. Kognitivni agenti omogućuju prilagodljivost u kontekstu IoT-a. Inovativne hybridne arhitekture i algoritmi bazirani na agentima poboljšavaju otkrivanje resursa i lokalizaciju čvorova, što povećava skalabilnost i sigurnost IoT mreža. Predstavljeno djelo značajno doprinosi (1) integraciji AI i blockchaina za prediktivno upravljanje temperaturom i sigurnom obradom podataka; (2) razvoju okvira koji kombinira prediktivno raspoređivanje s dinamičkim detekcijama događaja; i (3) procjeni performansi u pogledu energetske učinkovitosti, sigurnosti i skalabilnosti. Unatoč napretku, postoje nedostatci: ograničena integracija blockchaina s prediktivnim ML za upravljanje temperaturom ograničava sigurna i prilagodljiva rješenja; mnogi sustavi nemaju kombinaciju prediktivnog upravljanja i robusne zaštite podataka; oblačno usmjereno procesiranje izaziva latenciju i računalne uska grla koja udaljavaju odgovor u stvarnom vremenu; te pristupi upravljanju energijom često zanemaruju dinamičke cijene i mogućnosti decentralizirane trgovine. Ovaj rad adresira te nedostatke putem okvira zasnovanog na AI i blockchainu koji integrira WSN, prediktivnu analitiku temeljem ML i edge računanje s vremenski odmaknutim obradama podataka. Ključne inovacije uključuju sigurnu prediktivnu ML obradu putem blockchaina za optimizirano grijanje/hlađenje; korištenje edge računarstva za smanjenje latencije lokalnom obradom podataka i analizama s odmakom radi smanjenja vršnih opterećenja; preciznu detekciju događaja preko naprednih WSN-a u kombinaciji s prediktivnim raspoređivanjem radi minimizacije energije; blockchain-om omogućenu trgovinu energijom peer-to-peer s dinamičkim cijenama radi optimizacije korištenja i smanjenja troškova; te proširivu skalu uz poboljšanu energetsku učinkovitost i sigurnu decentraliziranu upravljanje. Različiti AI/ML modeli primjenjuju se u ovom području: umjetne neuronske mreže (ANN) i duboke neuronske mreže modeliraju složene nelinearne vremenske serije za predviđanje temperature i energije; podržane vektorske strojeve (SVM) vrše regresiju na visoko dimenzionalnim podacima; Random Forest (RF) pruža robusna ansambl predviđanja; povratne neuronske mreže (RNN) i modeli dugoročne kratkoročne memorije (LSTM) odlično su za vremenski ovisne prognoze; odluke stabala (DT) omogućuju interpretabilno donošenje odluka za kontrolu temperature. Ovi modeli poboljšavaju točnost predviđanja za optimizaciju HVAC sustava. Problem uključuje modeliranje dinamike temperature na temelju prijenosa topline, korištenje ML-a za predviđanje buduće temperature i potrošnje energije, te primjenu kontrolnih zakona za održavanje unutarnje temperature u skladu s preferencijama korisnika. Potrošnja energije minimizira se uz zadane uvjete udobnosti. Analize s odmakom prebacuju nehitne proračune u periode niske aktivnosti, smanjujući vršna opterećenja. Blockchain osigurava podatke senzora i kontrolne signale pohranjivanjem hashiranih, nemijenjivih blokova radi garantiranja integriteta i transparentnosti podataka. Dinamični događaji grijanja/hlađenja detektiraju se na temelju brzina promjena temperature, uz pragu prilagođenom putem ML-a za uzimanje u obzir promjenjivosti okoline. Prediktivno raspoređivanje koristi povijesne obrasce događaja za anticipaciju potreba grijanja, omogućavajući preemptivno i energetski učinkovit rad.