La tecnologia blockchain s’ha convertit en una solució sòlida per millorar la seguretat i la privacitat en els sistemes de l’Internet de les Coses (IoT) decentralitzant l’emmagatzematge de dades i assegurant les transaccions mitjançant criptografia, garantint la immutabilitat de les dades i la protecció contra accessos no autoritzats. Els primers treballs proposaven marcs lleugers de blockchain per a habitatges intel·ligents per salvaguardar les dades dels usuaris davant atacs externs. Els contractes intel·ligents endavant automatitzen les accions dels dispositius segons desencadenants establerts. No obstant això, les demandes computacionals de blockchain i els mecanismes de consens poden provocar retards que redueixen l’eficiència en aplicacions en temps real. S’està explorant la integració de blockchain amb l’aprenentatge automàtic (ML) per millorar la gestió de la seguretat en xarxes 6G i optimitzar les infraestructures de ciutats intel·ligents, millorant la transparència, la seguretat i l’eficiència en àrees com l’energia i el transport. Les aplicacions de blockchain també reforcen la seguretat i la privacitat dels dispositius intel·ligents de l’IoT. L’ús de ML en el control predictiu de la temperatura ha guanyat força per la seva capacitat d’augmentar la resposta del sistema i l’eficiència energètica. Els algoritmes d’aprenentatge automàtic analitzen dades històriques de temperatura interior, ocupació i condicions meteorològiques per predir les necessitats de calefacció o refrigeració, permetent ajustaments previs del sistema. Els estudis mostren que un control basat en ML pot reduir el consum d’energia fins a un 18% en comparació amb sistemes reactius. Tals sistemes predictius requereixen una gestió de dades robusta i segura per processar les entrades en temps real i històriques. S’introdueix l’edge computing per alleujar la latència de processament al núvol i els problemes de amplada de banda, gestionant les dades localment i millorant la presa de decisions en temps real, especialment per al control predictiu de la temperatura. La sinergia entre la intel·ligència artificial (IA) i la blockchain proporciona una millora significativa en la productivitat industrial, la fiabilitat operativa i la seguretat de les dades. La combinació d’IA explicable amb blockchain millora la presa de decisions financeres mitjançant una major transparència i confiança. Els marcs d’habitatge intel·ligent que utilitzen blockchain i models de deep learning demostren avanços en eficiència energètica, seguretat i automatització. Els models de privadesa diferencial integrats amb blockchain protegeixen de manera significativa la privacitat de les dades dels usuaris. Sistemes com BEDS milloraran la gestió de dades en habitatges i vehicles intel·ligents mitjançant una planificació eficient de l’ús dels sensors. Enfoques col·laboratius que combinen blockchain amb xarxes de sensors sense fils (WSN) avancen en la integritat i fiabilitat de les dades, mentre que nous mètodes d’intel·ligència col·laborativa milloren la seguretat i l’eficiència de les WSN. D’altres investigacions optimitzen el funcionament de microxarxes, sistemes de transferència d’energia sense fils i la integració d’energies renovables en habitatges intel·ligents a través de prediccions avançades i planificacions, sovint usant algoritmes de ML combinats per millorar les prediccions de consum energètic. La confiança dels usuaris influeix de manera crucial en l’adopció de dispositius intel·ligents impulsats per IA, configurant la voluntat d’integrar aquestes tecnologies. Revisons aborden l’gestió energètica basada en IA per optimitzar el control de la temperatura i l’eficiència, mentre que els anàlisis de blockchain se centren en garantir les intercanvis de dades en habitatges intel·ligents. Les WSNs són clau per a la recopilació de dades en temps real en marcs de control predictiu de la temperatura, amb diverses estratègies de ML millorant l’eficiència energètica mitjançant la predicció i l’ajustament dels sistemes de calefacció. La transacció energètica descentralitzada habilitada per blockchain s’alinea amb els objectius de gestió energètica en habitatges intel·ligents. Les tècniques d’agregació de dades optimitzen el rendiment de les WSN, reduint el consum d’energia i millorant la precisió. Agents cognitius permeten una adaptabilitat al context de l’IoT.

Arquitectures híbrides innovadores i algoritmes basats en agents milloraran la descoberta de recursos i la localització de nodes, optimitzant l’escalabilitat i la seguretat en xarxes d’IoT. El treball presentat contribueix de manera notable a través de (1) la integració d’IA i blockchain per a la gestió predictiva de la temperatura i la gestió segura de dades; (2) el desenvolupament d’un marc que combina la planificació predictiva amb la detecció d’esdeveniments dinàmica; i (3) l’avaluació del rendiment en termes d’eficiència energètica, seguretat i escalabilitat. Malgrat els avenços, encara hi ha buits: la integració limitada de blockchain amb ML predictiu per a control de temperatura restringeix solucions segures i adaptatives; molts sistemes manca d’un control predictiu combinat amb una seguretat de dades robusta; el processament al núvol causa latència i coll d’ampolla computacional que impedeixen una resposta en temps real; i les estratègies de gestió energètica sovint passen per alt el preu dinàmic i el potencial d’intercanvi descentralitzat. Aquest article aborda aquests buits mitjançant un marc de blockchain impulsat per IA que integra WSN, anàlisi predictiva basada en ML i edge computing amb processament de dades amb retards temporals. Les innovacions clau inclouen predicció segura amb blockchain, engegada per ML per optimitzar calefacció/refrigeració; l’ús de l’edge computing per reduir la latència mitjançant processament local de dades i anàlisi amb retards per reduir màxims de demanda; detecció precisa d’esdeveniments gràcies a WSN avançades combinades amb planificació predictiva per minimitzar consum energètic; intercanvi energètic de micropagament amb blockchain i preus dinàmics per optimitzar l’ús i reduir costos; i escalabilitat amb millor eficiència energètica i gestió descentralitzada segura. Diversos models d’IA/ML s’apliquen en aquest àmbit: xarxes neuronals artificials (ANNs) i xarxes neuronals profundes modelen sèries temporals no lineals complexes per a prediccions de temperatura i energia; màquines de vectors de suport (SVMs) fan regressió sobre dades d’altes dimensions; boscos aleatoris (RF) ofereixen prediccions robustes agrupades; xarxes neuronals recurrents (RNN) i models de memòria a llarg i curt termini (LSTM) són excel·lents per a prediccions dependents del temps; els arbres de decisió (DT) modelen decisions interpretable per al control de temperatura. Aquests models milloren la precisió de la predicció per a l’optimització de sistemes HVAC. La formulació del problema inclou modelar la dinàmica de la temperatura a partir del transferiment de calor, utilitzar ML per predir la temperatura i el consum energètic futurs i aplicar lleis de control per mantenir la temperatura interior dins dels límits de la preferència de l’usuari. El consum energètic s’optimitza sota restriccions de confort. L’anàlisi amb retards temporals descarrega càlculs no urgents en hores de menor demanda, reduint la càrrega computacional punta. La blockchain assegura les dades de sensors i els senyals de control mitjançant blocs hashats i immutables per garantir la integritat i transparència. Els esdeveniments de calefacció/refrigeració s’identifiquen a partir de les taxes de canvi de temperatura, amb umbrals adaptats mitjançant ML per tenir en compte la variabilitat ambiental. La planificació predictiva s’aprofita en els patrons històrics d’esdeveniments per anticipar les necessitats de calefacció, permetent un funcionament preemptiu i energèticament eficient. Una innovació clau és l’intercanvi descentralitzat d’energia mitjançant blockchain entre habitatges intel·ligents, on l’energia renovable excedent es comercialitza de manera segura a través de contractes intel·ligents amb preus dinàmics. Les xarxes de sensors sense fils s’optimitzen gestionant els sensors actius de manera adaptativa per minimitzar el consum energètic mantenint la cobertura. Diverses habitatges intel·ligents col·laboren com a agents en una xarxa descentralitzada per compartir càrregues energètiques i reduir els pics de demanda. Un algoritme de control adaptatiu minimitza l’ús energètic i les desviacions de temperatura mitjançant senyals de retroalimentació en temps real i taxes d’aprenentatge. L’algorisme del sistema recopila i preprocessa dades històriques i en temps real dels sensors; entrena models de ML; predica la temperatura i el consum energètic; detecta esdeveniments de calefacció/refrigeració; integra blockchain per a un registre segur i immutable i constitueix un consens; aplica planificació predictiva i optimització; i s’adapta de manera dinàmica segons la retroalimentació. El rendiment es valora segons la precisió, els estalvis energètics, l’escalabilitat i la latència. Els estudis de simulació utilitzen un conjunt de dades del món real amb dispositius WSN i IoT que monitoritzen temperatures, consum energètic i l’estat dels radiadors, juntament amb dades meteorològiques externes, de múltiples habitacions durant sis mesos. El preprocessament de dades inclou interpolació per valors absent, filtratge d’extremes a través del rang interquartílic, normalització i extracció de característiques per a patrons temporals. Els models de xarxes neuronals s’entrenen i es visualitzen per al aprenentatge adaptatiu. Les simulacions demostren que el sistema té una capacitat superior per mantenir la temperatura interior davant de fluctuacions externes mitjançant control predictiu, aconseguint una regulació de temperatura més suau i reduccions substancials en el consum energètic amb ajustaments de potència dinàmics i equilibris de càrrega amb retards. La integració de blockchain assegura una gestió segura de les dades i suporta l’intercanvi energètic descentralitzat i la planificació. El sistema detecta de manera immediata els esdeveniments de calefacció de radiadors i de refrigeració amb llindars basats en ML, permetent un control preemptiu eficient. Les anàlisis comparatives mostren millores significatives respecte als sistemes convencionals de termòstat i control PID en estalvis energètics, temps de resposta, precisió, detecció d’esdeveniments i seguretat de dades. Els anàlisis de complexitat algoritmica mostren una recollida de dades eficient en temps real (O(n)), una inferència de ML (O(d)), el processament de transaccions blockchain (de O(1) a O(log n)) i la detecció d’esdeveniments (O(n)). L’emmagatzematge augmenta amb el nombre de sensors i la grandària de la blockchain. El marc troba un balanç entre la càrrega computacional i l’optimització de l’ús energètic mentre preserva la integritat de les dades a través del consens blockchain. En resum, el marc proposat de blockchain impulsat per IA per al control predictiu de la temperatura en habitatges intel·ligents combina prediccions avançades amb ML, gestió segura i descentralitzada de dades, processament en edge amb retards temporals, i intercanvi d’energia descentralitzat. Aquesta estratègia integrada incrementa significativament l’eficiència energètica, la resposta del sistema, el confort dels usuaris i la seguretat de les dades, abordant els principals desafiaments en els entorns domòtics i possibilitant una regulació de temperatura escalable, fiable i adaptable.