Blockchainová technologie se stala významným řešením pro zvýšení bezpečnosti a soukromí v systémech Internetu věcí (IoT) tím, že decentralizuje uchovávání dat a zabezpečuje transakce pomocí kryptografie, čímž zajišťuje neměnnost dat a ochranu před nepovoleným přístupem. Rané práce navrhovaly lehké blockchainové rámce pro chytré domy, které měly chránit uživatelská data před externími útoky. Smart kontrakty dále automatizují činnosti zařízení na základě definovaných triggerů. Nicméně, výpočetní nároky blockchainu a konsensuální mechanismy mohou způsobovat zpoždění, která snižují efektivitu v aplikacích v reálném čase. Kromě toho se zkoumá integrace blockchainu s učením strojů (ML) ke zlepšení zabezpečení správy v sítích 6G a k optimalizaci infrastruktury chytrých měst, čímž se zvyšuje transparentnost, bezpečnost a efektivita v oblastech jako energie a doprava. Aplikace blockchainu také posilují bezpečnost a soukromí chytrých IoT zařízení. Použití ML při předpovědní regulaci teploty získalo na významu díky své schopnosti zlepšit reakčnost systému a energetickou účinnost. Algoritmy ML analyzují historická data o vnitřní teplotě, obsazenosti a počasí za účelem předpovědi potřeb vytápění nebo chlazení, což umožňuje předběžné úpravy systému. Studie ukazují, že řízení založené na ML může snížit spotřebu energie až o 18 % oproti reaktivním systémům. Takové předpovědní systémy vyžadují robustní a bezpečné zpracování dat, aby efektivně zpracovávaly jak aktuální, tak historická data. Pro zmírnění latence a problémů s přenosovou kapacitou cloudového zpracování se zavádí edge computing, které řeší data lokálně, čímž zlepšuje rozhodování v reálném čase, zejména u chytré regulace teploty. Synergie mezi umělou inteligencí (AI) a technologiemi blockchain výrazně zvyšuje průmyslovou produktivitu, spolehlivost provozu a bezpečnost dat. Kombinace vysvětlitelné AI s blockchainem zlepšuje finanční rozhodování díky zvýšené transparentnosti a důvěře. Rámce chytrých domů využívající blockchain a modely hlubokého učení přinášejí pokroky v oblasti energetické účinnosti, bezpečnosti a automatizace. Modely diferenciálního soukromí integrovány s blockchainem významně chrání soukromí uživatelských dat. Systémy jako BEDS zlepšují správu dat v chytrých domech a vozidlech díky efektivnímu plánování senzorových dat. Spolupráce mezi blockchainem a bezdrátovými senzory (WSN) podporuje integritu a spolehlivost dat, zatímco nové metody swarmské inteligence zvyšují bezpečnost a efektivitu WSN. Další výzkum optimalizuje operace mikrogridů, systémy bezdrátového přenosu energie a integraci obnovitelných zdrojů energie v chytrých domácnostech prostřednictvím pokročilých předpovědí a plánování, často s využitím kombinovaných ML algoritmů pro lepší předpovědi spotřeby energie. Důvěra uživatelů zásadně ovlivňuje přijetí zařízení chytré domácnosti poháněných AI a formuje ochotu integrovat takové technologie.

Přehledy pokrývají řízení energie řízené AI s optimalizací regulace teploty a efektivity, zatímco analýzy blockchainu se zaměřují na zabezpečení výměny dat v chytrých domech. V rámci prediktivní regulace teploty jsou klíčovým prvkem sběr dat z WSN a jejich použití při aktuálním monitorování a řízení. WSN jsou centrální pro sběr dat v reálném čase, přičemž různé ML strategie zlepšují energetickou účinnost předpovědí a úpravou systémů vytápění. Decentralizovaný obchod s energií pomocí blockchainu odpovídá cílům správy energie v chytrých domech. Techniky agregace dat optimalizují výkon WSN tím, že snižují energetickou náročnost a zvyšují přesnost. Kognitivní agenti umožňují adaptaci na kontext IoT. Inovativní hybridní architektury a algoritmy založené na agentech zlepšují objevení zdrojů a lokalizaci uzlů, což zvyšuje škálovatelnost a bezpečnost v sítích IoT. Předložená práce má významný přínos zejména v (1) integraci AI a blockchainu pro předpovědní řízení teploty a bezpečné zpracování dat; (2) vývoji rámce kombinujícího předpovědní plánování s dynamickým detekcí událostí; a (3) hodnocení výkonu z hlediska energetické účinnosti, bezpečnosti a škálovatelnosti. Přestože došlo k pokroku, stále existují mezery: omezená integrace blockchainu s prediktivním ML pro řízení teploty omezuje možnosti bezpečných a adaptivních řešení; mnoho systémů postrádá kombinaci prediktivního řízení s robustním zabezpečením dat; cloudové zpracování způsobuje latenci a výpočetní zácpy, které brání reakcím v reálném čase; a přístupy k řízení energie často přehlížejí dynamické ceny a potenciál decentralizovaného obchodování. Tato práce řeší tyto mezery prostřednictvím rámce založeného na AI a blockchainu, který integruje WSN, prediktivní analytiku založenou na ML a edge computing s časově posunutým zpracováním dat. Klíčové inovace zahrnují bezpečné prediktivní ML podporované blockchainem pro optimalizaci vytápění/chlazení; využití edge computingu ke snížení latence díky místnímu zpracování dat a časovému posunu analýz pro snížení špičkových zatížení; přesné detekce událostí pomocí pokročilých WSN v kombinaci s prediktivním plánováním pro minimalizaci energetické náročnosti; blockchainem podporovaný peer-to-peer obchod s energií s dynamickými cenami pro optimalizaci využití a snížení nákladů; a škálovatelnost s vylepšenou energetickou účinností a zabezpečeným decentralizovaným řízením. V této oblasti se používají různé modely AI/ML: umělé neuronové sítě (ANN) a hloubkové neuronové sítě modelují složité nelineární časové řady pro předpovědi teplot a energie; Support Vector Machines (SVM) provádí regresi nad vysoce dimenzionálními daty; Random Forests (RF) poskytují robustní zpravodajskou předpověď; Recurrent Neural Networks (RNN) a Long Short-Term Memory (LSTM) excelují v časově závislé prognóze; rozhodovací stromy (DT) modelují interpretovatelné rozhodování pro regulaci teploty. Tyto modely zvyšují přesnost předpovědí optimalizace HVAC systémů. Formulace problému zahrnuje modelování dynamiky teploty založené na přenosu tepla, využití ML pro předpověď budoucí teploty a spotřeby energie a aplikaci řídicích zákonů k udržení vnitřní teploty v rámci preferencí uživatelů. Spotřeba energie je minimalizována při zachování komfortu. Časově posunutá analýza odkládá neurgující výpočty do období s nižšími zatíženími tak, aby se snížila špičková práce výpočetních zdrojů. Blockchain zabezpečuje data senzorů a řídicí signály uložením hashovaných, neměnných bloků, čímž garantuje integritu a transparentnost dat. Detekce dynamických událostí na základě změn teploty využívá prahové hodnoty, které jsou pomocí ML adaptovány vzhledem k environmentálním proměnným. Předpovědní plánování využívá historické vzory událostí ke včasnému odhadu potřeb vytápění, umožňující předběžné a energeticky efektivní řízení.