La tecnología blockchain se ha convertido en una solución sólida para mejorar la seguridad y la privacidad en los sistemas de Internet de las Cosas (IoT) al descentralizar el almacenamiento de datos y asegurar las transacciones mediante criptografía, garantizando la inalterabilidad de los datos y protección contra accesos no autorizados. Los primeros trabajos propusieron marcos de blockchain livianos para hogares inteligentes con el fin de proteger los datos de los usuarios de ataques externos. Los contratos inteligentes automatizan aún más las acciones de los dispositivos en función de desencadenantes definidos. Sin embargo, las demandas computacionales de blockchain y los mecanismos de consenso pueden introducir retrasos que reducen la eficiencia en aplicaciones en tiempo real. Se está explorando la integración de blockchain con el aprendizaje automático (ML) para mejorar la gestión de la seguridad en redes 6G y optimizar las infraestructuras de ciudades inteligentes, potenciando la transparencia, seguridad y eficiencia en áreas como energía y transporte. Las aplicaciones de blockchain también refuerzan la seguridad y la privacidad de los dispositivos inteligentes del IoT. La aplicación del ML en el control predictivo de temperatura ha ganado impulso debido a su capacidad para mejorar la capacidad de respuesta del sistema y la eficiencia energética. Los algoritmos de ML analizan datos históricos de temperatura interior, ocupación y clima para predecir las necesidades de calefacción o refrigeración, permitiendo ajustes preventivos en el sistema. Los estudios muestran que el control basado en ML puede reducir el consumo de energía hasta en un 18% en comparación con sistemas reactivos. Estos sistemas predictivos requieren una gestión robusta y segura de los datos para procesar entradas en tiempo real y datos históricos. Se introduce la computación en el borde para aliviar la latencia y los problemas de ancho de banda del procesamiento en la nube mediante el manejo de datos localmente, mejorando la toma de decisiones en tiempo real, especialmente en el control de temperatura inteligente. La sinergia entre inteligencia artificial (IA) y blockchain mejora notablemente la productividad industrial, la fiabilidad operativa y la seguridad de los datos. Combinar la IA explicable con blockchain mejora la toma de decisiones financieras a través de una mayor transparencia y confianza. Los marcos de hogares inteligentes que utilizan blockchain y modelos de aprendizaje profundo muestran avances en eficiencia energética, seguridad y automatización. Los modelos de privacidad diferencial integrados con blockchain protegen significativamente la privacidad de los datos del usuario. Sistemas como BEDS mejoran la gestión de datos en hogares inteligentes y vehículos mediante una programación eficiente de los datos de sensores. Los enfoques colaborativos que combinan blockchain con redes de sensores inalámbricos (WSNs) avanzan en la integridad y fiabilidad de los datos, mientras que nuevos métodos de inteligencia en enjambres aumentan la seguridad y eficiencia de las WSN. Otras investigaciones optimizan operaciones de microredes, sistemas de transferencia de energía inalámbrica y la integración de energías renovables en hogares inteligentes mediante pronósticos avanzados y programación, a menudo usando algoritmos combinados de ML para mejorar las predicciones de consumo energético. La confianza del usuario influye críticamente en la adopción de dispositivos domóticos impulsados por IA, moldeando la disposición a integrar dichas tecnologías. Las revisiones abordan la gestión energética impulsada por IA que optimiza el control de temperatura y eficiencia, mientras que los análisis de blockchain se enfocan en la seguridad en los intercambios de datos en hogares inteligentes. Las WSN son fundamentales para la recolección de datos en tiempo real en marcos de control predictivo de temperatura, con diversas estrategias de ML que mejoran la eficiencia energética mediante pronósticos y ajustes en los sistemas de calefacción. La negociación de energía descentralizada habilitada por blockchain se alinea con los objetivos de gestión energética en hogares inteligentes. Las técnicas de agregación de datos optimizan el rendimiento de las WSN al reducir el consumo de energía y mejorar la precisión. Los agentes cognitivos permiten la adaptación contextual del IoT.

Arquitecturas híbridas innovadoras y algoritmos basados en agentes mejoran el descubrimiento de recursos y la localización de nodos, aumentando la escalabilidad y seguridad en las redes IoT. El trabajo presentado contribuye notablemente mediante (1) la integración de IA y blockchain para el manejo predictivo de temperatura y gestión segura de datos; (2) el desarrollo de un marco que combina programación predictiva con detección dinámica de eventos; y (3) la evaluación del rendimiento en eficiencia energética, seguridad y escalabilidad. A pesar de los avances, aún existen brechas: la integración limitada de blockchain con ML predictivo para control de temperatura restringe soluciones seguras y adaptativas; muchos sistemas carecen de control predictivo combinado con una seguridad robusta de los datos; el procesamiento en la nube genera latencia y cuellos de botella computacionales que dificultan respuestas en tiempo real; y los enfoques de gestión energética frecuentemente ignoran los precios dinámicos y el potencial de comercio descentralizado. Este trabajo aborda estas brechas mediante un marco de blockchain impulsado por IA que integra WSN, análisis predictivo basado en ML y computación en el borde con procesamiento de datos en desplazamiento temporal. Las innovaciones clave incluyen un ML predictivo apoyado en blockchain para optimizar calefacción/refrigeración; el uso de Edge Computing para reducir la latencia mediante procesamiento local y análisis en desplazamiento temporal para disminuir cargas máximas; detección precisa de eventos mediante WSN avanzadas junto con programación predictiva para minimizar el consumo energético; comercio de energía entre pares habilitado por blockchain con precios dinámicos para optimizar el uso y reducir costos; y escalabilidad con mayor eficiencia energética y gestión descentralizada segura. Diversos modelos de IA/ML se aplican en este dominio: Redes Neuronales Artificiales (ANNs) y redes neuronales profundas modelan series temporales complejas no lineales para predicciones de temperatura y energía; máquinas de vectores de soporte (SVMs) realizan regresiones sobre datos de alta dimensión; bosques aleatorios (RF) ofrecen predicciones robustas en conjuntos de datos variados; redes neuronales recurrentes (RNNs) y modelos LSTM destacan en pronósticos temporales dependientes; árboles de decisión (DT) proporcionan decisiones interpretables en el control de temperatura. Estos modelos mejoran la precisión en predicciones para optimizar los sistemas HVAC. La formulación del problema incluye modelar la dinámica de la temperatura basada en transferencia de calor, emplear ML para prever la temperatura y el uso de energía futuros, y aplicar leyes de control para mantener la temperatura interior dentro de las preferencias del usuario. Se minimiza el consumo energético respetando las restricciones de confort. El análisis en desplazamiento temporal descarga cálculos no urgentes en horarios de menor demanda para reducir cargas pico. Blockchain garantiza la integridad y transparencia de datos de sensores y señales de control al almacenar bloques hash inmutables. Los eventos dinámicos de calefacción/refrigeración se detectan mediante tasas de cambio de temperatura, con umbrales adaptativos usando ML para tener en cuenta variabilidad ambiental. La programación predictiva aprovecha patrones históricos de eventos para anticipar necesidades de calefacción, permitiendo operaciones preemptivas y energéticamente eficientes. Una innovación clave es el comercio descentralizado de energía entre hogares inteligentes basado en blockchain, donde el excedente de energía renovable se intercambia de forma segura mediante contratos inteligentes a precios dinámicos. Las WSN se optimizan gestionando de forma adaptativa los sensores activos para minimizar el consumo energético manteniendo la cobertura. Varios hogares inteligentes colaboran como agentes en una red descentralizada para compartir cargas de energía y reducir picos. Un algoritmo de control adaptativo minimiza el uso de energía y las desviaciones de temperatura mediante retroalimentación en tiempo real y tasas de aprendizaje. El algoritmo del sistema recopila y preprocesa datos históricos y en tiempo real de sensores; entrena modelos de ML; realiza predicciones de temperatura y energía; detecta eventos de calefacción/refrigeración; integra blockchain para registrar de forma segura y consenso inmutable; aplica programación predictiva y optimización; y se adapta dinámicamente en función de la retroalimentación. El rendimiento se evalúa mediante precisión, ahorro energético, escalabilidad y latencia. Los estudios de simulación utilizan un conjunto de datos real con dispositivos WSN e IoT que monitorizan temperaturas, uso de energía y estado de radiadores, junto con datos meteorológicos externos, en varias habitaciones durante seis meses. El preprocesamiento incluye interpolación para valores faltantes, eliminación de valores atípicos mediante filtrado IQR, normalización y extracción de características de patrones temporales. Los modelos de redes neuronales se entrenan y visualizan para aprendizaje adaptativo. Las simulaciones muestran que el sistema mantiene mejor las temperaturas interiores frente a fluctuaciones externas mediante control predictivo, logrando una regulación de temperatura más suave y una reducción significativa en el consumo energético mediante ajustes dinámicos de potencia y balanceo de carga en desplazamiento temporal. La integración con blockchain asegura una gestión de datos segura y soporta comercio y programación descentralizados de energía. El sistema detecta rápidamente eventos de calefacción y enfriamiento con umbrales basados en ML, permitiendo un control preemptivo eficiente en energía. Los análisis comparativos muestran mejoras sustanciales respecto a controladores tradicionales de termostato y PID en ahorro energético, tiempos de respuesta, precisión, detección de eventos y seguridad de los datos. Los análisis de complejidad algorítmica revelan una recolección eficiente de datos en tiempo real (O(n)), inferencia de ML (O(d)), procesamiento de transacciones en blockchain (O(1) a O(log n)) y detección de eventos (O(n)). El almacenamiento crece con el número de sensores y tamaño de la blockchain. El marco equilibra las demandas computacionales y la optimización del uso de energía manteniendo la integridad de los datos mediante consenso en blockchain. En resumen, el marco propuesto, impulsado por IA y blockchain para control predictivo de temperatura en hogares inteligentes, combina pronóstico avanzado con gestión segura y descentralizada de datos, procesamiento en el borde con desplazamiento temporal y comercio descentralizado de energía. Este enfoque integrado mejora significativamente la eficiencia energética, la capacidad de respuesta del sistema, la comodidad del usuario y la seguridad de datos, abordando los principales desafíos en entornos residenciales inteligentes y permitiendo un control de temperatura escalable, confiable y adaptable.