Tehnologija blokčaina postala je snažno rješenje za unaprjeđenje sigurnosti i privatnosti u sustavima Interneta stvari (IoT) decentralizacijom pohrane podataka i osiguravanjem transakcija putem kriptografije, čime se osigurava nemodificiranost podataka i zaštita od neovlaštenog pristupa. Rani radovi predložili su lagane okvire blokčaina za pametne domove kako bi se zaštitili korisnički podaci od vanjskih napada. Pametni ugovori dodatno automatiziraju rad uređaja na temelju definiranih okidača. Međutim, zahtjevi za računalnim resursima i mehanizmi konsenzusa u blockchainu mogu uvoditi kašnjenja i smanjiti učinkovitost u aplikacijama u stvarnom vremenu. Integracija blockchaina s strojnim učenjem (ML) istražuje se radi poboljšanja sigurnosnog upravljanja u 6G mrežama i optimizacije infrastrukture pametnih gradova, čime se povećava transparentnost, sigurnost i učinkovitost u područjima poput energetike i transporta. Primjene blockchaina također pojačavaju sigurnost i privatnost pametnih IoT uređaja. Primjena ML-a u prediktivnom upravljanju temperaturom dobiva na značaju zbog svoje sposobnosti da poboljša odziv sustava i energetsku učinkovitost. Algoritmi ML analiziraju povijesne podatke o unutarnjoj temperaturi, zauzetosti prostora i vremenskim uvjetima radi prognoze potreba za grijanjem ili hlađenjem, omogućujući preduvjete za prilagodbe sustava. Istraživanja pokazuju da kontrola temeljen na ML-u može smanjiti potrošnju energije do 18% u usporedbi s reaktivnim sustavima. Takvi prediktivni sustavi zahtijevaju snažne, sigurnosne načine obrade podataka za procesiranje podataka u stvarnom vremenu i povijesnih informacija. Uvedeno je računalstvo na rubu (edge computing) kako bi se smanjilo kašnjenje obrade u oblaku i problemi s propusnošću, lokalnim rukovanjem podacima, čime se poboljšava odlučivanje u stvarnom vremenu, posebno kod pametnog upravljanja temperaturom. Sinergija između umjetne inteligencije (AI) i blockchain tehnologija značajno povećava industrijsku produktivnost, pouzdanost i sigurnost podataka. Kombinacija objašnjive AI i blockchaina poboljšava financijsko donošenje odluka kroz povećanu transparentnost i povjerenje. Okviri za pametne domove 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 unutar pametnih domova i vozila putem učinkovitog rasporeda senzorskih podataka. Suradnički pristupi koji kombiniraju blockchain s bežičnim senzorima (WSN) unapređuju integritet i pouzdanost podataka, dok nove metode stočne inteligencije povećavaju sigurnost i učinkovitost WSN-ova. Druga istraživanja optimiziraju rad mikro-mreža, sustave bežičnog prijenosa energije i integraciju obnovljivih izvora energije u pametnim domovima pomoću naprednih prognoza i rasporeda, često koristeći kombinirane ML algoritme za poboljšanje predviđanja potrošnje energije. Povjerenje korisnika ključno utječe na prihvaćanje uređaja pametnog doma s AI-jem, oblikujući spremnost na integraciju takvih tehnologija. Pregledi pokrivaju upravljanje energijom vođeno AI-jem radi optimizacije temperature i učinkovitosti, dok se analize blockchaina fokusiraju na osiguranje razmjene podataka u pametnim domovima. WSN-ovi su središnji za prikupljanje podataka u realnom vremenu u okvirima prediktivnog upravljanja temperaturom, s raznim ML strategijama koje poboljšavaju energetsku učinkovitost putem prognoza i prilagodbi sustava grijanja. Decentralizirana energetska trgovina omogućenog blockchainom usklađuje se s ciljevima upravljanja energijom u pametnim domovima. Tehnike agregacije podataka optimiziraju performanse WSN-a smanjenjem potrošnje energije i povećanjem točnosti. Kognitivni agenti omogućuju prilagodbu u kontekstu IoT-a. Inovativne hibridne arhitekture i algoritmi bazirani na agentima unapređuju otkrivanje resursa i lokalizaciju čvorova, poboljšavajući skalabilnost i sigurnost u IoT mrežama. Predstavljeni rad značajno doprinosi integracijom AI i blockchaina za prediktivno upravljanje temperaturom i sigurnom obradu podataka; razvojem okvira koji kombinira prediktivno raspoređivanje s dinamičkim detekcijama događaja; te ocjenom performansi u području energetske učinkovitosti, sigurnosti i skalabilnosti.

Iako su postignuti napreci, postoje i praznine: ograničena integracija blockchaina s prediktivnim ML-jem za upravljanje temperaturom sužava rješenja s sigurnosnim i prilagodljivim mogućnostima; mnogi sustavi nemaju spojeno prediktivno upravljanje s robusnim sigurnosnim mjerama za podatke; oblak usmjeren na obradu uzrokuje kašnjenja i računalne uska grla koja ometaju rad u stvarnom vremenu; te pristupi upravljanju energijom često zanemaruju dinamičke cijene i potencijal decentralizirane trgovine. Rad problem rješava putem okvira temeljenog na AI i blockchainu, koji integrira WSN-ove, ML-podržanu prediktivnu analitiku i računalstvo na rubu s vremenski odgođenom obradom podataka. Ključne inovacije uključuju sigurnu blockchain podržanu prediktivnu ML za optimizaciju grijanja/hlađenja; korištenje edge computinga za smanjenje latencije putem lokalne obrade podataka i vremenski odgođene analize radi smanjenja vršnih opterećenja; precizno otkrivanje događaja putem naprednih WSN-ova u kombinaciji s prediktivnim rasporedima radi minimiziranja energije; blockchainom podržanu peer-to-peer energetsku razmjenu s dinamičkim cijenama za optimalno korištenje i smanjenje troškova; te skalabilnost s poboljšanom energetskom učinkovitošću i sigurnim decentraliziranim upravljanjem. Razni 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; Support Vector Machines (SVM) obavljaju regresiju nad visoko-dimenzionalnim podacima; slučajne šume (RF) nude robusne ansambl predikcije; rekurentne neuronske mreže (RNN) i modeli Long Short-Term Memory (LSTM) izvrsni su za vremenski ovisne prognoze; stabla odluka (DT) omogućuju interpretacijsku odluku za upravljanje temperaturom. Ti modeli poboljšavaju točnost predviđanja za optimizaciju HVAC sustava. Problem modeliranja uključuje modeliranje dinamike temperature na temelju prijenosa topline, korištenje ML-a za predviđanje buduće temperature i energije te primjenu kontrolnih zakona za održavanje unutarnje temperature unutar korisničkih preferencija. Potrošnja energije minimizira se uz uvjete udobnosti. Analiza s odgođenim vremenom prebacuje manje hitne računalne zadatke na razdoblja s manjim opterećenjem, smanjujući vršna računala opterećenja. Blockchain osigurava podatke senzora i kontrolne signale tako da pohranjuje hasirane, nemogućive blokove radi osiguranja integriteta i transparentnosti podataka. Dinamični događaji grijanja/hlađenja otkrivaju se putem stopa promjene temperature, s prilagođenim pragovima korištenjem ML-a za uzimanje u obzir vanjskih uvjeta. Prediktivno raspoređivanje koristi povijesne uzorke događaja za anticipaciju potreba za grijanjem, omogućujući preduvjete i energetsko učinkovitu operaciju. Ključna inovacija je decentralizirana energetska trgovina među pametnim domovima putem blockchaina, gdje se višak obnovljive energije sigurno trguje putem pametnih ugovora po dinamičkim cijenama. Bežične senzorske mreže optimizirane su upravljanjem aktivnim senzorima za minimalnu potrošnju energije uz održavanje pokrivenosti. Više pametnih domova surađuje kao agenti u decentraliziranoj mreži za dijeljenje energetskih opterećenja i smanjenje vršnih zahtjeva. Adaptivni kontrolni algoritam minimizira potrošnju energije i odstupanja temperature koristeći signalizaciju u stvarnom vremenu i stope učenja. Algoritam sustava prikuplja i predobrađuje povijesne i trenutne podatke senzora; trenira ML modele; predviđa temperaturu i potrošnju energije; otkriva događaje grijanja/hlađenja; integrira blockchain za sigurno, nemogućivo evidentiranje i konsenzus; primjenjuje prediktivno raspoređivanje i optimizaciju; te se dinamički prilagođava na temelju povratnih informacija. Učinkovitost se ocjenjuje putem točnosti, uštede energije, skalabilnosti i latencije. Simulacije koriste skupove podataka stvarnog svijeta s WSN-ova i IoT uređaja za praćenje temperatura, potrošnje energije i statusa radijatora, uz vanjske vremenske podatke iz više prostorija tijekom šest mjeseci. Obrađivanje podataka uključuje interpolaciju za nedostajuće vrijednosti, uklanjanje iznimnih podataka putem filtra interkvartilnog raspona, normalizaciju te izvlačenje značajki za vremenske obrazce. Neuronski modeli treniraju se i vizualiziraju radi adaptive učenja. Simulacije pokazuju da sustav s prediktivnom kontrolom bolje održava unutarnje temperature unutar promjenjivih vanjskih uvjeta, postižući glatku regulaciju temperature i značajno smanjenje energije koristeći dinamičko upravljanje snagom i load balancing. Integracija blockchaina osigurava sigurnu upravljanje podacima i podržava decentraliziranu trgovinu i raspoređivanje energije. Sustav odmah detektira radijatorsko uključivanje/isključivanje i događaje hlađenja pomoću ML-om definirainih pragova, omogućujući energetski učinkovitu preemptivnu kontrolu. Komparativne analize pokazuju značajna poboljšanja u uštedi energije, vremenu odziva, točnosti, detekciji događaja i sigurnosti podataka u odnosu na konvencionalne termostate i PID kontrolere. Analize složenosti algoritama pokazuju efikasno prikupljanje podataka u stvarnom vremenu (O(n)), inference ML-a (O(d)), transakcije blockchaina (O(1) do O(log n)) te otkrivanje događaja (O(n)). Složenost pohrane raste s brojem senzora i veličinom blockchaina. Okvir ravnoteži računovodstvenih zahtjeva i optimizacije potrošnje energije kroz očuvanje integriteta podataka putem blockchain konsenzusa. Ukratko, predloženi okvir temeljen na AI i blockchainu za prediktivno upravljanje temperaturom u pametnim domovima kombinira naprednu ML prognozu, sigurnu decentraliziranu obradu podataka, obradu na rubu s vremenskom odgodom te decentraliziranu trgovinu energijom. Ovaj integrirani pristup značajno povećava energetsku učinkovitost, odziv sustava, udobnost korisnika i sigurnost podataka, rješavajući ključne izazove u okruženjima pametnih domova i omogućujući skalabilno, pouzdano i prilagodljivo tempiranje.