Технологијата блокчейн станала моќно решение за подобрување на безбедноста и приватноста во системите за Интернет на работи (IoT) со децентрализирано складирање на податоци и обезбедување на трансакциите преку криптографија, што гарантира имутебилност на податоците и заштита од неовластен пристап. Раните истражувања предложија лесни рамки за блокчейн за паметни домашни апарати за заштита на корисничките податоци од надворешни напади. Потоа, интелигентните договори автоматизираат дејствија на уредите врз основа на дефинирани тригери. Сепак, барањата за пресметка и механизмите за согласност на блокчейн создаваат задоцнувања кои можат да ја намалат ефикасноста во реално време. Интеграцијата на блокчейн со машинско учење (ML) се истражува за подобрување на безбедносното управување во мрежите од 6G и за оптимизација на инфраструктурите на паметните градови, подобрувајќи транспарентност, безбедност и ефикасност во области како енергија и транспорт. Апликациите на блокчейн дополнително ги зајакнуваат безбедноста и приватноста на паметните уреди во IoT. Примени на ML во предвидување на контрола на температура добија на значење поради својата способност за подобрување на одзивноста на системот и енергетската ефикасност. Алгоритмите на ML анализираат историските податоци за внатрешната температура, присуство и временските услови за да прогнозираат потреби за греење или ладење, овозможувајќи претходни прилагодувања на системот. Истражувањата покажуваат дека контролата базирана на ML може да ги намали енергетските трошоци за до 18% во споредба со реактивните системи. Таквите предвидувачки системи бараат робусна, сигурна обработка на податоците за реално време и историските податоци. Edge computing се воведува за намалување на задоцнувањата од облачното процесирање и ширењето на податоците помеѓу централните сервери и уредите со локална обработка, што ги подобрува одговорите во реално време, особено за контролата на температура. Синергијата помеѓу вештачката интелигенција (AI) и технологиите на блокчейн значително ги подобрува индустриската продуктивност, веродостојноста на операциите и безбедноста на податоците. Комбинирањето на објаснувачка AI со блокчейн ја подобрува финансиската одлука преку зголемена транспарентност и доверба. Рамките за паметни домашни уреди кои искористуваат блокчейн и модели на длабоко учење покажуваат напредок во енергетска ефикасност, безбедност и автоматизација. Моделите за диференцијална приватност интегрирани со блокчейн значително ја заштитуваат приватноста на корисничките податоци. системите како BEDS ја подобруваат управувањето со податоците во паметните домови и возилата со ефикасно планирање на сензорските податоци. Колаборативните пристапи кои комбинираат блокчеин со безжичките сензорни мрежи (WSNs) напредуваат во целосноста и сигурноста на податоците, додека новите методи на мравјој inteligencia ја подобруваат безбедноста и ефикасноста на WSN. Други истражувања ги оптимизираат работите на микромрежите, системите за безжично пренесување на енергија и интеграцијата на обновливи извори во паметните домови преку напредна прогноза и распоредување, често користејќи комбинирани ML алгоритми за подобри прогнози за потрошувачката на енергија. Довербата на корисниците клучно влијае врз прифаќањето на уредите за паметни домови со AI, обликувајќи ја нивната волја за интеграција на такви технологии. Прегледите се фокусираат на управување со енергија базирано на AI за оптимизација на температурата и ефикасност, додека анализите на блокчейн ја истакнуваат безбедноста на размената на податоци во паметните домови. Безжичните сензорски мрежи се централни за соборните примарни податоци во рамките на предвидувачките системи за контрола на температура, со различни ML стратегии за подобрување на енергетската ефикасност преку предвидување и прилагодување на системите за греење. Децентрализираното тргување со енергија преку блокчейн се усогласува со целите за управување со енергијата во паметните домови. Техники за собирање податоци ја оптимизираат работата на WSN со намалување на потрошувачката на енергија и зголемување на точноста. Когнитивните агенти овозможуваат контекстуално приспособување на IoT уредите.

Иновативните хибридни архитектури и алгоритмите засновани на агенти ја подобруваат пронаоѓањето ресурси и локализацијата на јазлите, со што се зголемува скалабилноста и безбедноста во IoT мрежите. Дадената работа значајно придонесува со (1) интеграција на AI и блокчейн за предиктивно управување со температура и безбедна обработка на податоци; (2) развој на рамка која комбинира предвидувачко планирање со динамично детектирање на настани; и (3) евалуација на перформансите во енергетска ефикасност, безбедност и скалабилност. Иако се напредува, остануваат празнини: ограничена интеграција помеѓу блокчейн и предиктивното ML за контрола на температура чиси се заштитени и адаптивни решенија; многу системи недостигаат предиктивна контрола заедно со цврсти безбедносни мерки за податоците; облачно-интегрираното процесирање создава задоцнувања и капацитети што отежнуваат одговор на време; и енергетските системи често ги занемаруваат динамичната цена и потенцијалите за децентрализирана трговија. Овој труд се справува со овие празнини преку AI-базиран рамка со блокчейн која ги интегрира WSN, предиктивна анализа базирана на ML и обработка на податоци на крајната точка со временско одложување. Главните иновации вклучуваат сигурна блокчеин поддржана предиктивна ML за оптимизирано греење/ладење; користење на edge computing за намалување на задоцнувањата преку локална обработка на податоците и анализа со временско одложување за намалување на врвните оптоварувања; прецизно детектирање на настани со напредни WSN со предиктивно планирање за минимизирање на енергетските трошоци; блокчеин-поддржано п2п тргување со енергија со динамички цени за оптимално користење и намалување на трошоците; како и скалабилност со подобрена енергетска ефикасност и сигурно децентрализирано управување. Различни AI/ML модели се применуваат во овој домен: вештачки невронски мрежи (ANN) и длабоки невронски мрежи моделираат сложени нелинеарни временски серии за прогнози на температура и енергија; поддржувачки векторски машини (SVM) изведуваат регресија на високодимензионални податоци; случајни шуми (RF) нудат цврсти ансамбл предвидувања; рекурентните невронски мрежи (RNN) и модели со долга краткорочна меморија (LSTM) се одлични за прогнози врз основа на времето; одлуочните дрва (DT) овозможуваат интерпретативно донесување одлуки за контрола на температурата. Овие модели ја подобруваат точноста на прогнозите за оптимизација на системите за HVAC. Проблемот се формулира преку моделирање на температурата врз база на трансферот на топлина, користење на ML за предвидување на идната температура и потрошувачка на енергија, како и примена на управни закони за одржување на внатрешната температура во рамките на корисничките преференции. Потрошувачката на енергија се минимизира во услови на комфортни ограничувања. Анализата со временско одложување ја презема претходната обработка на податоците за да одложи непотребните пресметки во неактивните периоди, намалувајќи ја пиковната оптовареност. Блокчеин ги обезбедува сензорските податоци и управувачките сигнали со чување хеширани, имутебилни блокови за гарантирање на интегритетот и транспарентноста. Ја детектира промената на температурата со брзината на промена, со прилагодливи прагови користејќи ML за да се земе во предвид варијабилноста од околината. Прогнозно планирање се базира на историјата на настаните за да се предвиди потребата од греење и да се овозможи предна припрема и енергетска ефикасност. Главна иновација е децентрализираното тргување со енергија помеѓу паметните домови, при што излишната обновлива енергија се тргува сигурно преку паметни договори по динамички цени. Малој мрежи се оптимизираат преку активното управување со сензорите со цел да се намали потрошувачката на енергија, а во исто време се одржува покриеност. Повеќе паметни домови соработуваат како агенти во децентрализирана мрежа за да споделуваат оптоварувања на енергија и да ги намалат пиковите. Адаптивен алгоритам ја минимизира потрошувачката на енергија и разликата во температурата со користење на податоци во реално време и учење. Системот собира и преработува историски и тековни сензорски податоци; обучува ML модели; ги предвидува температурата и потрошувачката на енергија; детектира настани за греење/ладење; интегрира блокчеин за сигурно, имутебилно снимање и консензус; применува предиктивно планирање и оптимизација; се прилагодува динамично врз основа на повратните податоци. Перформансите се оценуваат преку точност, штеди на енергија, скалабилност и латентност. Прелиминарните студии користат реален податочен сет со WSN и IoT уреди за мониторинг на температури, потрошувачка на енергија и статус на радијатори, заедно со надворешни податоци за времето, од многу простории за шести месец. Преработката вклучува интерполација за исчезнати вредности, отстранување на аутлајери со филтрирање по интерквартилен опсег, нормализација и извлекување на карактеристики за временски модели. Моделите на невронски мрежи се обучуваат и се визуализираат за адаптивно учење. Резултатите од симулациите покажуваат дека системот може подобро да одржува внатрешната температура при надворешни флуктуации со предиктивни контроли, постигнувајќи поднесена регулација на температурата и значителни заштеди на енергија преку динамичко прилагодување на моќта и одложување на товари. Интеграцијата на блокчеин обезбедува безбедна управување со податоците и поддршка за децентрализирана трговија со енергија и распоредување. Системот може брзо да детектира настани за греење или ладење на радијаторите и ладење со ML-поддржани прагови, што овозможува енергетски ефективна претпремена контрола. Сравнителните анализи покажуваат значајни подобрувања во заштеди, време на одговор, точност, детекција на настани и безбедност на податоците во споредба со конвенционални термостати и PID контроли. Анализите за алгоритамската сложеност покажуваат ефикасност во собирањето на податоците во реално време (O(n)), inference со ML (O(d)), транзакциите преку блокчеин (O(1) до O(log n)) и детекцијата на настани (O(n)). Зголемувањето на складиштето се однесува на бројот на сензори и големината на блокчеин. Рамката балансира сојузот помеѓу пресметовната побарувачка и оптимизацијата на потрошувачката на енергија, без да загуби целосна поддршка на длабоки и сигурни податоци со согласноста на блокчеин. Во заклучок, предложената AI-базирана блокчеин рамка за предиктивна контрола на температура во паметните домови го комбинира напредното предвидување со ML, сигурна децентрализирана обработка на податоци, обработка во крајна точка со временско одложување и децентрализирана трговија со енергија. Овој интегриран пристап значително ја подобрува енергетската ефикасност, одзивноста на системот, удобноста на корисниците и безбедноста на податоците, решавајќи клучни предизвици во паметните домови и овозможувајќи скалабилни, доверливи и адаптивни температурни регулаторни системи.