Technologia blockchain stała się skutecznym rozwiązaniem w zwiększaniu bezpieczeństwa i prywatności w systemach Internetu Rzeczy (IoT) poprzez decentralizację przechowywania danych i zabezpieczanie transakcji za pomocą kryptografii, zapewniając niezmienność danych i ochronę przed nieautoryzowanym dostępem. Wstępne prace proponowały lekkie ramy blockchain dla inteligentnych domów, mające na celu ochronę danych użytkowników przed atakami z zewnątrz. Smart contracts (inteligentne kontrakty) automatyzują dalsze działania urządzeń na podstawie określonych wyzwalaczy. Jednakże wymagania obliczeniowe blockchaina i mechanizmy konsensusu mogą powodować opóźnienia, co zmniejsza efektywność w aplikacjach czasu rzeczywistego. Trwają badania nad integracją blockchaina z uczeniem maszynowym (ML), mające na celu poprawę zarządzania bezpieczeństwem w sieciach 6G oraz optymalizację infrastruktury miast smart, zwiększając przejrzystość, bezpieczeństwo i wydajność w obszarach takich jak energia czy transport. Zastosowania blockchaina również wspierają bezpieczeństwo i prywatność urządzeń IoT. Zastosowanie ML w prognozowaniu temperatury zyskało na znaczeniu dzięki możliwości zwiększenia reaktywności systemu i oszczędności energii. Algorytmy ML analizują dane historyczne dotyczące temperatury wewnętrznej, obecności ludzi i pogody, aby prognozować potrzeby ogrzewania lub chłodzenia, umożliwiając wstępne dostosowania systemu. Badania pokazują, że kontrola oparta na ML może zmniejszyć zużycie energii do 18% w porównaniu z systemami reaktywnymi. Tego typu systemy prognozujące wymagają solidnej, bezpiecznej obsługi danych, aby przetwarzać dane w czasie rzeczywistym i historyczne. Do łagodzenia opóźnień i problemów z przepustowością chmury wykorzystuje się przetwarzanie edge, czyli lokalne przetwarzanie danych, co poprawia podejmowanie decyzji w czasie rzeczywistym, zwłaszcza w kontekście inteligentnej kontroli temperatury. Synergia sztucznej inteligencji (AI) i technologii blockchain wyraźnie zwiększa produktywność przemysłową, niezawodność operacji i bezpieczeństwo danych. Połączenie wyjaśnialnej AI z blockchainem poprawia decyzje finansowe poprzez zwiększoną przejrzystość i zaufanie. Ramy inteligentnych domów korzystające z blockchaina i modeli głębokiego uczenia wykazują postępy w zakresie efektywności energetycznej, bezpieczeństwa i automatyzacji. Modele różnicowej prywatności zintegrowane z blockchainem znacznie chronią prywatność użytkowników. Systemy takie jak BEDS poprawiają zarządzanie danymi w inteligentnych domach i pojazdach, poprzez efektywne planowanie danych sensorów. Podejścia kolaboracyjne łączące blockchain z bezprzewodowymi sieciami sensorów (WSN) zwiększają integralność i niezawodność danych, podczas gdy innowacyjne metody inteligencji roju wzmacniają bezpieczeństwo i wydajność WSN. Inne badania optymalizują działanie mikrogrup, systemów bezprzewodowego transferu energii oraz integrację odnawialnych źródeł energii w smart domach poprzez zaawansowane prognozy i harmonogramowanie, często korzystając z połączenia algorytmów ML, aby poprawić prognozy zużycia energii. Zaufanie użytkowników odgrywa kluczową rolę w przyjęciu urządzeń inteligentnych opartych na AI, kształtując ich gotowość do wdrażania takich technologii. Przeglądy obejmują zarządzanie energią napędzane AI, optymalizujące kontrolę temperatury i efektywność, a także analizują bezpieczeństwo wymiany danych w smart domach za pomocą blockchaina. WSN odgrywają centralną rolę w zbieraniu danych w czasie rzeczywistym w ramach prognozowania temperatury, a różne strategie ML poprawiają efektywność energetyczną poprzez prognozy i dostosowywanie systemów grzewczych. Handel energią zdecentralizowany za pomocą blockchaina jest zgodny z celami zarządzania energią w smart domach. Techniki agregacji danych optymalizują wydajność WSN, zmniejszając zużycie energii i poprawiając dokładność.

Agenty poznawcze umożliwiają adaptację kontekstową IoT. Innowacyjne architektury hybrydowe i algorytmy oparte na agentach usprawniają odkrywanie zasobów i lokalizację węzłów, poprawiając skalowalność i bezpieczeństwo sieci IoT. Przedstawiona praca wnosi znaczący wkład poprzez (1) integrację AI i blockchain dla prognozowania temperatury i bezpiecznego zarządzania danymi; (2) opracowanie ram opartych na prognozowaniu planowania połączonych z wykrywaniem zdarzeń dynamicznych; oraz (3) ocenę wydajności w zakresie efektywności energetycznej, bezpieczeństwa i skalowalności. Mimo postępu w tym obszarze, wciąż występują luki: ograniczona integracja blockchaina z predykcyjnym ML dla kontroli temperatury ogranicza dostępne rozwiązania bezpieczne i adaptacyjne; wiele systemów brakuje połączenia predykcyjnego sterowania z solidnym zabezpieczeniem danych; przetwarzanie w chmurze powoduje opóźnienia i wąskie gardła obliczeniowe, które utrudniają reakcję w czasie rzeczywistym; oraz podejścia do zarządzania energią często pomijają dynamiczne ceny i potencjał zdecentralizowanego handlu. Niniejszy artykuł rozwiązuje te luki poprzez ramy oparte na blockchainie i AI, integrujące WSN, prognozową analizę ML oraz przetwarzanie edge, z opóźnionym przetwarzaniem danych. Kluczowe innowacje obejmują bezpieczne prognozowanie ML wspierane przez blockchain dla optymalizacji ogrzewania/chłodzenia; wykorzystanie edge do redukcji opóźnień poprzez lokalne przetwarzanie danych i analizę czasową w celu zmniejszenia szczytowych obciążeń; precyzyjne wykrywanie zdarzeń za pomocą zaawansowanych WSN połączonych z prognozowym planowaniem w celu minimalizacji zużycia energii; handel energią peer-to-peer wspierany przez blockchain z dynamicznymi cenami w celu optymalizacji zużycia i redukcji kosztów; oraz skalowalność z poprawioną efektywnością energetyczną i bezpiecznym zdecentralizowanym zarządzaniem. W tym obszarze stosuje się różne modele AI/ML: sieci neuronowe (ANN) i głębokie sieci neuronowe modelują złożone nieliniowe szereg czasowe dla prognoz temperatury i energii; maszyny wektorów obsługi (SVM) wykonują regresję na wysokowymiarowych danych; lasy losowe (RF) zapewniają solidne, zespołowe prognozy; rekurencyjne sieci neuronowe (RNN) i modele LSTM świetnie radzą sobie z prognozami czasowo zależnymi; drzewa decyzyjne (DT) umożliwiają interpretowalne decyzje w kontroli temperatury. Te modele zwiększają dokładność prognozowania optymalizacji systemów HVAC. Problem formułuje się poprzez modelowanie dynamiki temperatury oparte na transferze ciepła, wykorzystanie ML do prognozowania przyszłej temperatury i zużycia energii, oraz zastosowanie praw sterowania, aby utrzymać temperaturę wewnątrz zakresu preferencji użytkownika. Zużycie energii minimalizuje się przy spełnieniu warunków komfortu. Analiza czasowa przesuwa obliczenia niepilne na stan szczytowy, redukując obciążenie obliczeniowe. Blockchain zabezpiecza dane sensorów i sygnały sterujące poprzez przechowywanie haszowanych, niezniszczalnych bloków, gwarantując integralność danych i przejrzystość. Dynamiczne zdarzenia ogrzewania/chłodzenia wykrywane są na podstawie zmian temperatury, z progami adaptowanymi za pomocą ML, aby uwzględnić zmienność środowiskową. Prognozowe planowanie korzysta z historycznych wzorców zdarzeń, przewidując potrzeby ogrzewania i umożliwiając wstępne, energooszczędne działanie. Kluczową innowacją jest zdecentralizowany handel energią między inteligentnymi domami oparty na blockchainie, gdzie nadwyżki energii odnawialnej są bezpiecznie wymieniane za pomocą smart contracts po dynamicznych cenach. Bezprzewodowe sieci sensorów są optymalizowane poprzez adaptacyjną kontrolę aktywnych sensorów w celu minimalizacji zużycia energii przy zachowaniu pokrycia. Wielu domów współpracuje jako agenci w zdecentralizowanej sieci, dzieląc się obciążeniami energetycznymi i redukując szczytowe zapotrzebowanie. Adaptacyjny algorytm sterowania minimalizuje energię i odchylenia temperatury, korzystając z sygnałów informacji zwrotnej i stawek uczenia. Algorytm systemu zbiera i wstępnie przetwarza dane historyczne i w czasie rzeczywistym, trenuje modele ML, prognozuje temperaturę i zużycie energii, wykrywa zdarzenia ogrzewania/chłodzenia, integruje blockchain dla bezpiecznego, niezmiennego logowania i konsensusu, stosuje planowanie i optymalizację prognozową, oraz dynamicznie dostosowuje się na podstawie informacji zwrotnej. Wydajność ocenia się pod kątem dokładności, oszczędności energii, skalowalności i opóźnień. Symulacje z użyciem rzeczywistych danych z WSN i IoT monitorujących temperaturę, zużycie energii i stan grzejników, wraz z danymi pogodowymi z kilku pomieszczeń przez sześć miesięcy, wykazują, że system skutecznie utrzymuje temperaturę wewnętrzną mimo zmian zewnętrznych dzięki prognozowanemu sterowaniu, osiągając bardziej płynne regulacje i znaczne oszczędności energii przez dynamiczne dostosowywanie mocy i przesuwanie obciążeń. Integracja blockchain zapewnia bezpieczne zarządzanie danymi i wspiera zdecentralizowany handel energią i harmonogramy. System szybko wykrywa zdarzenia włączenia/wyłączenia grzejnika i chłodzenia za pomocą progów ML, umożliwiając energooszczędne, wstępne sterowanie. Analizy porównawcze pokazują istotną poprawę w oszczędzaniu energii, czasach reakcji, dokładności, wykrywaniu zdarzeń i bezpieczeństwie danych w porównaniu do konwencjonalnych termostatów i regulatorów PID. Analizy złożoności algorytmów wykazują efektywne zbieranie danych w czasie rzeczywistym (O(n)), inferencję ML (O(d)), przetwarzanie transakcji blockchain (O(1) do O(log n)) oraz wykrywanie zdarzeń (O(n)). Przechowywanie danych rośnie wraz z liczbą sensorów i rozmiarem blockchaina. Ramy równoważą wymagania obliczeniowe i optymalizację zużycia energii przy jednoczesnym zachowaniu integralności danych dzięki konsensusowi blockchain. Podsumowując, proponowany system oparty na AI i blockchain do prognozowania temperatury w smart domach łączy zaawansowane prognozy ML, bezpieczne zdecentralizowane zarządzanie danymi, przetwarzanie edge z opóźnionym przesyłem danych oraz zdecentralizowany handel energią. Ta zintegrowana strategia znacznie poprawia efektywność energetyczną, reaktywność systemu, komfort użytkownika i bezpieczeństwo danych, rozwiązując kluczowe wyzwania w środowisku smart home i umożliwiając skalowalną, wiarygodną i adaptacyjną regulację temperatury.