Технологія блокчейн стала міцним рішенням для підвищення безпеки та приватності в системах Інтернету речей (IoT) шляхом децентралізації зберігання даних і захисту транзакцій за допомогою криптографії, забезпечуючи незмінність даних та їх захист від несанкціонованого доступу. Ранні дослідження пропонували легкі рамки блокчейн для розумних будинків, щоб захистити користувацькі дані від зовнішніх атак. Смарт-контракти додатково автоматизують дії пристроїв на основі визначених триггерів. Однак обчислювальні вимоги блокчейну та механізми консенсусу можуть спричиняти затримки, зменшуючи ефективність у застосуваннях у реальному часі. Інтеграція блокчейну з машинним навчанням (ML) досліджується для покращення управління безпекою в мережах 6G та оптимізації інфраструктури розумних міст, підвищуючи прозорість, безпеку та ефективність у сферах енергетики та транспорту. Застосування блокчейну також підсилює безпеку й приватність смарт- пристроїв IoT. Застосування ML у прогнозуванні контролю температури набуло популярності завдяки здатності покращувати швидкодію системи та енергоефективність. Алгоритми ML аналізують історичні дані внутрішньої температури, зайнятості та погодних умов для прогнозування потреб у опаленні чи охолодженні, дозволяючи попередньо налаштовувати систему. Дослідження показують, що контроль, заснований на ML, може знижувати споживання енергії до 18% у порівнянні з реактивними системами. Такі прогностичні системи потребують надійної та захищеної обробки даних для обробки реального часу та історичних вхідних даних. Вводиться крайова обробка для зменшення затримок у хмарній обробці та пропускної здатності шляхом локальної обробки даних, що покращує прийняття рішень у режимі реального часу, особливо в управлінні температурою. Взаємодія між штучним інтелектом (AI) і технологіями блокчейн суттєво підвищує продуктивність промисловості, надійність роботи та безпеку даних. Комбінування Explainable AI (зрозумілого штучного інтелекту) із блокчейном покращує фінансові рішення за рахунок більшої прозорості та довіри. Рамки розумних домівок із використанням блокчейну та моделей глибокого навчання демонструють досягнення у сферах енергоефективності, безпеки та автоматизації. Моделі диференційованого приватного захисту, інтегровані з блокчейном, значущо захищають приватність користувацьких даних. Системи на кшталт BEDS покращують управління даними у розумних будинках і транспортних засобах шляхом ефективного планування обробки датчиків. Колаборативні підходи, що поєднують блокчейн з безпровідними сенсорними мережами (WSN), сприяють збереженню цілісності та надійності даних, тоді як нові методи колективного розуму (swarm intelligence) підвищують безпеку й ефективність WSN. Інші дослідження оптимізують роботу мікросіток, безпровідних систем передачі енергії та інтеграцію відновлювальних джерел у розумних будинках за допомогою передбачення та планування, часто застосовуючи комбіновані алгоритми ML для покращення передбачення споживання енергії. Довіра користувачів критично впливає на прийняття IoT-пристроїв із штучним інтелектом у розумних будинках, формуючи їхню готовність впроваджувати такі технології. Огляди висвітлюють управління енергією з AI для оптимізації контролю температури й підвищення ефективності, тоді як дослідження блокчейну зосереджені на забезпеченні безпеки обміну даними у розумних будинках. Безпровідні сенсорні мережі (WSN) є основою для збору даних у рамках прогнозування температури, з використанням різних ML-стратегій для підвищення енергоефективності через прогнозування та коригування систем опалення. Безпечний децентралізований обмін енергією з використанням блокчейну відповідає цілям управління енергоспоживанням у розумних домах. Техніки агрегування даних оптимізують продуктивність WSN, зменшуючи енергоспоживання та підвищуючи точність. Когнітивні агенти забезпечують адаптацію IoT до контексту.

Інноваційні гібридні архітектури та алгоритми на базі агентів покращують пошук ресурсів і локалізацію вузлів, збільшуючи масштабованість і безпеку мереж IoT. Представлена робота має значний внесок, зокрема у: (1) інтеграцію AI та блокчейну для прогностичного управління температурою і захищеної обробки даних; (2) розробку рамки поєднання прогнозного планування з динамічним виявленням подій; та (3) оцінку продуктивності за показниками енергоефективності, безпеки та масштабованості. Незважаючи на прогрес, існують прогалини: обмежена інтеграція блокчейну з прогнозуючим ML для контролю температури обмежує можливості створення безпечних і адаптивних рішень; багато систем позбавлені програм прогнозування з одночасною високою безпекою даних; обробка у хмарі викликає затримки і обчислювальні вузькі місця, що стримують швидкий відгук у реальному часі; а підходи до управління енергією часто ігнорують динамічне ціноутворення та можливості децентралізованого обміну. Цю прогалину подолано у даній роботі через створення AI-сприймальної блокчейн-інтегрованої рамки, що поєднує WSN, прогнозну аналітику на базі ML і краєву обробку з часовими зсувами для зменшення навангань. Основні інновації включають: безпечне прогнозне ML на базі блокчейну для оптимізованого опалення/охолодження; використання краєвої обробки для зменшення затримок через локальну обробку даних і аналіз з часовими зсувами для зниження пікових навантажень; точне виявлення подій через вдосконалені WSN зі спряженим прогнозним плануванням для мінімізації споживання енергії; блокчейн-інструмент для однорангового обміну енергією з динамічним ціновим регулюванням для оптимізації використання та зниження витрат; а також масштабованість із підвищеною енергоефективністю й безпечним децентралізованим управлінням. Різні моделі AI/ML застосовуються у цій сфері: штучні нейронні мережі (ANN) та глибокі нейромережі моделюють складні нелінійні послідовності для прогнозування температур і енергоспоживання; підтримуючі векторні машини (SVM) застосовуються для регресії у високорозмірних даних; випадковий ліс (RF) забезпечує надійне ансамблеве прогнозування; рекурентні нейронні мережі (RNN) та LSTM - для прогнозування залежно від часу; дерева рішень (DT) - для інтерпретованих рішень у контролі температури. Ці моделі підвищують точність прогнозів для оптимізації систем HVAC. Постановка задачі включає моделювання динаміки температури на основі теплообміну, застосування ML для прогнозування майбутніх температур та споживання енергії, а також застосування керуючих законів для підтримки внутрішньої температури у межах уподобань користувача. Мінімізація споживання енергії при дотриманні комфорту. Аналіз з часовим зсувом перекладає нерійні обчислення у непіковий час, зменшуючи навантаження у пікові періоди. Блокчейн забезпечує цілісність даних сенсорів та керуючих сигналів шляхом збереження хешованих, незмінних блоків. Визначення подій опалення або охолодження відбувається через швидкість зміни температури, з порогами, які адаптуються за допомогою ML для врахування коливань навколишнього середовища. Прогнозне планування базується на історичних шаблонах подій для передбачення потреб у нагріванні, що дозволяє заздалегідь та з меншими затратами енергії управляти системами. Одним із ключових інновацій є децентралізований обмін енергією між розумними будинками на базі блокчейну, де надлишкова відновлювана енергія безпечно продається за допомогою смарт-контрактів за динамічними цінами. Безпровідні сенсорні мережі оптимізуються шляхом адаптивного управління активних датчиків для мінімізації енергоспоживання при збереженні покриття. Багато розумних будинків співпрацюють як агенти у децентралізованій мережі для спільної обробки навантажень та зменшення пікових навантажень. Адаптивний контроль дозволяє мінімізувати споживання енергії й відхилення температури, використовуємо зворотний зв'язок у реальному часі та швидкість навчання. Алгоритм системи збирає та попередньо обробляє історичні й реальні дані сенсорів, навчає ML-моделі, прогнозує температуру та споживання енергії, виявляє події опалення/охолодження, інтегрує блокчейн для захищеного, незмінного запису та досягнення консенсусу, застосовує прогнозне планування та оптимізацію, а також динамічно адаптується залежно від зворотного зв’язку. Оцінка виконується за точністю, енергозбереженням, масштабованістю та затримками. У симуляціях використано реальний датасет з WSN та IoT-засобів для моніторингу температур, енергоспоживання і стану радіаторів, а також зовнішніх даних про погоду, із кількох кімнат за шість місяців. Передобробка включає інтерполяцію пропущених значень, виявлення вилучень через міжквартильний діапазон, нормалізацію та видобуток ознак для виявлення часових закономірностей. Навчання нейромережі та візуалізація забезпечують адаптивне навчання. Результати демонструють здатність системи з допомогою прогнозного контролю підтримувати комфортну температуру навіть за зовнішніх коливань, забезпечуючи плавнішу регуляцію та суттєву економію енергії за рахунок динамічного регулювання потужності та балансування навантажень у часі. Інтеграція з блокчейном гарантує безпечне управління даними та можливість децентралізованого обміну та планування енергії. Затребувані алгоритми швидко виявляють увімкнення/вимкнення радіаторів і події охолодження за допомогою ML-сових порогів, що дозволяє заздалегідь та з ефективністю керувати енергоспоживанням. Порівняльний аналіз показує суттєві переваги перед традиційними термостатами та PID-контроллерами у питаннях економії енергії, швидкості реакції, точності та безпеки даних. Аналіз складності алгоритмів показує ефективне збори даних у реальному часі (O(n)), роботу ML (O(d)), обробку транзакцій блокчейну (від O(1) до O(log n)) та виявлення подій (O(n)). Зростання сховища відбувається зі збільшенням кількості сенсорів і обсягом блокчейну. Рамка знаходиться у балансі між обчислювальним навантаженням і оптимізацією енергоспоживання при збереженні цілісності даних через консенсус у блокчейні. Узагальнюючи, запропонована AI-сприймальна блокчейн-рамка для прогнозного управління температурою у розумних будинках поєднує передове прогнозне ML, безпечне децентралізоване зберігання даних, неабітковий аналіз з умінь обробляти дані у часі та децентралізований обмін енергією. Такий цілісний підхід суттєво підвищує енергоефективність, швидкість реагування системи, комфорт користувача та безпеку даних, подолуючи ключові виклики у сферах розумних будинків та забезпечуючи масштабоване, довірене і адаптивне регулювання температури.