The time series prediction problem aimed at the implementation of a 'smart thermostat' is addressed. 'SARIMAX models' are compared with LSTM neural networks. We show that with a low amount of data used for training, SARIMAX models achieve significantly higher accuracy while maintaining high computational efficiency, so in a problem where it becomes necessary to implement the system on low-power embedded devices, these approaches have significant advantages over neural networks.

A Comparison of time series prediction techniques for the realization of a smart thermostat

Sernani, Paolo;
2023-01-01

Abstract

The time series prediction problem aimed at the implementation of a 'smart thermostat' is addressed. 'SARIMAX models' are compared with LSTM neural networks. We show that with a low amount of data used for training, SARIMAX models achieve significantly higher accuracy while maintaining high computational efficiency, so in a problem where it becomes necessary to implement the system on low-power embedded devices, these approaches have significant advantages over neural networks.
2023
9798350300802
File in questo prodotto:
File Dimensione Formato  
Lanciotti_acomparisonoftimeseries_2023.pdf

solo utenti autorizzati

Tipologia: Versione editoriale (versione pubblicata con il layout dell'editore)
Licenza: Copyright dell'editore
Dimensione 946.22 kB
Formato Adobe PDF
946.22 kB Adobe PDF   Visualizza/Apri   Richiedi una copia
Lanciotti_frontespizio_2023.pdf

solo utenti autorizzati

Tipologia: Altro materiale allegato (es. Copertina, Indice, Materiale supplementare, Abstract, Brevetti Spin-off, Start-up etc.)
Licenza: Copyright dell'editore
Dimensione 432.56 kB
Formato Adobe PDF
432.56 kB Adobe PDF   Visualizza/Apri   Richiedi una copia
Lanciotti_indice_2023.pdf

solo utenti autorizzati

Tipologia: Altro materiale allegato (es. Copertina, Indice, Materiale supplementare, Abstract, Brevetti Spin-off, Start-up etc.)
Licenza: Copyright dell'editore
Dimensione 132.19 kB
Formato Adobe PDF
132.19 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11393/328630
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus 0
  • ???jsp.display-item.citation.isi??? ND
social impact