Vers une plateforme de gestion d'IOT dans le contexte de bâtiments intelligents : application au cas d'usage du bien être

Towards an IOT Management Platform in the Context of Smart Building: Application to Well-Being Use Case.

• Auteur / Autrice : Abdellah Daissaoui
• Direction : Ahmed Lbath, Azedine Boulmakoul
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 13/11/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : MRIM - Modélisation et recherche d'information multimédia.
• Jury : Président / Présidente : Nicolas Vuillerme
• Jury : Examinateurs / Examinatrices : Ahmed Lbath, François Pinet, Rachid Oulad haj thami, Lamiaa Karim
• Jury : Rapporteurs / Rapporteuses : François Pinet, Rachid Oulad haj thami

Mots clés

Mots clés libres

Données massives

Bâtimentq intéligents

Apprentissage automatique

Localisation en intérieur

Internet des objets

Big data

Smart building

Machine Learing

Indoor Localization

IoT

Résumé

Cette thèse explore l'application des technologies de l'Internet des Objets (IoT), du Big Data et de l'Intelligence Artificielle (IA) pour optimiser la gestion environnementale dans les bâtiments intelligents. En se concentrant sur un environnement de campus intelligent, la recherche vise à prédire la qualité de l'air et l'indice de chaleur pour améliorer le bien-être des occupants. Les modèles d'apprentissage automatique utilisés dans cette étude incluent la Mémoire à Long Terme à Court Terme (LSTM), l'Unité Récurrente à Portes (GRU) et le Réseau de Neurones Convolutif (Conv1D). Parmi ces modèles, le GRU a démontré la meilleure précision prédictive. L'analyse des données a révélé des corrélations importantes entre les niveaux de qualité de l'air, l'indice de chaleur et diverses conditions de santé, permettant ainsi de créer des environnements intérieurs plus sains et confortables. Les résultats montrent que l'intégration des technologies IoT, Big Data et IA permet une gestion proactive et réactive des conditions environnementales, améliorant ainsi la performance énergétique, le confort intérieur et la santé des occupants. La mise en œuvre de ces modèles dans un cadre de campus intelligent, tel que l'EMSI Les Orangers à Casablanca, Maroc, démontre leur potentiel pour transformer la gestion environnementale et créer des environnements de vie et de travail plus durables. En conclusion, cette étude propose un système prédictif intégré, offrant des solutions pour le développement de campus intelligents plus sains et durables. Les recherches futures devraient explorer l'intégration d'autres paramètres environnementaux et utiliser des ensembles de données plus larges pour améliorer encore la précision et la robustesse des prédictions, tout en élargissant l'application de ces technologies à d'autres types de bâtiments et environnements urbains

This thesis explores the application of Internet of Things (IoT), Big Data, and Artificial Intelligence (AI) technologies to optimize environmental management in smart buildings. Focusing on a smart campus environment, the research aims to predict air quality and heat index to enhance occupant well-being. The machine learning models used in this study include Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Convolutional Neural Network (Conv1D). Among these models, the GRU demonstrated the highest predictive accuracy. Data analysis revealed significant correlations between air quality levels, heat index, and various health conditions, enabling the creation of healthier and more comfortable indoor environments. The results show that the integration of IoT, Big Data, and AI technologies allows for proactive and reactive management of environmental conditions, thus improving energy performance, indoor comfort, and occupant health. The implementation of these models in a smart campus setting, such as EMSI Les Orangers in Casablanca, Morocco, demonstrates their potential to transform environmental management and create more sustainable living and working environments. In conclusion, this study proposes an integrated predictive system, offering solutions for the development of healthier and more sustainable smart campuses. Future research should explore the integration of additional environmental parameters and use larger datasets to further improve the accuracy and robustness of predictions, while expanding the application of these technologies to other types of buildings and urban environments