Skip to content
This repository has been archived by the owner on Jul 6, 2021. It is now read-only.

Latest commit

 

History

History
69 lines (41 loc) · 2.35 KB

readme.md

File metadata and controls

69 lines (41 loc) · 2.35 KB
Raw

DSL Examples

Dieses Dokument beschreibt die verwendeten Trainingsdaten von EMPA und beschreibt die Verwendung von DSL Instanzen mit MLPIPE CLI.

Wir gehen davon aus, dass MLPIPE bereits auf dem System installiert ist und über den Befehl mlpipe aufgerufen werden kann. Als Arbeitsverzeichnis soll der Ordner dsl-examples verwendet werden. Dieser Ordner enthält Beispiele für DSL Instanzen (*.yml-Dateien) inkl. Sensordaten von EMPA.

Daten

Die CSV-Datei meeting_room_sensors_201807_201907.csv enthält Sensoren, welche im Sitzungszimmer 12 und Sitzungszimmer 22 aufgezeichnet worden sind. In EMPA werden sogenannte NumericId für Sensoridentifikation verwendet. Die nachfolgende Tabelle zeigt das Mapping von NumericId zu Name des Sensors.

Sensor Zimmer 012 Zimmer 022
Präsenz 40210148 40210149
CO2 40210013 40210033
Abluft 40210005 40210025
Zuluft 40210002 40210022
Innentemperatur 40210012 40210032
Aussentemperatur 3200000 3200000

Workflows

WF1 Daten analysieren

Beispiel für WF1:

mlpipe analyze example.analyze.yml

WF2 Modell entwickeln

Beispiel für WF2:

mlpipe train mlp_simple.train.yml

Die Konsolenausgaben enthält den Modellnamen sowie Session-Id. Diese beiden Informationen müssen für WF3 bzw. WF4 angegeben werden.

WF3 Modell evaluieren

Beispiel für WF3:

mlpipe evaluate mlp_simple.evaluate.yml

Bemerkung:

  • In dieser Modellevaluation werden Daten von zweiten Sitzungszimmer verwendet.
  • Die Variable session muss gemäss Output von WF2 angepasst werden.

WF4 Modell integrieren

Beispiel für WF4:

mlpipe integrate mlp_simple.integrate.yml

Bemerkung:

  • Es muss hier vorher in der Datei mlp_simple.integrate.yml Benutzername und Password für den Zugriff auf EMPA Visualizer Schnittstelle eingegeben werden.
  • Die Variable session muss gemäss Output von WF2 angepasst werden.
  • Im Fall von EMPA ist die Sequenzlänge und Zeitfenstergrösse äquivalent, weil die Sensoren einmal pro Minute abgetastet werden. Im WF2 haben wir für Aggregationen die Sequenzlänge 15 verwendet, deshalb setzen wir in der Datei mlp_simple.integrate.yml die Variable duration_minutes auf 15 Minuten.