Detailansicht
Multi-view clustering of smart meter data
Zoheir El Houari
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Yllka Velaj
DOI
10.25365/thesis.80783
URN
urn:nbn:at:at-ubw:1-18004.10139.624655-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Intelligente Zählerinfrastrukturen generieren groß angelegte, hochdimensionale Zeitreihendaten, die eine detaillierte Analyse des Stromverbrauchs von Haushalten ermöglichen. Die isolierte Clusterung solcher Daten führt jedoch aufgrund von Rauschen, hoher zeitlicher Variabilität und fehlenden Kontextinformationen oft zu instabilen oder weniger interpretierbaren Ergebnissen. Gleichzeitig spielen externe Faktoren wie Temperatur und Sonneneinstrahlung eine wichtige Rolle für den Energiebedarf, sodass ihre Einbeziehung für eine umfassendere Analyse des Verbrauchsverhaltens unerlässlich ist. Obwohl Multi-View-Clustering einen Rahmen für die Integration mehrerer heterogener Datenquellen bietet, sind die meisten bestehenden Methoden nicht explizit für große Multi-View-Zeitreihendatensätze konzipiert oder evaluiert und stehen oft vor Herausforderungen hinsichtlich Skalierbarkeit oder Darstellung. In dieser Arbeit befassen wir uns mit dem Problem des skalierbaren Multi-View-Clusterings für hochdimensionale Zeitreihendaten von intelligenten Stromzählern. Um diese Herausforderung zu bewältigen, wird das FastMICE-Framework, eine skalierbare ensemblebasierte Multi-View-Clustering-Methode, als Kernmethodik verwendet. Um die Anwendbarkeit auf Multi-View-Zeitreihendaten zu verbessern, werden mehrere Erweiterungen eingeführt, darunter zeitbewusste Merkmals-Sampling-Strategien, Merkmalsnormalisierungsverfahren und symbolische Zeitreihendarstellungen unter Verwendung von Symbolic Aggregate Approximation (SAX). Das Framework wird anhand eines realen Smart-Meter-Datensatzes evaluiert, der etwa 195.000 Haushalte mit ihrem täglichen Stromverbrauch über ein Jahr hinweg enthält und durch Temperatur- und Sonneneinstrahlungsdaten ergänzt wird. Da für diesen Datensatz keine Ground-Truth-Labels verfügbar sind, werden zusätzliche beschriftete Benchmark-Datensätze (CMAPSS, HAR, SCRM und ALOI) für die quantitative Bewertung herangezogen. Die Methode wird anhand von Standard-Bewertungsmetriken mit repräsentativen Multi-View-Clustering-Baseline-Ansätzen verglichen.
Abstract
(Englisch)
Smart meter infrastructures generate large-scale, high-dimensional time-series data that enable detailed analysis of household electricity consumption. However, clustering such data in isolation often leads to unstable or less interpretable results due to noise, high temporal variability, and absence of contextual information. At the same time, external factors such as temperature and solar radiation play a significant role in energy demand, making their integration essential for a more comprehensive analysis of consumption behavior. Although multi-view clustering provides a framework for integrating multiple heterogeneous data sources, most existing methods are not explicitly designed nor evaluated on large-scale multi-view time-series datasets, and often face scalability or representation challenges. In this thesis, we address the problem of scalable multi-view clustering for high-dimensional smart meter time-series data. To tackle this challenge, the FastMICE framework, a scalable ensemble-based multi-view clustering method, is adopted as the core methodology. To improve its applicability to multi-view time-series data, several extensions are introduced, including time-aware feature sampling strategies, feature normalization procedures, and symbolic time-series representations using Symbolic Aggregate Approximation (SAX). The framework is evaluated on a real-world smart meter dataset containing approximately 195,000 households with daily electricity consumption over one year, complemented with temperature and solar radiation views. Since ground-truth labels are not available for this dataset, additional labeled benchmark datasets (CMAPSS, HAR, SCRM, and ALOI) are used for quantitative evaluation. The method is compared against representative multi-view clustering baseline approaches using standard evaluation metrics.
Schlagwörter
Schlagwörter
(Deutsch)
multi-view clustering of time series smart-meter-Daten Zeitreihendaten
Schlagwörter
(Englisch)
multi-view clustering smart meter data time-series data
Autor*innen
Zoheir El Houari
Haupttitel (Englisch)
Multi-view clustering of smart meter data
Paralleltitel (Deutsch)
Multi-View-Clustering von Smart-Meter-Daten
Publikationsjahr
2026
Umfangsangabe
v, 56 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Yllka Velaj
Klassifikationen
54 Informatik > 54.29 Datenverarbeitungsanlagen. Sonstiges ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17826529
Utheses ID
80034
Studienkennzahl
UA | 066 | 921 | |