Predictive Automatisierungen: vorausschauend

Von reaktiv zu prädiktiv

Die meisten Smart-Home-Automatisierungen sind reaktiv: Wenn Licht-Sensor unter 100 lux, Licht an. Wenn Temperatur über 22 Grad, Thermostat runter. Das ist nützlich – aber es ist immer eine Reaktion auf einen bereits eingetretenen Zustand.

Prädiktive Automatisierungen denken einen Schritt weiter: Sie analysieren Muster in historischen Daten und handeln, bevor ein Zustand eintritt. Die Heizung startet, bevor die Temperatur fällt – basierend auf der Außentemperatur und der historischen Aufheizzeit des Raums. Das Licht dimmt, bevor du normalerweise schläfst – basierend auf deinen Schlafgewohnheiten der letzten Wochen.

History Stats: Muster aus eigenen Daten

Home Assistant hat die eingebaute Integration history_stats, die Statistiken über historische Zustände berechnet. Sie beantwortet Fragen wie: „Wie viele Stunden war das Wohnzimmer in den letzten 7 Tagen bewohnt?" oder „Wann ist das Licht im Bad normalerweise an?"

Nutzungsprofile erstellen

Mit history_stats kannst du für jeden Raum ein Nutzungsprofil erstellen. Du weißt, dass das Wohnzimmer montags bis freitags von 17:00 bis 22:00 Uhr genutzt wird und samstags unregelmäßig. Mit dieser Information kannst du die Heizung so steuern, dass der Raum zu den erwarteten Nutzungszeiten auf Wohlfühltemperatur ist – auch wenn die Person heute 30 Minuten früher heimkommt.

sensor:
  - platform: history_stats
    name: "Wohnzimmer bewohnt (7 Tage)"
    entity_id: binary_sensor.wohnzimmer_bewegung
    state: "on"
    type: time
    period: "7 days"

Anomalie-Erkennung

Wenn ein Sensor an manchen Tagen extrem von seinem Durchschnittswert abweicht (z. B. die Küche war heute 3 Stunden offen, obwohl sie normalerweise 30 Minuten lang genutzt wird), kann das ein Hinweis sein: Vergessener Herd, Wasserkocher der nicht ausschaltet, unerwarteter Besuch. History Stats gibt dir die Baseline, gegen die du aktuelle Werte vergleichen kannst.

Pro-Tipp

History Stats-Sensoren werden nur bei Neustarts oder Zählerständen aktualisiert, nicht in Echtzeit. Für Echtzeit-Statistiken nutze Template-Sensoren mit as_timestamp() und der now()-Variable. Für historische Auswertungen ist History Stats effizienter.

Adaptive Lighting: Licht das mitdenkt

Das Adaptive Lighting Add-on für Home Assistant ist eine der beliebtesten prädiktiven Automatisierungen überhaupt. Es passt Farbtemperatur und Helligkeit von Lampen automatisch an die Tageszeit an – warm und gedimmt am Abend, kühl und hell am Morgen.

Circadianer Rhythmus als Sensor

Der Grundgedanke: Kaltes, blaues Licht unterdrückt Melatonin-Produktion und hält wach. Warmes, rötliches Licht fördert Schläfrigkeit. Adaptive Lighting berechnet basierend auf Sonnenstand und Tageszeit die optimale Farbtemperatur und Helligkeit für jede Lampe. Du konfigurierst einmal, welche Lampen betroffen sind, und das System übernimmt den Rest.

Integration mit Anwesenheit

Adaptive Lighting kombiniert sich gut mit Anwesenheitssensoren: Wenn du abends nach Hause kommst, schaltet das Licht direkt in der korrekten Abenddämmerung-Konfiguration an – nicht auf 100 % Helligkeit wie bei einem einfachen „Licht an"-Befehl.

KI-generiert

Bayesian-Sensoren: Probabilistische Anwesenheitserkennung

Der Bayesian Binary Sensor in Home Assistant ist einer der fortschrittlichsten eingebauten Sensoren. Er berechnet die Wahrscheinlichkeit, dass ein bestimmtes Ereignis eingetreten ist, basierend auf mehreren Beobachtungen. Das klassische Use-Case ist Anwesenheitserkennung: Ist jemand zu Hause?

Wie der Bayes-Sensor funktioniert

Du definierst Beobachtungen (Observations) mit ihrer Wahrscheinlichkeit. Zum Beispiel: „Wenn das Handy im WLAN ist, ist die Person mit (geschätzten) 90 % Wahrscheinlichkeit zu Hause – konkrete Werte musst du selbst empirisch ermitteln." Oder: „Wenn der Bewegungsmelder in den letzten 30 Minuten ausgelöst hat, ist die Person mit 85 % Wahrscheinlichkeit zu Hause." Der Bayes-Sensor kombiniert diese Wahrscheinlichkeiten und gibt einen kombinierten Score aus. Wenn der Score über einen Schwellenwert (z. B. 70 %) steigt, gilt die Person als anwesend.

Vorteil gegenüber einfachen Triggern

Ein einzelner Bewegungsmelder meldet „Bewegung" oder „keine Bewegung". Das führt zu Fehlalarmen (kurze Abwesenheit, der Melder feuert nicht) und verpassten Ereignissen (jemand sitzt still). Der Bayes-Sensor kombiniert Handy-Status, Bewegungsmelder, Lichtschalter-Aktivität und GPS-Position zu einem robusteren Anwesenheitssignal, das deutlich weniger Fehlalarme hat.

Wusstest du schon?

Der Bayes-Sensor benötigt nur wenige Observations, um deutlich besser zu werden als ein einzelner Sensor. Bereits drei Observations (Handy im WLAN, Bewegungsmelder, Haustür-Kontakt) reduzieren Fehlalarme gegenüber einem einzelnen Sensor erheblich.

TensorFlow in Home Assistant: ML für fortgeschrittene Setups

Für Nutzer, die noch tiefer gehen wollen, gibt es TensorFlow-Integrationen in Home Assistant. Das klassische Beispiel: Kamera-Feed auswerten, ob eine Person im Bild ist – ohne Cloud-Service, lokal auf dem eigenen Server.

Frigate und lokale Objekterkennung

Frigate ist das beliebteste lokale Kamera-Analyse-Add-on für Home Assistant. Es nutzt TensorFlow Lite und optional einen Google Coral USB-Beschleuniger, um in Echtzeit Objekte (Personen, Autos, Tiere) in Kamera-Feeds zu erkennen. So weißt du nicht nur, dass „Bewegung" erkannt wurde, sondern dass eine Person an der Haustür steht.

TensorFlow-Performance auf Consumer-Hardware

Auf einem Raspberry Pi 4🛒(öffnet in neuem Tab) schafft TensorFlow Lite ca. 5–8 FPS für Objekterkennung (eine 720p-Kamera, ohne Coral-Beschleuniger) – bei Frigate reicht das für Kamera-Analyse. Mit Google Coral-USB-Beschleuniger steigt die Rate auf 15–25 FPS. Auf einem Intel NUC🛒(öffnet in neuem Tab) mit iGPU erreichst du 30+ FPS für mehrere Kameras gleichzeitig. Für einfache Personenerkennung an einer Kamera reicht ein Pi; für mehrere Kameras mit mehreren Klassen empfehle ich Hardware mit dedizierter KI-Beschleunigung.

Pro-Tipp

Starte mit einer Kamera und einem einfachen Personenerkennungs-Modell. Erst wenn das stabil läuft, skaliere auf mehrere Kameras. TensorFlow-Setups sind empfindlicher als normale Home Assistant-Konfigurationen – langsam vorgehen zahlt sich aus.

Predictive Heating: Heizung die vorausdenkt

Das fortschrittlichste prädiktive Beispiel: Eine Heizungssteuerung, die Außentemperatur, Wettervorhersage, historische Aufheizkurven des Raums und Anwesenheitsplanung kombiniert, um die Heizung optimal zu steuern.

• Wettervorhersage einbeziehen: Wenn morgen früh −5 Grad sind, muss die Heizung früher starten. Integriere die OpenWeatherMap-Integration (API-Key unter openweathermap.org) und baue einen Template-Sensor, der den Start-Zeitpunkt der Heizung basierend auf der Vorhersage berechnet.

• Historische Aufheizkurve: Wie lange braucht der Raum, um von 17 auf 21 Grad zu kommen? Diese Information steckt in deiner History-Datenbank. Mit einem Template-Sensor berechnest du die Aufheizdauer und startest entsprechend früher.

• Anwesenheitsvorhersage: Basierend auf Kalender-Einträgen (Google Calendar, Nextcloud Calendar) weißt du, wann du normalerweise nach Hause kommst. Starte die Heizung 45 Minuten vorher.

• Energiepreis-Optimierung: Wenn dynamische Strompreise verfügbar sind, verschiebe den Heizzeitpunkt in günstige Preisfenster – solange die Komforttemperatur bis zur Ankunft erreicht wird.

• Feedback-Loop: Vergleiche die vorhergesagte Aufheizdauer mit der tatsächlichen. Passe die Schätzung langsam an – so lernt das System, deinen spezifischen Raum besser zu modellieren.

  Wusstest du schon?

  Du musst kein Machine-Learning-Experte sein, um prädiktive Automatisierungen zu bauen. History Stats, Template-Sensoren und Bayesian-Sensoren sind eingebaut und brauchen keine externe Software. TensorFlow und ML sind nur der nächste Schritt für Nutzer, die tiefer einsteigen wollen.