Intelligente Entscheidungen im Smart Home: Die Bayesian-Sensor-Integration in Home Assistant

Im Smart Home dreht sich vieles um Automation – aber wie trifft man gute Entscheidungen, wenn die Datenlage unsicher ist? Genau hier kommt der Bayesianische Sensor (Bayesian Sensor) von Home Assistant ins Spiel. In diesem Beitrag zeige ich dir, was dieser virtuelle Sensor kann, wie er funktioniert und wie du ihn in deinem Setup einsetzt.

Was ist ein Bayesianischer Sensor?

Ein bayesianischer Sensor (offizielle Doku von Home Assistant) ist ein virtueller binärer Sensor, der mit Wahrscheinlichkeiten arbeitet. Statt sich auf eine einzige Datenquelle zu verlassen, kombiniert er mehrere Beobachtungen (z. B. Bewegung, Anwesenheit im WLAN, geöffnete Türen) und berechnet daraus die Wahrscheinlichkeit, dass ein bestimmter Zustand wahr ist – zum Beispiel:

• „Ist jemand zu Hause?“
• „Ist ein Raum gerade in Benutzung?“
• „Ist eine Gefahrensituation wahrscheinlich?“

Die Entscheidung basiert auf dem sogenannten Bayes-Theorem, das Wahrscheinlichkeiten dynamisch anpasst, sobald neue Informationen vorliegen. Die gute Nachricht: Die Mathematik erledigt Home Assistant im Hintergrund – du musst nur die relevanten Sensoren und ihre Bedeutung festlegen.

Wie funktioniert das in der Praxis?

1. Grundwahrscheinlichkeit festlegen

Zuerst definierst du, wie wahrscheinlich dein Zielzustand ohne weitere Informationen ist – zum Beispiel:

prior: 0.5  # entspricht 50 %

2. Beobachtungen hinzufügen

Dann listest du Beobachtungen auf – also reale Sensoren aus deinem Home Assistant Setup – und gibst für jede an:

• prob_given_true: Wie wahrscheinlich ist diese Beobachtung, wenn der Zustand tatsächlich zutrifft?
• prob_given_false: Wie wahrscheinlich ist sie, wenn der Zustand nicht zutrifft?

Beispiel:
Ein Bewegungsmelder im Wohnzimmer wird eher auslösen, wenn jemand zu Hause ist – also ist prob_given_true hoch.

Ein praktisches Beispiel: Anwesenheit erkennen

Angenommen, du möchtest erkennen, ob jemand zu Hause ist. Du verwendest dazu:

• Einen Bewegungsmelder im Wohnzimmer
• Einen Türkontakt an der Haustür
• Den WLAN-Status deines Smartphones

Die Konfiguration könnte so aussehen:

binary_sensor:
  - platform: bayesian
    name: "Jemand ist zu Hause"
    prior: 0.5
    probability_threshold: 0.8
    observations:
      - platform: "state"
        entity_id: "binary_sensor.prasenzmelder_wohnzimmer_occupancy"
        to_state: "on"
        prob_given_true: 0.8
        #Wie wahrscheinlich ist die Beobachtung, wenn der Zustand wahr ist.
        prob_given_false: 0.3
        #Wie wahrscheinlich ist die Beobachtung, wenn der Zustand nicht wahr ist.
      - platform: "state"
        entity_id: "device_tracker.ollis_handy"
        to_state: "home"
        prob_given_true: 0.9
        prob_given_false: 0.2
      - platform: "state"
        entity_id: "binary_sensor.0x3410f4fffeea17fc_contact"
        to_state: "on"
        prob_given_true: 0.1
        prob_given_false: 0.6
        #denn geöffnete Tür könnte bedeuten, du bist gegangen)

Erklärung:

• Wenn das Handy im WLAN ist: sehr wahrscheinlich zu Hause → 0.9
• Wenn Bewegung erkannt wird: eher wahrscheinlich → 0.8
• Wenn die Tür geöffnet wurde: könnte bedeuten, dass jemand geht → eher negativ bewertet

Sobald die kombinierte Wahrscheinlichkeit über 80 % (probability_threshold: 0.8) liegt, geht der Sensor auf true. Das kannst du dann z. B. nutzen, um Automationen auszulösen.

Warum ist das nützlich?

Der große Vorteil des Bayesian Sensors:
Du kannst mehrdeutige oder unzuverlässige Sensoren sinnvoll kombinieren. Keine einzelne Information muss perfekt sein – stattdessen zählt das Gesamtbild. Das macht deine Automationen robuster und intelligenter.

Typische Anwendungsfälle:

• Licht nur einschalten, wenn vermutlich jemand im Raum ist
• Alarmanlage aktivieren, wenn wahrscheinlich niemand zu Hause ist
• Heizung runterdrehen, wenn das Haus vermutlich leer ist

Als Ergebnis erhält man einen Binär-Sensor, welcher entweder den Zustand „on“ oder „off“ haben wird. In dem konkreten Beispiel ist der Sensor „off“, da die aus den Observations errechnete Wahrscheinlichkeit 0,22 (probability) beträgt und der Schwellwert 0,8 (probability_threshold):

Fazit

Mit der Bayesian-Integration kannst du dein Smart Home auf ein neues Level bringen. Anstatt nur „Wenn A, dann B“, kannst du komplexere Szenarien abbilden, in denen mehrere Faktoren zusammen eine Entscheidung beeinflussen – ganz wie bei einem echten „Hausverstand“.