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

Im Smart Home dreht sich vieles um Automation โ€“ 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 binรคrer Sensor, der mit Wahrscheinlichkeiten arbeitet. Statt sich auf eine einzige Datenquelle zu verlassen, kombiniert er mehrere Beobachtungen (z.โ€ฏB. Bewegung, Anwesenheit im WLAN, geรถffnete Tรผren) und berechnet daraus die Wahrscheinlichkeit, dass ein bestimmter Zustand wahr ist โ€“ zum Beispiel:

  • โ€žIst jemand zu Hause?โ€œ
  • โ€žIst ein Raum gerade in Benutzung?โ€œ
  • โ€žIst eine Gefahrensituation wahrscheinlich?โ€œ

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 โ€“ 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 โ€“ zum Beispiel:

prior: 0.5  # entspricht 50 %

2. Beobachtungen hinzufรผgen

Dann listest du Beobachtungen auf โ€“ also reale Sensoren aus deinem Home Assistant Setup โ€“ und gibst fรผr jede an:

Du magst Home Assistant? Dann abonniere kostenlos meine Beitrรคge mit Tipps, Tricks und Anleitungen rund um Home Assistant:

Follow Home Assistant
( 631 Followers )
X

Follow Home Assistant

E-mail : *
* Ich stimme der Datenschutzerklรคrung zu!

Garantiert kein Spam, keine Werbung und immer mit Abmelde-Link, solltest du es dir anders รผberlegen!

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

Beispiel:
Ein Bewegungsmelder im Wohnzimmer wird eher auslรถsen, wenn jemand zu Hause ist โ€“ also ist prob_given_true hoch.

Ein praktisches Beispiel: Anwesenheit erkennen

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

  • Einen Bewegungsmelder im Wohnzimmer
  • Einen Tรผrkontakt an der Haustรผr
  • Den WLAN-Status deines Smartphones

Die Konfiguration kรถnnte 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 geรถffnete Tรผr kรถnnte bedeuten, du bist gegangen)

Erklรคrung:

  • Wenn das Handy im WLAN ist: sehr wahrscheinlich zu Hause โ†’ 0.9
  • Wenn Bewegung erkannt wird: eher wahrscheinlich โ†’ 0.8
  • Wenn die Tรผr geรถffnet wurde: kรถnnte bedeuten, dass jemand geht โ†’ eher negativ bewertet

Sobald die kombinierte Wahrscheinlichkeit รผber 80โ€ฏ% (probability_threshold: 0.8) liegt, geht der Sensor auf true. Das kannst du dann z.โ€ฏB. nutzen, um Automationen auszulรถsen.

Warum ist das nรผtzlich?

Der groรŸe Vorteil des Bayesian Sensors:
Du kannst mehrdeutige oder unzuverlรคssige Sensoren sinnvoll kombinieren. Keine einzelne Information muss perfekt sein โ€“ stattdessen zรคhlt das Gesamtbild. Das macht deine Automationen robuster und intelligenter.

Typische Anwendungsfรคlle:

  • 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 erhรคlt man einen Binรคr-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) betrรคgt und der Schwellwert 0,8 (probability_threshold):

Fazit

Mit der Bayesian-Integration kannst du dein Smart Home auf ein neues Level bringen. Anstatt nur โ€žWenn A, dann Bโ€œ, kannst du komplexere Szenarien abbilden, in denen mehrere Faktoren zusammen eine Entscheidung beeinflussen โ€“ ganz wie bei einem echten โ€žHausverstandโ€œ.