Da immer wieder Lücken in der Datenbank auftauchen, sollte es die Möglichkeit geben, die Option einzustellen, eine Interpolation/Regression durchzuführen und damit dann dann die Lücken zu füllen, die erhalten dann in der Grafik eine andere Farbe und werden so hervorgehoben. Hierfür bietet sich eine Regressionsfunktion (wie in meinem anderen Projekt) an. Alternativ könnte auch eine KI darauf trainiert werden, die Werte zu ermitteln.

Wenn das Datenset groß genug ist, dann kann damit ein Neuronales Netz trainiert werden, dass dann eine Vorhersage macht, wie die Daten vermutlich in einem anderen Zeitraum verlaufen werden. Beispielweise wiederholen sich Datenverläufe in Wochen recht periodisch (nach der Arbeit wird gelüftet -> Temperatur fällt). Entsprechend können mit den richtigen Werten interessante Sachen herausgefunden werden. Vielleicht stehe ich ja zu Beginn der Woche früher auf, als zum Ende der Woche (Morgendlicher Abfall der Temperatur als Indikator). Viel Recherche muss noch gemacht werden, um zu wissen, welche Daten genutzt werden können und wie sie verwendet werden müssen.

Since the newer Twitter API has made big changes and officially needs the support of a third party webhook to get a bot up and running I guess it is best to remove the idea to make the bot working with Twitter and change to some other networks which to basically the same but are much easier to code for. Examples are Mastodon (which is already implemented by the time writing) and Pleroma (which is possible to install a instance on a Raspberry Pi itself and the API is the same as Mastodon uses). This would allow to maintain all parts of the project in a fully controllable and configurable environment and thus giving me the access I was dreaming of all the time.

Since gathering data every minute is a lot of data and more importanly it's a lot of samples to be plotted it might be interessting to use an algorithm like the Ramer–Douglas–Peucker algorithm
which also has been used by the coding Train. It might actually make the graphs easier to read and understand if there is less "noise" in the plotted data.

Eine lokale Datenbank würde sich anbieten, da sie nicht in der Größe begrenzt ist und man nicht von einer Netzwerkverbindung abhängt, während die Daten gesammelt werden. Ein Internetausfall, aus welchen Gründen auch immer, sorgt auf diese Weise nicht für einen Verlust von Daten über diesen Zeitraum.
Als schlanke und effizienten Datenbank, auch auf einem Arduino kommt SQLite in Frage. Eine entsprechenden Anbindung an NodeJS gibt es schon und wirkt auf den ersten Blick auch recht simpel.
Auch wirkt die Installation auf einem Raspberry Pi, auf dem letztendlich ja der Server laufen soll auch recht einfach.