基于数据流高效用模式挖掘的智能家居活动建模
人工智能
2013-06-26 v1 数据库
摘要
智能家居技术是人们关注安全、舒适和节能的更好选择。需要开发能够识别居民日常活动 (ADLs) 并检测个体模式中异常行为的技术。频繁模式挖掘 (FPM)、高效用模式 (HUP) 挖掘等数据挖掘技术已被用于从收集的传感器数据中发现这些活动模式。然而，将上述技术应用于来自时间传感器数据流的活动识别是一项高度复杂且具有挑战性的任务。因此，提出了一种新的方法，通过构建频繁模式流树 (FPS-tree) 来实现从传感器数据流中进行活动识别。FPS 是一种基于滑动窗口的方法，用于发现数据流中随时间变化的近期活动模式。所提出的工作旨在从传感器数据流中识别用户的频繁模式，随后将其建模用于活动识别。所提出的 FPM 算法使用一种称为链接传感器数据流 (LSDS) 的数据结构来存储传感器数据流信息，该结构通过空间和时间两方面提高了频繁模式挖掘算法的效率。实验结果表明了所提出算法的有效性，并且该 FPM 进一步扩展应用于利用 HUP 检测智能家居中居民的高功耗情况，以提高能源效率。
引用
@article{arxiv.1306.5982,
title = {Activity Modeling in Smart Home using High Utility Pattern Mining over Data Streams},
author = {Menaka Gandhi. J and K. S. Gayathri},
journal= {arXiv preprint arXiv:1306.5982},
year = {2013}
}
备注
This research paper consists of 7 pages, 7 figures and 4 algorithms