基于行为特征概率分布约束的传感器事件流分割方法技术

本发明专利技术提供一种基于行为特征概率分布约束的传感器事件流分割方法，包括：计算行为概率特征；以天为单位，计算训练集中任意两个行为的转移概率分布；计算每个行为每天出现次数的概率分布；计算每个所述行为触发传感器的个数的概率分布；计算每个行为触发传感器的种类数量的概率分布；计算每个簇的行为实例数的概率分布；计算每个簇的行为实例数的概率分布；构成行为的概率特征集以及分割传感器事件流。本发明专利技术提出的基于行为特征概率分布约束的居民日常行为识别方法通过计算多种行为特征的概率分布，并应用概率约束求解的方法可以求得满足特征集概率分布的最优传感器事件的行为实例分割结果。

【技术实现步骤摘要】
基于行为特征概率分布约束的传感器事件流分割方法
本专利技术涉及传感器事件分割
，具体而言，尤其涉及基于行为特征概率分布约束的传感器事件流分割方法。
技术介绍
居民日常行为将连续地触发一组传感器，理想情况下，被连续触发的传感器事件流应该按照完整的行为实例进行分割。可是目前传感器事件流分割的主要方法是首先指定一个时间窗口长度或者空间窗口(传感器数量)长度，然后根据窗口长度平均地分割传感器事件流。日常行为识别的原始特征是传感器事件流，基于固定窗口长度的传感器事件流划分方法，会导致同一行为实例被划分在多个不同的窗口里，或者多个行为实例被划分在同一个窗口，这样的划分结果或者导致日常行为的特征不完整，或者受到其他行为特征的干扰，导致日常行为识别的效果较差。
技术实现思路
根据上述提出的技术问题，而提供基于行为特征概率分布约束的传感器事件流分割方法。本专利技术基于行为特征概率分布约束的传感器事件流分割方法，其特征在于，至少包括：S1：计算行为概率特征；S2：分割传感器事件流。进一步地，所述步骤S1行为概率特征计算S11：以天为单位，计算训练集中任意两个行为的转移概率分布；S12：计算每个行为每天出现次数的概率分布；S13：计算每个所述行为触发传感器的个数的概率分布；S14：计算每个行为触发传感器的种类数量的概率分布；S15：将每个所述行为的持续时间统一为以秒为单位的数值，然后使用聚类算法对行为的持续时间进行聚簇，计算每个簇的行为实例数的概率分布；S16：将每个行为的开始时刻统一为以秒为单位的数值，然后使用聚类算法对行为的开始时刻进行聚簇，计算每个簇的行为实例数的概率分布；S17：通过步骤S11-步骤S16的特征构成行为的概率特征集。进一步地，所述传感器事件流分割至少还包含以下步骤：S21：初始化最大概率分布变量C为0；S22：在训练集中统计日常行为实例边界传感器，即第一个被触发的传感器和最后一个被触发的传感器；S23：根据所述边界传感器，在测试集中切分传感器事件流，得到初始的k个行为实例边界；S24：在所述训练集中计算一天中日常行为发生数量的概率分布；假设训练集中日期集合记为D，count(D)表示D中日期的数量；则对于d∈D，count(d)表示在日期d发生的行为实例数，count(d)的种类集合记为N；对于n∈N，发生n次行为实例的天数记为count(n)；则一天中日常行为发生数量的概率为：p(n,D)＝count(n)/count(D)；S25：随机选择数量n的行为实例；S26：根据所述步骤S17获取的概率特征集，通过基于概率分布约束求解策略，在所述测试集初始的K个边界中选择使得约束概率最大化的n个边界；S27：如果最大约束概率大于C，则所述最大约束概率取代C*的值，并从所述日常行为发生数量的概率分布中删除当前行为实例数的及概率，并转到步骤S25；如果最大约束概率小于等于C，则日常行为发生数量的概率分布是否为空，则结束。更进一步地，所述计算训练集中任意两个行为的转移概率分布：设行为类别集合为A，对于行为任意两个行为a,b∈A，其中，<a,b>表示b行为实例为a行为实例的相邻后继，count(<a,x>)表示训练集中a的相邻后继是x的次数；则任意行为a向b转移的概率为：p(a,b)＝count(<a,b>)/|{<a,x>|x∈A}|(1)。更进一步地，所述计算每个行为每天出现次数的概率分布：假设行为类别集合为A和训练集中日期的集合为D，则对于日期d∈D，对于行为a∈A和指定的日期d∈D，行为a在日期d出现次数的概率为：p(a,d)＝count(a,d)/count(A,d)(2)；其中count(A,d)表示日期d出现行为的总次数；count(a,d)表示a在日期d出现次数。进一步地，所述计算每个所述行为触发传感器的个数的概率分布：假设行为类别集合为A，对于行为a∈A，a在训练集中出现的实例数为count(a)；a的实例集合记为AIa，对于aia∈AIa，对于n∈Na，行为a触发传感器的个数为n的实例数记为count(a,n)，则a触发传感器的个数为n的概率为：p(a,n)＝count(a,n)/count(a)(3)；其中，sensors(aia)表示aia触发传感器的数量，sensors(aia)的种类集合记为Na。更进一步地，所述聚类算法对行为的持续时间进行聚簇，计算每个簇的行为实例数的概率分布：假设行为类别集合为A，A的实例集合记为AI，对于ai∈AI，duration(ai)表示ai持续的时间；通过K均值聚类算法对集合{duration(ai)|ai∈AIa}，聚类结果记为count(c)为簇c中包含的行为实例数，count(AI)为AI中的行为实例数；每个簇c∈C的行为实例数的概率为：p(c)＝count(c)/count(AI)(5)。本专利技术的优点在于：本专利技术提出的基于行为特征概率分布约束的居民日常行为识别方法通过计算多种行为特征的概率分布，并应用概率约束求解的方法可以求得满足特征集概率分布的最优传感器事件的行为实例分割结果。相比较现有的固定窗口的传感器事件流分割方法，使用本专利技术能够更接近于真实的行为实例的分割结果，从而为后续提升行为识别的效果提供更好的支持。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术行为概率特征计算整体流程示意图。图2为本专利技术传感器事件流分割整体流程示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。如图1-2所示，本专利技术包含一种基于行为特征概率分布约束的传感器事件流分割方法，至少包括：S1：计算行为概率特征；S2：分割传感器事件流。作为优选的实施方式，步骤S1行为概率特征计算S11：以天为单位，计算训练集中任意两个行为的转移概率分布；在本实施方式中，设行为类别集合为A，对于行为任意两个行为a,b∈A，其中，<a,b>表示b行为实例为a行为实例的相邻后继，count(<a,x>)表示训练集中a的相邻后继本文档来自技高网...

【技术保护点】
1.基于行为特征概率分布约束的传感器事件流分割方法，其特征在于，至少包括：S1：计算行为概率特征；S2：分割传感器事件流；所述步骤S1行为概率特征计算S11：以天为单位，计算训练集中任意两个行为的转移概率分布；S12：计算每个行为每天出现次数的概率分布；S13：计算每个所述行为触发传感器的个数的概率分布；S14：计算每个行为触发传感器的种类数量的概率分布；S15：将每个所述行为的持续时间统一为以秒为单位的数值，然后使用聚类算法对行为的持续时间进行聚簇，计算每个簇的行为实例数的概率分布；S16：将每个行为的开始时刻统一为以秒为单位的数值，然后使用聚类算法对行为的开始时刻进行聚簇，计算每个簇的行为实例数的概率分布；S17：通过步骤S11‑步骤S16的特征构成行为的概率特征集。

【技术特征摘要】
1.基于行为特征概率分布约束的传感器事件流分割方法，其特征在于，至少包括：S1：计算行为概率特征；S2：分割传感器事件流；所述步骤S1行为概率特征计算S11：以天为单位，计算训练集中任意两个行为的转移概率分布；S12：计算每个行为每天出现次数的概率分布；S13：计算每个所述行为触发传感器的个数的概率分布；S14：计算每个行为触发传感器的种类数量的概率分布；S15：将每个所述行为的持续时间统一为以秒为单位的数值，然后使用聚类算法对行为的持续时间进行聚簇，计算每个簇的行为实例数的概率分布；S16：将每个行为的开始时刻统一为以秒为单位的数值，然后使用聚类算法对行为的开始时刻进行聚簇，计算每个簇的行为实例数的概率分布；S17：通过步骤S11-步骤S16的特征构成行为的概率特征集。2.根据权利要求1所述的基于行为特征概率分布约束的传感器事件流分割方法，其特征还在于：所述传感器事件流分割至少还包含以下步骤：S21：初始化最大概率分布变量C为0；S22：在训练集中统计日常行为实例边界传感器，即第一个被触发的传感器和最后一个被触发的传感器；S23：根据所述边界传感器，在测试集中切分传感器事件流，得到初始的k个行为实例边界；S24：在所述训练集中计算一天中日常行为发生数量的概率分布；假设训练集中日期集合记为D，count(D)表示D中日期的数量；则对于d∈D，count(d)表示在日期d发生的行为实例数，count(d)的种类集合记为N；对于n∈N，发生n次行为实例的天数记为count(n)；则一天中日常行为发生数量的概率为：p(n,D)＝count(n)/count(D)；S25：随机选择数量n的行为实例；S26：根据所述步骤S17获取的概率特征集，通过基于概率分布约束求解策略，在所述测试集初始的K个边界中选择使得约束概率最大化的n个边界；S27：如果最大约束概率大于C，则所述最大约束概率取代C*的值，并从所述日常行为发生数量的概率分布中删除当前行为实例数的及概率，并转到步骤S25；如果最大约束概率小于等于C，则日常行为发生数量的概率分布是否为空，则结束。3.根据权利要求1所述的基于行为特征概率分布约束的传感器事件流分割方...

【专利技术属性】
技术研发人员：刘亚清，王湘鑫，王思文，古竞轩，张凯裕，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21