The invention provides a method for mining and calculating daily behavior characteristics based on frequent sensor event sequence, which includes two stages: recognition model training and behavior recognition testing; recognition model training includes: collecting sensor event sequence triggered by residents'daily behavior in time sequence by setting multiple non-invasive sensors; and collecting sensor event sequence. Pre-processing divides the sensor event sequence into several subsequences based on daily behavior; mining frequent sensor event sequence as the characteristics of residents'daily behavior; and calculating the value of residents' daily behavior on characteristics. The invention overcomes the shortcomings of predefined features and discrete features, uses frequent sequential pattern mining method to fully and effectively mine the continuous features of residents'daily behavior, and proposes an algorithm for calculating the eigenvalues. Therefore, in theory, using the features excavated by the invention will significantly improve the accuracy and recall rate of residents' daily behavior.
【技术实现步骤摘要】
基于频繁传感器事件序列的日常行为特征挖掘及计算方法
本专利技术涉及行为挖掘计算
,具体而言,尤其涉及一种基于频繁传感器事件序列的日常行为特征挖掘及计算方法。
技术介绍
目前居民日常行为识别所使用的特征或者是预定义特征或者是离散特征。预定义特征一般包括行为开始的时刻、行为持续的时间,行为的密度、触发的传感器等等,预定义特征的获取相对容易,但是完全割裂了传感器事件之间的联系。由于表征居民日常行为的传感器事件是时间序列,而预定义特征和离散特征丢失了传感器事件的时间序列属性,导致预定义特征和离散特征的取值是行为、传感器触发的时刻或者特征出现频率统计的结果,这种离散的特征值最终阻碍了居民日常行为识别的质量。
技术实现思路
根据上述提出的技术问题,而提供一种基于频繁传感器事件序列的日常行为特征挖掘及计算方法。本专利技术基于频繁传感器事件序列的日常行为特征挖掘及计算方法,包括:识别模型训练和行为识别测试两阶段;所述识别模型训练至少包括以下步骤:S1:通过设置的多个非入侵式传感器采集居民日常行为按照时间顺序连续地触发的传感器事件序列;S2:对所述采集到的传感器事件序列进行预处理,所述预处理将所述传感器事件序列分割为多个以日常行为为单位的子序列;S3:挖掘频繁出现的传感器事件序列,作为居民日常行为的特征;S4:计算所述居民日常行为在特征上的取值;每一个传感器事件满足模式:<触发传感器,触发的日期,触发的时间,触发值>;所述居民日常行为触发的所述传感器事件通过文本流的形式记录;所述行为识别测试:采用有监督的机器学习方式训练分类器,使用训练后的分类器对待测试的行为 ...
【技术保护点】
1.基于频繁传感器事件序列的日常行为特征挖掘及计算方法,其特征在于,包括:识别模型训练和行为识别测试两阶段;所述识别模型训练至少包括以下步骤:S1:通过设置的多个非入侵式传感器采集居民日常行为按照时间顺序连续地触发的传感器事件序列;S2:对所述采集到的传感器事件序列进行预处理,所述预处理将所述传感器事件序列分割为多个以日常行为为单位的子序列;S3:挖掘频繁出现的传感器事件序列,作为居民日常行为的特征;S4:计算所述居民日常行为在特征上的取值;每一个传感器事件满足模式:<触发传感器,触发的日期,触发的时间,触发值>;所述居民日常行为触发的所述传感器事件通过文本流的形式记录;所述行为识别测试:采用有监督的机器学习方式训练分类器,使用训练后的分类器对待测试的行为进行识别。
【技术特征摘要】
1.基于频繁传感器事件序列的日常行为特征挖掘及计算方法,其特征在于,包括:识别模型训练和行为识别测试两阶段;所述识别模型训练至少包括以下步骤:S1:通过设置的多个非入侵式传感器采集居民日常行为按照时间顺序连续地触发的传感器事件序列;S2:对所述采集到的传感器事件序列进行预处理,所述预处理将所述传感器事件序列分割为多个以日常行为为单位的子序列;S3:挖掘频繁出现的传感器事件序列,作为居民日常行为的特征;S4:计算所述居民日常行为在特征上的取值;每一个传感器事件满足模式:<触发传感器,触发的日期,触发的时间,触发值>;所述居民日常行为触发的所述传感器事件通过文本流的形式记录;所述行为识别测试:采用有监督的机器学习方式训练分类器,使用训练后的分类器对待测试的行为进行识别。2.根据权利要求1所述的基于频繁传感器事件序列的日常行为特征挖掘及计算方法,其特征还在于:标注日常行为所触发的传感器事件序列的开始点和结束点为所述居民日常行为。3.根据权利要求1所述的基于频繁传感器事件序列的日常行为特征挖掘及计算方法,其特征还在于:所述挖掘频繁出现的传感器事件序列通过使用频繁序列模式挖掘算法PrefixSpan挖掘隐藏在日常行为中的频繁传感器序列模式。4.根据权利要求1所述的基于频繁传感器事件序列的日常行为特...
【专利技术属性】
技术研发人员:刘亚清,翟正国,王湘鑫,王思文,宋溢洋,
申请(专利权)人:大连海事大学,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。