Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khung phân tích dự đoán dựa trên dữ liệu, nhận thức tình huống trong các môi trường thông minh
Tóm tắt
Trong kỷ nguyên Internet vạn vật (IoT), việc các môi trường thông minh có khả năng cung cấp dự đoán hiệu quả về tình huống của người dùng và thực hiện các hành động một cách chủ động nhằm đạt được hiệu suất tối đa là điều rất quan trọng. Tuy nhiên, có hai thách thức chính. Thứ nhất, môi trường cảm biến được trang bị một tập hợp dữ liệu không đồng nhất bao gồm cảm biến phần cứng và phần mềm, và thường là con người như những cảm biến phức tạp. Những cảm biến này tạo ra một lượng dữ liệu thô khổng lồ. Để trích xuất tri thức và thực hiện phân tích dự đoán, cần thiết phải làm sạch, hiểu rõ, phân tích và giải thích dữ liệu cảm biến thô. Thách thức thứ hai liên quan đến mô hình dự đoán. Các mô hình dự đoán truyền thống thường dự đoán các tình huống có khả năng xảy ra trong tương lai gần bằng cách giữ lại và phân tích lịch sử các tình huống của người dùng trong quá khứ. Các phương pháp phân tích dự đoán truyền thống đã trở nên kém hiệu quả do lượng dữ liệu khổng lồ liên tục được truyền vào, điều này vừa ảnh hưởng đến hiệu suất xử lý dữ liệu vừa làm phức tạp hóa ý nghĩa của dữ liệu. Để giải quyết các thách thức trên, chúng tôi đề xuất một khung phân tích dự đoán dựa trên dữ liệu và nhận thức tình huống trong các môi trường thông minh. Đầu tiên, để phân tích hiệu quả dữ liệu cảm biến, chúng tôi sử dụng phương pháp Situ-Morphism để chuyển đổi thông tin tình huống được kích hoạt bởi cảm biến thành thông tin vector. Sau đó, chúng tôi giới thiệu các chỉ số tương đồng mới và thực hiện dự đoán tương đồng dựa trên Hashing Nhạy Cảm Địa Phương để cải thiện hiệu suất xử lý dữ liệu và xử lý hiệu quả ý nghĩa dữ liệu. Kết quả thí nghiệm cho thấy phương pháp phân tích dự đoán được đề xuất trong bài báo này có thể đạt hiệu quả cao.
Từ khóa
#Internet of Things #phân tích dự đoán #mô hình dự đoán #cảm biến #dữ liệu lớnTài liệu tham khảo
Adámek, J., Herrlich, H., & Strecker, G.E. (2004). Abstract and concrete categories the joy of cats.
Aktas, M.S, Nacar, M.A, & Menczer, F. (2004). Personalizing pagerank based on domain profiles. In Proc. of webKDD (pp. 22–25). Citeseer.
Alshammari, N., Alshammari, T., Sedky, M., Champion, J., & Bauer, C. (2017). Openshs: Open smart home simulator. Sensors, pp. 1003–1007.
Andrei, Z. (1997). Broder. on the resemblance and containment of documents. In Proceedings. Compression and complexity of sequences 1997 (cat. no. 97TB100171) (pp. 21–29). IEEE.
Ashton, K., et al. (2009). That ‘internet of things’ thing. RFID journal, pp. 97–114.
Bao, L., & Intille, S.S (2004). Activity recognition from user-annotated acceleration data. In International conference on pervasive computing (pp. 1–17). Springer.
Bibri, S.E. (2018). The iot for smart sustainable cities of the future: an analytical framework for sensor-based big data applications for environmental sustainability. Sustainable cities and society, pp. 230–253.
Boissy, P., Choquette, S., Hamel, M., & Noury, N. (2007). User-based motion sensing and fuzzy logic for automated fall detection in older adults. Telemedicine and e-Health, pp. 683–694.
Bouchard, K., Gaboury, S., Bouchard, B., Bouzouane, A., & Giroux, S. (2016). Smart homes in the era of big data. Trends in Ambient Intelligent Systems. pp. 117–137.
Brdiczka, O., & Crowley, J.L. (2008). Patrick Reignier. Learning situation models in a smart home. IEEE Transactions on Systems Man, and Cybernetics, Part B (Cybernetics), pp. 56–63.
Brin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual web search engine. Computer networks and ISDN systems, pp. 107–117.
Broder, A.Z, Charikar, M., Frieze, A.M, & Mitzenmacher, M. (2000). Min-wise independent permutations. Journal of Computer and System Sciences, pp. 630–659.
Chang, C.K, Jiang, Hsin-yi, Ming, H., & Oyama, K. (2009). Situ: a situation-theoretic approach to context-aware service evolution. IEEE Transactions on Services Computing, pp. 261–275.
Chang, C., & Schilit, B.N. (2014). Aware computing [guest editors’ introduction]. Computer, pp. 20–21.
Chen, L., Nugent, C.D, & Wang, H. (2011). A knowledge-driven approach to activity recognition in smart homes. IEEE Transactions on Knowledge and Data Engineering, pp. 961–974.
Datar, M., Immorlica, N., Indyk, P., & Mirrokni, V.S. (2004). Locality-sensitive hashing scheme based on p-stable distributions. In Proceedings of the twentieth annual symposium on Computational geometry (pp. 253–262).
Dave, E., et al. (2011). How the next evolution of the internet is changing everything. The Internet of Things.
Dogan, O., & Gurcan, O.F. (2022). Applications of big data and green iot-enabling technologies for smart cities. In Research anthology on big data analytics, architectures, and applications (pp. 1090–1109). IGI Global.
Eirinaki, M., & Vazirgiannis, M. (2005). Usage-based pagerank for web personalization. In Fifth IEEE international conference on data mining (ICDM’05) (pp. 130–137). IEEE.
Geetha, V., Kamath, S.S, & Salvi, S.S. (2021). Smart home environment: Artificial intelligence-enabled iot framework for smart living and smart health. In AI-Based services for smart cities and urban infrastructure (pp. 310–325). IGI global.
Gholami, H., & Chang, C.K (2016). Situation-aware decision making in smart homes. In International conference on smart homes and health telematics (pp. 71–82). Springer.
Gholami, H., & Chang, C.K (2017). Situation-aware data-driven decision making in smart environments using the mapreduce. In 2017 IEEE 41St annual computer software and applications conference (COMPSAC) (pp. 722–730). IEEE.
Hagras, H. (2007). Embedding computational intelligence in pervasive spaces. IEEE Pervasive Computing, pp. 85–89.
Hajjaji, Y., Boulila, W., Farah, I.R., Romdhani, I., & Hussain, A. (2021). Big data and iot-based applications in smart environments: A systematic review. Computer Science Review, pp. 100318.
Indyk, P., & Motwani, R. (1998). Approximate nearest neighbors: towards removing the curse of dimensionality. In Proceedings of the thirtieth annual ACM symposium on Theory of computing (pp. 604–613).
Jacobson, N. (2012). Basic algebra I Courier Corporation.
Jafari, O., Maurya, P., Nagarkar, P., Islam, K.M., & Crushev, C. (2021). A survey on locality sensitive hashing algorithms and their applications. arXiv:2102.08942.
Jakkula, V., Cook, D.J, & Crandall, A.S (2007). Temporal pattern discovery for anomaly detection in a smart home. In 3rd IET Conf on Intelligent Environments (IE) (pp. 339–345).
Javad Akhlaghinia, M., Lotfi, A., Langensiepen, C., & Sherkat, N. (2008). A fuzzy predictor model for the occupancy prediction of an intelligent inhabited environment. In 2008 IEEE International Conference on Fuzzy Systems (IEEE World Congress on Computational Intelligence) (pp. 939–946). IEEE.
Katal, A., Wazid, M., & Goudar, R.H (2013). Big data: issues, challenges, tools and good practices. In 2013 Sixth international conference on contemporary computing (IC3) (pp. 404–409). IEEE.
Kautz, H., Etzioni, O., Fox, D., Weld, D., & Shastri, L. (2003). Foundations of assisted cognition systems. University of Washington. Computer science department, Technical Report, Tech. Rep.
Kumar, S. (2022). Collaborative processing using the internet of things for post-disaster management. In Internet of things and its applications (pp. 383–406). Springer.
Kumar, V., Badal, N., & Mishra, R. (2021). Elderly fall detection using iot and image processing. Journal of Discrete Mathematical Sciences and Cryptography, pp. 681–695.
Kwon, O., Shim, J.M., & Lim, G. (2012). Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people. Expert Systems with Applications, pp. 5774–5783.
Li, Y., Bandar, Z., McLean, D., O’shea, J., & et al. (2004). A method for measuring sentence similarity and iits application to conversational agents. In FLAIRS Conference (pp. 820–825).
Li, H., Zhang, Q., & Duan, P. (2008). A novel one-pass neural network approach for activities recognition in intelligent environments. In 2008 7Th world congress on intelligent control and automation (pp. 50–54). IEEE.
Mohanty, S., Mohanty, S., Pattnaik, P.K., Vaidya, A., & Hol, A. (2022). Smart healthcare analytics using internet of things: An overview. Smart Healthcare Analytics: State of the Art, pp. 1–11.
Monekosso, D.N, & Remagnino, P. (2009). Anomalous behavior detection: Supporting independent living. Intelligent Environments, pp. 33–48.
Motwani, R., & Raghavan, P. (1995). Randomized algorithms. Cambridge University Press.
Noury, N., & Hadidi, T. (2012). Computer simulation of the activity of the elderly person living independently in a health smart home. Computer methods and programs in biomedicine, pp. 1216–1228.
Perera, C., Zaslavsky, A., Christen, P., & Georgakopoulos, D. (2013). Context aware computing for the internet of things: a survey. IEEE communications surveys & tutorials, pp. 414–454.
Rajaraman, A., & Ullman, J.D. (2011). Mining of massive datasets. Cambridge University Press.
Rayan, R.A, & Tsagkaris, C. (2022). Iot technologies for smart healthcare. In Assistive technology intervention in healthcare (pp. 29–46). CRC Press.
Richardson, M., & Domingos, P. (2002). The intelligent surfer: Probabilistic combination of link and content information in pagerank. In Advances in neural information processing systems.
Rivera-Illingworth, F., Callaghan, V., & Hagras, H. (2005). A neural network agent based approach to activity detection in ami environments. In Proceedings of the IEE International Workshop on Intelligent Environments (pp. 92–100).
Rivera-Illingworth, F., Callaghan, V., & Hagras, H. (2006). Towards the detection of temporal behavioural patterns in intelligent environments. In International conference on intelligent environments (pp. 119–120). IET.
Rumee, A.R. (2021). Iot system for remote monitoring of mangrove forest the sundarbans. Journal of Computer Sciences Institute, pp. 254–258.
Sánchez, D., Tentori, M., & Favela, Jesús. (2008). Activity recognition for the smart hospital. IEEE intelligent systems, pp. 50–57.
Sayeed, S., Ahmad, A.F., & Peng, T.C. (2022). Smartic: a smart tool for big data analytics and iot. F1000Research, pp. 17–18.
Schmidt, C.F., Sridharan, N.S, & Goodson, J.L. (1978). The plan recognition problem: an intersection of psychology and artificial intelligence. Artificial Intelligence, pp. 45–83.
Serna, A., Pigot, Hélène, & Rialle, V. (2007). Modeling the progression of alzheimer’s disease for cognitive assistance in smart homes. User Modeling and User-Adapted Interaction, pp. 415–438.
Shrivastava, A., & Li, P. (2014). In defense of minhash over simhash. In Artificial intelligence and statistics (pp. 886–894). PMLR.
Sundmaeker, H., Guillemin, P., Friess, P., & Woelfflé, S. (2010). Vision and challenges for realising the internet of things. Cluster of European research projects on the internet of things, European Commision, pp. 34–36.
Suryadevara, N.K., Mukhopadhyay, S.C, Wang, R., & Rayudu, R.K. (2013). Forecasting the behavior of an elderly using wireless sensors data in a smart home. Engineering Applications of Artificial Intelligence, pp. 2641–2652.
Taher, H. (2003). Haveliwala. Topic-sensitive pagerank: A context-sensitive ranking algorithm for web search. IEEE transactions on knowledge and data engineering, pp. 784–796.
Tapia, E.M., Intille, S.S, & Larson, K. (2004). Activity recognition in the home using simple and ubiquitous sensors. In International conference on pervasive computing (pp. 158–175). Springer.
Wang, J., Shen, H.T., Song, J., & Ji, J. (2014). Hashing for similarity search: A survey. arXiv:1408.2927.
Xie, H., & Chang, C.K (2015). Detection of new intentions from users using the crf method for software service evolution in context-aware environments. In 2015 IEEE 39Th annual computer software and applications conference (pp. 71–76). IEEE.
Yau, S.S, Davulcu, H., Mukhopadhyay, S., Huang, D., & Yao, Y. (2005). Adaptable situation-aware secure service-based (as/sup 3/) systems. In Eighth IEEE international symposium on object-oriented real-time distributed computing (ISORC’05) (pp. 308–315). IEEE.
Zaslavsky, A., Perera, C., & Georgakopoulos, D. (2013). Sensing as a service and big data. arXiv:1301.0159.
Zheng, H., Wang, H., & Black, N. (2008). Human activity detection in smart home environment with self-adaptive neural networks. In 2008 IEEE International conference on networking, sensing and control (pp. 1505–1510). IEEE.