从设备日志数据中提取模式

Question

我正在开发一个项目，我们必须从设备日志数据中提取模式（用户行为）。设备日志包含不同的设备操作，其时间戳与设备打开或关闭时的时间戳相同。

For example:
When a person enters a room. He first switches on the light and then he 
switches on the fan or Whenever the temp is less than 20 C, he switches off
the AC.

我正在考虑使用贝叶斯网络来提取这些模式。

• 从数据中学习贝叶斯网络（使用Weka或Netica）。

• 贝叶斯网络中的Arcs将在不同设备之间提供模式/依赖关系。

  这是正确的做法吗？

编辑：设备之间的时间顺序很重要。

Answer 1

  

这是正确的方法吗？

有许多可能的方法，但这里有一个非常简单有效的方法适合该领域：

鉴于应用程序的性质，时间顺序并不重要，如果在Fan之前Light被启用，则无关紧要。

另外，你可以有例如一个运动传感器，用于触发读取传感器的程序，也许是定期温度检查，您可以使用下面的网络对提取的模式进行操作（无需按时间顺序和事件跟踪进一步复杂化，我们提取数据进行操作在此域中的事件顺序并不感兴趣）

  

例如：当一个人进入房间时。他先打开了   然后他打开风扇或每当温度较低时开启   超过20 C，他关闭了AC。

原始设备日志可能看起来像这样，T / F为True / False：

Person in room | Temperature | Light | Fan | AC
-----------------------------------------------
T              | 20          | T     | T   | T
T              | 19          | T     | T   | F
F              | 18          | F     | F   | F 

如果有足够的样本，您可以在上面训练模型，例如：朴素贝叶斯对不相关的特征/输入不敏感，例如如果你看看我上面的第一个包含所有变量的原始表并尝试预测AC，如果有足够的数据，它会理解一些输入不是很重要或完全不相关

或者，如果您事先了解Light，Fan和AC所依赖的内容，例如我们知道Light不会依赖Temperature，而Fan和AC并不关心Light是否已启用（他们）即使这个人正在睡觉，也能操作，所以你可以将其分解如下：

Person in Room | Light 
----------------------
T              | T
F              | F

Person in Room | Temperature | Fan
----------------------------------
T              | 20          | T
F              | 25          | F

Person in room | Temperature | AC
---------------------------------
T              | 20          | T
T              | 19          | F
F              | 20          | F
F              | 19          | F