Machine learning 从设备日志数据中提取模式

我正在做一个项目，在这个项目中，我们必须从设备日志数据中提取模式（用户行为）。设备日志包含具有时间戳的不同设备操作，如设备打开或关闭时

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）

• Bayes网络中的弧将给出不同设备之间的模式/依赖关系
  这是正确的方法吗

编辑：设备之间的时间顺序很重要

这是正确的方法吗

有很多可能的方法，但这里有一个非常简单有效的方法适合这个领域：

考虑到应用程序的性质，时间顺序实际上并不重要，如果

风扇

在

灯

之前打开也不重要

此外，如果您可以使用一个运动传感器来触发读取传感器的例行程序，或者定期进行温度检查，您可以使用下面的网络对提取的模式进行操作（无需使用时间顺序和事件跟踪使其进一步复杂化，我们提取数据以采取行动，而该领域中的事件顺序并不有趣）

例如：当一个人进入一个房间时，他首先打开开关 打开电灯，然后他打开风扇或在温度较低时打开 温度超过20摄氏度时，他会关掉空调

原始设备日志可能如下所示，T/F为真/假：

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

---

有了足够的样本，你可以在上面训练一个模型，例如，朴素贝叶斯对不相关的特征/输入不敏感，因此，例如，如果你看我上面的第一个原始表，其中包括所有变量，并尝试预测

AC

，有了足够的数据，你就会明白一些输入不是非常重要或完全不相关

或者，如果您事先知道，

灯

、

风扇

和

空调

取决于什么，例如，我们知道，

灯

将不取决于

温度

，而

风扇

和

空调

不在乎

灯

是否打开（例如，即使人正在睡觉，它们也可以工作。）因此，您可以将其分解如下：

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

---

时间顺序对你来说重要吗？是的！！时间顺序很重要。我的目标是从数据中提取规则。在上面的例子中，当用户进入房间时，他首先打开灯，然后打开风扇。因此，根据上面的信息，我的规则将是无论用户何时进入房间，如果他打开灯，然后风扇应该会自动打开。但是我们事先不知道设备之间的依赖关系，这对于每个用户来说都是不同的。我们必须从数据本身了解依赖关系。另外，在将来，让我们假设用户打开风扇，无论温度如何，网络都应该连接t这种行为以及风扇和温度之间的边缘应该被消除。基本上，我说的是一种自适应贝叶斯网络，它可以根据数据自动调整自身的w.r.t。此外，时间顺序也很重要。它很重要，例如，在工业过程中，在室内设备中，你是否先关灯，然后再关风扇，都无关紧要a、 AC主要取决于温度/湿度，而不是顺序。任何被挖掘出来的时间顺序模式都是个人特质，而不是automationOk中需要的功能模式！！但是如何使用数据学习依赖关系。假设我们什么都不知道，我们想从数据本身学习依赖关系。L打开空调（开/关）行为将仅取决于温度和湿度，而不取决于任何其他因素。假设设备日志中存在温度和湿度数据，朴素贝叶斯对不相关的特征/输入不敏感，因此，例如，如果您查看我的第一个包含所有变量的原始表，并尝试预测

AC

，它将了解足够的数据有些输入不是很重要或完全不相关