從設備日志數據中提取模式

Question

我正在一個項目中，我們必須從設備日志數據中提取模式（用戶行為）。 設備日志包含帶有時間戳的不同設備操作，例如打開或關閉設備的時間。

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.

我正在考慮使用貝葉斯網絡來提取這些模式。

• 從數據中學習貝葉斯網絡（使用Weka或Netica）。

• 貝葉斯網絡中的弧將給出不同設備之間的模式/依存關系。

  這是正確的方法嗎？

編輯：設備之間的時間順序很重要。

Answer 1

這是正確的方法嗎？

有很多可能的方法，但是這是一種非常適合該領域的簡單有效的方法：

鑒於應用程序的性質，時間順序並不重要，例如Fan是否在Light之前打開也沒關系。

另外，假設您可以使用例如運動傳感器來觸發讀取傳感器的例程，並可能進行定期溫度檢查，則可以使用下面的網絡對提取的模式進行操作（無需按時間順序和事件進一步使其復雜化）跟蹤，我們提取數據以進行操作，因此該域中的事件順序並不有趣）

例如：當一個人進入房間時。 他首先打開燈，然后再打開風扇，或者只要溫度低於20 C，就關閉交流電源。

原始設備日志可能看起來像這樣，T / F為True / False：

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

有了足夠的樣本，您可以在上面訓練模型，例如，朴素貝葉斯對無關的功能/輸入不敏感，因此，例如，如果您查看上面包含所有變量的第一個原始表，並嘗試使用足夠的數據來預測AC ，會理解某些輸入不是非常重要或完全不相關

或者，如果您事先知道Light ， Fan和AC依賴於什么，例如，我們知道Light不會取決於Temperature ，並且Fan和AC不在乎是否打開Light （它們可以即使該人正在睡覺也可以進行操作，例如），因此您可以將其分解如下：

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