从设备日志数据中提取模式

Question

我正在做一个项目，我们必须从设备日志数据中提取模式（用户行为）。设备日志包含带有时间戳的不同设备操作，例如设备何时打开或关闭。

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）。

• 贝叶斯网络中的弧线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。

Answer 1

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适合该领域的方法：

鉴于应用程序的性质，时间顺序并不重要，Fan 在 Light 之前打开并不重要，例如

还考虑到您可以拥有例如一个运动传感器来触发读取传感器的例程，也许还有定期温度检查，您可以使用下面的网络对提取的模式采取行动（无需通过时间顺序和事件跟踪进一步复杂化，我们提取数据以采取行动之后，这个域中的事件顺序并不有趣）

例如：当一个人进入房间时。他首先打开 亮，然后他打开风扇或每当温度较低时 超过 20 摄氏度，他就关掉了空调。

原始设备日志可能如下所示，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 

有了足够的样本，您就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，例如如果您查看我上面的第一个包含所有变量的原始表格并尝试预测AC，并且有足够的数据，它将理解某些输入不是很重要或完全不相关

或者，如果您事先知道 Light、Fan 和 AC 依赖于什么，例如我们知道Light 不会依赖于Temperature，并且Fan 和AC 不关心Light 是否打开（即使人在睡觉，它们也可以运行，例如）所以你可以像下面这样分解它：

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