CN110197281A - 一种基于本体模型和概率推理的复杂事件识别方法 - Google Patents

Abstract

本发明公开了一种基于本体模型和概率推理的复杂事件识别方法，包括以下步骤：（1）利用本体模型对智能环境中的传感器和事件进行建模；（2）利用描述逻辑的语义属性将本体模型转换为马尔科夫逻辑网模型；（3）利用一种基于地点和固定时间间隔的分割方法对连续产生的传感器数据进行分割，形成事件序列，作为马尔科夫逻辑网模型的输入；（4）在马尔科夫逻辑网模型上进行概率推理，从而识别智能环境中发生的事件；所述的复杂事件识别方法融合了知识驱动方法和数据驱动方法的优势，可以准确地对智能环境进行建模，有效地处理事件之间的时间约束关系和传感数据的不确定性，提高识别的准确率。

Description

一种基于本体模型和概率推理的复杂事件识别方法

技术领域

本发明属于物联网中智能环境下的事件识别领域，具体涉及一种基于本体模型和概率推理的复杂事件识别方法。

背景技术

随着物联网技术和无线传感网络的飞速发展，使得通过低成本和低功耗的传感器来监测物理环境成为可能。通过在物理环境中布置一系列的传感器，可以根据传感数据了解物理环境的状态，这样的环境为智能环境，其中的事件反映了观测对象的状态变化，环境中的传感器和微处理单元称为传感器。传感器每时每刻都在产生大量的数据，以一种智能的方式反映着周围的环境。通过准确地统计、分析、综合这些数据，提取出其中隐含的知识，并在知识层面进行推理，识别出环境中正在发生的事件，以此能更好地进行决策和快速地采取反应。

智能环境中基于传感数据进行复杂事件识别的方法主要分为知识驱动(datadriven)和数据驱动(knowledge driven)两大类。知识驱动方法主要有逻辑(logic)方法和本体(ontology)方法两类，数据驱动方法主要指概率推理方法，包括隐马尔科夫模型(Hidden Markov Model,HMM)、动态贝叶斯网络(Dynamic Bayesian Network,DBN)、支持向量机(Supported Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)等。知识驱动方法在语义层面建模准确，不会发生过拟合现象，可扩展性强，模型易于在另一智能环境中重用，但是无法有效地处理智能环境固有的数据不确定性问题；数据驱动方法基于大量的传感器数据进行模型的训练和参数的学习，虽然能有效应对数据的不确定性，但可能发生过拟合现象，可扩展性差。

马尔科夫逻辑网(Markov Logic Network,MLN)作为一种优良的统一关系学习框架，具有出色的知识表达能力和不确定性处理能力。在智能环境应用中，马尔科夫逻辑网恰好有效地融合了知识驱动方法和数据驱动方法的优点，成为一种处理复杂事件识别的有力工具。马尔科夫逻辑网实质上是一个规则带有权重的一阶逻辑知识库，可以用来构建马尔科夫网(Markov Network)。在马尔科夫逻辑网上的推理实质上是在生成的闭马尔科夫网上进行，主要包括推测最大可能存在的状态、边缘概率和条件概率计算等问题。目前，利用马尔科夫逻辑网的复杂事件识别研究主要集中在活动识别这一子领域，输入数据通常通过视频、GPS、传感器、RFID等获取，形成了许多领域相关的研究成果。

发明内容

为了提高智能环境中复杂事件识别的准确率，本发明提出一种基于马尔科夫逻辑网提出融合本体模型和概率推理的复杂事件识别方法，主要包含本体模型和概率推理两个部分。在建模阶段，根据领域特征和专家知识，利用本体理论对智能环境中的传感器和事件进行语义建模，同时使用语义规则描述语言(Semantic Web Rule Language,SWRL)对事件之间的时序关系进行描述，得到本体模型。接着，将本体模型转换为对应的马尔科夫逻辑网模型。在实时的事件识别过程中，通过一种基于地点和固定时间间隔的方法分割连续的传感数据，将得到的离散事件序列作为马尔科夫逻辑网模型的输入，进而识别出发生的事件。

本发明至少通过如下技术方案之一实现。

一种基于本体模型和概率推理的复杂事件识别方法，具体步骤如下：

(1)利用本体理论对智能环境中的传感器和事件进行语义建模，再对事件之间的时序关系进行描述，得到本体模型；

(2)利用描述逻辑的语义属性将本体模型转换为马尔科夫逻辑网模型；

(3)利用基于地点和固定时间间隔的混合分割算法对连续产生的传感器数据进行分割，形成离散事件序列，离散事件序列作为马尔科夫逻辑网模型的输入；

(4)在马尔科夫逻辑网模型上进行概率推理，从而识别智能环境中发生的事件。

进一步的，所述步骤(1)的具体过程为利用本体理论对智能环境中的传感器和事件进行语义建模，形成术语盒(Terminology Box,TBox)和断言盒(Assertion Box,ABox)，同时使用语义规则描述语言(Semantic Web Rule Language,SWRL)对事件之间的时序关系进行描述。

进一步的，步骤(2)的转换过程为利用描述逻辑的语义属性(theoretic semanticproperty of description logic)，将术语盒和SWRL规则分别转换为等价的一阶逻辑规则，利用产生的一阶逻辑规则构建马尔科夫逻辑网，构建好的马尔科夫逻辑网和ABox作为马尔科夫逻辑网权重学习方法的输入，计算出各一阶规则对应的权重，进而得到复杂事件识别的马尔科夫逻辑网模型。

进一步的，本体模型使用Allen时序逻辑对事件发生的时间顺序进行建模，并利用SWRL规则描述；智能环境中的事件定义为传感事件、简单事件和复杂事件三个层次粒度进行描述；本体模型还定义6个核心类和6个属性，通过定义核心属性反应这些类之间的相互作用关系，从而对复杂事件发生的智能环境进行语义建模。

进一步的，事件发生的时间顺序包括顺序发生、交错发生和同时发生，其中顺序发生使用谓词before/after、meet/met by描述，前者表示顺序发生的事件之间存在时间间隔，后者表示无时间间隔；交错发生使用谓词overlap/overlapped by和contain/during描述，前者表示交错发生事件的时间窗部分重叠，后者表示交错发生事件的时间窗属于包含或被包含关系；同时发生使用谓词start/started by和equal描述，前者表示事件时间窗拥有相同的起点，但没有相同的终点，后者表示事件时间窗完全相同。

进一步的，所述传感事件由代表传感器本身信息的传感器节点Sensor和代表传感事件触发条件的触发节点Trigger描述；传感器本身信息包括ID信息、位置信息、读数精度；所述简单事件由一个或多个传感事件融合上下文信息推导得到；所述复杂事件包含若干个简单事件和由其他简单事件组成的复杂事件。

进一步的，所述的上下文信息，主要包含时间、空间信息和领域知识两类抽象信息，描述了事件何时何地在何种情况下发生，用以区分同类型传感器在不同上下文环境中反映的不同事件。

进一步的，所述6个核心类为Event、SymbolicLocation、MonitoredParameters、Sensor、TimeExtent和DomainKnoledge，分别描述事件、符号化位置、监测参数、传感器、时间窗和领域知识；所述领域知识通过施加全称量词或存在量词的限制与另外5个核心类表示的信息相联系，比如某类事件event仅可能发生在符号化位置location处，对属性的全称限制可符号化为“onlyOccuredIn”，用一阶逻辑规则表示即

进一步的，所述属性包括isInside属性、hasParameter属性、hasType、moniteredBy、occuredDuring和occuredIn；isInside属性表示一个符号化位置包含另一个、hasParameter属性表示某个位置需要测量的参数、hasType表示一个传感器测量的参数类型、moniteredBy表示事件通过传感器监测、occuredDuring表示事件发生于某个时间区间和occuredIn表示事件发生在某个符号化位置。

进一步的，所述混合分割算法同时考虑传感数据产生的地点和时间两个因素：循环检查每个传感事件，如果相邻传感事件不在同一地点，则分割传感器数据并返回；如果相邻传感事件发生在同一地点，当其时间跨度总和不大于设定阈值时，继续循环检查下一个传感事件，当已检查的传感事件时间跨度总和大于设定的某个阈值，则分割传感器数据并返回，返回分割后的事件序列将作为马尔科夫逻辑网模型的输入；前述阈值根据本方法应用领域的领域知识设定，也可以经过多次试验获取多个均值，取其中的最小均值。

进一步的，概率推理是利用下式计算闭马尔科夫网中所有闭原子联合概率的过程，

其中，Z表示归一化因子，X表示n个上下文属性的集合，x表示属性元素，f_ik表示f_i中的第k个谓词，f_i表示马尔科夫逻辑网中第i个一阶逻辑规则，ω_i表示f_i的权重，x_j给谓词f_ik(x)赋予属性的值，j∈(1,n)。

与现有方法相比，本发明具有如下优点和效果：

本发明融合了本体方法和概率推理方法的优点，在建模阶段，首先使用本体理论进行建模，可以有效地融合领域知识和专家知识，消除模型不确定性问题，提高模型的准确率。在推理阶段，将本体模型等价转换为马尔科夫逻辑网模型，使得推理过程中能有效处理数据的不确定性问题，最终提升事件识别的准确率。

附图说明

图1为实施例的基于本体模型和概率推理的复杂事件识别方法的流程框架图；

图2为实施例的事件粒度定义框架图；

图3为实施例的事件本体模型的核心类及属性框架图；

图4为交错发生和顺序发生复杂事件识别过程示意图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图，进行进一步的详细说明，但本发明的实施和保护不限于此。

如图1所示，本实施例的基于本体模型和概率推理的复杂事件识别方法，分为建模和识别两个阶段。

建模阶段，根据领域特征和专家知识，利用本体理论对智能环境中的传感器和事件进行语义建模，形成术语盒(Terminology Box,TBox)和断言盒(Assertion Box,ABox)，同时使用语义规则描述语言(Semantic Web Rule Language,SWRL)对事件之间的时序关系进行描述，得到本体模型。接着，利用描述逻辑的语义属性(model theoretic semanticproperty)，将TBox和SWRL规则分别转换为等价的一阶逻辑规则。然后，以产生的一阶逻辑规则和ABox作为马尔科夫逻辑网权重学习方法的输入，计算出各一阶规则对应的权重，进而得到复杂事件识别的马尔科夫逻辑网模型。这里可以使用华盛顿大学提供的Alchemy软件包内置的权重学习算法进行权重学习。

本实施例利用Protégé工具来构建本体模型，使用OWL(Web Ontology Language，网络本体语言)语法描述。构建完成之后，利用HermiT推理机(HermiT OWL Reasoner)对本体模型进行一致性检查。本体模型通过Incerto推理机(Incerto reasoner)转换为一阶逻辑规则，由于Incerto推理机内置Alchemy软件包，故直接利用Incerto学习规则权重，得到马尔科夫逻辑网模型。在实时的事件识别过程中，事件被连续捕获，连续产生的传感器数据通过一种基于地点和固定时间间隔的混合分割算法，形成离散的事件序列，作为马尔科夫逻辑网模型的输入，使用Incerto推理机进行概率推理，识别出环境中正在发生的事件。

本实施例中本体建模的解释和操作如下：

1.1事件粒度定义

在智能环境中，对事件粒度的描述直接决定了事件识别的准确率。事件的描述粒度表示事件的层级顺序。比如，在智能仓储环境中，“货物入库”应该比“货物进入库门”和“货物置于指定位置”处于更高的粒度层级。

本发明将智能环境中的事件定义为三层：传感事件(Sensor Event,SE)，简单事件(Simple Derived Event,SDE)和复杂事件(Complex Event,CE)，如图2所示。传感事件用两个子节点来描述：传感器节点Sensor和触发条件节点Trigger。Sensor节点描述传感器的固有特征，比如ID信息、位置信息、读数精度等。Trigger节点描述传感器的触发条件，决定如何激活这个传感器代表的传感事件。比如，对于一个温度传感器，定义35℃为触发条件，当温度≥35时，触发传感事件“温度高”，反之触发传感事件“温度低”。简单事件由一个或多个传感事件融合上下文信息得到。上下文信息主要包含时间、空间信息和领域知识两类抽象信息，描述了事件何时何地在何种情况下发生，用以区分同类型传感器在不同上下文环境中反映的不同事件。比如智能仓储环境中，不同位置区域存放不同类型的货物，对温度的要求各不相同，那么同一传感事件和不同的上下文信息融合后将推断出不同的简单事件。如传感事件“温度为25℃”融合上下文信息“蔬菜存储温度需低于0℃”将推导得到简单事件“蔬菜存储温度过高”，而融合上下文信息“一般货物存储温度需低于35℃”将推导得到简单事件“货物存储温度正常”。复杂事件包含多个简单事件或其他简单事件组成的复杂事件。

1.2核心类定义

本发明提出6个核心类来建立事件的本体模型：Event、SymbolicLocation、MonitoredParameters、Sensor、TimeExtent和DomainKnoledge，分别对事件、符号化位置、监测参数、传感器、时间窗和领域知识进行建模。6个属性为：isInside属性表示一个符号化位置包含另一个、hasParameter属性表示某个位置需要测量的参数、hasType表示一个传感器测量的参数类型、moniteredBy表示事件通过传感器监测、occuredDuring表示事件发生于某个时间区间和occuredIn表示事件发生在某个符号化位置。通过定义核心属性反应这些类之间的相互作用关系，从而对复杂事件发生的智能环境进行语义建模。领域知识通过对属性提供“全称量词”或“存在量词”限制的方式与其它信息融合，比如某类事件event仅可能发生在符号化位置location处，对属性的全称量词限制可利用描述逻辑表示为“onlyOccuredIn(event,location)”，用一阶逻辑规则表示即又比如某类事件event可能发生在多个符号化位置location_1，location_2……处，对属性的存在量词限制可利用描述逻辑表示为“canOccuredIn(event,location_1)”，用一阶逻辑规则表示即事件本体模型的核心类和属性如图3所示。

属性关联这些类的实例，在图3中用虚线箭头表示。比如，每个事件都于一个时间段发生(occuredIn)在一个符号化的位置，每个事件都从传感器被监测到(monitoredBy)，一个仓储房间是在仓库的内部(isInside)。很显然，在不同的智能环境下，要识别的事件千差万别，构建一个统一的事件本体模型是极其困难甚至不现实的。为此，本发明提出了图3所示的核心类和属性用以对不同智能环境建模，具有很强的可扩展性，根据核心类和属性的相互关系，很容易针对特定领域构建合适的本体模型。表1展示了在本体模型下的一些描述示例。

表1本体模型下的描述示例

1.3时序关系建模

除了事件本身发生的时间段外，组成复杂事件的各个简单事件或者其他复杂事件在发生顺序上可能是时间相关的，同一组简单事件可能因为不同的发生顺序而构成不同的复杂事件。因此，构建复杂事件本体需要处理这种时间约束关系。本发明根据Allen时序逻辑(Allen’s temporal logic)理论，利用SWRL规则来描述事件之间的时间约束关系，包括顺序发生、交错发生、同时发生。

表2部分对时序关系建模的SWRL规则

对于顺序发生的简单事件流，使用Allen时序逻辑中的“before/after”和“meet/met by”两类谓词来进行描述，前者表示顺序发生的简单事件流之间有时间间隔，后者表示顺序发生的简单事件流为连续发生，无时间间隔。对于交错发生简单事件流和同时发生简单事件流，它们的区别在于多个简单事件发生的时间窗的重叠程度。当时间窗部分重叠时，为交错发生；当时间窗完全重叠时，为同时发生。利用“overlap/overlapped by”，“contain/during”，“start/started by”和“equal”等谓词来对交错发生和同时发生的简单事件流进行描述。表2展示了部分对时序关系建模的SWRL规则。

1.4本实施例的概率推理过程如下：

马尔科夫逻辑网中的一阶逻辑规则用f_i表示，其对应的权重用ω_i表示，f_i中的第k个谓词用f_ik表示。当给定常量集后，一阶逻辑规则转化为闭规则，由此构建一个闭马尔科夫网，在马尔科夫逻辑网中的推理实际是在构建的闭马尔科夫网上进行。马尔科夫逻辑网的概率推理过程实际上是利用下式计算闭马尔科夫网中所有闭原子联合概率的过程。

其中，Z表示归一化因子，X表示n个上下文属性的集合，x表示属性元素，x_j给谓词f_ik(x)赋予属性的值，j∈(1,n)。

本体模型转换为马尔科夫逻辑网模型如下所示：

1.5本实施例的传感数据分割解释和如下：

本实施例的基于地点和固定时间间隔的混合分割算法(a hybrid of locationand fixed interval based segmentation)如下所示：

混合分割算法包含一个名为spatio的链表数据结构，如下所示，用来记录某个符号化位置传感事件的分割结果。

混合分割算法首先根据事件的位置进行分割，得到具有不同时间区间的事件序列：如果相邻事件不在同一地点，则分割并返回；如果相邻事件发生在同一位置，当其时间跨度总和大于设定的某个阈值，分割返回。阈值可以根据本方法应用领域的领域知识设定，也可以经过多次试验获取多个均值，取其中的最小均值，本实施例中设置为60s。返回的分割后的事件序列将作为马尔科夫逻辑网模型的输入，用以识别环境中的复杂事件。相比于按照固定时间区间的简单分割算法，这种混合分割算法能有效地减少不完整分割事件序列的产生，进而提高事件识别的准确率。

本实施例的事件识别过程如下：

智能环境中部署的传感器产生连续不断的传感数据，这些传感数据可以描述为传感事件(E)，经基于地点和固定时间间隔的分割法对连续产生的传感器数据处理后，将得到离散的简单事件(SDE)序列，这些离散的简单事件将作为输入数据，输入已经构建好的马尔科夫逻辑网模型中。简单事件首先被MLN识别，它的时间窗大小等于包含的所有传感事件时间窗大小的总和。然后，通过MLN中蕴含的对事件时间关系建模的SWRL规则，识别出环境中发生的复杂事件(CE)。

图4展示了满足交错发生和顺序发生时序关系的复杂事件识别过程。图中0到10表示时间轴中的时刻，E1到E10表示发生在各个时间段的传感器事件，比如E1发生在0时刻和1时刻之间。SDE1到SDE4表示经过前述传感数据分割方法得到的4个简单事件。在图中可以看到，SDE1发生了两次，一次处于0时刻到3时刻之间，一次处于5时刻到8时刻之间，分别表示为<0,3>，<5,8>。SDE1<0,3>和SDE4<1,3>发生的时间窗满足前述时间窗部分重叠关系，所以可使用overlap谓词描述，故得到SDE1<0,3>和SDE4<1,3>组成交错发生的复杂事件(ConcurrenCE)，而SDE1<0,3>和SDE2<3,5>满足前述时间窗呈顺序关系且无间隔，使用meet谓词描述，经过概率推理可以得到SDE1<0,3>和SDE2<3,5>组成顺序发生的复杂事件(SequentialCE)。得到的ConcurrenCE和SequentialCE经马尔科夫逻辑网模型推理得到识别结果。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。

Claims (10)

1.一种基于本体模型和概率推理的复杂事件识别方法，其特征在于，包括以下步骤：

(1)利用本体理论对智能环境中的传感器和事件进行语义建模，再对事件之间的时序关系进行描述，得到本体模型；

(2)利用描述逻辑的语义属性将本体模型转换为马尔科夫逻辑网模型；

(3)利用基于地点和固定时间间隔的混合分割算法对连续产生的传感器数据进行分割，形成离散事件序列，离散事件序列作为马尔科夫逻辑网模型的输入；

(4)在马尔科夫逻辑网模型上进行概率推理，从而识别智能环境中发生的事件。

2.根据权利要求1所述的复杂事件识别方法，其特征在于，所述步骤(1)的具体过程为：利用本体理论对智能环境中的传感器和事件进行语义建模，形成术语盒(TerminologyBox,TBox)和断言盒(Assertion Box,ABox)，同时使用语义规则描述语言(Semantic WebRule Language,SWRL)对事件之间的时序关系进行描述。

3.根据权利要求1所述的复杂事件识别方法，其特征在于，步骤(2)的转换过程为利用描述逻辑的语义属性，将术语盒和SWRL规则分别转换为等价的一阶逻辑规则，利用产生的一阶逻辑规则构建马尔科夫逻辑网，构建好的马尔科夫逻辑网和ABox作为马尔科夫逻辑网权重学习方法的输入，计算出各一阶规则对应的权重，进而得到复杂事件识别的马尔科夫逻辑网模型。

4.根据权利要求1所述的复杂事件识别方法，其特征在于，本体模型使用Allen时序逻辑对事件发生的时间顺序进行建模，并利用SWRL规则描述；智能环境中的事件定义为传感事件、简单事件和复杂事件这三个层次粒度进行描述；本体模型还定义6个核心类和6个属性，通过定义核心属性反应这些类之间的相互作用关系，从而对复杂事件发生的智能环境进行语义建模。

5.根据权利要求4所述的复杂事件识别方法，其特征在于，事件发生的时间顺序包括顺序发生、交错发生和同时发生，使用谓词before/after、meet/met by、overlap/overlappedby、contain/during、start/started by和equal进行描述。

6.根据权利要求4所述的复杂事件识别方法，其特征在于，所述传感事件由代表传感器本身信息的传感器节点Sensor和代表传感事件触发条件的触发节点Trigger描述；传感器本身信息包括ID信息、位置信息、读数精度；所述简单事件由一个或若干个传感事件融合上下文信息推导得到；所述复杂事件包含若干个简单事件和由其他简单事件组成的复杂事件。

7.根据权利要求6所述的复杂事件识别方法，其特征在于，所述的上下文信息主要包含时间、空间信息和领域知识两类抽象信息，描述事件何时何地在何种情况下发生，用以区分同类型传感器在不同上下文环境中反映的不同事件。

8.根据权利要求4所述的复杂事件识别方法，其特征在于，所述6个核心类为Event、SymbolicLocation、MonitoredParameters、Sensor、TimeExtent和DomainKnoledge，分别描述事件、符号化位置、监测参数、传感器、时间窗和领域知识；所述领域知识通过施加全称量词或存在量词的限制和另外5个核心类表示的信息相联系；

所述属性包括isInside属性、hasParameter属性、hasType、moniteredBy、occuredDuring和occuredIn；isInside属性表示一个符号化位置包含另一个、hasParameter属性表示某个位置需要测量的参数、hasType表示一个传感器测量的参数类型、moniteredBy表示事件通过传感器监测、occuredDuring表示事件发生于某个时间区间和occuredIn表示事件发生在某个符号化位置。

9.根据权利要求1所述的复杂事件识别方法，其特征在于，所述混合分割算法同时考虑传感数据产生的地点和时间两个因素：循环检查每个传感事件，如果相邻传感事件不在同一地点，则分割传感器数据并返回；如果相邻传感事件发生在同一地点，当其时间跨度总和不大于设定阈值时，继续循环检查下一个传感事件，当已检查的传感事件时间跨度总和大于设定的某个阈值，则分割传感器数据并返回，返回分割后的事件序列将作为马尔科夫逻辑网模型的输入。

10.根据权利要求1所述的复杂事件识别方法，其特征在于，所述概率推理是利用下式计算闭马尔科夫网中所有闭原子联合概率的过程，

其中，Z表示归一化因子，X表示n个上下文属性的集合，x表示属性元素，f_ik表示f_i中的第k个谓词，f_i表示马尔科夫逻辑网中第i个一阶逻辑规则，ω_i表示f_i的权重，x_j给谓词f_ik(x)赋予属性的值，j∈(1,n)。