WO2020001095A1 - 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 - Google Patents

一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 Download PDF

Info

Publication number
WO2020001095A1
WO2020001095A1 PCT/CN2019/079386 CN2019079386W WO2020001095A1 WO 2020001095 A1 WO2020001095 A1 WO 2020001095A1 CN 2019079386 W CN2019079386 W CN 2019079386W WO 2020001095 A1 WO2020001095 A1 WO 2020001095A1
Authority
WO
WIPO (PCT)
Prior art keywords
context
information
module
user
uncertainty
Prior art date
Application number
PCT/CN2019/079386
Other languages
English (en)
French (fr)
Inventor
许宏吉
潘玲玲
陈敏
王维超
邢庆华
石磊鑫
王珏
Original Assignee
山东大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 山东大学 filed Critical 山东大学
Publication of WO2020001095A1 publication Critical patent/WO2020001095A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Definitions

  • the context collection layer includes an environment context module, a device context module, a user context module, a time context information module, and other context information modules.
  • the other context information modules are location context information modules;
  • the context preprocessing module is configured to: filter context information by combining user preference information from a context knowledge base (because of the variety and quantity of context information, a part of useless information can be filtered out based on user preferences);
  • the context discarding threshold and the context information modeling method are preset according to the information from the context knowledge base, and the context information modeling method is "context-aware type + context-aware information + context-aware accuracy"; for use in step S04;
  • the inference fusion is performed on the context information after the uncertainty is eliminated.
  • the fusion inference algorithm includes ontology reasoning, rule-based reasoning, evidence theory or Bayesian network reasoning methods;
  • This system can realize the adaptive adjustment of the application or device by integrating various quality indicators into the context information uncertainty elimination system and the application layer feedback mechanism;
  • FIG. 1 is a structural block diagram of a context uncertainty elimination system based on a hierarchical comprehensive quality index QoX in the intelligent perception space according to the present invention
  • FIG. 2 is a schematic flowchart of a method for eliminating context uncertainty based on a hierarchical comprehensive quality index QoX in the intelligent perception space according to the present invention
  • the context processing layer is used as the core of the entire context awareness system to perform uncertainty elimination, fusion inference on the original context information obtained by the context acquisition layer according to various preset information, and transmit the result of the context decision to the application layer;
  • the application layer is used as the ultimate purpose of the entire context-aware system, to control and adjust the corresponding nodes or devices through feedback processing instructions, to provide feedback based on user experience, and to adjust the context uncertainty processing mechanism and integrate inference logic on its own to achieve Adaptive.
  • the context collection layer includes an environment context module (temperature, humidity), a device context module (device operating status), a user context module (user age, identity), a time context information module (year, month), and other context information modules, and other context information Module refers to the location context information module;
  • the environment context module is used to collect environment context information;
  • the device context module is used to collect device context information;
  • the user context module is used to collect user context information;
  • the time context information module is used to collect time context information;
  • the location context information module is configured to collect location context information.
  • the context processing layer includes a preset context information module, a context preprocessing module, a context uncertainty processing module, a fusion inference module, a context decision module, a context storage module, a user setting rule module, a system preset rule module, and a context knowledge base;
  • Preset context information module, context preprocessing module, context uncertainty processing module, fusion inference module, context decision module, context storage module are connected in sequence; preset context information module, context preprocessing module, fusion inference module, context decision module , The context storage module, the user setting rule module, and the system preset rule module are respectively connected to the context knowledge base;
  • the context preprocessing module is used to filter the context information by combining user preference information from the context knowledge base (because of the variety and quantity of context information, a part of useless information can be filtered out by user preferences);
  • the context judgment module is used to further judge the context information based on the result of contextual uncertainty elimination and fusion inference, for example, a comparison or common sense judgment method, and transmit the judgment result to the context storage module and the device control module;
  • the context storage module is configured to store the context information from the context decision module according to a retrieval or query rule and transmit it to the context knowledge base;
  • the user setting rule module is used for: the user sets an initial elimination mechanism of context uncertainty according to the collected context information and the service to be provided, and transmits it to the context knowledge base;
  • the system preset rule module is used for: the user sets the initial fusion reasoning rule based on the historical information;
  • the context knowledge base is used to store preset context information, part of context information after context preprocessing, inference fusion information, context decision results, user setting rule information, system preset rule information, and preference statistics information from the application layer.
  • the preset context information module, context preprocessing module, and fusion inference module are provided with various kinds of information required.
  • a device control module is connected to the context decision module, a user experience module is connected to the context storage module, and a preference statistics module is connected to the context knowledge base;
  • the device control module is used to control the device according to the context decision information
  • the user experience module is used for: the user evaluates the service quality provided by the device control module and transmits the evaluation result to the preference statistics module;
  • the preference statistics module is used to obtain user preferences and store user preference statistics in the context knowledge base.
  • the invention relates to a context uncertainty elimination system based on hierarchical comprehensive quality index QoX in an intelligent perception space, which can effectively improve the efficiency and accuracy of context uncertainty elimination, so as to meet the real-time and adaptive performance of actual context-aware computing applications. Requirements of accuracy and accuracy, improve the overall performance of the system.
  • the method of the embodiment of the present invention is shown in Figure 2:
  • WIFI wireless fidelity
  • Bluetooth wireless fidelity
  • Zigbee wireless fidelity
  • I WIFI I Bluetooth
  • I infrared I Zigbee
  • step S02 Use multi-dimensional vector and hierarchical model to quantify user preferences to obtain user preference information; prepare for step S02; for example, the user likes to read a book before going to bed, and the bedroom lights are relatively bright;
  • the context knowledge base stores user preference information from step S01 and context decision information from S15, and provides required information for steps S03, S05, and S06;
  • Preset device information including device collection frequency, device placement position, and contextual update information; for use in step S04;
  • the context discarding threshold and the context information modeling method are preset according to the information from the context knowledge base.
  • the context information modeling method is "context-aware type + context-aware information + context-aware accuracy"; for use in step S04; for example, preset
  • the collected position information is only indoor. If the position information collected by a sensor is displayed outdoors, the information will be discarded later.
  • the user should preset the priority of elimination of various uncertainties (incompleteness, inaccuracy, inconsistency), and preset to use an algorithm to eliminate it. For example, the user can preset the incompleteness and inaccuracy in order. And inconsistency, while presetting to use the voting election algorithm when there is less missing information, and fitting analysis methods when there is more missing;
  • the system presets context fusion reasoning rules based on historical information; for example, if you know the prior probability or the calculation of the prior probability is relatively easy, you can choose the Bayesian network;
  • the context discard threshold is preset according to step S04.
  • Context information; the modeling mode is "context-aware type + context-aware information + context-aware accuracy", and the context discard threshold is preset according to S04, and context information with poor quality is discarded, such as "location context + bedroom + accuracy 90%"
  • step S8 Determine the relationship between the degree of uncertainty and the discard threshold in step S08. If the degree of uncertainty is greater than the discard threshold, go directly to step S10; otherwise, go to step S11; for example, the accuracy of a sensor is 80%, and the discard threshold is 85%, the degree of uncertainty of the sensor is greater than the discard threshold (the degree of uncertainty is inversely proportional to the accuracy);
  • the uncertainty of the context is greater than a preset threshold, it is discarded directly; for example, in the example in step S09, the uncertainty of the context information collected by the sensor is greater than the discard threshold, and the context information collected by the sensor is directly discarded;
  • the uncertainty context information is processed, and an appropriate uncertainty elimination level and an appropriate algorithm are selected; for example, if the degree of uncertainty is more serious, then Contexts with a low degree of certainty, and at the same time, based on the lack of context, choose an appropriate algorithm, and when there are fewer missing, you can choose the voting method;
  • Step S13 if the correctness rate of the context information after the uncertainty elimination reaches 90%, enter Step S13, if the system requirements are not met, go to step S20;
  • the inference fusion is performed on the context information after the uncertainty is eliminated.
  • the fusion inference algorithm includes ontology reasoning, rule-based reasoning, evidence theory or Bayesian network reasoning methods;
  • step S15 If the correctness rate after the system requires fusion inference is 95%, if it meets the system requirements, go to step S15. If the system requirements are not met, go to step S19. ;
  • the user evaluates the services provided by the device. If the user cannot meet the user's expectations, for example, when the user is in the bedroom and the light is in the competition, the user cannot meet the user's requirements for the sleeping environment, then go to step S18; otherwise, go to step S22;
  • step S18 adjust the user-defined uncertainty elimination mechanism, such as changing the order of eliminating each uncertainty factor and selecting different algorithms to integrate the uncertainty context Processing, thereby providing a more reasonable elimination mechanism for step S11 context uncertainty elimination;
  • the initial preset context discarding threshold is also adjusted accordingly for use in step S07;

Abstract

本发明涉及一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法，该系统包括上下文采集层、上下文处理层以及应用层。本发明将采集设备质量、上下文信息质量、系统服务质量、用户体验质量等质量指标作为层次化综合质量指标QoX，并将其融入上下文感知系统，为上下文感知计算中的上下文不确定性消除提供了一种有效的方法，同时用户和系统可以根据自身需求、环境状态的变化主动去调整各类预设阈值以及规则，这样使得我们的系统更具可靠性和适应性。

Description

一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 技术领域
本发明涉及一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法，属于上下文感知计算应用领域。
背景技术
随着网络技术的飞速发展，人们越来越认识到未来的网络不仅需要具有快速、无处不在的特点，还需要更多先进技术的支撑。其中，最为重要的是要具有实现智慧服务的能力。为了实现这种能力，已出现了普适计算、合作计算、智能计算和虚拟现实等相关技术。这些技术的共同点是都需要上下文感知作为“触角”用来对不断变化的周边环境进行感知。
普适计算的目标是实现信息空间与物理空间的有机融合，使人们可以“随时随地”、“透明”地获得数字化服务，让计算机等智能设备和技术逐渐从人们的视线中消失，用户和任务成为关注的焦点。上下文感知(Context Awareness)是通往普适计算的必经之路，甚至可以说没有上下文感知就没有真正意义上的普适计算。通过各类智能设备，上下文感知系统(Context-Aware Systems，CASs)能够主动“感知”(自动识别和处理，且无需用户干预)相关上下文的动态变化与用户当前所需服务。
上下文感知系统从动态、异构的信息源中获取的上下文通常具有不完备性、不精确性和不一致性等不确定性，这种不确定性主要是由采集上下文的传感器精度不同、网络不稳定等因素造成的。现有的上下文感知系统在缺少相关质量指标的情况下，直接使用未经过不确定性处理的原始上下文信息有可能导致系统做出不恰当的推理决策，继而影响系统的服务质量及用户满意度。因此，如何综合有效利用各类质量信息，完善上下文感知系统的功能，并提高上下文不确定性消除的精度，使系统做出正确、可靠的决策，成为上下文感知技术面临的挑战。
发明内容
针对现有技术的不足，本发明提供一种智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除系统；
本发明还提供了上述系统的工作方法；
本发明将采集设备质量(Quality of Device，QoD)、上下文信息质量(Quality of Context，QoC)、系统服务质量(Quality of Service，QoS)、用户体验质量(Quality of Experience，QoE)等质量指标 作为层次化综合质量指标QoX，并将QoX融入上下文感知系统，为上下文感知计算中的上下文不确定性消除提供了一种有效的方法，进而提高用户的综合服务质量。
本发明的技术方案为：
一种基于层次化综合质量指标QoX的上下文不确定性消除系统，包括依次连接的上下文采集层、上下文处理层、应用层，
所述上下文采集层用于：作为整个上下文感知系统的感官，通过多个物理传感器、虚拟传感器和逻辑传感器周期性地采集原始上下文信息，并将采集到的原始上下文信息发送至所述上下文处理层；所述原始上下文为通过各类传感器采集的未经处理的上下文信息，主要包括环境上下文、设备上下文、用户上下文以及时间上下文信息；
所述上下文处理层用于：作为整个上下文感知系统的核心，根据各类预设信息对所述上下文采集层获取的原始上下文信息进行不确定性消除、融合推理，并将上下文判决结果传输到所述应用层；
所述应用层用于：作为整个上下文感知系统的最终目的，通过反馈处理指令对相应的节点或设备进行控制和调整，基于用户感受进行反馈，系统自行调整上下文不确定性处理机制、融合推理逻辑从而实现自适应。
根据本发明优选的，所述上下文采集层包括环境上下文模块、设备上下文模块、用户上下文模块、时间上下文信息模块以及其他上下文信息模块，其他上下文信息模块是指位置上下文信息模块；
所述环境上下文模块用于采集环境上下文信息；所述设备上下文模块用于采集设备上下文信息；所述用户上下文模块用于采集用户上下文信息；所述时间上下文信息模块用于采集时间上下文信息；所述位置上下文信息模块用于采集位置上下文信息。
根据本发明优选的，所述上下文处理层包括预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块及上下文知识库；
所述预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块依次连接；所述预设上下文信息模块、上下文预处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块分别与上下文知识库连接；
所述预设上下文信息模块用于：设置初始的上下文丢弃阈值及其初始的建模方式(来自上下文知识库)，建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”，所述上下文感知类型为所述上下文感知信息的类型，如上下文感知信息“卧室”，其感知类型为“位置”，所述上下文感知信息为各传感器采集的原始上下文信息，所述上下文感知精度为传感器固有的感知精度，例如“感 知类型-用户位置”+“感知信息-卧室”+“感知精度-90％”，将建模方式和上下文丢弃阈值传输到上下文预处理模块；
所述上下文预处理模块用于：结合来自上下文知识库中的用户偏好信息(由于上下文信息的种类繁多、数量巨大，通过用户偏好可以滤除一部分无用信息)对上下文信息进行筛选；
所述上下文不确定性处理模块用于：对来自所述上下文预处理模块的上下文信息进行不确定性消除，上下文信息不确定性主要包括不完备性、不精确性和不一致性；
所述融合推理模块用于：运用本体推理、基于规则的推理、证据论或贝叶斯网络推理方法，根据采集到的上下文信息，推理出高级上下文信息，将融合推理后的高级上下文信息经过上下文判决模块的处理存储到所述上下文存储模块，所述高级上下文信息是指经过推理融合后得到的可供用户或各种设备应用的上下文信息；
所述上下文判决模块用于：基于上下文的不确定性消除和融合推理的结果对上下文信息进行进一步的判决，例如，对比或常识性判定方式，并将判决结果传输到所述上下文存储模块和所述设备控制模块；
所述上下文存储模块用于：按照检索或查询规则存储来自上下文判决模块的上下文信息，并将其传输到所述上下文知识库中；
所述用户设定规则模块用于：用户根据所采集上下文信息以及所要提供的服务设定上下文不确定性初始消除机制，并将其传输到所述上下文知识库中；
所述系统预设规则模块用于：用户根据历史信息设定初始的融合推理规则；
所述上下文知识库用于：存储用预设上下文信息、上下文预处理后的部分上下文信息、推理融合信息、上下文判决结果、用户设定规则信息、系统预设规则信息以及来自应用层的偏好统计信息，同时为所述预设上下文信息模块、上下文预处理模块和融合推理模块提供所需要的各种信息。
根据本发明优选的，所述应用层包括依次连接的设备控制模块、用户感受模块以及偏好统计模块；
所述设备控制模块与所述上下文判决模块连接，所述用户感受模块与所述上下文存储模块连接，所述偏好统计模块与所述上下文知识库连接；
所述设备控制模块用于：根据上下文判决信息对设备进行控制；
所述用户感受模块用于：用户对来自设备控制模块所提供的服务质量进行评价，并将评价结果传输到偏好统计模块；
所述偏好统计模块用于：负责获取用户偏好，并将用户偏好统计信息存储到所述上下文知识库中。
上述智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除系统的工作方法，包括如下步骤：
S01：计算分析用户偏好QoE，包括步骤如下：
(1)通过用户主动操作历史和系统引导用户操作历史显式过程，获取用户偏好；或者，通过协同过滤技术分析用户的历史行为数据得出用户偏好；
(2)采用聚类和相似度计算技术、语义扩散机制计算用户对服务的偏好、以及用户偏好与上下文之间的语义关联，加权提取用户偏好；
(3)利用多维向量和层次模型对用户偏好进行量化，得到用户偏好信息；以备步骤S02使用；
S02：上下文知识库QoX
上下文知识库存储用来自步骤S01的用户偏好信息和S15的上下文判决信息，并且为步骤S03、步骤S05、步骤S06提供所需信息；
S03：预设设备信息QoD
预设设备信息，包括设备采集频率、设备摆放位置以及上下文更新度信息；以备步骤S04使用；
S04：预设上下文丢弃阈值及建模方式QoC
根据来自上下文知识库的信息预设上下文丢弃阈值和上下文信息的建模方式，上下文信息的建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”；以备步骤S04使用；
S05：用户预设不确定性消除机制QoE
用户预设各不确定性消除的优先级，同时预设采用某种算法对其进行消除；不确定性是指不完备性、不精确性、不一致性；
S06：系统预设推理规则QoS
系统根据历史信息预设上下文融合推理规则；
S07：上下文信息收集和建模
使用物理传感器、虚拟传感器和逻辑传感器等多个传感器采集上下文信息，将上下文信息按照步骤S04中的上下文信息的建模方式进行建模，同时根据步骤S04预设上下文丢弃阈值，丢弃质量较差的上下文信息；
S08：上下文预处理
通过各类QoC质量参数进一步评估上下文的不确定性程度，滤除低质量上下文信息；
S09：判断不确定程度是否小于丢弃阈值
判断步骤S08中的不确定性程度与丢弃阈值的大小关系，若不确定性程度大于丢弃阈值，则直接转向步骤S10，否则，则进入步骤S11；
S10：直接丢弃
上下文的不确定性程度大于预设阈值，则将其直接丢弃；
S11：上下文不确定性消除
根据步骤S05用户预设的不确定性消除机制，对不确定性上下文信息进行处理，选择合适的不确定性消除等级和恰当的算法；例如，先消除不确定性程度较严重的，再消除不确定性程度较小的上下文，同时根据上下文缺失的情况，选择合适的算法，缺失较少时可以选择投票选举法；
S12：判断不确定性消除结果是否达到系统要求QoS
判断不确定性消除后的上下文正确率是否达到系统要求的正确率，若达到系统要求的正确率，则进入步骤S13，否则，转向步骤S20；
S13：推理融合
根据步骤S06系统预设推理融合规则，对经过不确定性消除后的上下文信息进行推理融合，融合推理算法包括本体推理、基于规则的推理、证据论或贝叶斯网络推理方法；
S14：判断融合推理结果是否达到系统要求QoS
判断经过融合推理后的上下文正确率是否达到系统要求的正确率，若达到系统要求的正确率，则进入步骤S15，否则，转向步骤S19；
S15：上下文判决
对经过步骤S11和步骤S13处理过且达到系统要求的上下文信息进行进一步的判决，以备步骤S16使用，同时将其存入上下文知识库；
S16：设备控制
根据步骤S15上下文判决结果控制设备运行与否以及如何运行；
S17：判断是否达到用户预期要求
用户对设备所提供的服务进行评估，若无法达到用户期望的要求，例如当用户在卧室时，灯光较量，则无法达到用户对睡眠环境的要求，则转向步骤S18，否则，转向步骤S22；
S18：调整系统预设推理规则QoS
若设备所提供的服务无法达到用户所预期的效果，则进一步调整系统预设的推理规则，为步骤S13融合推理提供更加合理的推理规则；
S19：调整用户预设不确定性消除机制QoE
若经过步骤S18调整系统预设规则之后，仍无法达到系统要求，则调整用户预设不确定性消除机制，为步骤S11上下文不确定性消除提供更加合理的消除机制；
S20：调整预设设备信息QoD
若经过步骤S18调整系统预设规则和步骤S19调整用户预设不确定性机制之后，仍然无法达到系统要求，则调整预设设备信息，包括调整设备的采集频率、更新度以及设备的摆放位置信息，并转向步骤S21；
S21：调整预设上下文丢弃阈值及建模方式QoC
经过上述一系列的调整之后，其初始预设的上下文丢弃阈值也做相应的调整，以备步骤S07使用；
S22：结束
经过一系列处理的上下文信息达到系统要求，同时各类设备所提供服务满足用户期望，结束整个流程。
本发明的有益效果为：
1、高效性：本发明能够有效消除不确定的上下文，减少底层上下文的数量，进而有效降低上下文传输造成的网络负载和推理模块的计算资源消耗；
2、自适应性：本系统通过将各类质量指标融合进上下文信息不确定性消除系统以及应用层反馈机制，能够实现对应用程序或设备的自适应调整；
3、高可靠性：本系统经过多重检测和多次调整各预设信息，使本系统的可靠性得到保证。
附图说明
图1是本发明所述智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除系统的结构框图；
图2是本发明所述智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除工作方法的流程示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例和说明书附图1-2对本发明的技术方案进行清楚、完整的描述，显然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于层次化综合质量指标QoX的上下文不确定性消除系统，如图1所示，包括依次连接的上下文采集层、上下文处理层、应用层，
上下文采集层用于：作为整个上下文感知系统的感官，通过多个物理传感器、虚拟传感器和逻辑传感器周期性地采集原始上下文信息，并将采集到的原始上下文信息发送至上下文处理层；原始上下文为通过各类传感器采集的未经处理的上下文信息，主要包括环境上下文、设备上下文、用户 上下文以及时间上下文信息；
上下文处理层用于：作为整个上下文感知系统的核心，根据各类预设信息对所述上下文采集层获取的原始上下文信息进行不确定性消除、融合推理，并将上下文判决结果传输到应用层；
应用层用于：作为整个上下文感知系统的最终目的，通过反馈处理指令对相应的节点或设备进行控制和调整，基于用户感受进行反馈，系统自行调整上下文不确定性处理机制、融合推理逻辑从而实现自适应。
上下文采集层包括环境上下文模块(温度、湿度)、设备上下文模块(设备运行状态)、用户上下文模块(用户年龄、身份)、时间上下文信息模块(年、月)以及其他上下文信息模块，其他上下文信息模块是指位置上下文信息模块；
环境上下文模块用于采集环境上下文信息；设备上下文模块用于采集设备上下文信息；所述用户上下文模块用于采集用户上下文信息；时间上下文信息模块用于采集时间上下文信息；
所述位置上下文信息模块用于采集位置上下文信息。
上下文处理层包括预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块及上下文知识库；
预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块依次连接；预设上下文信息模块、上下文预处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块分别与上下文知识库连接；
预设上下文信息模块用于：设置初始的上下文丢弃阈值及其初始的建模方式(来自上下文知识库)，建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”，上下文感知类型为所述上下文感知信息的类型，如上下文感知信息“卧室”，其感知类型为“位置”，上下文感知信息为各传感器采集的原始上下文信息，上下文感知精度为传感器固有的感知精度，例如“感知类型-用户位置”+“感知信息-卧室”+“感知精度-90％”，将建模方式和上下文丢弃阈值传输到上下文预处理模块；
上下文预处理模块用于：结合来自上下文知识库中的用户偏好信息(由于上下文信息的种类繁多、数量巨大，通过用户偏好可以滤除一部分无用信息)对上下文信息进行筛选；
上下文不确定性处理模块用于：对来自上下文预处理模块的上下文信息进行不确定性消除，上下文信息不确定性主要包括不完备性、不精确性和不一致性；
融合推理模块用于：运用本体推理、基于规则的推理、证据论或贝叶斯网络推理方法，根据采 集到的上下文信息，推理出高级上下文信息，将融合推理后的高级上下文信息经过上下文判决模块的处理存储到上下文存储模块，高级上下文信息是指经过推理融合后得到的可供用户或各种设备应用的上下文信息；
上下文判决模块用于：基于上下文的不确定性消除和融合推理的结果对上下文信息进行进一步的判决，例如，对比或常识性判定方式，并将判决结果传输到上下文存储模块和设备控制模块；
上下文存储模块用于：按照检索或查询规则存储来自上下文判决模块的上下文信息，并将其传输到所述上下文知识库中；
用户设定规则模块用于：用户根据所采集上下文信息以及所要提供的服务设定上下文不确定性初始消除机制，并将其传输到所述上下文知识库中；
系统预设规则模块用于：用户根据历史信息设定初始的融合推理规则；
上下文知识库用于：存储用预设上下文信息、上下文预处理后的部分上下文信息、推理融合信息、上下文判决结果、用户设定规则信息、系统预设规则信息以及来自应用层的偏好统计信息，同时为所述预设上下文信息模块、上下文预处理模块和融合推理模块提供所需要的各种信息。
应用层包括依次连接的设备控制模块、用户感受模块以及偏好统计模块；
设备控制模块与所述上下文判决模块连接，用户感受模块与上下文存储模块连接，偏好统计模块与上下文知识库连接；
设备控制模块用于：根据上下文判决信息对设备进行控制；
用户感受模块用于：用户对来自设备控制模块所提供的服务质量进行评价，并将评价结果传输到偏好统计模块；
偏好统计模块用于：负责获取用户偏好，并将用户偏好统计信息存储到上下文知识库中。
实施例2
本发明一种智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除系统，能够有效提高上下文不确定性消除的效率和精度，以满足实际上下文感知计算应用中的实时性、自适应性、精确性要求，提高系统的整体性能。本发明实施例的方法，其流程如图2所示：
以上下文感知计算的典型场景—智能家庭为例。在智能家庭中通过WIFI、蓝牙、红外和Zigbee这4种方法来采集关于用户的位置信息，由WIFI、蓝牙、红外和Zigbee获取的情景信息分别为I WIFI、I 蓝牙、I 红外、I Zigbee，具体步骤如下：
S01：计算分析用户偏好QoE，包括步骤如下：
(1)通过用户主动操作历史和系统引导用户操作历史显式过程，获取用户偏好；或者，通过 协同过滤技术分析用户的历史行为数据得出用户偏好；
(2)采用聚类和相似度计算技术、语义扩散机制计算用户对服务的偏好、以及用户偏好与上下文之间的语义关联，加权提取用户偏好；
(3)利用多维向量和层次模型对用户偏好进行量化，得到用户偏好信息；以备步骤S02使用；例如用户睡觉前喜欢看书，卧室的灯光相对较亮；
S02：上下文知识库QoX
上下文知识库存储用来自步骤S01的用户偏好信息和S15的上下文判决信息，并且为步骤S03、步骤S05、步骤S06提供所需信息；
S03：预设设备信息QoD
预设设备信息，包括设备采集频率、设备摆放位置以及上下文更新度信息；以备步骤S04使用；
S04：预设上下文丢弃阈值及建模方式QoC
根据来自上下文知识库的信息预设上下文丢弃阈值和上下文信息的建模方式，上下文信息的建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”；以备步骤S04使用；例如预设所采集位置信息仅限室内，若某个传感器采集位置信息显示在室外，则后续会将该信息丢弃；
S05：用户预设不确定性消除机制QoE
用户要预设各不确定性(不完备性、不精确性、不一致性)消除的优先级，同时预设采用某种算法对其进行消除，例如用户可以预设依次消除不完备性、不精确性和不一致性，同时预设当采集的信息缺失较少时采用投票选举算法，缺失较多时采用拟合分析方法等；
S06：系统预设推理规则QoS
系统根据历史信息预设上下文融合推理规则；例如，若知道先验概率或者先验概率的计算相对容易，则可以选择贝叶斯网络；
S07：上下文信息收集和建模
使用物理传感器、虚拟传感器和逻辑传感器等多个传感器采集上下文信息，将上下文信息按照步骤S04中的上下文信息的建模方式进行建模，同时根据步骤S04预设上下文丢弃阈值，丢弃质量较差的上下文信息；建模模式为“上下文感知类型+上下文感知信息+上下文感知精度”，同时根据S04预设上下文丢弃阈值，丢弃质量较差的上下文信息，例如“位置上下文+卧室+精度90％”；
S08：上下文预处理
通过各类QoC质量参数进一步评估上下文的不确定性程度，滤除低质量上下文信息，例如将可信度较低(不确定性程度较大)的传感器采集来的上下文信息删除；
S09：判断不确定程度是否小于丢弃阈值
判断步骤S08中的不确定性程度与丢弃阈值的大小关系，若不确定性程度大于丢弃阈值，则直接转向步骤S10，否则，则进入步骤S11；例如某一传感器精度为80％，丢弃阈值为85％，则该传感器的不确定性程度大于丢弃阈值(不确定性程度与精度呈反比)；
S10：直接丢弃
上下文的不确定性程度大于预设阈值，则将其直接丢弃；例如步骤S09中所举例子，传感器采集的上下文信息不确定性大于丢弃阈值，将该传感器采集的上下文信息直接丢弃；
S11：上下文不确定性消除
根据步骤S05用户预设的不确定性消除机制，对不确定性上下文信息进行处理，选择合适的不确定性消除等级和恰当的算法；例如，先消除不确定性程度较严重的，再消除不确定性程度较小的上下文，同时根据上下文缺失的情况，选择合适的算法，缺失较少时可以选择投票选举法；
S12：判断不确定性消除结果是否达到系统要求QoS
判断不确定性消除后的上下文正确率是否达到系统要求的正确率，若系统要求不确定性消除算法的正确率为90％，若不确定性消除后的上下文信息正确率达到90％，则进入步骤S13，若未达到系统要求，则转向步骤S20；
S13：推理融合
根据步骤S06系统预设推理融合规则，对经过不确定性消除后的上下文信息进行推理融合，融合推理算法包括本体推理、基于规则的推理、证据论或贝叶斯网络推理方法；
S14：判断融合推理结果是否达到系统要求QoS
判断经过融合推理后的上下文正确率是否达到系统要求的正确率，若系统要求融合推理后的正确率为95％，若达到系统要求，则进入步骤S15，若未达到系统要求，则转向步骤S19；
S15：上下文判决
对经过步骤S11和步骤S13处理过且达到系统要求的上下文信息进行进一步的判决，以备步骤S16使用，同时将其存入上下文知识库；
S16：设备控制
根据步骤S15上下文判决结果控制设备运行与否以及如何运行，例如当检测到用户在客厅时，设备根据用户的偏好习惯将灯光调亮；
S17：判断是否达到用户预期要求
用户对设备所提供的服务进行评估，若无法达到用户期望的要求，例如当用户在卧室时，灯光较量，则无法达到用户对睡眠环境的要求，则转向步骤S18，否则，转向步骤S22；
S18：调整系统预设推理规则QoS
若设备所提供的服务无法达到用户所预期的效果，则进一步调整系统预设的推理规则，为步骤S13融合推理提供更加合理的推理规则；
S19：调整用户预设不确定性消除机制QoE
若经过步骤S18调整系统预设规则之后仍然无法达到系统要求，则调整用户预设不确定性消除机制，如可以改变各不确定性因素的消除顺序以及选取不同的算法对不确定性上下文进行综合处理，进而为步骤S11上下文不确定性消除提供更加合理的消除机制；
S20：调整预设设备信息QoD
若经过步骤S18调整系统预设规则和步骤S19调整用户预设不确定性机制之后，仍然无法达到系统要求，则调整预设设备信息，包括调整设备的采集频率、更新度以及设备的摆放位置信息，并转向步骤S21；
S21：调整预设上下文丢弃阈值及建模方式QoC
经过上述一系列的调整之后，其初始预设的上下文丢弃阈值也做相应的调整，以备步骤S07使用；
S22：结束
经过一系列处理的上下文信息达到系统要求，同时各类设备所提供服务满足用户期望，结束整个流程。

Claims (5)

  1. 一种基于层次化综合质量指标QoX的上下文不确定性消除系统，其特征在于，包括依次连接的上下文采集层、上下文处理层、应用层，
    所述上下文采集层用于：周期性地采集原始上下文信息，并将采集到的原始上下文信息发送至所述上下文处理层；所述原始上下文为通过各类传感器采集的未经处理的上下文信息，主要包括环境上下文、设备上下文、用户上下文以及时间上下文信息；
    所述上下文处理层用于：根据各类预设信息对所述上下文采集层获取的原始上下文信息进行不确定性消除、融合推理，并将上下文判决结果传输到所述应用层；
    所述应用层用于：通过反馈处理指令对相应的节点或设备进行控制和调整，基于用户感受进行反馈，系统自行调整上下文不确定性处理机制、融合推理逻辑从而实现自适应。
  2. 根据权利要求1所述的一种基于层次化综合质量指标QoX的上下文不确定性消除系统，其特征在于，所述上下文采集层包括环境上下文模块、设备上下文模块、用户上下文模块、时间上下文信息模块以及其他上下文信息模块，其他上下文信息模块是指位置上下文信息模块；
    所述环境上下文模块用于采集环境上下文信息；所述设备上下文模块用于采集设备上下文信息；所述用户上下文模块用于采集用户上下文信息；所述时间上下文信息模块用于采集时间上下文信息；所述位置上下文信息模块用于采集位置上下文信息。
  3. 根据权利要求1所述的一种基于层次化综合质量指标QoX的上下文不确定性消除系统，其特征在于，所述上下文处理层包括预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块及上下文知识库；
    所述预设上下文信息模块、上下文预处理模块、上下文不确定性处理模块、融合推理模块、上下文判决模块、上下文存储模块依次连接；所述预设上下文信息模块、上下文预处理模块、融合推理模块、上下文判决模块、上下文存储模块、用户设定规则模块、系统预设规则模块分别与上下文知识库连接；
    所述预设上下文信息模块用于：设置初始的上下文丢弃阈值及其初始的建模方式，建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”，所述上下文感知类型为所述上下文感知信息的类型，所述上下文感知信息为各传感器采集的原始上下文信息，所述上下文感知精度为传感器固有的感知精度，将建模方式和上下文丢弃阈值传输到上下文预处理模块；
    所述上下文预处理模块用于：结合来自上下文知识库中的用户偏好信息对上下文信息进行筛选；
    所述上下文不确定性处理模块用于：对来自所述上下文预处理模块的上下文信息进行不确定性 消除，上下文信息不确定性主要包括不完备性、不精确性和不一致性；
    所述融合推理模块用于：运用本体推理、基于规则的推理、证据论或贝叶斯网络推理方法，根据采集到的上下文信息，推理出高级上下文信息，将融合推理后的高级上下文信息经过上下文判决模块的处理存储到所述上下文存储模块，所述高级上下文信息是指经过推理融合后得到的可供用户或各种设备应用的上下文信息；
    所述上下文判决模块用于：基于上下文的不确定性消除和融合推理的结果对上下文信息进行进一步的判决，并将判决结果传输到所述上下文存储模块和所述设备控制模块；
    所述上下文存储模块用于：按照检索或查询规则存储来自上下文判决模块的上下文信息，并将其传输到所述上下文知识库中；
    所述用户设定规则模块用于：用户根据所采集上下文信息以及所要提供的服务设定上下文不确定性初始消除机制，并将其传输到所述上下文知识库中；
    所述系统预设规则模块用于：用户根据历史信息设定初始的融合推理规则；
    所述上下文知识库用于：存储用预设上下文信息、上下文预处理后的部分上下文信息、推理融合信息、上下文判决结果、用户设定规则信息、系统预设规则信息以及来自应用层的偏好统计信息，同时为所述预设上下文信息模块、上下文预处理模块和融合推理模块提供所需要的各种信息。
  4. 根据权利要求1所述的一种基于层次化综合质量指标QoX的上下文不确定性消除系统，其特征在于，所述应用层包括依次连接的设备控制模块、用户感受模块以及偏好统计模块；
    所述设备控制模块与所述上下文判决模块连接，所述用户感受模块与所述上下文存储模块连接，所述偏好统计模块与所述上下文知识库连接；
    所述设备控制模块用于：根据上下文判决信息对设备进行控制；
    所述用户感受模块用于：用户对来自设备控制模块所提供的服务质量进行评价，并将评价结果传输到偏好统计模块；
    所述偏好统计模块用于：负责获取用户偏好，并将用户偏好统计信息存储到所述上下文知识库中。
  5. 权利要求1-4任一所述的智能感知空间中基于层次化综合质量指标QoX的上下文不确定性消除系统的工作方法，包括如下步骤：
    S01：计算分析用户偏好QoE，包括步骤如下：
    (1)通过用户主动操作历史和系统引导用户操作历史显式过程，获取用户偏好；或者，通过协同过滤技术分析用户的历史行为数据得出用户偏好；
    (2)采用聚类和相似度计算技术、语义扩散机制计算用户对服务的偏好、以及用户偏好与上 下文之间的语义关联，加权提取用户偏好；
    (3)利用多维向量和层次模型对用户偏好进行量化，得到用户偏好信息；
    S02：上下文知识库QoX
    上下文知识库存储用来自步骤S01的用户偏好信息和S15的上下文判决信息，并且为步骤S03、步骤S05、步骤S06提供所需信息；
    S03：预设设备信息QoD
    预设设备信息，包括设备采集频率、设备摆放位置以及上下文更新度信息；
    S04：预设上下文丢弃阈值及建模方式QoC
    根据来自上下文知识库的信息预设上下文丢弃阈值和上下文信息的建模方式，上下文信息的建模方式为“上下文感知类型+上下文感知信息+上下文感知精度”；
    S05：用户预设不确定性消除机制QoE
    用户预设各不确定性消除的优先级，同时预设采用某种算法对其进行消除；不确定性是指不完备性、不精确性、不一致性；
    S06：系统预设推理规则QoS
    系统根据历史信息预设上下文融合推理规则；
    S07：上下文信息收集和建模
    采集上下文信息，将上下文信息按照步骤S04中的上下文信息的建模方式进行建模，同时根据步骤S04预设上下文丢弃阈值，丢弃质量较差的上下文信息；
    S08：上下文预处理
    通过各类QoC质量参数进一步评估上下文的不确定性程度，滤除低质量上下文信息；
    S09：判断不确定程度是否小于丢弃阈值
    判断步骤S08中的不确定性程度与丢弃阈值的大小关系，若不确定性程度大于丢弃阈值，则直接转向步骤S10，否则，则进入步骤S11；
    S10：直接丢弃
    S11：上下文不确定性消除
    根据步骤S05用户预设的不确定性消除机制，对不确定性上下文信息进行处理，选择合适的不确定性消除等级和恰当的算法；
    S12：判断不确定性消除结果是否达到系统要求QoS
    判断不确定性消除后的上下文正确率是否达到系统要求的正确率，若达到系统要求的正确率，则进入步骤S13，否则，转向步骤S20；
    S13：推理融合
    根据步骤S06系统预设推理融合规则，对经过不确定性消除后的上下文信息进行推理融合，融合推理算法包括本体推理、基于规则的推理、证据论或贝叶斯网络推理方法；
    S14：判断融合推理结果是否达到系统要求QoS
    判断经过融合推理后的上下文正确率是否达到系统要求的正确率，若达到系统要求的正确率，则进入步骤S15，否则，转向步骤S19；
    S15：上下文判决
    对经过步骤S11和步骤S13处理过且达到系统要求的上下文信息进行进一步的判决，同时将其存入上下文知识库；
    S16：设备控制
    根据步骤S15上下文判决结果控制设备运行与否以及如何运行；
    S17：判断是否达到用户预期要求
    用户对设备所提供的服务进行评估，若无法达到用户期望的要求，则转向步骤S18，否则，转向步骤S22；
    S18：调整系统预设推理规则QoS
    若设备所提供的服务无法达到用户所预期的效果，则进一步调整系统预设的推理规则，为步骤S13融合推理提供更加合理的推理规则；
    S19：调整用户预设不确定性消除机制QoE
    若经过步骤S18调整系统预设规则之后，仍无法达到系统要求，则调整用户预设不确定性消除机制，为步骤S11上下文不确定性消除提供更加合理的消除机制；
    S20：调整预设设备信息QoD
    若经过步骤S18调整系统预设规则和步骤S19调整用户预设不确定性机制之后，仍然无法达到系统要求，则调整预设设备信息，包括调整设备的采集频率、更新度以及设备的摆放位置信息，并转向步骤S21；
    S21：调整预设上下文丢弃阈值及建模方式QoC
    经过上述一系列的调整之后，其初始预设的上下文丢弃阈值也做相应的调整；
    S22：结束
    经过一系列处理的上下文信息达到系统要求，同时各类设备所提供服务满足用户期望，结束整个流程。
PCT/CN2019/079386 2018-06-25 2019-03-23 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 WO2020001095A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810659055.1A CN108875030B (zh) 2018-06-25 2018-06-25 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法
CN201810659055.1 2018-06-25

Publications (1)

Publication Number Publication Date
WO2020001095A1 true WO2020001095A1 (zh) 2020-01-02

Family

ID=64294551

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/079386 WO2020001095A1 (zh) 2018-06-25 2019-03-23 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法

Country Status (2)

Country Link
CN (1) CN108875030B (zh)
WO (1) WO2020001095A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875030B (zh) * 2018-06-25 2021-05-18 山东大学 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法
CN112529148B (zh) * 2020-11-20 2022-02-22 郑州轻工业大学 一种基于图神经网络的智能QoS推理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072391A1 (en) * 2010-09-22 2012-03-22 Alkiviadis Simitsis Apparatus and method for an automatic information integration flow optimizer
CN103246819A (zh) * 2013-05-20 2013-08-14 山东大学 一种面向普适计算的不一致性上下文消除系统和方法
CN106650937A (zh) * 2016-12-30 2017-05-10 山东大学 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法
CN107705037A (zh) * 2017-10-26 2018-02-16 山东大学 一种面向上下文信息处理的QoX质量体系系统及其工作方法
CN108875030A (zh) * 2018-06-25 2018-11-23 山东大学 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694629B (zh) * 2009-10-23 2014-03-26 北京邮电大学 一种基于本体的上下文感知应用平台及其工作方法
CN105654134B (zh) * 2015-12-30 2018-11-23 山东大学 一种基于有监督自反馈的情景感知系统及其工作方法与应用
CN107831653B (zh) * 2017-10-16 2020-07-28 南京航空航天大学 一种抑制参数摄动的高超声速飞行器指令跟踪控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120072391A1 (en) * 2010-09-22 2012-03-22 Alkiviadis Simitsis Apparatus and method for an automatic information integration flow optimizer
CN103246819A (zh) * 2013-05-20 2013-08-14 山东大学 一种面向普适计算的不一致性上下文消除系统和方法
CN106650937A (zh) * 2016-12-30 2017-05-10 山东大学 一种基于反馈的自适应主客观权重上下文感知系统及其工作方法
CN107705037A (zh) * 2017-10-26 2018-02-16 山东大学 一种面向上下文信息处理的QoX质量体系系统及其工作方法
CN108875030A (zh) * 2018-06-25 2018-11-23 山东大学 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法

Also Published As

Publication number Publication date
CN108875030B (zh) 2021-05-18
CN108875030A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
US20190095520A1 (en) Web services for creation and maintenance of smart entities for connected devices
Ganz et al. Information abstraction for heterogeneous real world internet data
CN110929918A (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN106650941B (zh) 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法
CN109861878A (zh) kafka集群的topic数据的监控方法及相关设备
CN110663030A (zh) 用于处理极端数据的边缘设备、系统和方法
US10810216B2 (en) Data relevancy analysis for big data analytics
US11711327B1 (en) Data derived user behavior modeling
WO2020001095A1 (zh) 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法
WO2022116710A1 (zh) 设备运行环境评估方法、判决模型训练方法、电子设备
US20160179849A1 (en) Machine to machine data aggregator
CN116047930A (zh) 一种基于多端交互的可视化智能家居控制系统和控制方法
US11595320B1 (en) Multi-tier resource, subsystem, and load orchestration
CN114936307A (zh) 一种范式化图模型构建方法
Rentero-Trejo et al. Using federated learning to achieve proactive context-aware IoT environments
Dobson et al. A reference architecture and model for sensor data warehousing
Khargharia et al. Probabilistic analysis of context caching in Internet of Things applications
US20230148271A1 (en) Dynamic performance tuning based on implied data characteristics
CN112256732A (zh) 一种异常检测方法、装置、电子设备及存储介质
WO2023071766A1 (zh) 模型压缩方法、模型压缩系统、服务器及存储介质
WO2022062777A1 (zh) 数据管理方法、数据管理装置及存储介质
CN113590604B (zh) 业务数据的处理方法、装置和服务器
CN115330553A (zh) 一种基于设备特征多层优选的非侵入式负荷分解方法
Salomie et al. An energy aware context model for green IT service centers
CN117008487B (zh) 一种基于物联网的智能家居控制系统及方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19825678

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 26/05/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19825678

Country of ref document: EP

Kind code of ref document: A1