物联网中事件关系挖掘的理论与方法研究

Events in internet of things have the following characteristics: (1)they are distributional, heteroid and large scale; (2)the relationships among events are complicated; (3)the event relationip mining is usually based on complex semantics. Because of the above points, traditional mining methods cannot meet the requirements of event relationship mining in internet of things. This project plans to start with basic researches of collecting event samples from multiple data resources, building experimental platform, and establishing evaluation systems. The goal is to construct an event relationship mining system with some applied value. The descriptive model, storage strategies and relationship mining methods of heteroid and large scale events are researched, in order to form an integrated system of theories and methods about event relationship mining in internet of things. The specific researches include: proposing an event model based on temporal semantics; proposing adaptive event storage strategies based on time interval; proposing event relationship mining and optimized methods based on knowledge bases and feedbacks. On this basis, an event relationship mining system will be developed, which can satisfy the characteristics of internet of thins. The essence of this project is to research theories and methods of heteroid and large scale events, so the research results can be applied to different application areas in internet of things. The researches of this project have important scientific meaning and practical value, which are useful to the development of information industry.

物联网中的事件具有大规模、分布、异构的特点，事件之间的关系错综复杂，关系挖掘往往基于复杂语义，传统挖掘方法不能满足要求。本项目拟从收集多数据源的事件样本，建立实验平台和评价体系等基础工作开始，以构建具有一定应用价值的事件关系挖掘系统为目标，对大规模异构事件的描述模型、存储策略、关系挖掘方法等基本问题进行研究，形成一套完整的事件关系挖掘的理论与方法体系。具体研究内容包括：针对物联网中的事件特征提出基于时态语义的事件模型；提出基于时间段的自适应多层次事件存储策略；提出基于知识库和用户反馈的事件关系挖掘及优化方法。在此基础上研发能够满足物联网环境特性的、开放的事件关系挖掘系统。本项目本质上研究的是大规模异构事件管理基础理论和方法，研究成果可以作为进一步研发物联网各个不同应用领域的事件关系挖掘系统的基础，从而为用户提供高效、智能的服务，推动未来信息产业的发展，具有重要的科学意义和实际应用价值。

物联网中分布、异构、海量的事件关系错综复杂，传统挖掘方法不能满足要求。本项目收集了传感器、互联网和公交网络等数据源的事件样本，建立了实验平台和评价体系，针对不同应用场景对大规模异构事件的模型、存储、挖掘算法等进行了深入研究，构建了具有一定应用价值的事件关系挖掘系统。主要研究内容包括：提出了基于时态语义的事件描述模型；提出了自适应多层次的事件存储策略；提出了基于时间段的乱序事件查询处理方法；在互联网事件应用场景中，通过对Flickr照片数据深入分析（每张照片反映的即是一个事件），提出了基于主题模型的方法用来检测景点的旅游特色、不同季度景点旅游特色的差异，以及不同兴趣人群的旅游线路，通过局部优化和全局优化算法挖掘最优景点游览序列，经抽样调查，推荐结果满意度达到87%；对公交网络数据深入分析，挖掘了乘客的时空运动模式，提出了三种预测模型和一种基于滑动窗口的框架来预测乘客对公交服务的需求量和公交车当前的拥挤程度，提出了基于知识库和用户反馈的优化方法，其预测准确率达到78%；提供位置服务时为了防止隐私泄露，提出了个性化(k,p)-敏感匿名模型和匿名算法，算法平均匿名成功率可达100%，平均匿名时间只需要4ms。本项目将深入研究的大规模异构事件管理基础理论和方法应用到物联网各个不同领域：能够使用户在其旅游时间范围限制内，走最少的路程来游览他最想游览的那些景点，从而为用户提供更高效的、个性化的时空景点最优序列；能够帮助公交公司为乘客提供更优质的服务，告知公交公司哪条线路需要增加公交车的数量，帮助公交公司决定合理的公交发车时间间隔，减少乘客的等车时间，从而减少甚至避免交通堵塞，提供更加合理的个性化服务。可见，本项目研究可以推动信息产业的发展，具有重要的科学意义和实际应用价值。截至目前，基于事件关系挖掘系统框架、事件模型、事件存储策略和事件关系挖掘算法方面的研究成果，共发表科技论文12篇（其中SCI论文4篇，EI论文8篇）；申请了国家发明专利2项（“一种基于公交网络的乘客需求预测系统和方法”和“一种基于时间段的乱序事件查询处理方法”）；获得软件著作权1项（软著第0698286号）；参与编写学术专著一部（“Event Processing in Sensor Streams”，Springer出版）；培养研究生4名；参加国内外学术交流6人次。