[论文解读] Reasoning for Improved Sensor Data Interpretation in a Smart Home

Marjan Alirezaie, Amy Loutfi|arXiv (Cornell University)|Dec 26, 2014

Semantic Web and Ontologies参考文献 5被引用 8

一句话总结

本文提出了一种基于本体的非单调推理框架，采用答案集编程（ASP）来解释智能家居中复杂的时序气体传感器数据。通过使用受SSN启发的本体建模传感器数据和上下文知识，并采用增量式ASP求解器，系统能够从低层次传感器信号中高效推断出异常空气气味及其原因（例如腐烂废物），实现可扩展的实时推理，与单调推理器相比推理时间显著减少。

ABSTRACT

In this paper an ontological representation and reasoning paradigm has been proposed for interpretation of time-series signals. The signals come from sensors observing a smart environment. The signal chosen for the annotation process is a set of unintuitive and complex gas sensor data. The ontology of this paradigm is inspired form the SSN ontology (Semantic Sensor Network) and used for representation of both the sensor data and the contextual information. The interpretation process is mainly done by an incremental ASP solver which as input receives a logic program that is generated from the contents of the ontology. The contextual information together with high level domain knowledge given in the ontology are used to infer explanations (answer sets) for changes in the ambient air detected by the gas sensors.

研究动机与目标

• 为了解决在智能家居中使用符号知识解释难以理解的复杂气体传感器数据的挑战。
• 实现非单调推理，以处理不完整或不确定的传感器数据以及动态环境变化。
• 将高层次领域知识（例如气味及其原因）与低层次传感器观测相结合，实现自动化解释生成。
• 通过增量式ASP提升动态传感器环境中推理的效率与可扩展性。
• 弥合语义传感器本体（如SSN）与非单调推理技术（如ASP）之间的差距。

提出的方法

• 使用受SSN本体启发的本体来表示传感器、观测结果、上下文特征以及气味及其原因等特定领域的概念。
• 将高层次领域知识和上下文信息编码为本体内的逻辑规则，包括显式和隐式事件。
• 从本体自动生成逻辑程序，作为增量式答案集编程（ASP）求解器的输入。
• 增量式ASP求解器处理带时间戳的传感器表现（例如“炉子开启”、“门打开”），并应用失败否定（negation-as-failure）以推断空气品质的非单调解释（答案集）。
• 通过预定义的逻辑规则，从显式表现的组合中推导出隐式事件（例如“烹饪”、“腐烂气味”）。
• 系统通过增量式地对逻辑程序进行实例化和求解，支持流式推理，随着新传感器数据的到达持续处理。

实验结果

研究问题

• RQ1 如何使用基于本体的知识表示模型来解释智能家居中复杂且难以理解的气体传感器信号？
• RQ2 非单调推理在处理不完整或不确定的传感器数据以及动态环境变化中起到什么作用？
• RQ3 增量式ASP求解器如何提升实时传感器解释中推理的效率与可扩展性？
• RQ4 受SSN启发的本体在多大程度上能通过自动逻辑程序生成与非单调推理有效集成？
• RQ5 传感器表现之间的时间关系在推断因果事件（例如腐烂废物）中起到何种影响？

主要发现

• 与单调的Pellet推理器相比，增量式ASP求解器显著减少了推理时间，实现了可扩展的实时传感器数据解释。
• 在为期5天的观测期内，基于ASP的系统中个体数量约为1,512,907个，而单调的Pellet推理器由于开放世界假设，生成了约2,174,903个个体。
• 在ASP中使用失败否定减少了实例化个体的数量，提升了计算效率并降低了内存开销。
• 系统成功地从“门打开”和“炉子开启”等传感器表现中推断出异常空气气味事件（例如“airSmellAbnormal”）及其原因（例如“smellRotting”）。
• 通过从本体自动生成逻辑程序，最大限度减少了人工工作量，仅需手动定义隐式事件规则。
• 该框架通过增量推理高效处理了大量时序传感器数据，避免了在新观测到达时的完整重新处理，展示了良好的可扩展性。