In order to provide personalized an

In order to provide personalized and adapted services, it is necessary to know preferences and frequent habits of users. Knowing users' frequent behaviours allows the environment to act intelligently and proactively. In Michael's case, it could mean that the environment automatically turns on and off the lights and the fan, sets the temperature of the water and so on. Unlike previous systems, automation of actions and/or devices in intelligent environments is based on learned patterns, making sure they adapt to users' common behaviours. The knowledge extracted from these patterns can also be used in order to understand his behaviour. For example, the analysis of frequent interaction with bjects and devices in the house can facilitate the detection of unhealthy habits (e.g., the system detects that Michael does not brush his teeth in the mornings). Making the environment more efficient in terms of saving energy (e.g. by turning on the fan only when he takes a shower) or increasing safety (e.g. turning off the water or issuing alarms when detecting that Michael left it on and he will not return soon) are other dimensions of daily life that can be supported by the Intelligent Environment thanks to the knowledge it has collected.

In order to achieve these objectives, we have developed software which allows an Intelligent Environment to discover frequent behavioral patterns, and we have named it Patterns of User Behaviour System (PUBS). The system is composed of several modules; at its core there is an algorithm, APUBS, that discover behavioral patterns. The language LPUBS, included within PUBS, provides a standard framework to represent patterns clearly; _nally, PUBS includes an interaction system, IPUBS, which allows the user to interact with PUBS in a natural way. The version of PUBS that we describe in this article is focused on discovering relationships between two simple actions; in other words, it only discovers what we call one-to-one relationships". In Michael's example it would _rst discover that 10-15 minutes after he gets up he goes into the bathroom and then, as another pattern, it would discover that he switches on the light just after he goes into the bathroom. Besides discovering frequent relationships, PUBS is able to identify the usual time relations between both actions (e.g. he goes into the bathroom 10-15 minutes after getting up), as well as to de_ne the conditions under which a pattern appears (e.g. if the bathroom relative humidity level is >75%). The essential components of the PUBS architecture are shown in Figure 1.

Kết quả (Việt) 1:

Để cung cấp dịch vụ được cá nhân hoá và thích nghi, nó là cần thiết để biết sở thích và thói quen thường xuyên của người dùng. Biết hành vi của người dùng thường xuyên cho phép môi trường để hành động một cách thông minh và chủ động. Trong trường hợp của Michael, nó có nghĩa là rằng môi trường sẽ tự động bật và tắt đèn và các fan hâm mộ, đặt nhiệt độ của nước và như vậy trên. Không giống như các hệ thống trước, tự động hóa các hành động và/hoặc các thiết bị trong môi trường thông minh dựa trên mô hình học, đảm bảo rằng họ thích ứng với hành vi phổ biến của người dùng. Các kiến thức được chiết xuất từ các mô hình cũng có thể được sử dụng để hiểu hành vi của mình. Ví dụ, các phân tích của các tương tác thường xuyên với bjects và các thiết bị trong nhà có thể tạo thuận lợi cho phát hiện của thói quen không lành mạnh (ví dụ, Hệ thống phát hiện rằng Michael không đánh răng của mình vào buổi sáng). Làm cho môi trường hiệu quả hơn về tiết kiệm năng lượng (ví dụ như bằng cách chuyển trên các fan hâm mộ chỉ khi ông mất một vòi sen) hoặc tăng an toàn (ví dụ như tắt nước hoặc việc ban hành hệ thống báo động khi phát hiện rằng Michael còn lại nó trên và ông sẽ không trở lại sớm) có kích thước khác của cuộc sống hàng ngày có thể được hỗ trợ bởi môi trường thông minh nhờ những kiến thức đã thu thập được.Để đạt được những mục tiêu, chúng tôi đã phát triển phần mềm cho phép một môi trường thông minh để khám phá các mẫu hành vi thường xuyên, và chúng tôi đã đặt tên nó là mô hình của người sử dụng hành vi hệ thống (quán rượu). Hệ thống bao gồm một số các mô-đun; tại lõi của nó có là một thuật toán, APUBS, trong đó phát hiện ra hành vi mô hình. Ngôn ngữ LPUBS, bao gồm trong quán rượu, cung cấp một khuôn khổ tiêu chuẩn để đại diện cho mô hình rõ ràng; _nally, quán rượu bao gồm một hệ thống tương tác, IPUBS, cho phép người dùng tương tác với các quán rượu một cách tự nhiên. Các phiên bản của quán rượu mà chúng tôi mô tả trong bài viết này là tập trung vào khám phá mối quan hệ giữa hai hành động đơn giản; nói cách khác, nó chỉ phát hiện ra những gì chúng tôi gọi là mối quan hệ one-to-one". Trong Michael của ví dụ nó sẽ _rst phát hiện ra rằng 10-15 phút sau khi ông đã được lên ông đi vào phòng tắm và sau đó, như là một mô hình, nó sẽ phát hiện ra rằng ông chuyển mạch ánh sáng chỉ sau khi ông đi vào phòng tắm. Bên cạnh việc phát hiện ra mối quan hệ thường xuyên, quán rượu là có thể xác định các mối quan hệ bình thường thời gian giữa các hành động cả hai (ví dụ như ông đã đi vào phòng tắm 10-15 phút sau khi nhận được), cũng như de_ne các điều kiện theo đó một mô hình xuất hiện (ví dụ: nếu mức độ ẩm của phòng tắm > 75%). Các thành phần thiết yếu của các kiến trúc quán rượu được thể hiện trong hình 1.

Kết quả (Việt) 2:

Để cung cấp các dịch vụ cá nhân và thích nghi, nó là cần thiết để biết sở thích và thói quen thường xuyên của người sử dụng. Biết hành vi thường xuyên của người sử dụng cho phép môi trường để hành động một cách thông minh và chủ động. Trong trường hợp của Michael, nó có thể có nghĩa là môi trường tự động bật và tắt đèn và các fan hâm mộ, đặt nhiệt độ của nước và như vậy. Không giống như các hệ thống trước đó, tự động hóa các hành động và / hoặc các thiết bị trong môi trường thông minh dựa trên các mẫu đã học, đảm bảo rằng họ thích ứng với những hành vi phổ biến của người dùng. Các kiến thức chiết xuất từ các mô hình cũng có thể được sử dụng để hiểu hành vi của mình. Ví dụ, việc phân tích các tương tác thường xuyên với bjects và các thiết bị trong nhà có thể tạo thuận lợi cho việc phát hiện những thói quen không lành mạnh (ví dụ, hệ thống phát hiện rằng Michael không đánh răng vào buổi sáng). Làm cho môi trường hiệu quả hơn trong việc tiết kiệm năng lượng (ví dụ như bằng cách bật quạt khi ông mất một vòi hoa sen) hoặc tăng độ an toàn (ví dụ như tắt nước hoặc phát hành báo động khi phát hiện ra rằng Michael để lại nó vào và ông sẽ không trở lại sớm) là khía cạnh khác của cuộc sống hàng ngày có thể được hỗ trợ bởi nhờ Môi trường thông minh với những kiến thức đã thu thập được.

để đạt được những mục tiêu này, chúng tôi đã phát triển phần mềm cho phép một môi trường thông minh để khám phá các mẫu hành vi thường xuyên, và chúng tôi đã đặt tên cho nó Patterns của người dùng hệ thống Behaviour (PUBS). Hệ thống này bao gồm một số các mô-đun; cốt lõi của nó có một thuật toán, APUBS, mà khám phá các mẫu hành vi. Các LPUBS ngôn ngữ, bao gồm trong PUBS, cung cấp một khung chuẩn để đại diện cho mô hình rõ ràng; _nally, PUBS bao gồm một hệ thống tương tác, IPUBS, cho phép người dùng tương tác với PUBS một cách tự nhiên. Các phiên bản của PUBS mà chúng tôi mô tả trong bài viết này là tập trung vào phát hiện ra mối quan hệ giữa hai hành động đơn giản; nói cách khác, nó chỉ phát hiện ra những gì chúng ta gọi là một-một mối quan hệ ". Trong ví dụ của Michael nó _rst sẽ khám phá ra rằng 10-15 phút sau khi ông đứng dậy, ông đi vào phòng tắm và sau đó, như một kiểu khác, nó sẽ phát hiện ra rằng ông bật ánh sáng chỉ sau khi ông đi vào phòng tắm. Bên cạnh việc khám phá các mối quan hệ thường xuyên, PUBS có thể xác định các mối quan hệ thời gian thông thường giữa hai hành động (ví dụ như ông đi vào phòng tắm 10-15 phút sau khi thức dậy), cũng như để de_ne các điều kiện theo đó một mô hình xuất hiện (ví dụ nếu phòng tắm độ ẩm tương đối là> 75%). các thành phần thiết yếu của kiến trúc PUBS được thể hiện trong hình 1.