Колку од нашите уреди, светла и системи за греење и ладење се непотребно вклучени? Покажано е дека безгрижното однесување на луѓето може да предизвика пораст од една третина на вкупната потрошувачка енергија на една зграда, но исто така, штедливото однесување може да донесе заштеда на потрошувачката од една третина [1]. Меѓутоа, мала е веројатноста дека совесното и штедливо однесување на луѓето може да биде константно на подолг период. Од друга страна пак, човечките активности и однесувања би можеле да се интегрираат во работата на системите на зградите така што системите ќе ги исклучат непотребните уреди, светла и сл. на сеприсутен и автоматски начин, а врз основа на потребите на луѓето [2]. Ако ја земеме активноста „се состанува” како пример на активност во канцелариска зграда, тогаш прашањето е: како да се препознае автоматски една ваква активност на луѓето?
Препознавање на активности (анг. activity recognition) е процес при којшто се идентификуваат активностите на еден човек или повеќе луѓе во одредена област (простор) и како таков е важен дел од системите основани врз сеприсутна компјутерска обработка (види Слика 2 каде што препознавањето на активности спаѓа во контекстно резонирање). Додека препознавањето на активности може да се извршува преку надгледување и анализа на визуелни информации, на пр. слики и видеа, од поголем финансиски и сигурносен интерес е користењето на мали и едноставни сензори коишто можат да бидат лесно вметнати во нашите простори. На Слика 1 е прикажан сензор за откривање на движење и звук. Овој сензор мора да биде прикачен на тн. јазол којшто обично има микроконтролер и алгоритам со ниска потрошувачка на енергија. Сензорот може да биде искористен при активноста „се состанува” за откривање на движењето и звукот на некој што, на пример, презентира во собата за состаноци. Собата за состаноци се вика област на активност и е логички дефиниран простор.

Покрај типот на извор на информации користени при процесирањето, алгоритмите за препознавање на активности можат да се поделат на две поголеми групи, имено алгоритми засновани на машинско учење и алгоритми засновани на логичко моделирање и расудување. Нашиот фокус е на онтолошко моделирање и расудување, [3] приод којшто спаѓа во втората група на алгоритми.
Онтолошко препознавање на активности вклучува моделирање на човечките активности и расудување со помош на онтологии. Онтологија претставува модел за формално именување и опис на клучни концепти и нивните својства/врски што реално постојат во одреден домен од интерес. Во примерот со канцелариските згради, постојат три онтологии, имено област на активност, активност и артефакт (види Слика 2) [3]. Во однос на врските/својствата, на пример, област на активност содржи активност, или со други зборови, некоја активност се случува во некој простор); или артефакт (сензор) се наоѓа во некоја област на активност.

Покрај онтологиите, внесна информација за алгоритамот за препознавање на активности се и мерењата од сензорите. Во бесконечен циклус, алгоритамот ги отчитува мерењата од сензорите и користи онтолошки расудувач (на пр. Пелет [4]) којшто со помош на онтологиите ги изведува активностите што се случуваат во секоја област на активност. На пример, „се состанува” се случува (изведува) кога логичката вредност на сензорот за движење е „точно” и вредноста на сензорот за звук е над претходно дефиниран праг. Локацијата на оваа активност е изведена од локацијата на вклучените артефакти, во случајов, сите сензори во собата за состаноци.
Ваквиот онтолошкиот приод кон препознавање на човечки активности е пригоден за ситуации со неколку луѓе и простори како тие во канцелариски згради. Онтолошкиот алгоритам може да препознае активности во канцелариски простори со стапка на успех од 92% и со највисока точност од 97%.
- Development, W. B. (2009). Energy Efficiency in Buildings: Transforming the Market. ↩
- Nguyen, T. A., & Aiello, M. (2013). Energy intelligent buildings based on user activity: A survey. Energy and Buildings, 56(0), 244–257. doi:10.1016/j.enbuild.2012.09.005 ↩
- Nguyen, T. A., Raspitzu, A., & Aeillo, M. (2014). Ontology-based office activity recognition with applications for energy savings. J Ambient Intell Human Comput, 5(5), 667–681. doi:10.1007/s12652–013–0206–7 ↩
- Sirin, E., Parsia, B., Cuenca Grau, B., Kalyanpur, A., & Katz, Y. (2007). Pellet: A practical OWL-DL reasoner. Web Semantics: Science, Services and Agents on the World Wide Web, 5(2), 51–53. doi:10.1016/j.websem.2007.03.004 ↩