基于机器学习的人体运动序列预测模型研究

沙特国王大学学报基于Apriori概率树分类器和Bagged J48的机器学习人体运动序列预测模型Sridhar Raj S.Nandhini M.印度本地治里大学计算机科学系阿提奇莱因福奥文章历史记录：2017年10月16日收到2018年4月3日修订2018年4月3日接受在线发售2018年保留字：数据挖掘机器学习时空社会数据轨迹分析人体运动序列预测A B S T R A C T人体运动轨迹的准确预测有各种各样的好处，如优化护士在医院的轨迹，优化老年人或残疾人的运动，以尽量减少他们的日常工作等，以执行人体运动预测，大量的历史定位数据从传感器收集和挖掘。我们分析了不同的人体序列运动预测方法及其局限性。在这项工作中，我们提出了一个新的分类器命名为Apriori基于概率树分类器（APTC）预测的室内环境中的人体运动序列将APTC分类器集成到Bagged J48机器学习算法中，从而产生一个集成模型来预测未来的人体运动模式。这些模式是基于空间、时间和社会数据挖掘的，这为我们的预测增加了更高的准确性。我们的模型还执行聚类机制来检测异常模式。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍数据挖掘是未来预测和知识发现的重要步骤之一它是在大量历史数据中发现特征的计算过程。机器学习关注的是可以从数据中学习并在没有明确编程的情况下采取行动的系统的构建（Roddick和Spiliopoulou，1999）。人体运动模式预测因其广泛的应用而引起了人们的研究兴趣人类日常生活的运动模式可以从人类运动数据的历史采集中 通过获得人们未来运动顺序的知识，我们可以提高他们的便利性和安全性（Huang等人，2013; Tanuja，2016; Ye等人，2008;Ye等人， 2009年）。人体序列运动预测的各种应用是基于城市服务的应用和一些领域，如医疗保健、科学、银行、公共服务等，这有助于*通讯作者。电子邮件地址：sridharselva394@gmail.com（新加坡）Raj S.）。沙特国王大学负责同行审查制作和主办：Elsevier通 过 发 现 新 的 模 式 来 改 进 他 们 的 服 务 （ Laxman 和 Sastry ，2006 ）。 影响人类运动模式的数据是空 间、时间和社会数据（Shekhar等人， 2008年）。因此，我们引入了一种新的集成模型来挖掘人们的空间，时间和社会数据，以预测他们未来的运动。当人们从一个地方到另一个地方时，人们有自己明确的选择路径的标准对于上学或上班迟到的学生或办公室职员来说，最短的路径可能是最重要的;健身狂或健康意识强的人可能会选择更长的路线;老年人很可能会选择光线充足、障碍最少的路径等等。但是视障人士在从一个地方导航到另一个地方时没有特权做出自己的选择他们通常试图记住他们访问的每个环境的路线，这除了是一项乏味的任务外（Do等人，2015; Farrahi和Gatica-Perez，2008; Gonzalez等人，2008;Gupta等人，2013;Wang和Ram，2015）。视障人士需要持续的协助才能从一个地方移动到另一个地方。要让视障人士在不陷入危险的情况下移动，是一个真正的挑战。贪婪路径规划算法是一种常见的路径规划算法，它可以在不碰到障碍物的情况下为视障者提供路径。同时，它也给出了完成特定任务的最佳路径多转弯会使视障人士的旅行变得困难最终目标应该是尽量减少残疾人的转弯和距离。此外，检测到障碍物，并确定替代路径，https://doi.org/10.1016/j.jksuci.2018.04.0021319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. 拉杰·SN. M. /Journal of King Saud University409建议有视觉障碍的人（Nandini和Seeja，2017）。物联网（IOT）技术是在动态对象上进行这些实验的额外优势用于记录人体运动的传感器例如，考虑记录用户在室内环境中的移动的场景当涉及到较小的室内环境时，必须非常准确地为了应用为预测而设计的算法，环境应该配备有所需的硬件。物联网技术使这种硬件设备和数据监控变得容易（Ray，2016）。我们工作的主要贡献概述如下：提出一种运动预测模型，以最小化老年人或残疾人的运动努力。提出了一种基于Apriori的概率树分类器（APTC）来挖掘室内环境中人的空间、时间和社会数据将所提出的APTC分类器集成到Bagged J48机器学习算法中，以形成预测人类未来运动的集成模型。APTC分类器是专门针对人体运动模式挖掘而构建的，而BaggedJ48中使用的其他分类器都是传统的分类器。考虑到空间、时间和社会数据，对人类运动序列预测进行分析的模型是;（Boldrini和Passarella，2010; Cho等人，2011; Yang等人，2014; Song等人，2015;Duong和Tran，2015; Lam等人，2017年）。通过总结这些模型的局限性，我们得到的信息，时间和社会数据不集中预测人类运动序列。在室内环境中（Lam等人，2017年），他们只考虑空间数据进行预测。因此，我们提出了一个新的分类器命名为APTC预测的空间，时间和社会数据的基础上，在室内环境中的人体运动序列模式。将该分类器与Bagged J48机器学习算法相结合，取得了较好的预测效果。本文的结构如下。 第二部分讨论了人体运动模式挖掘的相关工作、动机和应用比较研究。 第3节介绍了拟议的系统，第4节介绍了拟议的模型的结果和讨论，第5节总结了本文，未来的作品2. 背景和动机了解运动相关数据的基本定义如下：轨迹是移动实体通过其移动的空间所形成的路径（Andrienko和Andrienko，2008）。空间对象的空间属性通常包括与空间位置有关的信息，例如，经度、纬度和海拔，以及形状（Andrienko和Andrienko，2008年）。时态数据是随时间变化的数据。时间数据表示对象特性在一段时间内的演变（Andrienko and Andrienko，2008）。语义数据表示考虑位置的上下文或位置的语义名称（Lam等人，2017年）。社交数据涉及各种社交因素，如朋友、家人、社交网络等，这会影响它们的运动（Lam等人， 2017年）。对人体运动进行预测，最终保证人们的方便、安全和防范。通过对人体运动模式的挖掘，可以提取出人体的日常日常运动，以供进一步分析。挖掘的模式给了我们一个人经常访问的位置。这些经常访问的文具位置被称为兴趣点例如，医院中的护士走过不同的位置并执行各种活动来照顾患者。通过预测护士的移动顺序，可以根据预测的位置顺序来最佳地布置POI（Lam等人， 2017年）。老年人或残疾人护理是人类运动模式预测的又一应用。通过减少老年人的行动，他们做日常工作的努力被最大限度地减少。这些应用也有益于普通人、商业组织、政府机构、卫生保健单位、安全关键系统和上下文感知应用，诸如记录器系统、社交网络应用、提醒应用和环境辅助设备（Lee等人， 2008年）。背景包括位置，人物，兴趣点和从传感器收集的每个人的轨迹数据。通过分析整个记录中最常访问的位置来构建POI。在每个位置处的停留时间阈值被计算为所有位置上的概率的平均值与该组位置概率的标准偏差的总和。 让我们考虑一个实时的例子，一个简单的餐厅，人们喝咖啡或茶。这些情景的图示见下图。 一、餐厅的位置是，水槽，微波炉，冰箱，器皿区，咖啡机和餐桌。制作咖啡的动作顺序如图所示。 一、1. 一个人走到水池边洗手2. 走到器皿区挑选茶杯和茶碟3. 打开冰箱取牛奶4. 走到咖啡配料区，糖，咖啡粉等，都是可用的。5. 然后他走到微波炉前加热。通过观察上述序列与图。 1、人要走很长的距离才能完成一项任务。这促使我们优化动作，从而节省时间和精力。这个人走过这些地点的顺序是：Fig. 1. 简单的餐厅场景。●●●●●●●●●410S. 拉杰·SN. M. /Journal of King Saud University{Sink、器皿区、冰箱、咖啡配料区、微波炉但是，实际的顺序是：{Sink、微波炉、冰箱、容器区、咖啡入口区}通过挖掘这些模式，我们可以相应地安排事物，使其与位置被访问的顺序或顺序相匹配。人们往往只在某些特定的地点花费大量的时间。这些特定的地点被称为固定地点，如工作地点，家和其他住宿地点。虽然有些人不遵循建议的位置，但在大多数情况下，它适合大多数人。用户移动随时间而变化，即，一个时间段内的清晨、上午、下午、傍晚、夜晚、午夜、工作时间、工作日和工作季节。因此，相对于空间、时间和日期的POI概率计算是必要的。在每个指定的时间间隔内进行观察。例如，时间间隔可以分为工作日和周末（Sridhar raj和Nandhini，2017）。POI概率在时间段和日简档内计算。按照一周中的每一天作为日曲线和一小时时间作为时间段的策略，24x7进行评价。必须考虑集群的可能性，例如大多数人在晚上不移动，如果他们应该做同样的工作，一些人的工作时间移动将是相同的。有不同的数据聚类方法，可以可以应用于基于运动模式相似性对运动记录进行分类。预测技术使用概率模型或人工神经网络，其用于建立马尔可夫模型并将其转换为预测模型。位置概率矩阵这些是理解人类运动序列模式应用所需的一些见解，这些应用将在下一节中讨论。3. 人体运动模式挖掘方法的比较分析在本节中，我们讨论了方法论、提出的模型我们分析了以前工作的缺点，并在表1的最后一行提出了我们的模型。人的运动在很大程度上不同于物体的运动，这是因为人们认为挖掘物体的因素不同。 在与物体接触时，影响人体运动的因素是多种多样的.人的运动受外界和内部因素的影响。空间、时间和社会因素是讨论以下模型的共同因素：图2表示在模式挖掘之前位置的实际放置;图3表示基于频繁模式更新位置之后的序列。据观察，后一种情况显然遵循顺序运动，不像前一种情况有许多交叉点和不必要的距离来完成任务。影响人类的方法通过空间、时间和社会数据讨论了运动序列下图：3.1. 基于家庭小区的移动模型在移动Ad Hoc网络中，用户频繁地从一个地方移动到另一个地方，这会导致网络的连通性和拓扑结构发生变化。用户的这种移动性影响网络协议的性能。容迟网络表1人体运动序列模式预测模型的不同方法参考方法模型建议使用的数据限制Boldrini和Passarella，2010年整合位置、社会吸引力和较短距离偏好的移动模型基于家庭小区的社区移动模型（HCMM），用于CMM空间、社会和时间信息被认为，预测只有跳跃的大小和相互接触的时间分布。Cho等人，2011年人类移动模型，由于社交网络的关系，周期性的短距离移动和旅行。Yang等人， 2014年社会时空事件（SSTE）自回归移动平均（ARMA）卡尔曼滤波器为基础的学习算法。Song等人， 2015年社会-空间和社会-时间基于位置的社交网络（LBSNDuong等人， 2015两种算法，命名为聚类基于序列模式挖掘（CSPM）和基于聚类的序列模式挖掘（SPMC），解决了个人信息收集的不足，防止了随机运动的噪声。Najada和Zhu，2014构建分类器来检测垃圾邮件，关于在线产品的非垃圾评论。周期、时间和社会流动模型位置预测的排序模型基于贝叶斯规则的概率模型，从时间和社会两个角度考虑社会影响。CSPM和SPMC定位预测模型比较iSRD与基线分类器空间，时间和社会检查。空间、时间和社会空间，时间和社会检查。空间、时间和社会数据的概要视图。时间和社会数据（审查报告）仅呈现基于位置的社交网络服务。仅预测事件的发生时间和位置，仅单个事件。由于该模型基于基于位置的服务 ， 因 此 仅 考 虑 社 交 位 置 签入，仅考虑单个事件。没有实际的或执行的方法，如何预测必须结转。反馈的可信度没有在用户方面得到验证。Lam等人， 2017年预测人类的概率方法在室内环境中运动。没有数学模型，算法是基于概率树构造方法构造的。空间数据时间和社会数据不考虑在内。APTC和袋装J48的拟议工作组合室内环境中人体序列预测的机器学习算法基于APTC和Bagged J48算法的人体运动序列预测模型空间、时间和社会数据。仅适用于室内环境。S. 拉杰·SN. M. /Journal of King Saud University411人际关系可以解释大约10%到30%，周期性行为可以解释50%到70%的人类运动。他们开发了一个人类移动模型，该模型结合了周期性的短距离和长距离旅行，以产生最终的预测。他们已经表明，根据用户的类型准确地预测移动模式，即，短途或长途旅行用户。3.3.基于人体运动周期性和社会性的排序模型图二. POI的实际位置图三.在更新了频繁模式的位置后。是一种表示异构网络中的连通性问题的方法。通过提前了解用户的移动特性，有助于设计MANET的网络协议。因此，一个人的移动模型，准确地再现未来的用户在现实条件下的运动是必要的协议设计。因此，（Boldrini和Passarella，2010）已经提出了基于家庭小区的移动性模型（HCMM），其集成了位置、社会吸引力和对短距离的偏好所提出的模型将用户移动模式的空间属性与其社会属性相结合，即，用户更愿意花费时间在非常少的受欢迎的位置，并且选择较短的距离而不是较长的距离。他们强调了它的一些重要的时间和空间特征，这些特征在跳跃大小和相互接触时间分布等关键指标方面得到了正确的定义。3.2. 基于在线位置的社交网络的人员移动模型人类的运动模式具有高度的多样性，这是由于人类具有结构模式的特性。世界是由地理和社会限制所限制的，这些限制导致了人类的这些结构模式。在（Cho等人，2011年），他们考虑了手机数据和在线LSBN的提取法律，可以支配人类运动和动力学。人类的周期性运动被观察到，因为它在地理上受到一定的限制，并且相对于他们的社交网络数据随机跳跃。短距离旅行是周期性的，社会关系不会在空间和时间上影响它。但是，长途旅行更多地受到社交网络关系的影响它们表明，排名模型（Yang et al.，2014）考虑了人类运动的非正式性和社会性。周期性是指运动发生的频率，社会性是指普通人、朋友、同事等社会关系的影响他们定义了一个新的概念，称为社会时空事件（SSTE），以表示人们之间的社会互动。为了进行时间预测，ARMA（自回归移动平均）的特点是与SSTE的时间动态。他们提出了一种基于卡尔曼滤波器的学习算法，通过学习来更新ARMA，并动态捕获SSTE动力学。这种更新使我们的新观测数据添加到列表中最后，排名模型预测的周期性和社会性的位置这两个因素被考虑在一起，以提高运动预测精度。3.4. 基于贝叶斯规则Song等人（2015）提出了一种基于贝叶斯规则的概率模型，通过从时间和社会两个不同的角度考虑社会影响来解决位置预测问题。作者已经表明，社会影响在模拟人类运动中起着重要作用。通过将基于位置的服务和在线社交网络相结合，考虑了三种类型的关系：人与人之间的关系;人与位置之间的关系;以及位置之间的关系。3.5. CSPM和SPMC定位预测在（Duong等人，2015年），他们提出了一种新的融合技术，该技术检查相似的移动用户，并提取他们的移动性规则。通过聚类和序列模式挖掘相结合的方法进行抽取。该模型避免了用户随机移动过程中的噪声干扰和无法收集用户完整的个人信息。他们通过完整地处理集群和顺序挖掘机制解决了这些问题。3.6. 室内环境在（Lam等人， 2017年），他们描述了新的算法来挖掘和预测人们在室内环境中的运动。从历史轨迹数据中挖掘运动模式，并使用这些模式来构建可视化地表示频繁运动的概率树他们在员工茶室进行了一项实验，以捕获员工的轨迹数据，并挖掘他们的运动模式，以构建概率树。预测性能的基础上确定的轨迹估计策略。最后，该模型预测的运动序列的人员，可用于路径优化。所有上述讨论的方法告诉我们的空间，时间和社会对人类运动序列模式的影响。人的移动性影响网络协议性能-412S. 拉杰·SN. M. /Journal of King Saud University通过连通性变化来管理（Boldrini和Passarella，2010; Cho等人，2011）讲述了社会关系影响的长途旅行，（Song et al. 2015）使用贝叶斯规则讨论了人与位置之间的关系，（Duong等人，2015）讲述了聚类和序列模式挖掘如何有助于人类运动模式挖掘，最后（Lam等人，2017）处理室内环境中的序列模式挖掘。基于这些模型的不足，我们在下一节中提出了一种结合概率树构建方法和Bagged J48机器学习算法的模型。4. 拟议系统我们提出了一个新的应用程序特定的分类器命名为Apriori基于概率树分类器（APTC）预测室内环境中的人体运动序列模式。 为了将我们的方法扩展到机器学习机制中，我们将APTC集成到Bagged J48机器学习算法中，从而产生一个集成模型来预测人体运动模式。这些模式是基于空间，时间和社会数据挖掘的，这增加了我们预测结果的准确性。4.1. 基于Apiori的概率树分类器APTC分类器包含不同级别的阶段，这些阶段对数据进行细化和建模，使其适合于人体运动序列预测。该方法分为数据采集、数据预处理、分类、关联规则生成、预测、传统Apriori算法相似度计算和异常模式聚类等下一个位置是通过用概率树找到人的当前轨迹之间的匹配来预测的概率树构造分类器的工作流程如下图所示。 四、4.1.1. 从GPS历史记录中收集轨迹数据在从GPS设备收集数据之后，将训练数据和测试数据分离。从收集到的数据来看，转换（语义数据）被考虑用于进一步处理。表2见图4。 基于Apriori的概率树分类器（APTC）。数据集的抽样收集。因为，活动转换比位置转换更有规律过渡。这里，过渡表示从一个位置到另一个位置的移动在数据预处理阶段，所有的四个预处理器运动模式参观地点的顺序（员工茶室场景）执行诸如清洁、整合、还原和转化的处理技术4.1.2. 运动模式挖掘为了挖掘和提取频繁模式，必须构造概率树，该概率树将具有每个位置的概率值一旦用频繁模式训练分类器，就可以使用测试数据来计算结果。4.1.3. 关联规则生成它是数据挖掘中学习关联规则的经典算法。它并不像听起来那么复杂;相反，它非常简单。假设在图1所示的员工茶室中有大量的运动模式记录。 一、学习关联规则基本上意味着找到一起访问更频繁的位置。例如，在表2中观察到水槽和冰箱经常一起访问。关联规则就是以这种方式形成的，并且事物会以这样一种方式进行改变，即它与频繁访问的位置对相匹配。基于一个简单的黄金法则：据说一个位置至少有60%的时间被访问（相对于访问量最高的位置），1水槽、冰箱、咖啡配料2水槽、冰箱、咖啡配料、水槽3冰箱，容器区4水槽、冰箱、容器区其可以被认为是频繁访问的位置，并且仅对那些频繁访问的位置进行进一步处理。发生率低于60%的剩余位置被消除。4.1.4. 概率树构造输入：一组人体运动序列模式，即，数据集包括，记录人类访问的位置（如表2所示）。输出量：概率树表示基于频繁访问的每个位置的概率值。操作步骤：步骤1：根据要执行的任务类型初始化每个位置的概率值步骤2：对于每个位置，计算它是每个移动序列中第一个访问的位置●●●S. 拉杰·SN. M. /Journal of King Saud University413图五、 为表2中的样本数据构建的概率树。步骤3：更新除根节点以外的每个节点的概率。对于树中的每个节点，如果它是根节点，则使用步骤2中计算的概率值来计算其子节点的概率;否则，子节点的概率是其支持度与包括其自身在内的与其共享同一父节点的所有节点的支持度之和的比率。在图5中，突出显示的矩形框表示从表2中给出的数据集推断的频率路径。如果第一个位置是水槽，那么概率树显示冰箱具有下一个被访问的最高概率。以类似的方式，跟踪概率树有助于决定下一个要访问的位置。概率树通过将人体运动模式作为输入，并基于在频繁的访问中。每个节点都被赋予一个基于在运动序列中的第一次访问4.1.5. 通过聚类检测异常模式通过结合离群值检测机制，系统还报告它们的模式中是否有任何不寻常的移动。引起危险的重要情况被认为是为了警告这个人。采用K-均值聚类算法对异常模式进行聚类。给定用户的当前轨迹，通过将其与概率树进行匹配来预测未来位置。通过考虑支持值，执行从多个位置中选择单个位置的选择。每个节点具有表示位置已被访问的概率的概率值。在算法1中逐步解释所有操作。当运动模式被挖掘出来并存储到数据库中后，通过k均值聚类对异常模式进行分类，然后根据当前的运动轨迹，通过概率树和聚类数据的比较，检测出模式偏差。4.2. 机器学习算法为了提高常规分类器的性能和分类结果的准确性，采用了包围盒技术。通过将不同分类器的决策组合成单个组合分类器。这种BaggedJ48算法通过在五个传统分类器上应用两种集成学习方法（Bagging和Boosting）来工作。用F测度对性能进行了评价。通过使用机器学习算法，所提出的工作是自动化的，这提高了最终结果的准确性。图 6、证明了一种算法的误分类样本反馈到下一个算法中，并训练算法1. APTC算法输入：来自UC Irvine Machine Learning Repository的输出：位置及其概率值程序：1将运动数据作为APTC分类器的输入2对数据集进行数据预处理3 关联规则的形成采用A-priori算法4 基于频繁访问的概率树构造a. 对于每次访问，更新概率b. 概率更新到除根节点以外的所有节点5 给定当前轨迹，预测下一位置序列6 使用步骤3的结果验证该序列，以计算偏差。7 基于概率树的异常模式聚类。逐渐地（Banitaan等人， 2017年）。J48决策树算法作为基本分类器，使用该算法构建进一步的分类器。最后，构造了组合分类器，并用试验数据对预测结果进行了验证.利用关联规则，可以将预测结果与训练数据集和测试数据进行比较。每个分类器的结果在表示上是不同的，因此袋装算法必须将所有五个分类器集成到一个共同的统一表示中。4.3. 将APTC集成到Bagged J48机器学习算法中的基于Apriori的概率树分类器APTCBaggedJ48机器学习算法以APTC作为基本分类器的1/4 Enhancement模型414S. 拉杰·SN. M. /Journal of King Saud University¼- 四分之一图六、使用APTC和Bagged J48构建用于人体运动预测的机器学习模型等式（1）表示集成模型是APTC和Bagged J48机器学习算法的组合。APTC被集成到Bagged J48算法中作为额外的第六分类器。以APTC分类器为基分类器进行了boosting和bagging等集成测试 图在图6中，虚线区域示出了APTC到Bagged J48机器学习算法中的集成部分，其导致集成模型以预测人类运动序列模式。5. 结果和讨论我 们 已 经 从 UC Irvine 机 器 学 习 库 （ Lichman ， 2013 和 JorgeL.Reyes-Ortiz），其中包含人体运动数据集。此外，关于室内环境并且还通过添加社交数据来修改数据集。社交数据表示社交关系、朋友、娱乐时间、休息时间、工作环境等，它又分为测试集和训练集。为了获得无偏的结果，交叉验证的值被划分为10倍，并进行实验。F度量用于评估，F测量2精确度×召回率2精确度和召回率正确分类的数目等式（2）、（3）和（4）分别表示F-度量、精确度和召回率的公式。精确度是随机选择的项目是相关的概率，召回率是在搜索中检索到相关项目的概率。我们已经使用这些措施来测试我们的分类器的性能。成果以F-测度的形式给出了所执行的测试。对数据集进行的基础测试如下所示表4用于分级机的底部、增压和装袋的F-测量分类器基地提振套袋朴素贝叶斯0.5760.5780.579贝叶斯网络0.5890.5900.591SMO0.6210.6210.626决策表0.6230.6280.649J480.6410.6460.661APTC0.6670.6690.687表5对袋装方案进行的排名测试结果召回正确分类可能的相关分类SMO 1 2 1贝叶斯网络1 2 1朴素贝叶斯0 4 4表3单个分类器的F-度量。分类器查准率F-测度朴素贝叶斯0.576 0.577 0.576贝叶斯网络（a）服务费决定表0.641 0.641APTC0.667表6对增强方案进行的排名测试结果分类器（增强）赢输差异APTC 4 0 4J48 3 1 2SMO 2 1 1决定表1 2 1贝叶斯网络1 2 1朴素贝叶斯0 4 4分类器（袋装）赢得损失差异APTC404ð3ÞJ48312决策表312S. 拉杰·SN. M. /Journal of King Saud University415见图7。 套袋和增压方案的排序试验结果。表3表示所有六个分类器，朴素贝叶斯，贝叶斯网络，SMO，决策表，J48和建议的APTC分别在数据集上进行事实证明，APTC分类器产生更高的准确性。通过考虑新提出的APTC作为基本分类器，集成方法的性能有所提高。 原因是，所有其他分类器都是传统的分类器，没有任何特征来预测人体运动。但是，APTC分类器是以这样一种方式构建的，它以更好的准确性预测室内人体运动。 因此，将其设置为基本分类器，对其应用集成方法将产生更好的结果。表4表示APTC分类器的F-测量结果的比较关系为装袋>升压>基础。观察哪一个袋装的APTC被认为是最好的一个作为基础分类器。但是，与其他分类器相比，构建这个分类器所花费的时间很长考虑到分类器对人体运动预测应用的特定性，由于长构建时间造成的影响可以忽略不计。我们进行了排名测试，以找出每个分类器赢得另一个分类器的实例数量尽管输赢有变化，但排名顺序没有太大区别结果如下所示：表5和表6分别显示了在装袋和提升方案上进行的排序测试的结果。这清楚地表明，贝叶斯网络和朴素贝叶斯是完全优于其他分类器。在Bagging方案中，APTC、J48和决策表的分类性能最好，而在Boosted方案中，SMO的分类性能优于决策表。该算法可以应用于任何涉及人体运动序列预测的室内应用。如果应用于室内以外的其他类型的应用或场景，它会产生结果，但不是最好的。这种实验方法可以扩展到其他场景，如户外和道路运输，通过设计的架构，以这样一种方式，它支持户外环境的功能。图7示出了在员工茶室场景上执行的排序测试的视觉表示。集成APTC明显优于其他分类器4胜0负。最后，组合分类器的结果将导致更好的准确性比传统的数据挖掘技术。6. 结论和今后的方向提出了一种基于空间、时间和社会数据的人体运动序列预测集成模型。该模型的提出主要是为了帮助老年人或残疾人优化他们的日常运动模式。我们收购UC Irvine Machine Learning Repository的数据集，并通过添加时间和社会信息对其进行修改。我们已经建立了一个新的分类器命名为基于Apriori的概率树分类器（APTC），它考虑的空间，时间和社会数据的用户作为输入。将该分类器集成到Bagged J48机器学习算法中，取得了较好的效果。通过使用机器学习算法和人体运动特定的APTC算法，最终结果产生了更好的结果。在我们的模型中解决了缺乏用于人类运动预测的社交数据的问题。我们未来的工作是通过将人工智能融入原型，更多地关注人类运动的社会影响。引用Andrienko，N.，Andrienko，G.，2008.移动数据的基本概念。移动数据挖掘隐私，15-38。Banitaan，S.，Azzeh，M.，Nassif，A. B、2017.用户移动预测：机器学习技术的贡献。在：Proceedings - 2016年第15届IEEE机器学习和应用国际会议，ICMLA 2016，pp.571-575Boldrini角，Passarella，A.，2010. HCMM：模拟由用户社会关系驱动的人类移动的空间和时间特性。Comput. Commun. 33（9），1056-1074。Cho，E.，Myers，S.A. Leskovec，J.，2011.友谊和流动性：基于位置的社交网络中的用户移动。在：第17届ACM SIGKDD知识发现和数据挖掘国际会议论文集。1082- 1090年。T.M.T. Dousse，O.，Miettinen，M.，Gatica-Perez，D.，2015.一种用于智能手机人员移动预测的概率核方法。普及移动计算。20，13-28。Farrahi，K.，Gatica-Perez，D.，2008年使用主题模型从手机数据中发现人类惯例在：会议记录-可穿戴计算机国际研讨会，ISWC，pp. 29-32号。Gonzalez，M.C.，伊达尔戈州，Barabasi，A.L.，2008.了解个人的流动模式，页。1-12号。古普塔，M.，高，J.，Aggarwal，C.C.，2013.时态数据的离群点检测：综述。IEEETrans.知识数据工程 25（1），1-20.黄伟，Li，M.，胡伟，宋，G.，Xie，K.，2013.基于GPS历史的分层目的地预测。2013年第10届模糊系统与知识发现国际会议论文集，FSKD 2013，pp。972-977Lam，L.D.M.，Tang，A.，Grundy，J.，2017.利用数据挖掘和运动模式预测室内空间运动。在：2017年IEEE大数据和智能计算国际会议，BigComp 2017，pp。223-230Laxman，S.，Sastry，P.S.P.，2006.时态数据挖掘综述。Sadhana 31（April），173-198.Lichman，M.，2013. UCI机器学习库。Lee，J.G.，汉，J.，Li，X.，2008.轨迹离群点检测：一个划分和检测框架。Proc. Int. Conf.数据工程师，一百四十至一百四十九Najada，H. Al，Zhu，X.，2014. ISRD：不平衡数据分布的垃圾评论检测。在：2014年IEEE第15届信息重用和集成国际会议论文集，IEEE IRI 2014，pp。553-560Nandini，D.，Seeja，K.R.，2017.一种新的视障人士路径规划算法。J.沙特国王大学Comput.信息科学雷，P.P.，2016年。物联网架构综述J.沙特国王大学Comput. INF. Sci.罗迪克，J.F.，Spiliopoulou，M.，1999.时间、空间和时空数据挖掘研究文献目录。ACMSIGKDD Explorations Newsletter 1（1），34- 38.416S. 拉杰·SN. M. /Journal of King Saud UniversityShekhar，S.，Varsavai，R.R.，Celik，M.，2008.空间与时空资料探勘：最新进展。下一代数据挖掘Sridhar raj，S.，Nandhini，M.，2017.使用运动进行移动性预测，语义社会数据调查。Int. J. 最新动态Technol. 4，14-19。宋，Y.，Hu，Z.，Leng，X.，Tian，H.，杨，K.，Ke，X.，2015.基于位置的社交网络用户的友谊对移动行为的影响。J. Commun. Networks17（2），126-132.Tanuja，V.，2016. A Survey on Trajectory Data Mining 4（10），195-214.Duong，Van T. ，Tran ，D.Q. ，2015. 融合数据挖掘技术预测 移动用户的移动。 J.Commun . Networks 17（6），568-581.王玉，Ram，S.，2015. 使用空间、时间和社会模式预测基于位置的顺序购买事件。IEEEIntell.系统 30（3），10-17.杨，N.，孔，X.王福，余，附，2014.何时何地：基于社会时空事件预测人类运动。Sdm515-523叶，Q.，Chen，L.，中国地质大学，陈，G.，2008.预测个人连续路线。IEEE智能交通系统会议论文集，ITSC，pp。587-592.是的，Y.，郑宇，陈玉，冯杰，Xie，X.，2009.基于个体生命模式的挖掘地点历史记录Proc.IEEE国际Conf. 移动数据管理，第1-10页