Predicting Complex Events in Sensor Data
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
2013
Department
Major/Subject
Sovellettu matematiikka
Mcode
Mat-2
Degree programme
Language
en
Pages
vii + 74
Series
Abstract
Complex event processing (CEP) analyzes data streams and detects complicated situations in real-time. Domain experts write e ective EPL (event processing language) queries to de ne complex events that are detected. In combination with predictive analytics (PA), which uses mathematical models to predict the future, a framework for predicting complex events can be designed. In this thesis I describe how predictive event processing works and how a proof-of-concept framework can be built. As prediction tools I use two models: a distance-based model and a feature-based model. The former uses dynamic time warping (DTW) and k-nearest neighbour (kNN) algorithm while the latter employs wavelet analysis and support vector machines (SVMs). As an application of predictive complex event processing I consider house automation and present a real-life case study for the experimental section. The goal is to predict when a certain variable exceeds a limit value for a certain period of time. I also evaluate the performance of the system. With two variables, CO2 and VOC (volatile organic compounds), the first, distance-based model performs better with correct alarm rate of over 75 % and false alarm rate of under 10 %. The second, feature-based model turns out to be faster but more di cult to con gure properly. More meaningful complex events and more thorough time parameter optimization are suggested for future research.Monimutkaisten tapahtumien prosessointi (CEP) on teknologia, joka analysoi datavirtoja ja tunnistaa monimutkaisia tilanteita reaaliajassa. Tunnistettavat tilanteet määritellään EPL-lauseilla, joiden kirjoittamiseen tarvitaan tutkittavaa ilmiötä tuntevia asiantuntijoita. Yhdessä matemaattisten ennustemenetelmien kanssa CEP mahdollistaa tapahtumien ennustamisen ja niistä varoittamisen. Tässä työssä käyn läpi mitä ennustava tapahtumaprosessointi on ja kuinka eri komponenteista voidaan kasata järjestelmä reaalimaailman tapahtumien ennustamiseen. Matemaattisina työkaluina käytän kahta mallia: etäisyysmittaan perustuvaa mallia ja piirrevektoriin perustuvaa mallia. Ensimmäinen käyttää DTW:tä etäisyysmittana ja k:n lähimmän naapurin (kNN) algoritmia luokitteluun. Jälkimmäinen pohjautuu wavelet-analysiin ja tukivektorikoneisiin (SVM). Kokeellisessa osiossa esittelen taloautomaation sovellutuksena ennustavalle tapahtumaprosessoinnille. Testeissä käytän todellisia sensoreita, joille ennustan sisäilmayhdistyksen asettamien raja-arvojen ylityksiä. Tämän lisäksi arvioin rakentamani systeemin suorituskykyä. Hiilidioksidille ja haihtuville orgaanisille yhdisteille ensimmäinen malli antaa oikeita hälytyksiä yli 75 %:ssa tapauksista ja pääsee alle 10 %:iin väärien hälytysten osalta. Jälkimmäinen malli toimii nopeammin, mutta sen konfigurointi osoittautuu haastavaksi, minkä takia tulokset ovat huonompia. Jatkotutkimusten aiheiksi suosittelen erityisesti järkevämpää tapahtumamäärittelyä ja systeemin aikaparametrien parempaa optimointia.Description
Supervisor
Salo, AhtiThesis advisor
Aalto, AnttiKeywords
complex event processing, monimutkaisten tapahtumien prosessointi, predictive analytics, ennustaminen, environmental data, ympäristödata, house automation, taloautomaatio, support vector machines, tukivektorikoneet, wavelet analysis, wavelet-analyysi