معصومه بورجندی - گروه کامپیوتر،واحدساری،دانشگاه آزاد اسلامی،ساری،ایران

پیش بینی دقیق مسیر کاربر، از طریق کشف الگوهای حرکتی موثر چالشی اساسی برای دستیابی به درجه های بالای شخصی سازیو ارائه خدمات در محیط های هوشمند داخلی می باشد. روشهای زیادی توسط محققان برای تعیین مسیر کاربر ارائه شده است اماهنوز هم نیاز به روش هایی که قابلیت تفسیر پذیری رفتار کاربر و مدل سازی توالی فعالیت های طولانی مدت و وابستگی های زمانیدر داده های حسگر را داشته باشند امری ضروری به نظر می رسد. با توجه به کاربرد موثر روش های یادگیری عمیق (DL) در حوزه هایسری زمانی، در ادامه از ترکیب شبکه عمیق کانولوشن وشبکه بازگشتی حافظه کوتاه مدت ماندگار به منظور استخراج ویژگی و شناساییموقعیت های مختلف در مسیر حرکت کاربر استفاده شده است. در نظر گرفتن میزان اهمیت موقعیت های مختلف و نادیده گرفتن موقعیت هایبی ارزش به عنوان فعالیت های ناخواسته کاربر، تاثیر بسیار زیادی در دسته بندی آنها و تعیین دقیق مسیر حرکت دارد. در این مقاله دستهبندی کننده فازی بردار هیستوری به منظور دسته بندی موثر موقعیت های بدست آمده پیشنهاد شده است. بطوریکه این دسته بندیکننده فازی، مقادیر عضویت و عدم عضویت هر موقعیت به هر کلاس خروجی را با توجه به مقادیر وزنی مربوط به نورون های این لایهتعیین می نماید. با استفاده از این مقادیر فازی، مقدار اهمیت هر موقعیت در مسیر ،بخوبی مشخص شده و با استفاده از آن در تابعHVFC پیشنهادی، کلاس خروجی با دقت بالایی شناسایی می گردد. ما آزمایشات خودر را بر روی پایگاه داده متشکل از ۳ مجموعهداده از محیط هایی با چیدمان مختلف که هر یک شامل ۶ مسیر جا به جایی مختلف کاربر در محیط داخلی می باشند،انجام داده ایم.آزمایشات حاکی از توانایی بالای روش پیشنهادیمان در تعیین دقیق مسیر کاربر دارد. روش پیشنهادی به دقت ۱ برای تمامی مسیرهارسیده است در حالیکه روش CNN-LSTM,LSTM به ترتیب در بهترین حالت به دقت ۹۲ و ۸۸ رسیده اند.

پیش بینی مسیر حرکت کاربر، یادگیری عمیق، دسته بندی کننده فازی ، LSTM