Previsão da Atividade Humana por meio da Descoberta de Padrões de Sequência Temporal

A previsão antecipada da atividade humana em andamento tornou-se mais valiosa em uma grande variedade de aplicações críticas em termos de tempo. Para construir uma representação eficaz para previsão, as atividades humanas podem ser caracterizadas por uma composição temporal complexa de ações simples constituintes e objetos interativos. Diferente da detecção precoce em ações simples de curta duração, propomos uma nova estrutura para a previsão de atividades complexas de longa duração, descobrindo três aspectos-chave da atividade: Causalidade, Contexto-sinal e Previsibilidade. As principais contribuições do nosso trabalho incluem: (1) uma estrutura geral é proposta para abordar sistematicamente o problema da previsão de atividade complexa por meio da mineração de padrões de sequência temporal; (2) a árvore de sufixo probabilística (PST) é introduzida para modelar relacionamentos causais entre ações constituintes, onde tanto as dependências de Markov de alta quanto de baixa ordem entre as unidades de ação são capturadas; (3) o contexto-sinal, especialmente a informação de objetos interativos, é modelado através da mineração de padrões sequenciais (SPM), onde uma série de coocorrências de ação e objeto são codificadas como uma sequência simbólica complexa; (4) também apresentamos uma função acumulativa preditiva (PAF) para descrever a previsibilidade de cada tipo de atividade. A eficácia de nossa abordagem é avaliada em dois cenários experimentais com dois conjuntos de dados para cada um: previsão apenas de ações e previsão com contexto. Nosso método alcança desempenho superior na previsão de classes de atividade global e unidades de ação local.