《表1 不同模型对各种活动识别的F-score》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多源时空分析的复杂活动识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表1中，列出了不同模型对各项活动识别的F-score，其中“所有”代表所有活动的F-score。从模型角度而言，Filter+SVM和Cluster+SVM的结果较好，并且相对接近，两种模型在识别不同的活动时各有优劣，但Filter+SVM的训练速度更快。Filter+DT的效果次于前两者，差别不大。SVM和DT与其它有ROA提取算法的模型效果相差甚多，再次验证了ROA提取算法有效提高了活动识别准确性。从活动的角度而言，学习、睡觉、运动、吃饭4种活动F-score较高，而家务、交通这两种活动F-score较低。本文对家务的定义是在家里发生的除了学习、睡觉、吃饭、运动以外的活动。由于家务的定义相对宽泛，并且用户在家里并不会随身携带手机，而经常将手机放置在某个地方从事家务，因此，对家务的识别率较低。借助室内定位技术和智能家居技术辅助识别家务将可能提高家务的识别率。对于交通而言，其错误的识别一般发生在用户离开座位但尚未离开建筑物或用户进入建筑区但尚未达到自己座位的时候。比如用户学习后离开建筑物步行一段时间进入餐厅吃饭，模型将离开座位但尚未离开教学楼和进入餐厅尚未到达座位的数据分别识别为学习和吃饭，而用户往往将这部分数据标记为交通。由于实际生活中，活动的切换并没有严格的界限，因此，模型对这部分数据的预测并不能认为是错误的，并且对实际的应用也不会产生太大的影响。因此，本文认为模型在这种情况下产生的误差是可以接受的。