HACIA UN MECANISMO DE RAZONAMIENTO PARA LA INFERENCIA DE CONTEXTOS BASADA EN LA FUSIÓN DE FLUJOS DE DATOS (TOWARDS A REASONING MECHANISM FOR THE CONTEXTS INFERENCE BASED ON THE FUSION OF DATA FLOWS)

Jaime Elí Hernández Xilot, Guillermo Molero Castillo, Edgard Benítez Guerrero, Carmen Mezura Godoy

Resumen


Resumen

El razonamiento, en la inteligencia humana, procesa los conocimientos e información que se poseen, aplicando una serie de reglas y experiencias, para deducir y reaccionar ante situaciones en un contexto determinado. Escenario similar se busca en los sistemas conscientes del contexto, que capturan variables del entorno a través de redes de sensores, con el propósito de hacer razonamientos sobre el propio sistema y el comportamiento del usuario. Este trabajo tiene como objetivo describir la necesidad de crear mecanismos de razonamiento en los sistemas conscientes del contexto, como herramienta para la inferencia basada en la fusión de flujos de datos de fuentes físicas. Como método se definieron cuatro niveles de trabajo, esto es el acopio de datos de sensores, procesamiento, fusión del flujo de datos y razonamiento para la inferencia del contexto. Se presenta el diseño, a alto nivel, del esquema de adquisición y razonamiento basado en datos para la inferencia de la comodidad térmica de los usuarios en determinados espacios de trabajo. Este análisis de la comodidad térmica se puede lograr a través de la adquisición de datos, razonamiento y reacción del sistema para brindar al usuario servicios que le sean de utilidad en la realización de sus actividades cotidianas.

Palabra(s) Clave: Contexto, Flujo de datos, Fusión de datos, Inferencia, Razonamiento.

 

Abstract

Reasoning, in the human intelligence, processes the knowledge and information that are possessed, applying a series of rules and experiences, to deduce and react to situations in a determined context. A similar scenario is sought in context-aware systems that capture environment variables through sensor networks, with the purpose of making reasoning about the system itself and the behavior of the user. This work aims to describe the need to create reasoning mechanisms in context-aware systems, as a tool for the inference based on the data stream fusion from physical sources. As method four work levels were defined, this is, data sensing, processing, data stream fusion and reasoning for context inference. The design is presented, at a high level, of the data-based acquisition and reasoning scheme for the inference of the thermal comfort of users in certain workspaces. This analysis of the thermal comfort can be achieved through the data acquisition, reasoning, and reaction of the system to give the user services that are useful in carrying out their daily activities.


Keywords: Context, Data flow, Data fusion, Inference, Reasoning.


Texto completo:

2197-2213 PDF

Referencias


Alamri, A., Ansari, W., Hassan, M., Hossain, M., Alelaiwi, A. y Hossain, M. (2013). A Survey on Sensor-Cloud: Architecture, Applications, and Approaches. International Journal of Distributed Sensor Networks, 9(2). doi: 10.1155/2013/917923.

Angulo, J. y del Moral, A. (1994). Inteligencia artificial. Madrid, España: Paraninfo.

ANSI/ASHRAE. (2017). Thermal environment conditions for human occupacy. ASHRAE Standard 55-2017. American Society of Heating, Refrigerating, and Air-Conditioning Engineers.

ASHRAE. (2018). American Society of Heating and Air-Conditioning Engineers. Recuperado de https://www.ashrae.org/about

Bogaert, P. y Gengler, S. (2018). Bayesian maximum entropy and data fusion for processing qualitative data: theory and application for crowdsourced cropland occurrences in Ethiopia. Stochastic Environmental Research and Risk Assessment, 32(3), 815-831. doi:10.1007/s00477-017-1426-8.

Chao, L., Lijun, S. y Xiangpei, H. (2012). A context-aware lighting control system for smart meeting rooms. Systems Engineering Procedia, 4, 314-323. doi: 10.1016/j.sepro.2011.11.081.

Dey, A. K. (2001). Understanding and Using Context. Personal and Ubiquitous Computing, 5(1), 4-7. doi:10.1007/s007790170019.

DRAE (2018). Diccionario de la Real Academia Española (23va ed.). Recuperado de http://www.rae.es

Fallahzadeh, R., Ma, Y. y Ghasemzadeh, H. (2017). Context-Aware System Design for Remote Health Monitoring: An Application to Continuous Edema Assessment. IEEE Transactions on Mobile Computing, 16(8), 2159-2173. doi:10.1109/TMC.2016.2616403.

Fernández, D. (2017). Del sensor a la nube protocolo de virtualización (Tesis de maestría). [Documento inédito]. México: Laboratorio Nacional de Informática Avanzada.

Galico, D., Natanzon, K., Vega, C., Matalonga, S. y Solari, M. (2015). Software Sensible al Contexto: definiciones y desarrollo de un estudio de caso en Google Glass. Universidad ORT Uruguay.

González, K., Carvajal, M., Cerón, G. y López, D. (2016). Modelado de un sistema consciente del contexto para soportar intervenciones en actividad física y nutrición saludable. Revista Ingenierías Universidad de Medellin, 15(28), 173-196. doi:10.22395/rium.v15n28a9.

Hoyt, T., Schiavon, S., Piccioli, A., Cheung, T. Moon, D. y Steinfeld, K. (2017). CBE Thermal Comfort Tool. Center for the Built Environment, University of California Berkeley. http://comfort.cbe.berkeley.edu.

Jin, L., Zhang, Y. y Zhang, Z. (2017). Human responses to high humidity in elevated temperatures for people in hot-humid climates. Building and Environment, 114. 257-266. doi: 10.1016/j.buildenv.2016.12.028.

Joyanes-Aguilar, L. (2015). Sistemas de información en la empresa. El impacto de la nube, la movilidad y los medios sociales (Alfaomega). México.

Khattak, A., Akbar, N., Aazam, M., Ali, T., Khan, A., Jeon, S., Lee, S. (2014). Context representation and fusion: Advancements and opportunities. Sensors, 14(6), 9628-9668. doi:10.3390/s140609628.

Li, X., Martínez, J. y Rubio, G. (2017). Towards a Hybrid Approach to Context Reasoning for Underwater Robots. Applied Sciences, 7(2). doi:10.3390/app7020183.

Liu, J., Wan, J., Jia, D., Zeng, B., Li, D., Ching-Hsein, H. y Haibo, C. (2017). High-efficiency urban traffic management in context-aware computing and 5G communication. IEEE Communications Magazine, 55(1), 33-40. doi:10.1109/MCOM.2017.1600371CM.

Loke, S. (2005). Representing and reasoning with situations for context-aware pervasive computing: a logic programming perspective. The Knowledge Engineering Review, 19(3), 213-233.

Muñoz, J., Molero-Castillo, G., Benítez-Guerrero, E. y Bárcenas, E. (2018). Data fusion as source for the generation of useful knowledge in context-aware systems. Journal of Intelligent & Fuzzy Systems, 34(5), 3165-3176. doi: 10.3233/JIFS-169500.

Nurmi, P. y Floréen, P. (2004). Reasoning in Context-Aware Systems. Universidad de Helsinki. Recuperado de: www.cs.helsinki.fi/u/ptnurmi/papers/positionpaper.pdf

Perera, C., Zaslavsky, A., Christen, P. y Georgakopoulos, D. (2014). Context Aware Computing for the Internet of Things: A Survey. IEEE Communications Survey & Tutorials, 6(1), 414-454. doi: 10.1109/SURV.2013.042313.00197.

Rivero-Rodríguez, A., Pileggi, P. y Nykänen, O. (2016). Mobile Context-Aware Systems: Technologies, Resources and Applications. International Journal of Interactive Mobile Technologies, 10(2), 25-32. doi:10.3991/ijim.v10i2.5367.

Robles, R. y Kim, T. (2010). Review: Context Aware Tools for Smart Home Development. International Journal of Smart Home, 4(1). 1-11.

Schiavon, S., Hoyt, T. y Piccioli, A. (2014). Web application for thermal comfort visualization and calculation according to ASHRAE Standard 55. Building Simulation, 7(4). doi:10.1007/s12273-013-0162-3

SENER (2018) Cómo enfrentar el reto de la creciente demanda de confort témico en México. Secretaría de Energía. URL: goo.gl/9UJBa7

Subbu, K. y Vasilakos, A. (2017). Big Data for Context Aware Computing? Perspectives and Challenges. Big Data Research, 10. 33-43. doi:10.1016/j.bdr.2017.10.002

Villegas, N., Sánchez, C., Díaz-Cely, J. y Tamura, G. (2018). Characterizing Context-Aware Recommender Systems: A Systematic Literature Review. Knowledge-Based System, 140, 173-200. doi:10.1016/j.knosys.2017.11.003

Voida, S., Patterson, D. J. y Patel, S. N. (2014). Sensor Data Streams. En J. S. Olson y W. A. Kellogg (Eds.), Ways of Knowing in HCI (pp. 291-322). Nueva York: Springer. doi:10.1007/978-1-4939-0378-8

WBDG. (2018). Enhance Indoor Environmental Quality (IEQ). Whole Building Design Guide, National Institute of Buildings Sciences. URL: goo.gl/wD2na3






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Barra de separación

Licencia Creative Commons    Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada.    

TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA

Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México

Tel. 461 61 17575 Ext 5450 y 5146

pistaseducativas@itcelaya.edu.mx

http://pistaseducativas.celaya.tecnm.mx/index.php/pistas