基于不确定信息的事件建模与推理

### 基于不确定信息的事件建模与推理 在实际应用场景中，我们常常会面临来自多个源头的事件信息，并且这些信息往往伴随着不确定性和不完整性。如何对这些事件进行有效的建模、组合、推理以及计算其质量值，是一个关键的问题。本文将详细介绍一种事件模型，它能够处理多源事件、领域知识事件，同时具备处理不确定性和不完整性的能力。 #### 1. 领域事件的系列解释 领域事件可以被看作是一系列外部事件的集合。每个外部事件的发生时间是领域事件时间间隔内的一个时间点，而其他属性保持不变。例如，事件 (PBV, [20 : 00 : 00, 22 : 00 : 00], 0, 0.8, 0.7, male, · · ·) 可以被视为一系列事件： (PBV, 20 : 00 : 00, 0, 0.8, 0.7, male, · · ·), (PBV, 20 : 00 : 01, 0, 0.8, 0.7, male, · · ·), · · ·, (PBV, 22 : 00 : 00, 0, 0.8, 0.7, male, · · ·)。 基于这种系列解释，通常不允许两个领域事件除时间间隔重叠外，具有相同的事件属性值。例如，如果一个领域事件 e3 = (PBV, [20 : 00 : 00, 22 : 00 : 00], 0, 0.8, 0.7, male, · · ·)，其 m 值为 0.5；另一个领域事件 e4 = (PBV, [21 : 00 : 00, 23 : 00 : 00], 0, 0.8, 0.7, male, · · ·)，其 m' 值为 0.9，那么在时间间隔 [21 : 00 : 00, 22 : 00 : 00] 内，它们相互矛盾。但如果第二个领域事件的质量值相同，那么这两个事件簇可以合并为一个时间间隔为 [20 : 00 : 00, 23 : 00 : 00] 的事件簇。 #### 2. 事件组合 当一组事件簇具有相同的事件类型和发生时间，但源 ID 不同时，我们称它们为并发事件簇。这意味着可能使用了多模型传感器来监测情况。因此，需要将这些事件簇进行组合，因为它们从不同的角度描述了相同的观察事实。组合的结果是一个新的事件簇，具有相同的事件类型和发生时间，而组合事件的源 ID 是原始源的并集。 事件簇的组合通过对折扣质量函数应用 Dempster 组合规则来实现。即事件簇的质量函数以源的可靠性作为折扣率进行折扣。 **定义 2**：设 EC1, · · · , ECk 是一组并发事件簇，mr1, · · · , mrk 是对应的在 2V 上的折扣质量函数，m 是使用 Dempster 组合规则组合 mr1, · · · , mrk 得到的质量函数，则组合后的事件簇 EC = ⊕kj=1ECj 满足：对于任意 e ∈ EC，有 e.v ∈ Fm，e.ET ype = EC1.ET ype，e.occT = EC1.occT，e.ID = {EC1.ID, · · · , ECk.ID}，e.rb = 1，且 e.m = m(e.v)。反之，对于 Fm 中的每个焦点元素 A，存在唯一的 e ∈ EC，使得 e.v = A。 例如，设 EC0 是示例 2 中的事件簇，EC1 是示例 3 中的事件簇，那么组合后的事件簇 EC = EC0 ⊕ EC1 为： { (PBV, 21 : 05 : 31, {0, 1}, 1, 0.7, male, 3283), (PBV, 21 : 05 : 31, {0, 1}, 1, 0.4, female, 3283), (PBV, 21 : 05 : 31, {0, 1}, 1, 0.7, {male, female}, 3283), (PBV, 21 : 05 : 31, {0, 1}, 1, 1, obscured, 3283), (PBV, 21 : 05 : 31, {0, 1}, 1, 1, {male, female, obscured}, 3283) } 对应的质量值分别为 m(male, 3283) = 0.478，m(female, 3283) = 0.376，m({male, female}, 3283) = 0.059，m(obscured, 3283) = 0.054，m({male, female, obscured}, 3283) = 0.033。 #### 3. 事件流 传统的事件模型通常使用事件历史 (EH) 来描述在某个时间段内发生的所有事件的集合。但在本文的框架中，给定一组事件簇，首先进行事件组合，然后只保留组合后的事件簇。因此，我们将其称为事件流，用 EF 表示。EF t2t1 表示发生时间在 t1 和 t2 之间的一组组合事件簇。 例如，设 EC0 和 EC1 分别是示例 2 和示例 3 中的事件簇，EC 是它们的组合事件簇。设 EC2 是源 2 给出的描述一个人在公交车上徘徊的事件簇，那么事件流就是 [EC, EC2]。 #### 4. 事件推理 事件推理通过一组推理规则来表示事件之间的关系。在事件模型的相关文献中，大多数规则是确定性定义的，不考虑不确定性，只有 [15] 中的规则是概率性定义的。但这种方法忽略了由于不确定性或不完整性而可以推断出一组事件的情况。 本文定义的事件推理规则可以解决不确定性和不完整性问题。一个推理规则 R 被定义为一个元组 (LS, ET ype, Premise, Condition, mIEC)，其中： - **LS（生命周期）**：用于确定规则 R 的时间方面。它是一个由起点和终点，或启动器和终止器确定的区间。起点和终点是在规则执行时已知的事件流中可以确定的两个时间点。 - **ET ype**：是