14、移动传感器活动识别与电力消费者聚类指标选择

移动传感器活动识别与电力消费者聚类指标选择

1. 移动传感器活动识别实验

1.1 实验设置

本次实验邀请了两名用户参与，他们在六周的时间内，均将应用程序安装在三星 GT - I9001 安卓手机上。这两名用户在日常活动中，包括从家到办公室再回家的往返行程，以及其他任何活动和地点，都随身携带手机。

用户	未记录的活动
用户 1	玩游戏
用户 2	跑步

在生成特征矩阵后，使用了 WEKA 数据挖掘工具（版本 3.7.13），具体采用 SVM 分类器和 5 折交叉验证测试方法进行分类，分类结果将在后续呈现。

1.2 实验结果

为了评估所提出的方法，对两名用户应用分类模型，并收集了“F - 度量”指标以及“误报/漏报”的统计信息。两名用户的最小 F - 度量均为 0，但用户 1 在“乘车”活动中的最大 F - 度量为 0.932，用户 2 在“看电视”活动中的最大 F - 度量为 0.970。

深入研究混淆矩阵发现，产生最多误报/漏报的活动包括：日常工作、开会以及与家人或朋友共度时光。这些活动具有语义活动的三个方面：声音、动作和社交方面，这使得它们更加复杂，难以准确预测。特别是用户 2，出现了大量的漏报情况，例如“吃饭”活动被分类为“日常工作”或“开会”，可