e p i l o g - Fakultät für Informatik, TU Wien

möglich. Jedoch steigt mit der Leistungsfähigkeit auch die Komplexität.
Damit auch in Zukunft mit der zu erwartenden Komplexität umgegangen
werden kann, sind neue Verfahren zur Verarbeitung von Sensorwerten
erforderlich. Eine Möglichkeit besteht darin, mithilfe statistischer Methoden
die erfasste Situation in Gebäuden zu beschreiben. Eine interessante
Fragestellung ist, ob sich aus derartigen Modellen Prognosen für zukünftig
zu erwartende Situationen ableiten lassen. In dieser Arbeit wird untersucht,
inwieweit sich die Theorie über Hidden Markov Modelle (HMM) eignet, um
das Verhalten von Personen in einem Raum zu beschreiben und anhand der
erlernten Beschreibungen Vorhersagen über das zukünftige Verhalten einer
Person zu machen. Das Erstellen dieser Prognosen basiert auf bekannten
Algorithmen. Weiters wird untersucht, inwieweit sich Daten
unterschiedlicher Sensortypen in ein Modell integrieren lassen und welche
Vorhersagen so ein System liefern kann. In dieser Arbeit meint "Vorhersage
des Verhaltens" die Berechnung der Wahrscheinlichkeit der möglichen
Aktionen, die eine Person als nächstes ausführen kann und die auch vom
System wahrgenommen werden können. Jene Aktionen mit der höchsten
Wahrscheinlichkeit werden den Personen mitgeteilt. Aus diesem Grund
sollte die Verarbeitung der Daten in Echtzeit erfolgen. Hierfür wurde eine
Software Applikation entwickelt, welcher eine Liveanbindung an das
Sensorwerterfassungssystem zur Verfügung steht. Diese Anwendung
ermöglicht den Personen im Gebäude (d.h. in dem Raum, wo das System
betrieben wird), einen Blick hinter die Kulissen des Systems, indem sie die
relevanten Informationen auf einem Bildschirm darstellt, welcher von den
Benutzern betrachtet werden kann. Diese Darstellung zeigt einen Grundriss
des Raumes und alle installierten Sensoren. Aus den ausgelösten Sensoren
wird eine Abschätzung der vorhandenen Personen und deren Positionen
errechnet, die dargestellt wird. Für jede dieser vermuteten Personen wird
eine Vorhersage errechnet und ebenfalls dargestellt. Dadurch kann ein
Benutzer sehen, an welcher Position er vom System vermutet wird und
welche Vorhersage errechnet wurde. Es hat sich gezeigt, dass HMMs für
die Aufgabe der Modellierung derartiger Syteme gut geeignet sind und die
Möglichkeiten des Erstellens von Modellen mannigfaltig sind. Die Art der
Generierung ist entscheidend für die Qualität der Modelle. Weiters stellte
sich heraus, dass in eher kleinen Räumen, wie der, der zur Verfügung
stand, die Handlungen der Personen relativ ident sind, aber trotzdem große
Unterschiede zwischen ständig auftretenden und eher seltenen Szenarios
klar erkennbar sind. Die Integration von Werten verschiedener Sensortypen
in ein Modell ist insofern problematisch, als diese Werte untschiedliche
Wahrscheinlichkeiten des Auftretens haben. Dies wurde durch eine
Priorisierung bei der Auswertung kompensiert. Dieses Vorgehen bringt gute
Lösungen in dieser Anwendung, da alle Aktionen sehr stark auf die
räumliche Lokalität bezogen sind, kann aber mit hoher Wahrscheinlichkeit
nicht verallgemeinert werden. Für einen allgemeinen Lösungsansatz sollte
hier eine zusätzliche Abstraktionsebene eingeführt werden.
161