Human activity prediction has become a prerequisite foundation for service recommendation and anomaly detection systems in a smart space filled with various Internet of things (IoT). In this paper, we present a novel approach to predict the next activity in a multi-user smart space. While the majority of previous studies focused on single-user activities, our study considers multi-user activities that occur with a large variety of patterns. We determined the attributes of a multi-user environment and utilized them for the prediction performance. In a multi-user smart space, there exist multiple next activities after a sequence of activities occurs. Moreover, activities often occur concurrently with a group of people who have a common intention together, e.g., a presentation. In order to solve the multiple next-activity existence problem, we propose the next-activity set prediction rather than activity prediction. We also propose sequence partitioning to reduce the complexity of activity patterns. Relatively more activities occur at the beginning and end of an activity sequence. Using these characteristics, we suggest dividing the activity sequences into two states when the time interval between two activities is longer than a time threshold value. Subsequently, the next-activity set is predicted by utilizing a long short-term memory model for each state. To evaluate the proposed approach, we experimented using not only a real dataset generated from our campus testbed but also a single-user dataset. Our experiments showed high accuracy of next-activity set prediction in both environments. Thus, the results confirmed that our proposed method can be effectively utilized for various context-aware applications in a smart space.
본 논문에서는 다중 사용자 스마트 공간에서 다음 행위 집합을 예측하는 기법을 다루었다. 다중 사용자 환경에서 행위가 발생되는 특성을 분석하고, 그 특성에 맞는 기계 학습 알고리즘을 설계하여 다음 행위 예측의 정확도를 높이는 방안을 제시하였다. 이러한 환경에서는 다중 사용자의 행위들이 같은 의도를 가지고 위해 발생하게 된다. 따라서, 다음 행위를 예측을 하기 위해서는 발생한 일련의 행위들을 의도 단위로 분할하는 기법이 필요하다. 하나의 의도를 구성하는 하나의 행위 시퀀스 내에서는 행위의 종류에 따라 발생 빈도 분포가 달라진다. 또한 일련의 행위가 발생한 뒤에는 한 가지의 행위가 아닌, 여러 가지의 행위가 발생할 수 있는 특성을 지닐 뿐만 아니라, 행위들이 동시다발적으로 발생되는 경향을 보인다. 이러한 특성들을 기반으로 다음 행위 발생 분포에 따라 행위 시퀀스를 구역으로 나누고, 각각의 구역에서 기계 학습 기법을 적용하여 동시다발적인 행위를 입력 값으로 받고, 다음 행위 집합을 결과 값으로 출력하는 모델을 학습시킨다. 제안한 기법의 성능을 측정하기 위해 구축된 테스트베드에서 생성된 실제 데이터를 사용하였으며, 스마트 공간에서 다음 행위를 예측하는데 매우 효과적임을 보였다. 이러한 결과는 서비스 추천이나 비정상 상황 감지 시스템에 활용될 수 있다.
