基于事件關聯的IoT 服務即時推薦方法研究?

鞏會龍 王 菁 郭陳虹 郭浩浩 丁美至 楊詩怡

（1.北方工業大學信息學院 北京 100144）

（2.北方工業大學大規模流數據集成與分析技術北京市重點實驗室 北京 100144）

1 引言

隨著互聯網的發展與萬物互聯時代的到來，IoT 服務的技術水平也在不斷提高。IoT 服務是指通過互聯網連接的IoT 設備提供的各種服務［1］。IoT 服務事件是指由IoT 設備在運行過程中產生的業務事件，這些事件可以被用來監控設備的狀態和行為。通過對IoT設備生成的業務事件進行頻繁關聯模式挖掘，可以發現設備的事件模式。由于在科研協作、船舶運輸、城市應急等IoT應用領域服務組合邏輯難以預先定義，如果用戶利用這些頻繁關聯模式與業務流程中的IoT 服務推薦相結合，動態的調整服務組合邏輯，“邊執行邊構造”探索式的構建業務流程［2］，可以優化資源利用率為用戶提供更加智能化、高效化、個性化的服務，從而構建出更能符合實際業務場景的業務流程。

二是從監管鏈條的角度看，專員辦應當更加注重績效監控結果反饋的及時性。“約束有力”是預算績效管理改革遵循的基本原則，專員辦監督成果向財政部的及時反饋是保證激勵約束機制有效落實的重要一環。專員辦應定期將屬地中央預算單位預算績效管理的整體情況，特別是重點項目績效運行管理情況以專題報告的形式報告財政部，突出上下聯動機制的落實。及時揭示執行偏離目標，目標進度不達預期的問題，分析反映造成偏差的原因，著重反映績效一般的項目的改進進度，對交叉重復、碎片化項目提出調整意見，對低效無效資金、長期沉淀資金提出削減或收回資金，統籌用于亟需支持的領域的建議，供財政部決策參考。

以液化天然氣船舶運輸監控為例，液化天然氣（Liquefied Natural Gas，LNG）作為世界公認的優質、清潔、高效能源，在我國能源結構中得到廣泛的重視和利用，由于LNG 本身具有易做易保特性和嚴苛的儲存運輸條件，導致LNG 一旦發生泄漏，尤其是LNG 儲罐泄漏，極有可能引發連鎖事故效應，造成災難性的后果［3］。使用IoT 服務技術可以實時感知監控LNG 罐箱運輸的IoT 設備產生的業務事件，并通過事件頻繁關聯模式結合業務流程推薦相應的IoT 服務。因此IoT 服務推薦方案應該考慮IoT 服務的新特征，然而傳統的服務推薦方案，如基于內容的過濾方法、協同過濾方法和混合系統方法［4］，并不適用于IoT 服務推薦。傳統的服務推薦方案主要針對互聯網環境，然而，在IoT 服務推薦中，不僅要考慮到IoT服務事件之間的關聯，還要考慮IoT服務事件發生的時間約束。一般的頻繁關聯模式挖掘并沒有考慮事件頻繁關聯模式中事件之間的時間延時屬性，導致利用挖掘出的頻繁關聯模式來進行推薦可能不夠準確、不夠及時，產生一些不符合實際情況的推薦結果。

本文就針對如何挖掘出IoT服務事件之間的時間關系，并應用于業務流程中的IoT服務推薦，提高業務流程中IoT 服務推薦的準確率，提出了一種考慮事件頻繁關聯模式延時性的IoT 服務推薦方法。實驗結果表明，與同類推薦方法相比，本文提出的方法在業務流程中IoT服務推薦的準確率得到了進一步提升。

2 相關工作

2.1 頻繁關聯模式挖掘

頻繁關聯模式挖掘是一種數據挖掘技術，在實際應用中，它被廣泛應用于在業務流程分析、用戶行為預測、生產過程優化等領域。對于頻繁關聯模式的挖掘主要分為基于序列模式和基于關聯規則的頻繁關聯模式挖掘。基于序列模式的頻繁關聯模式挖掘是指在序列數據集中挖掘出更具代表性的序列模式集合［5］，比如劉豫航等為挖掘電力系統故障序列中的故障序列模式，基于PrefixSpan 算法提出了CFPMA 算法，來辨識和挖掘電力系統故障數據中的連鎖故障模式［6］，從而對提前預知和感知即將發生的連鎖故障，積極做出應對。由于在序列模式挖掘過程中會產生大量不頻繁候選集，Philippe Fournier-Viger 等［7］提出了一種稱為CMAP的修剪結構，用來減少頻繁候選項以及提高挖掘效率，并結合SPADE 算法，使用一種名為CM-SPADE的算法驗證該結構的有效性。基于關聯規則的頻繁關聯模式挖掘可以利用一些度量指標分辨數據集中存在的強相關性的關聯規則，通過對關聯規則的挖掘，能夠發現大量隱含的頻繁關聯模式［8］，文獻［9］基于改進的Apriori 算法，對地鐵設備故障數據進行挖掘，利用挖掘出的關聯規則作為地鐵故障頻繁模式分析的重要依據。

2.2 服務推薦

業務流程設計在流程管理中起到了非常關鍵的作用，推薦技術作為業務流程的重要組成部分，國內外學者對此做了許多研究。當前用于服務推薦的方法根據推薦服務的依據不同大體分為語義匹配算法、協同過濾算法和關聯關系算法這三類。在基于語義匹配算法［10］的服務推薦中，首先將服務相關參數信息描述為文本并進行語義匹配，然后對服務之間的相似度進行計算并將相似度高的服務推薦給用戶。該方法簡單、直接，且僅僅利用了服務的靜態語義信息，因此會推薦大量的無意義服務，而且沒有考慮到用戶與服務的交互性，難以滿足用戶需求。基于協同過濾算法［11］的服務推薦是比較常用且典型的方法，由于傳統協同過濾僅利用用戶和服務之間的低緯和線性交互，Yi Wenzhang等［12］提出了一種位置感知深度的服務推薦模型，該模型不僅可以進一步學習用戶與服務之間的互動信息而且還可以學習用戶與服務之間的高緯和非線性交互，并以此獲得候選服務為用戶進行推薦。基于關聯關系算法的服務推薦，該算法通過挖掘出的關聯關系，利用這些關系為用戶進行服務推薦。文獻［2］通過對gSpan 算法進行擴展，聚焦于失敗服務模式，挖掘出其中的服務派生關系并將生成的服務模式應用于服務推薦。

IoT 服務事件發生時間作為IoT 服務事件的一個屬性，由于IoT 服務事件之間并不是簡單的先后發生關系，還有兩個源事件發生才引起目標事件發生這種特殊關系，這就要考慮兩個源事件之間發生的時間差異，這就給IoT 服務事件頻繁關聯模式的延時性挖掘帶來了挑戰。為挖掘出帶有延時屬性的IoT 服務事件頻繁關聯模式應用于IoT 服務推薦，并且提高挖掘效率，本文最終選擇基于CM-SPADE算法進行改進，以挖掘出帶有延時屬性的IoT 服務事件頻繁關聯模式，使其能更好的凸顯出IoT 服務事件關聯之間延時應用的重要性，同時將挖掘出的IoT 服務事件頻繁關聯模式映射為IoT服務頻繁關聯模式，并結合業務流程，使IoT服務事件關聯模式更好的應用于業務流程中的IoT服務推薦。

3 IoT服務事件頻繁關聯模式挖掘

在IoT 系統中，IoT 服務事件通常是指在IoT 環境下，物理世界中身處于不同位置的設備、傳感器、節點等進行交互時，所產生的業務事件。在這個過程中，需要對IoT數據進行分析和處理，從而提取出與業務相關的信息，最終形成一個具有意義的業務事件。IoT 服務事件頻繁關聯模式是指在IoT 服務事件序列中，發現某些事件在特定時間段內頻繁出現的關聯模式。如果這些事件在一段時間內頻繁出現，可能會對IoT服務產生影響，導致服務中斷或數據丟失。

3.1 基本概念

頻繁關聯模式挖掘的目標是從序列數據集中挖掘出所有頻繁出現的關聯模式。具體來說，它通過掃描序列數據集，統計每個關聯模式在數據中出現的頻率（即支持度），并根據設定的支持度閾值來篩選出頻繁關聯模式。頻繁關聯模式通常被認為是數據中的重要模式，因為它們可能反映了數據中的重要規律和關聯性，有助于對數據進行分析、預測和決策。

2015-2016年，恒山景區的旅游接待人數在重要的節日上增幅較快。每年的五月初五、恒山廟會四月初八、旅游節5月19日，恒山景區都會實行免門票、打折等優惠的措施，使得這些重要節日的接待量的增長速度也比平常高很多。其中增幅較快的還是恒山廟會四月初八和國慶期間，分別是7.1%和6.7%。3月8日是恒山當地的傳統祭祀節日，景區加大了服務和安保力度等基礎性服務，使得這個節日的每年人數增長百分比最高。國慶節等法定節假日，恒山景區實行五折、七五折等門票優惠措施，吸引了大量的游客，也呈增長趨勢。相比之下，在旅游節上，人數增長較慢，原因是五一旅游高峰期剛過，相應的旅游人數有所減少。

定義1 IoT 服務事件序列。IoT 服務事件可以表示為一個四元組e =（sourceid，eventid，timestamp，type），其中：

sourceid代表產生IoT服務事件e的IoT服務id；

線形生產建設項目在施工過程中或多或少都會存在占壓和擾動土地和植被的現象，使原有水土保持設施的功能降低或喪失，加重原有地表水土流失。線形生產建設項目包括鐵路、公路、輸氣管線、輸油管線、輸變電線路等，其水土流失常以“點狀”和“線形”綜合的形式出現，具有水土流失量大、集中突發性強、危害大等特點。

timestamp是e產生的時間戳；

type 是事件類型，指包含e 在內的一組具有相似特征的事件集合標簽。

令S =｛e1，e2，…，en｝是不同IoT 設備產生的按時間順序構建的IoT服務事件序列。一個序列中所包含事件的個數稱為序列的長度，長度為l 的序列記為l-序列。

①在新建資源池網絡中引入SDN組網，實現網絡靈活部署。②傳統數據中心在滿足現有業務需求的情況下，暫不進行SDN改造，以免影響現網業務，后續根據集團公司指導意見和發展情況另行考慮。

定義2 序列包含關系。設存在序列A=｛a1，a2，…，an｝，B=｛b1，b2，…，bm｝，如果存在整數1 ≤j1＜j2<…jn≤jm，使得a1?bj1，，a2 ?bj2，…，an?bjn，則稱序列A 為序列B 的子序列，也稱序列B 包含A 序列，記為A ?B。

3）考慮到有些關聯事件與罐內液體翻滾事件之間的延時非常短，可能在罐內液體翻滾事件后接著發生，若此時僅考慮推薦罐內液體翻滾事件的下一個事件對應的IoT服務很有可能因為沒有捕捉到直接相連的關聯事件而錯過正確的推薦結果。因此令t=t2-t1，首先過濾P中與罐內液體翻滾事件之間延時小于t 的事件，并將與罐內液體翻滾事件之間時間間隔滿足大于等于t 的第一個事件對應的IoT服務作為推薦結果放入到推薦結果集中并對結果集中的事件進行去重。

在傳統的頻繁序列模式挖掘中，通常假設事件之間的延時是固定的或者是可以忽略的，但在實際應用中，事件之間往往具有一定的延時約束。為了從IoT服務事件序列數據集中挖掘出帶有延時約束的IoT 服務事件頻繁關聯模式，從而為業務流程的探索式構建推薦更為貼合當時情景的IoT 服務，實現業務流程的動態構造執行。

以業務流程檢測到液體翻滾事件為例，根據IoT 服務事件頻繁關聯模式，在業務流程運行時即時推薦IoT服務步驟如下：

E 是IoT 服 務 事 件 節 點 的 有 限 集 合E=｛e1，e2，…，en｝。

V 是有向邊的有限集合，v=（e1，e2，w）。事件節點e1是有向邊v 的源節點，表示事件e1與事件e2之間存在一條有向邊v，事件節點e2是有向邊e1的目標節點，表示事件e2在事件e1之后發生，w表示有向邊v 的權值，即事件e2發生的時間戳減去事件e1發生的時間戳，即v的時間延時。p中，每條邊v?V表示一種事件之間時間延時關系。邊的方向從e1指向e2，表示在e1之后發生事件e2。給定minsup 為用戶設定的支持度閾值，若模式p 在序列數據集中出現的頻率大于等于minsup，則稱模式p 為帶有延時屬性的頻繁關聯模式。

（5）砼工程中砼標號分多種強度等級和不同的配合比，一般情況應該把砼配合比單獨歸納到一章內，套定額時，再根據不同標號在本章節中查找換算。但考慮到系統內填寫檢修計劃委托書的是設備點檢員，定額編制組在編制砼澆筑子目時，直接將廠內常用的強度等級混凝土按照不同標號編制在砼澆筑子目內。這樣，使用者就不用選定子目后再進行查找、換算操作了。

3.2 挖掘方法及應用場景

定義4 支持度。序列a 在序列數據集SDS 中出現的次數為序列a 在序列數據集SDS 中的支持度，記為supSDS（a），若上下文無歧義可以寫作sup（a）。

在調查的航運服務企業中，有近54%的企業認為中美貿易戰一旦發生，業務量將減少10%以內或減少10%～30%，僅37%企業認為中美貿易戰對公司業務影響不大。可見，航運服務企業總體認為中美貿易戰對航運相關服務業務會帶來一定程度的影響。

本文結合CM-SPADE 算法，在CM-SPADE 算法基礎上引入時間約束的概念，提出TCCM-SPADE 算法。首先將IoT 服務事件序列數據集S 中的事件做預處理，僅保留事件發生的時間戳與事件類型兩個屬性。將處理好的IoT服務事件序列數據集S與支持度閾值minSup作為算法的輸入，然后掃描S 創建垂直數據庫并生成頻繁關聯模式列表F1。遍歷F1，將里面的兩個模式合并得到新模式r，F1中的模式兩兩合并，接著先判斷r 是i-extension 類型的擴展還是s-extension 類型的擴展，通過CMAP（i）或CMAP（s）來判斷以模式r 為前綴的模式是否為非頻繁模式，以i-extenstion 修剪為例（s-extension 修剪同理），若為前綴的模式r 是非頻繁的，則將r 丟棄，避免了對r 的連接的處理。若以r 為前綴的模式是頻繁的，保存該頻繁模式然后計算該模式中相鄰兩事件之間的時間間隔，最終Res中保存所有的頻繁關聯模式及其事件之間的延時屬性。這樣就在擴展頻繁模式的過程中，將頻繁模式各項之間的時間延時屬性也保存下來了，同時對于兩個源事件發生才引起目標事件發生的頻繁模式也都保存了下來。在完成所有的擴展后，可以方便地對具有相同頻繁關聯模式部分的關聯模式計算平均時間間隔作為時間約束。

回路矩陣C的方向可以提前約定，其反映了裂隙段之間的關系，有以下性質：每一行中非零元素的個數等于該行代表的回路的維數。

IoT 服務事件頻繁關聯模式如圖1 所示。其中每個節點代表一個IoT 服務事件，節點之間邊的指向代表源節點與目標節點的關系，即當源節點發生后目標節點在?t時間內發生。

沒有一朵花會因為季節和環境而改變自己，它努力地綻放，只為遇見那個懂它、欣賞它的人。此時，我們站著，不說話，就十分美好。只有懂得，才能心領神會，無言才是最好的表達。

圖1 IoT服務事件頻繁關聯模式圖

4 基于事件頻繁關聯模式的IoT 服務推薦

為驗證帶有時間約束的頻繁序列模式應用于IoT 服務推薦的效果，以LNG 安全物流案例為例，基于上文提出的TCCM-SPADE 算法探究頻繁關聯模式中的延時屬性對于IoT服務推薦的影響。

4.1 業務流程場景案例

本文采用LNG 安全物流簡化的原有業務流程案例，該業務流程是LNG 罐箱以海運方式從大連港運輸到煙臺港的物流作業，該過程中主要涉及到物流公司的海運運輸作業部門和煙臺海事處。在運輸過程中，海運運輸的作業部門對船舶運輸作業的相關內容下達指示，監管職能部門收到來自海運運輸部門傳送的具體信息后進行相應的事件處理。LNG船舶運輸業務流程圖如圖2所示。

圖2 LNG船舶運輸業務流程圖

4.2 業務流程中的IoT服務推薦

定義5 帶有延時屬性的事件頻繁關聯模式。設帶有延時屬性的事件頻繁關聯模式p=（E，V），其中：

1）當正在運行的業務流程中的罐內液體監控服務檢測到罐內液體翻滾事件時，記錄當前時間為t1并遍歷所有挖掘出的IoT 服務事件頻繁關聯模式，考慮所有包含該事件的頻繁關聯模式。

eventid是事件id，同時也是ε的唯一標識符；

2）將所有包含罐內液體翻滾事件的頻繁關聯模式放入到集合P中并記錄當前時間為t2。

定義3 IoT 服務事件序列集。序列數據集SDS是一個由二元組組成的序列集合的，記為SDS=｛S1，S2…Si｝其中Si是一個IoT 服務事件序列，Sid 是該序列的唯一標識符。如果a 是S 的一個子序列（a ?S），則稱二元組包含序列a。

4）將推薦結果按照時間緊迫程度進行排序，排序后的IoT 服務集合為最終推薦結果，用戶可根據推薦結果選擇IoT 服務對業務流程的動態調整，實現業務流程的探索式構建。

IoT 服務推薦算法如下，其中算法輸入R 為挖掘出的IoT 服務事件關聯模式，IoTBusinessEvent為業務流程建模時預先構建的IoT服務所監測的業務事件。

(1)抑塵和防塵措施。在煤炭、矸石或其他干物料的貯、裝、運、破碎、篩分過程中，采取產塵較少的工藝和設備，并采用適當的抑塵和防塵措施。如精煤貯存用圓筒倉代替精煤露天貯煤場；設置擋風抑塵墻，封閉轉載點以及在原煤儲煤廠安設噴水裝置，嚴格控制噴水量。

5 實驗分析

5.1 實驗數據預處理

本文以真實的LNG 船舶運輸航線為研究，航線數據來自于中國渤海區域構建的海洋航道網絡數據，以及國家海洋科學數據中心海洋水文分類中國臺站觀測數據渤海區域2018年6月到2018年12月的真實氣象數據。通過團隊基于上述航道數據及氣象數據對IoT 服務進行實驗得到的565 例航行軌跡數據，并通過該航行軌跡數據對LNG 船舶運輸過程中產生的IoT 服務事件進行模擬，將LNG 船的儲罐溫度和壓力等數據映射為IoT傳感器設備中的溫度和壓力數據；通過將LNG 船舶航行軌跡數據中的時間信息與其他傳感器設備的數據相結合，可以生成更加完整的IoT 服務事件序列，基于以上模擬數據共得到500 條IoT 服務事件序列。去除對事件頻繁關聯模式挖掘無關的屬性，僅保留IoT 服務事件的時間戳與事件類型，作為TCCM-SPADE算法的輸入數據。IoT服務事件序列數據樣例如表1 所示。如IoT 服務事件ε=（36，SP1，2018-11-21 4：45：00：00，S1），代表IoT 服務36 在2018 年11 月21日4：45：00產生了儲罐內達補氣壓力事件（事件id：FSCAS1）。

表1 IoT服務事件序列數據樣例

5.2 實驗驗證

本文以從海上LNG 運輸過程中抽取的部分場景為例，根據上述船舶航行軌跡數據，創建了可運行的50 個LNG 船舶運輸業務流程，并用于實驗驗證。本實驗是在一臺16GB i5-10400 CPU 2.90GHz PC 機上完成的，操作系統是Windows，所有算法均使用JDK 1.8.5在Java中實現。

實驗主要分析基于SPADE 算法、CM-SPADE算法與TCCM-SPADE 算法所挖掘出的IoT 服務事件頻繁關聯模式應用于業務流程中IoT服務推薦過程中對于IoT服務推薦的數量以及準確率的影響。

實驗通過對比觀察業務流程中IoT服務節點捕獲到IoT 服務事件時，SPADE 算法、CM-SPADE 算法與TCCM-CMSPADE 算法推薦出的IoT 服務數量及推薦結果的準確性。

首先，本文提出的推薦方法考慮了IoT 服務推薦過程中的延時屬性，過濾掉了一部分不滿足條件的IoT 服務，因此相比原算法，推薦的IoT 服務數量較少。而SPADE 算法與CM-SPADE算法沒有考慮到IoT 服務推薦的延時性問題，因此在推薦IoT 服務時具有一定的盲目性。其次在業務流程捕獲到IoT 服務事件時，使用SPADE 算法或CM-SPADE 算法作為推薦算法很可能因被捕獲事件與其關聯事件之間的時間間隔較短而推薦出監測已經發生事件對應的IoT 服務，從而錯過后續關聯事件的捕獲導致準確率降低。本文所提出的方法考慮了IoT服務之間的延時關系，可以計算出具有相關延時性的IoT服務，提高推薦的準確率。

本研究以油料作物甘藍型油菜為實驗材料，選擇其BR合成與信號轉導過程中的一些重要基因，分析它們在甘藍型油菜不同部位的組織表達特異性，并觀察植株幼苗對BR及BR合成抑制劑BRZ的響應，闡明BR合成基因是否受到BR信號的反饋抑制。本研究進一步克隆了與擬南芥BR信號通路重要轉錄因子BZR1同源的甘藍型油菜BnBZL2基因，并對該基因的功能及BR對BnBZL2的調控機制進行研究，比較甘藍型油菜中BR信號及BR對其生長發育的調控與模式植物擬南芥的異同，以期為深入分析植物BR響應和信號調控機制研究奠定基礎。

實驗結果如圖3 所示，隨著業務流程數量的增多，使用本文所提出算法所推薦出的IoT 服務推數量要始終少于原算法，并且IoT 服務推薦準確率也要高于原算法，且隨著業務流程數量的增多，本文所提出的IoT服務推薦方法準確率逐漸趨于穩定。

圖3 IoT服務推薦數量與準確率

6 結語

本文重點討論了從IoT服務事件序列中挖掘出IoT 服務事件頻繁關聯模式應用于業務流程中IoT服務推薦的研究。根據業務流程的探索式構建的特點，為挖掘出IoT 服務事件頻繁關聯模式中事件之間的時間關聯屬性，提高IoT 服務推薦的準確率提出了一種基于CM-SPADE 算法改進的算法—TCCM-SPADE 算法，該算法可以發現事件之間的延時屬性，從而挖掘出帶有延時屬性的IoT 服務事件頻繁關聯模式。利用該頻繁關聯模式的延時屬性，在業務流程執行時，可以降低IoT服務推薦的冗余度，提高IoT服務推薦的準確度，在此基礎上優化業務流程探索式構建中的IoT服務推薦問題。本文通過采用模擬數據集對算法進行試驗評估，將TCCM-SPADE 算法與CM-SPADE 算法進行對比，驗證了本文方法的有效性和實用性。

挖掘IoT服務事件頻繁關聯模式延時屬性具有廣泛的潛在應用，比如通過分析事件之間的時間屬性，可以發現設備故障的模式和趨勢，進而進行故障預測和維護；通過分析事件之間的時間屬性，可以了解設備、傳感器或資源之間的時間關系，從而優化資源的調度和利用；通過分析事件之間的時間屬性，可以了解用戶的行為模式和習慣等。然而本文存在一定的缺陷，如忽略了業務流程上下文信息對于IoT 服務推薦準確率的影響的問題，這也將是未來工作努力的方向。