Inicialmente verificar como são dispostos os dados de entrada da série

Além disso é verificado que a série possui varias variaveis (X.RSS_anchor1,RSS_anchor2,RSS_anchor3,RSS_anchor4)



In [9]:

    
data1 <- read.csv(file="./MovementAAL/dataset/MovementAAL_RSS_1.csv",head=TRUE,sep=",")
print("Numero de linhas")
print(nrow(data1))
head(data1)
tail(data1)









    



[1] "Numero de linhas"
[1] 27






    Out[9]:





X.RSS_anchor1 RSS_anchor2 RSS_anchor3 RSS_anchor4

	1 -0.90476 -0.48 0.28571 0.3
	2 -0.57143 -0.32 0.14286 0.3
	3 -0.38095 -0.28 -0.14286 0.35
	4 -0.28571 -0.2 -0.47619 0.35
	5 -0.14286 -0.2 0.14286 -0.2
	6 -0.14286 -0.2 0.047619 0









    Out[9]:





X.RSS_anchor1 RSS_anchor2 RSS_anchor3 RSS_anchor4

	22 -0.71429 0.16 -0.28571 0.2
	23 -0.095238 -0.08 0.095238 0.35
	24 -0.28571 0.04 0.14286 0.2
	25 0 0.04 0.14286 0.1
	26 0 0.04 -0.047619 -0.05
	27 -0.14286 -0.6 -0.28571 -0.1

Plotando os dados da matrix anterior;

o objetivo disso é compreender se a potência do sinal de cada roteador varia, já que eles são fixos e dispostos em diferentes locais.

como esperado o grafico faz sentido para a proposta do problema, verificamos que para cada sinal mais forte outros sinais devem enfraquecer.



In [15]:

    
max_y <- max(data1)
min_y <- min(data1)
plot_colors <- c("blue","red","forestgreen","yellow")
plot(data1$X.RSS_anchor1, type="o", col=plot_colors[1], 
   ylim=c(min_y,max_y+0.5), axes=FALSE, ann=FALSE)
axis(1, at=1:27)
axis(2, las=1, at=4*0:max_y)
box()
lines(data1$RSS_anchor2, type="o", pch=22, lty=2, 
   col=plot_colors[2])
lines(data1$RSS_anchor3, type="o", pch=23, lty=3, 
   col=plot_colors[3])
lines(data1$RSS_anchor4, type="o", pch=24, lty=4, 
   col=plot_colors[4])
title(main="Path", col.main="red", font.main=4)
legend(1, 1, names(data1), cex=0.9, col=plot_colors, 
   pch=21:23, lty=1:3);

Verificando o formado dos dados que distribuem os grupos ou diferentes ambientes testados.

para cada group é carregado um montante de percursos, chamados de sequence_ID (identifica unicamente cada percurso em todos os grupos)

Obs. nesse problema não é discutido os arquivos de path já que não faz parte da exploração do problema em si.



In [1]:

    
groups <- read.csv(file="./MovementAAL/groups/MovementAAL_DatasetGroup.csv",head=TRUE,sep=",")
groups1 = groups[groups$dataset_ID==1, ]
head(groups1)









    Out[1]:





X.sequence_ID dataset_ID

	1 1 1
	2 2 1
	3 3 1
	4 4 1
	5 5 1
	6 6 1

Analisando a quantidade total de groups, os testes devem ser separadas para identifiar se existe alguma pecularidade em cada group (ou ambiente)

Nas linhas seguintes verificamos como são os dados de classificação, logo se nota que a classificação é binária dividida em 1 e -1

-1 siginifica que o caminho analizado não ocorreu mudança de sala, e 1 significa que ocorreu mudança de sala.

Para facilitar o entendimento dos processo futuros vamos renomear as classes finais em:

1 = Yes

-1 = No



In [2]:

    
print("Numero de grupos, ou salas diferentes")
unique(groups$dataset_ID)

print("Target")

target <- read.csv(file="./MovementAAL/dataset/MovementAAL_target.csv",head=TRUE,sep=",")
head(target)
print("Numero de Classes diferentes")
unique(target$class_label)
unique(factor(target$class_label,labels=c("NO","YES")))









    



[1] "Numero de grupos, ou salas diferentes"






    Out[2]:





	1
	2
	3








    



[1] "Target"






    Out[2]:





X.sequence_ID class_label

	1 1 1
	2 2 1
	3 3 1
	4 4 1
	5 5 1
	6 6 1









    



[1] "Numero de Classes diferentes"






    Out[2]:





	1
	-1








    Out[2]:





	YES
	NO

Como já Discutimos anteriormente. Os dados são separados em 3 ambientes diferentes. Onde cada ambiente possui 2 salas separadas.

Dessa forma iremos construir um classificador binário para entender quando houve ou não mudança de sala. Isso é possível apartir da coleta dos dados em um periodo determinado de tempo.

Para cada coleta de dados vamos chama-lo de steps ou lags.

Abaixo esta o agrupamento de todos os percursos do primeiro ambiente ou group$dataset_ID =1



In [3]:

    
allDataGroup1<-list()
allDataGroup1Target<-list()
groups1 = groups[groups$dataset_ID==1, ]

index<-1
for (id in groups1$X.sequence_ID){
    caminho <-paste("./MovementAAL/dataset/MovementAAL_RSS_",id,".csv",sep="")
    allDataGroup1[[index]]<-read.csv(file=caminho,head=TRUE,sep=",")
    allDataGroup1Target[index]<-target[[2]][id]
    index<-index+1
}

head(allDataGroup1[[1]])









    Out[3]:





X.RSS_anchor1 RSS_anchor2 RSS_anchor3 RSS_anchor4

	1 -0.90476 -0.48 0.28571 0.3
	2 -0.57143 -0.32 0.14286 0.3
	3 -0.38095 -0.28 -0.14286 0.35
	4 -0.28571 -0.2 -0.47619 0.35
	5 -0.14286 -0.2 0.14286 -0.2
	6 -0.14286 -0.2 0.047619 0

Sabendo agora o que são os steps ou lags, vamos tentar entender qual a influência de cada lag para os seus sucessores ou antecessores.

Esse estapa é também importante em problemas de regressão, caso queiramos prever os próximos passos de uma série temporal.

Além disso, essa análise é importante para se contruir uma estrutura de dados adequado para sevir como entrada de um classificador binário.



In [10]:

    
acf(allDataGroup1[[1]]$X.RSS_anchor1)
acf(allDataGroup1[[1]])

Todo os códigos apresentados foram desenvolvidos em R no cabeçalho inicial estão os pacotes usados e necessários para executar o script.

Em todos os Arquivos ipython, com exceção do arquivo "Problem analysis.ipynb", iremos analizar diversas técnica de classificação, onde iremos seguir a ordem:

1. Group 1 (Ambiente 1) Cross-Validation 10-fold
2. Group 2 (Ambiente 2) Cross-Validation 10-fold
3. Group 3 (Ambiente 3) Cross-Validation 10-fold
4. Todos os Groups  (Ambiente 1,Ambiente 2,Ambiente 3 ) Cross-Validation 10-fold
5. Curva ROC e AUC com todos os Groups

	X.RSS_anchor1	RSS_anchor2	RSS_anchor3	RSS_anchor4
1	-0.90476	-0.48	0.28571	0.3
2	-0.57143	-0.32	0.14286	0.3
3	-0.38095	-0.28	-0.14286	0.35
4	-0.28571	-0.2	-0.47619	0.35
5	-0.14286	-0.2	0.14286	-0.2
6	-0.14286	-0.2	0.047619	0

	X.RSS_anchor1	RSS_anchor2	RSS_anchor3	RSS_anchor4
22	-0.71429	0.16	-0.28571	0.2
23	-0.095238	-0.08	0.095238	0.35
24	-0.28571	0.04	0.14286	0.2
25	0	0.04	0.14286	0.1
26	0	0.04	-0.047619	-0.05
27	-0.14286	-0.6	-0.28571	-0.1