Машинное обучение по известному поведению, Какие алгоритмы используются? Как реализовать? Опции

[syoma]

Народ подскажите, есть ли какие либо алгоритмы или как реализовать такое.
Например человек периодически делает какое-то определенное действие - например, включает и выключает свет. Выполнение/невыполнение этого действия, а также конкретный момент зависит от определенных факторов - дня недели, времени суток, состояния погоды. В общем случае известно какие факторы влияют на принятие решения, но неизвестно каким именно образом они влияют на принятие решения.
Собственно вопрос в том, что можно, конечно, изучить поведение человека и на основе этого найти условия и на основе этих условий создать алгоритм, но это требует ручной анализ и не будет адаптивным. С другой стороны есть месяцы наблюдений за этим процессом и вся информация записана в виде логов. Т.е. когда был включен свет, какая тогда была погода, день недели, что произошло до этого и т.д.
И поэтому хотелось бы придумать такой алгоритм, которому бы на вход подавались данные факторы, затем он обучался бы на исторических данных и в конце концов мог бы предсказывать момент включения/отключения света с определенной долей вероятности. Желательно высокой. Т.е. фактически нашел нужные условия сам. И в конце концов мог заменить человека.

Я так понимаю, это связано с нейросетями, но сам с ними не знаком. Мне кажется эта задача должна сравнительно легко решаться.

[Guest_TSerg_*]

Я так понимаю, это связано с нейросетями,

Не обязательно.

Есть нечеткая логика ("Fuzzy logic"). Придумана и обоснована моим земляком Лотфи Заде (Lotfi Askar Zadeh).
P.S.
"Предметом нечёткой логики считается исследование рассуждений в условиях нечёткости, размытости, сходных с рассуждениями в обычном смысле, и их применение в вычислительных системах"

В целом же, посмотрите сколько "на коленках" придумано методов принятия решений для систем поддержки принятия решений (Decision Support System, DSS):
- информационный поиск;
- интеллектуальный анализ данных;
- поиск знаний в базах данных;
- рассуждение на основе прецедентов;
- имитационное моделирование;
- эволюционные вычисления и генетические алгоритмы;
- нейронные сети;
- ситуационный анализ;
- когнитивное моделирование;
- нечеткая логика;
- др.

[enclis_]

Не обязательно.

Есть нечеткая логика ("Fuzzy logic") ...

Нейронные сети в каком-то смысле есть обобщение нечёткой логики и систем принятия решений. В общем случае нейронные сети работают лучше чем нечёткая логика.

Но как быть с моментом времени для этого события?

Вам уже написали, что здесь наверное подойдут рекуррентные нейронные сети (LSTM, GRU итд). Для анализа временных рядов можно также попробовать сверточные нейронные сети.
Если втупую бустинг, деревья или нейронные сети не дают требуемой точности, то надо смотреть какие признаки больше влияют на результат и отбрасывать те, которые почти не влияют на него.

[Guest_TSerg_*]

Если втупую ..

Топику стоит выложить часть логов и задачу в целом - это многим интересно и ожидаются бесплатные подсказки.

[syoma]

Топику стоит выложить часть логов и задачу в целом - это многим интересно и ожидаются бесплатные подсказки.

Да логи есть любые.
Например, вот лог от датчика освещения, датчика движения и состояния диммера в различное время суток(утром, днем, вечером):

CODE

10/10/16 07:17:03.234 /myhome/state/Lumin_Hall 9
10/10/16 07:18:03.239 /myhome/state/Lumin_Hall 9
10/10/16 07:19:03.250 /myhome/state/Lumin_Hall 10
10/10/16 07:19:12.732 /myhome/state/Hall_motion OPEN
10/10/16 07:19:12.745 /myhome/command/Light_Hall/state 25
10/10/16 07:19:19.330 /myhome/state/Hall_motion CLOSED
10/10/16 07:19:32.358 /myhome/command/Light_Hall/state 0
10/10/16 07:20:03.240 /myhome/state/Lumin_Hall 10
10/10/16 07:20:45.698 /myhome/state/Hall_motion OPEN
10/10/16 07:20:45.714 /myhome/command/Light_Hall/state 25
10/10/16 07:20:56.337 /myhome/state/Hall_motion CLOSED
...
10/09/16 15:14:14.743 /myhome/state/Lumin_Hall 1000
10/09/16 15:15:14.803 /myhome/state/Lumin_Hall 1000
10/09/16 15:16:14.884 /myhome/state/Lumin_Hall 1000
10/09/16 15:16:26.837 /myhome/state/Hall_motion OPEN
10/09/16 15:16:33.975 /myhome/state/Hall_motion CLOSED
10/09/16 15:16:36.948 /myhome/state/Hall_motion OPEN
10/09/16 15:16:47.991 /myhome/state/Hall_motion CLOSED
10/09/16 15:16:51.524 /myhome/state/Hall_motion OPEN
10/09/16 15:16:55.989 /myhome/state/Hall_motion CLOSED
10/09/16 15:17:14.917 /myhome/state/Lumin_Hall 1000
10/09/16 15:18:14.979 /myhome/state/Lumin_Hall 1000
10/09/16 15:19:15.043 /myhome/state/Lumin_Hall 1000
10/09/16 15:19:23.918 /myhome/state/Hall_motion OPEN
10/09/16 15:19:35.155 /myhome/state/Hall_motion CLOSED
10/09/16 15:19:37.060 /myhome/state/Hall_motion OPEN
10/09/16 15:19:51.172 /myhome/state/Hall_motion CLOSED
10/09/16 15:20:03.101 /myhome/state/Hall_motion OPEN
10/09/16 15:20:11.197 /myhome/state/Hall_motion CLOSED
10/09/16 15:20:15.103 /myhome/state/Lumin_Hall 1000
...
10/08/16 19:56:23.492 /myhome/state/Lumin_Hall 15
10/08/16 19:57:23.480 /myhome/state/Lumin_Hall 12
10/08/16 19:58:23.480 /myhome/state/Lumin_Hall 11
10/08/16 19:59:23.477 /myhome/state/Lumin_Hall 15
10/08/16 19:59:58.442 /myhome/state/Hall_motion OPEN
10/08/16 19:59:58.458 /myhome/command/Light_Hall/state 100
10/08/16 20:00:02.684 /myhome/state/Hall_motion CLOSED
10/08/16 20:00:15.699 /myhome/command/Light_Hall/state 0
10/08/16 20:00:23.477 /myhome/state/Lumin_Hall 11
10/08/16 20:00:26.161 /myhome/state/Hall_motion OPEN
10/08/16 20:00:26.175 /myhome/command/Light_Hall/state 100
10/08/16 20:00:30.699 /myhome/state/Hall_motion CLOSED
10/08/16 20:00:41.180 /myhome/state/Hall_motion OPEN
10/08/16 20:00:41.194 /myhome/command/Light_Hall/state 100
10/08/16 20:00:47.696 /myhome/state/Hall_motion CLOSED
10/08/16 20:00:50.205 /myhome/state/Hall_motion OPEN
10/08/16 20:00:50.226 /myhome/command/Light_Hall/state 100
10/08/16 20:00:55.696 /myhome/state/Hall_motion CLOSED

Lumin_Hall - текущая освещенность - <20 - это темно, 1000 - это день. Hall_motion - датчик движения в коридоре Open - движение есть, Close нет. Light_Hall/state - состояние светильника 100 - максимальная яркость, 25 - низкая яркость, 0 - выключен. Такие логи есть по многим параметрам - температура на улице, статистика включения света на кухне, в туалете, управление жалюзями и т.д. Запись логов ведется круглосуточна и будет доступна за года и месяцы.
Вопрос - как с помощью машинного обучения из этих логов выделить закономерности, что Темно -> Вечер -> Есть движение -> Включили свет на полную, но в то же время Темно -> Утро -> Есть движение -> Включили свет на минимум, а днем вообще свет не включается? Т.е. чтобы после того, как закономерности найдены, полученный алгоритм мог бы сам управлять светом без ручного программирования алгоритма управления (как собственно обычно сегодня реализуется в системах УД).

Т.е. как бы вырисовывается такая концепция обучения умного дома:
- ставим умный дом и датчики, выясняем у жильцов, что им примерно хочется.
- включаем нужные модули в режим обучения, ждем, пока не соберется нужно количество данных, пока пользователи продолжают все делать вручную - т. е. изучаем привычки пользователей.
- переключаем модули в режим исполнения. Оставляем пользователям кнут и пряник для дальнейшего самообучения - если свет вдруг включился, когда не нужно, или наоборот не включился когда нужно, пользователь должен иметь возможность указать контроллеру на ошибку, а контроллер уточнить входные данные.