Uncertainty and incompleteness handling in context-aware systems

Abstract

Ambient Intelligence (AmI) solutions are capable of acting autonomously to benefit human beings. This field of investigation is directly related to other domains, aiming to improve user experience by developing context-aware applications. Context information is naturally dynamic, uncertain, or incomplete. Thus, it is crucial to study ways to handle problems in context data to build applications that run autonomously. The main objective of this Ph.D. thesis is to identify elements that result in the characterization of uncertain contexts. For that, sources and types of uncertainty in intelligent environments were identified. A framework with three layers to validate context data was proposed. The first one defines an attribute grammar to ensure the structure of the data. Restrictions (expressed as logical formulas) associated with the rules of the grammar enforce the system to work with well-defined values. Pieces of context data should have quality, be relevant and be complete to be used by a context-aware system. Thus, the second layer analyses the quality of the data gathered by sensors. A set of premises was used to ensure the relevance of the data regarding its quality and usefulness. The last layer tackles uncertainty (e.g., missing values, obsolete, irrelevant, or ambiguous) and removes it from the context analysis. A classification provided by a decision tree was used to grant relevant data to replace the faulty ones. Thus, the framework ensures that the data being used to process context is well-structured, has high quality, and is as complete and updated as possible. In worst-case scenarios, it can, at least, identifying the source of problems. The validation of the proposal was conducted through a series of case studies developed based on two public datasets. Their content refers to ordinary Activity Daily Living (ADL) tasks, and they were built with actual data collected in test environments. Even considering that the datasets have distinct structures, the results evidenced verified an improvement in the quality of the context data.

Soluções de Ambient Intelligence (AmI) são capazes de actuar de forma autônoma em benefício do ser humano. A área de investigação é relacionada a outros domínios para melhorar a experiência do usuário através da criação de aplicações cientes do contexto. Informações de contexto são naturalmente dinâmicas, incertas ou incompletas. Assim, é crucial estudar maneiras de lidar com problemas em dados para construir aplicações que rodam de forma autônoma. O objetivo principal desta tese de doutoramento é identificar elementos que resultam na caracterização de contextos incertos. Para isso, foram identificadas fontes e tipos de incertezas em ambientes inteligentes. Um framework com três camadas para validar dados de contexto foi proposto. O primeira define uma gramática de atributos para garantir a estrutura dos dados. Restrições (expressas como fórmulas lógicas) associadas às regras da gramática obrigam o sistema a funcionar com valores bem definidos. Dados de contexto devem ter qualidade, serem relevantes e estarem completos para serem usados por um sistema ciente de contexto. Assim, a segunda camada analisa a qualidade dos dados coletados pelos sensores. Um conjunto de premissas foi usdo para garantir a relevância dos dados quanto à sua qualidade e utilidade. A última camada trata a incerteza (e.g.,, valores ausentes, irrelevantes ou ambíguos) e remove-a da análise de contexto. Uma árvore de decisão foi usada para fornecer dados relevantes e substituir os defeituosos. A estrutura garante dados bem estruturados, de alta qualidade e tão completos e atualizados quanto possível. No pior dos cenários, pode, pelo menos, identificar a origem dos problemas. A proposta foi validada por meio de uma série de estudos de caso desenvolvidos com base em dois datasets públicos, com tarefas comuns de atividades diárias (ADL). Foram criados com dados reais coletados em ambientes de teste. Mesmo considerando que os datasets possuem estruturas distintas, os resultados evidenciaram uma melhora na qualidade dos dados.