荊 心，李世豪，成 靜，張曉棠

(1.西安工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，西安 710021;2.西安工業(yè)大學(xué) 經(jīng)濟管理學(xué)院，西安 710021)

隨著國家對教育的日益重視，高校的招生規(guī)模也隨之增長，學(xué)生對電、水、氣等資源的使用也逐漸增加，資源浪費現(xiàn)象開始不斷顯現(xiàn)出來。近年來，信息化技術(shù)得到飛速發(fā)展，很多高校開始使用物聯(lián)網(wǎng)、智能感知、信息融合等新型技術(shù)來全面感知校園的物理環(huán)境，并使學(xué)校的數(shù)字信息與物理信息有機銜接起來，讓師生體驗舒適、便利、節(jié)能的智慧校園服務(wù)，推動校園向綠色、健康方向發(fā)展[1]。由于智慧校園需要部署大量底層傳感器，這些傳感器按一定周期以事件形式發(fā)送，從而造成了海量數(shù)據(jù)。因此，數(shù)據(jù)的高并發(fā)性是當(dāng)前數(shù)據(jù)處理的嚴(yán)峻問題。同時，這些數(shù)據(jù)之間的異構(gòu)及異常，也導(dǎo)致了智慧校園應(yīng)用在信息處理上面臨著諸多難題。另一方面，在面對海量多源數(shù)據(jù)時，如何從中快速挖掘出有用信息并對這些信息進(jìn)行融合，實時將來源異構(gòu)的信息轉(zhuǎn)變成決策或服務(wù)需要利用的知識，更成為當(dāng)今智慧校園面臨的一個突出問題[2]。

目前，處理智慧校園海量數(shù)據(jù)的主要方法包括：物聯(lián)網(wǎng)[3-4]、大數(shù)據(jù)[5-6]、情境計算[7-9]和復(fù)雜事件處理(Complex Event Processing,CEP)[10-13]等。例如，文獻(xiàn)[3]提出了一種基于未來天氣條件的多目標(biāo)快速優(yōu)化算法，用于校園建筑的改造與規(guī)劃，該算法在復(fù)雜天氣事件的處理過程中表現(xiàn)出穩(wěn)健性和有效性。文獻(xiàn)[4]開發(fā)了一種能源管理系統(tǒng)(Energy Management System,EMS)，并使用光傳感器來感知校園亮度，用于臺灣大學(xué)的照明控制。文獻(xiàn)[6]采用卡爾曼濾波法對位于科克理工學(xué)院校園內(nèi)的一臺風(fēng)力機進(jìn)行了一種簡單風(fēng)速預(yù)報，準(zhǔn)確預(yù)測出校園風(fēng)力機1 h前的轉(zhuǎn)速。文獻(xiàn)[9]提出了一種基于閾值比較的分析方法，以對校園情境信息進(jìn)行分析與處理，同時對會議室、實驗室和教室的用能設(shè)備(空調(diào)、燈和攝像頭等)進(jìn)行節(jié)能控制。此外，有限狀態(tài)自動機(Finite State Machine,FSM)[14-15]逐漸與CEP結(jié)合，并應(yīng)用于物聯(lián)網(wǎng)的數(shù)據(jù)處理方面。例如：文獻(xiàn)[14]提出了自適應(yīng)有限狀態(tài)機(Self-adaption Finite State Machine,SA-FSM)和抽象有限狀態(tài)機(Abstract Finite State Machine,A-FSM)，實現(xiàn)了基于CEP和MAPE(監(jiān)視 Monitor、分析 Analysis、規(guī)劃 Plan和執(zhí)行 execute)循環(huán)的自適應(yīng)過程，并在六個物聯(lián)網(wǎng)場景中得到驗證。由于目前關(guān)于校園信息融合的研究主要針對三種或三種以下影響因素(如：溫度、亮度和天氣等)進(jìn)行簡單分析，未能充分融合與利用更多的相關(guān)信息。因此，本文擬提出一種多維情境信息融合方法以解決智慧校園的數(shù)據(jù)處理問題，并把FSM作為CEP引擎的核心運行機制，結(jié)合情境計算、物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)對校園環(huán)境信息進(jìn)行預(yù)處理、分析與融合。

1 多維信息融合總體框架

由于物聯(lián)網(wǎng)數(shù)據(jù)的異構(gòu)性、大規(guī)模性、多源性、不可靠性和不一致性給智慧校園的情境信息處理帶來了巨大難題，情境計算和大數(shù)據(jù)融合技術(shù)的興起正好為解決此問題提供了有效方法[5,7]。基于此，本文提出了智慧校園多維信息融合總體框架，如圖1所示。

圖1多維情境信息融合總體框架

Fig.1 The overall framework of multi-dimensional contextual information fusion

系統(tǒng)以資源數(shù)據(jù)處理層對物聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行分類、排序、清洗和重組，為上層提供準(zhǔn)確信息來源；在多維數(shù)據(jù)融合分析層建立CEP模型，利用FSM進(jìn)行情境推理與融合，產(chǎn)生設(shè)備控制方案(推薦設(shè)備狀態(tài))；由設(shè)備控制服務(wù)層根據(jù)自動控制方案向校園應(yīng)用提供主動情境服務(wù)[8]。

2 資源數(shù)據(jù)處理層

本層在與底層數(shù)據(jù)進(jìn)行交互的過程中，需要對數(shù)據(jù)的異構(gòu)及異常問題進(jìn)行預(yù)處理，以起到為上層提供準(zhǔn)確數(shù)據(jù)來源的基礎(chǔ)性作用。為獲取到圖書館等大型空間真實情境中的動態(tài)數(shù)據(jù)，本文采用了在同一空間中部署多個同類型傳感器的方法。智慧校園內(nèi)所需采集的多源數(shù)據(jù)主要包括：溫度、亮度、流速和土壤濕度等。

2.1 事件表示模型

由于物聯(lián)網(wǎng)數(shù)據(jù)缺乏統(tǒng)一的全局性數(shù)據(jù)模式，并存在異構(gòu)性問題，因此，這些問題很容易導(dǎo)致數(shù)據(jù)處理出現(xiàn)異常[14]。為此，在預(yù)處理前，本文規(guī)定各類情境信息均以事件形式發(fā)送，并定義事件的基本表示形式為：<事件ID，設(shè)備編號，事件類型，情境數(shù)據(jù)值，事件發(fā)生時間，事件發(fā)生空間>。其中，事件發(fā)生空間由兩個子屬性構(gòu)成，一個是位置名稱，即此空間的真實名稱，例如：教1-203；另一個是位置編號，即通過數(shù)字編號來定義空間位置，例如：J1-02-03，由此可通過字符串比較判斷兩個位置的距離關(guān)系。

2.2 事件流分類預(yù)處理

對于不同的事件類型，它們情境數(shù)據(jù)值、發(fā)生的時間(空間)均有所不同[10-11]，且物聯(lián)網(wǎng)事件具有海量性質(zhì)，系統(tǒng)如果直接提取某類型事件進(jìn)行處理，就需要檢索大量信息，從而導(dǎo)致整體處理速度過慢。由此，必須首先對不同類型的事件進(jìn)行一系列的事件預(yù)處理操作，以提高數(shù)據(jù)處理效率。

按類型屬性對事件流進(jìn)行分類的處理過程，如圖2所示。

圖2 原始數(shù)據(jù)流分類處理模式

原始事件以流的方式被匯集入串行時間隊列，遵循先進(jìn)先出的原則；事件類型分類器按類型屬性對串行時間隊列里的每個事件進(jìn)行分類，并將結(jié)果存入相應(yīng)的并行類型隊列中。為確保不造成處理數(shù)據(jù)丟失，事件類型分類器通過動態(tài)滑動窗口從時間隊列中提取事件。根據(jù)類型屬性對事件進(jìn)行劃分為預(yù)處理機制中的第一個步驟，形成的并行類型隊列中的數(shù)據(jù)，將向后轉(zhuǎn)發(fā)繼續(xù)進(jìn)行處理。

2.3 事件流空間屬性排序

由于校園傳感器具有廣域的分布式特征，事件源的空間屬性將有助于本層對不同區(qū)域的情境信息進(jìn)行區(qū)分[4]，同時，位置離得越近，它們所處的情境就越相似。因此，在數(shù)據(jù)高并發(fā)環(huán)境下，將位于同一或相近空間的事件放在相同或相近的位置，能夠進(jìn)一步加快事件的檢索速度。為此，根據(jù)空間屬性對事件進(jìn)行排序，其處理模式如圖3所示。以并行類型隊列1的處理過程為例，事件空間分類器將從該隊列中取出固定滑動窗口內(nèi)(例如：5分鐘為一個窗口)的事件進(jìn)行空間分類，將同區(qū)域/樓層事件放入同一空間隊列中并按位置編號進(jìn)行排序，最后再將空間隊列中的事件以一個滑動窗口為單元，輸送至后續(xù)模塊進(jìn)行處理。根據(jù)空間屬性對事件進(jìn)行排序后，將進(jìn)一步提升事件計算處理的速度。

2.4 空間隊列事件清洗

受外界條件、儀器條件和測量方法等因素的影響，測量數(shù)據(jù)往往存在異常，若不排除這些異常，將影響后續(xù)的數(shù)據(jù)處理。為此，本文將對底層事件進(jìn)行清洗，進(jìn)而為信息融合提供準(zhǔn)確數(shù)據(jù)來源。

圖3 事件空間屬性處理模式

由于多傳感器測量方法在處理大量測量數(shù)據(jù)和提升數(shù)據(jù)可靠性方面效果不佳[4]，所以本文采用卡爾曼濾波法[6]來解決此問題，具體如圖4所示。系統(tǒng)將固定窗口內(nèi)經(jīng)過類型與空間分類的事件輸送至卡爾曼濾波器中進(jìn)行清洗，并輸出特定閥值內(nèi)無異常的事件。設(shè)由卡爾曼濾波器輸出的最優(yōu)濾波值為m，判斷事件的情境數(shù)據(jù)值為n，閥值為ε。判斷事件是否異常及異常解決方法為：計算差值δ=|m-n|，若δ-ε>0，則認(rèn)為事件異常并使用m代替n，反之認(rèn)為正常。通過卡爾曼濾波法對一維數(shù)據(jù)處理，去除環(huán)境噪聲干擾后的數(shù)據(jù)將被組裝成一條輸入流，輸送至CEP引擎。

圖4 卡爾曼濾波法的處理模式

3 多維數(shù)據(jù)融合分析層

本層接收經(jīng)過分類和清洗后的多維情境信息，并將其進(jìn)行融合，最終產(chǎn)生設(shè)備控制方案，為數(shù)據(jù)服務(wù)層提供決策指導(dǎo)。

3.1 CEP融合多維信息

CEP能夠為多維信息融合處理提供良好的支持，它通過利用一定規(guī)則和復(fù)雜事件處理引擎來分析、推理和融合實時信息，最終輸出含有高層語義的數(shù)據(jù)結(jié)果[12]。CEP引擎對底層情境事件進(jìn)行解析并產(chǎn)生語義，使用FSM融合語義信息，最終輸出設(shè)備控制方案(推薦設(shè)備狀態(tài))。

3.1.1 情境信息的語義化處理

數(shù)據(jù)只有轉(zhuǎn)化成語義才能被理解并加以利用，CEP引擎允許用戶編寫特定的規(guī)則，將連續(xù)的數(shù)值型數(shù)據(jù)抽象成具有一定語義的離散型信息[13]。為此，本文通過定義如下語義化規(guī)則通式(1)，以對事件的情境數(shù)據(jù)值進(jìn)行語義化處理。

if ∈conditions∈then

(1)

該規(guī)則的含義為：若情境數(shù)據(jù)值滿足條件，則推出語義信息。以溫度信息的語義化規(guī)則為例進(jìn)行說明。

if temperature∈[10℃,30℃] then temperature Semanics=“溫度感知：合適”

if temperature∈[-∞,10℃] then temperature Semanics=“溫度感知：冷”

if temperature∈[30℃,+∞] then temperature Semanics=“溫度感知：熱”

以上規(guī)則將沒有含義的數(shù)值轉(zhuǎn)化為有含義的信息，為情境融合提供了直接的語義信息來源。語義化規(guī)則根據(jù)實際情境被定義后，將被存入規(guī)則庫(知識庫)，為后續(xù)FSM推理提供語義基礎(chǔ)。

3.1.2 FSM狀態(tài)轉(zhuǎn)換規(guī)則

狀態(tài)是環(huán)境或物體所處的具體形式。本文將狀態(tài)定義為主動可控制的情境變量，例如：溫度感知、亮度感知、土壤濕度感知以及它們的組合形式等。特別地，本文將設(shè)備的開閉情況也列為狀態(tài)；將被動不可控制的情境變量和設(shè)備開閉動作作為狀態(tài)轉(zhuǎn)換條件，狀態(tài)本身也可以作為該條件的一部分。其中，被動不可控制的情境變量包括：時間、空間、天氣以及它們的組合形式等，設(shè)備開閉動作包括：開風(fēng)扇和關(guān)燈等。由于FSM需要對狀態(tài)進(jìn)行變換控制，因此，本文定義了狀態(tài)轉(zhuǎn)換規(guī)則模型(2)來描述兩種不同狀態(tài)間的轉(zhuǎn)換關(guān)系。

BeActedOn?

(2)

該模型的主要含義為：狀態(tài)在轉(zhuǎn)換條件的作用下將轉(zhuǎn)換成另一種狀態(tài)。以溫度狀態(tài)轉(zhuǎn)換規(guī)則為例進(jìn)行說明。

<溫度感知：冷>BeActedOn<關(guān)風(fēng)扇 and 風(fēng)扇已開 and!晴天>?<溫度感知：合適>

<溫度感知：冷>BeActedOn<關(guān)風(fēng)扇 and 風(fēng)扇已開 and晴天>?<溫度感知：熱>

<溫度感知：熱>BeActedOn<開風(fēng)扇 and 風(fēng)扇已關(guān) and!雨天>?<溫度感知：合適>

<溫度感知：熱>BeActedOn<開風(fēng)扇 and 風(fēng)扇已關(guān) and雨天>?<溫度感知：冷>

<溫度感知：合適>BeActedOn<(開風(fēng)扇 and 風(fēng)扇已關(guān)) or 雨天>?<溫度感知：冷>

<溫度感知：合適>BeActedOn<關(guān)風(fēng)扇 and 風(fēng)扇已開>?<溫度感知：熱>

3.1.3 FSM運行優(yōu)化

FSM是一種用于表示有限狀態(tài)和這些狀態(tài)之間跳轉(zhuǎn)情況的模型，其支持各類復(fù)雜行為的建模，并擁有有限個狀態(tài)，狀態(tài)間可相互遷移，狀態(tài)跳轉(zhuǎn)條件決定了狀態(tài)遷移的方向[15]。由于情境由多種不同類型的狀態(tài)組成，因此，F(xiàn)SM適合于處理多維情境信息的融合。本文將FSM作為CEP引擎的核心運行機制，并設(shè)計了FSM七維通用模型：(FSMType,ForwardCondition,Output,State,S0,α,β)。在此模型中，F(xiàn)SMType為FSM類型，即情境類型；Forward Condition為狀態(tài)轉(zhuǎn)換條件； Output為輸出結(jié)果；State為狀態(tài)的非空有限集合；S0為初始狀態(tài)；α為狀態(tài)轉(zhuǎn)移函數(shù)：State1×Forward Condition → State2(State1,State2屬于State)；β為輸出函數(shù)：State×ForwardCondition→Output。

傳統(tǒng)FSM存在固有的狀態(tài)空間爆炸問題，由以下表1、表2可進(jìn)行說明。

表1 二維狀態(tài)空間矩陣

表2 三維狀態(tài)空間矩陣

在表1的二維狀態(tài)空間矩陣中，A代表一個狀態(tài)類，它能夠衍生出m個狀態(tài)對象，例如：溫度狀態(tài)類能夠衍生出“溫度感知：合適”、“溫度感知：熱”和“溫度感知：冷”三個狀態(tài)對象。類似地，B代表另一個狀態(tài)類，它衍生出了n個狀態(tài)對象。由此，A狀態(tài)類和B狀態(tài)類將復(fù)合出n×m個復(fù)合狀態(tài)對象Cnm。由表2的三維狀態(tài)空間矩陣可以看出，如果C狀態(tài)類繼續(xù)與D狀態(tài)類進(jìn)行復(fù)合，將產(chǎn)生出s×n×m個復(fù)合狀態(tài)對象。綜上所述，每當(dāng)系統(tǒng)給FSM增加一個狀態(tài)類，狀態(tài)空間將以指數(shù)級別增長，由此將導(dǎo)致存儲量過大及狀態(tài)檢索過慢的問題，若不做優(yōu)化將嚴(yán)重影響系統(tǒng)的正常運行。為解決此問題，在同一情境下，允許CEP引擎設(shè)置嵌套FSM進(jìn)行父子調(diào)用。

本文定義需調(diào)用在其它狀態(tài)機中保存的狀態(tài)值，作為自身狀態(tài)跳轉(zhuǎn)條件的FSM稱為父狀態(tài)機，而僅記錄單一類型狀態(tài)且將被調(diào)用狀態(tài)值的FSM稱為子狀態(tài)機。當(dāng)父FSM規(guī)?？赡茌^大時，其將主動剝離轉(zhuǎn)移條件中出現(xiàn)頻率最高的對象，并創(chuàng)建子FSM，從而進(jìn)行復(fù)合降維處理。具體示例可參考3.2節(jié)的情景(在轉(zhuǎn)移條件1-6中，風(fēng)扇開關(guān)狀態(tài)出現(xiàn)頻率最高，由此被提取為子FSM。同樣根據(jù)轉(zhuǎn)移條件7-12，燈狀態(tài)作為一個子狀態(tài)類型被提取出去)。父FSM可獲取其創(chuàng)建的子FSM的狀態(tài)，作為其狀態(tài)跳轉(zhuǎn)條件的一部分。若父FSM發(fā)生狀態(tài)跳轉(zhuǎn)，其還需要回調(diào)相關(guān)子FSM，讓子FSM發(fā)生同步狀態(tài)跳轉(zhuǎn)。此外，F(xiàn)SM可設(shè)置一個目標(biāo)狀態(tài)(如圖5灰色底紋橢圓)，所有其他狀態(tài)均優(yōu)先向該目標(biāo)狀態(tài)跳轉(zhuǎn)。最終輸出結(jié)果為該情境下設(shè)備FSM輸出狀態(tài)的并集，從而產(chǎn)生數(shù)據(jù)服務(wù)層的設(shè)備控制命令。

3.2 上課情境實例

以上課教室情境S0=(S01=“教室狀態(tài)：上課”,S02=“溫度感知：熱”,S03=“亮度感知：亮”,S04=“風(fēng)扇狀態(tài)：關(guān)”,S05=“燈狀態(tài)：開”)為例進(jìn)行說明。其中，對S0情境進(jìn)行完全描述的原FSM需要包含：溫度感知狀態(tài)、亮度感知狀態(tài)、教室狀態(tài)、風(fēng)扇狀態(tài)和燈狀態(tài)五個基本狀態(tài)類別，另外如果再包含天氣狀態(tài)等外部狀態(tài)類型，則可預(yù)知將產(chǎn)生狀態(tài)空間爆炸問題，而難于構(gòu)造出合理的FSM。

圖5為經(jīng)過優(yōu)化后的FSM模型。其中，白色底紋橢圓表示普通狀態(tài)，灰色底紋橢圓表示目標(biāo)狀態(tài)，虛線橢圓表示初始狀態(tài)。CEP引擎先構(gòu)建一級父狀態(tài)機FSM(1)。由于當(dāng)前教室狀態(tài)為上課，因此需要構(gòu)建FSM(2)和(3)來作為FSM(1)的子狀態(tài)機。因為FSM(2)和(3)分別需要獲取風(fēng)扇和燈狀態(tài)，所以將FSM(2)和(3)設(shè)為二級父狀態(tài)機，以構(gòu)建出FSM(4)和(5)并分別將其作為FSM(2)和(3)的子狀態(tài)機。由于溫度感知和亮度感知的初始狀態(tài)分別為熱和亮，設(shè)當(dāng)前天氣為晴天，因此，需要通過開風(fēng)扇和開燈來向目標(biāo)狀態(tài)進(jìn)行轉(zhuǎn)換，F(xiàn)SM(2)和(3)將這兩個狀態(tài)控制分別發(fā)送給FSM(4)和(5)，并使風(fēng)扇狀態(tài)由原來的關(guān)變成開、燈狀態(tài)由原來的開變成關(guān)。最后輸出結(jié)果為：<①風(fēng)扇狀態(tài)：開，②燈狀態(tài)：關(guān)>，風(fēng)扇和燈狀態(tài)將根據(jù)情境的實時變化(閉環(huán)檢測結(jié)果)而動態(tài)調(diào)整。

圖5 上課教室情境的CEP模型

4 設(shè)備控制服務(wù)層

在智慧校園中，每個情境信息對師生來說都是有價值的，信息在為他人服務(wù)的過程中將產(chǎn)生更多潛力[2]。本文將利用下層的最后輸出結(jié)果來生成服務(wù)。例如：在上述情境實例中，最終輸出結(jié)果為：<①風(fēng)扇狀態(tài)：開，②燈狀態(tài)：關(guān)>，則生成的服務(wù)為：<①開風(fēng)扇，②關(guān)燈>。情境服務(wù)會根據(jù)實際情況被調(diào)用，同時，服務(wù)調(diào)用信息被解析成設(shè)備控制指令，以對設(shè)備進(jìn)行實時控制。

5 實驗與分析

5.1 實驗硬件部署

實驗提取了智慧校園內(nèi)教室、校道、圖書館和草坪四種較為常見的情境，并選取了某高校進(jìn)行模擬仿真實驗。在每個被測試教室和圖書館區(qū)域的不同位置分別布設(shè)了多個溫度傳感器和亮度傳感器(每個教室二個溫度傳感器，而圖書館每區(qū)域則在三個或以上)，同樣在被測試草坪區(qū)域內(nèi)的不同位置放置了多個土壤濕度傳感器(每區(qū)域四個或以上)。所有傳感器的事件發(fā)送頻率均為30秒/次；圖書館會根據(jù)時間(圖書館每層的開放時間)決定其館內(nèi)設(shè)備的開閉；路燈會根據(jù)天氣預(yù)報信息和時間(白天或晚上)決定其開閉。

5.2 一維事件清洗分析

實驗使用卡爾曼濾波法清洗同類型底層事件。下面以實驗過程中一個溫度測量場景為例進(jìn)行說明。場景數(shù)據(jù)設(shè)定為某時間段在圖書館某開放區(qū)域測量的50個溫度事件。下面需要通過卡爾曼濾波法清洗這些事件，為了驗證卡爾曼濾波法的準(zhǔn)確性，本實驗使用了精密溫度測量儀來精確測量該開放區(qū)域的平均溫度，以對比卡爾曼濾波法的預(yù)測值與實際值的差距。實驗結(jié)果如圖6所示，紅色曲線為通過卡爾曼濾波法計算的后驗溫度估計值，直線為通過精密溫度測量儀測出的平均溫度值，離散點“+”為50個溫度數(shù)據(jù)值，單位均為℃。從圖6可知，隨著迭代次數(shù)的增加，曲線和直線的擬合程度越來越好，卡爾曼濾波法的預(yù)測值是有效的。本文取卡爾曼濾波法的最后一次迭代結(jié)果21.10 ℃作為最優(yōu)濾波值，該最優(yōu)濾波值與精密溫度測量儀測出的平均溫度值21.17 ℃相比，誤差為0.07 ℃，屬于可接受范圍。最終通過2.4節(jié)方法即可完成溫度事件的清洗。由此，本實驗驗證了卡爾曼濾波法能夠解決大量一維情境事件的清洗問題。

圖6 測量溫度、后驗估計溫度和真實溫度值的比較情況

5.3 高維信息融合分析

由于本系統(tǒng)需要實時處理校園情境信息，并進(jìn)行及時地反饋，為此，實驗主要驗證信息處理的實時性，文中對定量情境信息的預(yù)處理與融合耗時進(jìn)行了分析與統(tǒng)計，并設(shè)計了2組實驗，利用windows7的pycharm+anaconda+eclipse作為編譯與運行環(huán)境；Python和Java為主要開發(fā)工具，并用于構(gòu)建規(guī)則庫、FSM和CEP；時長為1星期。數(shù)據(jù)集主要包括：在實驗區(qū)域內(nèi)采集的傳感器數(shù)據(jù)(溫度、亮度、土壤濕度和流速)和天氣預(yù)報信息(天氣、室外溫度、室外濕度、風(fēng)向和風(fēng)速等)。

圖7為使用本文提出的數(shù)據(jù)預(yù)處理方法(處理1)與未使用預(yù)處理方法(直接進(jìn)行清洗，處理2)間的耗時比較。

圖7 底層事件處理耗時曲線Fig.7 Time-consuming curves of bottom events processing

隨著事件個數(shù)的增加，兩種方法的處理時間也隨之增長，但文中方法耗時更少、增長速率更小，運行效率提升約66.28%，對100,000個事件進(jìn)行處理，耗時約2 s。

圖8為優(yōu)化FSM和傳統(tǒng)FSM的平均耗時及占用內(nèi)存情況，隨著狀態(tài)類別數(shù)(每種狀態(tài)類別均有3個或以上狀態(tài)對象)的增加，兩種FSM的處理時間和占用內(nèi)存也隨之增長，且優(yōu)化FSM的平均處理耗時和占用內(nèi)存較傳統(tǒng)FSM少。結(jié)果表明，優(yōu)化FSM能夠?qū)η逑春蟮那榫承畔⑦M(jìn)行高效處理與融合，返回高層服務(wù)，實現(xiàn)了根據(jù)當(dāng)前情境實時調(diào)節(jié)設(shè)備狀態(tài)的目的。

圖9為實驗結(jié)果界面，由六部分構(gòu)成，分別為空間情境類型、空間位置、上一時刻情境、CEP+FSM處理后所調(diào)用的服務(wù)、當(dāng)前情境和設(shè)備人工管理，管理人員可實時查看情境詳情和設(shè)備運行情況，并根據(jù)實際需求對設(shè)備進(jìn)行手動調(diào)節(jié)，實現(xiàn)人性化管理。

圖8 FSM耗時及占用內(nèi)存曲線

圖9 實驗結(jié)果界面

6 結(jié) 論

1) 本文以智慧校園節(jié)能為目標(biāo)，提出了一種面向校園用能管理的多維信息融合方法，與傳統(tǒng)校園信息化處理相比，該方法采用了時空隊列預(yù)處理和卡爾曼濾波器對物聯(lián)網(wǎng)海量實時數(shù)據(jù)進(jìn)行分類、排序、清洗與重組，采用CEP及優(yōu)化的FSM對多維情境信息進(jìn)行推理與融合，從而產(chǎn)生設(shè)備控制方案，最終達(dá)到了自動化節(jié)能管理的目的。

2) 以某高校實際情境為例，本文對一維數(shù)據(jù)清洗與多維數(shù)據(jù)融合進(jìn)行了運行時間與空間的性能測試，實驗數(shù)據(jù)表明，所提出的方法具有更高效的處理速度，且占用更少的內(nèi)存空間。

3) 可以預(yù)見本文智慧化方法將對校園內(nèi)水、電、氣的利用效率產(chǎn)生明顯提升作用，但目前研究對象僅關(guān)注于校園本身，還沒有對具有個性化的師生活動進(jìn)行分析，后續(xù)將以此方向進(jìn)行完善，以進(jìn)一步推進(jìn)校園的節(jié)能應(yīng)用。