State Predictors for Context Prediction in Ubiquitous Computing

Ubiquitäre Computersysteme werden nach den Generationen der Großrechner und der Personal Computer als die dritte Rechnergeneration gesehen. Die Benutzer sind von vielen Rechnern in Alltagsgeräten umgeben, die - für den Menschen unsichtbar - eigenständig Unterstützungen im täglichen Leben bieten. Um sich in hohem Maße auf den Menschen einzustellen, werden Informationen der Umgebung benötigt, welche als Kontext bezeichnet werden. Eine weiterreichende Unterstützung besteht darin, dem Menschen Entscheidungen abzunehmen, die aus Gewohnheiten resultieren. Hierzu müssen Kontexte vorhergesagt werden, so dass das System in einem vom Benutzer gewünschten Maße proaktiv handeln kann. Um Kontexte zu erlernen und damit vorherzusagen, können verschiedene Verfahren des Maschinellen Lernens eingesetzt werden. Neuronale Netze, Bayessche Netze sowie Markov-Modelle sind die wohl bekanntesten Vertreter. Vorhersageverfahren sind aber auch in anderen Bereichen der Informatik zu finden. Zur Vorhersage bedingter Sprungbefehle in aktuellen Mikroprozessoren werden Verfahren eingesetzt, die eine Treffergenauigkeit von bis zu 98% erreichen. Können diese Verfahren auf die Kontextvorhersage in ubiquitären Systemen übertragen werden? Können dabei auch solch gute Ergebnisse erzielt werden? Die Zustandsprädiktoren sind durch verschiedene Verfahren der Sprungvorhersage motiviert. Sie zeigen eine Möglichkeit wie diese Sprungvorhersagetechniken auf die Kontextvorhersage übertragen werden können. Mit Erweiterungen der Zustandsprädiktoren durch Zuverlässigkeitsschätzung und Hybridverfahren wurde bei der Vorhersage des nächsten Aufenthaltsortes einer Person eine Vorhersagegenauigkeit von bis zu 90% erreicht. Im Vergleich mit bekannten Verfahren wie Neuronalen Netzen, Bayesschen Netzen und Markov-Modellen verhalten sich die Zustandsprädiktoren bezüglich der Vorhersagegenauigkeit ähnlich. Bei der An- und Umlerngeschwindigkeit liegen sie vor den anderen Verfahren.Ubiquitous Computing marks the third computer generation after the generation of main frames and the generation of personal computers. The users are surrounded by many indiscernible computers in devices of everyday life. These computers should support the humans without direct interactions. Information from the environment are needed for preparing exceedingly for the humans desires. This surrounding information is called context. Furthermore the system could take over decisions from the humans which were resulted in habits. Therefore contexts must predicted and the system can act proactive in a desired degree. Different methods from the area of machine learning can be used to learn and predict contexts. Neural networks, Bayesian networks, and Markov models are well-known representatives. Prediction techniques can also be found in other areas of computer sciences. The prediction of a conditional branch in current high-performance microprocessors is executed by techniques which reach a prediction accuracy of up to 98%. Can these methods be transferred to context prediction in ubiquitous computing? Can also the very good results be reached? The state predictors are motivated by different branch prediction techniques. These predictors show a possibility how the branch prediction techniques can be transferred to context prediction. A prediction accuracy of up to 90% was reached for the prediction of the next location of a person by using extensions like confidence estimation and hybrid approaches. In comparison with neural networks, Bayesian networks, and Markov models the state predictors show the same behavior concerning the prediction accuracy. In case of learning and relearning the state predictors perform better than the other methods