事件识别

事件识别（事件模式匹配）指检测与处理相关的事件，从而提供实施反应措施的机会。比如识别计算机网络节点中的攻击，视频内容中的人类活动，社交网络上的新兴故事和趋势，智能城市中的交通和运输事件，电子市场中的欺诈，心律失常和流行病传播等。在每个场景中，事件识别通过理解大数据流而做出相应的反应。

图1 概述了事件识别输入的关键方面，包括事件流和事件模式。一方面，事件流的特征（四个“V”），以及事件的分布，都会带来挑战。也就是说，速度Velocity（每个时间单位的事件数），体积Volume（事件的总体数量），变化Variety（不同结构的事件），缺乏准确性Veracity（事件发生的不确定性）以及可能涉及移动性事件源的分布，使事件识别复杂化。

另一方面，事件模式的属性在很大程度上与事件流的特征正交，进一步增加了事件识别任务的复杂性，使得模式可能需要来适应动态环境。此外，模式可以集成各种事件源。最后，在某种意义上，模式可能本质上是不确定的，即某些事件只能在置信区间的范围内被识别。

事件识别包括以下几个难点与课题：

• 事件的多尺度暂时聚合。复合事件在时间和空间的多个尺度上演变，事件流的多样性可以不同的事件源从毫秒到几天的不同时间尺度上反映。所以事件识别系统应具有适应性，动态计算不同细节水平的多粒度窗口的适当长度，并保持准确。
• 不确定性下的事件识别。输入事件流通常是不完整的，包括错误信息。传感器网络由于网络故障，媒介的意外干扰等原因而引入不确定性。由于所有这些原因，输入事件流很容易缺乏确定性。虽然优化概率推理技术提升了系统性能，大量的开销目前不允许在广泛的应用中实现实时性能。这是不确定环境中事件识别的关键挑战。
• 分布式事件识别。事件流的量和速度不断增长，并且需要处理事件的规模越来越大，这在计算资源和通信资源方面都带来了挑战。通过在多个节点之间分配事件识别任务来解决计算可伸缩性问题，同时通过在事件源上执行尽可能多的处理算法来解决通信可伸缩性问题。
• 事件模式学习。机器学习技术可用于在动态和演进环境中构建和调整事件模式。监督和非监督技术都已被用来来自动适应和构建事件模式。然而，通常系统的结构和参数的学习是分开的，首先学习事件模式的结构，然后学习参数和权重。这样分离的方式可能会导致次优结果。因此，调整学习方式，优化学习顺序是事件模式学习中的关键挑战。
• 事件预测。快速的社会，经济和政治变革正在引领组织将其思维从被动转变为主动，以发现可能影响其业务的机会和威胁。因此，如何利用主动事件驱动的计算系统进行事件预测和决策，来消除或减轻预期问题甚至预测机会，成为另一个关键挑战。

事件识别是一个非常重要的研究课题，并且在许多高级计算机视觉应用中被大量使用，例如安全监视，人机交互，自动索引和检索以及视频浏览。关于与安全相关的事件识别，视频监控系统在大多数领域都很容易获得，包括智能家居，停车场，医院和社区场所。

随着我们从信息经济转向“智能经济”，事件识别系统变得越来越重要，不仅重要的是信息的可访问性，还包括分析和处理信息的能力，在商业交易中创造竞争优势，使能社区的可持续管理，促进社会，医疗和教育服务的适当分配。当前的企业往往无法处理并理解每天变得越来越多的分布式数据源所产生的数据量，并且需要越来越多地依赖自动事件识别，比如智能城市中需要利用来自越来越多的传感器的数据的流量管理。

描述和图片来源:

1. Suriani, N. S., Hussain, A., & Zulkifley, M. A. (2013). Sudden event recognition: A survey. Sensors, 13(8), 9966-9998. https://www.mdpi.com/1424-8220/13/8/9966/htm
2. Artikis, A., Gal, A., Kalogeraki, V., & Weidlich, M. (2014). Event recognition challenges and techniques: Guest editors' introduction. ACM Transactions on Internet Technology (TOIT), 14(1), 1. https://www.matthiasweidlich.com/paper/event_recognition_challenges_TOIT_2014_preprint.pdf

发展历史

描述

事件识别这一研究方向最早可追溯到20世纪。1996年，Johnson和Hogg在论文“Learning the distribution of object trajectories for event recognition”中提出通过学习物体轨迹的分布以进行事件识别。

2002年，Luckham David在经典论文“The Power of Events”中描述了当前分布式企业系统中复杂事件识别的现状，方法和必要性，阐述了事件的重要性，为事件识别开拓了方向。

2007年的IJCAI上，Dousson和Maigat在文章“Chronicle recognition improvement using temporal focusing and hierarchisation”介绍了在网络节点中识别攻击的例子。2008年的CVPR上，Callens等人在论文“Intelligent adaptive monitoring for cardiac surveillance”中介绍了一种自适应监测方法，用于心脏活动的监测。事件识别在网络，医疗，金融等多领域得到了初步应用。

随后，在2009年，Lakshmanan等人在论文“A stratified approach for supporting high throughput event processing applications”中提出了一种支持高吞吐量事件处理的分层方法。该方法已延续使用多年，并且产生了几种常用改进。

2011年，Vesset等人在论文“Worldwide decision management software 2010–2014 forecast: A fast-growing opportunity to drive the intelligent economy”中表示，事件识别在智能社会中发挥着越来越重要的作用，不仅重要的是信息的可访问性，还包括分析和处理信息的能力，在商业交易中创造竞争优势，使能社区的可持续管理，促进社会，医疗和教育服务的适当分配。这一观点得到一致赞同。

2014年，Artikis等人在文章“Event recognition challenges and techniques: Guest editors' introduction”中总结了事件识别的进展，常用技术，和当前仍在存在的挑战。

2018年，Wang等人在文章“Transferring deep object and scene representations for  event recognition in still images”中提出了一种通过静止图像中的深度对象和场景的传输，来识别事件的方法。

主要事件

发展分析

瓶颈

大数据与事件识别的发展，使得金融，医疗，安防等多个领域得到进一步发展。然而，现代社会的数据太过庞大，算力的不足，模型的复杂，无法实时准确的提供事件的识别与后续的反馈处理。

未来发展方向

算力的提升，搜索方法的优化自然是事件识别效果提高的关键，但同时，如何在近乎无限的数据中识别有限的关键的事件，需要密切结合各个领域，由各领域专家提供专业意见和指导。

Contributor: Yuanchao Li