首先，您需要找到一种方法将其表述为分类问题，其中您有成对的特征（来自您的传感器数据）和标签（活动）。

功能包

一种简单的方法是将观察结果切割成一系列时间窗口，在每个窗口内，您忽略传感器数据的时间部分（“特征包”表示）。跟踪每个传感器的当前（或最常见）状态，并计算发生的传感器转换次数（例如：C08open->close：2 次）。

要选择适当的时间窗口长度，您应该进行一些探索性数据分析以找到典型的活动持续时间。

在训练和预测期间，时间窗都应该重叠计算。假设每个窗口长 5 分钟。然后下一个窗口包含最后 4 分钟，加上 1 分钟的新数据。重叠通常在 50-90% 的范围内。

请注意，某些活动非常依赖时间。喜欢make dinner或make lunch。因此，您还应该包括一个time_of_day自午夜以来的秒/分钟的功能。

时间模型

活动之间的某些转换可能比其他的更常见，这是可以使用的信息来源。示例：making dinner -> having dinner可能比making breakfast -> making dinner. 隐马尔可夫模型（HMM）将是建模的标准方法。它可以为您提供一整天最可能的活动顺序。

有一些方法可以在这类数据集上使用 CNN 和 RNN，但除非数据集很大，否则我可能不会尝试。