我正在開發一個基於傳感器值和其他細節分析用戶情況的android應用程序。該應用程序基本上是一個提醒功能，可以幫助用戶根據他的情況。哪種算法適合情況分析？
我們提供應用程序我們的日常事件作爲事件與位置和必要的細節。當事件到達時，它通過讀取他的位置，時間，天氣，加速器是否移動（即是否忙），電話是否在口袋中，距離事件目的地的距離，時間等來通知之前分析用戶的當前狀況將採取到達那裏等
然後，它選擇一系列的行動，可能會在到達目的地之前，如閱讀新聞，提供導航，打開媒體播放器，顯示股票細節，執行搜索等有用的一種操作。算法應該選擇這些行動來自一系列行動。
哪種算法和數據結構適合分析當前情況？ 請提供您對該項目和想法的看法。由於
2的方法浮現在腦海中：
插入到一個哈希表中所有可能採取的行動時，關鍵是集各種數據元素。即，h({data1, data2,...}) = a1; h({dataa, datab,...}) = a2。無論何時何時，將散列函數應用於數據集並提取動作。
1的問題是散列的可能大小，它必須包含所有可能的值組合 - 大小將爲num of sensor1 values * num of sensor2 values * ... * num of sensor n values。如果每個組合的行動都不同，那麼沒有什麼可以優化的。但事實可能並非如此，在大多數情況下，這些行動將是相同的。例如，您可以採取相反的方法，並將所有可能的操作集保存在地圖中。在非常高的層面上：無論何時何時到達，開始分析數據 - 在讀取第一個傳感器數據後，可能的行爲將縮小;分析第二傳感器數據並重復該動作子集的過程。繼續進行，直到只剩下單個動作或不再有傳感器數據可用（無論先出現哪種情況）（假設傳感器數據的所有組合均映射到有效動作）。
在閱讀您的項目邏輯和特別是號角條款時，我想起了這些。您描述了您的應用程序應該檢查一組條件以選擇要執行的特定操作。 Horn clauses是propositional或first-order logic中的某種形式的邏輯表達式。霍恩條款最多隻有一個積極的文字，表達了事實，規則或目標。有了這些事實，就有可能描述你的知識，用規則來描述你的知識，如果某些條件適用，你可以選擇哪種行動來選擇。 Horn子句，一階邏輯，命題邏輯和解析是邏輯編程，規則引擎或約束滿足的理論基礎。
E.g. drools是一個規則引擎，它允許描述知識庫和一組規則。 Drools使用一階推理來從知識庫和規則的條件推理行爲。也許，你會發現一些你可以用在一階邏輯，命題邏輯，規則引擎，邏輯，編程，約束滿足，推理，問題解決和推理等領域的東西。您可能會在那裏找到例如用於流口水的rete algorithm。