智能家居用戶行為預測的方法研究

呂培卓 戴洪濤（河北冀州中學，河北 衡水 053000）

?

智能家居用戶行為預測的方法研究

呂培卓 戴洪濤
（河北冀州中學，河北 衡水 053000）

摘 要：隨著物聯網技術、大數據計算、傳感器技術等新興技術的發展，智能家居更加貼近人類生活。對用戶未來活動的預知，將使家居生活更加靈活和智能。本文基于隱馬爾科夫模型（hidden Markov model, HMM），提出了對用戶家居生活行為預測的方法。首先本文闡述了用戶行為預測的方法架構，隨后從相似數據篩選、基于HMM的行為模式發現和預測等多個方面詳述了用戶行為預測的方法。此預測方法能夠為用戶日常家居生活提供便捷、高效的生活服務。

關鍵詞：智能家居；用戶行為預測；隱馬爾科夫模型；數據挖掘

1　概述

近年來，隨著物聯網技術的快速發展，社會上以物聯網為中心衍生出來許多相關技術。利用無線傳感技術和計算機網絡技術，將小區內的普通底層硬件設備（冰箱、臺燈、熱水器等）聚合在一起，形成一整套智能家居體系；結合大數據技術，將與用戶日常行為相關的海量數據存儲在云平臺，保證數據穩定且高效的存儲。通過對用戶日常生活行為的挖掘，可以讓家居系統更好地了解用戶生活習慣，并根據用戶習慣設計電器開關時間、電器啟動用量，以達到簡化用戶生活、環保、低功耗的目的。在智能家居領域，用于用戶行為預測的常見方法有人工神經網絡、支持向量機、決策樹分類方法等。本文采用了隱馬爾可夫模型的算法，利用隱馬爾科夫模型，對每個用戶的歷史行為數據建模，實現用戶的行為挖掘和預測的功能，為智能家居中家電設備的控制提供依據。本文首先介紹了用戶行為預測方法的架構，隨后詳細介紹了方法的具體實現，包括利用余弦相似性篩選與當前行為習慣相似的數據集和基于HMM的用戶行為預測的方法等；最后通過實例，展示了在智能家居系統中其應用的方法，為用戶日常家居生活提供便捷的生活服務。

2　用戶行為預測方法架構

研究表明用戶的日常行為中包含明顯的行為模式。假設一家中3個用戶（爸爸、媽媽和小明），工作日媽媽每天6點鐘起床為全家做早餐；爸爸6點鐘起床打開熱水器，待30分鐘后洗漱；小明7點鐘起床吃早餐；早晨8點鐘大家都已經離開了家上班或者上學。本文的工作重點是對用戶的歷史行為數據建模，挖掘用戶的行為特征，并預測在時間t用戶將會有什么行為，從而為智能家居中家電設備的控制找到依據。圖1顯示了單用戶行為預測的模型框架，主要包括以下3個部分：（1）相似數據篩選：用戶的行為隨著時間可能發生變化，本模塊將從歷史行為數據中，挑選和當前用戶行為習慣相關的數據；（2）當前的行為模式發現：通過篩選的數據集，挖掘用戶的行為模式，發現時間和用戶行為的關系，獲得用戶日常行為習慣的時域特征；（3）行為預測：基于用戶行為的時域特征，預測用戶未來的一個時間點的行為。后文將具體介紹在智能家居下，用戶行為預測實現的方法。

圖1　用戶行為預測的模型架構Figure 1. Structure of our model for user behavior prediction

3　隱馬爾科夫模型

自20世紀80年代以來，隱馬爾可夫模型被應用于語音識別，取得重大成功。到了90年代，HMM還被引入計算機文字識別和移動通信核心技術“多用戶的檢測”。近年來，HMM在生物信息科學、故障診斷等領域也開始得到應用。該模型具有研究透徹、算法成熟、效率高、效果好、易于訓練的優點。隱馬爾可夫模型作為一種統計分析模型，用于分析由馬爾科夫過程產生的序列，并且序列中又引入了一個隱含狀態，是一個雙重隨機過程。一般的講，隱馬爾可夫模型可以用五個元素來描述，包括2種狀態變量（隱狀態和可觀察狀態）和3個概率矩陣。圖2為一個HMM模型的實例。圖中的每個節點代表一個隨機變量，隨機變量s（t）是在時間t的隱狀態，在圖2的模型中s（t）∈{s1，s2，s3}隨機變量o（t）是在時間t的可觀察狀態，在圖2的模型中o（t）∈{o1，o2，o3，o4}。此外，正如圖2的箭頭所示，隱馬爾可夫模型仍然包含2類條件概率：

圖2　隱馬爾科夫模型實例Figure 2. Example of hidden Markov model

表1　用戶行為與數值的映射關系Table 1. Map between user behavior and value

所有變量的聯合概率分布，可以簡化為：

引入符號λ={A，B，π}來描述隱馬爾可夫模型，其中：隱狀態轉移概率矩陣A是一個N×N矩陣，且Aij=p（Sj∶t+1｜Si∶t），1≤i，j，≤N；混雜矩陣B是一個N×M矩陣，且Bij=p（Oi∶t｜Sj∶t），1≤i≤M，1≤j≤N；初始狀態概率矩陣π是一個1×N向量，且π=[p（s1），p （s2），…p（sN）]（N是隱狀態數，M是觀察狀態數）。

隱馬爾可夫模型主要關注以下3個問題，這些問題同樣關乎到下文用戶行為習慣預測的實現。

（1）評估問題（evaluation）：給定觀測序列（O1O2…Ot）和模型參數λ={A，B，π}，怎樣有效計算這組觀測序列的概率p（O1O2…Ot｜λ）。此問題通常通過利用前向算法（forward algorithm）實現，算法中引入迭代計算，降低了算法的復雜度。

（2）解碼問題（decode）：給定觀測序列O1O2…Ot和模型參數λ={A，B，π}，怎樣尋找最優的隱狀態序列：

此問題需要從所有可能的隱狀態s1∶t序列中，找到一個序列使得概率p（s1∶t｜λ，o1∶t）取最大值。在這類問題通常利用維特比（Viterbi）算法來實現。

（3）學習問題（learning）：充分利用所有已知的觀察序列O1O2…Ot，通過多次訓練，使得λ={A，B，π}能夠更好的數據集的特征：

解決此問題通常使用Baum-Welch算法。

4　基于HMM的用戶行為預測方法

4.1相似數據篩選

為了挖掘時間和用戶行為的關系，將單用戶每天的行為數據，轉化為一個向量Day。將用戶常見的行為映射為數值1至N（N≥1），比如1表示打開熱水器、2表示關閉煤氣灶等，見表1。以15min為粒度，將全天劃分為96個時隙。默認每個時隙k，單用戶只會發生一種行為，每個時隙k將對應一個數值x，組成一個96維的向量Day[k]=x。若15min內連續有2或以上的行為發生，則選擇出現頻次最高的動作x，作為時隙k的取值Day[k]=x。（此外，引入的數值0表示此15分鐘內用戶沒有任何行為）。96維的向量Day的格式如下：Day=（1，2，3，5，4，…，x，y…0，10，12），1≤x，y≤N。用戶行為可能隨著時間的變化而發生改變。比如暑假期間，小明行為習慣要明顯區別與上學期間。準確識別出用戶當前的行為模式，明確這種行為模式持續了多久，即包含用戶當前行為模式的數據集的時間窗的長度，是非常重要的。鑒于以上原因以及防止模型的過度擬合，在數據篩選時：（a）考慮到一周內不同天，用戶行為可能存在的差異，則區分用戶一周內每一天的數據；（b）識別包含當前行為模式的時間窗的長度，比如，今天是第i個周一Dayi，找到之前有幾個周一的用戶行為和今天相似。方法如下：通過余弦相似性計算Dayi和Dayi-1相似度σij。如果σij大于一個閾值Θ，窗的長度繼續加一；否則，將跳過Dayi-1，比較Dayi與Dayi-2的相似性σij。如果連續m天，σij均低于Θ，時間窗的長度將不再增加。篩選的數據集中僅包含σij高于閾值Θ的數據。

圖4　表征時間和用戶行為關系的HMM實例Figure 4. An HMM representing user behavior and their relationships with time slots of a day

4.2基于HMM的行為預測模型定義

借助HMM對單用戶的行為建模，發現用戶當前的行為模式，HMM模型λ={A，B，π}定義如下：（1）隱狀態：用戶的N種行為，以及表示用戶沒有任何行為的狀態“0”；（2）可觀測狀態：用戶每天的96個時隙；（3）初始狀態概率矩陣π：每種用戶行為發生的概率。借助篩選的數據集，計算每種動作x發生的概率p（x），x∈[1，N]；（4）轉移矩陣A：不同用戶行為間轉移的概率，即已知狀態i（打開洗衣機），狀態j（打開掃地機器人）發生的概率aij=p（Sj∶t+1｜Si∶t），1≤i，j，≤N；（5）混雜矩陣B：已知用戶行為j已經發生，用戶處于特定時隙i的概率bij=p（Oi∶t｜Sj∶t），1≤i≤96，1≤j≤N。圖4為用于行為預測的HMM實例。模型中包含包含5個時隙，并且隱狀態有4種用戶行為為例。

4.3用戶行為預測

預測d天用戶在每個時隙可能的行為時，首先要利用用戶的d-1天的歷史數據，篩選出相似數據，利用它們更新模型λ={A，B，π}。通過模型λ={A，B，π}表征當前用戶的行為模式。基于此模型，可以展開未來一天的各個時隙的用戶行為預測。結合HMM模型的原理，預測的本質是：已知一個HMM模型λ={A，B，π}，找到特定時隙k（觀察狀態）最有可能的用戶行為i（隱狀態）。這是一個HMM的解碼問題（decode）。比如，今天是2015年11月15日星期日，想預知用戶明天的6∶00-7∶00的日常行為。利用維特比算法，結合反映用戶當前行為特征的周一的馬爾科夫模型λ={A，B，π}，識別滿足6∶00-7∶00這個時間段，概率最高的一組隱狀態序列（用戶行為序列）。這組用戶行為序列，將是用戶行為預測的結果，此結果將為智能家居中家電設備的控制找到依據。實際應用中，可以為家庭中的多用戶分別建模，為多用戶的日常生活預測提供了可能性，解決了多人的室內環境中建模和預測的局限性。

結語

在現有的智能家居體系下，本文提出了隱馬爾可夫模型為基礎的用戶行為預測的方法。為了保證模型的準確性和魯棒性，本文利用余弦相似性對歷史數據進行數據預處理；隨后利用隱馬爾可夫模型挖掘用戶行為的時域關系，基于此，提供了用戶行為預測的方法。此方法可以對家庭中的多用戶分別建模和預測，解決了多人在室內環境中建模和預測的局限性；本方法無需復雜的模型訓練，算法復雜度低。為推進家居生活的智能化具有一定的理論價值和現實意義。將模型應用到實際的智能家居中，對其穩定性和可行性進行評估是我們后續的研究工作。

參考文獻

[1]鐘依平.智能家居借勢提速發展[N].中國建設報，2013.

[2]孔英會.智能家居中用戶行為模式挖掘及控制策略研究[J].電視技術，2013，37（24）.

[3]牛邵峰.一種基于云端數據倉庫的智能家居用戶行為模式研究[D].北京郵電大學，2013.

[4] Fatima I. A unified framework for activity recognition-based behavior analysis and action prediction in smart homes[J].Sensors, 2013, 13（02）: 2682-2699.

[5]李勇，桑艷艷.網絡文本數據分類技術與實現算法[J].情報學報， 2002 （01）：21-23.

[6] Chiang Y T, Hsu J Y, Lu C H, et al. Interaction models for multiple-resident activity recognition in a smart. home[C]// Intelligent Robots and Systems （IROS）, 2010 IEEE/RSJ International Conference on. IEEE, 2010: 3753-3758.

中圖分類號：TP39

文獻標識碼：A