智能家居用户行为预测的方法研究

吕培卓 戴洪涛（河北冀州中学，河北 衡水 053000）



智能家居用户行为预测的方法研究

吕培卓 戴洪涛
（河北冀州中学，河北 衡水 053000）

摘 要：随着物联网技术、大数据计算、传感器技术等新兴技术的发展，智能家居更加贴近人类生活。对用户未来活动的预知，将使家居生活更加灵活和智能。本文基于隐马尔科夫模型（hidden Markov model, HMM），提出了对用户家居生活行为预测的方法。首先本文阐述了用户行为预测的方法架构，随后从相似数据筛选、基于HMM的行为模式发现和预测等多个方面详述了用户行为预测的方法。此预测方法能够为用户日常家居生活提供便捷、高效的生活服务。

关键词：智能家居；用户行为预测；隐马尔科夫模型；数据挖掘

1　概述

近年来，随着物联网技术的快速发展，社会上以物联网为中心衍生出来许多相关技术。利用无线传感技术和计算机网络技术，将小区内的普通底层硬件设备（冰箱、台灯、热水器等）聚合在一起，形成一整套智能家居体系；结合大数据技术，将与用户日常行为相关的海量数据存储在云平台，保证数据稳定且高效的存储。通过对用户日常生活行为的挖掘，可以让家居系统更好地了解用户生活习惯，并根据用户习惯设计电器开关时间、电器启动用量，以达到简化用户生活、环保、低功耗的目的。在智能家居领域，用于用户行为预测的常见方法有人工神经网络、支持向量机、决策树分类方法等。本文采用了隐马尔可夫模型的算法，利用隐马尔科夫模型，对每个用户的历史行为数据建模，实现用户的行为挖掘和预测的功能，为智能家居中家电设备的控制提供依据。本文首先介绍了用户行为预测方法的架构，随后详细介绍了方法的具体实现，包括利用余弦相似性筛选与当前行为习惯相似的数据集和基于HMM的用户行为预测的方法等；最后通过实例，展示了在智能家居系统中其应用的方法，为用户日常家居生活提供便捷的生活服务。

2　用户行为预测方法架构

研究表明用户的日常行为中包含明显的行为模式。假设一家中3个用户（爸爸、妈妈和小明），工作日妈妈每天6点钟起床为全家做早餐；爸爸6点钟起床打开热水器，待30分钟后洗漱；小明7点钟起床吃早餐；早晨8点钟大家都已经离开了家上班或者上学。本文的工作重点是对用户的历史行为数据建模，挖掘用户的行为特征，并预测在时间t用户将会有什么行为，从而为智能家居中家电设备的控制找到依据。图1显示了单用户行为预测的模型框架，主要包括以下3个部分：（1）相似数据筛选：用户的行为随着时间可能发生变化，本模块将从历史行为数据中，挑选和当前用户行为习惯相关的数据；（2）当前的行为模式发现：通过筛选的数据集，挖掘用户的行为模式，发现时间和用户行为的关系，获得用户日常行为习惯的时域特征；（3）行为预测：基于用户行为的时域特征，预测用户未来的一个时间点的行为。后文将具体介绍在智能家居下，用户行为预测实现的方法。

图1　用户行为预测的模型架构Figure 1. Structure of our model for user behavior prediction

3　隐马尔科夫模型

自20世纪80年代以来，隐马尔可夫模型被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来，HMM在生物信息科学、故障诊断等领域也开始得到应用。该模型具有研究透彻、算法成熟、效率高、效果好、易于训练的优点。隐马尔可夫模型作为一种统计分析模型，用于分析由马尔科夫过程产生的序列，并且序列中又引入了一个隐含状态，是一个双重随机过程。一般的讲，隐马尔可夫模型可以用五个元素来描述，包括2种状态变量（隐状态和可观察状态）和3个概率矩阵。图2为一个HMM模型的实例。图中的每个节点代表一个随机变量，随机变量s（t）是在时间t的隐状态，在图2的模型中s（t）∈{s1，s2，s3}随机变量o（t）是在时间t的可观察状态，在图2的模型中o（t）∈{o1，o2，o3，o4}。此外，正如图2的箭头所示，隐马尔可夫模型仍然包含2类条件概率：

图2　隐马尔科夫模型实例Figure 2. Example of hidden Markov model

表1　用户行为与数值的映射关系Table 1. Map between user behavior and value

所有变量的联合概率分布，可以简化为：

引入符号λ={A，B，π}来描述隐马尔可夫模型，其中：隐状态转移概率矩阵A是一个N×N矩阵，且Aij=p（Sj∶t+1｜Si∶t），1≤i，j，≤N；混杂矩阵B是一个N×M矩阵，且Bij=p（Oi∶t｜Sj∶t），1≤i≤M，1≤j≤N；初始状态概率矩阵π是一个1×N向量，且π=[p（s1），p （s2），…p（sN）]（N是隐状态数，M是观察状态数）。

隐马尔可夫模型主要关注以下3个问题，这些问题同样关乎到下文用户行为习惯预测的实现。

（1）评估问题（evaluation）：给定观测序列（O1O2…Ot）和模型参数λ={A，B，π}，怎样有效计算这组观测序列的概率p（O1O2…Ot｜λ）。此问题通常通过利用前向算法（forward algorithm）实现，算法中引入迭代计算，降低了算法的复杂度。

（2）解码问题（decode）：给定观测序列O1O2…Ot和模型参数λ={A，B，π}，怎样寻找最优的隐状态序列：

此问题需要从所有可能的隐状态s1∶t序列中，找到一个序列使得概率p（s1∶t｜λ，o1∶t）取最大值。在这类问题通常利用维特比（Viterbi）算法来实现。

（3）学习问题（learning）：充分利用所有已知的观察序列O1O2…Ot，通过多次训练，使得λ={A，B，π}能够更好的数据集的特征：

解决此问题通常使用Baum-Welch算法。

4　基于HMM的用户行为预测方法

4.1相似数据筛选

为了挖掘时间和用户行为的关系，将单用户每天的行为数据，转化为一个向量Day。将用户常见的行为映射为数值1至N（N≥1），比如1表示打开热水器、2表示关闭煤气灶等，见表1。以15min为粒度，将全天划分为96个时隙。默认每个时隙k，单用户只会发生一种行为，每个时隙k将对应一个数值x，组成一个96维的向量Day[k]=x。若15min内连续有2或以上的行为发生，则选择出现频次最高的动作x，作为时隙k的取值Day[k]=x。（此外，引入的数值0表示此15分钟内用户没有任何行为）。96维的向量Day的格式如下：Day=（1，2，3，5，4，…，x，y…0，10，12），1≤x，y≤N。用户行为可能随着时间的变化而发生改变。比如暑假期间，小明行为习惯要明显区别与上学期间。准确识别出用户当前的行为模式，明确这种行为模式持续了多久，即包含用户当前行为模式的数据集的时间窗的长度，是非常重要的。鉴于以上原因以及防止模型的过度拟合，在数据筛选时：（a）考虑到一周内不同天，用户行为可能存在的差异，则区分用户一周内每一天的数据；（b）识别包含当前行为模式的时间窗的长度，比如，今天是第i个周一Dayi，找到之前有几个周一的用户行为和今天相似。方法如下：通过余弦相似性计算Dayi和Dayi-1相似度σij。如果σij大于一个阈值Θ，窗的长度继续加一；否则，将跳过Dayi-1，比较Dayi与Dayi-2的相似性σij。如果连续m天，σij均低于Θ，时间窗的长度将不再增加。筛选的数据集中仅包含σij高于阈值Θ的数据。

图4　表征时间和用户行为关系的HMM实例Figure 4. An HMM representing user behavior and their relationships with time slots of a day

4.2基于HMM的行为预测模型定义

借助HMM对单用户的行为建模，发现用户当前的行为模式，HMM模型λ={A，B，π}定义如下：（1）隐状态：用户的N种行为，以及表示用户没有任何行为的状态“0”；（2）可观测状态：用户每天的96个时隙；（3）初始状态概率矩阵π：每种用户行为发生的概率。借助筛选的数据集，计算每种动作x发生的概率p（x），x∈[1，N]；（4）转移矩阵A：不同用户行为间转移的概率，即已知状态i（打开洗衣机），状态j（打开扫地机器人）发生的概率aij=p（Sj∶t+1｜Si∶t），1≤i，j，≤N；（5）混杂矩阵B：已知用户行为j已经发生，用户处于特定时隙i的概率bij=p（Oi∶t｜Sj∶t），1≤i≤96，1≤j≤N。图4为用于行为预测的HMM实例。模型中包含包含5个时隙，并且隐状态有4种用户行为为例。

4.3用户行为预测

预测d天用户在每个时隙可能的行为时，首先要利用用户的d-1天的历史数据，筛选出相似数据，利用它们更新模型λ={A，B，π}。通过模型λ={A，B，π}表征当前用户的行为模式。基于此模型，可以展开未来一天的各个时隙的用户行为预测。结合HMM模型的原理，预测的本质是：已知一个HMM模型λ={A，B，π}，找到特定时隙k（观察状态）最有可能的用户行为i（隐状态）。这是一个HMM的解码问题（decode）。比如，今天是2015年11月15日星期日，想预知用户明天的6∶00-7∶00的日常行为。利用维特比算法，结合反映用户当前行为特征的周一的马尔科夫模型λ={A，B，π}，识别满足6∶00-7∶00这个时间段，概率最高的一组隐状态序列（用户行为序列）。这组用户行为序列，将是用户行为预测的结果，此结果将为智能家居中家电设备的控制找到依据。实际应用中，可以为家庭中的多用户分别建模，为多用户的日常生活预测提供了可能性，解决了多人的室内环境中建模和预测的局限性。

结语

在现有的智能家居体系下，本文提出了隐马尔可夫模型为基础的用户行为预测的方法。为了保证模型的准确性和鲁棒性，本文利用余弦相似性对历史数据进行数据预处理；随后利用隐马尔可夫模型挖掘用户行为的时域关系，基于此，提供了用户行为预测的方法。此方法可以对家庭中的多用户分别建模和预测，解决了多人在室内环境中建模和预测的局限性；本方法无需复杂的模型训练，算法复杂度低。为推进家居生活的智能化具有一定的理论价值和现实意义。将模型应用到实际的智能家居中，对其稳定性和可行性进行评估是我们后续的研究工作。

参考文献

[1]钟依平.智能家居借势提速发展[N].中国建设报，2013.

[2]孔英会.智能家居中用户行为模式挖掘及控制策略研究[J].电视技术，2013，37（24）.

[3]牛邵峰.一种基于云端数据仓库的智能家居用户行为模式研究[D].北京邮电大学，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，桑艳艳.网络文本数据分类技术与实现算法[J].情报学报， 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.

中图分类号：TP39

文献标识码：A