智能家居環(huán)境中居民位置預(yù)測(cè)方案的研究

劉 志 軍

(1.北京工業(yè)大學(xué)，北京 100124；2.河北機(jī)電職業(yè)技術(shù)學(xué)院，河北 邢臺(tái) 054048)

1 智能家居軟件體系架構(gòu)

智能家居有時(shí)也稱為智能環(huán)境，它通過(guò)傳感器感知家庭的狀態(tài)，并通過(guò)設(shè)備控制器作用于環(huán)境，目的是最大化居民的居住舒適度并最小化家庭運(yùn)行成本，實(shí)現(xiàn)低碳節(jié)能運(yùn)行。為取得這個(gè)目標(biāo)，智能家居系統(tǒng)必須能夠推理、學(xué)習(xí)、預(yù)測(cè)并適應(yīng)居民的活動(dòng)。以美國(guó)得克薩斯大學(xué)MavHome智能家居系統(tǒng)為例，其軟件架構(gòu)如圖1所示，系統(tǒng)中各個(gè)智能體無(wú)縫連接，同時(shí)允許對(duì)任何支撐技術(shù)進(jìn)行改進(jìn)[1]。每個(gè)智能體分為四個(gè)協(xié)議層：決策層作出判定、決定動(dòng)作；信息層負(fù)責(zé)收集信息并產(chǎn)生對(duì)決策層有用的推理；通信層負(fù)責(zé)智能體之間路由和共享信息；物理層控制相應(yīng)環(huán)境硬件，如設(shè)備、變換器、網(wǎng)絡(luò)設(shè)備等。軟件組件模塊以分布式進(jìn)程間通信接口方式連接。

智能家居的感知是一個(gè)自底向上的過(guò)程，傳感器監(jiān)測(cè)環(huán)境變化，如有必要可將監(jiān)測(cè)到的信息通過(guò)通信層傳遞給另一個(gè)智能體。數(shù)據(jù)庫(kù)記錄信息層中的記錄信息，據(jù)此更新它知道的概念和預(yù)測(cè)，并告知決策層新數(shù)據(jù)的存在。動(dòng)作執(zhí)行是信息流自頂向下的過(guò)程，決策層根據(jù)相關(guān)信息作出判定、選擇動(dòng)作，同時(shí)將決策與信息層相關(guān)。更新數(shù)據(jù)庫(kù)后，通信層將動(dòng)作信息傳遞給合適的效應(yīng)器執(zhí)行。如效應(yīng)器為另一個(gè)智能體，則該智能體通過(guò)它的效應(yīng)器將命令作為感知信息進(jìn)行接收，并確定執(zhí)行期望動(dòng)作的最優(yōu)方法。智能體通過(guò)專用接口可以與用戶、機(jī)器人和外部資源交互。

2 智能家居系統(tǒng)中的位置預(yù)測(cè)方案

智能家居系統(tǒng)在工作中必須依靠復(fù)雜工具進(jìn)行智能信息構(gòu)建，如學(xué)習(xí)、預(yù)測(cè)和作出自動(dòng)化決策。其中學(xué)習(xí)和預(yù)測(cè)在確定家庭內(nèi)居民下一動(dòng)作和關(guān)鍵移動(dòng)模式中處于重要地位。家居系統(tǒng)可以根據(jù)居民過(guò)去移動(dòng)模式和以前觀察到的居民與各種設(shè)備之間的交互動(dòng)作，在居民/房屋當(dāng)前狀態(tài)的基礎(chǔ)上作出預(yù)測(cè)。預(yù)測(cè)結(jié)果遞交給一個(gè)決策判定算法，它為房屋選擇動(dòng)作以滿足期望目標(biāo)。預(yù)測(cè)方案建立在文本壓縮、在線學(xué)習(xí)和信息論基礎(chǔ)之上[2]。

智能家居系統(tǒng)是上下文感知的，即組合來(lái)自多個(gè)設(shè)備的輸入，能夠在沒(méi)有顯式手工輸入的情況下推斷出居民的意圖或?qū)傩浴Ｎ恢檬巧舷挛牡淖畛Ｒ?jiàn)范例之一，因此通過(guò)預(yù)測(cè)人們的位置準(zhǔn)確地跟蹤居民的移動(dòng)，對(duì)于智能環(huán)境是至關(guān)重要的。在位置感知應(yīng)用中，預(yù)測(cè)也有助于資源的優(yōu)化分配和效應(yīng)器的激活。這種方法是基于位置信息的符號(hào)表示，它不是以絕對(duì)項(xiàng)目指定的，而是相對(duì)于對(duì)應(yīng)訪問(wèn)基礎(chǔ)設(shè)施拓?fù)涞模虼诉@種方法是通用的或與技術(shù)/模型無(wú)關(guān)的。在概念層次，預(yù)測(cè)涉及一定形式的統(tǒng)計(jì)推理，其中需要使用居民過(guò)去移動(dòng)歷史的一些樣本，提供居民個(gè)體未來(lái)位置的智能估計(jì)，以便降低與這個(gè)預(yù)測(cè)相關(guān)聯(lián)的位置不確定性。

假設(shè)居民的移動(dòng)性具有重復(fù)模式，是能夠?qū)W習(xí)到的，且假定居民的移動(dòng)過(guò)程是隨機(jī)的，可以證明如下結(jié)果：在系統(tǒng)和設(shè)備之間交換的消息以小于隨機(jī)移動(dòng)過(guò)程熵率的量最優(yōu)地跟蹤移動(dòng)性是不可能的。具體而言，給定居民位置的所有過(guò)去所測(cè)數(shù)據(jù)，以及未來(lái)位置的最優(yōu)可能預(yù)測(cè)器，除非設(shè)備和系統(tǒng)交換位置信息，否則在位置中將總是存在某種程度的不確定性。這個(gè)交換發(fā)生所采用的實(shí)際方法是與這個(gè)限制無(wú)關(guān)的，重要的是交換要超過(guò)移動(dòng)過(guò)程的熵率[3]。因此，建立界限的一個(gè)關(guān)鍵問(wèn)題是以一種適應(yīng)性方式特征化移動(dòng)過(guò)程。這就是在蜂窩移動(dòng)通信網(wǎng)絡(luò)中使用的一種稱為L(zhǎng)eZi-update的最優(yōu)在線適應(yīng)位置管理算法[4]，它是在信息論的框架基礎(chǔ)上定義的，算法中并不假定節(jié)點(diǎn)的標(biāo)準(zhǔn)移動(dòng)模型，而是學(xué)習(xí)節(jié)點(diǎn)移動(dòng)歷史，通過(guò)最小化熵而構(gòu)建一個(gè)統(tǒng)一移動(dòng)模型，并以高度的準(zhǔn)確性預(yù)測(cè)未來(lái)位置。換句話說(shuō)，LeZiupdate算法提供了一種與模型無(wú)關(guān)的解決方案，管理與節(jié)點(diǎn)移動(dòng)相關(guān)的不確定性。這個(gè)框架通用性強(qiáng)，并可適用于其他上下文，如活動(dòng)預(yù)測(cè)、資源提供、異常檢測(cè)等。

MavHome智能家居的樓層平面圖如圖2所示，通過(guò)放置多個(gè)傳感器將室內(nèi)分成若干覆蓋區(qū)。當(dāng)系統(tǒng)需要聯(lián)系居民時(shí)，將發(fā)起一個(gè)位置預(yù)測(cè)機(jī)制。為了控制位置不確定性，系統(tǒng)依賴于由傳感器采集到的位置信息，它能幫助減少后續(xù)預(yù)測(cè)的搜索空間。如圖3所示，樓層平面圖可以表示為一個(gè)連通圖G=(V，E)，其中節(jié)點(diǎn)集合V={a，b，c，…}由傳感器來(lái)代表的分割區(qū)域，邊集合 E表示一對(duì)區(qū)域之間的鄰居鄰接關(guān)系。當(dāng)從一個(gè)區(qū)移動(dòng)到另一個(gè)區(qū)，居民沿一條路線穿過(guò)一組傳感器。例如，在平面圖中，從起居室運(yùn)動(dòng)到餐廳，可以表示為傳感器集合{l，d}。

LeZi-update框架使用一個(gè)符號(hào)空間，將智能環(huán)境的監(jiān)測(cè)區(qū)表示為一個(gè)字母符號(hào)，因此捕捉到的居民移動(dòng)歷史數(shù)據(jù)為一個(gè)符號(hào)串。雖然在得到精確位置坐標(biāo)中地理位置數(shù)據(jù)是有用的，但符號(hào)信息去除了頻繁轉(zhuǎn)換坐標(biāo)的負(fù)擔(dān)，并能夠在不同網(wǎng)絡(luò)間取得通用性。符號(hào)表示也幫助人們層次化地將室內(nèi)連通的基礎(chǔ)設(shè)施抽象為不同粒度等級(jí)。這個(gè)形式化中的策略是，每個(gè)節(jié)點(diǎn)具有一些移動(dòng)模式，這能夠以在線方式學(xué)習(xí)到[5]。本質(zhì)上說(shuō)，假定節(jié)點(diǎn)路線是固有且可壓縮的，并允許應(yīng)用通用的數(shù)據(jù)壓縮算法，但針對(duì)靜態(tài)遍歷的隨機(jī)過(guò)程而言即是最小化源熵。

在LeZi-update中，符號(hào)(代表傳感器的標(biāo)示)以塊方式處理，并保留符號(hào)的整個(gè)序列，直到最后以一種壓縮編碼形式報(bào)告更新。例如，令ajllojhhaajllooaajll為任意時(shí)刻居民的移動(dòng)歷史。這個(gè)符號(hào)串可作為不同子串進(jìn)行分析， 即 a，j，l，lo，o，jh，h，aa，jl，loo，ja，aj，ll，oo，jaa，jll等 。如圖4所示，這樣一個(gè)符號(hào)式的上下文模型，基于可變長(zhǎng)度到固定長(zhǎng)度的編碼，能夠高效地存儲(chǔ)于一個(gè)trie樹(shù)實(shí)現(xiàn)的字典之中。本質(zhì)上來(lái)說(shuō)，居民的移動(dòng)是作為編碼器，而系統(tǒng)作為一個(gè)解碼器。通過(guò)積累越來(lái)越大的上下文，從傳統(tǒng)的位置更新切換到線路更新，人們可影響系統(tǒng)范例型。對(duì)于具有n個(gè)符號(hào)的靜態(tài)各態(tài)遍歷源，這個(gè)框架取得漸進(jìn)最優(yōu)效果。

LeZi-update機(jī)制的一個(gè)主要目標(biāo)是通過(guò)系統(tǒng)尋找位置不確定的節(jié)點(diǎn)，就節(jié)點(diǎn)移動(dòng)概要而言，是要為預(yù)測(cè)過(guò)程賦予充足的信息。在trie樹(shù)中的每個(gè)節(jié)點(diǎn)保留有更新機(jī)制提供的在當(dāng)前上下文中的相關(guān)頻率。因此，假定jll是最新的更新消息，則有用的上下文是它的前綴，即jl、j和Λ。在這個(gè)上下文中帶有頻率的所有可預(yù)測(cè)路由見(jiàn)表1，遵循部分匹配預(yù)測(cè)的混合技術(shù)，概率計(jì)算從trie樹(shù)的葉子節(jié)點(diǎn)開(kāi)始，離開(kāi)走向較低層，直到到達(dá)根時(shí)才停止計(jì)算。依據(jù)不充分推測(cè)原理[6]，每個(gè)短語(yǔ)的概率依據(jù)它們?cè)谔囟ǘ陶Z(yǔ)中的相對(duì)發(fā)生次數(shù)而分布于各符號(hào)之間。在這個(gè)上下文中累加從所有可能短語(yǔ)中出現(xiàn)的概率，并將這些概率求和，計(jì)算得到每個(gè)區(qū)的總駐留概率。以這個(gè)駐留概率的降序輪詢各區(qū)，確定最優(yōu)預(yù)測(cè)順序。

表1 短語(yǔ)及其在上下文jl、j和Λ的頻率

總體而言，將信息論的方法應(yīng)用到位置預(yù)測(cè)，這是為了維護(hù)準(zhǔn)確位置信息而交換的最少信息得以量化，提供了特征化移動(dòng)性的一種在線方法，另外賦予了一個(gè)最優(yōu)預(yù)測(cè)序列[7]。通過(guò)學(xué)習(xí)過(guò)程，這種方法可用來(lái)構(gòu)建一個(gè)較高階移動(dòng)模型，因此就不用假定一個(gè)有限模型，所以將熵最小化并產(chǎn)生最優(yōu)性能。

雖然基本的LeZi-update算法僅用來(lái)從過(guò)去移動(dòng)模式預(yù)測(cè)當(dāng)前位置，但這種方法也可擴(kuò)展到預(yù)測(cè)在智能家庭中居民的可能未來(lái)路線，也可用于異構(gòu)環(huán)境。路由預(yù)測(cè)利用信息論中的漸近均分性質(zhì)，該性質(zhì)斷言，對(duì)一個(gè)隨機(jī)過(guò)程 X，具有熵H(X)，以概率 1觀測(cè)到的長(zhǎng)度為 n的不同路徑數(shù)為2H(X)。換句話說(shuō)，對(duì)于充分大的n，概率變量的大部分僅集中于路線的一個(gè)小子集，它包括居民的最可能路線，并捕獲呈現(xiàn)大長(zhǎng)度序列的平均性質(zhì)。據(jù)此，該算法成功地預(yù)測(cè)可能路徑中的一個(gè)相對(duì)小的集合。之后，智能家居系統(tǒng)能夠依據(jù)這個(gè)信息行動(dòng)，方法是以一個(gè)最小的、高效的方式激活資源。實(shí)驗(yàn)表明，在一個(gè)典型的智能家居環(huán)境中，這里的預(yù)測(cè)框架能夠節(jié)省的能量高達(dá)70%。預(yù)測(cè)的準(zhǔn)確性達(dá)到86%[8]。

智能家居系統(tǒng)中關(guān)鍵的問(wèn)題是對(duì)居民位置和居民動(dòng)作進(jìn)行預(yù)測(cè)，自動(dòng)作出決策。高效預(yù)測(cè)算法提供如下幾個(gè)方面的有用信息，即環(huán)境中設(shè)備和任務(wù)的未來(lái)位置和活動(dòng)、自動(dòng)化活動(dòng)、優(yōu)化設(shè)計(jì)和控制方法，并識(shí)別異常。這些技術(shù)降低了維護(hù)一個(gè)家庭的工作負(fù)擔(dān)，降低能量的消耗，并能給老年人和殘疾人員帶來(lái)特殊的益處[9]。在未來(lái)，這些能力將轉(zhuǎn)化為一個(gè)混合環(huán)境族，如智能辦公室、智能道路、智能汽車(chē)等，通過(guò)這些智能環(huán)境，用戶可以在日常生活中感受到自動(dòng)化的益處。

[1]王玲芳，費(fèi)嵐.移動(dòng)無(wú)線傳感器網(wǎng)-原理、應(yīng)用和發(fā)展方向[M].北京：機(jī)械工業(yè)出版社，2010.

[2]COVER T M，THOMAS.Elements of Information Theory.Wiley，2002.

[3]DAS S， COOK D J， BHATTACHARYA A， et al.The role ofprediction algorithms in the MavHome smarthome architecture.IEEE Wireless Communications，2003.

[4]ZIV J，LEMPEL A.Compression of individual sequences via variable rate coding.IEEE Trans.Inform.Theory，24(5)：530-536.

[5]董印明，劉家恒，梅剛.智能小區(qū)的網(wǎng)絡(luò)技術(shù)[J]， 煤炭技術(shù)，2004(23)：21-22.

[6]RISSANEN J.，Stochastic Complexity in Statistical Inquiry.World Scientific Publishers，1989.

[7]DAS S K，ROSE C.Coping with uncertainty in wireless mobile networks.Proc.IEEE Personal，Indoor and Mobile Radio Commnunications， Conf.， Barcelona， Spain， 2004，9.

[8]ROY A， DAS S K， BHAUMIK A.et al.Location aware resource management in smart homes，Proc.IEEE Int.Conf.PervasiveComputingand Communications， 2003： 481-488.

[9]戚振興,淺議我國(guó)智能家居發(fā)展[J].廣西輕工業(yè)，2009,10(10)：63-64.