基于用戶行為分析的智能家居系統的研究與設計

張昱東　鞏俐　柳盼

【摘 要】本文提出一種基于用戶指令方式的用戶行為識別方案，使系統主動地為用戶提供服務，從而提高家居的智能化程度，同時易于實現便于推廣。通過實驗分析，系統有效解決傳統智能家居系統中智能性差的問題。

【關鍵詞】用戶行為；智能家居；指令式；智能性差

0 引言

隨著人們生活水平的提高，人們對居住環境的要求也越來越高，如何最大化地滿足人們的舒適性和家居的智能化要求是智能家居研究的目標[1]。然而目前智能家居系統大多還處于單一的“機械式”自動化模式，其缺陷主要為“智能化程度低”。要實現真正意義上的智能，需通過對用戶行為的研究，讓家居系統根據用戶習慣設計電器開關時間、電器啟動用量，以達到智能和簡化用戶生活的目的[2]。

本文分析了國內智能家居的研究現狀，設計基于用戶行為的智能家居系統并設計便于推廣應用的算法，通過實驗分析可以良好地提高智能家居的智能性。

1 智能家居系統架構

智能家居系統是一個住宅利用通信網絡連接技術提供用戶對家居有效管控的系統，其允許用戶通過終端或者web進行家庭環境和電器遠程監控或訪問。按照物聯網技術原理，智能家居系統網絡拓撲整體分為三層（圖1）。

感知層：此層包含基本的底層硬件設備，包括各個家用電器設備，傳感器節點等網絡硬件，主要負責采集家庭環境和設備狀態數據以及執行上層的控制指令。

通信層：借助6LowPan、紅外、WIFI等通信技術與家居監控設備構成一個網絡，主要負責不同設備和中樞網關及服務器的互聯互通以及存儲處理等。

應用服務決策層：該層包含智能終端和服務器等，主要負責對智能家居應用服務的決策支持，以及用戶行為數據分析、數據處理存儲和數據支持等。

數據的采集是一個自下向上的過程。傳感器監測環境（例如，家庭的溫度）以及設備狀態信息，從而感知層將采集的數據借助通信網絡傳遞給通信層。通信層將數據匯集到應用服務層，同時應用服務決策層的服務器應用數據庫記錄感知層中的信息。應用服務的執行是一個自上而下的過程。應用服務決策層選擇一個操作（如調整電器的開關），同時更新數據庫記錄用戶的行為操作習慣，得出用戶行為習慣并在合適的時間觸發相應的活動，提供智能化的服務。

2 用戶行為分析設計

綜上分析，對用戶行為的識別和預測是實現家庭居住環境智能化的關鍵。在這方面，大多數的現有解決方案主要被歸類為：基于視頻和語音組成的視覺識別系統[3]、利用可穿戴設備[4]，這些算法效果很好，但是算法復雜需要大量的數據積累，或者需要用戶時刻的佩戴，造價昂貴，不利于推廣。

本文設計基于用戶指令結合傳感器數據的用戶行為模型，學習用戶行為從而達到智能化的目的。用戶通過終端在控制和管理智能家居時，其指令控制恰恰反映了家居用戶的行為。基于指令的方式識別用戶行為，降低了智能服務和不同設備及網絡協議的耦合性，不會侵犯用戶隱私，也無需時刻佩戴，易于應用實現的。

從智能家居實際應用角度講，簡單先進的算法可以很容易地適應智能家居的設備編程和應用推廣。系統針對設備模型制定如下：

1）設備可以在特定的時間內進行開/關；對于兩個模式情形，算法應用對應為：“on”和“off”狀態。

2）設備在工作時可以在特定時刻轉變為開/關和N單模模式；對于N模式情形，算法應用對應為：N“on”狀態。

3）設備在工作時可以在特定時刻轉變為開/關和N*M雙模式（例如，空調）；對于N模式情形，算法應用對應為：N“on”狀態。

3 照明應用實例

當用戶到家時，系統決策是否在房間內打開燈，應用什么照明水平（或多或少強度的照明，級別從1到5）。當用戶到達（例如，在12月3日20時58分），系統定義燈是否在同一時間被打開（以及適當的照明模式）。

在照明被管理前，系統收集了一段時間（10天等）的用戶行為日志。例如，以下事件的列表（表1）：

其次，系統對每一個事件的出現頻率進行計算。頻率R由兩個相乘的影響因子D和S組成。D取決于事件的持續時間。應用非線性的依賴關系（例如，0.001對應事件的持續時間少于1分鐘，依次為0.01： （1，5]；0.1：（5，15]；0.5：（15，30]；1：（30，60]；2：（60，+∞]）。S取決于從事件發生到當天的時間間隔。對于昨天的事件，其系數為1；對于10天以前的，其系數為0.01，等等。

然后，統計相同模式的頻率，而且頻率的設置應該只和具體時間（20：58）相一致的，并對相應的時間取期望。最后預測推薦用戶選擇頻率高的模式。另外算法提供對于用戶行為的任何變化系統都將及時地進行反饋調節的頻率的計算。

總的來說，當家居中的紅外感應到用戶回家或者起床等活動時，系統綜合判斷當前時間點，開啟這一時間出現頻率較高的模式，從而根據用戶行為習慣主動地為用戶提供智能化和人性化的服務。

4 結束語

由于傳統智能家居中“智能化程度低”和現有研究算法的不便實施性，給家居的智能化帶來了困難。本文提出的基于指令式的用戶行為學習系統，其無需關注底層設備和不同通信標準的異構性，同時簡易的算法較好根據用戶行為習慣主動地提供服務，具有較好的推廣效果。

【參考文獻】

[1]鐘依平.智能家居借勢提速發展[N].中國建設報，2013.03.19（6）.

[2]邵鵬飛.面向移動互聯網的智能家居系統研究[J].計算機測量與控制，2013， （02）：474-475.

[3]Trivedi M.， Huang Kohsia， Mikic I. Intelligent environments and active camera networks[C].Systems， Man， and Cybernetics， 2000 IEEE International Conference on， 2000（2）：804-809.

[4]E.Marhasev，M.Hadad， and G.A. Kaminka. Non-stationary hidden semi Markov models in activity recognition. InMOO， 2006.

[責任編輯：王楠]