基于用户行为分析的智能家居系统的研究与设计

张昱东　巩俐　柳盼

【摘 要】本文提出一种基于用户指令方式的用户行为识别方案，使系统主动地为用户提供服务，从而提高家居的智能化程度，同时易于实现便于推广。通过实验分析，系统有效解决传统智能家居系统中智能性差的问题。

【关键词】用户行为；智能家居；指令式；智能性差

0 引言

随着人们生活水平的提高，人们对居住环境的要求也越来越高，如何最大化地满足人们的舒适性和家居的智能化要求是智能家居研究的目标[1]。然而目前智能家居系统大多还处于单一的“机械式”自动化模式，其缺陷主要为“智能化程度低”。要实现真正意义上的智能，需通过对用户行为的研究，让家居系统根据用户习惯设计电器开关时间、电器启动用量，以达到智能和简化用户生活的目的[2]。

本文分析了国内智能家居的研究现状，设计基于用户行为的智能家居系统并设计便于推广应用的算法，通过实验分析可以良好地提高智能家居的智能性。

1 智能家居系统架构

智能家居系统是一个住宅利用通信网络连接技术提供用户对家居有效管控的系统，其允许用户通过终端或者web进行家庭环境和电器远程监控或访问。按照物联网技术原理，智能家居系统网络拓扑整体分为三层（图1）。

感知层：此层包含基本的底层硬件设备，包括各个家用电器设备，传感器节点等网络硬件，主要负责采集家庭环境和设备状态数据以及执行上层的控制指令。

通信层：借助6LowPan、红外、WIFI等通信技术与家居监控设备构成一个网络，主要负责不同设备和中枢网关及服务器的互联互通以及存储处理等。

应用服务决策层：该层包含智能终端和服务器等，主要负责对智能家居应用服务的决策支持，以及用户行为数据分析、数据处理存储和数据支持等。

数据的采集是一个自下向上的过程。传感器监测环境（例如，家庭的温度）以及设备状态信息，从而感知层将采集的数据借助通信网络传递给通信层。通信层将数据汇集到应用服务层，同时应用服务决策层的服务器应用数据库记录感知层中的信息。应用服务的执行是一个自上而下的过程。应用服务决策层选择一个操作（如调整电器的开关），同时更新数据库记录用户的行为操作习惯，得出用户行为习惯并在合适的时间触发相应的活动，提供智能化的服务。

2 用户行为分析设计

综上分析，对用户行为的识别和预测是实现家庭居住环境智能化的关键。在这方面，大多数的现有解决方案主要被归类为：基于视频和语音组成的视觉识别系统[3]、利用可穿戴设备[4]，这些算法效果很好，但是算法复杂需要大量的数据积累，或者需要用户时刻的佩戴，造价昂贵，不利于推广。

本文设计基于用户指令结合传感器数据的用户行为模型，学习用户行为从而达到智能化的目的。用户通过终端在控制和管理智能家居时，其指令控制恰恰反映了家居用户的行为。基于指令的方式识别用户行为，降低了智能服务和不同设备及网络协议的耦合性，不会侵犯用户隐私，也无需时刻佩戴，易于应用实现的。

从智能家居实际应用角度讲，简单先进的算法可以很容易地适应智能家居的设备编程和应用推广。系统针对设备模型制定如下：

1）设备可以在特定的时间内进行开/关；对于两个模式情形，算法应用对应为：“on”和“off”状态。

2）设备在工作时可以在特定时刻转变为开/关和N单模模式；对于N模式情形，算法应用对应为：N“on”状态。

3）设备在工作时可以在特定时刻转变为开/关和N*M双模式（例如，空调）；对于N模式情形，算法应用对应为：N“on”状态。

3 照明应用实例

当用户到家时，系统决策是否在房间内打开灯，应用什么照明水平（或多或少强度的照明，级别从1到5）。当用户到达（例如，在12月3日20时58分），系统定义灯是否在同一时间被打开（以及适当的照明模式）。

在照明被管理前，系统收集了一段时间（10天等）的用户行为日志。例如，以下事件的列表（表1）：

其次，系统对每一个事件的出现频率进行计算。频率R由两个相乘的影响因子D和S组成。D取决于事件的持续时间。应用非线性的依赖关系（例如，0.001对应事件的持续时间少于1分钟，依次为0.01： （1，5]；0.1：（5，15]；0.5：（15，30]；1：（30，60]；2：（60，+∞]）。S取决于从事件发生到当天的时间间隔。对于昨天的事件，其系数为1；对于10天以前的，其系数为0.01，等等。

然后，统计相同模式的频率，而且频率的设置应该只和具体时间（20：58）相一致的，并对相应的时间取期望。最后预测推荐用户选择频率高的模式。另外算法提供对于用户行为的任何变化系统都将及时地进行反馈调节的频率的计算。

总的来说，当家居中的红外感应到用户回家或者起床等活动时，系统综合判断当前时间点，开启这一时间出现频率较高的模式，从而根据用户行为习惯主动地为用户提供智能化和人性化的服务。

4 结束语

由于传统智能家居中“智能化程度低”和现有研究算法的不便实施性，给家居的智能化带来了困难。本文提出的基于指令式的用户行为学习系统，其无需关注底层设备和不同通信标准的异构性，同时简易的算法较好根据用户行为习惯主动地提供服务，具有较好的推广效果。

【参考文献】

[1]钟依平.智能家居借势提速发展[N].中国建设报，2013.03.19（6）.

[2]邵鹏飞.面向移动互联网的智能家居系统研究[J].计算机测量与控制，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.

[责任编辑：王楠]