基于大数据的物联网用户行为模式挖掘

陆兴华，林佳聪，谢欣殷，林家豪

(广东工业大学华立学院，广东 广州 511325)

0 引 言

随着人工智能控制技术和物联网技术的快速发展，智能家居技术取得了较快的发展并不断成熟，为用户提供了现代化的家居智能控制体验。智能家居是建立在物联网基础上，通过物联网技术将家中的各种设备(如音视频设备、照明系统、窗帘控制、空调控制等)连接到一起，提供家电控制、照明控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。在智能家居设计中，每个用户都具有自身偏好的特征，需要对用户进行针对性的特征分析，对智能家居物联网用户的行为模式进行挖掘和特征分析，制定符合用户行为特征的智能家居控制模型，提高智能家居的用户价值体验[1]。

当前，对智能家居物联网用户行为模式数据挖掘主要采用的是多源数据的信息服务数据库构建方法，结合QoS预测实现智能家居服务的评估和数据挖掘[2]，提高智能家居的用户行为模式挖掘性能。典型的用户行为模式挖掘方法主要有主成分分析方法、支持向量机算法、模糊C均值算法、语义指向性特征提取算法等[3-4]。通过对用户行为模式的数据分析和大数据库模型的构建，结合特提取方法进行智能家居物联网用户行为模式挖掘和特征分析，取得了较好的用户行为模式挖掘效果。其中，文献[5]提出一种基于模糊C均值聚类算法的智能家居物联网用户行为模式挖掘方法，对智能家居物联网用户行为特征分布大数据进行FCM聚类预处理，对聚类输出的数据进行时频分析和特征点检测，实现用户行为特征的准确挖掘；文献[6]提出一种基于语义本体模型和关联指向性特征提取的智能家居物联网用户行为挖掘算法，采用语义特征信息提取和关联规则挖掘方法，实现对用户行为特征的模糊指向性挖掘，实现对用户行为的动态特征挖掘模型优化，但该方法在用户行为挖掘中的计算开销较大，挖掘精度不高。

针对上述问题，文中提出一种基于大数据的智能家居物联网用户的行为模式挖掘方法。构建智能家居物联网用户行为模式的特征数据模型，采用关联规则特征分解方法进行用户行为模式的大数据分析和信息重构。根据用户行为模式大数据之间的差异性进行指向性行为特征分析，根据用户的行为偏好进行特征分类和信息融合处理，建立用户行为模式的大数据分类模型，根据用户的行为特征实现智能决策和判断，采用极限机学习算法进行收敛性控制，提高用户行为模式挖掘的自适应性。最后进行实验分析，验证该方法在提高智能家居物联网用户行为模式挖掘准确性和收敛性方面的优越性能。

1 智能家居物联网用户行为模式的大数据分布模型及特征提取

1.1 智能家居物联网用户行为模式的大数据分布模型构建

(1)

(2)

在关联约束下，用户行为模式满足Wigner-Ville分布：

cx+b～Sα(|c|σ,sgn(c),cμ+b)

(3)

在Wigner-Ville分布空间进行大规模异构数据重组[7]，建立智能家居物联网用户行为模式的检测模型为：

(4)

(5)

Xn={Xn,Xn-τ,…,Xn-(d-1)τ}

(6)

采用模糊调度方法对用户行为特征进行关键行为特征点定位，得到的定位结果为：

(7)

对用户行为模式进行QoS控制，得到QoS控制加权的闭频繁项集合为：

(8)

由此构建智能家居物联网用户行为模式的大数据分布模型，如图1所示。

图1 智能家居物联网用户行为模式的分布模型

1.2 智能家居物联网用户行为特征提取

(9)

采用关联规则特征分解方法进行用户行为模式的大数据分析和信息重构，重构结果为：

其中

(11)

考虑存在不确定时延下的用户信任权重，得到智能家居物联网用户行为特征分布的特征值满足约束条件：

(12)

由此构建智能家居物联网用户行为模式数据信息流模型，通过特征分解实现用户行为模式挖掘。

2 用户行为模式挖掘算法优化

2.1 用户行为模式大数据分析

在构建智能家居物联网用户行为模式的特征数据模型，采用关联规则特征分解方法进行用户行为模式的大数据分析和信息重构的基础上，进行智能家居物联网用户的行为模式挖掘的优化设计。文中提出一种基于大数据的智能家居物联网用户的行为模式挖掘方法。根据用户行为模式大数据之间的差异性进行指向性行为特征分析[8]，得到用户行为特征的分布模型为：

(13)

(14)

(15)

其中，αn为用户A、B之间的信任权重；Bl(n)为信任度评价渐进系数。

提取智能家居物联网用户行为模式的QoS信息特征为：

(16)

采用多层时态属性分箱处理，建立QoS映射关系的动态平衡模型，进行智能家居物联网用户行为特征的分类处理，根据用户的行为偏好进行特征分类和信息融合。

2.2 极限机学习算法及挖掘优化

采用极限机学习算法进行收敛性控制，根据智能家居物联网用户行为模式的支持度单调递增原理，得到用户行为模式的信息融合输出为：

Bel(xt)=p(xt|zt,ut-1,zt-1,…,u0,z0)

(17)

采用如下极限机学习算法进行回归分析：

vt=wvt-1+c1rand1()·(pbest-xt-1)+

c2rand2()·(gbest-xt-1)

(18)

xt=xt-1+vt

(19)

其中，vt是极限机学习过程中的迭代速度，表示智能家居物联网用户行为模式挖掘全局寻优速度；xt是极限机学习的适应度值；c1和c2是最优学习算子，一般取c1=c2=2；rand1()和rand2()是[0,1]之间的随机数。

通过极限机学习，得到智能家居物联网用户行为大数据特征分布Xi对应的一个函数。构建智能家居物联网用户行为模式挖掘的统计决策目标函数为：

(20)

其中，pad为用户行为模式数据挖掘寻优过程中的最大适应度值。

采用动态惯性权重加权方法得到个体极值pbest，在收敛条件约束下，根据如下两个公式来更新极限机学习的交叉寻优过程：

(21)

根据挖掘目标函数的参数寻优，实现对智能家居物联网用户行为大数据的准确挖掘和特征分析[9-11]，得到特征函数为：

(22)

分析智能家居物联网用户行为特征数据挖掘模板集的静态特性[12]，根据极限机学习算法进行收敛性控制，得到优化挖掘结果为：

(23)

综上处理，实现了智能家居物联网用户行为模式挖掘[14]，提高了用户行为模式挖掘的自适应性。

3 仿真实验与结果分析

对文中方法在实现智能家居物联网用户行为模式挖掘中的性能进行仿真实验。惯性权重为0.12，相关系数R=0.22，均方误差MSE=0.087，智能家居物联网用户行为数据样本集为3 000，测试集为200，用户规模为4 000，对用户行为特征大数据采集的归一化初始频率f1=0.3，归一化终止频率f2=0.05。根据上述仿真环境和参数设定，进行智能家居物联网用户的行为模式挖掘，得到的挖掘输出的散点图如图2所示。

图2 用户行为模式数据挖掘输出的散点图

从图2得知，通过对智能家居物联网用户行为模式的挖掘和预测，提高了对用户行为模式的智能分析能力。采用模糊调度方法对用户行为特征进行关键行为特征点定位，采用资源标识方法进行用户行为模式自适应标定和状态重组，实现对用户行为特征提取，提取结果如图3所示。

图3 智能家居物联网用户行为模式提取定位结果

分析图3得知，采用文中方法进行智能家居物联网用户行为模式提取的准确性较高，抗干扰性能较强。采用不同方法进行挖掘的精度对比，得到的挖掘误差对比结果如图4所示。分析得知，利用文中方法进行智能家居物联网用户行为模式挖掘的精度较高，准确性较好。

图4 挖掘性能对比

4 结束语

文中提出一种基于大数据的智能家居物联网用户的行为模式挖掘方法。构建智能家居物联网用户行为模式的大数据分析模型，采用模糊调度方法对用户行为特征进行关键行为特征点定位，建立用户行为模式的大数据分类模型。根据用户的行为特征的聚类性实现智能家居物联网用户行为特征挖掘和自适应聚类，采用极限机学习算法进行智能家居物联网用户行为模式挖掘的收敛性控制，提高用户行为模式挖掘的自适应性。实验结果表明，采用该方法进行智能家居物联网用户的行为模式挖掘的准确性较高，挖掘过程的收敛性较好，在智能家居物联网控制设计中具有很好的应用价值。