本發(fā)明屬于智能家居環(huán)境下的用戶行為分析技術(shù)領(lǐng)域，具體涉及一種殘疾人智能操作的數(shù)據(jù)填補與行為預(yù)測的方法。

背景技術(shù)：

當(dāng)前的智能家居環(huán)境下殘疾人用戶在發(fā)起對智能家居設(shè)備的操作控制過程中存在幾個問題：(1)智能家居環(huán)境下殘疾人的操作行為存在顯著的缺失現(xiàn)象，具體表現(xiàn)為當(dāng)殘疾人獨自在家時，其使用智能家居系統(tǒng)控制設(shè)備的次數(shù)較多，而當(dāng)其家屬在家時，其對智能家居系統(tǒng)的依賴程度顯著降低，因為很多操作是由家屬手動完成的，系統(tǒng)無法記錄這樣的手動操作，因此造成數(shù)據(jù)缺失。(2)殘疾人由于存在先天或后天的肢體障礙，行動不便，因此其對智能家居設(shè)備的控制代價勢必會比普通人高得多，而隨著智能家居設(shè)備種類和數(shù)目的增加，操作指令的數(shù)量和復(fù)雜程度也隨之增加，這無疑又增加了殘疾人對家居設(shè)備的操作難度。

因此，本發(fā)明提出了一種殘疾人智能操作的數(shù)據(jù)填補與行為預(yù)測方法，該方法一方面能填補殘疾人用戶在智能家居環(huán)境中產(chǎn)生的缺失數(shù)據(jù)，另一方面能自主學(xué)習(xí)用戶的行為習(xí)慣，根據(jù)學(xué)習(xí)結(jié)果預(yù)測用戶將來的行為操作。

技術(shù)實現(xiàn)要素：

為了解決智能家居環(huán)境下殘疾人的肢體障礙性與家居設(shè)備復(fù)雜性之間的矛盾，本發(fā)明分析了殘疾人用戶的操作行為特征，提出了一個殘疾人智能操作的數(shù)據(jù)填補與行為預(yù)測的方法。

本發(fā)明提出的殘疾人智能操作的數(shù)據(jù)填補與行為預(yù)測的方法，主要包括兩個部分，一個操作的數(shù)據(jù)填補部分，用于填補殘疾人用戶產(chǎn)生的缺失操作；一個操作的行為預(yù)測部分，用于預(yù)測給定操作序列的下一步最有可能的操作。

一、操作的數(shù)據(jù)填補部分，采用基于k最近鄰(knn)的缺失操作填補算法

本發(fā)明使用k最近鄰算法填補殘疾人用戶產(chǎn)生的缺失操作，k最近鄰算法(knn)是機器學(xué)習(xí)中最常見的分類算法，該算法的原理是在一個特征空間中，如果一個樣本的k個最相似的樣本屬于同一類，那么該樣本也屬于該類。也就是說，決策某一樣本屬于什么分類時，只關(guān)注與其最近的有限個樣本(假設(shè)都已正確分類)所屬的類別。k最近鄰算法的實現(xiàn)過程大致可以表示為：輸入訓(xùn)練樣本集(包含各個樣本及其所屬的類別)，待確定的樣本，通過一定的算法規(guī)則，輸出目標(biāo)樣本所屬的類別。

本發(fā)明中，該操作填補技術(shù)主要是通過改進(jìn)jaccard相似度計算方法，獲取用戶不完整操作序列的相似序列集，根據(jù)相似序列集中缺失操作所處的位置來確定該缺失操作在目標(biāo)序列中應(yīng)處的位置，最終完成數(shù)據(jù)的填補。

具體地，基于knn的數(shù)據(jù)填補的具體步驟為：

(一)準(zhǔn)備階段：

1：定義缺失操作

定義1(不完整序列)：如果某個操作序列中接連(可不連續(xù))出現(xiàn)兩個或以上的相同操作x，則相應(yīng)子序列段必定缺失對應(yīng)操作x，那么，整個序列為不完整序列。

定義1.1(嵌套缺失)：一個序列中存在缺失操作，而在其對應(yīng)的不完整子序列中還存在一個或多個其他的不完整子序列。形如sequence＝{...，x，...，y，...，y...，x，...}。

定義1.2(并列缺失)：同一個序列中不同位置存在多個并列的缺失操作。形如sequence＝{...，x，...，x，...，y...，y，...}。

2：定義序列相似度

jaccard系數(shù)是一種測量樣本集合之間的相似性(差異性)的統(tǒng)計方法，表示為兩個集合的交集與并集的比，公式如下：

其中，|a∩b|表示集合a和集合b的交集，|a∪b|表示兩者的并集。jaccard(a，b)的取值范圍為0≤jaccard(a，b)≤1。

假設(shè)存在序列seq1＝{a，d，d，a，c，e，c，c}，序列seq2＝{d，d，a，a，d，d，b，c}，考慮到兩個序列中存在重復(fù)的屬性，本發(fā)明對jaccard相似性計算方法進(jìn)行了改進(jìn)，得到如下公式：

其中，count(seq1(ok))表示序列seq1中操作符ok出現(xiàn)的次數(shù)，k取值為1到n，n為操作種類。而min()和max()函數(shù)分別取最小值和最大值。至此，得到了一個改進(jìn)的基于jaccard系數(shù)的操作序列相似性計算方法。

(二)實現(xiàn)階段：

步驟1：針對形如seq＝{x，...，x}的單一不完整序列，計算該不完整序列與完整序列集中對應(yīng)的各個完整序列(形如{x，...，x，...，x})的序列相似度(jaccard系數(shù))。

步驟2：將上述的完整序列按照相似度進(jìn)行降序排序，選取相似度最高的前n個序列作為seq的前n個最近鄰。

步驟3：對最近鄰集合中各個序列中的x的前一個操作進(jìn)行計數(shù)。

步驟4：對第三步的結(jié)果進(jìn)行整理，得到一個填補候選列表，該列表列出了各個操作出現(xiàn)在x前的次數(shù)，對這些操作進(jìn)行降序排序，選取出現(xiàn)次數(shù)最高的操作(稱為目標(biāo)操作)，將待填補操作x插入到序列seq中第一個目標(biāo)操作出現(xiàn)位置的后一個位置即可。

步驟5：如果seq中不存在目標(biāo)操作，則選取出現(xiàn)次數(shù)次之的操作為目標(biāo)操作，以此類推。最后將該不完整序列填補為完整序列。

二、操作的行為預(yù)測部分，采用基于隱馬爾可夫模型(hmm)的操作預(yù)測算法

本發(fā)明使用隱馬爾可夫模型(hmm)來建模智能家居環(huán)境下的殘疾人用戶行為，將殘疾人所處環(huán)境中的溫度建模為hmm中的隱含狀態(tài)，將殘疾人對設(shè)備的操作建模為hmm中的觀察狀態(tài)，訓(xùn)練出符合每個殘疾人用戶行為特征的隱馬爾可夫模型，后續(xù)即可利用該模型去預(yù)測給定殘疾人操作序列的下一步最有可能的操作。

具體地，基于隱馬爾可夫的操作行為預(yù)測方法的具體步驟為：

步驟1：訓(xùn)練hmm

隱馬爾可夫的訓(xùn)練過程可以這樣表示：給定可觀察狀態(tài)序列o＝o1o2...ot，找到一個最優(yōu)的參數(shù)模型λ(a，b，π)，使得p(o|λ)最大。一般地，baum-welch算法是目前使用最廣泛的hmm訓(xùn)練算法。它的基本思想就是首先初始化一個hmm，該初始值可以是一個錯誤的猜測，然后利用梯度下降的思想，通過已知的訓(xùn)練集不斷地去減小該初始值的誤差，使之更精確地描述訓(xùn)練樣本，最后得到一個穩(wěn)定且收斂的hmm。每次迭代過程中，更新hmm中的三個參數(shù)：

其中，ξt(i，j)表示在t時刻隱含狀態(tài)為si，且下一時刻轉(zhuǎn)移到sj的概率。γt(i)表示在t時刻隱含狀態(tài)為si，則下一時刻從si轉(zhuǎn)移到所有狀態(tài)的概率之和。

hmm訓(xùn)練算法的過程如下：

步驟1.1：初始化模型λ(π，a，b)，隨機給定參數(shù)πi，αij，bjk，使這些參數(shù)滿足條件

步驟1.2：當(dāng)?shù)螖?shù)小于指定閾值，每次根據(jù)公式3，公式4，公式5更新參數(shù)，得到從而得到一個新的hmm，表示為λ^*＝(π^*，a^*，b^*)。

步驟1.3：當(dāng)?shù)螖?shù)達(dá)到指定次數(shù)時，停止迭代過程，返回模型λ^*。

步驟2：預(yù)測

利用hmm預(yù)測殘疾人操作行為的過程主要分為兩步，一是計算所有可能的新序列在該hmm中出現(xiàn)的概率，該概率通過前向算法計算得到，其基本思路是依次計算各個局部序列的前向概率，累積，最后計算整個候選序列的前向概率；二是選取概率最大的序列所對應(yīng)的操作，就是預(yù)測的下一步操作。

假設(shè)給定一個序列seq＝{abddebec}，序列長度為t＝8，預(yù)測該序列的下一步操作的基本步驟如下：

步驟2.1：根據(jù)下一步可能的操作(假設(shè)有n種)，產(chǎn)生n個新序列。每一個新序列都由原序列seq加上一種可能的操作拼接而成。

步驟2.2：對于每一個新序列，計算其在步驟一訓(xùn)練好的hmm中的出現(xiàn)的概率(前向概率)，具體地：

步驟2.2.1：計算t＝1時局部序列seq＝{a}的前向概率，即計算在該時刻各個隱含狀態(tài)下該操作出現(xiàn)的概率。

步驟2.2.2：遞歸，在步驟2.2.1基礎(chǔ)上，計算t＝2時刻的局部序列seq＝{ab}的概率，該時刻的概率可表示為上一步獲得的概率與這一時刻所有狀態(tài)下的概率的聯(lián)合概率。

步驟2.2.3：依次類推，根據(jù)t時刻的概率得到t+1時刻的概率，直到獲得t＝9時刻的前向概率，即為該新序列在上述hmm中出現(xiàn)的概率。

步驟2.3：對于所有的新序列，選取前向概率最大的新序列所對應(yīng)的新操作，這個新操作就是下一步最有可能的操作。

本發(fā)明的有益效果是：

本發(fā)明結(jié)合實際應(yīng)用領(lǐng)域，相比現(xiàn)有的技術(shù)只考慮普通用戶的需求，本發(fā)明分析了智能家居環(huán)境下殘疾人用戶的行為特殊性，提出了一種殘疾人智能操作的數(shù)據(jù)填補與行為預(yù)測方法，用于解決智能家居環(huán)境下殘疾人肢體障礙性與家居復(fù)雜性之間的矛盾，降低了殘疾人在智能家居環(huán)境下對設(shè)備的操作控制成本。

附圖說明

圖1是操作缺失示意圖。

圖2是數(shù)據(jù)填補過程示意圖。

圖3是hmm預(yù)測用戶操作的步驟圖。

圖4是殘疾人操作預(yù)測模型示意圖。

具體實施方式

為了使本發(fā)明解決的問題更加清楚明白，以下結(jié)合附圖和實施實例進(jìn)行詳細(xì)說明。本實施實例涉及上海市六家殘疾人家庭，本發(fā)明為這六家殘疾人家庭搭建了智能家居平臺，主要利用中控器將空調(diào)、電風(fēng)扇、窗戶、窗簾、電燈等五種家居設(shè)備聯(lián)結(jié)為一個智能家居網(wǎng)絡(luò)，且每種設(shè)備都有開關(guān)(on-off)操作，表示為：{電燈：<開：a，關(guān)：a>，窗戶：<開：b，關(guān)：b>，空調(diào)：<開：c，關(guān)：c>，電扇：<開：d，關(guān)：d>，窗簾：<開：e，關(guān)：e>}，殘疾人用戶可以使用智能手機去控制這些設(shè)備的開關(guān)。實驗環(huán)節(jié)，收集這些用戶每天產(chǎn)生的操作數(shù)據(jù)形成操作序列，分析這些操作序列的特點，定義缺失類型，設(shè)計實驗驗證本發(fā)明的數(shù)據(jù)填補算法與行為預(yù)測算法是否有效。

具體地，圖1為操作缺失示意圖，圖中左側(cè)序列中出現(xiàn)了連續(xù)兩個相同操作a而沒有對應(yīng)的相反操作a，則說明這個序列缺失了對應(yīng)的操作a。因此該序列是不完整的，本發(fā)明的基于knn的數(shù)據(jù)填補技術(shù)可將缺失的操作a填補到該序列的正確位置中。

圖2是上述基于knn的數(shù)據(jù)填補技術(shù)的示意圖，對于圖中的任一不完整序列，都可將其拆分成若干個形如seq＝{x，...，x}的單一不完整子序列，針對每個單一不完整子序列的填補過程已在發(fā)明內(nèi)容部分詳細(xì)介紹，大致思路就是通過knn算法獲取每個不完整子序列的相似序列，根據(jù)這些相似序列中待填補操作的位置關(guān)系來確定每個缺失操作在對應(yīng)的不完整子序列中的位置，最終完成填補過程。

附圖3是隱馬爾可夫模型預(yù)測用戶操作行為的步驟示意圖，詳細(xì)過程已在發(fā)明內(nèi)容部分詳細(xì)介紹，基本思路即先根據(jù)每個用戶的行為歷史訓(xùn)練出符合該用戶特征的模型，對于某一待預(yù)測序列，計算由該序列產(chǎn)生的新序列在此hmm中出現(xiàn)的概率，其中概率最大的序列對應(yīng)的操作即為下一步最有可能的操作。

圖4是本發(fā)明的核心，即一個智能家居環(huán)境下的殘疾人行為預(yù)測模型示意圖。它主要由兩部分組成：基于knn的數(shù)據(jù)填補模塊和基于hmm操作預(yù)測模塊。具體過程為：將用戶產(chǎn)生的操作數(shù)據(jù)進(jìn)行初步的整理與清洗，然后進(jìn)入基于knn的數(shù)據(jù)填補模塊，填補不完整序列中的缺失操作，得到完整的數(shù)據(jù)集，并將之分為訓(xùn)練集與測試集，訓(xùn)練集進(jìn)入基于hmm的操作預(yù)測模塊進(jìn)行hmm訓(xùn)練，并用測試集的數(shù)據(jù)進(jìn)行實驗驗證，最后將預(yù)測結(jié)果返回給殘疾人用戶。在基于本實施實例的實驗表明，本發(fā)明中的基于knn的數(shù)據(jù)填補算法的準(zhǔn)確率在66％到76％之間，能有效地對殘疾人用戶產(chǎn)生的缺失操作進(jìn)行填補，而本發(fā)明的基于hmm的操作行為預(yù)測技術(shù)的準(zhǔn)確率在73％到77％之間，同等條件下相比傳統(tǒng)的hmm表現(xiàn)出了更好地預(yù)測效果。

以上所述僅為本發(fā)明的較佳實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的原則和精神之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均就包含在本發(fā)明的保護(hù)范圍之內(nèi)。