陸興華，林佳聰，謝欣殷，林家豪

(廣東工業(yè)大學(xué)華立學(xué)院，廣東 廣州 511325)

0 引 言

隨著人工智能控制技術(shù)和物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，智能家居技術(shù)取得了較快的發(fā)展并不斷成熟，為用戶提供了現(xiàn)代化的家居智能控制體驗。智能家居是建立在物聯(lián)網(wǎng)基礎(chǔ)上，通過物聯(lián)網(wǎng)技術(shù)將家中的各種設(shè)備(如音視頻設(shè)備、照明系統(tǒng)、窗簾控制、空調(diào)控制等)連接到一起，提供家電控制、照明控制、室內(nèi)外遙控、防盜報警、環(huán)境監(jiān)測、暖通控制、紅外轉(zhuǎn)發(fā)以及可編程定時控制等多種功能和手段。在智能家居設(shè)計中，每個用戶都具有自身偏好的特征，需要對用戶進行針對性的特征分析，對智能家居物聯(lián)網(wǎng)用戶的行為模式進行挖掘和特征分析，制定符合用戶行為特征的智能家居控制模型，提高智能家居的用戶價值體驗[1]。

當(dāng)前，對智能家居物聯(lián)網(wǎng)用戶行為模式數(shù)據(jù)挖掘主要采用的是多源數(shù)據(jù)的信息服務(wù)數(shù)據(jù)庫構(gòu)建方法，結(jié)合QoS預(yù)測實現(xiàn)智能家居服務(wù)的評估和數(shù)據(jù)挖掘[2]，提高智能家居的用戶行為模式挖掘性能。典型的用戶行為模式挖掘方法主要有主成分分析方法、支持向量機算法、模糊C均值算法、語義指向性特征提取算法等[3-4]。通過對用戶行為模式的數(shù)據(jù)分析和大數(shù)據(jù)庫模型的構(gòu)建，結(jié)合特提取方法進行智能家居物聯(lián)網(wǎng)用戶行為模式挖掘和特征分析，取得了較好的用戶行為模式挖掘效果。其中，文獻[5]提出一種基于模糊C均值聚類算法的智能家居物聯(lián)網(wǎng)用戶行為模式挖掘方法，對智能家居物聯(lián)網(wǎng)用戶行為特征分布大數(shù)據(jù)進行FCM聚類預(yù)處理，對聚類輸出的數(shù)據(jù)進行時頻分析和特征點檢測，實現(xiàn)用戶行為特征的準(zhǔn)確挖掘；文獻[6]提出一種基于語義本體模型和關(guān)聯(lián)指向性特征提取的智能家居物聯(lián)網(wǎng)用戶行為挖掘算法，采用語義特征信息提取和關(guān)聯(lián)規(guī)則挖掘方法，實現(xiàn)對用戶行為特征的模糊指向性挖掘，實現(xiàn)對用戶行為的動態(tài)特征挖掘模型優(yōu)化，但該方法在用戶行為挖掘中的計算開銷較大，挖掘精度不高。

針對上述問題，文中提出一種基于大數(shù)據(jù)的智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘方法。構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式的特征數(shù)據(jù)模型，采用關(guān)聯(lián)規(guī)則特征分解方法進行用戶行為模式的大數(shù)據(jù)分析和信息重構(gòu)。根據(jù)用戶行為模式大數(shù)據(jù)之間的差異性進行指向性行為特征分析，根據(jù)用戶的行為偏好進行特征分類和信息融合處理，建立用戶行為模式的大數(shù)據(jù)分類模型，根據(jù)用戶的行為特征實現(xiàn)智能決策和判斷，采用極限機學(xué)習(xí)算法進行收斂性控制，提高用戶行為模式挖掘的自適應(yīng)性。最后進行實驗分析，驗證該方法在提高智能家居物聯(lián)網(wǎng)用戶行為模式挖掘準(zhǔn)確性和收斂性方面的優(yōu)越性能。

1 智能家居物聯(lián)網(wǎng)用戶行為模式的大數(shù)據(jù)分布模型及特征提取

1.1 智能家居物聯(lián)網(wǎng)用戶行為模式的大數(shù)據(jù)分布模型構(gòu)建

(1)

(2)

在關(guān)聯(lián)約束下，用戶行為模式滿足Wigner-Ville分布：

cx+b～Sα(|c|σ,sgn(c),cμ+b)

(3)

在Wigner-Ville分布空間進行大規(guī)模異構(gòu)數(shù)據(jù)重組[7]，建立智能家居物聯(lián)網(wǎng)用戶行為模式的檢測模型為：

(4)

(5)

Xn={Xn,Xn-τ,…,Xn-(d-1)τ}

(6)

采用模糊調(diào)度方法對用戶行為特征進行關(guān)鍵行為特征點定位，得到的定位結(jié)果為：

(7)

對用戶行為模式進行QoS控制，得到QoS控制加權(quán)的閉頻繁項集合為：

(8)

由此構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式的大數(shù)據(jù)分布模型，如圖1所示。

圖1 智能家居物聯(lián)網(wǎng)用戶行為模式的分布模型

1.2 智能家居物聯(lián)網(wǎng)用戶行為特征提取

(9)

采用關(guān)聯(lián)規(guī)則特征分解方法進行用戶行為模式的大數(shù)據(jù)分析和信息重構(gòu)，重構(gòu)結(jié)果為：

其中

(11)

考慮存在不確定時延下的用戶信任權(quán)重，得到智能家居物聯(lián)網(wǎng)用戶行為特征分布的特征值滿足約束條件：

(12)

由此構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式數(shù)據(jù)信息流模型，通過特征分解實現(xiàn)用戶行為模式挖掘。

2 用戶行為模式挖掘算法優(yōu)化

2.1 用戶行為模式大數(shù)據(jù)分析

在構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式的特征數(shù)據(jù)模型，采用關(guān)聯(lián)規(guī)則特征分解方法進行用戶行為模式的大數(shù)據(jù)分析和信息重構(gòu)的基礎(chǔ)上，進行智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘的優(yōu)化設(shè)計。文中提出一種基于大數(shù)據(jù)的智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘方法。根據(jù)用戶行為模式大數(shù)據(jù)之間的差異性進行指向性行為特征分析[8]，得到用戶行為特征的分布模型為：

(13)

(14)

(15)

其中，αn為用戶A、B之間的信任權(quán)重；Bl(n)為信任度評價漸進系數(shù)。

提取智能家居物聯(lián)網(wǎng)用戶行為模式的QoS信息特征為：

(16)

采用多層時態(tài)屬性分箱處理，建立QoS映射關(guān)系的動態(tài)平衡模型，進行智能家居物聯(lián)網(wǎng)用戶行為特征的分類處理，根據(jù)用戶的行為偏好進行特征分類和信息融合。

2.2 極限機學(xué)習(xí)算法及挖掘優(yōu)化

采用極限機學(xué)習(xí)算法進行收斂性控制，根據(jù)智能家居物聯(lián)網(wǎng)用戶行為模式的支持度單調(diào)遞增原理，得到用戶行為模式的信息融合輸出為：

Bel(xt)=p(xt|zt,ut-1,zt-1,…,u0,z0)

(17)

采用如下極限機學(xué)習(xí)算法進行回歸分析：

vt=wvt-1+c1rand1()·(pbest-xt-1)+

c2rand2()·(gbest-xt-1)

(18)

xt=xt-1+vt

(19)

其中，vt是極限機學(xué)習(xí)過程中的迭代速度，表示智能家居物聯(lián)網(wǎng)用戶行為模式挖掘全局尋優(yōu)速度；xt是極限機學(xué)習(xí)的適應(yīng)度值；c1和c2是最優(yōu)學(xué)習(xí)算子，一般取c1=c2=2；rand1()和rand2()是[0,1]之間的隨機數(shù)。

通過極限機學(xué)習(xí)，得到智能家居物聯(lián)網(wǎng)用戶行為大數(shù)據(jù)特征分布Xi對應(yīng)的一個函數(shù)。構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式挖掘的統(tǒng)計決策目標(biāo)函數(shù)為：

(20)

其中，pad為用戶行為模式數(shù)據(jù)挖掘?qū)?yōu)過程中的最大適應(yīng)度值。

采用動態(tài)慣性權(quán)重加權(quán)方法得到個體極值pbest，在收斂條件約束下，根據(jù)如下兩個公式來更新極限機學(xué)習(xí)的交叉尋優(yōu)過程：

(21)

根據(jù)挖掘目標(biāo)函數(shù)的參數(shù)尋優(yōu)，實現(xiàn)對智能家居物聯(lián)網(wǎng)用戶行為大數(shù)據(jù)的準(zhǔn)確挖掘和特征分析[9-11]，得到特征函數(shù)為：

(22)

分析智能家居物聯(lián)網(wǎng)用戶行為特征數(shù)據(jù)挖掘模板集的靜態(tài)特性[12]，根據(jù)極限機學(xué)習(xí)算法進行收斂性控制，得到優(yōu)化挖掘結(jié)果為：

(23)

綜上處理，實現(xiàn)了智能家居物聯(lián)網(wǎng)用戶行為模式挖掘[14]，提高了用戶行為模式挖掘的自適應(yīng)性。

3 仿真實驗與結(jié)果分析

對文中方法在實現(xiàn)智能家居物聯(lián)網(wǎng)用戶行為模式挖掘中的性能進行仿真實驗。慣性權(quán)重為0.12，相關(guān)系數(shù)R=0.22，均方誤差MSE=0.087，智能家居物聯(lián)網(wǎng)用戶行為數(shù)據(jù)樣本集為3 000，測試集為200，用戶規(guī)模為4 000，對用戶行為特征大數(shù)據(jù)采集的歸一化初始頻率f1=0.3，歸一化終止頻率f2=0.05。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘，得到的挖掘輸出的散點圖如圖2所示。

圖2 用戶行為模式數(shù)據(jù)挖掘輸出的散點圖

從圖2得知，通過對智能家居物聯(lián)網(wǎng)用戶行為模式的挖掘和預(yù)測，提高了對用戶行為模式的智能分析能力。采用模糊調(diào)度方法對用戶行為特征進行關(guān)鍵行為特征點定位，采用資源標(biāo)識方法進行用戶行為模式自適應(yīng)標(biāo)定和狀態(tài)重組，實現(xiàn)對用戶行為特征提取，提取結(jié)果如圖3所示。

圖3 智能家居物聯(lián)網(wǎng)用戶行為模式提取定位結(jié)果

分析圖3得知，采用文中方法進行智能家居物聯(lián)網(wǎng)用戶行為模式提取的準(zhǔn)確性較高，抗干擾性能較強。采用不同方法進行挖掘的精度對比，得到的挖掘誤差對比結(jié)果如圖4所示。分析得知，利用文中方法進行智能家居物聯(lián)網(wǎng)用戶行為模式挖掘的精度較高，準(zhǔn)確性較好。

圖4 挖掘性能對比

4 結(jié)束語

文中提出一種基于大數(shù)據(jù)的智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘方法。構(gòu)建智能家居物聯(lián)網(wǎng)用戶行為模式的大數(shù)據(jù)分析模型，采用模糊調(diào)度方法對用戶行為特征進行關(guān)鍵行為特征點定位，建立用戶行為模式的大數(shù)據(jù)分類模型。根據(jù)用戶的行為特征的聚類性實現(xiàn)智能家居物聯(lián)網(wǎng)用戶行為特征挖掘和自適應(yīng)聚類，采用極限機學(xué)習(xí)算法進行智能家居物聯(lián)網(wǎng)用戶行為模式挖掘的收斂性控制，提高用戶行為模式挖掘的自適應(yīng)性。實驗結(jié)果表明，采用該方法進行智能家居物聯(lián)網(wǎng)用戶的行為模式挖掘的準(zhǔn)確性較高，挖掘過程的收斂性較好，在智能家居物聯(lián)網(wǎng)控制設(shè)計中具有很好的應(yīng)用價值。