基于用户行为分析和推理的智能照明系统算法设计.docVIP

基于用户行为分析和推理的智能照明系统算法设计 　　摘 要：通过采集各个照明节点的使用数据，进行处理后，再根据用户行为分析算法和行为推理算法预测用户某一时刻的行为，主动为用户提供服务建议，随着用户使用数据的不断增加，整个系统的预测结果会更加准确和智能，与用户心理的使用意向的吻合度也会不断提高，逐步达到机器自学习和建立推理的目标。 　　关键词：智能控制；用户行为；用户推理；算法设计 　　1 概述 　　物联网技术在近年来迅猛发展，众多产业之间互联互通越来越得到重视。物联网将资源信息化和网络化，与LED照明产业的结合带来了崭新的产品模式[1]。信息化突破了传统的局限，逐渐普及到智慧城市、智能交通、智能家居等众多领域，利用物联网，能把LED照明系统与互联网连接，进行信息共享，实现智能识控制，从而达到人们追求的环保、健康、绿色的生活方式。但是，目前的物联网控制系统所采用的智能控制技术主要是基于“感知-控制”模式，但也存在不足之处，即没有学习能力，从而难以积累经验，无法主动为用户提供服务。 　　2 智能照明数据模型 　　通过采集各个照明节点的使用数据，进行处理后，再根据用户行为分析算法和行为推理算法预测用户某一时刻的行为，主动为用户提供服务建议。主机接受从机发送过来的数据并存储、完成用户行为分析及推理算法，并进行命令发送；从机完成数据的采集，并对灯光进行控制。通过采集各个照明节点的使用数据并进行数据处理，构建统一的数据模型，然后进行时间段划分，计算其各个时段平均时间，通过相似度进行有效性检测，去除一些用户偶尔的使用行为，再构建用户习惯模型和设置评估函数来得到结果。 　　3 用户行为分析算法构建 　　用户行为分析算法总体构架如图1所示。工作重点是对用户的历史行为数据进行建模，挖掘用户的行为特征，并预测在某个时间点，用户将会有什么行为，从而为智能家居中灯光设备的控制找到依据。 　　主机从各个从机接受到的用户使用数据是零碎的，不利于后面的数据分析，因此需要构建一个数学模型，将零碎的数据变为规整的数据，以便后面的算法识别。 　　构建统一的数学模型后，将这些数据进行时间段划分，得出每一天每一灯光使用时间比较接近的时间段。对于每一个智能灯光，使用时间段一般不止一个时间段。 　　时间数据按照先后数据排列为{7：10，7：10，7：20，7：30，13：10，19：40，20：30，20：40，20：50}，如果相差分数小于α（30分钟），则分为同一组。 　　第一组：7：10，7：10，7：20，7：30 　　第二组：19：40 　　第三组：20：30，20：40，20：50 　　分组完成后，利用时间相似度算法对时间数据进行分析，剔除时间相似度不高的时间数据为无效数据。 　　4 用户行为分析算法仿真 　　每个用户家里都有很多房间，每个房间都有很多灯，随着时间数据的增大，每个灯的使用数据也很大，因此对算法进行仿真时，需要大量的数据。 　　通过人为制造大量的数据对算法进行仿真，并加入大量的无效数据，看算法是否可以智能地筛选出无效数据，其算法改进流程图如图2所示。 　　5 用户行为推理算法构建 　　用户行为推理算法总体构架如图3所示。 　　用户行为推理算法主要包括习惯集的构建，从大量的有效数据模型中，提取有效长期稳定的习惯，并结合成习惯集。 　　服务机制如下所示： 　　（1）新时间节点，新建新数据模型。 　　（2）在习惯集中检索，寻找时间段中时间相似度小于β的习惯。 　　（3）按照习惯模型控制设备。 　　6 用户行为推理算法仿真 　　人为构建大量有效数据模型，构建习惯模型，检测其有效型，并修改其参数，以达到最优效果，如图4所示。 　　参考文献 　　[1]黄凯峰.基于电力线载波的智能照明控制系统的研究与设计[D].上海：同济大学，2013：5-11. 　　[2]愈剑.基于Zigbee无限传感网络的LED智能照明控制系统的研究[D].浙江工业大学，2012：8-15. 　　[3]王飞.基于DALI协议的LED智能照明控制系统关键技术的研究[D].广东工业大学，2013：1-10. 　　[4]翟楠.LED智能照明控制系统的设计与实现[D].山西科技大学，2016：1-3. 　　[5]王超，骆德汉，郑魏.基于STM32的嵌入式智能家居无线网关设计[J].计算机技术与发展，2013，03（10）：241-244. 4