CN107992003B - 用户行为预测方法及装置 - Google Patents
用户行为预测方法及装置 Download PDFInfo
- Publication number
- CN107992003B CN107992003B CN201711202176.5A CN201711202176A CN107992003B CN 107992003 B CN107992003 B CN 107992003B CN 201711202176 A CN201711202176 A CN 201711202176A CN 107992003 B CN107992003 B CN 107992003B
- Authority
- CN
- China
- Prior art keywords
- user behavior
- time
- sensor
- state information
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 187
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 108010046315 IDL Lipoproteins Proteins 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000582 polyisocyanurate Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/4186—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by protocol, e.g. MAP, TOP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25033—Pc structure of the system structure, control, syncronization, data, alarm, connect I-O line to interface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25202—Internet, tcp-ip, web server : see under S05B219-40
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请提供了一种用户行为预测方法及装置，可以获取至少一个传感器的第一开关状态信息，从用户行为模型获取与第一开关状态信息对应的当前用户行为，并根据当前用户行为获得预测用户行为；执行与预测用户行为对应的传感器的开启或关闭。本申请可以先获得用户行为模型，在正常运行过程中，接收多个传感器的开关状态信息，然后根据多个传感器的开关状态信息获得与其对应的用户行为，并依据当前用户行为推断预测用户行为以实现体现开启相应传感器的效果，与现有的看护方案相比，用户可以更自由的行动，并不会收到行为模式的限制。
Description
技术领域
本申请涉及智能家居领域，具体而言，涉及一种用户行为预测方法及装置。
背景技术
为了照顾老年人的健康和安全，住户行为识别已经经过了二三十年的发展，作为居家养老的辅助手段，监测住户的行为，并能够在出现危险时及时发出预警。目前，往往在固定行为模式情况下有效。从2000年以后，Independent Living在美国比较流行，由于尊重了老年人的隐私和自由，养老模式也逐渐开始变得更有人性化。但是当前基本依然依靠人力(护士，保姆，护工，邻居和家人的协助等完成)。
现有技术(包括美国的很多重点大学和科研机构，其中过半数是偏向医疗的应用)，利用大量的传感器和物联网技术做数据收集，数据采用ADLs或者IDLs数据格式，经过人工的监护，来记录住户真实的居家生活行为，或采用摄像头监控，不能保护用户隐私问题；必须是手工标记的数据。所以此类方案只能用来做实验，停留在科研机构和志愿者数据的级别，不能真正用到住户家中。
申请内容
有鉴于此，本申请实施例提供了一种用户行为预测方法及装置。
一方面，本申请实施例提供了一种用户行为预测方法，所述方法包括：获取至少一个传感器的第一开关状态信息；从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为；执行与所述预测用户行为对应的传感器的开启或关闭。
在一个可能的设计中，在所述从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为之后，所述方法还包括：根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为；实时接收至少一个传感器的第二开关状态信息；根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为；判断所述预测用户行为与所述终选预测用户行为是否一致；若是，则执行“执行与所述预测用户行为对应的传感器的开启或关闭“步骤。
在一个可能的设计中，所述用户行为模型的建立方法为：获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段；根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型。
在一个可能的设计中，在所述执行与所述预测用户行为对应的传感器的开启或关闭之后，所述方法还包括：获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较；若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。
在一个可能的设计中，在所述若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息之后，所述方法还包括：若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
另一方面，本申请实施例还提供了一种用户行为预测装置，所述装置包括：第一开关状态获取模块，用于获取至少一个传感器的第一开关状态信息；预测用户行为模块，用于从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为；传感器开闭执行模块，用于执行与所述预测用户行为对应的传感器的开启或关闭。
在一个可能的设计中，所述装置还包括：初选行为预测模块，用于根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为；实时接收模块，用于实时接收至少一个传感器的第二开关状态信息；筛选模块，用于根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为；行为一致判断模块，用于判断所述预测用户行为与所述终选预测用户行为是否一致；步骤跳转模块，用于若是，则执行“执行与所述预测用户行为对应的传感器的开启或关闭“步骤。
在一个可能的设计中，所述装置还包括：所述装置还包括：时间片段模块，用于获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段；用户行为建立模块，用于根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型。
在一个可能的设计中，所述装置还包括：时间比较模块，用于获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较；预警信号模块，用于若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。
在一个可能的设计中，所述装置还包括：报警信号模块，用于若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
具体地，报警信号可以包括声光信号，声音信号可以由蜂鸣器发出，光信号可以由指示灯发出。
本申请实施例提供的用户行为预测方法及装置中，可以获取至少一个传感器的第一开关状态信息，从用户行为模型获取与第一开关状态信息对应的当前用户行为，并根据当前用户行为获得预测用户行为；执行与预测用户行为对应的传感器的开启或关闭。本申请可以先获得用户行为模型，在正常运行过程中，接收多个传感器的开关状态信息，然后根据多个传感器的开关状态信息获得与其对应的用户行为，并依据当前用户行为推断预测用户行为以实现体现开启相应传感器的效果，与现有的看护方案相比，用户可以更自由的行动，并不会收到行为模式的限制。
附图说明
为了更清楚的说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的用户行为预测方法的流程示意图；
图2是本申请第一实施例提供的用户行为预测方法的一种具体实施方式的流程示意图；
图3是本申请第二实施例提供的用户行为预测装置的一种结构框图。
具体实施方式
第一实施例
请参见图1，图1示出了本申请提供的用户行为预测方法的流程示意图，具体包括如下步骤：
步骤S110，获取至少一个传感器的第一开关状态信息。
具体可以由控制器获取至少一个传感器的第一开关状态信息，具体可以采取一套异构网络解决方案，采用Beaglebone或者树莓派为核心均可实现，具有linux或者win的电脑也是可以实现的，结合各种常见的通讯协议编写设备驱动和数据接口映射程序，可以实现多个传感器与控制器的互联互通。
通讯协议具体可以兼容蓝牙，zigbee，rs232/485，RF433、315，红外，knx，TCP/IP等主流家用级通讯协议.不同通讯协议之间通过物理转发设备和驱动软件，统一到TCP/ip网络进行数据的传输和处理。
步骤S120，从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为。
用户行为模型中记载了用户行为与多个传感器的开关状态，第一开关状态信息中包含了多种传感器的开关信息，例如，当床垫的压力传感器由开启变为关闭状态，厕所门的门磁传感器由关闭状态变为开启状态，则可以判定用户当前行为为离开床去厕所；而根据用户行为模型中的记载，用户离开床去厕所时，下一个动作为开厕所灯，则可以根据当前用户行为来获得预测用户行为。
用户行为模型的建立方法为：获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段；根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型。
日期性质是用户行为模型需要记录的第一重数据，具体指的是记录日期是工作日或休息日，当日是晴天还是下雨天等信息。电器开关状态是用户行为模型需要记录的第二重数据，具体指的是在日期性质已经明确后的常用电器的开关状态，例如工作日电视开启时刻至工作日电视关闭时刻，休息日空调开启时刻至休息日当天空调关闭时刻，下雨天灯泡开启时刻至下雨天灯泡关闭时刻等。传感器开关状态是用户行为模型需要记录的第三重数据，具体指的是在日期性质以及电器开关状态已经明确的情况下多种传感器各自的开启时刻至关闭时刻形成的时间片段。例如：工作日空调关闭状态时防盗门的门磁传感器的开启时刻与关闭时刻，休息日空气净化器开启状态时床垫中压力传感器的开启时刻与关闭时刻。
用户可以在充满多个传感器和多种家用电器的房间中按照自己的生活习惯生活，从而使得工作日或休息日、晴天或阴天时，多个传感器的开启和关闭时刻以及多种家用电器中的每种的开启时刻和关闭时刻被充分的记录。
用户在房间内的生活被日期性质、电器开关状态以及传感器开关状态这三重数据被分割成多个时间片段。
将获得的多个时间片段代入隐马尔科夫模型以及条件随机场域，可以获得开关状态信息与用户行为的映射关系，从而建立所述用户行为模型。
具体地，日期性质、电器开关状态以及传感器开关状态可以通过如下数据格式进行存储：
最上边一行【0】代表时间轴，无论是否有数据都会被创建。【1-9】位标记是否节假日，工作日等，每一列对应一种可能情况。即1至9位可以分别代表：是否为工作日、是否为节假日、是否为中国节假日、是否为美国节假日等等信息，用1或0分别标识是或否。
【11-60】列用来记录天气信息，包含预报温湿度，是否污染严重，太阳升起降落时间，晴雨雪大风等三十种天气预报数据(多余的暂时留空)，用1或0分别标识是或否。
【62-111】位用于记录人体活动的传感器，包括被动红外PIR，震动等0-1布尔型数据，用1或0分别标识传感器的开启或关闭状态。
【112-161】用于记录家用设备的电器状态，布尔型变量，正常家庭的设备一般不会超过20种，设计为40种已经留有足够的富余，用1或0分别标识传感器的开启或关闭状态。
【162-181】列用于记录非布尔型变量的数值，设置为浮点型，主要可以记录温湿度，光照流明度，甲醛含量，PM2.5含量等浮点型数值，用十进制数直观表示上述各量所对应的值。
【182-191】用于记录门磁传感器信息，由于正常住户家庭不会超过10个门，已经留有足够的富余量。
【192-255】暂时留空，作为未来设备的拓展，可以兼容更多的设备类型与型号。
根据两周以上的行为统计，可以形成相对稳定的用户行为模型，两周的行为统计可以使得该用户行为模型的准确率达到98.8％以上。即获得多个传感器的开启时刻、关闭时刻，家用电器的开启时刻、关闭时刻，获得多个用户行为形成的时间片段，这些时间片段的排列组合顺序可以通过隐马尔科夫模型以及条件随机场域分析，来生成最终的用户行为模型。
步骤S130，执行与所述预测用户行为对应的传感器的开启或关闭。
由于步骤S130获得了当前用户行为对应的预测用户行为，因此，可以执行与该预测用户行为对应的传感器的开启或关闭，也可以执行与该预测用户行为对应的家用电器的开启或关闭。例如用户离开床去厕所时，下一个动作为开厕所灯，则可以根据当前用户行为来获得预测用户行为，并提前自动开启厕所灯，而不需要用户自行手动开启。
请参见图2，图2示出了本申请实施例提供的用户行为预测方法的一种具体实施方式，具体包括如下步骤：
步骤S110，获取至少一个传感器的第一开关状态信息。
步骤S120，从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为。
步骤S110至步骤S120与图1中的步骤S110至步骤S120相同，在此便不做赘述。
步骤S121，根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为。
决策树算法构造决策树来发现数据中蕴涵的分类规则.如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
当对至少一个传感器的第一开关状态信息使用决策树算法进行处理时，可以获得该第一开关状态信息对应的多个初选预测用户行为。例如，当床垫中的压力传感器检测到压力变化由关闭状态变为开启状态并持续了预定时长后，可以判定为用户起床动作，根据决策树算法，用户起床后往往可能会有多个行为，即用户去衣柜穿衣服，去厨房做早餐或去厕所洗漱等等。此时，决策树算法便可以根据床垫中的压力传感器的状态变化获得三个初选预测用户行为。
具体地，可以根据公式
来计算误判的可能性，例如床垫中的压力传感器检测到压力变化由关闭状态变为开启状态，但开启状态并未持续预定时长，则可以根据上述公式判定用户是在睡眠中出现了翻身，则将该动作忽略。
步骤S122，实时接收至少一个传感器的第二开关状态信息。
第二开关状态信息可以在决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为之后被接收。例如第二开关状态可以为衣柜门的门磁传感器的开启状态信息，也可以为厨房的门磁传感器的开启状态信息，还可以为厕所的门磁传感器的开启状态信息。
步骤S123，根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为。
控制器根据进一步接收的第二开关状态信息从多个初选预测用户行为中进行筛选，从而获得终选预测用户行为。例如，若第二开关状态为衣柜门的门磁传感器的开启状态信息，则终选预测用户行为为用户去衣柜穿衣服；若第二开关状态为厨房的门磁传感器的开启状态信息，则终选预测用户行为为去厨房做早餐。
步骤S124，判断所述预测用户行为与所述终选预测用户行为是否一致，若是，则执行步骤S130。
获取终选预测用户行为后，判断预测用户行为与终选预测用户行为是否是一致的，若是，则进一步印证了用户行为的准确性。
步骤S130，执行与所述预测用户行为对应的传感器的开启或关闭。
与图1示出的步骤S130相同，在此便不做赘述。
如果判定用户夜里起来上厕所，夜间，触发被动人体红外，门磁，以往住户的行为是开客厅廊灯，如果用户行为模型预测为用户夜里起来上厕所行为，决策树算法也判定为用户夜里起来上厕所行为，那么执行开灯操作。
本申请实施例提供的方法还可以包括：获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较。若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
第一电器具体可以为冰箱门，例如若冰箱门的开启时间长于第一预设时间时，则判定用户可能是出现了一定的异常情况，控制器可以控制用户的可穿戴设备发出预警信息，若预警信息未得到响应，则可以控制用户终端发出报警信号。具体地，可以根据下述公式
计算是否超过第一预设时间。
例如，可穿戴设备可以被佩戴在该用户的身体上，用户终端可以为该用户的紧急联系人的用户终端。
每隔一周，传感器的开关状态信息、家用电器的开关状态信息以及日期性质等信息均可以上传到服务器，由服务器进行复杂的模型训练后写回本地进行存储。本地存储中最近一周的数据权值最大，以提高实时性。
本申请第一实施例提供的用户行为预测方法可以先获得用户行为模型，在正常运行过程中，接收多个传感器的开关状态信息，然后根据多个传感器的开关状态信息获得与其对应的用户行为，并依据当前用户行为推断预测用户行为以实现体现开启相应传感器的效果，与现有的看护方案相比，用户可以更自由的行动，并不会收到行为模式的限制。
第二实施例
请参见图3，图3示出了本申请第二实施例提供的用户行为预测装置，该装置300包括：
第一开关状态获取模块310，用于获取至少一个传感器的第一开关状态信息。
预测用户行为模块320，用于从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为。
传感器开闭执行模块330，用于执行与所述预测用户行为对应的传感器的开启或关闭。
所述装置具体还包括如下模块：
初选行为预测模块，用于根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为。
实时接收模块，用于实时接收至少一个传感器的第二开关状态信息。
筛选模块，用于根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为。
行为一致判断模块，用于判断所述预测用户行为与所述终选预测用户行为是否一致。
步骤跳转模块，用于若是，则执行“执行与所述预测用户行为对应的传感器的开启或关闭“步骤。
时间片段模块，用于获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段。
用户行为建立模块，用于根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型。
时间比较模块，用于获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较。
预警信号模块，用于若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。
报警信号模块，用于若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
本申请实施例提供的用户行为预测方法及装置中，可以获取至少一个传感器的第一开关状态信息，从用户行为模型获取与第一开关状态信息对应的当前用户行为，并根据当前用户行为获得预测用户行为；执行与预测用户行为对应的传感器的开启或关闭。本申请可以先获得用户行为模型，在正常运行过程中，接收多个传感器的开关状态信息，然后根据多个传感器的开关状态信息获得与其对应的用户行为，并依据当前用户行为推断预测用户行为以实现体现开启相应传感器的效果，与现有的看护方案相比，用户可以更自由的行动，并不会收到行为模式的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种用户行为预测方法，其特征在于，所述方法包括：
获取至少一个传感器的第一开关状态信息；
从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为，其中，所述用户行为模型的建立方法为：获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段；根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型；
根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为；
实时接收至少一个传感器的第二开关状态信息；
根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为；
判断所述预测用户行为与所述终选预测用户行为是否一致；
若是，则执行与所述预测用户行为对应的传感器以及电器的开启或关闭。
2.根据权利要求1所述的方法，其特征在于，在所述执行与所述预测用户行为对应的传感器以及电器的开启或关闭之后，所述方法还包括：
获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较；
若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。
3.根据权利要求2所述的方法，其特征在于，在所述若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息之后，所述方法还包括：
若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
4.一种用户行为预测装置，其特征在于，所述装置包括：
第一开关状态获取模块，用于获取至少一个传感器的第一开关状态信息；
预测用户行为模块，用于从用户行为模型中获取与所述第一开关状态信息对应的当前用户行为，并根据所述当前用户行为获得预测用户行为，其中，所述装置还包括：时间片段模块，用于获取并根据日期性质、电器开关状态以及传感器开关状态获得多个时间片段；用户行为建立模块，用于根据所述多个时间片段、隐马尔科夫模型以及条件随机场域获得传感器的开关状态信息与用户行为的映射关系，从而建立所述用户行为模型；
初选行为预测模块，用于根据决策树算法对所述至少一个传感器的第一开关状态信息进行处理，获得多个初选预测用户行为；
实时接收模块，用于实时接收至少一个传感器的第二开关状态信息；
筛选模块，用于根据所述第二开关状态信息以及决策树算法，对所述多个初选预测用户行为进行筛选，获得终选预测用户行为；
行为一致判断模块，用于判断所述预测用户行为与所述终选预测用户行为是否一致；
传感器开闭执行模块，用于当所述预测用户行为与所述终选预测用户行为一致时，则执行与所述预测用户行为对应的传感器以及电器的开启或关闭。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
时间比较模块，用于获得第一电器的开启时间，将所述开启时间与所述第一电器的第一预设时间相比较；
预警信号模块，用于若所述开启时间长于所述第一预设时间，则控制可穿戴设备发出预警信息。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
报警信号模块，用于若所述预警信息在第二预设时间内未得到响应，则控制用户终端发出报警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711202176.5A CN107992003B (zh) | 2017-11-27 | 2017-11-27 | 用户行为预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711202176.5A CN107992003B (zh) | 2017-11-27 | 2017-11-27 | 用户行为预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107992003A CN107992003A (zh) | 2018-05-04 |
| CN107992003B true CN107992003B (zh) | 2020-01-21 |
Family
ID=62033141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711202176.5A Active CN107992003B (zh) | 2017-11-27 | 2017-11-27 | 用户行为预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992003B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108899083A (zh) * | 2018-07-27 | 2018-11-27 | 滁州学院 | 一种具有分析功能的健康Toilet系统 |
| CN110824930B (zh) * | 2018-08-08 | 2021-10-08 | 珠海格力电器股份有限公司 | 家电设备的控制方法、装置及系统 |
| CN109240105B (zh) * | 2018-09-28 | 2021-10-26 | 广州建翎电子技术有限公司 | 一种家电与照明灯智能联动控制系统 |
| TWI665609B (zh) * | 2018-11-14 | 2019-07-11 | 財團法人工業技術研究院 | 住戶行為辨識系統與住戶行為辨識方法 |
| CN110705799A (zh) * | 2019-10-10 | 2020-01-17 | 北京小米移动软件有限公司 | 一种智能提示梳洗相关信息的方法、装置及介质 |
| CN111025922B (zh) * | 2019-11-21 | 2023-09-12 | 维沃移动通信有限公司 | 一种目标设备控制方法及电子设备 |
| JPWO2021161404A1 (zh) * | 2020-02-12 | 2021-08-19 | ||
| CN113339960A (zh) * | 2020-03-02 | 2021-09-03 | 青岛海尔空调器有限总公司 | 基于卫浴设备的环境调节方法及卫浴环境的调节系统 |
| JP2022039511A (ja) * | 2020-08-28 | 2022-03-10 | 日立グローバルライフソリューションズ株式会社 | 見守り装置、見守り方法及び見守りプログラム |
| TWI815424B (zh) * | 2022-04-29 | 2023-09-11 | 優網通國際資訊股份有限公司 | 主動關懷型居住安全監視系統 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100025483A1 (en) * | 2008-07-31 | 2010-02-04 | Michael Hoeynck | Sensor-Based Occupancy and Behavior Prediction Method for Intelligently Controlling Energy Consumption Within a Building |
| CN104704863A (zh) * | 2012-10-04 | 2015-06-10 | 华为技术有限公司 | 用于智能移动伴侣的用户行为建模 |
| CN104035396B (zh) * | 2014-04-18 | 2016-08-17 | 重庆大学 | 基于无线传感器网络的分布式行为识别方法 |
| US9651929B2 (en) * | 2014-09-29 | 2017-05-16 | International Business Machines Corporation | HVAC system control integrated with demand response, on-site energy storage system and on-site energy generation system |
| CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
| CN106383450A (zh) * | 2016-11-10 | 2017-02-08 | 北京工商大学 | 一种基于大数据的智能家居用户行为分析系统及方法 |
-
2017
- 2017-11-27 CN CN201711202176.5A patent/CN107992003B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107992003A (zh) | 2018-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992003B (zh) | 用户行为预测方法及装置 | |
| US11050577B2 (en) | Automatically learning and controlling connected devices | |
| JP7463102B2 (ja) | 人の日常生活動作を監視するためのシステム及び方法 | |
| CN107205698B (zh) | 用于监测人的日常生活的活动的系统和方法 | |
| JP3996428B2 (ja) | 異常検知装置及び異常検知システム | |
| US7552030B2 (en) | System and method for learning patterns of behavior and operating a monitoring and response system based thereon | |
| CN106383450A (zh) | 一种基于大数据的智能家居用户行为分析系统及方法 | |
| US20160171866A1 (en) | System and method for automated triggering and management of alarms | |
| KR20150028191A (ko) | 사용자 컨텍스트를 이용한 디바이스 동작의 설정 및 추천 방법 및 장치 | |
| CN108937855A (zh) | 一种睡眠监控方法、装置及电子设备 | |
| EP2903217B1 (en) | Building automation method and system | |
| CN106922058B (zh) | 灯具的控制方法、装置和系统 | |
| CN114664405A (zh) | 一种基于时序数据库的认知预警系统及方法 | |
| CN105182772B (zh) | 基于无线传感器的家庭智能服务方法 | |
| CN112235740A (zh) | 一种基于物联网的个体作息监测方法及系统 | |
| CN108121446A (zh) | 交互方法和系统 | |
| West et al. | A probabilistic approach to the anxious home for activity monitoring | |
| Augusto et al. | NOCTURNAL ambient assisted living | |
| Brownsell et al. | Developing a systems and informatics based approach to lifestyle monitoring within eHealth: part II-analysis & interpretation | |
| CN113391369B (zh) | 活动状态检测方法、装置及计算机可读存储介质 | |
| KR101862141B1 (ko) | 홈 프로파일을 이용한 홈 자동화 서비스 시스템 및 홈 자동화 서비스를 제공하는 게이트웨이 장치 | |
| CN114234350B (zh) | 用于家居生活智能控制的方法、装置、设备及存储介质 | |
| KR101955939B1 (ko) | 공간필터링과 기계학습을 통한 행위인식 방법 및 그 장치 | |
| CN116401643A (zh) | 异常行为处理方法、存储介质及电子装置 | |
| CN118337547A (zh) | 遥控器自动控制的方法及装置、遥控器、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |