CN109818839A - 应用于智能家居的个性化行为预测方法、装置和系统 - Google Patents

Abstract

本申请实施例公开了应用于智能家居的个性化行为预测方法、装置和系统。该方法的一具体实施方式包括：根据所获取的当前用户输入信息确定所述用户的用户身份以及用户当前行为意图；获取与所述用户身份匹配的用户历史行为的信息；基于用户当前行为意图所指示的当前行为以及与所述用户历史行为的信息所指示的历史行为，确定该用户在所述当前行为之后的预测用户行为。该实施方式由于用户的预测用户行为是基于该用户的历史行为所确定的，从而可以提高所确定的预测用户行为的准确率。

Description

应用于智能家居的个性化行为预测方法、装置和系统

技术领域

本申请实施例涉及物联网技术领域，具体涉及智能家居技术领域，尤其涉及应用于智能家居的个性化行为预测方法、装置和系统。

背景技术

随着物联网技术的快速发展，可以利用无线传感技术和计算机网络技术，将家居环境中的普通底层硬件设备，例如冰箱、台灯、热水器、空调、电视、门窗等聚合在一起，形成一整套智能家居体系。也即，智能家居是以住宅为平台，基于物联网技术，软件系统，云计算平台构成的家居生态圈。

目前智能家居的智能化已经不局限于设备能够理解用户指令，对单个家居设备参数进行调整，还要求能够对用户行为做出预判，并基于预判结果，做出符合用户需求的使用推荐。

发明内容

本申请实施例提出了一种应用于智能家居的个性化行为预测方法、装置和系统。

第一方面，本申请实施例提供了一种应用于智能家居的个性化行为预测方法，该方法包括：根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图；获取与用户身份匹配的用户历史行为的信息；基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在一些实施例中，基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为，包括：将当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前行为之后的预测用户行为的信息；其中用户行为预测模型用于根据输入的用户的当前行为的信息以及用户历史行为的信息，生成用于指示该用户在当前行为之后的预测用户行为的信息。

在一些实施例中，用户行为预测模型包括第一用户行为预测子模型和第二用户行为预测子模型，用户历史行为信息包括用户历史行为序列的信息；以及将当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前行为之后的预测用户行为的信息，包括：将当前行为的信息以及用户历史行为序列的信息输入到预先训练的第一用户行为预测子模型，得到用于指示该用户在当前行为之后的第一预测用户行为的信息；将当前行为-环境数据对以及当前环境数据发送到第二用户行为预测子模型，得到用于指示该用户在当前行为之后的、与当前环境数据对应的第二预测用户行为的信息；其中，行为-环境数据对包括用于指示用户行为的信息以及用户执行用户行为之前的环境信息；基于第一预测用户行为对应的概率以及第二预测用户行为对应的概率确定预测用户行为；其中第一用户行为预测子模型用于根据输入的用户当前行为的信息以及用户历史行为序列的信息，生成用于指示该用户在当前行为之后的第一预测用户行为的信息；第二用户行为预测子模型用于根据输入的用户行为-环境数据对以及给定环境，生成用于该用户在当前行为之后的第二预测用户行为的信息。

在一些实施例中，第一用户行为预测子模型为基于循环神经网络的语言模型；第二用户行为预测子模型为基于深度学习的分类模型。

在一些实施例中，第一用户行为预测子模型是按照如下训练步骤训练得到的：构建训练样本集合，训练样本集合包括用户历史行为的信息，用户历史行为的信息包括用户历史行为序列的信息；将训练样本集合中的至少一个训练样本作为初始第一行为预测模型的输入，将预设至少一个预设行为作为输出，训练第一行为预测模型；以及第二用户行为预测子模型是按照如下训练步骤训练得到的：构建训练样本集合，训练样本集合包括多个行为-环境数据对，行为环境数据对包括用户行为的信息以及用户执行用户行为之前的环境信息；将训练样本集合中的至少一个训练样本作为初始第二行为预测模型的输入，将预设至少一个预设行为作为输出，训练第一行为预测模型。

在一些实施例中，用户输入信息为以下至少之一：语音信息、指纹信息、通过家居管理软件输入的文字信息。

在一些实施例中，用户输入信息为语音信息；以及根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为，包括：基于当前用户输入信息提取用户的语音特征；基于语音特征确定用户的用户身份；以及解析语音信息对应的语义；基于语义确定用户当前行为意图。

在一些实施例中，输入信息为用户通过附加在预设按键上的指纹获取装置获取的指纹信息；以及根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为，包括：基于指纹信息提取用户的指纹特征；根据指纹特征确定用户的用户身份；以及根据预设按键所控制的家居设备对象及对应参数，确定用户当前行为意图。

在一些实施例中，该方法还包括：根据与用户身份匹配的用户的历史行为信息确定用户的用户偏好；以及基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前时刻之后的预设时间点的预测用户行为，包括：基于用户当前行为意图所指示的当前行为、用户偏好以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在一些实施例中，该方法还包括：获取用户在当前行为之后的实际用户行为；将实际用户行为添加到训练样本集合，得到更新后的训练样本集合；利用更新后的训练样本集合调整用户行为预测模型。

在一些实施例中，该方法还包括：响应于确定对于同一家居设备，在当前时刻之后的预设时间点，至少两个用户对该设备待实施不同的预测用户行为，根据预设冲突解决策略，确定在预设时间点可对该家居设备实施预测用户行为的用户以及该用户对应的预测用户行为。

第二方面，本申请实施例提供了一种应用于智能家居的个性化行为预测装置，该装置包括：第一确定单元，被配置成根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图；获取单元，被配置成获取与用户身份匹配的用户历史行为的信息；预测单元，被配置成基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在一些实施例中，预测单元进一步被配置成：将当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前行为之后的预测用户行为的信息；其中用户行为预测模型用于根据输入的用户的当前行为的信息以及用户历史行为的信息，生成用于指示该用户在当前行为之后的预测用户行为的信息。

在一些实施例中，用户行为预测模型包括第一用户行为预测子模型和第二用户行为预测子模型，用户历史行为信息包括用户历史行为序列的信息；以及预测单元进一步被配置成：将当前行为的信息以及用户历史行为序列的信息输入到预先训练的第一用户行为预测子模型，得到用于指示该用户在当前行为之后的第一预测用户行为的信息；将当前行为-环境数据对以及当前环境数据发送到第二用户行为预测子模型，得到用于指示该用户在当前行为之后的、与当前环境数据对应的第二预测用户行为的信息；其中，行为-环境数据对包括用于指示用户行为的信息以及用户执行用户行为之前的环境信息；基于第一预测用户行为对应的概率以及第二预测用户行为对应的概率确定预测用户行为；其中第一用户行为预测子模型用于根据输入的用户当前行为的信息以及用户历史行为序列的信息，生成用于指示该用户在当前行为之后的第一预测用户行为的信息；第二用户行为预测子模型用于根据输入的用户行为-环境数据对以及给定环境，生成用于该用户在当前行为之后的第二预测用户行为的信息。

在一些实施例中，第一用户行为预测子模型为基于循环神经网络的语言模型；第二用户行为预测子模型为基于深度学习的分类模型。

在一些实施例中，该装置还包括训练单元，训练单元按照如下步骤训练初始第一用户行为预测子模型，得到训练后的第一用户行为预测子模型：构建训练样本集合，训练样本集合包括用户历史行为的信息，用户历史行为的信息包括用户历史行为序列的信息；将训练样本集合中的至少一个训练样本作为初始第一行为预测模型的输入，将预设至少一个预设行为作为输出，训练初始第一行为预测模型，以得到训练后的第一行为预测模型；以及按照如下步骤训练初始第二用户行为预测子模型，得到训练后的第二用户行为预测子模型：构建训练样本集合，训练样本集合包括多个行为-环境数据对，行为环境数据对包括用户行为的信息以及用户执行用户行为之前的环境信息；将训练样本集合中的至少一个训练样本作为初始第二行为预测模型的输入，将预设至少一个预设行为作为输出，训练初始第二行为预测模型，以得到训练后的第二行为预测模型。

在一些实施例中，用户输入信息为以下至少之一：语音信息、指纹信息、通过家居管理软件输入的文字信息。

在一些实施例中，用户输入信息为语音信息；以及第一确定单元进一步被配置成：基于当前用户输入信息提取用户的语音特征；基于语音特征确定用户的用户身份；以及解析语音信息对应的语义；基于语义确定用户当前行为意图。

在一些实施例中，输入信息为用户通过附加在预设按键上的指纹获取装置获取的指纹信息；以及第一确定单元进一步被配置成：基于指纹信息提取用户的指纹特征；根据指纹特征确定用户的用户身份；以及根据预设按键所控制的家居设备对象及对应参数，确定用户当前行为意图。

在一些实施例中，该装置还包括第二确定单元，第二确定单元被配置成：根据与用户身份匹配的用户的历史行为信息确定用户的用户偏好；以及预测单元进一步被配置成：基于用户当前行为意图所指示的当前行为、用户偏好以及用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在一些实施例中，该装置还包括模型调整单元，模型调整单元被配置成：获取用户在当前行为之后所实施的实际用户行为；将实际用户行为添加到训练样本集合，得到更新后的训练样本集合；利用更新后的训练样本集合调整用户行为预测模型。

在一些实施例中，该装置还包括冲突解决单元，冲突解决单元进一步被配置成：响应于确定对于同一家居设备，在当前时刻之后的预设时间点，至少两个用户对该设备待实施不同的预测用户行为，根据预设冲突解决策略，确定在预设时间点可对该家居设备实施预测用户行为的用户以及该用户对应的预测用户行为。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的应用于智能家居的个性化行为预测方法、装置和系统，通过根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为，而后获取与用户身份匹配的用户历史行为的信息，最后基于用户当前行为以及用户历史行为的信息所指示的历史行为，确定该用户在当前时刻之后的预设时间点的预测用户行为。由于用户的预测用户行为是基于该用户的历史行为所确定的，从而可以提高所确定的预测用户行为的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例的应用于智能家居的个性化行为预测方法可以应用于其中的示例性系统架构图；

图2是根据本申请的应用于智能家居的个性化行为预测方法的一个实施例的流程图；

图3是根据本申请的应用于智能家居的个性化行为预测方法的又一个实施例的流程图；

图4是根据本申请的应用于智能家居的个性化行为预测方法的又一个实施例的流程图；

图5是根据本申请的应用于智能家居的个性化行为预测装置的一个实施例的结构示；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本申请的一个实施例的应用于智能家居的个性化行为预测方法可以应用于其中的示例性系统架构100。

如图1所示，系统架构100可以包括用户信息采集装置，如麦克风101、遥控器102、终端设备103；服务器104；智能家居设备，如电视105、冰箱106和空调107。用户信息采集装置与服务器104之间以及服务器104与家居设备之间可以通过网络进行通信连接。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用用户信息采集装置通过网络104与服务器105交互，以接收或发送消息等。例如用户通过设置在家居环境中的麦克风来采集用户的语音信息，通过设置在遥控器按键上的指纹采集模块来采集用户的指纹信息，或者通过设置在终端设备中的客户端应用采集用户输入的控制指令等。需要说明的是，上述麦克风可以是单独设置在家居环境中的麦克风，也可以是集成在其他设备例如用户终端设备中的麦克风。需要说明的是，上述终端设备103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器104可以是提供各种服务的服务器，例如对接收用户信息采集装置采集的用户输入信息，并对用户输入信息进行分析，根据分析结果对家居设备进行控制的服务器。

服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的应用于智能家居的个性化行为预测方法是通过服务器104执行的，相应地，应用于智能家居的个性化行为预测装置可以设置于服务器104中。

应该理解，图1中的用户输入信息采集装置、服务器和智能家居设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的用户输入信息采集装置、服务器和智能家居设备。

继续参考图2，其示出了根据本申请的应用于智能家居的个性化行为预测方法的一个实施例的流程200。该应用于智能家居的个性化行为预测方法，包括以下步骤：

步骤201，根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图。

在本实施例中，应用于智能家居的个性化行为预测方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户信息采集装置获取当前用户输入信息。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例中，用户输入信息可以是各种类型的信息。在本实施例的一些可选的实现方式中，用户输入信息可以为以下至少一项：语音信息、指纹信息、通过家居管理软件输入的指令信息。

上述执行主体可以对当前用户输入信息进行各种分析处理，以确定用户的用户身份以及用户当前行为意图。

在一些应用场景中，用户输入信息为语音信息。上述根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图，可以包括以下步骤：

首先，基于上述语音信息提取用户的语音特征。

在这些应用场景中，可以使用现有的各种语音特征分析方法，来对用户语音信息进行解析，从而提取用户的语音特征。

需要说明的是，上述分析语音信息的语义的方法是目前广泛研究和应用的公知技术，此处不赘述。

其次，基于上述语音特征确定用户的用户身份。

在得到了用户的语音特征之后，可以根据预设用户身份-语音特征关系表，确定出上述用户的用户身份。具体地，可以将预设用户身份-语音特征关系表中的、与上述用户的语音特征匹配的用户身份确定为上述用户的用户身份。上述预设用户身份-语音特征关系表中存储有多个用户各自的用户身份信息，以及与各用户的身份信息关联存储的用户语音特征信息。

再次，解析语音信息对应的语义。

在这些应用场景中，可以使用现有的各种分析语音信息的语义的方法来解析上述语音信息对应的语音。例如，将上述语音信息转换为文本信息；在对文本信息进行分词操作，根据分词结果确定文本信息的关键词，根据关键词确定语音信息对应的语义等。

需要说明的是，上述分析语音信息的语义的方法是目前广泛研究和应用的公知技术，此处不赘述。

最后，基于上述语义确定用户当前行为意图。

在另外一些应用场景中，上述用户输入信息为用户通过附加在预设按键上的指纹采集装置采集的指纹信息。上述预设按键可以是附加在家居设备的遥控器的按键，还可以是设置在家居设备上的按键。

在这些应用场景中，上述根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图，可以包括以下步骤：

首先，基于上述指纹信息提取用户的指纹特征。

在这些应用场景中，可以使用现有的各种指纹分析方法，提取用户的指纹特征。

需要说明的是，上述指纹分析方法是目标广泛研究和应用的公知技术，此处不赘述。

其次，根据指纹特征确定用户的用户身份。

在得到了用户的指纹特征之后，可以根据预设用户身份指纹特征关系表中，确定上述用户的用户身份。具体地，可以将预设用户身份-指纹特征关系表中的、与上述用户的指纹特征匹配的用户身份确定为上述用户的用户身份。上述预设用户身份-指纹特征关系表中存储有多个用户各自的用户身份信息，以及与各用户的用户身份信息关联存储的用户指纹特征的信息。

再次，根据上述预设按键所控制的家具设备对象及对应参数，确定用户当前行为意图。

在另外一些应用场景中，上述用户输入信息可以为用户通过安装在终端设备上的客户端输入的指令信息。上述指令信息可以包括用户账户信息、控制对象以及控制参数。从上述指令信息中的用户账户信息可以确定用户的用户身份。从上述指令信息中的控制对象以及控制参数确定用户当前行为意图。

步骤202，获取与用户身份匹配的用户历史行为的信息。

在本实施例中，基于步骤201中得到的用户的用户身份，上述执行主体(例如图1所示的服务器)可以获取与上述用户身份匹配的用户历史行为的信息。

在实施例中，上述用户历史行为可以包括第一用户历史行为序列和第二用户历史行为序列。第一用户历史行为序列可以为在多个历史时间段中每一个历史时间段对应的用户历史行为序列，这里的历史时间段例如可以是在当前时刻之前的M个自然天中，包括当前时刻所对应的时间点的时间段。M为大于等于1的正整数。第二用户历史行为序列可以为用户发出用户当前行为意图之前的预设时间间隔内发生的多个用户行为，上述预设时间间隔例如小于1个小时，或者2个小时。

上述用户历史行为的信息例如可以包括在当前时刻之前的历史时间段内用户执行的多个历史行为的信息。上述预设时间段可以包括N个小时，或者N个自然日等，N为大于等于1的任意整数。N的具体取值可以根据应用场景进行设定，此处不做限定。

上述用户历史行为的信息可以保存在上述执行主体中，也可以保存在于上述执行主体实现通信连接的气态电子设备中。

步骤203，基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在本实施例中，应用于智能家居的个性化行为预测方法的执行主体(例如图1所示的服务器)可以利用各种分析方法对该用户的上述当前行为以及该用户的上述历史行为进行分析处理，以确定该用户在当前时刻之后的预设时间点的预测用户行为。

在本实施例中，将在预设时间间隔的发生的不同用户行为视为在一个时间段内的先后用户行为。上述预设时间间隔例如可以为1分钟，5分钟等，预设时间间隔可以根据具体的应用场景，进行设定。可以根据预设时间段内的多个不同的用户行为，按照发生的先后顺序，生成用户行为序列。作示意性说明，用户行为序列例如可以：汽车启动(地点：公司)，播放音乐，打开空调，设定空调温度，停车(地点：家)，开门，关门，开灯，开窗帘，打开电视；或者，用户行为序列可以为：开门，关门，开灯，开窗帘，打开电视；又或者，用户行为序列可以为：打开水龙头，关水龙头，开冰箱，取鸡蛋，取葱，关冰箱，开水龙头，关水龙头，开煤气灶，关煤气灶等。

在本实施例中，对于该用户的每一个用户行为，上述执行主体可以根据多个历史时间段各自对应的用户历史行为序列，统计出多个其他用户行为分别为该用户行为的下一个用户行为各自对应的概率。将对应的概率值最大的一个其他用户行为确定为该用户的该用户行为的下一个预测用户行为。

在一些应用场景中，上述执行主体还可以根据多个历史时间段各自对应的用户历史行为序列，统计出多个其他用户行为为在当前时刻之后的预设时间点的预测用户行为。也即为在当前行为发生时刻之后的预设时间点的预测用户行为。例如在当前行为发生时刻之后十分钟时的预测用户行为等。

图2所示实施例的一个应用场景如下：冬天，用户从外面刚回到家里，由于气温低，用户通常会打开空调，系统根据用户偏好设置空调温度到预设温度，上述预设温度例如可以是21摄氏度。用户多个历史行为序列：开门，关门，打开空调，调整空调温度至预设温度。在上述应用场景中，上述执行主体获取用户当前时刻的用户行为为：打开空调；上述执行主体获取当前时刻之前紧接的历史行为序列为：开门、关门。并获取多个历史时段对应的历史行为序列。上述执行主体可以根据用户历史行为对当前行为之后用户行为进行预测，得到预测用户行为为：设置空调温度为21摄氏度。

继续参见图3，其示出了应用于智能家居的个性化行为预测方法的又一个实施例的流程300。该应用于智能家居的个性化行为预测方法的流程300，包括以下步骤：

步骤301，根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图。

在本实施例中，步骤301与图2所示实施例的步骤201相同，此处不赘述。

步骤302，获取与用户身份匹配的用户历史行为的信息。

在本实施例中，步骤302与图2所示实施例的步骤202相同，此处不赘述。

步骤303，将用户当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前行为之后的预测用户行为的信息。

在本实施例中，上述执行主体中可以设置预先训练的用户行为预测模型。上述执行主体可以将用户当前行为的信息以及用户历史行为的信息输入到上述预先训练的用户行为预测模型中，由上述用户行为预测模型生成用于指示该用户在当前时刻之后的预设时间点的预测用户行为的信息。上述指示预测用户行为的信息包括上述预测用户行为所对应的概率。

需要说明的是，在使用上述用户行为预测模型之前，需要对用户行为预测模型进行训练。可以使用预先获取的训练样本集合中的各训练样本对初始用户行为预测模型进行训练，从而得到训练后的用户行为预测模型。具体地，上训练样本集合中的每一个训练样本可以包括一个用户对应的指定的当前用户行为的信息以及用户历史行为的信息。采用机器学习的方法，将上述训练样本作为初始用户行为模型的输入，将指示该用户在上述指定的当前用户行为之后的、已知的用户行为的信息作为初始用户行为预测模型的期望输出，训练得到用户行为预测模型。

在本实例的一些可选的实现方式中，上述用户行为预测模型可以包括第一用户行为预测子模型可第二用户行为预测子模型。上述第一用户行为预测子模型和上述第二用户行为预测子模型分别可以是各种机器学习模型，例如神经网络模型。

进一步地，上述第一用户行为预测子模型例如可以为基于循环神经网络的语言模型。上述第二用户行为预测子模型例如可以为基于深度学习的分类模型。

可选的，第一用户行为预测子模型的结构例如可以包括多个卷积层、循环神经网络层、全连接层以及分类器等。第二用户行为预测子模型的结构例如可以包括双向循环神经网络层、全连接层以及分类器等。

上述用户历史行为信息可以包括用户历史行为序列的信息。上述用户历史行为序列可以为与该用户对应的、按照发生时间先后顺序排列的多个用户历史行为。

在这些可选的实现方式中，上述将当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前时刻之后的预设时间点的预测用行为的信息，可以包括如下步骤：

首先，将当前行为的信息以及用户历史行为序列的信息输入到预先训练的第一用户行为预测子模型，得到用于指示该用户在当前时刻之后的预设时间点的第一预测用户行为的信息。

上述第一用户行为预测子模型用于根据输入的用户的当前行为的信息以及用户历史行为序列的信息，生成用于指示在当前时刻之后的预设时间点的第一预测用户行为的信息。

用于指示第一预测用户行为的信息可以包括第一预测行为对应的用户行为标识、以及第一预测行为对应的概率。上述用户行为标识用于区别不同的用户行为。上述用户行为标识可以包括数字、字符，或者包括数字和字符的组合。不同的用户行为所对应的用户行为标识不同。

其次，将当前行为-环境数据对以及当前环境数据发送到第二用户行为预测子模型，得到用于指示该用户在当前时刻之后的预设时间点、与当前环境数据对应的第二预测用户行为的信息。

上述行为-环境数据对包括用于指示用户行为的信息以及用户执行上述用户行为之前的环境信息。上述环境信息可以包括但不限于以下至少一项:各家居设备的状态信息以及设置在家居环境中的各种传感器探测到的数据信息。上述传感器例如可以包括但不限于温度传感器、可见光传感器、声控传感器、气体传感器等。这里的行为-环境数据对例如可以包括行为：调节空调温度至21摄氏度，上述调节空调温度至21摄氏度的行为之外的室内温度小于预设温度阈值(例如5摄氏度)。或者，行为-环境数据对包括行为打开灯，以及上述行为对应的室内光线亮度小于光线亮度阈值等。

上述第二用户行为预测子模型用于根据输入的用户行为-环境数据对以及在上述行为-环境数据对所指示的用户行为之后的给定环境，生成用于指示与上述给定环境对应的第二预测用户行为的信息。

用于指示第二预测用户行为的信息可以包括第二预测行为对应的用户行为标识、以及第二预测行为对应的概率。

最后，基于第一预测用户行为对应的概率以及第二预测用户行为对应的概率确定预测用行为。

例如，若第一预测用户行为对应的概率大于第二预测用户行为对应的概率，则将第一预测用户行为作为最终的该用户在当前时刻之后的预设时间点的预测用户行为。若第二预测用户行为对应的概率大于第一预测用户行为对应的概率，则将第二预测用户行为作为最终的在当前时刻之后的预设时间点的预测用户行为。

上述第一用户行为预测子模型是按照如下训练步骤训练得到的：

构建训练样本集合，训练样本包括用户行为序列的信息，用户行为序列包括指定用户当前行为、历史用户行为序列以及在上述指定用户当前行为之后已知的用户行为。在一些应用场景中，可以将训练样本集合按照预设比例分为三个部分：训练数据、验证数据和测试数据。

在训练时，可以采用10折交叉验证的方式来上述第一用户行为预测子模型。

利用机器学习的方法，将训练样本集合中训练样本中的历史用户行为序列、指定用户当前行为作为初始第一用户行为预测子模型的输入，将上述指定用户当前行为之后已知的用户行为作为输出，训练初始第一用户行为预测子模型。

上述第二用户行为预测子模型是按照如下训练步骤训练得到的：

构建训练样本集合，训练样本包括至少两个行为-环境数据对。两个行为-环境数据对中的两个行为是用户先后执行的行为。行为-环境数据对包括用户行为的信息以及用户执行用户行为之前的环境信息。在一些应用场景中，可以将训练样本集合按照预设比例分为三个部分：训练数据、验证数据和测试数据。

利用机器学习的方法，将训练样本集合中训练样本中的在先发生的用户行为的行为-环境数据对和在后发生的用户行为对应的环境数据作为初始第二用户行为预测子模型的输入，将上述在后发生的用户行为作为输出，训练初始第二用户行为预测子模型。

在训练时，可以采用10折交叉验证的方式来上述第一用户行为预测子模型。

在一些应用场景中，上述第一用户行为预测子模型可以为基于循环神经网络的神经语言模型。上述构建训练样本的过程可以包括：

第一，定义词向量，词向量的维数设为32，将词向量放在预设行列数的矩阵内，其中行数等于不同行为的个数+2。这里加2是因为增加了填充标识和结束标志。

第二，定义神经网络结构，以双向长短期记忆单元(LSTM)作为循环神经网络单元，每层LSTM单元个数为隐藏层大小；并设置训练时LSTM单元和词向量不被丢弃的概率为0.9.

第三，定义全连接层为一个节点数为总的不同行为的个数全连接神经网络层，其节点数为上述预设行列数的行数-2。该层负责将将双向循环神经网络层的输出2*隐藏层大小映射成预设行列数的行数-2，那么权重为2*隐藏层大小×(预设行列数的行数-2)的矩阵，偏置项为大小为预设行列数的行数-2的向量。假设该层的输出向量为Logits。该层的激活函数为ReLU。

第四，定义分类器层，用于将循环神经网络的输出转换为每个行为的概率。对Logits应用分类器函数(softmax函数)得到各行为的概率值。

第五，定义损失函数，这里采用平均交叉熵作为损失函数。

从图3中可以看出，与图2对应的实施例相比，本实施例中的应用于智能家居的个性化行为预测方法的流程300突出了使用预先训练的用户行为预测模型生成预测用户行为的步骤。由此，本实施例一方面可以提高所生成的预测用户行为的效率，另一方面还可以提高所生成的预测用户行为的准确度。

在本实施例的一些可选的实现方式中，上述应用于智能家居的个性化行为预测方法还可以进一步包括如下步骤：

第一，获取用户在当前行为之后的实际用户行为；

第二，将实际用户行为添加到上述训练样本集合，得到更新后的训练样本集合；

第三，利用更新后的训练样本集合调整上述用户行为预测模型。

在这些可选的实现方式中，可以实时对用户行为预测模型进行调整，以使用户行为预测模型与最近的用户需求贴合，从而使用用户行为预测模型得到的预测用户行为与当前时期内的用户行为更加匹配。可以进一步提高用户行为预测的准确度。

进一步参考图4，其示出了应用于智能家居的个性化行为预测方法的又一个实施例的流程400。该应用于智能家居的个性化行为预测方法的流程400，包括以下步骤：

步骤401，根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图。

在本实施例中，步骤401与图2所示实施例的步骤201相同，此处不赘述。

步骤402，获取与用户身份匹配的用户历史行为的信息。

在本实施例中，步骤402与图2所示实施例的步骤202相同，此处不赘述。

步骤403，根据与用户身份匹配的用户的历史行为的信息确定用户的用户偏好。

在本实施例中，应用于智能家居的个性化行为预测方法的执行主体，可以根据用户的在多个历史时间段内的用户历史行为确定用户偏好。这里的用户偏好例如可以包括用户观看的电视节目了下，用户习惯的室内温度等。

此外，还可以根据用户偏好对用户进行分组，例如儿童组、老人组、访客组等。

每个用户组对应具有共同习惯的一类用户，对于同一组用户的任一用户，可以参考其他用户的历史时间段内的用户历史行为对该用户当前行为的下一用户行为提供建议，或者行为建议组合等。

此外，对用户进行分组有利于对用户进行管理，例如对于访客，可以限定用户权限，简化一些操作等。如访客可能对环境不熟悉，可以采用一些默认访客的操作，比如打开电视，开灯关灯等。

步骤404，基于上述当前行为、用户偏好以及用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

在本实施例中，上述执行主体可以参考用户偏好，并基于用户的当前行为以及用户历史行为，确定该用户在当前行为之后的预测用户行为。

步骤404可以与图2所示实施例的步骤203相同，此处不赘述。

在一些应用场景中，步骤404也可以与图3所示实施例的步骤303相同或相似。

在这些应用场景中，上述执行主体可以将用户偏好作为一个参数，与用户当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型同时输入到用户行为预测模型中，得到预测用户行为的信息。

从图4中可以看出，与图2对应的实施例相比，本实施例中的应用于智能家居的个性化行为预测方法的流程400突出了确定用户偏好，并根据用户偏好确定预测用户行为的步骤，由此，本实施例描述的方案所得到的预测用户行为与用户的贴切度更高。

在本申请的应用于智能家居的个性化行为预测方法各实施例的一些可选的实现方式中，图2所示实施例、图3所示实施例和图4所示实施例的应用于智能家居的个性化行为预测方法可以进一步包括：响应于确定对于同一家居设备，在当前行为发生时刻之后的预设时间点，至少两个用户对该设备待实施不同的预测用户行为，根据预设冲突解决策略，确定在预设时间点可对该家居设备实施预测用户行为的用户以及该用户对应的预测用户行为。

上述预设冲突解决方案例如可以包括节能优先、儿童保护优先、前者优先、后者优先等冲突解决方案等。

在这些可选的实现方式中，可以将不同用户的当前访问信息保存在预设消息队列中。上述执行主体可以从上述预设消息队列接收每一用户的、基于该用户的当前访问信息而生成的获取该用户的用户画像的指令。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种应用于智能家居的个性化行为预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的应用于智能家居的个性化行为预测装置500包括：第一确定单元501、获取单元502和预测单元503。其中，第一确定单元501，被配置成根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图；获取单元502，被配置成获取与用户身份匹配的用户历史行为的信息；预测单元503，被配置成基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后预测用户行为。

在本实施例中，应用于智能家居的个性化行为预测装置500的第一确定单元501、获取单元502和预测单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，预测单元503进一步被配置成：将当前行为的信息以及与用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在当前行为之后预测用户行为的信息；其中用户行为预测模型用于根据输入的用户的当前行为的信息以及用户历史行为的信息，生成用于指示该用户在当前时刻之后的预测用户行为的信息。

在本实施例的一些可选的实现方式中，用户行为预测模型包括第一用户行为预测子模型和第二用户行为预测子模型，用户历史行为信息包括用户历史行为序列的信息；以及预测单元503进一步被配置成：将当前行为的信息以及用户历史行为序列的信息输入到预先训练的第一用户行为预测子模型，得到用于指示该用户在当前时刻之后的预设时间点的第一预测用户行为的信息；将当前行为-环境数据对以及当前环境数据发送到第二用户行为预测子模型，得到用于指示该用户在当前时刻之后的预设时间点、与当前环境数据对应的第二预测用户行为的信息；其中，行为-环境数据对包括用于指示用户行为的信息以及用户执行用户行为之前的环境信息；基于第一预测用户行为对应的概率以及第二预测用户行为对应的概率确定预测用户行为；其中第一用户行为预测子模型用于根据输入的用户当前行为的信息以及用户历史行为序列的信息，生成用于指示在当前行为之后的第一预测用户行为的信息；第二用户行为预测子模型用于根据输入的用户行为-环境数据对以及给定环境，生成用于指示在当前行为之后第二预测用户行为的信息。

在本实施例的一些可选的实现方式中，第一用户行为预测子模型为基于循环神经网络的语言模型；第二用户行为预测子模型为基于深度学习的分类模型。

在本实施例的一些可选的实现方式中，应用于智能家居的个性化行为预测装置500还包括训练单元(图中未示出)，训练单元按照如下步骤训练初始第一用户行为预测子模型，得到训练后的第一用户行为预测子模型：构建训练样本集合，训练样本集合包括用户历史行为的信息，用户历史行为的信息包括用户历史行为序列的信息；将训练样本集合中的至少一个训练样本作为初始第一行为预测模型的输入，将预设至少一个预设行为作为输出，训练初始第一行为预测模型，以得到训练后的第一行为预测模型；以及按照如下步骤训练初始第二用户行为预测子模型，得到训练后的第二用户行为预测子模型：构建训练样本集合，训练样本集合包括多个行为-环境数据对，行为环境数据对包括用户行为的信息以及用户执行用户行为之前的环境信息；将训练样本集合中的至少一个训练样本作为初始第二行为预测模型的输入，将预设至少一个预设行为作为输出，训练初始第二行为预测模型，以得到训练后的第二行为预测模型。

在本实施例的一些可选的实现方式中，用户输入信息为以下至少之一：语音信息、指纹信息、通过家居管理软件输入的文字信息。

在本实施例的一些可选的实现方式中，用户输入信息为语音信息。第一确定单元501进一步被配置成：基于当前用户输入信息提取用户的语音特征；基于语音特征确定用户的用户身份；以及解析语音信息对应的语义；基于语义确定用户当前行为意图。

在本实施例的一些可选的实现方式中，输入信息为用户通过附加在预设按键上的指纹获取装置获取的指纹信息。第一确定单元501进一步被配置成：基于指纹信息提取用户的指纹特征；根据指纹特征确定用户的用户身份；以及根据预设按键所控制的家居设备对象及对应参数，确定用户当前行为意图。

在本实施例的一些可选的实现方式中，应用于智能家居的个性化行为预测装置500还包括第二确定单元(图中未示出)，第二确定单元被配置成：根据与用户身份匹配的用户的历史行为信息确定用户的用户偏好；以及预测单元进一步被配置成：基于用户当前行为意图所指示的当前行为、用户偏好以及用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后预测用户行为。

在本实施例的一些可选的实现方式中，应用于智能家居的个性化行为预测装置500还包括模型调整单元(图中未示出)，模型调整单元被配置成：获取用户在当前行为之后所实施的实际用户行为；将上述实际用户行为添加到训练样本集合，得到更新后的训练样本集合；利用更新后的训练样本集合调整用户行为预测模型。

在本实施例的一些可选的实现方式中，应用于智能家居的个性化行为预测装置500还包括冲突解决单元(图中未示出)，冲突解决单元进一步被配置成：响应于确定对于同一家居设备，在当前时刻之后的预设时间点，至少两个用户对该设备待实施不同的预测用户行为，根据预设冲突解决策略，确定在预设时间点可对该家居设备实施预测用户行为的用户以及该用户对应的预测用户行为。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、获取单元和预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：根据所获取的当前用户输入信息确定用户的用户身份以及用户当前行为意图；获取与用户身份匹配的用户历史行为的信息；基于用户当前行为意图所指示的当前行为以及与用户历史行为的信息所指示的历史行为，确定该用户在当前时刻之后的预设时间点的预测用户行为。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种应用于智能家居的个性化行为预测方法，包括：

根据所获取的当前用户输入信息确定所述用户的用户身份以及用户当前行为意图；

获取与所述用户身份匹配的用户历史行为的信息；

基于用户当前行为意图所指示的当前行为以及与所述用户历史行为的信息所指示的历史行为，确定该用户在所述当前行为之后的预测用户行为。

2.根据权利要求1所述的方法，其中，所述基于用户当前行为意图所指示的当前行为以及与所述用户历史行为的信息所指示的历史行为，确定该用户在所述当前行为之后的预测用户行为，包括：

将当前行为的信息以及与所述用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在所述当前行为之后的预测用户行为的信息；其中

所述用户行为预测模型用于根据输入的用户的当前行为的信息以及用户历史行为的信息，生成用于指示该用户在所述当前行为之后的预测用户行为的信息。

3.根据权利要求2所述的方法，其中，所述用户行为预测模型包括第一用户行为预测子模型和第二用户行为预测子模型，所述用户历史行为信息包括用户历史行为序列的信息；以及

所述将当前行为的信息以及与所述用户历史行为的信息输入到预先训练的用户行为预测模型，得到用于指示该用户在所述当前行为之后的预测用户行为的信息，包括：

将所述当前行为的信息以及所述用户历史行为序列的信息输入到预先训练的第一用户行为预测子模型，得到用于指示该用户在所述当前行为之后的第一预测用户行为的信息；

将当前行为-环境数据对以及当前环境数据发送到第二用户行为预测子模型，得到用于指示该用户在当前行为之后的、与当前环境数据对应的第二预测用户行为的信息；其中，行为-环境数据对包括用于指示用户行为的信息以及用户执行所述用户行为之前的环境信息；

基于第一预测用户行为对应的概率以及第二预测用户行为对应的概率确定所述预测用户行为；其中

所述第一用户行为预测子模型用于根据输入的用户当前行为的信息以及用户历史行为序列的信息，生成用于指示该用户在所述当前行为之后的第一预测用户行为的信息；

所述第二用户行为预测子模型用于根据输入的用户行为-环境数据对以及给定环境，生成用于该用户在所述当前行为之后的第二预测用户行为的信息。

4.根据权利要求3所述的方法，其中，

所述第一用户行为预测子模型为基于循环神经网络的语言模型；

所述第二用户行为预测子模型为基于深度学习的分类模型。

5.根据权利要求3所述的方法，其中，所述第一用户行为预测子模型是按照如下训练步骤训练得到的：

构建训练样本集合，所述训练样本集合包括用户历史行为的信息，用户历史行为的信息包括用户历史行为序列的信息；

将所述训练样本集合中的至少一个训练样本作为初始第一行为预测模型的输入，将预设至少一个预设行为作为输出，训练所述初始第一行为预测模型，以得到训练后的第一行为预测模型；以及

所述第二用户行为预测子模型是按照如下训练步骤训练得到的：

构建训练样本集合，所述训练样本集合包括多个行为-环境数据对，所述行为环境数据对包括用户行为的信息以及用户执行所述用户行为之前的环境信息；

将所述训练样本集合中的至少一个训练样本作为初始第二行为预测模型的输入，将预设至少一个预设行为作为输出，训练所述初始第二行为预测模型，以得到训练后的第二行为预测模型。

6.根据权利要求1所述的方法，其中，所述用户输入信息为以下至少之一：语音信息、指纹信息、通过家居管理软件输入的文字信息。

7.根据权利要求6所述的方法，其中，所述用户输入信息为语音信息；以及

所述根据所获取的当前用户输入信息确定所述用户的用户身份以及用户当前行为意图，包括：

基于当前用户输入信息提取用户的语音特征；

基于所述语音特征确定用户的用户身份；以及

解析所述语音信息对应的语义；

基于所述语义确定用户当前行为意图。

8.根据权利要求6所述的方法，其中，所述输入信息为用户通过附加在预设按键上的指纹获取装置获取的指纹信息；以及

所述根据所获取的当前用户输入信息确定所述用户的用户身份以及用户当前行为意图，包括：

基于所述指纹信息提取用户的指纹特征；

根据所述指纹特征确定用户的用户身份；以及

根据所述预设按键所控制的家居设备对象及对应参数，确定用户当前行为意图。

9.根据权利要求1所述的方法，其中，所述方法还包括：

根据与所述用户身份匹配的用户的历史行为信息确定用户的用户偏好；以及

所述基于用户当前行为意图所指示的当前行为以及与所述用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为，包括：

基于所述当前行为、用户偏好以及用户历史行为的信息所指示的历史行为，确定该用户在当前行为之后的预测用户行为。

10.根据权利要求5所述的方法，其中，所述方法还包括：

获取用户在所述当前行为之后的实际用户行为；

将所述实际用户行为添加到所述训练样本集合，得到更新后的训练样本集合；

利用更新后的训练样本集合调整所述用户行为预测模型。

11.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定对于同一家居设备，在所述当前行为发生时刻之后的预设时间点，至少两个用户对该设备待实施不同的预测用户行为，根据预设冲突解决策略，确定在所述预设时间点可对该家居设备实施预测用户行为的用户以及该用户对应的预测用户行为。

12.一种应用于智能家居的个性化行为预测装置，包括：

第一确定单元，被配置成根据所获取的当前用户输入信息确定所述用户的用户身份以及用户当前行为意图；

获取单元，被配置成获取与所述用户身份匹配的用户历史行为的信息；

预测单元，被配置成基于用户当前行为意图所指示的当前行为以及与所述用户历史行为的信息所指示的历史行为，确定该用户在所述当前行为之后的预测用户行为。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-11中任一所述的方法。