[发明专利]一种基于隐马尔可夫模型的家电用户行为预测方法及装置

权利要求书

1.一种基于隐马尔可夫模型的家电用户行为预测方法，其特征在于，至少包括以下步骤：

S1：采集并存储用户家电使用行为数据；

所述用户家电使用行为数据包含该时间段内用户对家电设备所有的操作行为事件，以及每个操作行为事件前对应家电设备的操作状态，操作事件本身的操作状态和每个事件触发后的操作状态；

S2：通过余弦相似性算法计算转化后的行为数据的相似度；比较该时间与一周前同一时间的用户家电使用行为数据的相似度，得到和当前用户的家电使用行为习惯数据；

S3：对所述行为习惯数据进行行为模式逐个识别用户行为习惯数据，得到用户日常家电使用行为习惯的时域特征；

S4：基于所述的用户当前家电使用行为的时域特征，构建隐马尔可夫HMM模型参数，确定基于当前用户行为模式的预测模型；

S5：运用维特比算法来实现对下一时隙各个时间点用户行为的预测。

2.根据权利要求1所述的一种基于隐马尔可夫模型的家电用户行为预测方法，其特征还在于：

所述余弦相似性算法计算公式为：

设行为数据向量A＝(A₁,A₂，…A_n)，B＝(B₁，B₂，…B_n)；

其中，N表示每组行为数据中的元素个数，即每个时隙里面的小时数，A_i、B_i表示计算相似度的两组行为数据，i表示每组行为数据中单个元素序号。

3.根据权利要求1所述的一种基于隐马尔可夫模型的家电用户行为预测方法，其特征还在于：

所述构建HMM模型参数，确定预测模型λ＝{A，B，π}，包括：确定用户行为发生的概率的初始状态概率矩阵π；确定不同用户行为间转移的概率的隐状态间的转移概率矩阵A，确定隐状态对应观测状态的概率矩阵B，则用户处于特定时隙的概率：

所述确定用户行为发生的概率的初始状态概率矩阵π，所述家电使用行为习惯数据筛选后，按照模式循环筛选将筛选出的相似数据存到一个矩阵当中，计算这个矩阵中所有元素的个数，将所述矩阵中元素的个数用count表示，则每种状态出现的个数用count(x)为：

其中，分别表示隐含状态在初始时刻属于状态X₁和X₂的概率，指用户行为分别处于行为X₁和行为X₂的的概率。

4.根据权利要求3所述的一种基于隐马尔可夫模型的家电用户行为预测方法，其特征还在于：

所述确定不同用户行为间转移的概率的隐状态间的转移概率矩阵A为：

其中，表示状态X₁转移到状态X₁的概率；表示状态X₁转移到状态X₂的概率；表示状态X₂转移到状态X₁的概率；表示状态X₂转移到状态X₂的概率；

其中，表示从状态X₁转移到X₂的次数；表示状态X₁出现的频数；表示从状态X₁转移到状态X₂的概率。

5.根据权利要求3所述的一种基于隐马尔可夫模型的家电用户行为预测方法，其特征还在于：

所述确定隐状态对应观测状态的概率矩阵B：

其中，X₁、X₂表示用户行为两种状态，t₁t₂t₃t₄这里是一个时隙的4个小时，表示用户行为X₁已经发生，用户行为处于t₁时刻的概率；

其中则矩阵B中的元素为：

P_x表示在某一个时隙的时间点内状态x出现的频数，C_x表示状态x出现的频数。