[发明专利]智能家居环境下人的日常行为预测方法

说明书

本发明公开了一种能家居环境下人的日常行为预测方法，步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤二：建立行为模型.采用逻辑回归的算法建立行为模型；步骤三：实时行为预测,利用步骤二中建立的模型，进行实时行为预测，其中不同行为的滑动窗口长度及行为预测的速度。本发明能实现快速识别；主要应用于在智能家居环境下对日常行为的预测。

技术领域

本发明涉及一种智能家居环境下人的日常行为预测方法。

背景技术

智能家居环境下人的日常行为预测方法，现有技术是利用摄像头通过图像识别技术识别行为，这种方法在日常行为方面 会对用户隐私造成伤害。现有的基于传感器的识别方法中存在的最主要问题是不能实现快速识别。

发明内容

本发明的目的在于提供一种能实现快速识别的智能家居环境下人的日常行为预测方法。

本发明的技术解决方案是：

一种智能家居环境下人的日常行为预测方法，其特征是：包括下列步骤：

步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；

步骤 1.1：数据格式处理，将原始传感器数据格式调整为<timeStamp,SensorID,sensorValue, Activity>；timeStamp 是传感器数据产生的时间，sensorID 是传感器编号，取值范围（0 – N ）N 是传感器总数；sensorValue 是传感器读数；Activity 行为标签，可以为空；

步骤 1.2: 删除数据集中数据不完整的记录，包括 sensorValue 为空的记录；

步骤 1.3: 传感器数据的标准化。将温度(D temp )，光线传感器数据（D light ）映射到[0，1]空间；

步骤 1.4: 计算温度数据的最小值 Min temp , 和最大值 Max temp, 标准化数据公式 DT temp = ( D temp - Min temp )/( Max temp – Min temp )；

步骤 1.5: 计算光线数据的最小值 Min light , 和最大值 Max light, 标准化数据公式DT light = ( D light - Min light )/( Max light – Min light )；

步骤 1.6：行为标签调整标准化，包括删除明显错误记录，修改拼写错误记录等，输出生成数据集 DS org；

步骤 1.7: 为提高行为识别的准确度和识别的速度，对不同的行为进行分别处理并建立模型；首先建立吃饭模型；修改数据集 DS org <timeStamp,SensorID, sensorValue,Activity>中的 Activity 域，取值范围修改为<Eating(吃饭), Non-Eeating（没有吃饭）>；

步骤 1.8: 进一步对 Activity 域修改，将 Eating 更新为 1， Non-Eating 更新为0.

步骤 1.9: 设置时间窗口（Sliding Window）长度为 1 分钟（60 秒），采用递归式滑动窗口，算法如图 1 所示，输出新的数据集 DS 60sec Eat；