[发明专利]一种基于多层聚类模型的居民日常行为识别方法

摘要

本发明提供一种基于多层聚类模型的居民日常行为识别方法，包括：对训练集中的传感器事件流根据日常行为实例进行分割；通过K近邻算法进行聚簇，统计样本在每个簇下的分布；判断任意两个日常行为是否存在耦合；计算耦合集中日常行为的耦合度，降序排列；去除训练集中耦合度最大的行为实例；判断训练集是否存在耦合；使用分类模型对测试集中的行为实例进行分类；判断训练子集与原始的训练集间关系。本发明提出的多层聚类模型的行为分类方法对行为实例进行聚类，根据日常行为的耦合度对行为实例进行分步识别，克服了单层的分类方法由于行为实例耦合度较高导致分类性能较差的问题。从理论上讲，使用本发明将显著地提升居民日常行为的准确率和召回率。

主权项

1.一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布；S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日常行为不耦合；S4：计算所述耦合集中日常行为的耦合度；根据所述日常行为的耦合度，对出现在所述耦合集中的日常行为，按照所述耦合度值从大到小，降序排列；S5：去除所述训练集中耦合度最大的行为实例；S6：判断所述训练集是否存在耦合；如果所述训练集中任意两个日常行为均不存在耦合，则所述训练集为无耦合行为的训练子集，则执行步骤S7；如果所述训练集中任意两个日常行为存在耦合，则重复步骤S2‑步骤S5；S7：根据极大无耦合行为的训练子集训练分类模型，使用分类模型对测试集中的行为实例进行分类；S8：当极大无耦合行为的训练子集不等于原始的训练集时，则从初始的训练集中删除极大无耦合行为的训练子集，作为新的训练集并从测试集中删除已经分类后的行为样本，作为测试集，执行步骤S2；当极大无耦合行为的训练子集等于原始的训练集时，日常行为识别结束。