[发明专利]智能家居环境下人的日常行为预测方法

摘要

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。

主权项

1.一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；步骤 1.10: 输出滑动窗口数据集 DS 60sec Eat 格式如下：<t j , S 1 t(j‑k)~tj ，S 2 t(j‑k)~tj ，S 3 t(j‑k)~tj …… S n t(j‑k)~tj ，Act tj >. （j, k 用做对时间的计数，t 表示时间，S 表示传感器数据序列，n 表示滑动窗口计数，S n t(j‑k)~tj 表示第 n 个传感器数据序列，起始时间是 t (j‑k), 结束时间 t j , Act tj 表示当前滑动窗口的行为标签；步骤 1.11: 计算每一个窗口中的活跃传感器的总数（Snum）, 每个传感器的活跃时间< T 0 , T 1 , T 2 …… T Snum >, 以及每个传感器的活跃频率< F 0 , F 1 ,F 2 …… F Snum >；步骤 1.12: 计算每一个窗口中活跃传感器的活跃时间长度的平均值（T mean ），最大值（T max ），最小值（T min ），以及方差（T sd ）；步骤 1.13: 将步骤 11‑12 中新生成的域添加到数据集 DS 60sec Eat 中， 生成新的数据集 DS_2 60sec Eat ,其数据格式为 <t j , S 1 t(j‑k)~tj ，S 2 t(j‑k)~tj ，S 3 t(j‑k)~tj …… S n t(j‑k)~tj ，T 0 , T 1 , T 2 …… T Snum , F 0 , F 1 , F 2 …… F Snum ，T mean ，T max ，T min ，T sd ，Act tj >；步骤 1.14: 对做饭行为数据进行预处理；修改数据集 DS org <timeStamp,SensorID, sensorValue, Activity>中的 Activity 域，取值范围修改为<Cooking, Non‑Cooking>；步骤 1.15: 进一步对 Activity 域修改，将 Cooking 更新为 1， Non‑Cooking更新为 0；步骤 1.16: 设置时间窗口Sliding Window，长度为 30 秒，采用递归式滑动窗口，输出新的数据集 DS 30sec cook；步骤 1.17: 执行步骤 1.10–1.13，输出新的数据集 DS_2 30sec cook；步骤 1.18: 对其他行为执行相同的操作，分别产生数据集 DS_2 10sec relax，DS_2 120sec sleep , DS_2 30sec work , DS_2 120sec dust , DS_2 10sec tv , DS_2 30sec bath；步骤二：建立行为模型.采用逻辑回归的算法建立行为模型，算法的计算公式如下：步骤 2.1: 利用步骤一中产生的数据集（DS_2 60sec Eat，DS_2 30sec cook，DS_2 10sec relax, DS_2 120sec sleep , DS_2 30sec work, DS_2 120sec dust , DS_2 10sec tv,DS_2 30sec bath）分别建立行为模型， 分别生成模型 DM_2 60sec Eat，DM_2 30sec cook，DM_2 10sec relax, DM_2 120sec sleep , DM_2 30sec work, DM_2 120sec dust ,DM_2 10sec tv, DM_2 30sec bath；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；步骤 3.1：在实时环境下，当用户执行某一项活动或行为时，便有新的实时传感器数据产生，新数据格式 <timeStamp, SensorID, sensorValue>,针对不同行为，生成不同长度的时间窗口；步骤 3.2: 执行步骤 1.11–1.12 中计算，将产生的结果添加到当前时间窗口，生成新的窗口 TW act len 格式<t j , S 1 t(j‑k)~tj ，S 2 t(j‑k)~tj ，S 3 t(j‑k)~tj …… S n t(j‑k)~tj，T 0 , T 1 , T 2 …… T Snum , F 0 , F 1 , F 2 …… F Snum ，T mean ，T max ，T min ，T sd >；其中TW act len 包括 TW cook 30，TW eat 60 , TW work 30，TW relax 10，TW sleep 120，TW dust 120，TW tv 10，TW bath 30，步骤 3.3: 将步骤 3.2 中生成的时间窗口作为输入，分别输入到步骤 2.1 中对应的模型中，即可预测输出当前正在执行的行为标签。