本發(fā)明屬于智能家居場(chǎng)景領(lǐng)域，特別涉及一種智能家居場(chǎng)景配置方法。

背景技術(shù)：

智能家居隨著技術(shù)的發(fā)展，已經(jīng)越來越多的應(yīng)用于生活和實(shí)際生產(chǎn)中，雖然家居的部分產(chǎn)品被命名為“智能”，但在實(shí)際應(yīng)用場(chǎng)景下個(gè)，都有高昂的學(xué)習(xí)成本，在實(shí)際應(yīng)用中需要產(chǎn)生“智能”的過程比較漫長。

現(xiàn)有一般通過在智能家居的控制系統(tǒng)中加入數(shù)據(jù)挖掘算法，收集人的行為信息，然后對(duì)行為數(shù)據(jù)信息進(jìn)行挖掘，對(duì)不同用戶挖掘出進(jìn)行了一項(xiàng)動(dòng)作后，下一項(xiàng)動(dòng)作進(jìn)行評(píng)估。

由圖1、2可以看出，現(xiàn)有技術(shù)需要先確定人員身份，為強(qiáng)鑒權(quán)方式，然后根據(jù)該人在環(huán)境中的控制操作，通過傳感器進(jìn)行數(shù)據(jù)采集后，對(duì)產(chǎn)生的個(gè)人數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，然后個(gè)人在進(jìn)行相應(yīng)控制操作行為后可以進(jìn)行下一步的操作預(yù)測(cè)。新的人員進(jìn)入后需要較長的學(xué)習(xí)時(shí)間，缺少行為模糊能力，實(shí)際環(huán)境下并不適用。實(shí)際應(yīng)用中，部分智能家居設(shè)備種類繁多，新設(shè)備加入環(huán)境后，該系統(tǒng)架構(gòu)無法滿足快速反應(yīng)和預(yù)測(cè)的需求。原有方案體系中缺少對(duì)智能設(shè)備特性的數(shù)據(jù)挖掘，只依賴用戶行為，缺少實(shí)際場(chǎng)景下的可用性和易用性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)中的不足，而提出的一種智能家居場(chǎng)景配置方法，使用該方法對(duì)用戶不需要完全的身份認(rèn)定，只基于模糊信息，產(chǎn)生預(yù)估聚類模型，供新特征用戶快速匹配。同時(shí)將智能設(shè)備信息進(jìn)行收集，納入挖掘范疇，在網(wǎng)絡(luò)環(huán)境下，可以實(shí)現(xiàn)同一智能設(shè)備在新環(huán)境中快速匹配。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的。

一種智能家居場(chǎng)景配置方法，本配置方法的數(shù)據(jù)挖掘系統(tǒng)分為兩層，包括通用模型層和本地模型層

通用模型層，獨(dú)立在各家居子系統(tǒng)之外，完成多個(gè)本地模型層的數(shù)據(jù)收集及外部新家居系統(tǒng)的數(shù)據(jù)收集；

本地模型層，在各家居子系統(tǒng)之中，完成本地傳感器的數(shù)據(jù)挖掘產(chǎn)生用戶行為模型。

進(jìn)一步的，所述的配置方法包括以下步驟：

（1）本地模型層對(duì)本地用戶的以下信息進(jìn)行收集，

強(qiáng)關(guān)聯(lián)信息，包括名字、用戶身份id，記錄到本地?cái)?shù)據(jù)庫中；

弱關(guān)聯(lián)信息，包括性別、年齡、工作性質(zhì)、興趣 ，記錄到本地?cái)?shù)據(jù)庫中，同時(shí)上傳至通用模型層；

（2）當(dāng)智能設(shè)備接入時(shí)，本地模型層將本層的智能設(shè)備信息上傳到通用模型層，本層的智能設(shè)備信息包括設(shè)備特征、開啟功能選項(xiàng)、型號(hào)、常用參數(shù)配置、告警閥值 、常用操作流程；

（3）在云服務(wù)器端通用模型層將上傳的弱關(guān)聯(lián)信息進(jìn)行記錄，并在海量數(shù)據(jù)中對(duì)智能設(shè)備特性（依據(jù)智能設(shè)備信息）、非標(biāo)識(shí)用戶行為（依據(jù)弱關(guān)聯(lián)信息）進(jìn)行數(shù)據(jù)挖掘，產(chǎn)生通用的模型信息,包括決策樹模型及聚類模型；聚類模型用來對(duì)采集到的弱關(guān)聯(lián)信息進(jìn)行分類，不同分類的數(shù)據(jù)將會(huì)進(jìn)行二次挖掘并產(chǎn)生決策樹；

（4）當(dāng)用戶進(jìn)入環(huán)境中，本地模型層將已經(jīng)收集到的新用戶弱關(guān)聯(lián)信息上傳到通用模型層，通用模型層依據(jù)新用戶弱關(guān)聯(lián)信息將會(huì)匹配到聚類模型中的一個(gè)分類，并基于該分類產(chǎn)生這類群體的通用的用戶行為模型；本地模型層將該通用的用戶行為模型下載到本地；

（5）當(dāng)本地用戶行為較少無法學(xué)習(xí)到任何規(guī)律時(shí)，使用通用的用戶行為模型進(jìn)行行為預(yù)測(cè)和快速匹配，達(dá)到快速學(xué)習(xí)的目的；當(dāng)本地用戶行為積累到一定數(shù)量，本地模型層將會(huì)基于原有通用的用戶行為模型和本地強(qiáng)關(guān)聯(lián)信息進(jìn)行數(shù)據(jù)挖掘，在通用的用戶行為模型上進(jìn)行再次數(shù)據(jù)挖掘和修正，產(chǎn)生適合個(gè)人的特定的用戶行為模型。

本發(fā)明與傳統(tǒng)方式相比其優(yōu)點(diǎn)在于：可以加快機(jī)器學(xué)習(xí)的進(jìn)度，將主要數(shù)據(jù)的處理提取到獨(dú)立的環(huán)境中，可以為大型機(jī)，解決了普通的智能家居系統(tǒng)不具備深度挖掘的能力，采用兩段式的挖掘系統(tǒng)優(yōu)化整體挖掘效率，更加實(shí)用。

附圖說明

圖1是現(xiàn)有智能家居系統(tǒng)的結(jié)構(gòu)示意圖。

圖2是現(xiàn)有智能家居系統(tǒng)的數(shù)據(jù)挖掘及學(xué)習(xí)的流程圖。

圖3是本發(fā)明數(shù)據(jù)挖掘系統(tǒng)的示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施案例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行具體說明。

本發(fā)明實(shí)施例需要解決如下技術(shù)問題：

1.對(duì)用戶不需要完全的身份認(rèn)定，只基于模糊信息（非準(zhǔn)確標(biāo)示唯一，不需要驗(yàn)證），由于部分環(huán)境下的用戶拒絕提供身份敏感信息，因此我們需要基于群體特征行為進(jìn)行數(shù)據(jù)挖掘，而非個(gè)人。

2．采用兩階段數(shù)據(jù)模型架構(gòu)，區(qū)分通用信息（所提供的信息和個(gè)人隱私無關(guān)、為作為一個(gè)固定群體的泛型信息）和特質(zhì)化信息（所提供信息和個(gè)人隱私相關(guān)），兩級(jí)方式具有較好的實(shí)用性，泛型信息由于數(shù)據(jù)量大單一設(shè)備無法完成，適合進(jìn)行大數(shù)據(jù)和專業(yè)化設(shè)備進(jìn)行運(yùn)算挖掘產(chǎn)生初步的通用模型，特質(zhì)化信息隱私信息數(shù)據(jù)量較少而且使用者對(duì)隱私的保護(hù)，采用本地?cái)?shù)據(jù)挖掘方式，基于已經(jīng)產(chǎn)生的通用模型基礎(chǔ)上進(jìn)行本地二次挖掘，產(chǎn)生個(gè)性化模型。

3.智能設(shè)備特征也是不斷增加的，家居內(nèi)的設(shè)備處于動(dòng)態(tài)變化的過程，環(huán)境內(nèi)設(shè)備變化和特征信息，也需要進(jìn)行挖掘。當(dāng)環(huán)境中出現(xiàn)新的設(shè)備時(shí)，控制系統(tǒng)需要可以學(xué)習(xí)。

4.對(duì)應(yīng)新的人員進(jìn)入，需要快速的進(jìn)行分類，匹配相應(yīng)的聚類模型。

結(jié)合以上目的，如圖3所示，本實(shí)施案例提供了一種智能家居場(chǎng)景配置方法，本配置方法的數(shù)據(jù)挖掘系統(tǒng)分為兩層，包括通用模型層和本地模型層

通用模型層，獨(dú)立在各家居子系統(tǒng)之外，完成多個(gè)本地模型層的數(shù)據(jù)收集及外部新家居系統(tǒng)的數(shù)據(jù)收集；基于非隱私信息進(jìn)行大數(shù)據(jù)挖掘，如年齡、工作性質(zhì)、興趣等。

本地模型層，在各家居子系統(tǒng)之中，完成本地傳感器的數(shù)據(jù)挖掘產(chǎn)生用戶行為模型，并對(duì)隱私信息進(jìn)行數(shù)據(jù)挖掘，如名字、用戶身份id 等。

進(jìn)一步的，所述的配置方法包括以下步驟：

（1）本地模型層對(duì)本地用戶的以下信息進(jìn)行收集，

強(qiáng)關(guān)聯(lián)信息，包括名字、用戶身份id等，記錄到本地?cái)?shù)據(jù)庫中；

弱關(guān)聯(lián)信息，包括性別、年齡、工作性質(zhì)、興趣等，記錄到本地?cái)?shù)據(jù)庫中，同時(shí)上傳至通用模型層。

（2）當(dāng)智能設(shè)備接入時(shí)，本地模型層將本層的智能設(shè)備信息上傳到通用模型層，本層的智能設(shè)備信息包括設(shè)備特征、開啟功能選項(xiàng)、型號(hào)、常用參數(shù)配置、告警閥值 、常用操作流程。

（3）在云服務(wù)器端通用模型層將上傳的弱關(guān)聯(lián)信息進(jìn)行記錄，在海量數(shù)據(jù)中對(duì)智能設(shè)備特性（依據(jù)智能設(shè)備信息）、非標(biāo)識(shí)用戶行為（依據(jù)弱關(guān)聯(lián)信息）進(jìn)行數(shù)據(jù)挖掘，產(chǎn)生通用的模型信息,包括決策樹模型及聚類模型；聚類模型用來對(duì)采集到的弱關(guān)聯(lián)信息進(jìn)行分類，分類維度是基于k-means算法產(chǎn)生，不同分類的數(shù)據(jù)將會(huì)進(jìn)行二次挖掘并產(chǎn)生決策樹；其中可以根據(jù)應(yīng)用場(chǎng)景的不同采用不同的挖掘算法，如采用Apriori 或貝葉斯等。在大數(shù)據(jù)環(huán)境下，人的部分特征、設(shè)備行為信息是可以進(jìn)行分類的，比如婦女使用電吹風(fēng)和電飯煲的時(shí)間和行為比男性多，在廣泛的信息中存在沒有道理的多數(shù)聯(lián)系，模糊信息即弱關(guān)聯(lián)信息對(duì)應(yīng)人的不同維度分類是有幫助的。

（4）當(dāng)用戶進(jìn)入環(huán)境中，本地模型層將已經(jīng)收集到的新用戶弱關(guān)聯(lián)信息上傳到通用模型層，通用模型層依據(jù)新用戶弱關(guān)聯(lián)信息將會(huì)匹配到聚類模型中的一個(gè)分類，并基于該分類產(chǎn)生這類群體的通用的用戶行為模型；本地模型層將該通用的用戶行為模型下載到本地。

（5）當(dāng)本地用戶行為較少無法學(xué)習(xí)到任何規(guī)律時(shí)，使用通用的用戶行為模型進(jìn)行行為預(yù)測(cè)和快速匹配，達(dá)到快速學(xué)習(xí)的目的；當(dāng)本地用戶行為積累到一定數(shù)量，本地模型層將會(huì)基于原有通用的用戶行為模型和本地強(qiáng)關(guān)聯(lián)信息進(jìn)行數(shù)據(jù)挖掘，在通用的用戶行為模型上進(jìn)行再次數(shù)據(jù)挖掘和修正，產(chǎn)生適合個(gè)人的特定的用戶行為模型。

本說明書中未作詳細(xì)描述的內(nèi)容，屬于本專業(yè)技術(shù)人員公知的現(xiàn)有技術(shù)。