基于用户行为分析的物联网智能家居监测控制系统的设计与实现
2020-10-09王军孙泽军
王军 孙泽军
摘 要：文中设计并实现一种基于用户行为分析的物联网智能家居监测控制系统。该系统采用B/S架构，以ESPduino作为系统的设备控制端，以树莓派作为系统的家居环境监测端，二者之间利用MQTT协议实时共享信息，辅以各种传感器设备采集家居环境信息和控制家用电器，方便用户实时了解家居环境信息和高效管理家庭设备。通过分析用户数据，建立行为分析模型，了解用户的行为习惯和生活规律，为用户定制服务提供基础。实验结果表明：基于用户行为分析的物联网智能家居系统在一定程度上提高了传统智能家居系统的智能化水平，具有较强的可操作性和现实意义。
关键词：物联网;智能家居;监测控制;MQTT;行为分析;树莓派
中图分类号：TP393文献标识码：A文章编号：2095-1302（2020）09-00-04
0 引 言
随着科技的进步和生活水平的提高，人们对家居生活智能化程度的需求与日俱增，他们期待能轻松掌控家庭设备信息和体验更加人性化的服务。
在近几年的物联网智能家居技术发展过程中，环境监测、自动控制技术日臻成熟，各种智能家居产品层出不穷[1]。家居监测控制技术的进步虽然在一定程度上提升了用户操作的灵活性和便捷性，但大多数还处于简单的环境数据信息采集和机械式的设备控制阶段[2]，对用户的行为习惯的了解和研究还不够深入，很少有针对用户行为进行分析并为其定制个性化服务的智能家居系统的研究设计[3]，其智能化程度还有待提高。
综合所述情况，物联网智能家居系统要实现真正意义上的智能，需要通过对用户行为进行分析研究，了解用户的行为习惯规律[4]，达到理解用户、优化服务的目的。
本系统设计将ESPduino、树莓派开发板、物联网和数据分析相关技术[5]相结合，采用灵活简单的B/S架构，建立一个基于用户行为分析的物联网智能家居监测控制系统，旨在为用户打造一个智能舒适、方便快捷的家居生活环境，通过分析用户数据掌握用户的行为习惯，提供更加智能和个性化的服务。
2 系统设计
2.1 系统总体设计
本系统选用ESPduino作为Web服务器，与其它控制类传感器构成家庭设备的控制终端;选用Raspberry Pi和其它感知类传感器作为家居环境数据的监测端;采用轻量级的即时通信协议MQTT，提供可靠的行为数据信息上报和信息共享服务;通过建立用户行为分析算法模型对用户行为进行分析，掌握用户的行为习惯规律。系统总体结构设计如图1所示。
设备控制端的主要功能模块可以划分为远程控制和用户操作记录采集上报两大类。远程控制是通过访问相应的网页，利用网页上的控件对相应的家庭设备进行操控。用户操作记录采集上报主要是当用户点击网页对家庭设备实施操纵时就会产生一条行为数据记录，利用MQTT协议将该条记录上传至MQTT服务器。通过设备控制端采集到的用户行为信息大都是用户的显性行为数据，其上报流程如图2所示。
环境监测端主要功能模块可以划分为两大类—环境监测和家居安防。环境监测是利用感知类传感器收集家居环境信息，当环境数据值偏离在无认为干预情况下的数据范围（即认为用户进行了某项活动或触发了某项事件），则按照一定的频率f0进行数据上报，当环境数据恢复到正常范围时停止上报，继续等待下次用户行为触发。家居安防是利用Raspberry Pi连接一些安防监控类设备，通过软件或浏览器实时查看家居环境。通过环境监测端采集到的用户行为信息大都是隐性行为数据，其上报流程如图3所示。
2.2 系统硬件结构设计
系统硬件组成主要有Raspberry Pi和ESPduino，通过与一些常用传感器配合使用，共同构成物联网的设备感知层，系统硬件结构如图4所示。
2.3 传感器数据采集格式
由于传感器采集的数据与用户表达的行为动作所触发的事件之间在时间上具有一定的關联特征，因此可以通过对传感器数据的规整挖掘出用户的行为关于时间的表达特征。基于此，本系统设计了一种基于时间序列的传感器设备数据采集格式，见表1所列。
关于传感器设备数据采集格式的具体说明如下。
（1）时间time。传感器设备被用户动作触发的时间或用户动作进行的开始时间或用户动作结束的时间。
（2）设备编号sensor_ID。传感器设备的编号（唯一标识一个传感器设备）。
（3）设备名称sensor_name。传感器设备功能性描述的概括。
（4）设备数据sensor_data。传感器设备当前时刻采集到的数据，与设备类别配合使用。
（5）设备状态sensor_state。传感器设备当前所处的状态（工作/待工/异常/开机/关机）。
（6）设备类别sensor_category。传感器设备的分类（分析显性动作的传感器/分析隐性动作的传感器），根据设备的类别来判断传感器的数据是否可以使用。
2.4 系统数据库设计
根据基于时间序列的传感器设备数据采集格式，制定用户行为数据信息表，见表2所列。
3 行为分析算法模型设计
本系统关于行为分析算法研究是以用户主观操作所触发的事件为研究对象，以传感器采集的环境数据和被用户操作指令触发所表达的一些系列状态为原始建模数据源;根据传感器数据与用户行为特征之间的关联性规则对用户事件进行筛选划分，识别出一次完整的用户行为事件，从而探索用户行为事件关于时间序列的分布特征;最后根据LSTM（Long Short-Term Memory）神经网络构建用户行为预测模型，利用测试数据集对模型进行测试，检验模型的性能。
用户行为分析的过程，可以划分为三个阶段：第一个阶段是用户行为事件的划分与识别;第二阶段用户行为分析模型的训练;第三个阶段是用户行为分析模型的测试优化。
3.1 用户行为事件的划分与识别
传感器数据信息通过格式化处理，组成了原始数据集。根据原始数据集与用户行为之间存在的关联性规则，可以对原始数据集进行初步的处理，分析挖掘用户的行为特征，从而划分出一次完整的用户行为事件，最后以划分好的一次完整的用户行为事件为模型，提取出相应事件的行为特征，根据特征筛选识别出需要分析的目标事件数据集。用户行为事件的划分与识别的流程如图5所示。
一次完整的用户行为事件划分步骤如下：
（1）根据传感器设备编号ID收集相关数据信息记录Sn，根据传感器设备类别sensor_category，判断用户行为性质。若是显性动作，则提取设备状态sensor_state特征，组成基于时间序列的有序特征数据集Tn{Ti（ti， si） | 0 （2）数据集Tn ①首先计算每两条si不同的记录之间的时间间隔dti（dti=t2i-t2i-1，0 ②将每个dti依次进行编号，得到显性行为事件组Xi（0 ③将Xi与步骤①中参与计算的t2i与t2i-1进行一一对应，构建行为显性行为事件记录表，格式见表3所列。 （3）数据集Dn ①根据传感器设备数据手册及环境参数，确定其在无用户动作干预或事件触发情况下的数据特征。设其数据的特征值为λ，按照时间的先后顺序检索数据集Dn中的di，找到第一个与λ接近或相等的数据记录tj，以tj为划分第一个行为事件的起点，计算每两条不同的记录之间的时间间隔dt（dt=ti+j-ti+j-1，0 （4）针对具体研究的目标事件，在时间关系或传感器数据波动上构建有别于其他事件的行为特征F。针对特征F设置阈值或筛选条件，对事件记录表进行筛选，得到目标事件有序数据集Zn。Zn简化后的数据格式见表5所列。 3.2 用户行为分析模型的训练 LSTM是一种时间循环神经网络，适用于处理和预测基于时间序列的事件。利用LSTM对时间序列的预测分析，可以构建用户行为预测模型，具体步骤如下： （1）将数据集Zn中的时间点数据ti进行数值化处理，计算相邻两次目标事件发生的时间间隔Δti（Δti=ti+1-ti），得到原始数据序列S'。 （2）选取设当的训练集窗口长度l，采用Δti-l+1，Δti-l+2，Δti-l+3，Δti-l+4，...，Δti的时间间隔数据组成模型训练集，用Δti+1的数据进行验证，具体格式见表6所列。 （3）将验证数据归一化，转化成one-hot标签，选取适当的LSTM参数，带入LSTM模型（见图6）进行训练，得到用户行为预测模型。 3.3 用户行为分析模型的测试优化 根据目标事件数据集的大小，将其划分为测试数据集和验证数据集，将测试数据集带入行为LSTM预测模型，根据预测结果和验证数据集的对比结果合理调整激活函数及相关参数，进行网络结构优化，如图7所示。 4 系统测试 本系统通过模拟构建日常的家居生活场景，从用户角度出发，力求还原用户的真实需要，以简便实用为原则，设计过程按照软件工程学的方法进行，最终实现物联网智能家居监测控制系统的开发，通过对系统进行测试，了解和保证系统的质量，提升系统的可靠性。系统测试图例如图8～图12所示。 5 结 语 针对传统物联网智能家居系统中存在的智能化人性化程度不高和现有行为分析算法过于复杂等问题，本文构建了一种用户行为分析模型，设计并实现了基于用户行为分析的物联网智能家居监测控制系统。测试结果表明：本系统在家居环境数据监测、家庭设备管理以及用户行为分析方面具有方便高效性，可操作性强，能了解和掌握用户的行为习惯规律，人性化程度较高，具有一定的实用价值。 注：本文通讯作者為孙泽军。 参考文献 [1]孙岩.人工智能、物联网背景下智能家居系统的思考[J].建筑电气，2019，38（8）：60-63. [2]陈凯旋，周世恒，陈涛，等.基于Arduino与OneNET云平台的简易智能家居系统设计[J].物联网技术，2019，9（12）：88-90. [3]李克宇，杜谦，曾祥正，等.智能家居环境下基于决策树的用户行为分析[J].科技创新与应用，2018（15）：15-16. [4]童世华，张昱东.基于用户行为分析的智能家居控制软件的设计[J].电视技术，2017，41（z2）：104-109. [5]阿曼多·凡丹戈.Python数据分析[M].2版.北京：人民邮电出版社，2018. [6]陈聪.情境感知在智能家居系统设计中的应用研究[D].广州：广州大学，2019. [7] FATIMA Iram，FAHIM Muhammad，LEE Young-Koo，et al. A unified framework for activity recognition-based behavior analysis and action prediction in smart homes [J]. Sensors，2013，13（2）： 2682-2699. [8]付凯，李莉，杨子羿，等.智能家居安全风险与防护研究[J].电子产品世界，2019，26（5）：72-75. [9]陆兴华，林佳聪，谢欣殷，等.基于大数据的物联网用户行为模式挖掘[J].计算机技术与发展，2019，29（12）：99-103. [10]闫坤，沈苏彬.一种基于智能家居的用户行为预测方法[J].计算机技术与发展，2020，30（1）：19-24. [11]郭煜，胡钢.面向智能家居应用的物联网安全防护系统设计[J].现代信息科技，2019，3（19）：191-193. [12]牛奕翔.基于ZigBee的物联网智能家居系统设计[J].计算机技术与发展，2019，29（11）：37-41. [13]刘金河，廉儒发.基于行为情境分析的智能家居控制终端研究[J].艺术与设计（理论），2019（z1）：93-95.
