周翔

智能家居决策能力的设计与实现

周翔

（福州理工学院 计算与信息科学学院，福建 福州 350506）

随着计算机技术的发展，人们生活水平的提高，智能家居逐渐成为热门的研究方向，并走入了大家的生活，为人们的生活和工作带来了便利。文章就如何使智能家居系统具备决策能力，提出一种智能家居决策能力的设计与实现的方案。首先进行系统平台总体架构的设计，将其分为三个功能模块，符合用户操作的便利性以及为智能化提供数据基础。然后，通过获取的用户数据，采用用户轨迹算法与专家系统相结合的推荐算法实现智能家居决策能力。最终通过智能化的推荐功能测试，验证该方案的可行性。

智能家居；用户轨迹算法；专家系统

1 引言

随着计算机技术的发展，人们生活水平的提高，智能家居逐渐成为热门的研究方向，并走入了大家的生活，为人们的生活和工作带来了便利。但作为一项新生技术，一个全新的产业体系，它还处于一个萌芽阶段。人们对于智能家居这个概念还不熟悉，再加上智能家居价格昂贵，因而不能被人们很好的接受，所以整个市场目前的状况还不是很好。但是，随着智能家居概念的推进、普及以及人们消费水平的提高，市场的消费观念会逐渐形成。就如以前的PC机一般，这个产业的潜力必然是无限的[1]。

目前智能家居存在“不够智能”和“操作复杂”这两个缺陷，严重影响用户的体验，会阻碍智能家居的发展，需要我们尽早解决[3]。因此，本文采用用户轨迹算法对于用户行为进行预测与分析，运用专家系统进行决策能力的实现。实践证明，只有合理地将二者结合，才能创造出更符合用户需求的人工智能家居系统，使得智能家居可以执行如：根据用户日常生活习惯，在用户下班回到家，即可品尝到电炖锅炖好的符合用户口味的美味浓汤，享受到空调调节好的、舒适的室内温度和热水器调节好的水温等。无需用户人为干预，从而进入一个“懒人的时代”。

本文主要是以解决现有智能家居系统存在自主适应能力不强和智能化不足的问题，提出以用户轨迹算法和专家系统为理论基础，设计并实现具有Web应用服务器模块、手机终端模块为一体的一整套的智能家居系统。本系统可以通过采集用户日常操作的信息数据，并进行挖掘，逐步地学习与识别，最终实现智能家居的自主决策能力。

2 智能家居系统设计

本系统引入用户轨迹算法和专家系统等技术进行设计，包括系统模型的构建以及用户推荐功能的设计。同时，本系统还设计了一个数据采集模型，该模型可以对数据进行分层采集、过滤。通过用户轨迹算法对用户日常生活习惯的数据进行采集，生成信息库，再通过专家系统对数据进行分析，最终给出一份贴合用户的智能任务推荐。

2.1 系统整体框架设计

本系统的整体框架设计如图1所示，系统分为三大模块，分别为智能家居硬件模块、Web应用服务器模块、手机终端模块。

2.1.1 智能家居硬件模块

通过WIFI模块接收Web应用服务器的操作信息，从而控制相关硬件模块的执行。

从传感器中获取硬件信息以及用户的直接操作，通过WIFI模块发送给Web应用服务器。

图1 系统框架图

2.1.2Web应用服务器模块

基础功能：主要完成智能家居系统的基础操作，对于用户权限、家居设备等信息管理的操作；

硬件操控：通过用户的执行操作或者智能任务列表的执行序列，由服务器处理后转发给硬件操控模块，并将其转换成数据包，通过网络通信的方式发送给智能家居硬件模块。

智能算法：主要负责用户数据采集、过滤和分析，并最终生成智能任务列表等。

2.1.3 手机终端模块

通过智能家居硬件模块，对WIFI模块进行初始化操作，确保能够通过WIFI模块与Web应用服务器连接。

基础功能：用户的注册登录功能，以及负责呈现用户的操作交互界面，确保能够通过操作手机终端连接上Web应用服务器，从而远程控制智能家居硬件设备。

综上所述，本系统主要研究智能处理的两个基本功能：信息采集和行为预测。信息采集主要是通过家居设备，Web应用和手机终端采集用户日常使用的操作行为数据。行为预测主要是对所采集的信息资料进行分析，从而得出用户对于不同的家居设备的使用情况，例如：通过一段时间的信息采集，可以预测用户每天早上都几点起床，本系统将在该时间自动操作家居设备打开窗户，以及用户每天都几点关灯睡觉，平时空调喜欢调整到什么温度等等，均可以作为系统决策的参考，然后选择形成对应的执行行为列表。

2.2 系统业务流程设计

针对上述的设计和基本功能，本文提出了相对应的解决办法，系统的业务流程如图2所示。

图2 业务流程图

业务流程的步骤说明：首先，本系统采用用户轨迹算法对用户的每一次操作进行数据的采集和整理，从而生成用户轨迹记录，并进行持久化保存。采集到的用户轨迹数据，都具有一些后续操作有意义的信息，例如：目标设备的IMEI号、操作目标设备用户的id、操作目标设备的起始时间和结束时间以及该设备的运行时间和操作的类型等，并产生一个用户记录类，保存到数据库内。接着，利用用户轨迹算法对用户轨迹数据进行处理与过滤，进而实现专家系统的知识规则库构建，从而保证初始智能任务列表生成。而对于数据处理方面，本系统设计了采集模型对象，并从采集范围、采样周期、样本时间片、样本相似度几个维度对用户轨迹数据进行分割[3]。采集范围随着时间变化，是一个动态的值，它决定了整体数据的范围，舍弃掉一些过于久远、无效、冗余的数据，保证数据的时效性。采样周期可以是几天，也可以是一周，或者一个月，通过这个时间可以调整智能任务列表的生成周期，保证智能推荐算法的灵敏度，以及更好地平衡服务器的负载。样本时间片是将用户数据样本根据时间切割成若干块，再分别对每个时间片的数据进行处理。样本相似度是对数据进行过滤的重要依据，它对数据依照时间进行合并处理，极大去除了用户在短时间内的重复操作带来的冗余信息，使得过滤后的信息变得更加精简有效。同时，根据相似度与时间片划分，可以得到每份数据在单位时间内所占的权重，为后续智能任务生成中所需要的带权平均值算法做好准备。

其次，本系统在经过了采集模型对数据的精简过滤后，并获取到一系列的用户有效操作信息后，采用带权平均数方法，根据操作的设备IMEI，操作的类型进行归类处理，计算出采集模型中的各个操作时间。通过采集模型过滤获取有效数据信息，最终能够形成初始的智能任务列表。

最后，采用专家系统的推理机负责二次筛选过滤初始的智能任务列表，并将获取的数据信息，通过本系统的专业知识设计出合理的规则，然后保存到数据库内，生成知识规则库。再根据刚形成的知识规则库以及用户真实场景的情况，通过推理机对智能任务列表进行分析，并过滤选择。这样形成的智能任务列表更加准确，并能够保证列表上的每个任务都是合理有效的。

3 核心机制设计

3.1 推荐算法实现

图3是实现智能化推荐而设计的算法流程图。

图3 推荐算法流程图

3.1.1 收集数据

通过用户操作家居设备，将用户ID，操作行为，操作的开始时间，操作的结束时间，设备的运行时间和设备ID等信息进行收集，存放在数据库中的用户轨迹数据部分。

3.1.2 整理数据

因为每次记录都可以唯一标示一个用户轨迹，所以，我们就把所有的收集到的数据进行整合，并通过用户的行为进行一些有针对性的分类，将所获得的用户轨迹数据按时间先后顺序归为一个类别，形成了一个<轨迹，时间>的数据对。

3.1.3 遍历数据对

获取所有用户的ID，再根据用户的ID集合，查找每一位用户的所有用户轨迹信息；在已获取的用户信息集合内，根据设备ID对用户轨迹信息按设备进行划分，查出某一个用户对某一个设备的所有操作记录，即获取样本库；根据采样模型中设置的样本库大小对数据进行过滤，获取到某一段时间内的用户轨迹信息，对一些过于久远的用户轨迹信息进行剔除，对样本库进行一个初步的时间上的过滤；再根据采样模型中的样本时间片大小，对样本库进行划分，将每日的操作按照时间片划分出多个样本子集；接下来按照样本的相似度，对某一个时间片内的样本数据进行过滤、合并处理。例如，样本的相似度大小设置为20min，那么18:20到18:40之间的数据就可以全部合并到18:20处理。

3.1.4 生成数据

将处理好的用户轨迹数据进行合并规则进行处理，这里先准备求出开灯的推荐时间，在样本相似度为20min，时间片为1h的情况下，假设x1=18:20，x2=18:40，则该时间片内的推荐时间为：(x1*2+x2)/(2+1) = 26.7，即在18:00～19:00内推荐的开灯时间为18:26′42″，可以看出这个时间我们观察所得的结果大致一致，该用户最常打开电灯的时间点为18:26。接下来计算该时间片内的关灯时间，同样设x1=18:20，x2=18:40，则该时间片内的关灯时间为(x1*2+x2)/(2+1)= 26.7，再加上设备的运行时间(330000+3000+119880)/3=150960(ms)，即关灯时间为18:29′12″。最终，生成<操作，ID，设备信息>的映射关系。

3.2 知识库物理设计

知识库的物理设计目的，重点是为了对所设计的知识信息进行存储。常见的知识存储方式有以下几种：索引文件、Hash表、树、图结构、数据字典等。基于智能家居系统的行业特点，本系统中的知识库的物理存储可采用Hash表的方式。该方式是在软件程序设计方面，通过ORM（Object Relational Mapping）框架，将关系型数据库与面向对象进行结合。

在智能家居系统的学习过程中，规则性知识需要根据用户日常对家居设备的操作习惯，而不断地进行更改。知识库中的知识需要一个长期的不断完善并改进的构建过程。鉴于以上原因，本系统从知识库的逻辑表示出发，发现知识库中需要存在着三种概念：规则、结论与事实，并且结合通过用户轨迹算法，可以得出一个智能任务列表，进行物理设计。根据用户轨迹数据，我们可以先通过观察得出部分结论。例如，该用户在每晚的18:00～19:00之间会对电灯进行操作；每次操作的均是相同的设备；每次对电灯的操作时间在1～2min不等。将这组数据放入算法中，并根据专家系统的知识库原理，设置我们算法中的采集模型，将采集的时间片大小设置为1h，采集的相似度过滤设置为20min，假设当前运行算法的时间为4月2日00:00，则可以得到其推荐结果，生成的任务表。并且，从用户轨迹数据上可以看出推荐的开灯任务分别在4月2日的18:26′42″和4月2日的19:10执行，两次的执行时间分别为2′20″和1min左右，与我们的实际观察结论大致相同。

通过该示例的知识规则表示，在专家系统的知识库物理设计中采用关系数据库，可以很方便地通过用户轨迹算法实现对知识库的维护和更新。

4 智能推荐功能测试

依据本文提出的将用户轨迹算法和专家系统相结合的方式，我们的实验模型如图4所示。

测试选用灯光控制功能进行，进入管理页面，打开智能模式。根据表1所保存的用户轨迹信息，生成智能任务列表，如表2所示。

图4 实验模型

表1 部分用户轨迹信息

表2 智能任务列表

为了更好的测试效果，这里采用轮询，每5s查找一次智能任务列表，查找该时间段是否有设备运行。

通过不断测试，结果显示，本系统已经初步具备较好的抗错能力。在测试中暴露出本系统还有一些不足，例如：知识库的形成还不够完善；对更复杂的硬件设备无法生成规则。因此，在之后的研究中，还需要不断地对本系统进行完善，使智能家居更加智能化。

5 总结

本文将用户轨迹算法以及专家系统应用于智能家居领域，通过对用户行为操作的采集，形成专家系统的知识库，并通过推理机制进行智能推荐，从而降低用户对智能家居的操作，使智能家居能够根据所获取到的信息，合理地调配家居中各设备的运作状态。与其他传统的智能家居相比，具有决策能力是本文的特色和创新之处，因为传统的智能家居系统都是通过人为操作来控制其“智能”，性能远远比不上自动化操控。从模拟测试的情况来看，其运行的效果达到了预期，它能分析出大部分用户操作行为，产生智能执行列表。并且，本系统在系统结构方面，拥有很强的复用性、维护性、扩展性和灵活性。

[1] 陈露. 智能家居发展机遇与挑战[J]. 城市建设理论研究, 2015(18): 723.

[2] 于军琪, 陶丽杰. 基于ZIGBEE技术利用专家系统构建智能家居的研究[C]. 国际绿色建筑与建筑节能大会, 2010: 126–127.

[3] SILVA L, MORIKAWA C, PETRA I M. State of the art of smart homes[J]. Engineering applications of artificial intelligence, 2012, 25(7): 1313–1321.

[4] 王成泓, 周翔. 具有学习能力的智能家居系统的研究[J]. 求知导刊, 2017(15): 63–64.

The Design and Implementation of Smart Home Decision-making Capability

ZHOU Xiang

(Department of Computing and Information Science, Fuzhou Institute of Technology, Fuzhou Fujian 350506, China)

With the development of computer technology and the improvement of living standards, smart home has gradually become popular in research and daily life, bringing convenience to people’s life and work. In this paper, we propose a scheme for design and implementation of smart home decision-making ability on how to make smart home system with decision-making capability. First of all, the overall architecture of the system platform is designed, which is divided into three functional modules, in line with the convenience of user operation and providing data basis for intelligence. Then, through the user data obtained, the recommendation algorithm combining user trajectory algorithm with expert system is used to realize the decision-making capability of smart home. Finally, through the intelligent recommendation function test, the feasibility of the proposed scheme is verified.

smart home; user trajectory algorithm; expert system

2021-07-04

福建省教育厅中青年教师科研项目（JAT200910）；福州理工学院校级科研基金项目（FTKY015）

周翔（1982—），男，福建福州人，副教授，高级工程师，硕士，研究方向：人工智能、大数据应用。

TP393.06

A

2095-9249（2022）03-0073-05

〔责任编校：陈楠楠〕