家居设备监测方法、家居设备监测装置和终端的制作方法
【技术领域】
[0001 ]本发明涉及终端技术领域，具体而言，涉及一种家居设备监测方法、一种家居设备监测装置和一种终端。
【背景技术】
[0002]目前，智能家居(smarthome)是物联网技术的一个分支，智能家居通过物联网技术将用户家庭中的各种设备，例如，视频系统、照明系统、窗帘控制、空调控制、安防系统、网络家电等连接到一起，提供家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制、红外转发以及可编程定时控制等多种功能和手段。
[0003]目前存在的智能家居系统大多局限在一对一的控制作用，或者使用移动终端对智能家居的远程操控，缺乏一个有效的基于用户行为或者使用惯性的风险评估及可信任反馈系统。此外，很多预置程序都是厂家设定，并不能很好满足每个家庭的实际需求。
[0004]因此需要一种新的技术方案，可以进一步提升用户使用家居设备的安全性和便利性。
【发明内容】
[0005]本发明正是基于上述问题，提出了一种新的技术方案，可以进一步提升用户使用家居设备的安全性和便利性。
[0006]有鉴于此，本发明的一方面提出了一种家居设备监测方法，包括:采集家居设备的实时运行信息;根据所述实时运行信息，为所述家居设备建立特征模型;通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。
[0007]在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际习惯调整家居设备的运行状态。另外，异常信息评估与检测采用的是最小风险的贝叶斯分类器，贝叶斯分类器用于分类的贝叶斯网络，评价这种分类器的标准是平均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
[0008]在上述技术方案中，优选地，所述根据所述实时运行信息，为所述家居设备建立特征模型，具体包括:在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量；根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
[0009]在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量?_<^(161= {ρο，ρι，...，pi，...，PN-1，pn}，其中，0 < i〈N，N为家居设备的个数，Pl为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得到特征模型。
[0010]在上述任一技术方案中，优选地，在所述采集家居设备的实时运行信息之前，还包括:采集所述家居设备的初始运行信息;根据所述初始运行信息，为所述家居设备建立所述安全预置模型。
[0011]在该技术方案中，需要采集家居设备的初始运行信息，以便确定用户的使用行为及惯性模式，并以此建立安全预置模型，以便将由用户的实时运行信息得到的特征模型与安全预置模型相比较来确定实时运行信息是否符合用户的惯性模式，不符合时即可判断为发生异常，此时即可发出提示示警，或直接停止该家居设备的运作。通过该技术方案，便于进一步在特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性。
[0012]在上述任一技术方案中，优选地，在所述根据所述实时运行信息，为所述家居设备建立特征模型之前，还包括:对采集到的所述实时运行信息进行预处理，所述预处理包括丢弃无效数据;对预处理后的所述实时运行信息进行归一化处理。
[0013]在该技术方案中，在建模之前，可进行数据预处理，以去除实时运行信息中的无效信息，保留有效信息，在后续步骤中提升处理效率。另外，将预处理后的实时运行信息进行归一化处理，即按照实时运行信息的类型、每个家居设备对预处理后的实时运行信息进行分类，以便提升建模效率。
[0014]在上述任一技术方案中，优选地，所述实时运行信息包括以下至少之一或其组合:运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。
[0015]在该技术方案中，实时运行信息包括但不限于以下至少之一或其组合:运行时刻、使用时长、运行参数、任一家居设备的操作流程、多个家居设备的操作顺序、操作控制类型、用于操作控制家居设备的终端的参数。通过该技术方案，对多样化的实时运行信息进行建模，可以识别家居设备的异常实时运行信息的准确性，并保证用户使用家居设备的安全性。
[0016]本发明的另一方面提出了一种家居设备监测装置，包括:第一采集单元，采集家居设备的实时运行信息；建模单元，根据所述实时运行信息，为所述家居设备建立特征模型；比较单元，通过贝叶斯分类器对所述特征模型与所述家居设备的安全预置模型进行比较，以确定所述实时运行信息是否发生异常。
[0017]在该技术方案中，通过为家居设备的实时运行信息建立特征模型，并与家居设备的安全预置模型进行匹配，可以区分用户的不同使用行为及惯性模式，在该特征模型与安全预置模型不匹配时及时识别家居设备的异常实时运行信息，提升了用户使用家居设备的安全性和便利性，也便于根据用户的实际习惯调整家居设备的运行状态。另外，异常信息评估与检测采用的是最小风险的贝叶斯分类器，贝叶斯分类器用于分类的贝叶斯网络，评价这种分类器的标准是平均风险，它的平均风险最小，通过这种分类器对家居进行实时控制，可保护家居设备的使用安全，降低风险。
[0018]在上述技术方案中，优选地，所述建模单元具体用于:在每种所述实时运行信息中为每个所述家居设备建立对应的一维矢量，并根据所述建立对应的一维矢量的结果，为所述每种实时运行信息建立对应的特征模型。
[0019]在该技术方案中，可以为每种实时运行信息都建立对应的特征模型，每个特征模型中每个家居设备都具有对应的一维矢量。具体地，可以使用模式识别和机器学习构建用户的正常使用时的特征模型，用于和安全预置模型共同预测家居设备的异常使用信息，对于每种实时运行信息，使用一个一维矢量代表不同的家居设备，例如，对于使用时长，因为每个家庭的不同设备的使用时长是不一致的，存在使用习惯，生活规律等差异因素的影响，因此对使用时长进行建模时，设矢量?_<^(161= {ρο，ρι，...，pi，...，PN-1，pn}，其中，0 < i〈N，N为家居设备的个数，Pl为每个家居设备的使用时长，这样即对于每种实时运行信息建立了特征矢量，从而得