一种智能家居场景配置方法与流程

本发明属于智能家居场景领域，特别涉及一种智能家居场景配置方法。

背景技术：

智能家居随着技术的发展，已经越来越多的应用于生活和实际生产中，虽然家居的部分产品被命名为“智能”，但在实际应用场景下个，都有高昂的学习成本，在实际应用中需要产生“智能”的过程比较漫长。

现有一般通过在智能家居的控制系统中加入数据挖掘算法，收集人的行为信息，然后对行为数据信息进行挖掘，对不同用户挖掘出进行了一项动作后，下一项动作进行评估。

由图1、2可以看出，现有技术需要先确定人员身份，为强鉴权方式，然后根据该人在环境中的控制操作，通过传感器进行数据采集后，对产生的个人数据进行数据挖掘，然后个人在进行相应控制操作行为后可以进行下一步的操作预测。新的人员进入后需要较长的学习时间，缺少行为模糊能力，实际环境下并不适用。实际应用中，部分智能家居设备种类繁多，新设备加入环境后，该系统架构无法满足快速反应和预测的需求。原有方案体系中缺少对智能设备特性的数据挖掘，只依赖用户行为，缺少实际场景下的可用性和易用性。

技术实现要素：

本发明的目的在于克服上述现有技术中的不足，而提出的一种智能家居场景配置方法，使用该方法对用户不需要完全的身份认定，只基于模糊信息，产生预估聚类模型，供新特征用户快速匹配。同时将智能设备信息进行收集，纳入挖掘范畴，在网络环境下，可以实现同一智能设备在新环境中快速匹配。

本发明的目的是通过以下技术方案实现的。

一种智能家居场景配置方法，本配置方法的数据挖掘系统分为两层，包括通用模型层和本地模型层

通用模型层，独立在各家居子系统之外，完成多个本地模型层的数据收集及外部新家居系统的数据收集；

本地模型层，在各家居子系统之中，完成本地传感器的数据挖掘产生用户行为模型。

进一步的，所述的配置方法包括以下步骤：

（1）本地模型层对本地用户的以下信息进行收集，

强关联信息，包括名字、用户身份id，记录到本地数据库中；

弱关联信息，包括性别、年龄、工作性质、兴趣 ，记录到本地数据库中，同时上传至通用模型层；

（2）当智能设备接入时，本地模型层将本层的智能设备信息上传到通用模型层，本层的智能设备信息包括设备特征、开启功能选项、型号、常用参数配置、告警阀值 、常用操作流程；

（3）在云服务器端通用模型层将上传的弱关联信息进行记录，并在海量数据中对智能设备特性（依据智能设备信息）、非标识用户行为（依据弱关联信息）进行数据挖掘，产生通用的模型信息,包括决策树模型及聚类模型；聚类模型用来对采集到的弱关联信息进行分类，不同分类的数据将会进行二次挖掘并产生决策树；

（4）当用户进入环境中，本地模型层将已经收集到的新用户弱关联信息上传到通用模型层，通用模型层依据新用户弱关联信息将会匹配到聚类模型中的一个分类，并基于该分类产生这类群体的通用的用户行为模型；本地模型层将该通用的用户行为模型下载到本地；

（5）当本地用户行为较少无法学习到任何规律时，使用通用的用户行为模型进行行为预测和快速匹配，达到快速学习的目的；当本地用户行为积累到一定数量，本地模型层将会基于原有通用的用户行为模型和本地强关联信息进行数据挖掘，在通用的用户行为模型上进行再次数据挖掘和修正，产生适合个人的特定的用户行为模型。

本发明与传统方式相比其优点在于：可以加快机器学习的进度，将主要数据的处理提取到独立的环境中，可以为大型机，解决了普通的智能家居系统不具备深度挖掘的能力，采用两段式的挖掘系统优化整体挖掘效率，更加实用。

附图说明

图1是现有智能家居系统的结构示意图。

图2是现有智能家居系统的数据挖掘及学习的流程图。

图3是本发明数据挖掘系统的示意图。

具体实施方式

下面结合附图和实施案例，对本发明的技术方案进行具体说明。

本发明实施例需要解决如下技术问题：

1.对用户不需要完全的身份认定，只基于模糊信息（非准确标示唯一，不需要验证），由于部分环境下的用户拒绝提供身份敏感信息，因此我们需要基于群体特征行为进行数据挖掘，而非个人。

2．采用两阶段数据模型架构，区分通用信息（所提供的信息和个人隐私无关、为作为一个固定群体的泛型信息）和特质化信息（所提供信息和个人隐私相关），两级方式具有较好的实用性，泛型信息由于数据量大单一设备无法完成，适合进行大数据和专业化设备进行运算挖掘产生初步的通用模型，特质化信息隐私信息数据量较少而且使用者对隐私的保护，采用本地数据挖掘方式，基于已经产生的通用模型基础上进行本地二次挖掘，产生个性化模型。

3.智能设备特征也是不断增加的，家居内的设备处于动态变化的过程，环境内设备变化和特征信息，也需要进行挖掘。当环境中出现新的设备时，控制系统需要可以学习。

4.对应新的人员进入，需要快速的进行分类，匹配相应的聚类模型。

结合以上目的，如图3所示，本实施案例提供了一种智能家居场景配置方法，本配置方法的数据挖掘系统分为两层，包括通用模型层和本地模型层

通用模型层，独立在各家居子系统之外，完成多个本地模型层的数据收集及外部新家居系统的数据收集；基于非隐私信息进行大数据挖掘，如年龄、工作性质、兴趣等。

本地模型层，在各家居子系统之中，完成本地传感器的数据挖掘产生用户行为模型，并对隐私信息进行数据挖掘，如名字、用户身份id 等。

进一步的，所述的配置方法包括以下步骤：

（1）本地模型层对本地用户的以下信息进行收集，

强关联信息，包括名字、用户身份id等，记录到本地数据库中；

弱关联信息，包括性别、年龄、工作性质、兴趣等，记录到本地数据库中，同时上传至通用模型层。

（2）当智能设备接入时，本地模型层将本层的智能设备信息上传到通用模型层，本层的智能设备信息包括设备特征、开启功能选项、型号、常用参数配置、告警阀值 、常用操作流程。

（3）在云服务器端通用模型层将上传的弱关联信息进行记录，在海量数据中对智能设备特性（依据智能设备信息）、非标识用户行为（依据弱关联信息）进行数据挖掘，产生通用的模型信息,包括决策树模型及聚类模型；聚类模型用来对采集到的弱关联信息进行分类，分类维度是基于k-means算法产生，不同分类的数据将会进行二次挖掘并产生决策树；其中可以根据应用场景的不同采用不同的挖掘算法，如采用Apriori 或贝叶斯等。在大数据环境下，人的部分特征、设备行为信息是可以进行分类的，比如妇女使用电吹风和电饭煲的时间和行为比男性多，在广泛的信息中存在没有道理的多数联系，模糊信息即弱关联信息对应人的不同维度分类是有帮助的。

（4）当用户进入环境中，本地模型层将已经收集到的新用户弱关联信息上传到通用模型层，通用模型层依据新用户弱关联信息将会匹配到聚类模型中的一个分类，并基于该分类产生这类群体的通用的用户行为模型；本地模型层将该通用的用户行为模型下载到本地。

（5）当本地用户行为较少无法学习到任何规律时，使用通用的用户行为模型进行行为预测和快速匹配，达到快速学习的目的；当本地用户行为积累到一定数量，本地模型层将会基于原有通用的用户行为模型和本地强关联信息进行数据挖掘，在通用的用户行为模型上进行再次数据挖掘和修正，产生适合个人的特定的用户行为模型。

本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。