一种智能家居中用户行为预测方法与流程

本发明属于智能家居技术领域，特别涉及一种智能家居中用户行为预测方法。

背景技术：

近年来，人工智能发展突飞猛进，得益于互联网大数据和云计算的快速发展，深度学习已经作为人工智能发展的核心驱动。但在日常的工作生活中，尤其是家庭生活的智能家居方面，人工智能的实际应用还停留在表面阶段，更多地强调物联、家电控制等，如用手机app控制家里所有电灯的开关,无人在家时扫地机器人自动打扫卫生等，所以现有的智能家居系统仍然停留在简单的电器开关控制上，用户的使用体验还有待进一步提高。

技术实现要素：

一种智能家居中用户行为预测方法，该方法包括以下步骤：

步骤一,在室内设置的一个或多个传感器，通过传感器获取的数据识别用户身份，收集该用户的特征数据；

步骤二，将所述传感器获取的数据归类为包括图像、声音、姿态和位置维度，并以时间线关联逻辑，然后发给后台系统；

步骤三，后台系统根据所获取的同一时间点上的所有维度数据进行综合数据清洗、挖掘并与下一个时间点的相关数据进行比较，同时预判出该用户在未来某一时间点可能做出的行为或提出的需求；

步骤四，在用户到达该未来时间点后，系统会根据在这一时间点获取的所有维度的数据信息重新校验之前所做的预判。

重复步骤一至四，直至对用户行为趋势的预判正确率达到95％以上。

在步骤一中，传感器收集到的用户特征数据，均会打上相应的时间点标签，使得所有的数据都可以时间轴进行关联逻辑。

在所述的传感器之间，通过本地网络或者云端网络进行数据交换，以便获取用户更全面的特征数据。

当后台系统对用户未来行为需求的推断成功概率达到95％之后，后台系统即会发出指令，要求前端设备跟用户主动进行交互，以便提供相关的服务。

所述传感器包括：

摄像头，用于抓取用户图像特征数据；

麦克风，用于获取用户声音特征数据；

实感3d摄像头，用于抓取用户姿态特征数据；

超声波传感器，用于获取用户位置特征数据。

所述的用户身份的识别过程是：

通过摄像头检测到拍摄范围内的人体，抓取人体面部特征，与样本库中预存的用户照片进行对比，计算出人脸匹配系数，初步判定该人体是否与某一授权用户一致，判断拥有权限的用户是否存在拍摄范围内；

使用麦克风接收用户语音，将音频模拟信号转换为数字序列，再将数字序列与样本库中预存的用户声纹进行对比，计算出声纹匹配系数，对人脸匹配系数与声纹识别匹配系数再次进行计算，计算出匹配程度，从而判断该用户身份。

通过摄像头检测到拍摄范围内的用户，抓取用户图像特征数据；

使用麦克风接收用户语音，通过对用户声音的采集、转换，将音频模拟信号转换为数字序列，形成用户声音特征数据；

使用实感3d摄像头检测到拍摄范围内的用户，抓取用户姿态特征数据，用户姿态含连续姿态；

使用超声波传感器检测检测范围内的用户位置，通过超声波采集、转换，将超声波音频信号转化为数字序列，行程用户位置特征数据。

步骤三中的预判采用的推算算法包括：

以m为时间间隔进行数据收集，先积累用户前m×n时间段的特征数据，然后推断出这m×n组特征数据的逻辑关联；

然后做出对m×n+1时间点的特征数据推断，之后则将推断出的m×n+1时间点特征数据与经过传感器获取的m×n+1时间点特征数据进行比对，该比对包括步骤：

首先，尝试单维度数据推断，即根据1～m×n时间段的特征数据，用单维度数据先找出中间的规律，然后推断m×n+1时间点的用户行为趋势，

如比对不正确，先把m×n+1时间点的信息采集下来放在库中，然后，用两个维度数据再去推断m×n+1时间点用户行为趋势，如果比对仍然不正确，就用三个维度数据进行推断，以此类推，直至推断正确；

如比对正确，先把正确的推断逻辑放在正确库内，然后依旧用多个维度来推导m×n+1时间点的用户行为趋势，把正确推断出m×n+1时间点用户行为趋势的推断逻辑全部收录到正确库中，数量为n；

其次，使用这n个逻辑，根据2～m×n+1秒的特征数据，来推断m×n+2时间点的用户行为趋势，通过这种推断算法去复核、筛选不符合常理的推断。

本发明通过传感器收集数据并推断用户未来行为需求的趋势，是人工智能深度学习在用户日常家居生活方面的针对性应用，目的在于通过大数据收集和云计算，后台系统能够正确推断出用户未来行为需求的趋势，并对前端设备发出指令，为用户主动提供相关服务，提高生活便利。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1是本发明传感器获取特征数据示意图。

图2是本发明实施例中后台系统的推断算法流程示意图。

图3是本发明预测方法流程示意图。

具体实施方式

如图3所示，本发明通过传感器收集数据并推断用户未来行为需求的趋势的方法，其特征在于，包括以下步骤：

步骤一,通过布置在有限空间内的固定位置的一个或多个传感器，获取用户身份，并在身份识别后，再收集该用户的各方面特征数据；

步骤二，传感器获取数据之后，通过将这些数据归类为图像、声音、姿态(含连续姿态)、位置等维度(包括但不限于这四个维度)，并以时间线关联逻辑，然后发给后台系统；

步骤三，后台系统根据所获取的同一时间点上的所有维度数据进行综合数据清洗、挖掘并与下一个时间点的相关数据进行比较，同时预判出该用户在未来某一时间点可能做出的行为或提出的需求；

步骤四，在用户到达该未来时间点后，系统会根据在这一时间点获取的所有维度的数据信息重新校验之前所做的预判；

步骤五：重复上述步骤，直至对用户行为趋势的预判正确率达到95％以上。

传感器需要布置在封闭或者半封闭的空间内，且该空间完全处于传感器的有效测量范围内，如住宅房间、办公室等，当用户处于此空间时，传感器能有效获取用户数据。在有限空间内布置的一个或多个传感器，必须以固定位置存在，以获取用户在空间内的特征数据。传感器收集用户的图像、声音、姿态(含连续姿态)、位置等维度(包括但不限于这四个维度)特征数据。

传感器收集到的用户特征数据，均会打上相应的时间点标签，所有的数据都以时间轴进行关联逻辑。后台系统对用户未来行为需求做出推断，此推断的基础即为以某一时间点标签上的所有维度的特征数据。

某一区域的传感器，和同类传感器或者不同类传感器之间，可以通过本地网络或者云端网络进行数据交换，以便获取用户的全息化特征数据，获取的特征数据越多，后台系统推断用户未来行为需求的正确率就会越高。

当后台系统对用户未来行为需求的推断成功概率达到95％之后，后台系统即会发出指令，要求前端设备跟用户主动进行交互，以便提供相关的服务。

如图1所示的用户特征数据收集。

通过摄像头检测到拍摄范围内的用户，抓取用户图像特征数据。

使用麦克风接收用户语音，通过对用户声音的采集、转换，将音频模拟信号转换为数字序列，形成用户声音特征数据。

使用实感3d摄像头检测到拍摄范围内的用户，抓取用户姿态(含连续姿态)特征数据。

使用集成在固定位置终端设备内的超声波传感器检测一定范围内的用户位置，通过超声波采集、转换，将超声波音频信号转化为数字序列，行程用户位置特征数据。

使用其他传感器获取的其他用户数据。

将以上特征数据以时间线关联逻辑，并打上相应的时间点标签。

如图2所示的后台系统推断算法。

假设以秒为单位进行数据收集，后台系统会先积累用户前1000秒的特征数据，然后推断出这1000组特征数据的逻辑关联，然后系统会做出对1001秒的特征数据推断，之后则将其推断的1001秒特征数据与经过传感器获取的1001秒特征数据进行比对，包括步骤：

首先，系统尝试单维度数据推断，即根据1-1000秒的特征数据，用单维度数据先找出中间它认为的规律，然后推断1001秒的用户行为趋势，如比对不正确，系统会先把1001秒的信息采集下来放在库中。然后，用两个维度数据再去推断1001秒用户行为趋势，如果比对仍然不正确，就用三个维度数据进行推断，以此类推，直至推断正确。

如比对正确，系统会先把正确的逻辑放在正确库内，然后依旧用多个维度来推导1001秒的用户行为趋势。系统会把正确推断出1001秒用户行为趋势的逻辑全部收录到正确库中，数量为n。

其次，系统将使用这个n个逻辑，根据2-1001秒的特征数据，来推断1002秒的用户行为趋势。

通过这种推断算法去复核、筛选不符合常理的推断。比如说它工作了一天(86400秒)，系统就能知道哪些推断是准确的。一个动作多次重复，它就能对单一的用户行为趋势做出准确的推断。

推断算法必须依靠大数据+云计算才能完成，因为数据的多维度，造成参与演算的数据量将会非常大，只有依靠云计算才能完成。

关于推断正确率，单一数据推断的准确率必须超过99.99％，然后然后在此基础上再叠加到不同需求，最后多维度数据推断成功率要求超过95％。

关于计算速度，云计算的数据推断时间远低于1秒，同时，系统会根据正确的推断逻辑编排公式，对用户行为趋势进行验证。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。