一种基于Hadoop的智能家居操控行为推荐方法与流程

本发明涉及智能家居的技术领域，尤其涉及到一种基于hadoop的智能家居操控行为推荐方法。

背景技术：

智能家居是在互联网影响之下物联化的体现，其通过物联网技术将家中的各种设备(如音视频设备、照明系统、窗帘控制、空调控制、安防系统、数字影院系统、影音服务器、影柜系统、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。而智能家居操控行为推荐更为用户控制自己需要的设备带来方便。

然而，传统的推荐方法所产生的智能家居操控行为推荐方案不具备强烈的规则时序关联性，或仅根据时间进行单一化聚类，不具备智能产生情景推荐方案的功能；而且，传统的推荐方法用到的关联规则算法只支持单节点计算，耗费较大的计算开支，不具备云计算的功能。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种应用于智能家居的分布式推荐方法，将一堆用户行为习惯的操作数据进行数据分割并实现分布式存储，然后通过云计算从中提取出具有时间约束的时序关联规则以构建智能家居操控行为推荐方案的过程。

为实现上述目的，本发明所提供的技术方案为：具体包括以下步骤：

s1、结合无线或有线网络进行用户行为习惯数据的采集；

s2、进行用户行为习惯数据的分割，生成多个子数据块；

s3、将生成的多个子数据块分发到各节点进行云存储；

s4、在各节点实现对子数据块的运算，得到相应的具有时间约束的子时序关联规则；

s5、主节点合成各从节点生成的子时序关联规则；

s6、形成最终的智能家居操控行为推荐方案。

进一步地，步骤s3多个子数据块基于hadoop平台的hdfs(hadoopdistributedfilesystem)进行云存储，步骤s4-s6通过hadoop平台的mapreduce实现。

进一步地，步骤s4对各子数据块进行运算，得到相应的具有时间约束的子时序关联规则的具体步骤如下：

s4-1、形成学习器输入事务集；

s4-2、形成粗关联规则；

s4-3、添加时序约束与时间约束。

其中，进行步骤s4-1形成学习器输入事务集时，主要采用有向无环图的深度遍历的思想，将用户行为习惯数据看成一张有向无环图，然后对该图进行深度遍历；图的深度遍历过程如下：

首先访问图中的某一个起点v，然后由v出发访问与v相连接且文被访问的某一个节点w1，接着继续访问与w1邻接且未被访问的顶点，如此不断重复直至所有节点均被访问位置；

由于图的深度遍历不同的起点可产生多个dfs序列集合，取具有最长dfs序列的dfs序列集合则作为学习器的输入事务集。

而进行步骤s4-2形成粗关联规则时，其根据步骤s4-1形成的学习器输入事务集，结合机器学习算法中的关联规则分析算法，对用户行为习惯进行关联规则学习，最后形成粗关联规则，具体过程如下：

设i＝{i1,i2,...,in}表示智能家居设备列表，给定一个交易数据库d，其中每个事务t为i的非空子集，即每一个交易都与一个唯一的标识符对应，关联规则在d中的支持度表示d中事务同时包含x事件、y事件的的百分比，通过公式求解支持度；置信度表示d中事务已经包含x的情况下，包含y的百分比，通过公式求解置信度；在关联分析中，学习器所学习到规则只要满足最小支持度阈值和最小置信度阈值则认为该关联规则是有效的，同时通过计算每个智能家居设备所对应的平均操作时间，得到成形如{(a,ta)→(b,tb)→...→(n,tn)}的粗关联规则，其中tn表示智能家居设备n的平均操作时间。

最后，步骤s4-3添加时序约束与时间约束的具体步骤为：

s4-3-1、依据粗关联规则的每个元组所记录的设备和设备所对应的时间戳进行时序化处理从而产生时序关联规则，具体为：

对步骤s4-2所得到的粗关联规则{(a,ta)→(b,tb)→...→(n,tn)}按照设备所对应的平均操作时间tn按照操作时间由先到后排序，即平均操作时间tn由小到大排序，最终得到时序化的关联规则：{(1,t1)→(2,t2)→...→(n,tn)}，t1≤t2≤...≤tn。

s4-3-2、依据管理员所设定的最大时间间隔约束对所产生的时序关联规则进行筛选，得到连连设备之间具有强时间关联性的最终具有时间约束的时序关联规则，具体为：

假定管理员所设定的最大时间间隔约束为max(t)，且记ti,j＝tj-ti,1≤i≤n-1,j＝i+1，时序关联规则筛选过程如下：

1)初始化i和j：令i＝1,j＝i+1＝2，计算设备1与设备2的时间差ti,j＝tj-ti，i＝1＝2，t1,2＝t2-t1；

2)判断ti,j≤max(t)是否成立，若成立，令i＝i+1继续判断下一对设备之间的时间差是否满足ti,j≤max(t)的要求；若第i与第j＝i+1个设备之间不满足既定的要求ti,j≤max(t)，则断开关联规则链保留前i个设备，形成最终的形如{(1,t1)→(2,t2)→...→(i,ti)}，t1≤t2≤...≤ti，tx,y＝ty-tx≤max(t),1≤x≤i-1,y＝x+1的具有时间约束的子时序关联规则。

本方案原理如下：

将一堆用户行为习惯的操作数据进行数据分割并实现分布式存储，然后通过云计算从中提取出具有时间约束的时序关联规则以构建智能家居操控行为推荐方案。

与现有技术相比，本方案有利于更高效率地形成一种更适合用户体验的智能家居操控行为推荐方案，同时增强了智能家居操控行为推荐方案的各设备两两之间的时间强关联性，填补了传统算法的不足。

附图说明

图1为本发明一种基于hadoop的智能家居操控行为推荐方法的流程图；

图2为本发明中mapreduce的逻辑数据流图；

图3为本发明中具有时间约束的时序关联规则算法的流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

参见附图1-3所示，本实施例所述的一种基于hadoop的智能家居操控行为推荐方法，包括以下步骤：

s1、结合无线或有线网络进行用户行为习惯数据的采集；

s2、进行用户行为习惯数据的分割，生成多个子数据块；

s3、将生成的多个子数据块基于hadoop平台的hdfs进行云存储；

以下步骤s4-s6的操作运算通过hadoop平台的mapreduce实现：

s4、在各节点实现对子数据块的运算，得到相应的具有时间约束的子时序关联规则，具体步骤如下：

s4-1、将用户行为习惯数据看成一张有向无环图，然后对该图进行深度遍历，最后取具有最长dfs序列的dfs序列集合则作为学习器的输入事务集；

s4-2、根据步骤s4-1形成的学习器输入事务集，结合机器学习算法中的关联规则分析算法，对用户行为习惯进行关联规则学习，最后形成粗关联规则；具体为：

设i＝{i1,i2,...,in}表示智能家居设备列表，给定一个交易数据库d，其中每个事务t为i的非空子集，即每一个交易都与一个唯一的标识符对应，关联规则在d中的支持度表示d中事务同时包含x事件、y事件的的百分比，通过公式求解支持度；置信度表示d中事务已经包含x的情况下，包含y的百分比，通过公式求解置信度；在关联分析中，学习器所学习到规则只要满足最小支持度阈值和最小置信度阈值则认为该关联规则是有效的，同时通过计算每个智能家居设备所对应的平均操作时间，得到成形如{(a,ta)→(b,tb)→...→(n,tn)}的粗关联规则，其中tn表示智能家居设备n的平均操作时间；

s4-3、对步骤s4-2所得到的粗关联规则{(a,ta)→(b,tb)→...→(n,tn)}按照设备所对应的平均操作时间tn按照操作时间由先到后排序，即平均操作时间tn由小到大排序，最终得到时序化的关联规则：

{(1,t1)→(2,t2)→...→(n,tn)}，t1≤t2≤...≤tn

s4-4、依据管理员所设定的最大时间间隔约束对所产生的时序关联规则进行筛选，得到连连设备之间具有强时间关联性的最终具有时间约束的时序关联规则，具体为：

假定管理员所设定的最大时间间隔约束为max(t)，且记ti,j＝tj-ti,1≤i≤n-1,j＝i+1，时序关联规则筛选过程如下：

1)初始化i和j：令i＝1,j＝i+1＝2，计算设备1与设备2的时间差ti,j＝tj-ti，i＝1＝2，t1,2＝t2-t1；

2)判断ti,j≤max(t)是否成立，若成立，令i＝i+1继续判断下一对设备之间的时间差是否满足ti,j≤max(t)的要求；若第i与第j＝i+1个设备之间不满足既定的要求ti,j≤max(t)，则断开关联规则链保留前i个设备，形成最终的形如{(1,t1)→(2,t2)→...→(i,ti)}，t1≤t2≤...≤ti，tx,y＝ty-tx≤max(t),1≤x≤i-1,y＝x+1的具有时间约束的子时序关联规则。

s5、主节点合成各从节点生成的子时序关联规则；

s6、形成最终的智能家居操控行为推荐方案。

本实施例将一堆用户行为习惯的操作数据进行数据分割并实现分布式存储，然后通过云计算从中提取出具有时间约束的时序关联规则以构建智能家居操控行为推荐方案；有利于更高效率地形成一种更适合用户体验的智能家居操控行为推荐方案，同时增强了智能家居操控行为推荐方案的各设备两两之间的时间强关联性，填补了传统算法的不足。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。