【技术实现步骤摘要】
一种基于LSTM的智能家电用户行为预测方法和装置
本专利技术涉及家用电器的预测
，具体而言，尤其涉及基于LSTM的智能家电用户行为预测方法和装置。
技术介绍
随着人工智能、物联网技术、大数据计算、传感器技术等技术的发展，智能家电已经逐步进入人类的日常生活，智能家电通过特定的人性化功能，为用户提供全方位的信息交互功能，为消费者提供更人性化、更健康环保、更节能的使用体验。在我国家电行业，智能家电正处于高速发展的阶段，智能家电生产企业越来越重视对高端智能化产品的研究，特别是对企业未来品牌发展和客户需求升级转型的深入研究，各大家电厂商争相发布各高端智能化产品。但是，目前智能家电还不能很好的体现其智能所在，对用户行为的预测还不够精确，无法准确的结合用户的具体生活习惯为用户提供个性化的服务，也在一定程度上限制了智能家电的发展。
技术实现思路
根据上述提出目前智能家电还不能很好的体现其智能所在，对用户行为的预测还不够精确，无法准确的结合用户的具体生活习惯为用户提供个性化的服务的技术问题，而提供一种基于LSTM的智能家电用户行为预测方法。本专利技术主要利用基于LSTM的智能家电...
【技术保护点】
1.一种基于LSTM的智能家电用户行为的预测方法，其特征在于，包括：S1：采集并储存用户家电使用的行为数据；S2：筛选并提取所述储存用户家电使用的行为数据；S3：对所述的行为数据进行预处理，按比例获得训练集、验证集和测试集；S4：将所述训练集输入长短期记忆网络LSTM模型训练数据，得到训练后的模型；S5：将所述测试集输入所述训练后的模型得到预测数据。
【技术特征摘要】
1.一种基于LSTM的智能家电用户行为的预测方法，其特征在于，包括：S1：采集并储存用户家电使用的行为数据；S2：筛选并提取所述储存用户家电使用的行为数据；S3：对所述的行为数据进行预处理，按比例获得训练集、验证集和测试集；S4：将所述训练集输入长短期记忆网络LSTM模型训练数据，得到训练后的模型；S5：将所述测试集输入所述训练后的模型得到预测数据。2.根据权利要求1所述的一种基于LSTM的智能家电用户行为的预测方法，其特征还在于，所述行为数据进行预处理，得到训练集和测试集，包括：S31：将所述训练数据进行转换处理，得到转换处理后的训练数据；S32：对所述转换处理的训练数据进行归一化操作，得到归一化后的训练数据；S33：对所述归一化后的训练数据按比例切分，得到所述训练集、验证集和测试集。3.根据权利要求2所述的一种基于LSTM的智能家电用户行为的预测方法，其特征还在于，所述归一化处理为：对所述筛选后的行为数据进行线性变换，把所述筛选后的行为数据映射到[0,1]区间，转换函数如下：其中max表示样本数据的最大值，min表示样本数据的最小值，x表示样本归一化前的值，x*表示归一化后的值。4.根据权利要求1所述的一种基于LSTM的智能家电用户行为的预测方法，其特征还在于，所述得到预测数据还包括：S41：利用所述训练集训练LSTM模型，输入验证集选择模型超参数得到训练后的模型；S42：将所述测试集输入所述的训练的模型，进行外循环初始化，设定层数D＝1并进行设定误差值的设置；S43：进行内循环初始化，设定迭代次数N＝1；设定当前最小误差为无穷大，设定最大迭代次数Nmax；S44：基于结构风险最小化原理，利用训练集数据进行LSTM循环神经网络的训练；将验证集数据输入训练好的LSTM循环神经网络，利用经验风险函数计算验证集误差；S45：比较验证集与最小误差的大小；若验证集误差大于或等于最小误差，则迭代次数加1；若验证集误差小于当前最小误差，则将验证集误差的值赋予当前最小误差，则把当前LSTM循环神经网络作为当前最优网络，更新并且存储最优网络的参数和验证集误差；S46：比较验证集误差与设定误差的大小；若验证集误差小于设定误差，验证集误差大于或等于设定误差，则迭代次数N+1；若迭代次数小于或者等于最大迭代次数，则进行LSTM循环神经网络的训练；若迭代次数大于最大迭代次数则层数D+1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。