智能家居环境下人的日常行为预测方法技术

本发明专利技术公开了一种能家居环境下人的日常行为预测方法，步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤二：建立行为模型.采用逻辑回归的算法建立行为模型；步骤三：实时行为预测,利用步骤二中建立的模型，进行实时行为预测，其中不同行为的滑动窗口长度及行为预测的速度。本发明专利技术能实现快速识别；主要应用于在智能家居环境下对日常行为的预测。

Prediction Method of Human's Daily Behavior in Smart Home Environment

The invention discloses a method for predicting people's daily behavior in a household environment. The first step is behavior data preprocessing: daily behavior recognition needs to use existing historical behavior data sets to establish behavior models, label data, and generate data by sensors; the second step is to establish behavior models; the third step is to establish behavior models by using logistic regression algorithm; and the third step is real-time behavior. Prediction, real-time behavior prediction is carried out by using the model established in Step 2, in which the sliding window length of different behaviors and the speed of behavior prediction are used. The invention can realize fast identification and is mainly applied to predict daily behavior in smart home environment.

【技术实现步骤摘要】
智能家居环境下人的日常行为预测方法
本专利技术涉及一种智能家居环境下人的日常行为预测方法。
技术介绍
智能家居环境下人的日常行为预测方法，现有技术是利用摄像头通过图像识别技术识别行为，这种方法在日常行为方面会对用户隐私造成伤害。现有的基于传感器的识别方法中存在的最主要问题是不能实现快速识别。
技术实现思路
本专利技术的目的在于提供一种能实现快速识别的智能家居环境下人的日常行为预测方法。本专利技术的技术解决方案是：一种智能家居环境下人的日常行为预测方法，其特征是：包括下列步骤：步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤1.1：数据格式处理，将原始传感器数据格式调整为<timeStamp,SensorID,sensorValue,Activity>；timeStamp是传感器数据产生的时间，sensorID是传感器编号，取值范围（0–N）N是传感器总数；sensorValue是传感器读数；Activity行为标签，可以为空；步骤1.2:删除数据集中数据不完整的记录，包括sensorValue为空的记录；步骤1.3:传感器数据的标准化。将温度(Dtemp)，光线传感器数据（Dlight）映射到[0，1]空间；步骤1.4:计算温度数据的最小值Mintemp,和最大值Maxtemp,标准化数据公式DTtemp=(Dtemp-Mintemp)/(Maxtemp–Mintemp)；步骤1.5:计算光线数据的最小值Minlight,和最大值Maxlight,标准化数据公式DTlight=(Dlight-Minlight)/(Maxlight–Minlight)；步骤1.6：行为标签调整标准化，包括删除明显错误记录，修改拼写错误记录等，输出生成数据集DSorg；步骤1.7:为提高行为识别的准确度和识别的速度，对不同的行为进行分别处理并建立模型；首先建立吃饭模型；修改数据集DSorg<timeStamp,SensorID,sensorValue,Activity>中的Activity域，取值范围修改为<Eating(吃饭),Non-Eeating（没有吃饭）>；步骤1.8:进一步对Activity域修改，将Eating更新为1，Non-Eating更新为0.步骤1.9:设置时间窗口（SlidingWindow）长度为1分钟（60秒），采用递归式滑动窗口，算法如图1所示，输出新的数据集DS60secEat；步骤1.10:输出滑动窗口数据集DS60secEat格式如下：<tj,S1t(j-k)~tj，S2t(j-k)~tj，S3t(j-k)~tj……Snt(j-k)~tj，Acttj>.（j,k用做对时间的计数，t表示时间，S表示传感器数据序列，n表示滑动窗口计数，Snt(j-k)~tj表示第n个传感器数据序列，起始时间是t(j-k),结束时间tj,Acttj表示当前滑动窗口的行为标签；步骤1.11:计算每一个窗口中的活跃传感器的总数（Snum）,每个传感器的活跃时间<T0,T1,T2……TSnum>,以及每个传感器的活跃频率<F0,F1,F2……FSnum>；步骤1.12:计算每一个窗口中活跃传感器的活跃时间长度的平均值（Tmean），最大值（Tmax），最小值（Tmin），以及方差（Tsd）；步骤1.13:将步骤11-12中新生成的域添加到数据集DS60secEat中，生成新的数据集DS_260secEat,其数据格式为<tj,S1t(j-k)~tj，S2t(j-k)~tj，S3t(j-k)~tj……Snt(j-k)~tj，T0,T1,T2……TSnum,F0,F1,F2……FSnum，Tmean，Tmax，Tmin，Tsd，Acttj>；步骤1.14:对做饭行为数据进行预处理。修改数据集DSorg<timeStamp,SensorID,sensorValue,Activity>中的Activity域，取值范围修改为<Cooking,Non-Cooking>；步骤1.15:进一步对Activity域修改，将Cooking更新为1，Non-Cooking更新为0；步骤1.16:设置时间窗口SlidingWindow，长度为30秒，采用递归式滑动窗口，输出新的数据集DS30seccook；步骤1.17:执行步骤1.10–1.13，输出新的数据集DS_230seccook；步骤1.18:对其他行为执行相同的操作，分别产生数据集DS_210secrelax，DS_2120secsleep,DS_230secwork,DS_2120secdust,DS_210sectv,DS_230secbath；步骤二：建立行为模型.采用逻辑回归的算法建立行为模型，算法的计算公式如下：步骤2.1:利用步骤一中产生的数据集（DS_260secEat，DS_230seccook，DS_210secrelax,DS_2120secsleep,DS_230secwork,DS_2120secdust,DS_210sectv,DS_230secbath）分别建立行为模型，分别生成模型DM_260secEat，DM_230seccook，DM_210secrelax,DM_2120secsleep,DM_230secwork,DM_2120secdust,DM_210sectv,DM_230secbath；步骤三：实时行为预测,利用步骤二中建立的模型，进行实时行为预测，其中不同行为的滑动窗口长度及行为预测的速度；步骤3.1：在实时环境下，当用户执行某一项活动或行为时，便有新的实时传感器数据产生，新数据格式<timeStamp,SensorID,sensorValue>,针对不同行为，生成不同长度的时间窗口；步骤3.2:执行步骤1.11–1.12中计算，将产生的结果添加到当前时间窗口，生成新的窗口TWactlen格式<tj,S1t(j-k)~tj，S2t(j-k)~tj，S3t(j-k)~tj……Snt(j-k)~tj，T0,T1,T2……TSnum,F0,F1,F2……FSnum，Tmean，Tmax，Tmin，Tsd>；其中TWactlen包括TWcook30，TWeat60,TWwork30，TWrelax10，TWsleep120，TWdust120，TWtv10，TWbath30，步骤3.3:将步骤3.2中生成的时间窗口作为输入，分别输入到步骤2.1中对应的模型中，即可预测输出当前正在执行的行为标签。本专利技术能实现快速识别；主要应用于在智能家居环境下对日常行为的预测。智能家居环境配置的主要传感器包括温度，人体感应，光照。本专利技术可以准确预测（准确度95%以上）的行为包括，做饭（cook），吃饭（eat）,工作（work）,休息（relax）,睡觉（sleep）,打扫卫生（dust）,看电视（tv）,如厕（bath）.预测的时间分别是30秒，60秒，30秒，10秒，120秒，120秒，10秒，30秒。附图说明下面结合附图和实施例对本专利技术作进一步说明。图本文档来自技高网...

【技术保护点】
1.一种智能家居环境下人的日常行为预测方法，其特征是：包括下列步骤：步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤 1.1：数据格式处理，将原始传感器数据格式调整为<timeStamp,SensorID, sensorValue, Activity>；timeStamp 是传感器数据产生的时间，sensorID 是传感器编号，取值范围（0 – N ）N 是传感器总数；sensorValue 是传感器读数；Activity 行为标签，可以为空；步骤 1.2: 删除数据集中数据不完整的记录，包括 sensorValue 为空的记录；步骤 1.3: 传感器数据的标准化；将温度(D temp )，光线传感器数据（D light ）映射到[0，1]空间；步骤 1.4: 计算温度数据的最小值 Min temp , 和最大值 Max temp, 标准化数据公式 DT temp = ( D temp ‑ Min temp )/( Max temp – Min temp )；步骤 1.5: 计算光线数据的最小值 Min light , 和最大值 Max light, 标准化数据公式DT light = ( D light ‑ Min light )/( Max light – Min light )；步骤 1.6：行为标签调整标准化，包括删除明显错误记录，修改拼写错误记录等，输出生成数据集 DS org；步骤 1.7: 为提高行为识别的准确度和识别的速度，对不同的行为进行分别处理并建立模型；首先建立吃饭模型；修改数据集 DS org <timeStamp,SensorID, sensorValue, Activity>中的 Activity 域，取值范围修改为<Eating(吃饭), Non‑Eeating（没有吃饭）>；步骤 1.8: 进一步对 Activity 域修改，将 Eating 更新为 1， Non‑Eating 更新为 0.步骤 1.9: 设置时间窗口（Sliding Window）长度为 1 分钟（60 秒），采用递归式滑动窗口，算法如图 1 所示，输出新的数据集 DS 60sec Eat；步骤 1.10: 输出滑动窗口数据集 DS 60sec Eat 格式如下：<t j , S 1 t(j‑k)~tj ，S 2 t(j‑k)~tj ，S 3 t(j‑k)~tj …… S n t(j‑k)~tj ，Act tj >. （j, k 用做对时间的计数，t 表示时间，S 表示传感器数据序列，n 表示滑动窗口计数，S n t(j‑k)~tj 表示第 n 个传感器数据序列，起始时间是 t (j‑k), 结束时间 t j , Act tj 表示当前滑动窗口的行为标签；步骤 1.11: 计算每一个窗口中的活跃传感器的总数（Snum）, 每个传感器的活跃时间< T 0 , T 1 , T 2 …… T Snum >, 以及每个传感器的活跃频率< F 0 , F 1 ,F 2 …… F Snum >；步骤 1.12: 计算每一个窗口中活跃传感器的活跃时间长度的平均值（T mean ），最大值（T max ），最小值（T min ），以及方差（T sd ）；步骤 1.13: 将步骤 11‑12 中新生成的域添加到数据集 DS 60sec Eat 中， 生成新的数据集 DS_2 60sec Eat ,其数据格式为 <t j , S 1 t(j‑k)~tj ，S 2 t(j‑k)~tj ，S 3 t(j‑k)~tj …… S n t(j‑k)~tj ，T 0 , T 1 , T 2 …… T Snum , F 0 , F 1 , F 2 …… F Snum ，T mean ，T max ，T min ，T sd ，Act tj >；步骤 1.14: 对做饭行为数据进行预处理；修改数据集 DS org <timeStamp,SensorID, sensorValue, Activity>中的 Activity 域，取值范围修改为<Cooking, Non‑Cooking>；步骤 1.15: 进一步对 Activity 域修改，将 Cooking 更新为 1， Non‑Cooking更新为 0；步骤 1.16: 设置时间窗口Sliding Window，长度为 30 秒，采用递归式滑动窗口，输出新的数据集 DS 30sec cook；步骤 1.17: 执行步骤 1.10–1.13，输出新的数据集 DS_2 30sec cook；步骤 1.18: 对其他行为执行相同的操作，分别产生...

【技术特征摘要】
1.一种智能家居环境下人的日常行为预测方法，其特征是：包括下列步骤：步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤1.1：数据格式处理，将原始传感器数据格式调整为<timeStamp,SensorID,sensorValue,Activity>；timeStamp是传感器数据产生的时间，sensorID是传感器编号，取值范围（0–N）N是传感器总数；sensorValue是传感器读数；Activity行为标签，可以为空；步骤1.2:删除数据集中数据不完整的记录，包括sensorValue为空的记录；步骤1.3:传感器数据的标准化；将温度(Dtemp)，光线传感器数据（Dlight）映射到[0，1]空间；步骤1.4:计算温度数据的最小值Mintemp,和最大值Maxtemp,标准化数据公式DTtemp=(Dtemp-Mintemp)/(Maxtemp–Mintemp)；步骤1.5:计算光线数据的最小值Minlight,和最大值Maxlight,标准化数据公式DTlight=(Dlight-Minlight)/(Maxlight–Minlight)；步骤1.6：行为标签调整标准化，包括删除明显错误记录，修改拼写错误记录等，输出生成数据集DSorg；步骤1.7:为提高行为识别的准确度和识别的速度，对不同的行为进行分别处理并建立模型；首先建立吃饭模型；修改数据集DSorg<timeStamp,SensorID,sensorValue,Activity>中的Activity域，取值范围修改为<Eating(吃饭),Non-Eeating（没有吃饭）>；步骤1.8:进一步对Activity域修改，将Eating更新为1，Non-Eating更新为0.步骤1.9:设置时间窗口（SlidingWindow）长度为1分钟（60秒），采用递归式滑动窗口，算法如图1所示，输出新的数据集DS60secEat；步骤1.10:输出滑动窗口数据集DS60secEat格式如下：<tj,S1t(j-k)~tj，S2t(j-k)~tj，S3t(j-k)~tj……Snt(j-k)~tj，Acttj>.（j,k用做对时间的计数，t表示时间，S表示传感器数据序列，n表示滑动窗口计数，Snt(j-k)~tj表示第n个传感器数据序列，起始时间是t(j-k),结束时间tj,Acttj表示当前滑动窗口的行为标签；步骤1.11:计算每一个窗口中的活跃传感器的总数（Snum）,每个传感器的活跃时间<T0,T1,T2……TSnum>,以及每个传感器的活跃频率<F0,F1,F2……FSnum>；步骤1.12:计算每一个窗口中活跃传感器的活跃时间长度的平均值（Tmean），最大值（Tmax），最小值（Tmin），以及方差（Tsd）；步骤1.13:将步骤11-12中新生成的域添加到数据集DS60secEat中，生成新的数据集DS_260secEat...

【专利技术属性】
技术研发人员：万杰，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏,32