智能家居中基于改進CBS算法的用戶行為預測算法研究與實現
發(fā)布時間:2020-06-25 07:38
【摘要】:隨著科學技術的快速發(fā)展,特別是4G(第四代移動通信網銘)技術的大規(guī)模商用,5G(第五代移動通信網絡)技術預計在2019年商用,使得萬物互聯逐漸成為可能,由此衍生出來的智能家居成為行業(yè)研究的熱點。然而目前行業(yè)研究的熱點大多從系統(tǒng)的角度出發(fā),致力于傳統(tǒng)產品的信息化和系統(tǒng)功能需求,操作的便利性有了很大的提升,但依然需要人為操控才能實現對應的功能,因此,在智能化方面仍然有很大的提升空間,F代智能家居系統(tǒng)中可以收集到用戶的行為信息,通過分析相關信息來學習用戶行為,為用戶建立“行為模式集合”,最終實現預測用戶行為的目的,主動和提前為用戶完成一些必要操作,智能家居能實現由人為操作的被動提供服務方式轉為主動提供服務方式。為了實現上述的目的,本文在CBS(Customary-based servicing)算法的基礎上,提出一種用戶行為預測算法。為了驗證算法的性能指標,把該算法編碼實現并嵌入到Java項目中。具體工作如下:1、本文提出一種基于改進CBS算法的用戶行為預測算法。算法主要流程為:首先挖掘用戶行為之間的時間關系,主要通過時序關系和關聯規(guī)則來實現。然后描述CBS算法中的時間分區(qū)與交并集運算,對CBS算法優(yōu)缺點進行分析,并在此基礎上引入機器學習技術,解決周圍環(huán)境對用戶行為的影響,引入數據庫中“冷熱處理”思想來解決多行為情況中存在時間沖突的問題。2、為驗證算法的有效性,本文把上述算法編碼實現并嵌入到Java項目中。該項目以Spring MVC為模型,項目主要分為4個部分:用戶行為預測算法、算法測試、Java項目設置以及用戶信息展示。通過該項目,對提出的用戶行為預測算法進行驗證,驗證結果表明,與CBS算法相比,改進后算法的預測成功次數更多,成功率更高,穩(wěn)定性更好且有效的降低對用戶的干擾性。同時,該項目具有與智能家居平臺無關特性,實現跨平臺運行。
【學位授予單位】:湖南大學
【學位級別】:碩士
【學位授予年份】:2018
【分類號】:TU855;TN929.5
【圖文】:
智能家居中基于改進CBS算法的用戶行為預測算法研究與實現雜度可以做到常數。文獻[26]中使用一階半馬爾科夫模,相比于馬爾科夫模型只能使用指數型作為狀態(tài)駐留時馬爾科夫模型可以使用任意的概率分布函數。文獻[27]通用戶行為并預測幾秒后的用戶行為。逡逑經網絡的預測算法逡逑的神經網絡算法的結構由輸出層、輸入層以及隱藏層組一層,也可以有多層,圖2.1的神經網絡的結構圖有二輸邋隱邐隱邐輸逡逑
就需要使用循環(huán)神經網絡來預測用戶行為,循環(huán)神經網絡是分析與時序相逡逑關數據的重要算法之一,其中的循環(huán)結構能夠保持歷史數據。一種典型的循環(huán)神逡逑經網絡及其展開圖如圖2.2所示:逡逑?邐?邐?邐?邐?逡逑“邐“邐“邐“邐J邋i逡逑々邋A之」邐—邋A0邋—>邋Aj邋—>邋A2邋邐>邋Ar逡逑x邋III邋1逡逑圖2.2循環(huán)神經網絡及其展開圖逡逑由圖可知循環(huán)神經網絡的輸出巧與輸入岑和當前狀態(tài)舄有關,其中當前狀態(tài)逡逑p赫庥耄冢筆笨套刺琾河泄,44儦辶P彩笨套刺泄,因此循伙w窬縋苠義瞎患親±沸畔,可以构建时间序列模型,研究历史数据峨s諼蠢吹撓跋。辶x弦恢鐘糜讜げ庵悄薌揖又寫釁魘蕕難飛窬縭欠竅咝宰曰毓檣窬義下紓ǎ危粒遙兀,其输出可译s檬劍玻道幢硎盡e義希剩ǎ簦╁澹藉澹郟ǎ簦歟,y(t-2),...,y(t-n),x(t-e,x(t-2),..?x(t-m)]逦(2.辶x掀渲校ǎ簦┐硎涑魷蛄,x(t)代表输入向量,n和m分冰咜表输除p褪淙氳膩義霞且湎蛄,当n和m分丙R扔冢澈停彩保危粒遙氐耐緗峁雇既繽跡玻乘盡e義希稿義
本文編號:2729063
【學位授予單位】:湖南大學
【學位級別】:碩士
【學位授予年份】:2018
【分類號】:TU855;TN929.5
【圖文】:
智能家居中基于改進CBS算法的用戶行為預測算法研究與實現雜度可以做到常數。文獻[26]中使用一階半馬爾科夫模,相比于馬爾科夫模型只能使用指數型作為狀態(tài)駐留時馬爾科夫模型可以使用任意的概率分布函數。文獻[27]通用戶行為并預測幾秒后的用戶行為。逡逑經網絡的預測算法逡逑的神經網絡算法的結構由輸出層、輸入層以及隱藏層組一層,也可以有多層,圖2.1的神經網絡的結構圖有二輸邋隱邐隱邐輸逡逑
就需要使用循環(huán)神經網絡來預測用戶行為,循環(huán)神經網絡是分析與時序相逡逑關數據的重要算法之一,其中的循環(huán)結構能夠保持歷史數據。一種典型的循環(huán)神逡逑經網絡及其展開圖如圖2.2所示:逡逑?邐?邐?邐?邐?逡逑“邐“邐“邐“邐J邋i逡逑々邋A之」邐—邋A0邋—>邋Aj邋—>邋A2邋邐>邋Ar逡逑x邋III邋1逡逑圖2.2循環(huán)神經網絡及其展開圖逡逑由圖可知循環(huán)神經網絡的輸出巧與輸入岑和當前狀態(tài)舄有關,其中當前狀態(tài)逡逑p赫庥耄冢筆笨套刺琾河泄,44儦辶P彩笨套刺泄,因此循伙w窬縋苠義瞎患親±沸畔,可以构建时间序列模型,研究历史数据峨s諼蠢吹撓跋。辶x弦恢鐘糜讜げ庵悄薌揖又寫釁魘蕕難飛窬縭欠竅咝宰曰毓檣窬義下紓ǎ危粒遙兀,其输出可译s檬劍玻道幢硎盡e義希剩ǎ簦╁澹藉澹郟ǎ簦歟,y(t-2),...,y(t-n),x(t-e,x(t-2),..?x(t-m)]逦(2.辶x掀渲校ǎ簦┐硎涑魷蛄,x(t)代表输入向量,n和m分冰咜表输除p褪淙氳膩義霞且湎蛄,当n和m分丙R扔冢澈停彩保危粒遙氐耐緗峁雇既繽跡玻乘盡e義希稿義
本文編號:2729063
本文鏈接:http://www.sikaile.net/kejilunwen/wltx/2729063.html
最近更新
教材專著