[发明专利]一种残疾人智能操作的数据填补与行为预测的方法

说明书

本发明属于智能家居环境下的用户行为分析技术领域，具体为一种残疾人智能操作的数据填补与行为预测方法。本发明方法分为两个部分：一、操作的数据填补部分，用于填补残疾人用户产生的缺失操作；二、操作的行为预测部分，用于预测给定操作序列的下一步最有可能的操作。其中，操作的数据填补采用基于K最近邻（KNN）的缺失操作填补算法，操作的行为预测采用基于隐马尔可夫模型（HMM）的操作预测算法，最终实现减小用户的操作成本的目标。

技术领域

本发明属于智能家居环境下的用户行为分析技术领域，具体涉及一种残疾人智能操作的数据填补与行为预测的方法。

背景技术

当前的智能家居环境下残疾人用户在发起对智能家居设备的操作控制过程中存在几个问题：(1)智能家居环境下残疾人的操作行为存在显著的缺失现象，具体表现为当残疾人独自在家时，其使用智能家居系统控制设备的次数较多，而当其家属在家时，其对智能家居系统的依赖程度显著降低，因为很多操作是由家属手动完成的，系统无法记录这样的手动操作，因此造成数据缺失。(2)残疾人由于存在先天或后天的肢体障碍，行动不便，因此其对智能家居设备的控制代价势必会比普通人高得多，而随着智能家居设备种类和数目的增加，操作指令的数量和复杂程度也随之增加，这无疑又增加了残疾人对家居设备的操作难度。

因此，本发明提出了一种残疾人智能操作的数据填补与行为预测方法，该方法一方面能填补残疾人用户在智能家居环境中产生的缺失数据，另一方面能自主学习用户的行为习惯，根据学习结果预测用户将来的行为操作。

发明内容

为了解决智能家居环境下残疾人的肢体障碍性与家居设备复杂性之间的矛盾，本发明分析了残疾人用户的操作行为特征，提出了一个残疾人智能操作的数据填补与行为预测的方法。

本发明提出的残疾人智能操作的数据填补与行为预测的方法，主要包括两个部分，一个操作的数据填补部分，用于填补残疾人用户产生的缺失操作；一个操作的行为预测部分，用于预测给定操作序列的下一步最有可能的操作。

一、操作的数据填补部分，采用基于K最近邻(KNN)的缺失操作填补算法

本发明使用K最近邻算法填补残疾人用户产生的缺失操作，K最近邻算法(KNN)是机器学习中最常见的分类算法，该算法的原理是在一个特征空间中，如果一个样本的K个最相似的样本属于同一类，那么该样本也属于该类。也就是说，决策某一样本属于什么分类时，只关注与其最近的有限个样本(假设都已正确分类)所属的类别。K最近邻算法的实现过程大致可以表示为：输入训练样本集(包含各个样本及其所属的类别)，待确定的样本，通过一定的算法规则，输出目标样本所属的类别。

本发明中，该操作填补技术主要是通过改进Jaccard相似度计算方法，获取用户不完整操作序列的相似序列集，根据相似序列集中缺失操作所处的位置来确定该缺失操作在目标序列中应处的位置，最终完成数据的填补。

具体地，基于KNN的数据填补的具体步骤为：

(一)准备阶段：

1：定义缺失操作

定义1(不完整序列)：如果某个操作序列中接连(可不连续)出现两个或以上的相同操作X，则相应子序列段必定缺失对应操作x，那么，整个序列为不完整序列。

定义1.1(嵌套缺失)：一个序列中存在缺失操作，而在其对应的不完整子序列中还存在一个或多个其他的不完整子序列。形如sequence＝{...，X，...，Y，...，Y...，X，...}。

定义1.2(并列缺失)：同一个序列中不同位置存在多个并列的缺失操作。形如sequence＝{...，X，...，X，...，Y...，Y，...}。

2：定义序列相似度