[發明專利]一種基于Hadoop的智能家居操控行為推薦方法

在審

• 申請號: 201710977086.7
• 申請日: 2017-10-19
• 公開（公告）號: CN107920109A
• 公開（公告）日: 2018-04-17
• 發明（設計）人: 梁天愷;曾碧
• 申請（專利權）人: 廣東工業大學
• 主分類號: H04L29/08
• 分類號: H04L29/08;H04L12/28;G06N99/00
• 代理公司: 廣東廣信君達律師事務所44329
• 代理人: 楊曉松

1.一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：包括以下步驟：

S1、結合無線或有線網絡進行用戶行為習慣數據的采集；

S2、進行用戶行為習慣數據的分割，生成多個子數據塊；

S3、將生成的多個子數據塊分發到各節點進行云存儲；

S4、在各節點實現對子數據塊的運算，得到相應的具有時間約束的子時序關聯規則；

S5、主節點合成各從節點生成的子時序關聯規則；

S6、形成最終的智能家居操控行為推薦方案。

2.根據權利要求1所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述步驟S3多個子數據塊基于Hadoop平臺的HDFS進行云存儲，步驟S4-S6的操作運算通過Hadoop平臺的MapReduce實現。

3.根據權利要求1所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述步驟S4對各子數據塊進行運算，得到相應的具有時間約束的子時序關聯規則的具體步驟如下：

S4-1、形成學習器輸入事務集；

S4-2、形成粗關聯規則；

S4-3、添加時序約束與時間約束。

4.根據權利要求3所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述步驟S4-1形成學習器輸入事務集的具體步驟為：將用戶行為習慣數據看成一張有向無環圖，然后對該圖進行深度遍歷，最后取具有最長DFS序列的DFS序列集合則作為學習器的輸入事務集。

5.根據權利要求3所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述步驟S4-2根據步驟S4-1形成的學習器輸入事務集，結合機器學習算法中的關聯規則分析算法，對用戶行為習慣進行關聯規則學習，最后形成粗關聯規則。

6.根據權利要求5所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述結合機器學習算法中的關聯規則分析算法，對用戶行為習慣進行關聯規則學習，最后形成粗關聯規則的具體過程如下：

設I＝{I₁,I₂,...,I_n}表示智能家居設備列表，給定一個交易數據庫D，其中每個事務T為I的非空子集，即每一個交易都與一個唯一的標識符對應，關聯規則在D中的支持度表示D中事務同時包含X事件、Y事件的的百分比，通過公式求解支持度；置信度表示D中事務已經包含X的情況下，包含Y的百分比，通過公式求解置信度；在關聯分析中，學習器所學習到規則只要滿足最小支持度閾值和最小置信度閾值則認為該關聯規則是有效的，同時通過計算每個智能家居設備所對應的平均操作時間，得到成形如{(A,t_A)→(B,t_B)→...→(N,t_N)}的粗關聯規則，其中t_N表示智能家居設備N的平均操作時間。

7.根據權利要求3所述的一種基于Hadoop的智能家居操控行為推薦方法，其特征在于：所述步驟S4-3添加時序約束與時間約束的具體步驟為：

S4-3-1、依據粗關聯規則的每個元組所記錄的設備和設備所對應的時間戳進行時序化處理從而產生時序關聯規則；

S4-3-2、依據管理員所設定的最大時間間隔約束對所產生的時序關聯規則進行篩選，得到連連設備之間具有強時間關聯性的最終具有時間約束的時序關聯規則，具體為：

假定管理員所設定的最大時間間隔約束為max(t)，且記t_i,j＝t_j-t_i,1≤i≤n-1,j＝i+1，n為設備數，時序關聯規則篩選過程如下：

1)初始化i和j：令i＝1,j＝i+1＝2，計算設備1與設備2的時間差t_i,j＝t_j-t_i，i＝1＝2，t_1,2＝t₂-t₁；

2)判斷t_i,j≤max(t)是否成立，若成立，令i＝i+1繼續判斷下一對設備之間的時間差是否滿足t_i,j≤max(t)的要求；若第i與第j＝i+1個設備之間不滿足既定的要求t_i,j≤max(t)，則斷開關聯規則鏈保留前i個設備，形成最終的形如{(1,t₁)→(2,t₂)→...→(i,t_i)}，t₁≤t₂≤...≤t_i，t_x,y＝t_y-t_x≤max(t),1≤x≤i-1,y＝x+1的具有時間約束的子時序關聯規則。