[發(fā)明專利]一種基于隱馬爾可夫模型的家電用戶行為預測方法及裝置

在審

• 申請?zhí)枺?/td>: 201811002947.0
• 申請日: 2018-08-30
• 公開（公告）號: CN109242176A
• 公開（公告）日: 2019-01-18
• 發(fā)明（設計）人: 方佩文;宮俊
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

1.一種基于隱馬爾可夫模型的家電用戶行為預測方法，其特征在于，至少包括以下步驟：

S1：采集并存儲用戶家電使用行為數據；

所述用戶家電使用行為數據包含該時間段內用戶對家電設備所有的操作行為事件，以及每個操作行為事件前對應家電設備的操作狀態(tài)，操作事件本身的操作狀態(tài)和每個事件觸發(fā)后的操作狀態(tài)；

S2：通過余弦相似性算法計算轉化后的行為數據的相似度；比較該時間與一周前同一時間的用戶家電使用行為數據的相似度，得到和當前用戶的家電使用行為習慣數據；

S3：對所述行為習慣數據進行行為模式逐個識別用戶行為習慣數據，得到用戶日常家電使用行為習慣的時域特征；

S4：基于所述的用戶當前家電使用行為的時域特征，構建隱馬爾可夫HMM模型參數，確定基于當前用戶行為模式的預測模型；

S5：運用維特比算法來實現對下一時隙各個時間點用戶行為的預測。

2.根據權利要求1所述的一種基于隱馬爾可夫模型的家電用戶行為預測方法，其特征還在于：

所述余弦相似性算法計算公式為：

設行為數據向量A＝(A₁,A₂，…A_n)，B＝(B₁，B₂，…B_n)；

其中，N表示每組行為數據中的元素個數，即每個時隙里面的小時數，A_i、B_i表示計算相似度的兩組行為數據，i表示每組行為數據中單個元素序號。

3.根據權利要求1所述的一種基于隱馬爾可夫模型的家電用戶行為預測方法，其特征還在于：

所述構建HMM模型參數，確定預測模型λ＝{A，B，π}，包括：確定用戶行為發(fā)生的概率的初始狀態(tài)概率矩陣π；確定不同用戶行為間轉移的概率的隱狀態(tài)間的轉移概率矩陣A，確定隱狀態(tài)對應觀測狀態(tài)的概率矩陣B，則用戶處于特定時隙的概率：

所述確定用戶行為發(fā)生的概率的初始狀態(tài)概率矩陣π，所述家電使用行為習慣數據篩選后，按照模式循環(huán)篩選將篩選出的相似數據存到一個矩陣當中，計算這個矩陣中所有元素的個數，將所述矩陣中元素的個數用count表示，則每種狀態(tài)出現的個數用count(x)為：

其中，分別表示隱含狀態(tài)在初始時刻屬于狀態(tài)X₁和X₂的概率，指用戶行為分別處于行為X₁和行為X₂的的概率。

4.根據權利要求3所述的一種基于隱馬爾可夫模型的家電用戶行為預測方法，其特征還在于：

所述確定不同用戶行為間轉移的概率的隱狀態(tài)間的轉移概率矩陣A為：

其中，表示狀態(tài)X₁轉移到狀態(tài)X₁的概率；表示狀態(tài)X₁轉移到狀態(tài)X₂的概率；表示狀態(tài)X₂轉移到狀態(tài)X₁的概率；表示狀態(tài)X₂轉移到狀態(tài)X₂的概率；

其中，表示從狀態(tài)X₁轉移到X₂的次數；表示狀態(tài)X₁出現的頻數；表示從狀態(tài)X₁轉移到狀態(tài)X₂的概率。

5.根據權利要求3所述的一種基于隱馬爾可夫模型的家電用戶行為預測方法，其特征還在于：

所述確定隱狀態(tài)對應觀測狀態(tài)的概率矩陣B：

其中，X₁、X₂表示用戶行為兩種狀態(tài)，t₁t₂t₃t₄這里是一個時隙的4個小時，表示用戶行為X₁已經發(fā)生，用戶行為處于t₁時刻的概率；

其中則矩陣B中的元素為：

P_x表示在某一個時隙的時間點內狀態(tài)x出現的頻數，C_x表示狀態(tài)x出現的頻數。