基于大數據的物聯網用戶行為模式挖掘

陸興華，林佳聰，謝欣殷，林家豪

(廣東工業(yè)大學華立學院，廣東 廣州 511325)

0 引 言

隨著人工智能控制技術和物聯網技術的快速發(fā)展，智能家居技術取得了較快的發(fā)展并不斷成熟，為用戶提供了現代化的家居智能控制體驗。智能家居是建立在物聯網基礎上，通過物聯網技術將家中的各種設備(如音視頻設備、照明系統、窗簾控制、空調控制等)連接到一起，提供家電控制、照明控制、室內外遙控、防盜報警、環(huán)境監(jiān)測、暖通控制、紅外轉發(fā)以及可編程定時控制等多種功能和手段。在智能家居設計中，每個用戶都具有自身偏好的特征，需要對用戶進行針對性的特征分析，對智能家居物聯網用戶的行為模式進行挖掘和特征分析，制定符合用戶行為特征的智能家居控制模型，提高智能家居的用戶價值體驗[1]。

當前，對智能家居物聯網用戶行為模式數據挖掘主要采用的是多源數據的信息服務數據庫構建方法，結合QoS預測實現智能家居服務的評估和數據挖掘[2]，提高智能家居的用戶行為模式挖掘性能。典型的用戶行為模式挖掘方法主要有主成分分析方法、支持向量機算法、模糊C均值算法、語義指向性特征提取算法等[3-4]。通過對用戶行為模式的數據分析和大數據庫模型的構建，結合特提取方法進行智能家居物聯網用戶行為模式挖掘和特征分析，取得了較好的用戶行為模式挖掘效果。其中，文獻[5]提出一種基于模糊C均值聚類算法的智能家居物聯網用戶行為模式挖掘方法，對智能家居物聯網用戶行為特征分布大數據進行FCM聚類預處理，對聚類輸出的數據進行時頻分析和特征點檢測，實現用戶行為特征的準確挖掘；文獻[6]提出一種基于語義本體模型和關聯指向性特征提取的智能家居物聯網用戶行為挖掘算法，采用語義特征信息提取和關聯規(guī)則挖掘方法，實現對用戶行為特征的模糊指向性挖掘，實現對用戶行為的動態(tài)特征挖掘模型優(yōu)化，但該方法在用戶行為挖掘中的計算開銷較大，挖掘精度不高。

針對上述問題，文中提出一種基于大數據的智能家居物聯網用戶的行為模式挖掘方法。構建智能家居物聯網用戶行為模式的特征數據模型，采用關聯規(guī)則特征分解方法進行用戶行為模式的大數據分析和信息重構。根據用戶行為模式大數據之間的差異性進行指向性行為特征分析，根據用戶的行為偏好進行特征分類和信息融合處理，建立用戶行為模式的大數據分類模型，根據用戶的行為特征實現智能決策和判斷，采用極限機學習算法進行收斂性控制，提高用戶行為模式挖掘的自適應性。最后進行實驗分析，驗證該方法在提高智能家居物聯網用戶行為模式挖掘準確性和收斂性方面的優(yōu)越性能。

1 智能家居物聯網用戶行為模式的大數據分布模型及特征提取

1.1 智能家居物聯網用戶行為模式的大數據分布模型構建

(1)

(2)

在關聯約束下，用戶行為模式滿足Wigner-Ville分布：

cx+b～Sα(|c|σ,sgn(c),cμ+b)

(3)

在Wigner-Ville分布空間進行大規(guī)模異構數據重組[7]，建立智能家居物聯網用戶行為模式的檢測模型為：

(4)

(5)

Xn={Xn,Xn-τ,…,Xn-(d-1)τ}

(6)

采用模糊調度方法對用戶行為特征進行關鍵行為特征點定位，得到的定位結果為：

(7)

對用戶行為模式進行QoS控制，得到QoS控制加權的閉頻繁項集合為：

(8)

由此構建智能家居物聯網用戶行為模式的大數據分布模型，如圖1所示。

圖1 智能家居物聯網用戶行為模式的分布模型

1.2 智能家居物聯網用戶行為特征提取

(9)

采用關聯規(guī)則特征分解方法進行用戶行為模式的大數據分析和信息重構，重構結果為：

其中

(11)

考慮存在不確定時延下的用戶信任權重，得到智能家居物聯網用戶行為特征分布的特征值滿足約束條件：

(12)

由此構建智能家居物聯網用戶行為模式數據信息流模型，通過特征分解實現用戶行為模式挖掘。

2 用戶行為模式挖掘算法優(yōu)化

2.1 用戶行為模式大數據分析

在構建智能家居物聯網用戶行為模式的特征數據模型，采用關聯規(guī)則特征分解方法進行用戶行為模式的大數據分析和信息重構的基礎上，進行智能家居物聯網用戶的行為模式挖掘的優(yōu)化設計。文中提出一種基于大數據的智能家居物聯網用戶的行為模式挖掘方法。根據用戶行為模式大數據之間的差異性進行指向性行為特征分析[8]，得到用戶行為特征的分布模型為：

(13)

(14)

(15)

其中，αn為用戶A、B之間的信任權重；Bl(n)為信任度評價漸進系數。

提取智能家居物聯網用戶行為模式的QoS信息特征為：

(16)

采用多層時態(tài)屬性分箱處理，建立QoS映射關系的動態(tài)平衡模型，進行智能家居物聯網用戶行為特征的分類處理，根據用戶的行為偏好進行特征分類和信息融合。

2.2 極限機學習算法及挖掘優(yōu)化

采用極限機學習算法進行收斂性控制，根據智能家居物聯網用戶行為模式的支持度單調遞增原理，得到用戶行為模式的信息融合輸出為：

Bel(xt)=p(xt|zt,ut-1,zt-1,…,u0,z0)

(17)

采用如下極限機學習算法進行回歸分析：

vt=wvt-1+c1rand1()·(pbest-xt-1)+

c2rand2()·(gbest-xt-1)

(18)

xt=xt-1+vt

(19)

其中，vt是極限機學習過程中的迭代速度，表示智能家居物聯網用戶行為模式挖掘全局尋優(yōu)速度；xt是極限機學習的適應度值；c1和c2是最優(yōu)學習算子，一般取c1=c2=2；rand1()和rand2()是[0,1]之間的隨機數。

通過極限機學習，得到智能家居物聯網用戶行為大數據特征分布Xi對應的一個函數。構建智能家居物聯網用戶行為模式挖掘的統計決策目標函數為：

(20)

其中，pad為用戶行為模式數據挖掘尋優(yōu)過程中的最大適應度值。

采用動態(tài)慣性權重加權方法得到個體極值pbest，在收斂條件約束下，根據如下兩個公式來更新極限機學習的交叉尋優(yōu)過程：

(21)

根據挖掘目標函數的參數尋優(yōu)，實現對智能家居物聯網用戶行為大數據的準確挖掘和特征分析[9-11]，得到特征函數為：

(22)

分析智能家居物聯網用戶行為特征數據挖掘模板集的靜態(tài)特性[12]，根據極限機學習算法進行收斂性控制，得到優(yōu)化挖掘結果為：

(23)

綜上處理，實現了智能家居物聯網用戶行為模式挖掘[14]，提高了用戶行為模式挖掘的自適應性。

3 仿真實驗與結果分析

對文中方法在實現智能家居物聯網用戶行為模式挖掘中的性能進行仿真實驗。慣性權重為0.12，相關系數R=0.22，均方誤差MSE=0.087，智能家居物聯網用戶行為數據樣本集為3 000，測試集為200，用戶規(guī)模為4 000，對用戶行為特征大數據采集的歸一化初始頻率f1=0.3，歸一化終止頻率f2=0.05。根據上述仿真環(huán)境和參數設定，進行智能家居物聯網用戶的行為模式挖掘，得到的挖掘輸出的散點圖如圖2所示。

圖2 用戶行為模式數據挖掘輸出的散點圖

從圖2得知，通過對智能家居物聯網用戶行為模式的挖掘和預測，提高了對用戶行為模式的智能分析能力。采用模糊調度方法對用戶行為特征進行關鍵行為特征點定位，采用資源標識方法進行用戶行為模式自適應標定和狀態(tài)重組，實現對用戶行為特征提取，提取結果如圖3所示。

圖3 智能家居物聯網用戶行為模式提取定位結果

分析圖3得知，采用文中方法進行智能家居物聯網用戶行為模式提取的準確性較高，抗干擾性能較強。采用不同方法進行挖掘的精度對比，得到的挖掘誤差對比結果如圖4所示。分析得知，利用文中方法進行智能家居物聯網用戶行為模式挖掘的精度較高，準確性較好。

圖4 挖掘性能對比

4 結束語

文中提出一種基于大數據的智能家居物聯網用戶的行為模式挖掘方法。構建智能家居物聯網用戶行為模式的大數據分析模型，采用模糊調度方法對用戶行為特征進行關鍵行為特征點定位，建立用戶行為模式的大數據分類模型。根據用戶的行為特征的聚類性實現智能家居物聯網用戶行為特征挖掘和自適應聚類，采用極限機學習算法進行智能家居物聯網用戶行為模式挖掘的收斂性控制，提高用戶行為模式挖掘的自適應性。實驗結果表明，采用該方法進行智能家居物聯網用戶的行為模式挖掘的準確性較高，挖掘過程的收斂性較好，在智能家居物聯網控制設計中具有很好的應用價值。