本發(fā)明屬于智能家居技術領域，特別涉及一種智能家居中用戶行為預測方法。

背景技術：

近年來，人工智能發(fā)展突飛猛進，得益于互聯網大數據和云計算的快速發(fā)展，深度學習已經作為人工智能發(fā)展的核心驅動。但在日常的工作生活中，尤其是家庭生活的智能家居方面，人工智能的實際應用還停留在表面階段，更多地強調物聯、家電控制等，如用手機app控制家里所有電燈的開關,無人在家時掃地機器人自動打掃衛(wèi)生等，所以現有的智能家居系統仍然停留在簡單的電器開關控制上，用戶的使用體驗還有待進一步提高。

技術實現要素：

一種智能家居中用戶行為預測方法，該方法包括以下步驟：

步驟一,在室內設置的一個或多個傳感器，通過傳感器獲取的數據識別用戶身份，收集該用戶的特征數據；

步驟二，將所述傳感器獲取的數據歸類為包括圖像、聲音、姿態(tài)和位置維度，并以時間線關聯邏輯，然后發(fā)給后臺系統；

步驟三，后臺系統根據所獲取的同一時間點上的所有維度數據進行綜合數據清洗、挖掘并與下一個時間點的相關數據進行比較，同時預判出該用戶在未來某一時間點可能做出的行為或提出的需求；

步驟四，在用戶到達該未來時間點后，系統會根據在這一時間點獲取的所有維度的數據信息重新校驗之前所做的預判。

重復步驟一至四，直至對用戶行為趨勢的預判正確率達到95％以上。

在步驟一中，傳感器收集到的用戶特征數據，均會打上相應的時間點標簽，使得所有的數據都可以時間軸進行關聯邏輯。

在所述的傳感器之間，通過本地網絡或者云端網絡進行數據交換，以便獲取用戶更全面的特征數據。

當后臺系統對用戶未來行為需求的推斷成功概率達到95％之后，后臺系統即會發(fā)出指令，要求前端設備跟用戶主動進行交互，以便提供相關的服務。

所述傳感器包括：

攝像頭，用于抓取用戶圖像特征數據；

麥克風，用于獲取用戶聲音特征數據；

實感3d攝像頭，用于抓取用戶姿態(tài)特征數據；

超聲波傳感器，用于獲取用戶位置特征數據。

所述的用戶身份的識別過程是：

通過攝像頭檢測到拍攝范圍內的人體，抓取人體面部特征，與樣本庫中預存的用戶照片進行對比，計算出人臉匹配系數，初步判定該人體是否與某一授權用戶一致，判斷擁有權限的用戶是否存在拍攝范圍內；

使用麥克風接收用戶語音，將音頻模擬信號轉換為數字序列，再將數字序列與樣本庫中預存的用戶聲紋進行對比，計算出聲紋匹配系數，對人臉匹配系數與聲紋識別匹配系數再次進行計算，計算出匹配程度，從而判斷該用戶身份。

通過攝像頭檢測到拍攝范圍內的用戶，抓取用戶圖像特征數據；

使用麥克風接收用戶語音，通過對用戶聲音的采集、轉換，將音頻模擬信號轉換為數字序列，形成用戶聲音特征數據；

使用實感3d攝像頭檢測到拍攝范圍內的用戶，抓取用戶姿態(tài)特征數據，用戶姿態(tài)含連續(xù)姿態(tài)；

使用超聲波傳感器檢測檢測范圍內的用戶位置，通過超聲波采集、轉換，將超聲波音頻信號轉化為數字序列，行程用戶位置特征數據。

步驟三中的預判采用的推算算法包括：

以m為時間間隔進行數據收集，先積累用戶前m×n時間段的特征數據，然后推斷出這m×n組特征數據的邏輯關聯；

然后做出對m×n+1時間點的特征數據推斷，之后則將推斷出的m×n+1時間點特征數據與經過傳感器獲取的m×n+1時間點特征數據進行比對，該比對包括步驟：

首先，嘗試單維度數據推斷，即根據1～m×n時間段的特征數據，用單維度數據先找出中間的規(guī)律，然后推斷m×n+1時間點的用戶行為趨勢，

如比對不正確，先把m×n+1時間點的信息采集下來放在庫中，然后，用兩個維度數據再去推斷m×n+1時間點用戶行為趨勢，如果比對仍然不正確，就用三個維度數據進行推斷，以此類推，直至推斷正確；

如比對正確，先把正確的推斷邏輯放在正確庫內，然后依舊用多個維度來推導m×n+1時間點的用戶行為趨勢，把正確推斷出m×n+1時間點用戶行為趨勢的推斷邏輯全部收錄到正確庫中，數量為n；

其次，使用這n個邏輯，根據2～m×n+1秒的特征數據，來推斷m×n+2時間點的用戶行為趨勢，通過這種推斷算法去復核、篩選不符合常理的推斷。

本發(fā)明通過傳感器收集數據并推斷用戶未來行為需求的趨勢，是人工智能深度學習在用戶日常家居生活方面的針對性應用，目的在于通過大數據收集和云計算，后臺系統能夠正確推斷出用戶未來行為需求的趨勢，并對前端設備發(fā)出指令，為用戶主動提供相關服務，提高生活便利。

附圖說明

通過參考附圖閱讀下文的詳細描述，本發(fā)明示例性實施方式的上述以及其他目的、特征和優(yōu)點將變得易于理解。在附圖中，以示例性而非限制性的方式示出了本發(fā)明的若干實施方式，其中：

圖1是本發(fā)明傳感器獲取特征數據示意圖。

圖2是本發(fā)明實施例中后臺系統的推斷算法流程示意圖。

圖3是本發(fā)明預測方法流程示意圖。

具體實施方式

如圖3所示，本發(fā)明通過傳感器收集數據并推斷用戶未來行為需求的趨勢的方法，其特征在于，包括以下步驟：

步驟一,通過布置在有限空間內的固定位置的一個或多個傳感器，獲取用戶身份，并在身份識別后，再收集該用戶的各方面特征數據；

步驟二，傳感器獲取數據之后，通過將這些數據歸類為圖像、聲音、姿態(tài)(含連續(xù)姿態(tài))、位置等維度(包括但不限于這四個維度)，并以時間線關聯邏輯，然后發(fā)給后臺系統；

步驟三，后臺系統根據所獲取的同一時間點上的所有維度數據進行綜合數據清洗、挖掘并與下一個時間點的相關數據進行比較，同時預判出該用戶在未來某一時間點可能做出的行為或提出的需求；

步驟四，在用戶到達該未來時間點后，系統會根據在這一時間點獲取的所有維度的數據信息重新校驗之前所做的預判；

步驟五：重復上述步驟，直至對用戶行為趨勢的預判正確率達到95％以上。

傳感器需要布置在封閉或者半封閉的空間內，且該空間完全處于傳感器的有效測量范圍內，如住宅房間、辦公室等，當用戶處于此空間時，傳感器能有效獲取用戶數據。在有限空間內布置的一個或多個傳感器，必須以固定位置存在，以獲取用戶在空間內的特征數據。傳感器收集用戶的圖像、聲音、姿態(tài)(含連續(xù)姿態(tài))、位置等維度(包括但不限于這四個維度)特征數據。

傳感器收集到的用戶特征數據，均會打上相應的時間點標簽，所有的數據都以時間軸進行關聯邏輯。后臺系統對用戶未來行為需求做出推斷，此推斷的基礎即為以某一時間點標簽上的所有維度的特征數據。

某一區(qū)域的傳感器，和同類傳感器或者不同類傳感器之間，可以通過本地網絡或者云端網絡進行數據交換，以便獲取用戶的全息化特征數據，獲取的特征數據越多，后臺系統推斷用戶未來行為需求的正確率就會越高。

當后臺系統對用戶未來行為需求的推斷成功概率達到95％之后，后臺系統即會發(fā)出指令，要求前端設備跟用戶主動進行交互，以便提供相關的服務。

如圖1所示的用戶特征數據收集。

通過攝像頭檢測到拍攝范圍內的用戶，抓取用戶圖像特征數據。

使用麥克風接收用戶語音，通過對用戶聲音的采集、轉換，將音頻模擬信號轉換為數字序列，形成用戶聲音特征數據。

使用實感3d攝像頭檢測到拍攝范圍內的用戶，抓取用戶姿態(tài)(含連續(xù)姿態(tài))特征數據。

使用集成在固定位置終端設備內的超聲波傳感器檢測一定范圍內的用戶位置，通過超聲波采集、轉換，將超聲波音頻信號轉化為數字序列，行程用戶位置特征數據。

使用其他傳感器獲取的其他用戶數據。

將以上特征數據以時間線關聯邏輯，并打上相應的時間點標簽。

如圖2所示的后臺系統推斷算法。

假設以秒為單位進行數據收集，后臺系統會先積累用戶前1000秒的特征數據，然后推斷出這1000組特征數據的邏輯關聯，然后系統會做出對1001秒的特征數據推斷，之后則將其推斷的1001秒特征數據與經過傳感器獲取的1001秒特征數據進行比對，包括步驟：

首先，系統嘗試單維度數據推斷，即根據1-1000秒的特征數據，用單維度數據先找出中間它認為的規(guī)律，然后推斷1001秒的用戶行為趨勢，如比對不正確，系統會先把1001秒的信息采集下來放在庫中。然后，用兩個維度數據再去推斷1001秒用戶行為趨勢，如果比對仍然不正確，就用三個維度數據進行推斷，以此類推，直至推斷正確。

如比對正確，系統會先把正確的邏輯放在正確庫內，然后依舊用多個維度來推導1001秒的用戶行為趨勢。系統會把正確推斷出1001秒用戶行為趨勢的邏輯全部收錄到正確庫中，數量為n。

其次，系統將使用這個n個邏輯，根據2-1001秒的特征數據，來推斷1002秒的用戶行為趨勢。

通過這種推斷算法去復核、篩選不符合常理的推斷。比如說它工作了一天(86400秒)，系統就能知道哪些推斷是準確的。一個動作多次重復，它就能對單一的用戶行為趨勢做出準確的推斷。

推斷算法必須依靠大數據+云計算才能完成，因為數據的多維度，造成參與演算的數據量將會非常大，只有依靠云計算才能完成。

關于推斷正確率，單一數據推斷的準確率必須超過99.99％，然后然后在此基礎上再疊加到不同需求，最后多維度數據推斷成功率要求超過95％。

關于計算速度，云計算的數據推斷時間遠低于1秒，同時，系統會根據正確的推斷邏輯編排公式，對用戶行為趨勢進行驗證。

值得說明的是，雖然前述內容已經參考若干具體實施方式描述了本發(fā)明創(chuàng)造的精神和原理，但是應該理解，本發(fā)明并不限于所公開的具體實施方式，對各方面的劃分也不意味著這些方面中的特征不能組合，這種劃分僅是為了表述的方便。本發(fā)明旨在涵蓋所附權利要求的精神和范圍內所包括的各種修改和等同布置。