智能家居环境中居民位置预测方案分析

　　随着社会、经济水平的发展，人们的生活开始追求个性化、自动化、快节奏，追求充满乐趣的生活方式。因此，人们对家居品质的要求也越来越高，要求居住环境舒适化、安全化，家居生活人性化、智能化。

　　智能家居是一个居住环境，是以住宅为平台安装有智能家居系统的居住环境，实施智能家居系统的过程就称为智能家居集成。智能家居集成是利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设备集成。

　　在中国，智能家居的发展时间虽不长，但是从国内家电巨头及网络巨子的纷纷出手试水智能家居市场以及许多国际大企业对国内智能家居厂家并购案可以看出，中国智能家居市场潜在着巨大商机。全国房地产业蓬勃发展，小区智能化已成为一项基本要求，再配上智能家居，"全智能"的概念必然给房地产业带来新的卖点和活力，因此"全智能"是二十一世纪房产开发商力推的主题，这也意味着，我国智能家居产业迎来发展契机。

　　1 智能家居软件体系架构

　　智能家居有时也称为智能环境，它通过传感器感知家庭的状态，并通过设备控制器作用于环境，目的是化居民的居住舒适度并化家庭运行成本，实现低碳节能运行。为取得这个目标，智能家居系统必须能够推理、学习、预测并适应居民的活动。以美国得克萨斯大学MavHome智能家居系统为例，其软件架构如图1所示，系统中各个智能体无缝连接，同时允许对任何支撑技术进行改进.每个智能体分为四个协议层：决策层作出判定、决定动作；信息层负责收集信息并产生对决策层有用的推理；通信层负责智能体之间路由和共享信息；物理层控制相应环境硬件，如设备、变换器、网络设备等。软件组件模块以分布式进程间通信接口方式连接。

　　智能家居的感知是一个自底向上的过程，传感器监测环境变化，如有必要可将监测到的信息通过通信层传递给另一个智能体。数据库记录信息层中的记录信息，据此更新它知道的概念和预测，并告知决策层新数据的存在。动作执行是信息流自顶向下的过程，决策层根据相关信息作出判定、选择动作，同时将决策与信息层相关。更新数据库后，通信层将动作信息传递给合适的效应器执行。如效应器为另一个智能体，则该智能体通过它的效应器将命令作为感知信息进行接收，并确定执行期望动作的方法。智能体通过专用接口可以与用户、机器人和外部资源交互。

　　2 智能家居系统中的位置预测方案

　　智能家居系统在工作中必须依靠复杂工具进行智能信息构建，如学习、预测和作出自动化决策。其中学习和预测在确定家庭内居民下一动作和关键移动模式中处于重要地位。家居系统可以根据居民过去移动模式和以前观察到的居民与各种设备之间的交互动作，在居民/房屋当前状态的基础上作出预测。预测结果递交给一个决策判定算法，它为房屋选择动作以满足期望目标。预测方案建立在文本压缩、在线学习和信息论基础之上.

　　智能家居系统是上下文感知的，即组合来自多个设备的输入，能够在没有显式手工输入的情况下推断出居民的意图或属性。位置是上下文的常见范例之一，因此通过预测人们的位置准确地跟踪居民的移动，对于智能环境是至关重要的。在位置感知应用中，预测也有助于资源的优化分配和效应器的激活。这种方法是基于位置信息的符号表示，它不是以项目指定的，而是相对于对应访问基础设施拓扑的，因此这种方法是通用的或与技术/模型无关的。在概念层次，预测涉及一定形式的统计推理，其中需要使用居民过去移动历史的一些样本，提供居民个体未来位置的智能估计，以便降低与这个预测相关联的位置不确定性。

　　假设居民的移动性具有重复模式，是能够学习到的，且假定居民的移动过程是随机的，可以证明如下结果：在系统和设备之间交换的消息以小于随机移动过程熵率的量地跟踪移动性是不可能的。具体而言，给定居民位置的所有过去所测数据，以及未来位置的可能预测器，除非设备和系统交换位置信息，否则在位置中将总是存在某种程度的不确定性。这个交换发生所采用的实际方法是与这个限制无关的，重要的是交换要超过移动过程的熵率。这就是在蜂窝移动通信网络中使用的一种称为LeZi-update的在线适应位置管理算法,它是在信息论的框架基础上定义的，算法中并不假定节点的标准移动模型，而是学习节点移动历史，通过化熵而构建一个统一移动模型，并以高度的准确性预测未来位置。这个框架通用性强，并可适用于其他上下文，如活动预测、资源提供、异常检测等。

　　MavHome智能家居的楼层平面图如图2所示，通过放置多个传感器将室内分成若干覆盖区。当系统需要联系居民时，将发起一个位置预测机制。为了控制位置不确定性，系统依赖于由传感器采集到的位置信息，它能帮助减少后续预测的搜索空间。如图3所示，楼层平面图可以表示为一个连通图G=（V,E），其中节点集合V={a,b,c,…}由传感器来代表的分割区域，边集合E表示一对区域之间的邻居邻接关系。当从一个区移动到另一个区，居民沿一条路线穿过一组传感器。例如，在平面图中，从起居室运动到餐厅，可以表示为传感器集合{l,d}.

　　LeZi-update框架使用一个符号空间，将智能环境的监测区表示为一个字母符号，因此捕捉到的居民移动历史数据为一个符号串。符号表示也帮助人们层次化地将室内连通的基础设施抽象为不同粒度等级。这个形式化中的策略是，每个节点具有一些移动模式，这能够以在线方式学习到.本质上说，假定节点路线是固有且可压缩的，并允许应用通用的数据压缩算法，但针对静态遍历的随机过程而言即是化源熵。

　　在LeZi-update中，符号（代表传感器的标示）以块方式处理，并保留符号的整个序列，直到以一种压缩编码形式更新。例如，令ajllojhhaajllooaajll为任意时刻居民的移动历史。这个符号串可作为不同子串进行分析，即a,j,l,lo,o,jh,h,aa,jl,loo,ja,aj,ll,oo,jaa,jll等。如图4所示，这样一个符号式的上下文模型，基于可变长度到固定长度的编码，能够高效地存储于一个trie树实现的字典之中。本质上来说，居民的移动是作为编码器，而系统作为一个解码器。通过积累越来越大的上下文，从传统的位置更新切换到线路更新，人们可影响系统范例型。对于具有n个符号的静态各态遍历源，这个框架取得渐进效果。

　　LeZi-update机制的一个主要目标是通过系统寻找位置不确定的节点，就节点移动概要而言，是要为预测过程赋予充足的信息。在trie树中的每个节点保留有更新机制提供的在当前上下文中的相关频率。因此，假定jll是的更新消息，则有用的上下文是它的前缀，即jl、j和Λ。在这个上下文中带有频率的所有可预测路由见表1,遵循部分匹配预测的混合技术，概率计算从trie树的叶子节点开始，离开走向较低层，直到到达根时才停止计算。在这个上下文中累加从所有可能短语中出现的概率，并将这些概率求和，计算得到每个区的总驻留概率。以这个驻留概率的降序轮询各区，确定预测顺序。

　　总体而言，将信息论的方法应用到位置预测，这是为了维护准确位置信息而交换的少信息得以量化，提供了特征化移动性的一种在线方法，另外赋予了一个预测序列.通过学习过程，这种方法可用来构建一个较高阶移动模型，因此就不用假定一个有限模型，所以将熵化并产生性能。

　　虽然基本的LeZi-update算法仅用来从过去移动模式预测当前位置，但这种方法也可扩展到预测在智能家庭中居民的可能未来路线，也可用于异构环境。路由预测利用信息论中的渐近均分性质，该性质断言，对一个随机过程X,具有熵H（X），以概率1观测到的长度为n的不同路径数为2H（X）。换句话说，对于充分大的n,概率变量的大部分仅集中于路线的一个小子集，它包括居民的可能路线，并捕获呈现大长度序列的平均性质。据此，该算法成功地预测可能路径中的一个相对小的集合。之后，智能家居系统能够依据这个信息行动，方法是以一个的、高效的方式激活资源。实验表明，在一个典型的智能家居环境中，这里的预测框架能够节省的能量高达70%.预测的准确性达到86%.

　　智能家居系统中关键的问题是对居民位置和居民动作进行预测，自动作出决策。高效预测算法提供如下几个方面的有用信息，即环境中设备和任务的未来位置和活动、自动化活动、优化设计和控制方法，并识别异常。这些技术降低了维护一个家庭的工作负担，降低能量的消耗，并能给老年人和残疾人员带来特殊的益处.在未来，这些能力将转化为一个混合环境族，如智能办公室、智能道路、智能汽车等，通过这些智能环境，用户可以在日常生活中感受到自动化的益处。