面向智能家居的个性化需求挖掘与应用

被引:10
作者
刘洪栋 [1 ]
刘军发 [2 ]
陈援非 [1 ,2 ]
机构
[1] 中国科学院计算技术研究所济宁分所
[2] 中国科学院计算技术研究所
关键词
智能家居; 数据挖掘; 个性化需求; 支持向量机;
D O I
暂无
中图分类号
TU855 [建筑物的电气化、自动化装置]; TP311.13 [];
学科分类号
1201 ;
摘要
随着智能家居行业的蓬勃发展,用户对智能家居所能提供的智能化服务需求越来越大.而现有的智能家居系统通常只能按照预先设定的控制方式和规则简单重复运行,不能根据用户的使用习惯来适时适度的推荐能够反映其个性化需求的控制策略.针对这种情况,采用主流数据挖掘方法来预测用户个性化行为.基于云合智能家居系统开展了相关实验,模拟了一年内10个家庭日常数据.经过对三种数据挖掘算法的对比实验,所采用的支持向量机算法能为不同用户提供符合其个性化需求的服务.
引用
收藏
页码:2794 / 2797
页数:4
相关论文
共 11 条
[1]  
基于ZigBee技术的智能家居数据采集控制系统.[D].何朝.太原理工大学.2011, 08
[2]   改进的基于平衡二叉决策树的SVM多分类算法 [J].
林志杰 ;
余春艳 .
小型微型计算机系统, 2014, 35 (05) :1128-1132
[3]   基于用户偏好和层次分析的数字家庭业务调度算法 [J].
杜健 ;
陈宏滨 ;
赵峰 .
西南师范大学学报(自然科学版), 2014, 39 (02) :109-114
[4]   面向大数据集的共享近邻聚类研究 [J].
潘章明 ;
陈尹立 .
小型微型计算机系统, 2014, 35 (01) :50-54
[5]   智能家居中用户行为模式挖掘及控制策略研究 [J].
孔英会 ;
刘靖 .
电视技术, 2013, 37 (24) :39-42+80
[6]   一种k-NN分类器k值自动选取方法 [J].
杜磊 ;
杜星 ;
宋擒豹 .
控制与决策, 2013, (07) :1073-1077+1082
[7]   基于遗传BP神经网络的短期风速预测模型 [J].
王德明 ;
王莉 ;
张广明 .
浙江大学学报(工学版), 2012, 46 (05) :837-841+904
[8]   支持向量机理论与算法研究综述 [J].
丁世飞 ;
齐丙娟 ;
谭红艳 .
电子科技大学学报, 2011, 40 (01) :2-10
[9]   无线智能家居控制系统设计 [J].
徐方荣 .
现代建筑电气, 2010, 1 (01) :24-27
[10]   一种快速支持向量机增量学习算法 [J].
孔锐 ;
张冰 ;
不详 .
控制与决策 , 2005, (10) :1129-1132+1136