65、基于用户画像的分层马尔可夫模型异常行为预测

基于用户画像的分层马尔可夫模型异常行为预测

1 引言

在当今的智能家居网络研究领域，构建智能系统是众多研究的目标。随着智能环境的部署，智能家居网络得以实现，这使得家用电器和工具能够进行主动操作，而非被动响应，同时还能构建反映用户偏好的定制化模型环境。

智能家居网络旨在为用户提供个性化服务，同时尽量减少对家电和工具的干预。为了实现这一目标，需要收集用户和环境的信息，并进行管理和处理。而行为预测对于在普适环境中提供便捷高效的服务至关重要，智能预测用户行为在其中起着关键作用。隐马尔可夫模型（HMM）作为一种成熟的预测技术，能够识别顺序数据的模式，已在多个领域得到应用。

本文旨在利用具有多层次状态的分层隐马尔可夫模型（HHMM）来解决两个问题。其一，对人类室内空间的顺序行为进行建模和学习；其二，通过智能家居网络系统检测和预测异常行为。HHMM的每个状态可以包含嵌套状态或观察序列，具有合并整个模型特定部分的优势，并且相较于HMM，需要识别的状态总数更少。本文提出的共享结构模型在识别和预测行为状态方面优于扁平结构的HMM，同时利用HHMM对活动进行建模能够整合行为层次结构，并增加训练数据量，从而提高预测概率。此外，本文还提出了一种算法，用于根据用户行为的时长和其他活动的相关性来判断用户行为状态是正常还是异常。

2 模型描述

2.1 HHMM

分层隐马尔可夫模型（HHMM）是一种结构化的多级随机过程，它通过自主过程对标准隐马尔可夫模型（HMM）进行了扩展。HMM先分别进行训练，然后整合到HHMM中，整合后其参数保持不变，后续训练仅影响HHMM的高层。

由于我们所建模的方案在多个层次上运行，因此使用四级HHM