摘  要： 對智能家居系統(tǒng)軟件框架和工作過程進(jìn)行簡要介紹，給出智能家居體系中物理層、通信層、信息層、決策層功能，并對LeZi-update算法應(yīng)用于智能家居系統(tǒng)中的位置預(yù)測進(jìn)行探討，采用上下文感知和熵率檢測方式對用戶位置進(jìn)行預(yù)測，用連通圖方式仿真系統(tǒng)運(yùn)行過程，用trie樹結(jié)構(gòu)仿真數(shù)據(jù)流及熵率檢測過程。最后給出采用位置預(yù)測方案的系統(tǒng)節(jié)能效果。
關(guān)鍵詞： 信息論；智能家居；位置預(yù)測；LeZi-update

1 智能家居軟件體系架構(gòu)
    智能家居有時(shí)也稱為智能環(huán)境，它通過傳感器感知家庭的狀態(tài)，并通過設(shè)備控制器作用于環(huán)境，目的是最大化居民的居住舒適度并最小化家庭運(yùn)行成本，實(shí)現(xiàn)低碳節(jié)能運(yùn)行。為取得這個(gè)目標(biāo)，智能家居系統(tǒng)必須能夠推理、學(xué)習(xí)、預(yù)測并適應(yīng)居民的活動(dòng)。以美國得克薩斯大學(xué)MavHome智能家居系統(tǒng)為例，其軟件架構(gòu)如圖1所示，系統(tǒng)中各個(gè)智能體無縫連接，同時(shí)允許對任何支撐技術(shù)進(jìn)行改進(jìn)[1]。每個(gè)智能體分為四個(gè)協(xié)議層：決策層作出判定、決定動(dòng)作；信息層負(fù)責(zé)收集信息并產(chǎn)生對決策層有用的推理；通信層負(fù)責(zé)智能體之間路由和共享信息；物理層控制相應(yīng)環(huán)境硬件，如設(shè)備、變換器、網(wǎng)絡(luò)設(shè)備等。軟件組件模塊以分布式進(jìn)程間通信接口方式連接。

    智能家居的感知是一個(gè)自底向上的過程，傳感器監(jiān)測環(huán)境變化，如有必要可將監(jiān)測到的信息通過通信層傳遞給另一個(gè)智能體。數(shù)據(jù)庫記錄信息層中的記錄信息，據(jù)此更新它知道的概念和預(yù)測，并告知決策層新數(shù)據(jù)的存在。動(dòng)作執(zhí)行是信息流自頂向下的過程，決策層根據(jù)相關(guān)信息作出判定、選擇動(dòng)作，同時(shí)將決策與信息層相關(guān)。更新數(shù)據(jù)庫后，通信層將動(dòng)作信息傳遞給合適的效應(yīng)器執(zhí)行。如效應(yīng)器為另一個(gè)智能體，則該智能體通過它的效應(yīng)器將命令作為感知信息進(jìn)行接收，并確定執(zhí)行期望動(dòng)作的最優(yōu)方法。智能體通過專用接口可以與用戶、機(jī)器人和外部資源交互。
2 智能家居系統(tǒng)中的位置預(yù)測方案
    智能家居系統(tǒng)在工作中必須依靠復(fù)雜工具進(jìn)行智能信息構(gòu)建，如學(xué)習(xí)、預(yù)測和作出自動(dòng)化決策。其中學(xué)習(xí)和預(yù)測在確定家庭內(nèi)居民下一動(dòng)作和關(guān)鍵移動(dòng)模式中處于重要地位。家居系統(tǒng)可以根據(jù)居民過去移動(dòng)模式和以前觀察到的居民與各種設(shè)備之間的交互動(dòng)作，在居民/房屋當(dāng)前狀態(tài)的基礎(chǔ)上作出預(yù)測。預(yù)測結(jié)果遞交給一個(gè)決策判定算法，它為房屋選擇動(dòng)作以滿足期望目標(biāo)。預(yù)測方案建立在文本壓縮、在線學(xué)習(xí)和信息論基礎(chǔ)之上[2]。
    智能家居系統(tǒng)是上下文感知的，即組合來自多個(gè)設(shè)備的輸入，能夠在沒有顯式手工輸入的情況下推斷出居民的意圖或?qū)傩浴Ｎ恢檬巧舷挛牡淖畛Ｒ姺独唬虼送ㄟ^預(yù)測人們的位置準(zhǔn)確地跟蹤居民的移動(dòng)，對于智能環(huán)境是至關(guān)重要的。在位置感知應(yīng)用中，預(yù)測也有助于資源的優(yōu)化分配和效應(yīng)器的激活。這種方法是基于位置信息的符號(hào)表示，它不是以絕對項(xiàng)目指定的，而是相對于對應(yīng)訪問基礎(chǔ)設(shè)施拓?fù)涞模虼诉@種方法是通用的或與技術(shù)/模型無關(guān)的。在概念層次，預(yù)測涉及一定形式的統(tǒng)計(jì)推理，其中需要使用居民過去移動(dòng)歷史的一些樣本，提供居民個(gè)體未來位置的智能估計(jì)，以便降低與這個(gè)預(yù)測相關(guān)聯(lián)的位置不確定性。
    假設(shè)居民的移動(dòng)性具有重復(fù)模式，是能夠?qū)W習(xí)到的，且假定居民的移動(dòng)過程是隨機(jī)的，可以證明如下結(jié)果：在系統(tǒng)和設(shè)備之間交換的消息以小于隨機(jī)移動(dòng)過程熵率的量最優(yōu)地跟蹤移動(dòng)性是不可能的。具體而言，給定居民位置的所有過去所測數(shù)據(jù)，以及未來位置的最優(yōu)可能預(yù)測器，除非設(shè)備和系統(tǒng)交換位置信息，否則在位置中將總是存在某種程度的不確定性。這個(gè)交換發(fā)生所采用的實(shí)際方法是與這個(gè)限制無關(guān)的，重要的是交換要超過移動(dòng)過程的熵率[3]。因此，建立界限的一個(gè)關(guān)鍵問題是以一種適應(yīng)性方式特征化移動(dòng)過程。這就是在蜂窩移動(dòng)通信網(wǎng)絡(luò)中使用的一種稱為LeZi-update的最優(yōu)在線適應(yīng)位置管理算法[4]，它是在信息論的框架基礎(chǔ)上定義的，算法中并不假定節(jié)點(diǎn)的標(biāo)準(zhǔn)移動(dòng)模型，而是學(xué)習(xí)節(jié)點(diǎn)移動(dòng)歷史，通過最小化熵而構(gòu)建一個(gè)統(tǒng)一移動(dòng)模型，并以高度的準(zhǔn)確性預(yù)測未來位置。換句話說，LeZi-update算法提供了一種與模型無關(guān)的解決方案，管理與節(jié)點(diǎn)移動(dòng)相關(guān)的不確定性。這個(gè)框架通用性強(qiáng)，并可適用于其他上下文，如活動(dòng)預(yù)測、資源提供、異常檢測等。
    MavHome智能家居的樓層平面圖如圖2所示，通過放置多個(gè)傳感器將室內(nèi)分成若干覆蓋區(qū)。當(dāng)系統(tǒng)需要聯(lián)系居民時(shí)，將發(fā)起一個(gè)位置預(yù)測機(jī)制。為了控制位置不確定性，系統(tǒng)依賴于由傳感器采集到的位置信息，它能幫助減少后續(xù)預(yù)測的搜索空間。如圖3所示，樓層平面圖可以表示為一個(gè)連通圖G=(V，E)，其中節(jié)點(diǎn)集合V={a，b，c，…}由傳感器來代表的分割區(qū)域，邊集合E表示一對區(qū)域之間的鄰居鄰接關(guān)系。當(dāng)從一個(gè)區(qū)移動(dòng)到另一個(gè)區(qū)，居民沿一條路線穿過一組傳感器。例如，在平面圖中，從起居室運(yùn)動(dòng)到餐廳，可以表示為傳感器集合{l，d}。

    LeZi-update框架使用一個(gè)符號(hào)空間，將智能環(huán)境的監(jiān)測區(qū)表示為一個(gè)字母符號(hào)，因此捕捉到的居民移動(dòng)歷史數(shù)據(jù)為一個(gè)符號(hào)串。雖然在得到精確位置坐標(biāo)中地理位置數(shù)據(jù)是有用的，但符號(hào)信息去除了頻繁轉(zhuǎn)換坐標(biāo)的負(fù)擔(dān)，并能夠在不同網(wǎng)絡(luò)間取得通用性。符號(hào)表示也幫助人們層次化地將室內(nèi)連通的基礎(chǔ)設(shè)施抽象為不同粒度等級。這個(gè)形式化中的策略是，每個(gè)節(jié)點(diǎn)具有一些移動(dòng)模式，這能夠以在線方式學(xué)習(xí)到[5]。本質(zhì)上說，假定節(jié)點(diǎn)路線是固有且可壓縮的，并允許應(yīng)用通用的數(shù)據(jù)壓縮算法，但針對靜態(tài)遍歷的隨機(jī)過程而言即是最小化源熵。
在LeZi-update中，符號(hào)(代表傳感器的標(biāo)示)以塊方式處理，并保留符號(hào)的整個(gè)序列，直到最后以一種壓縮編碼形式報(bào)告更新。例如，令ajllojhhaajllooaajll為任意時(shí)刻居民的移動(dòng)歷史。這個(gè)符號(hào)串可作為不同子串進(jìn)行分析，即a，j，l，lo，o，jh，h，aa，jl，loo，ja，aj，ll，oo，jaa，jll等。如圖4所示，這樣一個(gè)符號(hào)式的上下文模型，基于可變長度到固定長度的編碼，能夠高效地存儲(chǔ)于一個(gè)trie樹實(shí)現(xiàn)的字典之中。本質(zhì)上來說，居民的移動(dòng)是作為編碼器，而系統(tǒng)作為一個(gè)解碼器。通過積累越來越大的上下文，從傳統(tǒng)的位置更新切換到線路更新，人們可影響系統(tǒng)范例型。對于具有n個(gè)符號(hào)的靜態(tài)各態(tài)遍歷源，這個(gè)框架取得漸進(jìn)最優(yōu)效果。

    LeZi-update機(jī)制的一個(gè)主要目標(biāo)是通過系統(tǒng)尋找位置不確定的節(jié)點(diǎn)，就節(jié)點(diǎn)移動(dòng)概要而言，是要為預(yù)測過程賦予充足的信息。在trie樹中的每個(gè)節(jié)點(diǎn)保留有更新機(jī)制提供的在當(dāng)前上下文中的相關(guān)頻率。因此，假定jll是最新的更新消息，則有用的上下文是它的前綴，即jl、j和Λ。在這個(gè)上下文中帶有頻率的所有可預(yù)測路由見表1，遵循部分匹配預(yù)測的混合技術(shù)，概率計(jì)算從trie樹的葉子節(jié)點(diǎn)開始，離開走向較低層，直到到達(dá)根時(shí)才停止計(jì)算。依據(jù)不充分推測原理[6]，每個(gè)短語的概率依據(jù)它們在特定短語中的相對發(fā)生次數(shù)而分布于各符號(hào)之間。在這個(gè)上下文中累加從所有可能短語中出現(xiàn)的概率，并將這些概率求和，計(jì)算得到每個(gè)區(qū)的總駐留概率。以這個(gè)駐留概率的降序輪詢各區(qū)，確定最優(yōu)預(yù)測順序。

    總體而言，將信息論的方法應(yīng)用到位置預(yù)測，這是為了維護(hù)準(zhǔn)確位置信息而交換的最少信息得以量化，提供了特征化移動(dòng)性的一種在線方法，另外賦予了一個(gè)最優(yōu)預(yù)測序列[7]。通過學(xué)習(xí)過程，這種方法可用來構(gòu)建一個(gè)較高階移動(dòng)模型，因此就不用假定一個(gè)有限模型，所以將熵最小化并產(chǎn)生最優(yōu)性能。
    雖然基本的LeZi-update算法僅用來從過去移動(dòng)模式預(yù)測當(dāng)前位置，但這種方法也可擴(kuò)展到預(yù)測在智能家庭中居民的可能未來路線，也可用于異構(gòu)環(huán)境。路由預(yù)測利用信息論中的漸近均分性質(zhì)，該性質(zhì)斷言，對一個(gè)隨機(jī)過程X，具有熵H(X)，以概率1觀測到的長度為n的不同路徑數(shù)為2H(X)。換句話說，對于充分大的n，概率變量的大部分僅集中于路線的一個(gè)小子集，它包括居民的最可能路線，并捕獲呈現(xiàn)大長度序列的平均性質(zhì)。據(jù)此，該算法成功地預(yù)測可能路徑中的一個(gè)相對小的集合。之后，智能家居系統(tǒng)能夠依據(jù)這個(gè)信息行動(dòng)，方法是以一個(gè)最小的、高效的方式激活資源。實(shí)驗(yàn)表明，在一個(gè)典型的智能家居環(huán)境中，這里的預(yù)測框架能夠節(jié)省的能量高達(dá)70%。預(yù)測的準(zhǔn)確性達(dá)到86%[8]。
    智能家居系統(tǒng)中關(guān)鍵的問題是對居民位置和居民動(dòng)作進(jìn)行預(yù)測，自動(dòng)作出決策。高效預(yù)測算法提供如下幾個(gè)方面的有用信息，即環(huán)境中設(shè)備和任務(wù)的未來位置和活動(dòng)、自動(dòng)化活動(dòng)、優(yōu)化設(shè)計(jì)和控制方法，并識(shí)別異常。這些技術(shù)降低了維護(hù)一個(gè)家庭的工作負(fù)擔(dān)，降低能量的消耗，并能給老年人和殘疾人員帶來特殊的益處[9]。在未來，這些能力將轉(zhuǎn)化為一個(gè)混合環(huán)境族，如智能辦公室、智能道路、智能汽車等，通過這些智能環(huán)境，用戶可以在日常生活中感受到自動(dòng)化的益處。
參考文獻(xiàn)
[1] 王玲芳，費(fèi)嵐.移動(dòng)無線傳感器網(wǎng)-原理、應(yīng)用和發(fā)展方向[M].北京：機(jī)械工業(yè)出版社，2010.
[2] COVER T M， THOMAS. Elements of Information Theory. Wiley， 2002.
[3] DAS S， COOK D J， BHATTACHARYA A， et al. The role of prediction algorithms in the MavHome smart home architecture. IEEE Wireless Communications， 2003.
[4] ZIV J， LEMPEL A. Compression of individual sequences via variable rate coding. IEEE Trans. Inform. Theory， 24(5)：530-536.
[5] 董印明，劉家恒，梅剛.智能小區(qū)的網(wǎng)絡(luò)技術(shù)[J]， 煤炭技術(shù)，2004(23)：21-22.
[6] RISSANEN J.， Stochastic Complexity in Statistical Inquiry. World Scientific Publishers， 1989.
[7] DAS S K， ROSE C. Coping with uncertainty in wireless mobile networks. Proc. IEEE Personal， Indoor and Mobile Radio Commnunications， Conf.， Barcelona， Spain， 2004，9.
[8] ROY A， DAS S K， BHAUMIK A. et al. Location aware resource management in smart homes， Proc.IEEE Int. Conf. Pervasive Computing and Communications， 2003： 481- 488.
[9] 戚振興,淺議我國智能家居發(fā)展[J].廣西輕工業(yè)，2009,
10(10)：63-64.