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。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)居民下一動作和關(guān)鍵移動模式中處于重要地位。家居系統(tǒng)可以根據(jù)居民過去移動模式和以前觀察到的居民與各種設(shè)備之間的交互動作,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?。位置是上下文的最常見范例之一,因此通過預(yù)測人們的位置準(zhǔn)確地跟蹤居民的移動,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?,因此這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)移動過程熵率的量最優(yōu)地跟蹤移動性是不可能的。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)性方式特征化移動過程。這就是在蜂窩移動通信網(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)移動模型,而是學(xué)習(xí)節(jié)點(diǎn)移動歷史,通過最小化熵而構(gòu)建一個(gè)統(tǒng)一移動模型,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)符號空間,將智能環(huán)境的監(jiān)測區(qū)表示為一個(gè)字母符號,因此捕捉到的居民移動歷史數(shù)據(jù)為一個(gè)符號串。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(代表傳感器的標(biāo)示)以塊方式處理,并保留符號的整個(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)刻居民的移動歷史。這個(gè)符號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,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作進(jìn)行預(yù)測,自動作出決策。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、自動化活動、優(yōu)化設(shè)計(jì)和控制方法,并識別異常。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化的益處。
參考文獻(xiàn)
[1] 王玲芳,費(fèi)嵐.移動無線傳感器網(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.