智能家庭中执行器设备状态预测的多标签增量学习方法

《IEEE Open Journal of the Computer Society》：Multi-label Incremental Learning for State Prediction of Actuator Devices in Smart Homes

　　

摘要：

智能家居系统所涉及的主要方面包括活动分类、行为模式预测、能耗降低以及执行器状态预测。一旦检测到状态变化，智能家居系统就需要具备高度的响应能力。在此背景下，关键的考量因素既是响应时间，也是状态预测的准确性。然而，目前的许多方法依赖于深度学习模型，这类模型需要强大的计算能力，而且每当有新的设备属性出现时，往往还需要对系统架构进行修改。此外，相关研究大多集中在人类活动预测上，而非设备状态预测。在本研究中，我们专注于执行器状态预测，并提出了一种基于增量学习、动态时间窗口和数据流的灵活解决方案，该方案能够独立于底层活动识别方法，应对用户和设备数据结构的频繁变化。我们使用了四个数据集——一个来自CASAS，两个通过模拟生成，还有一个来自某志愿者的智能家居系统——来评估这些模型的微F1值和单次推理时间。测试结果表明，即使在最复杂的场景下，所有算法的推理延迟也都在毫秒级，这一数值对于实时智能家居操作来说几乎可以忽略不计。在预测性能方面，自适应随机森林、k最近邻分类器和极快决策树在不同配置下均取得了最高的微F1分数，其中自适应随机森林和极快决策树在准确性与响应速度之间达到了尤为理想的平衡，非常适合应用于实际的智能家居环境。