摘 要： 對智能家居系統軟件框架和工作過程進行簡要介紹，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算法應用于智能家居系統中的位置預測進行探討，采用上下文感知和熵率檢測方式對用戶位置進行預測，用連通圖方式仿真系統運行過程，用trie樹結構仿真數據流及熵率檢測過程。最后給出采用位置預測方案的系統節能效果。
關鍵詞： 信息論；智能家居；位置預測；LeZi-update
1 智能家居軟件體系架構
智能家居有時也稱為智能環境，它通過傳感器感知家庭的狀態，并通過設備控制器作用于環境，目的是最大化居民的居住舒適度并最小化家庭運行成本，實現低碳節能運行。為取得這個目標，智能家居系統必須能夠推理、學習、預測并適應居民的活動。以美國得克薩斯大學MavHome智能家居系統為例，其軟件架構如圖1所示，系統中各個智能體無縫連接，同時允許對任何支撐技術進行改進[1]。每個智能體分為四個協議層：決策層作出判定、決定動作；信息層負責收集信息并產生對決策層有用的推理；通信層負責智能體之間路由和共享信息；物理層控制相應環境硬件，如設備、變換器、網絡設備等。軟件組件模塊以分布式進程間通信接口方式連接。
智能家居的感知是一個自底向上的過程，傳感器監測環境變化，如有必要可將監測到的信息通過通信層傳遞給另一個智能體。數據庫記錄信息層中的記錄信息，據此更新它知道的概念和預測，并告知決策層新數據的存在。動作執行是信息流自頂向下的過程，決策層根據相關信息作出判定、選擇動作，同時將決策與信息層相關。更新數據庫后，通信層將動作信息傳遞給合適的效應器執行。如效應器為另一個智能體，則該智能體通過它的效應器將命令作為感知信息進行接收，并確定執行期望動作的最優方法。智能體通過專用接口可以與用戶、機器人和外部資源交互。
2 智能家居系統中的位置預測方案
智能家居系統在工作中必須依靠復雜工具進行智能信息構建，如學習、預測和作出自動化決策。其中學習和預測在確定家庭內居民下一動作和關鍵移動模式中處于重要地位。家居系統可以根據居民過去移動模式和以前觀察到的居民與各種設備之間的交互動作，在居民/房屋當前狀態的基礎上作出預測。預測結果遞交給一個決策判定算法，它為房屋選擇動作以滿足期望目標。預測方案建立在文本壓縮、在線學習和信息論基礎之上[2]。
智能家居系統是上下文感知的，即組合來自多個設備的輸入，能夠在沒有顯式手工輸入的情況下推斷出居民的意圖或屬性。位置是上下文的最常見范例之一，因此通過預測人們的位置準確地跟蹤居民的移動，對于智能環境是至關重要的。在位置感知應用中，預測也有助于資源的優化分配和效應器的激活。這種方法是基于位置信息的符號表示，它不是以絕對項目指定的，而是相對于對應訪問基礎設施拓撲的，因此這種方法是通用的或與技術/模型無關的。在概念層次，預測涉及一定形式的統計推理，其中需要使用居民過去移動歷史的一些樣本，提供居民個體未來位置的智能估計，以便降低與這個預測相關聯的位置不確定性。
假設居民的移動性具有重復模式，是能夠學習到的，且假定居民的移動過程是隨機的，可以證明如下結果：在系統和設備之間交換的消息以小于隨機移動過程熵率的量最優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據，以及未來位置的最優可能預測器，除非設備和系統交換位置信息，否則在位置中將總是存在某種程度的不確定性。這個交換發生所采用的實際方法是與這個限制無關的，重要的是交換要超過移動過程的熵率[3]。因此，建立界限的一個關鍵問題是以一種適應性方式特征化移動過程。這就是在蜂窩移動通信網絡中使用的一種稱為LeZi-update的最優在線適應位置管理算法[4]，它是在信息論的框架基礎上定義的，算法中并不假定節點的標準移動模型，而是學習節點移動歷史，通過最小化熵而構建一個統一移動模型，并以高度的準確性預測未來位置。換句話說，LeZi-update算法提供了一種與模型無關的解決方案，管理與節點移動相關的不確定性。這個框架通用性強，并可適用于其他上下文，如活動預測、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，通過放置多個傳感器將室內分成若干覆蓋區。當系統需要聯系居民時，將發起一個位置預測機制。為了控制位置不確定性，系統依賴于由傳感器采集到的位置信息，它能幫助減少后續預測的搜索空間。如圖3所示，樓層平面圖可以表示為一個連通圖G=(V，E)，其中節點集合V={a，b，c，…}由傳感器來代表的分割區域，邊集合E表示一對區域之間的鄰居鄰接關系。當從一個區移動到另一個區，居民沿一條路線穿過一組傳感器。例如，在平面圖中，從起居室運動到餐廳，可以表示為傳感器集合{l，d}。
LeZi-update框架使用一個符號空間，將智能環境的監測區表示為一個字母符號，因此捕捉到的居民移動歷史數據為一個符號串。雖然在得到精確位置坐標中地理位置數據是有用的，但符號信息去除了頻繁轉換坐標的負擔，并能夠在不同網絡間取得通用性。符號表示也幫助人們層次化地將室內連通的基礎設施抽象為不同粒度等級。這個形式化中的策略是，每個節點具有一些移動模式，這能夠以在線方式學習到[5]。本質上說，假定節點路線是固有且可壓縮的，并允許應用通用的數據壓縮算法，但針對靜態遍歷的隨機過程而言即是最小化源熵。
在LeZi-update中，符號(代表傳感器的標示)以塊方式處理，并保留符號的整個序列，直到最后以一種壓縮編碼形式報告更新。例如，令ajllojhhaajllooaajll為任意時刻居民的移動歷史。這個符號串可作為不同子串進行分析，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trie樹實現的字典之中。本質上來說，居民的移動是作為編碼器，而系統作為一個解碼器。通過積累越來越大的上下文，從傳統的位置更新切換到線路更新，人們可影響系統范例型。對于具有n個符號的靜態各態遍歷源，這個框架取得漸進最優效果。
LeZi-update機制的一個主要目標是通過系統尋找位置不確定的節點，就節點移動概要而言，是要為預測過程賦予充足的信息。在trie樹中的每個節點保留有更新機制提供的在當前上下文中的相關頻率。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。在這個上下文中帶有頻率的所有可預測路由見表1，遵循部分匹配預測的混合技術，概率計算從trie樹的葉子節點開始，離開走向較低層，直到到達根時才停止計算。依據不充分推測原理[6]，每個短語的概率依據它們在特定短語中的相對發生次數而分布于各符號之間。在這個上下文中累加從所有可能短語中出現的概率，并將這些概率求和，計算得到每個區的總駐留概率。以這個駐留概率的降序輪詢各區，確定最優預測順序。
總體而言，將信息論的方法應用到位置預測，這是為了維護準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，另外賦予了一個最優預測序列[7]。通過學習過程，這種方法可用來構建一個較高階移動模型，因此就不用假定一個有限模型，所以將熵最小化并產生最優性能。
雖然基本的LeZi-update算法僅用來從過去移動模式預測當前位置，但這種方法也可擴展到預測在智能家庭中居民的可能未來路線，也可用于異構環境。路由預測利用信息論中的漸近均分性質，該性質斷言，對一個隨機過程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小子集，它包括居民的最可能路線，并捕獲呈現大長度序列的平均性質。據此，該算法成功地預測可能路徑中的一個相對小的集合。之后，智能家居系統能夠依據這個信息行動，方法是以一個最小的、高效的方式激活資源。實驗表明，在一個典型的智能家居環境中，這里的預測框架能夠節省的能量高達70%。預測的準確性達到86%[8]。
智能家居系統中關鍵的問題是對居民位置和居民動作進行預測，自動作出決策。高效預測算法提供如下幾個方面的有用信息，即環境中設備和任務的未來位置和活動、自動化活動、優化設計和控制方法，并識別異常。這些技術降低了維護一個家庭的工作負擔，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，這些能力將轉化為一個混合環境族，如智能辦公室、智能道路、智能汽車等，通過這些智能環境，用戶可以在日常生活中感受到自動化的益處。
參考文獻
[1] 王玲芳，費嵐.移動無線傳感器網-原理、應用和發展方向[M].北京：機械工業出版社，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.智能小區的網絡技術[J]， 煤炭技術，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展[J].廣西輕工業，2009,
10(10)：63-64.