徐雅蕓，曾 碧，梁天愷，廖文雄

廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，廣州510006

1 引言

智能家居是一種利用現(xiàn)代先進(jìn)科學(xué)技術(shù)研發(fā)出的家居模式。具有便利性、安全性、智能化等特點(diǎn)。智能家居發(fā)展經(jīng)過了三個(gè)階段，第一階段是用App遠(yuǎn)程控制家電的單品；第二階段是多個(gè)電器間相互感應(yīng)的智能互動(dòng)，以上兩個(gè)階段均為低智能階段，均需要通過手機(jī)來操作[1-2]；第三階段是家居產(chǎn)品與人工智能的深入結(jié)合，賦予家居產(chǎn)品人性化，擺脫手機(jī)的操控，通過自主學(xué)習(xí)、主動(dòng)記憶、自主決策為用戶提供舒適的生活[3-4]。

智能家居行業(yè)正在改革，從以往只是簡(jiǎn)單的場(chǎng)景選擇、條件觸發(fā)等一些“人為觸發(fā)”的功能，升級(jí)為預(yù)測(cè)操控行為、降低設(shè)備能耗的更加“智能化”的家居產(chǎn)品[5-6]。

目前，國(guó)內(nèi)外學(xué)者對(duì)家居智能化控制的研究已有一定的成果。Channe等[7]提出一種基于Apriori算法挖掘用戶日常生活中頻繁行為習(xí)慣的方法，該方法挖掘出不包含時(shí)間特征的頻繁操控序列，用戶一天的操控行為重復(fù)率較高，若不包含時(shí)間信息，可能會(huì)導(dǎo)致不同時(shí)間段的操控行為混亂，且隨著一年季節(jié)的變化，用戶操控行為也會(huì)隨之變化，使該方法預(yù)測(cè)結(jié)果誤差較大。為了能夠融合時(shí)間特征來自主學(xué)習(xí)用戶的行為習(xí)慣，Choi等[8]提出了一種基于深度學(xué)習(xí)框架來預(yù)測(cè)家庭中的各種活動(dòng)，采用兩種算法DBN-ANN和DBN-R挖掘用戶行為，但預(yù)測(cè)準(zhǔn)確率均約為50%，準(zhǔn)確率不高，學(xué)習(xí)能力有待提高。其次，為提高網(wǎng)絡(luò)模型的學(xué)習(xí)能力以及預(yù)測(cè)準(zhǔn)確率，張煒[9]提出以單隱含層的BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）預(yù)測(cè)模型為核心，根據(jù)環(huán)境數(shù)據(jù)來預(yù)測(cè)智能設(shè)備狀態(tài)，預(yù)測(cè)的準(zhǔn)確度達(dá)85%，但BPNN對(duì)非線性特征學(xué)習(xí)能力依舊較低。類似地，毛博等[10]提出了一種基于深度學(xué)習(xí)的智能家居控制方案，采用自編碼網(wǎng)絡(luò)構(gòu)建設(shè)備操控模型，通過逐層無(wú)監(jiān)督預(yù)訓(xùn)練挖掘設(shè)備特征，核心控制模型采用五層的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)環(huán)境數(shù)據(jù)預(yù)測(cè)設(shè)備狀態(tài)，但是該模型針對(duì)的是高度定制化的家庭環(huán)境，通用性較差?？紤]到非遞歸神經(jīng)網(wǎng)絡(luò)對(duì)非線性特征學(xué)習(xí)能力差的因素，包曉安等[11]提出一種基于LSTM的智能家居系統(tǒng)預(yù)測(cè)模型，挖掘環(huán)境數(shù)據(jù)特征之間的關(guān)聯(lián)度，從而預(yù)測(cè)家居設(shè)備的狀態(tài)，但是該模型并未關(guān)注設(shè)備與設(shè)備之間的關(guān)聯(lián)性。

綜上國(guó)內(nèi)外學(xué)者的智能家居設(shè)計(jì)方案，在一定程度上提高了家居的智能化，但還存在三個(gè)主要問題：第一，網(wǎng)絡(luò)模型設(shè)計(jì)單一，只針對(duì)家庭環(huán)境中的某一家居設(shè)備的操作狀態(tài)進(jìn)行挖掘，忽略了設(shè)備與設(shè)備之間的關(guān)聯(lián)性；第二，智能家居的“智能性”不足，僅根據(jù)環(huán)境因素與家居設(shè)備之間關(guān)系，觸發(fā)家居設(shè)備狀態(tài)的轉(zhuǎn)換，沒有考慮用戶的需求，缺乏人性化設(shè)計(jì)；第三，預(yù)測(cè)結(jié)果不具時(shí)效性，沒有涉及家居設(shè)備狀態(tài)轉(zhuǎn)換的具體時(shí)間，采用時(shí)間間隔的方法導(dǎo)致預(yù)測(cè)時(shí)間尺度粗，預(yù)測(cè)結(jié)果精準(zhǔn)度低等問題。

為此本文提出了一種基于帶雙層注意力機(jī)制的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（Bidirectional Gated Recurrent Unit-Double Attention，BiGRU-DAtt）模型的智能家居用戶行為預(yù)測(cè)方法，該方法利用改進(jìn)的GRU網(wǎng)絡(luò)和雙層注意力機(jī)制的特殊結(jié)構(gòu)挖掘用戶的操控習(xí)慣，使得模型得到充分的訓(xùn)練，從而更加準(zhǔn)確地預(yù)測(cè)用戶下一時(shí)刻的操控設(shè)備、操控狀態(tài)、操控時(shí)間，實(shí)現(xiàn)了具有時(shí)效性的用戶行為預(yù)測(cè)，具備學(xué)習(xí)人類意圖的能力和對(duì)人類行為的預(yù)測(cè)，使得智能家居更加“智能化”。

2 BiGRU-DAtt模型

不同于傳統(tǒng)的智能家居行為預(yù)測(cè)方法，在實(shí)際預(yù)測(cè)中，精準(zhǔn)分析將提升智能家居的智能性。受文獻(xiàn)[12]的啟發(fā)，本文提出的基于BiGRU-DAtt模型的用戶行為預(yù)測(cè)方法，針對(duì)智能家居用戶操控?cái)?shù)據(jù)具有對(duì)稱性以及服從冪律分布的特點(diǎn)所設(shè)計(jì)，可根據(jù)用戶歷史操控記錄預(yù)測(cè)下一時(shí)刻用戶的操控行為及操控時(shí)間。BiGRU-DAtt模型主要由BiGRU層和雙層attention構(gòu)成。具體的模型結(jié)構(gòu)如圖1所示。

圖1 BiGRU-DAtt模型結(jié)構(gòu)

2.1 GRU

GRU（Gated Recurrent Unit）[13]是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN（Recurrent Neural Network）的一種，RNN擅長(zhǎng)處理序列數(shù)據(jù)，例如語(yǔ)音、文本序列等，但RNN只具備處理一定間隔信息的能力，如果信息間隔太遠(yuǎn)，會(huì)出現(xiàn)難以關(guān)聯(lián)的問題以及嚴(yán)重的梯度彌散和梯度爆炸，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)通過門控單元很好地解決了這些問題。LSTM（Long Short Term Memory）[14]中引入了三個(gè)門函數(shù)：輸入門、遺忘門和輸出門來控制輸入值、記憶值和輸出值。在RNN的基礎(chǔ)上增加了對(duì)過去狀態(tài)的過濾，從而可以選擇哪些狀態(tài)對(duì)當(dāng)前更有影響，而不是簡(jiǎn)單地選擇最近的狀態(tài)。但LSTM網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，網(wǎng)絡(luò)參數(shù)較多，性能受到很大地限制。GRU結(jié)合LSTM的單元狀態(tài)和隱層狀態(tài)的基本結(jié)構(gòu)，保留了LSTM對(duì)梯度消失問題的抗力，但其內(nèi)部結(jié)構(gòu)更加簡(jiǎn)單，更新隱藏狀態(tài)時(shí)需要的計(jì)算也更少，因此訓(xùn)練得更快。

有別于LSTM單元中的輸入門、遺忘門和輸出門，GRU單元由兩個(gè)門組成，分別是更新門z和重置門r。上一時(shí)刻的隱層輸出對(duì)當(dāng)前隱層的影響程度由更新門z控制，更新門的值越大說明上一時(shí)刻的隱層輸出對(duì)當(dāng)前隱層的影響越大；上一時(shí)刻的隱層信息被忽略的程度由重置門r控制，重置門的值越小說明忽略得越多。GRU模型結(jié)構(gòu)如圖2所示。

在t時(shí)刻，GRU網(wǎng)絡(luò)模型各單元組成部分的更新公式如下所示：

圖2 GRU模型結(jié)構(gòu)

2.2 BiGRU

文獻(xiàn)[15]發(fā)現(xiàn)智能家居數(shù)據(jù)呈現(xiàn)出經(jīng)典的Zipf或冪律分布，類似于語(yǔ)音與文本數(shù)據(jù)，數(shù)據(jù)前后的信息存在關(guān)聯(lián)，即某一時(shí)刻的操控行為與前一時(shí)刻和后一時(shí)刻的操控行為都有聯(lián)系。因此，為了充分利用前后行為信息，更好地挖掘出用戶的行為習(xí)慣，本文采用雙向GRU神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)模型在處理文本數(shù)據(jù)方面已有較成熟的應(yīng)用。相比于傳統(tǒng)的單向神經(jīng)網(wǎng)絡(luò)，雙向GRU神經(jīng)網(wǎng)絡(luò)由前后狀態(tài)共同決定，該方法是由兩個(gè)方向相反的單向GRU神經(jīng)網(wǎng)絡(luò)組成，其中是前向GRU神經(jīng)網(wǎng)絡(luò)在t時(shí)刻的輸出，是后向GRU神經(jīng)網(wǎng)絡(luò)在t時(shí)刻的輸出，所以時(shí)刻t的輸出為前后向的拼接，即其模型結(jié)構(gòu)如圖3所示。

圖3 BiGRU模型結(jié)構(gòu)

2.3 注意力機(jī)制

智能家居用戶行為具有隨機(jī)性，但無(wú)序的行為序列中存在著某種有序性[16]。例如：用戶在某一時(shí)刻打開某一設(shè)備，一定會(huì)在將來的某一時(shí)刻關(guān)閉此設(shè)備，因此智能家居設(shè)備操控?cái)?shù)據(jù)具有對(duì)稱性，為了能夠關(guān)注與預(yù)測(cè)具有對(duì)稱性的行為，本文采用雙層注意力機(jī)制。第一層注意力機(jī)制目的是關(guān)注相近操控行為中是否具有對(duì)稱性，即用戶通常會(huì)在短時(shí)間內(nèi)做出具有對(duì)稱性的操控行為，例如：用戶在晚上8：00去廚房拿牛奶，他會(huì)打開廚房燈拿完牛奶后關(guān)閉廚房燈，（開廚房燈，關(guān)廚房燈）屬于一組對(duì)稱性操控行為，第一層注意力機(jī)制會(huì)重點(diǎn)關(guān)注對(duì)稱的相近操控行為；第二層注意力機(jī)制目的是關(guān)注用戶的全天操控序列中具有對(duì)稱性的操控行為，當(dāng)具有對(duì)稱性的操控行為間隔很遠(yuǎn)，例如，用戶晚上在廚房做飯，會(huì)發(fā)生（開廚房燈，開抽煙機(jī)，開電磁爐，…，關(guān)廚房燈）這樣一組操控序列，（開廚房燈，關(guān)廚房燈）這一組對(duì)稱行為相距間隔較長(zhǎng)，第一層注意力機(jī)制并不能捕獲到這類相隔較遠(yuǎn)的對(duì)稱行為，因此本文采用第二層注意力機(jī)制，重點(diǎn)關(guān)注用戶一天操控行為中具有對(duì)稱性的行為。注意力機(jī)制是受到人類的選擇性視覺注意力機(jī)制的啟發(fā)[17]，如人類在觀察圖像的時(shí)候，其實(shí)并不會(huì)一次性將整張圖像的每個(gè)位置都看一遍，而是有選擇性地觀察圖像的特定部分，將注意力集中在含有圖像特征的區(qū)域，且人類會(huì)根據(jù)之前觀察的圖像信息，學(xué)習(xí)到將來要觀察的圖像注意力應(yīng)該集中的地方，從眾多信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息。Attention Model基本結(jié)構(gòu)如圖4所示。

圖4 注意力機(jī)制基本結(jié)構(gòu)

2.4 模型訓(xùn)練過程

（1）數(shù)據(jù)預(yù)處理

本文將用戶的歷史操控記錄按天存放，提取出用戶的操控設(shè)備、操控狀態(tài)及操控時(shí)間。首先需要將時(shí)間點(diǎn)數(shù)據(jù)進(jìn)行數(shù)值化處理，即將具體時(shí)間轉(zhuǎn)化為時(shí)間段，用于表示該用戶相鄰兩次操作的時(shí)間間隔，其次將不同設(shè)備的不同狀態(tài)進(jìn)行編碼。某用戶u的歷史操控記錄組成n天的操控記錄Su={Su1,Su2,…,Sun}，其中的第i天的操控序列表示為Sui={X1,X2,…,Xm},i∈n，第j條操控記錄表示為Xj={Dj,Cj,Tj},j∈m，其中D為操控設(shè)備，C為操控狀態(tài)，T為操控時(shí)間，將預(yù)處理后的這三維數(shù)據(jù)存入CSV文件中。由于操控設(shè)備、狀態(tài)、時(shí)間量綱不同，處于不同的數(shù)量級(jí)，因此需要對(duì)操控記錄進(jìn)行歸一化操作，歸一化公式如下：

其中，Xnorm為歸一化后的數(shù)據(jù)，X為原始數(shù)據(jù)，Xmax、Xmin分別為原始數(shù)據(jù)集的最大值和最小值。

因原始數(shù)據(jù)沒有標(biāo)簽，無(wú)法進(jìn)行模型訓(xùn)練，故本文借鑒RNN生成文本的思想[18]，設(shè)置滑動(dòng)窗口，將窗口長(zhǎng)度L的下一個(gè)輸入作為標(biāo)簽yL，該窗口長(zhǎng)度L需要根據(jù)模型驗(yàn)證結(jié)果進(jìn)行調(diào)整。

（2）BiGRU層

BiGRU層主要用于從輸入數(shù)據(jù)中深度地挖掘用戶的行為習(xí)慣。根據(jù)BiGRU神經(jīng)網(wǎng)絡(luò)模型圖，BiGRU當(dāng)前的隱層狀態(tài)由當(dāng)前輸入xt、(t-1)時(shí)刻向前的隱層狀態(tài)的輸出和反向輸出的三個(gè)部分共同決定，見圖3。通過BiGRU層的特征提取后，可以更加充分地學(xué)習(xí)行為序列之間的關(guān)系。輸入第i天操控序列的操控行為Xi:i+L，BiGRU層的輸出結(jié)果如下：

（3）第一層Attention Model

該層輸入數(shù)據(jù)為上一層BiGRU的輸出hi:i+L，此層主要是為了不同的操控行為分配相應(yīng)的概率權(quán)重，突出設(shè)定窗口內(nèi)行為序列的關(guān)鍵信息，進(jìn)一步提取用戶行為習(xí)慣。通過Attention Model動(dòng)態(tài)分配權(quán)重，學(xué)習(xí)到設(shè)定窗口L內(nèi)不同行為與預(yù)測(cè)行為的相關(guān)性u(píng)i:i+L即：

其中，Ww表示權(quán)重系數(shù)，bw表示偏置系數(shù)，將ui:i+L輸入softmax函數(shù)中，進(jìn)行歸一化處理，得到歸一化權(quán)重αi:i+L：

其中，uw表示隨機(jī)初始化的注意力矩陣。Attention機(jī)制向量E由attention機(jī)制分配的不同概率權(quán)重與各個(gè)隱層狀態(tài)的乘積的累加和，即：

最終第一層Attention Model的輸出是對(duì)設(shè)定窗口L內(nèi)每個(gè)操控行為的不同關(guān)注度為：

（4）第二層Attention Model

該層輸入數(shù)據(jù)為第一層Attention Model的輸出Fi:i+L={Fi,Fi+1,…,Fi+L}及用戶第i-1天的操控序列Sui-1={X1,X2,…,Xm}。將用戶一天的操控序列Sui-1，通過Embedding Layer轉(zhuǎn)換為分布式向量表示，合并第一層Attention Model的輸出Fi:i+L，共同作為第二層Attention Model的輸入序列，見圖1。不同于第一層Attention Model將窗口內(nèi)的操控行為X作為最小操作單元，第二層Attention Model將用戶一天的操控序列S作為最小操控單元。

通過第二層Attention機(jī)制的學(xué)習(xí)，可捕獲設(shè)定窗口以外行為序列的關(guān)鍵信息，不局限于特定區(qū)域的特征學(xué)習(xí)，更好地從用戶一天的行為序列中挖掘出用戶行為習(xí)慣。

（5）輸出層

輸出層的輸入為第二層Attention Model的輸出。利用全連接層對(duì)輸出層的輸入進(jìn)行相應(yīng)的計(jì)算，見圖1，從而得到含有時(shí)間信息的用戶行為預(yù)測(cè)結(jié)果。

BiGRU-DAtt模型的智能家居用戶行為預(yù)測(cè)流程框圖如圖5所示。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境

本文的驗(yàn)證實(shí)驗(yàn)的運(yùn)行環(huán)境是一臺(tái)具有16 GB內(nèi)存且配有型號(hào)為Intel?CoreTMi7-7770HQ的CPU和GTX1060顯卡的個(gè)人計(jì)算機(jī)，該計(jì)算機(jī)運(yùn)行Windows 10中文版操作系統(tǒng)。

圖5 智能家居用戶行為預(yù)測(cè)流程框圖

3.2 實(shí)驗(yàn)設(shè)置

3.2.1 對(duì)比算法

本實(shí)驗(yàn)實(shí)現(xiàn)了以下四種模型的對(duì)比：

（1）BP神經(jīng)網(wǎng)絡(luò)模型，該模型參考文獻(xiàn)[3]的方法，將數(shù)據(jù)輸入單隱含層的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練。

（2）LSTM模型，該模型參考文獻(xiàn)[5]的方法，將數(shù)據(jù)輸入LSTM后，根據(jù)LSTM的輸出值做相應(yīng)的處理。

（3）LSTM_Attention模型，該模型在LSTM后接attention層，并根據(jù)attention層的輸出值做相應(yīng)的處理。

（4）本文采用的BiGRU-DAtt模型。

3.2.2 評(píng)價(jià)指標(biāo)

本文涉及到用戶操控行為的分類和操控時(shí)間的回歸，因此采用召回率（recall）、精確率（precision）、F1、平均絕對(duì)誤差（MAE）、確定系數(shù)（R-square）作為評(píng)價(jià)指標(biāo)。Recall表示正樣本被預(yù)測(cè)為正樣本所占的比例，precision表示預(yù)測(cè)為正的樣本占正樣本的比例，F(xiàn)1值是精確率和召回率的調(diào)和均值，MAE為絕對(duì)誤差或L1范式的期望值，R-square是通過數(shù)據(jù)的變化來表征一個(gè)擬合的好壞。Recall、precision、F1、MAE、R-square的計(jì)算公式如下：式中的TP FN FP TN如表1所示，Y_actual是真實(shí)值，Y_predict是預(yù)測(cè)值，Y_mean是平均值。

表1 二分類結(jié)果混淆矩陣

3.3 實(shí)驗(yàn)數(shù)據(jù)

本節(jié)將利用由某智能公司提供的真實(shí)用戶操控記錄進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)包含某用戶376天合計(jì)557 372條的操控記錄，涉及9個(gè)智能家居設(shè)備。訓(xùn)練集和測(cè)試集按8∶2進(jìn)行劃分，分別用于模型訓(xùn)練和模型測(cè)試。本實(shí)驗(yàn)采用keras深度學(xué)習(xí)框架，使用hyperopt工具進(jìn)行神經(jīng)網(wǎng)絡(luò)調(diào)參。經(jīng)過多次迭代后，實(shí)驗(yàn)設(shè)置的超參數(shù)如表2。

表2 模型參數(shù)設(shè)置

采用本文提出的模型進(jìn)行實(shí)驗(yàn)，在其他模型參數(shù)不變的情況下，設(shè)置滑動(dòng)窗口長(zhǎng)度，將窗口長(zhǎng)度L的下一個(gè)輸入作為標(biāo)簽yL，不同窗口長(zhǎng)度L對(duì)應(yīng)的準(zhǔn)確率如圖6所示。

圖6 不同窗口長(zhǎng)度L對(duì)應(yīng)的準(zhǔn)確率

由圖6可知，窗口長(zhǎng)度太小或太大都容易導(dǎo)致預(yù)測(cè)結(jié)果的準(zhǔn)確率低。因此，本文設(shè)置窗口長(zhǎng)度為3。

3.4 實(shí)驗(yàn)結(jié)果與分析

各模型的用戶行為預(yù)測(cè)性能對(duì)比結(jié)果如表3、圖7所示。從precision值來看，BP模型最低，只有0.587 1，最高的是LSTM_Att模型，為0.878 5；從recall和F1來看，BiGRU-DAtt模型的值最高，其中BiGRU-DAtt模型的recall超過0.90。根據(jù)以上分析結(jié)果，表明相比于傳統(tǒng)的網(wǎng)絡(luò)模型，本文提出的模型對(duì)智能家居數(shù)據(jù)更有針對(duì)性，行為預(yù)測(cè)準(zhǔn)確度要高于其他三種模型。

表3 各模型行為預(yù)測(cè)性能對(duì)比

圖7 各模型行為預(yù)測(cè)性能對(duì)比

各模型的行為預(yù)測(cè)性能對(duì)比如圖7與圖8所示。從時(shí)間回歸各項(xiàng)指標(biāo)來看，BiGRU-DAtt模型對(duì)智能家居數(shù)據(jù)擬合得最好，R-square值為0.864，時(shí)間平均絕對(duì)誤差為100 s。

圖8 各模型行為預(yù)測(cè)性能對(duì)比

相比于遞歸神經(jīng)網(wǎng)絡(luò)模型而言，BP神經(jīng)網(wǎng)絡(luò)模型存在對(duì)非線性特征學(xué)習(xí)不充分的缺點(diǎn)，導(dǎo)致無(wú)法獲得多維特征之間的關(guān)系；傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)模型雖能進(jìn)行非線性特征學(xué)習(xí)，但對(duì)智能家居數(shù)據(jù)沒有針對(duì)性且模型結(jié)構(gòu)不具備通用性，實(shí)驗(yàn)結(jié)果表明，本文針對(duì)智能家居數(shù)據(jù)特點(diǎn)所設(shè)計(jì)的BiGRU-DAtt模型具有更好的性能。

4 結(jié)束語(yǔ)

為了更好地實(shí)現(xiàn)智能家居用戶行為預(yù)測(cè)，提高智能家居的智能化水平，本文提出了一種基于BiGRU-DAtt的神經(jīng)網(wǎng)絡(luò)模型，該模型針對(duì)智能家居用戶操控?cái)?shù)據(jù)特點(diǎn)，一方面，采用雙向GRU模型挖掘用戶行為前后關(guān)聯(lián)；另一方面，通過雙層注意力機(jī)制，進(jìn)一步提取用戶行為習(xí)慣，避免特定區(qū)域的特征學(xué)習(xí)，提升了模型的通用性。本文選取某智能公司提供的真實(shí)用戶操控?cái)?shù)據(jù)與傳統(tǒng)的網(wǎng)絡(luò)模型進(jìn)行了多次重復(fù)對(duì)比實(shí)驗(yàn)，結(jié)果表明，本文的方法與傳統(tǒng)的基于人工邏輯控制方法、淺層神經(jīng)網(wǎng)絡(luò)模型以及傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)模型相比有較高的準(zhǔn)確率。

然而，隨著數(shù)據(jù)量的增大，注意力機(jī)制需要進(jìn)一步處理信息且需存儲(chǔ)相應(yīng)的權(quán)重信息，增加了系統(tǒng)的開銷。其次，隨著智能家居產(chǎn)業(yè)爆發(fā)式增長(zhǎng)，智能家居生態(tài)越發(fā)成熟，除了處理用戶行為特征外，智能家居環(huán)境數(shù)據(jù)將被作為特征進(jìn)行考慮。因此，如何實(shí)現(xiàn)綜合考慮多維度數(shù)據(jù)特征，提高系統(tǒng)對(duì)海量數(shù)據(jù)的適應(yīng)力，進(jìn)一步提高系統(tǒng)的學(xué)習(xí)能力與準(zhǔn)確率，是下一步的研究?jī)?nèi)容。