樊其鋒 黑繼偉 呂闖 龐敏 尚喆 夏云龍 邢志鋼

廣東美的制冷設備有限公司 廣東佛山 528000

0 引言

近幾年，隨著物聯(lián)網(wǎng)[1]和智能化的發(fā)展，各家電廠商逐步從傳統(tǒng)的制造技術(shù)向基于物聯(lián)網(wǎng)的智能家居[2]轉(zhuǎn)型。行業(yè)競爭日益明顯，為了提升競爭力，需要不斷探索新的領域。基于用戶行為進行算法建模，為用戶提供精確的空調(diào)控制推薦服務至關重要。但是，用戶行為習慣方面具有一定的差異性，例如：冷熱喜好、節(jié)能需求、睡眠場景等，也會很大程度上影響推薦的準確性。本文研究基于行為曲線的用戶協(xié)同過濾推薦算法，該算法可以充分反映人群在不同場景和習慣上的差異性，推薦的操作更加準確和舒適，提升用戶體驗和黏性，促進空調(diào)行業(yè)的智能化發(fā)展。

1 相關工作

空調(diào)行為推薦具有非常重要的意義：對用戶而言，可以讓空調(diào)使用更加便捷；對空調(diào)廠商而言，可以增強用戶黏性，提升用戶使用體驗，最終提升銷量。目前，主要分為用戶研究和智能推薦。用戶研究以問卷法、入戶訪談等方法為主。近幾年，互聯(lián)網(wǎng)行業(yè)得到飛速發(fā)展，大數(shù)據(jù)和人工智能更是炙手可熱[3]，推薦方法不僅僅局限于傳統(tǒng)的統(tǒng)計，而是升級到了基于算法與大數(shù)據(jù)的智能推薦。智能推薦主要包括基于分類回歸、協(xié)同過濾等[9]。

基于分類回歸的推薦算法包括貝葉斯、KNN等算法[4]。貝葉斯分類是通過給出的待分類項，求解在此項出現(xiàn)的條件下各類別出現(xiàn)的概率，概率最大的分類項，則被認為此項所屬的類別；K近鄰是通過找出訓練集中與該實例相似度最大的K個實例，并根據(jù)這K個實例的類別確定該實例的類別。

協(xié)同過濾（CF）算法，分為User-based和Item-based兩類[7]。Userbased協(xié)同過濾算法[6]是找出一個用戶的相似偏好集合，根據(jù)相似用戶的偏好預測該用戶的行為；Item-based協(xié)同過濾算法[5]則通過計算用戶對不同內(nèi)容的偏好程度，從而預測用戶的行為。

此外，智能推薦還可提供個性化的推薦服務[8]。其中，基于用戶行為的自學習推薦[10,11,15]，也具有較好的運用。

本文采用了基于行為曲線的用戶協(xié)同過濾控制推薦算法：UBCbased CF，根據(jù)用戶行為曲線相似度，找到相似行為用戶，從而根據(jù)相似用戶的空調(diào)操作進行推薦。該算法反映了人群在不同場景和習慣上的差異性，推薦的操作更加準確和舒適。

2 UBC-based CF推薦控制

本章詳細介紹空調(diào)行為推薦的流程?？傮w架構(gòu)如圖1所示。首先，提取用戶的歷史操作行為曲線，以表示該用戶；然后，通過計算行為曲線的相似度，來評估每個用戶與該用戶的相似度；接著，查找距離該用戶最近的K個鄰居，通過協(xié)同過濾算法獲取推薦值，實現(xiàn)空調(diào)的智能化控制。

圖1 協(xié)同過濾推薦流程圖

接下來，將分別從用戶表示、計算行為曲線相似度、計算用戶行為相似度、協(xié)同過濾推薦這幾個部分進行闡述。

2.1 用戶表示

從物聯(lián)網(wǎng)空調(diào)上收集用戶操作行為數(shù)據(jù)，主要包括操作時間（開關機、調(diào)節(jié)溫度、調(diào)節(jié)風速等發(fā)生的時間）、開關機、設置模式、設置溫度等數(shù)據(jù)。本文以操作行為來表示用戶。

經(jīng)過歷史行為統(tǒng)計發(fā)現(xiàn)：用戶對空調(diào)的操作60%會出現(xiàn)在開機10分鐘內(nèi)，80%出現(xiàn)在30分鐘內(nèi)，90%出現(xiàn)在2小時內(nèi)。因此，用戶操作的時間序列對行為分析具有很大的影響。

本文通過提取空調(diào)運行過程中的時間階段特征，以時間為X值，用戶設置溫度、風速、開關機等分別為Y值，建立行為曲線。下面以設置溫度為例對用戶行為曲線（設置溫度）的生成過程進行詳細闡述。

（1）生成行為曲線：以時間序列為X軸，以設置溫度為Y軸，建立二維空間坐標系。

（2）行為曲線歸一化：由于受到氣候環(huán)境的影響，用戶的使用時長不同；而且，較短的使用記錄，并不能反映空調(diào)從開機到達溫再到穩(wěn)定的過程。因此，首先把使用時長小于2小時的行為作為“噪聲”剔除，然后以用戶使用時間100%對用戶行為曲線進行拉升或壓縮，使得其在相同的時間范圍內(nèi)，以完成歸一化。如圖2所示。

圖2 用戶行為曲線

因此，用戶可表示為L={L1,L2,L3,……,Ln}，包含了用戶的設置溫度、風速、開關機等空調(diào)操作行為信息。其中L1可表示設置溫度行為曲線，L2可表示設置風速行為曲線，L3可表示開關機行為曲線……

2.2 計算行為曲線相似度

行為曲線相似度能夠表示兩個用戶空調(diào)某個操作使用行為的一致性，對于尋找高度相似的鄰居，提升算法推薦準確率至關重要。

本節(jié)主要介紹行為曲線相似度的計算方法。首先，通過積分公式計算兩條曲線面積的交集和并集；然后，以此計算曲線面積的Jaccard系數(shù)作為這兩條行為曲線的相似度。其中相同的用戶每次使用均為一條獨立的行為曲線。

假設有2個用戶行為a和b，設置溫度曲線分別為La和Lb，如圖3所示。

圖3 行為曲線相似度

把曲線的時間軸劃分成正無窮個時間間隔；

對于任何一個間隔i，行為a和b的設置溫度分別為Ti,a和Ti,b，計算該間隔的最大設置溫度Ti,max和最小設置溫度Ti,min：

根據(jù)積分和Jaccard公式，計算行為曲線的相似度sim_ba,b，具體公式如下：

其中，Sa和Sb分別表示曲線La和Lb與X軸的面積，sim_ba,b為行為曲線a和b的相似度。

2.3 計算用戶行為相似度

用戶行為相似度能夠反映兩個用戶空調(diào)使用行為的一致性。本文通過行為曲線相似度來計算用戶之間的相似度。首先，針對特定用戶u，對該用戶的空調(diào)使用歷史行為曲線L={L1,L2,L3,……,Ln}進行層次聚類，整合為M個類別；然后，針對其他用戶k，計算該用戶每條歷史行為曲線距離用戶u最近的行為曲線Li(∈L)，并以此劃分為Li所在的類別m(∈M)；接著，計算用戶k與u在每個類別的相似度，并以所有類別的平均相似度，作為用戶k與u的空調(diào)使用行為相似度。

具體算法如下：

接下來，本節(jié)將從用戶行為曲線聚類、曲線類別相似度計算、用戶行為相似度計算這幾個部分進行詳細闡述。

（1）用戶行為曲線聚類：針對特定用戶u，根據(jù)相似度閾值S，對該用戶的所有歷史行為曲線進行層次聚類。

層次聚類是一種基于相似度的聚類方法，分為自下而上和自上而下兩種方法，圖4為層次聚類的合并方法。

圖4 層次聚類的合并方法[14]

下面介紹一個案例：假設用戶u有3條行為曲線，相似度閾值S為0.9，則最終合并為2個類別，如圖5所示。

圖5 用戶行為曲線聚類

閾值S的選取，對行為曲線聚類具有明顯的影響，對推薦效果也具有較大的影響。S設置越小，區(qū)分度越小，曲線越容易聚成同一個類別，選取的鄰居行為相似性越弱；S設置越大，區(qū)分度越大，曲線越不容易聚成同一個類別，選取的鄰居行為容易過擬合，推薦效果反而變差。在第3章實驗部分，將對該部分進行參數(shù)優(yōu)化。

（2）曲線類別相似度計算：針對用戶k，計算該用戶每條歷史行為曲線距離用戶u最近的行為曲線Li(∈L)，并以此劃分為Li所在的類別m(∈M)；然后計算每個類別的平均相似度。計算公式如下：

其中，n表示用戶k劃分為類別c的行為曲線數(shù)量，ui表示類別c中第i條用戶u所屬行為曲線；ki表示類別c中第i條用戶k所屬的行為曲線；sim_bui,ki表示類別c中第i條用戶行為曲線相似度，sim_cc即為類別c的行為相似度。案例如圖6所示。

圖6 行為類別相似度計算

類別1的平均相似度：

類別2的平均相似度：

用戶行為相似度計算[12]：計算M個類別的平均相似度，作為用戶u和k的相似度。計算公式如下：

其中，n表示類別的數(shù)量，sim_cc表示第c個類別的行為相似度，sim_uu,k即為用戶u和k的平均行為相似度。如圖6所示案例：

通過該方法，計算出每兩個用戶之間的空調(diào)使用行為相似度。

2.4 協(xié)同過濾推薦

本文的推薦包含了群體默認推薦值和協(xié)同過濾推薦。針對無歷史使用行為的新用戶，采用群體推薦默認值，當用戶使用了一段時間（7天）后，則采用協(xié)調(diào)過濾推薦。

本節(jié)主要介紹協(xié)同過濾推薦算法[13]。首先，針對特定用戶，獲取該用戶與其他用戶的相似度；然后，查找距離該用戶最近的K個近鄰；最后，根據(jù)K個鄰居的當前空調(diào)控制參數(shù)（包括不限于設置溫度，當前控制參數(shù)無需區(qū)分智能推薦或用戶自主調(diào)控），生成推薦值，作為最終的控制參數(shù)。

（1）獲取與其他用戶的相似度；

（2）查詢該用戶的K近鄰；

（3）推薦控制參數(shù)。

獲取K個鄰居的當前設置參數(shù)，計算平均值，作為最終的推薦參數(shù)。

其中，u表示該用戶，k表示K個鄰居中的第k個用戶，Tk表示用戶k的當前設置溫度，sim_uu,k表示用戶u和k的用戶行為相似度。CFR(u)即為最終的推薦參數(shù)。

每間隔時間T，通過本文的算法，可以實時獲取該用戶的推薦參數(shù)值，從而實現(xiàn)智能化控制。

3 實驗與分析

本節(jié)首先介紹實驗的數(shù)據(jù)集以及評估指標；然后，介紹調(diào)參和抽樣，最后對比多種推薦方法的效果，從而得出實驗結(jié)論。

3.1 數(shù)據(jù)集與評估方法

本文所用數(shù)據(jù)為：用戶信息、用戶使用行為。抽取了2019年的部分數(shù)據(jù)，作為訓練集和測試集，具體如表1所示。

表1 數(shù)據(jù)集

本文主要包括設置溫度和風速的實時推薦（以溫度為例）。

當用戶實際設置溫度與算法推薦溫度高度一致的時候，則代表用戶滿意算法推薦的溫度值，即算法推薦溫度可以為用戶帶來較強的熱舒適性體驗，因此本文采用如下的準確率公式來對推薦效果進行判定。

實驗中，通過對比算法推薦溫度與用戶設置溫度，計算準確率P，以此評估該算法的效果。準確率計算公式如下：其中，TCu表示推薦溫度，Ts表示用戶設置溫度；14為[17,30]溫度范圍區(qū)間，以1℃為間隔，共14個值。

3.2 結(jié)果與分析

（1）參數(shù)調(diào)優(yōu)

本算法中，閾值S（用戶行為相似度）的選取，對行為曲線聚類具有明顯的影響，對推薦效果也具有較大的影響，因此，本文針對S取值進行調(diào)優(yōu)，選取不同的S值進行聚類，然后進行參數(shù)推薦，最后采用3.1節(jié)的公式進行準確率計算，得出不同閾值S下的準確率如圖7所示。

圖7 相似度閾值 參數(shù)調(diào)優(yōu)

從圖7中可以看出，當S≤0.85時，準確率較低且隨著S值變化不明顯，S=0.95時準確率最高，當S=1時，平均準確率又明顯下降。因此，本算法中S值參數(shù)選取為0.95。

（2）各城市/季節(jié)效果對比

為驗證本算法在各個城市及季節(jié)的有效性，本項目在全國典型城市進行抽樣，選取了北京、重慶、武漢等城市用戶的制冷和制熱模式的使用數(shù)據(jù)，進行參數(shù)推薦，最后采用3.1節(jié)的公式進行準確率計算，對推薦算法的效果進行實驗論證，具體的準確率如表2所示。

表2 不同城市/季節(jié)效果對比

從表2中可以看出，在夏季制冷模式下，本項目算法推薦均有較好的效果，都在91%以上，其中北京、深圳最好，達到94.6%以上。冬季制熱模式下，由于用戶制熱差異較大，推薦效果差于夏季，且北方城市效果好于南方城市。

（3）各算法效果對比

為驗證本算法整理準確率，本項目對比了各算法的實際效果：用本實驗對測試集，分別運行KNN算法、基于用戶的協(xié)同過濾CF算法、UBC-based CF算法，計算準確率對推薦結(jié)果進行評估。如圖8所示。

圖8 多算法推薦準確率效果對比

可以看出，本項目UBC-based CF算法的準確率為91.43%，KNN算法的準確率為86.26%，基于用戶的協(xié)同過濾user-based CF算法準確率為87.19%，本項目算法準確率提升了5%，取得了較好的效果。

4 應用效果

本文研究的算法準確率高達91.43%。在用戶空調(diào)使用過程中：100次推薦值，約有91次推薦值可滿足用戶需求，用戶無需進行調(diào)節(jié)。而針對推薦值不滿足用戶需求的部分，若用戶產(chǎn)生調(diào)節(jié)行為，算法將會重新學習調(diào)整，越用越智能。

本文研究的算法能夠最大限度地貼合用戶的實際使用需求，用戶無需動手。不僅能夠給用戶帶來空調(diào)智能化的便捷，同時也能夠更好地給用戶提供舒適性體驗。

5 總結(jié)與展望

本文研究基于行為曲線的用戶協(xié)同過濾控制推薦，提出了UBCbased CF算法：使用更細粒度的行為曲線來表示用戶，通過行為曲線相似度來計算用戶之前的行為相似度，從而基于用戶的協(xié)同過濾算法能夠獲得精準度更高的空調(diào)控制推薦服務。該算法解決了人群在不同場景和習慣上的差異性問題，推薦的操作更加準確和舒適。本文通過實驗分析，對模型參數(shù)進行調(diào)優(yōu)，并驗證了在不同城市/季節(jié)下的推薦效果；另外，通過對比分析發(fā)現(xiàn)，本算法的準確率比其他算法高出4%以上，具有很好的推薦效果。

接下來，我們將進一步研究濕度、潔凈度、新鮮度等其他指標的推薦模型，以實現(xiàn)多維空氣的智能化控制。