智能家居系统需求分析

　　第 2 章 智能家居系统需求分析

　　2.1 智能家居研究现状。

　　智能手机以惊人的速度普及，当今几乎每个人都有一台以上的智能手机，而且随着电子设备集成度的大幅提高，而日益感受到科技力量的人们开始寻求把智能设备应用到更多的地方，给自己的生活带来更多的方便。而考虑到住宅作为生活必须品，而且家居中有许多可以加入智能设备的用电器，如电视，电灯，安防报警，门禁，温度，湿度，亮度监测等，所以一直存在于实验室的智能家居又一次受到了前所未有的关注，并且第一次有了向普通家庭普及的趋势。根据Transparency Market Research 最新的预测，在 2020 年，智能家居全球市场份额将会有 216 亿美元[6],类似的，奥维云网也发布了《中国智慧家庭大数据产业化实践白皮书》，预测在 2020 年，智能家电生态产值将达 1 万亿人民币之多。

　　智能家居最直观的实现便是家居监测和远程控制，这也是传统智能家居系统和现在市面上不断涌现的智能家居设备最普遍的实现方向。

　　Control4 是美国 Utah 州的智能家居上市企业，其智能家居产品已经售往全球 88 个国家，主要使用了 ZigBee,Z-Wave,Wi-Fi 和蓝牙组建智能家居网络，通过与第三方厂家合作，现已有超过 8000 种设备，其中包含自动恒温器，灯光解决方案，家居安保系统，娱乐系统。Control4 主要通过为客户提供整体解决方案和平台化系统软件控制各设备为主要特点。

　　Nest Labs 在推出 Nest 恒温器与一氧化碳监测器后迅速被人们接受，一方面是由于其产品简单易用，又能大幅增加家庭舒适性，另一方面是由于其设备本身内置多种类型的传感器，可以智能地判断房间中是否有人，而且通过一定时间通过移动端的使用后，恒温器也会学习和记忆用户使用时间习惯，在没有发生变化时，用户不需要手动调节恒温器。

　　MavHome[7]美国 University of Texas 一直在研究的一个智能家居系统，是较早的一个把智能家居系统真正与人工智能相结合的项目，其研究方向是根据屋子内人的活动位置进行预测[8],主要使用了 ALZ 算法，ED 算法，SHIP 算法，算法通过把用户在家中的活动划分为多个片段，不同的片段有不同的地点，不同的行为，然后通过分析不同片段之间的切换预测用户有可能要进行的操作。所以MavHome 系统中把机器学习与智能家居相结合的点在于找到用户片段改变的数据集，通过分析大量的用户片段切换数据集，找到用户的习惯，为用户进行智能预测。但是 MavHome 项目的理论存在有一关键问题，现在并没有比较方便合适的方法确定用户在家中的位置，要确定用户的位置往往需要用户戴着额外的设备，这经常会出现用户忘戴的问题，更重要的是这个额外的设备带来的不方便性使得MavHome 很难普及。

　　小米是国内智能家居方面做得较成型的智能家居案例，推出的智能家庭项目，已有路由器，摄像机，插座等设备，还与美的合作推出的智能空调，其设计方式也是通过平台化，形成自成一家的生态系统，并通过移动端软件对各设备进行远程操控。

　　从以上的智能家居案例可以看出，现在的智能家居系统主要以平台化为方向，但是在自己的系统平台内，各设备并不能很好地联合到一起，而放眼整个智能家居的研究，更是没有一个统一的标准，对智能家居的研究都是以建立独有生态圈为目标，另外一个十分明显而且一致的设计就是都希望通过移动端手动地操控。

　　显而易见，当前的各个智能家居平台仅能称为家居平台，能做到的更多只是通过互联网对家居设备的远程操控，而且没有一个统一的标准，更没有做到整个系统联合形成智能化。

　　2.2 智能家居发展趋势。

　　放眼看去，智能家居系统虽然还不够智能，但是并不代表其会一直停滞不前，人们对高品质生活的追求和科技的进步不断地推动着智能家居的发展，信息技术与家居生活的结合受到了越来越多的瞩目。伴随着信息技术的飞速发展，大批量人工智能产品不断涌现，许多传统设备都结合了人工智能成为新生代设备，就如同无人驾驶汽车，在此背景下，智能家居与人工智能相结合也是必然方向，通过与人工智能的结合，可以使智能家居系统更具人性化，个性化，系统化，高效，绿色。

　　作为二十四小时不间断运行的智能家居系统，加上系统本身就由各式各样的传感器，例如光照度，温湿度，燃气含量，一氧化碳含量传感器，还有各式各样的智能设备，如灯，插座，窗帘等可记录状态的设备，智能家居系统每天都会产生大量的数据，而大量的数据就是与人工智能的最佳契合点。大数据[9]并不是一个新概念，早在 2008 年维克托？迈尔？舍恩伯格和肯尼斯？库克耶合著的《大数据时代》[10]就提到了大数据会给我们带来信息风暴，将会变革我们的生活、工作和思维的各个方面，也因为大数据的出现，我们开始进入一个新时代。通过对大数据进行数据挖掘，机器学习，已经出现许多智能化产品，如推荐算法，图像识别，语音识别，自然语言处理等，而有着大数据潜力的智能显然会是机器学习的下一个结合点。

　　上文中的 Nest Labs 已被 Google 以 32 亿美元收购，而 Google 作为最大的互联网公司之一，在人工智能的研究上，一直走在科技的最前沿，推出专为物联网打造的 Brillo 操作系统，还有多设备兼容的通信协议 Weave,在收购 Nest Labs后，又与其智能助手 Google Now 整合，可以通过 Google Now 操控 Nest 设备，而 Google Now 本身就是 Google 多年的机器学习研究的结果，可以预见，就如Google 无人驾驶汽车一般，Google 会结合自身的大数据和机器学习，为其智能家居系统加上人工智能属性。

　　类似的例子还有许多，如 Apple 公司的 HomeKit,腾讯公司提出的 QQ 物联智能硬件开放平台，互联网公司小米与传统家电公司美的合作等。

　　毫无疑问，智能家居与当下最热门的机器学习相结合，会成为下一个爆发点。

　　2.3 系统总体设计与任务分析。

　　2.3.1 智能家居架构。

　　在实验室内，已经开发出一套基于 ZigBee 的智能家居系统[11],该系统以服务器为中心，服务器与智能家居节点之间通过网络基站完成信息交互，网络基站可以实现 TCP/IP 与 ZigBee 协议的转换，而节点之间通过 ZigBee 网络协议进行交互。

　　其中大致可以分为四个部分：服务器布置于云服务器中，作为整个智能家居的处理核心，从 TCP/IP 网络接收所有传感器数据，设备状态信息，网络情况，用户操作等，对接收到的信息做出相对应处理之后回复给请求者，暂时通过 UDP 实现网络连接。而对于接收到的数据，存储在服务器的 MySQL 数据库中。作为云服务器，同时可以处理多个家庭的智能家居系统。

　　个人电脑或者移动设备通过互联网，也就是 TCP/IP 网络，与服务器连接，可以远程请求获取节点列表，节点数据，设备状态或者远程操控智能家居设备。

　　网络基站，由于智能家居必须使用专门设计的无线网络协议 ZigBee,而ZigBee 无法与 TCP/IP 协议兼容，所以必须使用网络基站完成 ZigBee 协议到TCP/IP 协议的转换，同时作为各个家庭的智能家居系统中心。

　　节点设备，智能家居中的末梢设备，节点上一般集成有一个或多个传感器，或者相应控制设备，节点设备二十四小时不间断采集家中环境数据并上报务服器，或者等待接收用户操控指令完成对设备的操控，节点设备之间通过 ZigBee 协议无线连接。

　　2.3.2 机器学习系统任务需求分析。

　　通过以上分析，可以看到智能家居系统中已有基本的数据采集与远程操控能力，而我们需要做的就是为智能家居系统与机器学习相结合，对智能家居系统中的数据进行分析，学习，得到分析出的结果，向服务器发送相应请求并执行或向用户请求并等待用户反馈[12].

　　从流程图中，我们可以看到，机器学习系统主要操作包括以下三个步骤：

　　1. 从数据库读取数据，其中包含两部分数据，一部分为机器学习的训练集，测试集，另一部分为要进行预测的输入数据。

　　2. 分析数据并得出预测结果，主要通过使用训练集数据训练出目标神经网络，然后使用目标神经网络对输入数据计算得到预测结果。

　　3. 向服务器或用户发送操作请求，并等待允许后执行操作。

　　加入的机器学习系统通过服务器与智能家居系统对接，通过服务器读取数据和发送操作命令。

　　以上流程基本覆盖系统的运行步骤，但是还要考虑到智能家居的整体性，用户在做一件事时，通常需要控制多于一个设备，例如用户准备看电影时，通常需要关闭窗帘，调暗灯光，打开电视等一系列操作，对应地机器学习系统也必须拥有调动整个系统同步运行至目标情景模式的能力；同时考虑到智能家居节点众多，而且设备经常需要增减的灵活性，机器学习系统也必须有快速适应节点变化的能力。

　　对此，本系统使用把节点数据单元化[13],以每个节点为一个单元，在训练和预测时，都针对一个单元运行，使得系统在运行时，在增加或删除了节点之后，相应地分析可以自动地增加或删除一个单元。而通过把多单元数据结合，可以把系统结合成为一个整体，满足整体性需要，也就是在训练神经网络时，把其他各个节点的数据作为输入，分析得到与各节点状态相关的计算模型，在系统某一节点进入情景时，其它节点会相应得到倾向于相应情景的结果。

　　2.4 本章小结。

　　本章首先详细分析了智能家居最新的研究状况，并从当前技术发展趋势与智能家居的不足总结得到智能家居最可能，最需要的发展趋势，然后分析实验室内智能家居系统设计架构，并对应提出机器学习系统的流程与设计，为后面的开发工作打下智能家居理论基础。