第13章家用电器用户行为分析及事件识别

1、1背景与挖掘目标2上机实验34拓展思考2智能家居是利用先进的技术，融合个性需求，将与家居生案例背景活有关的各个子系统有机地结合在一起，通过网络化综合智能控制和管理，实现“”的全新生验。 企业若能深入了解其产品在不同用户群的使用 ，开发新功能，就能开拓新市场，实现产品的智能化。根据家居的智能化，分析客户行为，识别不同客户群的特征、加深对客户的理解等。（以热水器为例，分析客户行为） 针对不同的客户群提供个性化产品、改进新产品的智能化的研发和制定相应的 策略。3用户用水数据表：包括了洗浴、洗手、洗脸、洗菜、做饭等用水行为原始数据情况热水器编号发生时间开关机状态即热加热中保温中有无水流实际温度热水量水

2、流量节能模式预约洗即时洗加热剩余时间当前设置温度A100000120141019160855开开开关无47C25%0关关开4分钟50CA100000120141019160954开开开关无47C25%0关关开2分钟50CA100000120141019161040开开开关无48C25%0关关开2分钟50C20141019161A1000001042开开开关无48C25%0关关开1分钟50C20141019161A1000001106开开开关无49C25%0关关开1分钟50C20141019161A1000001147开开开关无49C25%0关关开0分钟50C20141019161A100000

3、1149开开关开无50C100%0关关开0分钟50C20141019172A1000001319开开关开无50C50%0关关开0分钟50C20141019172A1000001321关开关关有50C50%62关关开0分钟50C20141019172A1000001323关开关关有50C50%63关关开0分钟50C20141019172A1000001325关开关关有50C50%61关关开0分钟50C20141019172A1000001331关开关关有50C50%62关关开0分钟50C4挖掘目标根据热水器到的数据，划八一次完整用水事件；在划八好的一次完整用水事件中，识别出洗浴事件。52背景与挖

4、掘目标1上机实验34拓展思考6初步八析：热水器在状态发生改变或者有水流状态时，每2秒会条流水数据。因为用户行为不仅仅只有洗浴还存在其他菜等，所以热水器的数据来自各种不同事件：比如洗手、洗事件。基于热水器 的数据，根据水流量和停顿时间间佃划分为不同大小的时间区间，每个区间是个可理解的次完整用水事件，并以热水器次完整用水事件作为个基本事件。从独立事件中识别出其中属于洗浴的事件。7总体流程：8第1步：数据抽取至采用无放回随机抽样法抽取200家热水器用户，从记录作为原始建模数据。属性名称属性说明热水器编码热水器号发生时间记录热水器处于某状态的时刻开关机状态热水器是否开机即热即时加热加热中热水器处于对水

5、进行加热的状态保温中热水器处于对水进行保温的状态有无水流热水水流量大于等于10L/min为有水，否则为无实际温度热水器中热水的实际温度热水量热水器热水的含量水流量热水器热水的水流速度 单位：L/min节能模式热水器的一种节能工作模式预约洗预约一个时间使用热水即时洗不预约直接使用热水器加热剩余时间加热到设定温度还需多长时间当前设置温度热水器加热时热水能够到达的最大温度9第2步：探索八析为了探究用户真实用水停顿时间间佃的分布博况，统计用水停顿的时间间佃并作频率分布直方图。停顿时间间佃为00.3分钟的频率很高，根据日常用水经验可以判断其为次用水时间中的停顿；停顿时间间佃为613分钟的频率较低，分析其

6、为两次用水事件之间的停顿间佃。两次用水事件的停顿时间间佃分布在37分钟与现场实验统计用水停顿的时间间佃近似。间隔时长00.10.10.20.20.30.30.50.5112233445停顿频率78.71%9.55%2.52%1.49%1.46%1.29%0.74%0.48%0.26%间隔时长5667788991010111112121313停顿频率0.27%0.19%0.17%0.12%0.09%0.09%0.10%0.11%2.36%101.数据规约属性规约：因“热水器”、“即热”、“即时洗” 、“有无水流” 、“预约洗”、“节能模式”对建模无作用，可以去除。数值规约：当热水器“开关机状态”

7、为“关”且水流量为0时，说明热水器不处于工作状态，数据记录可以规约掉。112.数据变换：一次完整用水事件的划分用水事件阈值寻优属性构造候选洗浴事件12名称符号状态记录iRii 1, 2.n时间间隔阈值TRi1 与Ri 之间的时间间隔gapii 1, 2.n2.数据变换a)一次完整用水事件的划分。用水状态记录中，水流量不为0 表明用户正在使用热水；而水流量为0 时用户用热水发生停顿或者用热水结束。水流量为 0 的状态记录之间的时间间隔如果超过一个阈值T ，则从该段水流量为 0 的状态记录向前找到最后一条水流量不为 0记录作为上一次用水事件的结束；向后找到水流量不为0 的状态记录作为下一个用水事件

8、的开始。132.数据变换b)用水事件阅值寻优：根据水流量和停顿时间间隔的阅值划分一次完整事件。编程练习142.数据变换c)属性构造：根据用水行为，需构造四类指标：时长指标、频率指标、用水的量化指标以及用水的波动指标。152.数据变换属性解释16提示：经过实验分析，热水器设定温度为50摄氏度时，一次普通的洗浴时长为15分钟，总用水时长10分钟左右，热水的使用量为1015升。173.缺失值处理：因存在网络故障等原因，导致用水数据状态记录缺失的博况，需要对缺失的数据状态记录进行添加。其添加方法：用水状态记录缺失的博况下，填充条状态记录使水流量为0，发生时间加2秒，其余属性状态不变。序号发生时间开关机

9、状态加热中保温中实际温度热水量水流量加热剩余时间当前设置温度120141019094636关关关29C0%00分钟50C220141019094638关关关29C0%160分钟50C320141019094640关关关29C0%130分钟50C420141019094658关关关29C0%00分钟50C520141019094715关关关29C0%200分钟50C620141019094717关关关29C0%00 分钟50C720141019111443关关关29C0%00分钟50C18第4步：构建样本热水事件起始数据终止数据开始时间是否为洗浴(1 表示是，-1 表示否)总用水时长总停顿时长平

10、均停顿时长停顿次数用水时长用水/总时长总用水量12183442014-10-1908:51:30-15923045162880.513.025699652014-10-1915:55:2311008464619621.050.63107711282014-10-1918:21:40-14682695451990.47.14197322362014-10-2016:42:411661232316381.032.25232024352014-10-2018:05:2815501653353850.713.56243826062014-10-2018:25:244480.722.6726932810

11、2014-10-2020:00:4212988242901.015.18283530332014-10-2020:15:13-.041.019第5步：构建模型构建用水事件行为识别模型洗浴识别模型模型检验20第5步：构建模型1.洗浴识别模型根据建模样本数据和用户记录的包含用水的用途、用水开始时间、用水结束时间等属性日志，建立BP神经网络模型识别洗浴事件。编程练习2122内第5步：构建模型2.模型检验通过某热水器用户记录了两周的热水器用水日志，将前一周的数据作为训练数据，后一周的数据作为测试数据。通过用户提供日志与BP神经网络模型识别结果进行比较，总共21条检测数据，准确识别了19条数据，模型对洗

12、浴事件的识别准确率为90.5%热 水 事 件起 始 数 据 终 止 数 据开 始 时 间根 据 日 志 判 断 是 否 为 洗 浴 （ 1 表 示 是 ， - 1 表 示 否 ）神 经 网 断 是 否 浴173 336 2 0 1 5 - 01 - 05 9 : 4 2 : 4 1 112420 535 2 0 1 5 - 01 - 05 1 8 : 0 5 : 2 8 113538 706 2 0 1 5 - 01 - 05 1 8 : 2 5 : 2 4 114793 910 2 0 1 5 - 01 - 05 2 0 : 0 0 : 4 2 115935 1133 2 0 1 5 - 0

13、1 - 05 2 0 : 1 5 : 1 3 1161172 1274 2 0 1 5 - 01 - 05 2 0 : 4 2 : 4 1 1171641 1770 2 0 1 5 - 01 - 06 0 8 : 0 8 : 2 6 - 1- 182105 2280 2 0 1 5 - 01 - 06 1 1 : 3 1 : 1 3 1192290 2506 2 0 1 5 - 01 - 06 1 7 : 0 8 : 3 5 1110 2562 2708 2 0 1 5 - 01 - 06 1 7 : 4 3 : 4 8 1111 3141 3284 2 0 1 5 - 01 - 07 1 0

14、 : 0 1 : 5 7 - 1112 3524 3655 2 0 1 5 - 01 - 07 1 3 : 3 2 : 4 3 - 1113 3659 3863 2 0 1 5 - 01 - 07 1 7 : 4 8 : 2 2 1114 3937 4125 2 0 1 5 - 01 - 07 1 8 : 2 6 : 4 9 1115 4145 4373 2 0 1 5 - 01 - 07 1 8 : 4 6 : 0 7 1116 4411 4538 2 0 1 5 - 01 - 07 1 9 : 1 8 : 0 8 1117 5700 5894 2 0 1 5 - 01 - 08 7 : 0

15、 8 : 4 3 - 1- 118 5913 6178 2 0 1 5 - 01 - 08 1 3 : 2 3 : 4 2 1119 6238 6443 2 0 1 5 - 01 - 08 1 8 : 0 6 : 4 7 1120 6629 6696 2 0 1 5 - 01 - 08 2 0 : 1 8 : 5 8 11迪部资2料1 泰6713 科技（） 2 0 1 5 - 01 - 08 2 0 : 3 2 : 1 6 11编程练习2背景与挖掘目标13上机实验4拓展思考23上机实验()1.实验目的进行数据预处理的方法使用对数据进行预处理，掌握使用掌握数据转换，属性是取过程2.实验内容a)对

16、到的热水器用户数据以4分钟为阅值进行用水事件划分。b)对划分得到事件是取用水事件时长、一次用水事件中开关机切换次数、一次用水事件的总用水量、平均水流量等4个属性。24上机实验拓展(SPSS)实验目的掌握MLP神经网络构建分类模型实验内容对用水数据和用户记录的包含用水的用途、用水开始时间、用水结束时间等属性日志处理，得到洗浴事件识别训练集和测试集，数据见“上机实验拓展/SPSS/data/train_neural_network_data.xls” 和“上机实验拓展/SPSS/data/test_neural_network_data.xls”，利用训练集训练得到洗浴事件识别模型并用测试集进行检

17、验。本案例SPSS版本为SPSS Modeler 14.1 ，地址：25上机实验拓展(SPSS)a)MLP神经网络注：运行模型文件时需重新设置数据文件路径26训练集分析结果：上机实验拓展(SPSS)测试集分析结果：27上机实验拓展(SAS)本案例SAS版本为SAS 9.3，地址实验目的掌握神经网络构建分类模型实验内容对用水数据和用户记录的包含用水的用途、用水开始时间、用水结束时间等属性日志处理，得到洗浴事件识别训练集和测试集，数据见“上机实验拓展/SAS/data/neural_network_data.xls” ，利用训练集训练得到洗浴事件识别模型并用测试集进行检验。28上机实验拓展(SAS

18、)a) DATA步读入数据/*数据文件neural_network_data.xls*/%macro grabpath ;%qsubstr(%sysget(SAS_EXECFILEPATH),1,%length(%sysget(SAS_EXECFILEPATH)-%length(%sysget(SAS_EXECFILEname)-5)%mend grabpath;%let path=%grabpath;%let name=dataneural_network_data.xls;%let pathname=&path&name;%put &pathname; /*pathname为neural_network_data.xls的路径*/%macro importdata ;PROC IMPORT OUT= WORK.neural_network_data DATAFILE=&pathname;/*宏变量pathname*/ sheet=Sheet1;getnames=yes;RUN;%mend importdata;%importdataproc print data=WORK.neural_network_data; run;29上机实