的不例为：（室外温度：18摄氏度，天气状况:晴，室 内温度:25摄氏度，用户外出：否，时间段:14:0(M6:00，···）。
[0023]例如，第一控制序列及其对应的家居状态序列如表1所示(本具体实施例中N为5)。
302、根据N组第一控制序列和N组家居状态序列，利用神经网络算法预测在N组家居状 态序列下对应的N组第二控制序列。
[0025]第二控制序列包括:一个或多个在对应家居状态下用户可能对智能家居设备的控 制动作。第二控制序列与第一控制序列的示例相同，这里不再赘述。
[0026]其中，本实施例中的神经网络算法可用SVM算法作为替代技术方案。
[0027] 具体地，步骤302具体包括2个子步骤，请参见图4，包括： 401、将N组家居状态序列作为输入，将N组第一控制序列作为输出，对人工神经网络进 行训练，得到分类器。
[0028] 人工神经网络(Artificial Neural Network，ANN)，简称神经网络，是一种模仿生 物神经网络(动物的中枢神经系统中枢神经系统，特别是大脑)的结构和功能的数学模型或 计算模型。人工神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络 能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统 计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。 [0029]人工神经网络是一个能够学习、能够总结归纳的系统，也就是说它能够通过已知 数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较(而这些比 较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的），它能够推理产生 一个可以自动识别的系统。与之不同的基于符号系统下的学习方法，它们也具有推理功能， 只是它们是建立在逻辑算法的基础上，也就是说它们之所以能够推理，基础是需要有一个 推理算法则的集合。
[0030] 通过训练样本的校正，对各个层的权重进行校正而建立模型的过程，称为训练学 习。
[0031] 分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会 一个分类函数或构造出一个分类模型（即我们通常所说的分类器(Classifier))。该函数或 模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。 总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝 叶斯、神经网络等算法。在本实施例中，分类器特指基于人工神经网络构建的分类器。
[0032] 具体地，该人工神经网络为BP神经网络。
[0033] BP(Back Propagation)神经网络是 1986年由Rumelhart和McCelland为首的科学 家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网 络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描 述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整 网络的权值和阈值，使网络的误差平方和最小。B P神经网络模型拓扑结构包括输入层 (input)、隐层(hidden layer)和输出层（output layer)。
[0034] 402、将该N组家居状态序列输入分类器，输出对应的N组第二控制序列。
[0035] 例如，以表1中的家居状态序列为例，输入分类器，得到对应的第二控制序列，请参 见衷2。
[0036] 表2 303、 按次序对N组第二控制序列和N组第一控制序列进行比较，获取第二控制序列中与 第一控制序列不相同的Μ组差别控制序列。
[0037] 例如，按次序对表2中的第二控制序列和表1中的第一控制序列进行比较，获取第 二控制序列中与第一控制序列不相同的差别控制序列，如表3所示，包括第1、3、4、5组，即 (空调开，窗户关，窗帘开，灯光开）、（空调开，热水器关）、（电视关，窗户开，窗帘开，灯光 关）、（空调开，窗户关，窗帘开，饤光关 L0038J 表3
304、 根据控制动作的具体类型，统计Μ组差别控制序列中的m个具体控制动作。
[0039] 例如，根据控制动作的具体类型，统计表3中第1、3、4、5组差别控制序列（空调开， 窗户关，窗帘开，灯光开）、（空调开，热水器关）、（电视关，窗户开，窗帘开，灯光关）、（空调 开，窗户关，窗帘开，灯光关）中的具体控制动作包括:空调开、窗户关、窗帘开、灯光开、热水 器关、电视关、窗户开、灯光关，共8个。
[0040] 305、获取m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对 所述多个家居状态序列进行投影，得到η个家居条件的状态边界。
[0041] 本实施例中，投影指对序列进行向量投影，家居条件的状态边界包括但不限于:室 外温度范围、天气状况种类、室内温度范围、用户外出情况种类、时间段范围、室内亮度范 围。
[0042]例如，上一步骤中8个具体控制动作对应的家居状态序列请参见表4。
[004J」 衣4
以表4中具体控制动作"空调开"为例，该动作对应3组家居状态序列，每个序列有4个家 居条件，利用室内温度1、室内温度3和室内温度5投影得到室内温度边界，同理获取天气状 况边界、用户外出情况边界和时间段边界。
[0044] 306、将每个具体控制动作对应的η个家居条件状态边界组成的序列作为该m个具 体控制动作对应的m个触发状态序列。
[0045] 触发状态序列的示例为：（室外温度边界，天气状况边界，室内温度边界，用户外出 情况边界，时间段边界，…）。以表4中具体控制动作"空调开"为例，该动作对应的触发状态 序列为(室内温度边界，天气状况边界，用户外出情况边界，时间段边界）。每一个具体控制 动作对应一个触发状态序列，每一个触发状态序列里均有η个家居条件状态边界。
[0046] 307、当当前η个家居条件的状态满足所述m个触发状态序列中任一触发状态序列 时，推荐用户执行对应的具体控制动作。
[0047] 在本实施例中，收集用户控制数据及其对应的家居状态，利用神经网络算法学习 训练上述数据，预测在相同的家居状态下用户可能发生的用户控制行为，通过对比收集的 用户控制数据和预测的用户控制行为并进行进一步处理，获取具体控制动作对应的家居条 件状态边界，并将该边界作为智能化控制的触发条件，从而实现智能家居系统的智能化控 制。根据用户实测反馈，本发明技术方案能够有效提供较好的家居智能化控制体验。
[0048] 本发明实施还提供一种基于用户行为分析的智能家居控制装置，请参见图5,本实施例 装置具体包括： 记录单元501，用于记录N组第一控制序列及其对应的N组家居状态序列。
[0049] 优选地，N的取值应不少于1000。
[0050] 第一控制序列包括:一个或多个针对智能家居设备的控制动作。家居状态序列包 括个家居条件的状态，用于指示用户控制智能家居设备时的家居状态。
[0051] 其中，智能家居设备包括但不限于：（智能）空调、（智能)湿器、（智能）干燥器、（智 能)窗户、（智能)窗帘、（智能)热水器、（智能)灯光、（智能）电视。对应的，控制动作包括但不 限于：空调开/关、加湿器开/关、干燥器开/关、窗户开/关、窗帘开/关、热水器开/关、灯光 开/关、电视开/关。家居条件状态包括但不限于:室外温度、天气状况、室内温度、用户外出、 时间段、室内亮度。
[0052] 第一控制序列的示例为：（空调开，加湿器关，干燥器关，窗户开，窗帘开，热水器 关，灯光关，电视关，….），家居状态序列的不例为：（室外温度：18摄氏度，天气状况:晴，室 内温度:25摄氏度，用户外出：否，时间段 :14:00~16:00，···）。
[0053]预测单元502,用于根据所述N组第一控制序列和所述N组家居状态序列，利用神经 网络算法预测在所述N组家居状态序列下对应的N组第二控制序列。
[0054]第二控制序列包括:一个或多个在对应家居状态下用户可能对智能家居设备的控 制动作。1组第二控制序列与1组第一控制序列的示例相同，这里不再赘述。
[0055]其中，本实施例中的神经网络算法可用SVM算法作为替代技术方案。
[0056] 请参见图6,预测单元502进一步包括： 训练子单元601，将N组家居状态序列作为输入，将N组第一控制序列