·522· 智能系统学报 第4卷 境(virtual smart home)来进行仿真比较研究.经过与 forever MavHome使用的基于LZ78数据无损压缩算法的预 1.2ALZ模型 测模型(LZ78)和基于改进LZ78算法的Active LeZi 虽然LZ78算法能够比较好地用来预测信息， 模型(ALZ)的仿真对比显示，PTVMM具有较小的时 但是却有以下2个缺点： 间复杂度、较高的预测精度和较快的预测精度收敛 1)由于前缀不会一直保持最大长度，因此很可 速度，能够胜任智能数字家庭环境中的实时、高精度 能丢失了字典项边界的信息，而有些边界信息是对 的位置预测。 预测下一个字符很有用的； 2)LZ78算法的最佳预侧精度收敛性比较差 1LZ78模型与ALZ模型 为了改进LZ78算法的以上缺点，Gopalratnam 在家庭环境中，居住者的行为在很大程度上是 和Cook等人提出了基于改进LZ78算法的Active 和所处的位置相关联的.例如，在卧室中只能进行休 LeZi预测算法.其核心思想是使用滑动窗口保留 息等活动而不能洗浴；在书房中只能学习而不能做 LZ78的最大预测长度信息，最大限度地保留字典项 饭等.因此，只要能够准确的预测居住者的下一个出 的边界信息.其计算流程为 现位置（房间），就能在很大程度上知道居住者的下 initial Max LZ len =0 一个行为，从而采取相应的动作.在世界上众多关注 loop wait for next symbol v 位置感知与位置预测的科研项目中，德州大学惠林 f((o.v）in dictionary） 顿分校的MavHome是最具有代表性的一个，其使用 LZ78模型和ALZ模型作为位置预测的基础， 0=0.0 1.1LZ78模型 else MavHome所使用的LZ78模型的基础是数据无 损压缩算法LZ78.LZ78通过对输入缓存的数据进 add(o.v）to dictionary 行预先扫描，并与它维护的字典中的数据进行匹配 update Max_LZ_Len if necessary 来实现这个功能，在找到字典中不能匹配的数据之 w=null 前它扫描进所有的数据，这时它将输出数据在字典 add v to window 中的位置、匹配的长度以及找不到匹配的数据，并且 if(window.Length Max_LZ_Len) 将结果数据添加到字典中6].由于LZ78是基于字 典的数据无损压缩算法，因此可以很方便的用来训 delete window 0 练预测决策树.其计算流程如下山： update frequencies of all possible contexts Loop within window that includes v wait for next symbol v forever if((w.v)in dictionary) 2 PTVMM的提出 2.13点假设 0=0,V 根据前期研究数据的分析结果，提出了以下3 点假设，并将这3点假设作为本文所提出的预测模 else 型的依据： 1)居住者在家庭中的生活行为是按照一定规 add (w.v)to dictionary 律或者习惯进行的： w =null 2)居住者下一时刻出现的位置仅和之前时刻 increment frequency for every possible 出现的位置有关； prefix of phrase 3)居住者的生活规律具有周期性和时变性。 假设1)说明居住者的出现位置长期来看是符