·526 智能系统学报 第4卷 干扰，提高了预测的精度 K步相关联，因此抗随机扰动的能力较强，因此预测 1.0-PTYMM-ActiveLeZi LZ7B 精度的方差较小.相反地，PTVMM本质上为1阶的 0.8 马尔可夫预测器，这就造成了PTVMM在预测时将 0.6 受到更大的随机噪声扰动的干扰，表现为预测精度 04 方差较大 0.2 10 0 尽晨 巾午 晚L全天平均 8 时问段 6 图8预测精度比较(PTVMM.8=1,a=0.2) 4 Fig.8 Comparison of prediction accuracy (PTVMM=1, 2 a=0.2) 0 Lz78 ActiveLeZi PTVMM 1.0PTVMM m ActiveLeZi LZ7B 08 图11预测精度方差比较(PTVMM.8=1,a=0.2) 0.6 Fig.11 Comparison of variance of prediction accuracy 0.4 (PTVMM6=1,a=0.2) 0.2 4结束语 0 早晨 巾午 晚上 全天平均 时间段 通过在仿真环境(virtual smart home)中的仿真 图9预测精度比较(PTVMM8=2,a=0.2) 研究显示，和以数据无损压缩算法为基础的Z78 Fig.9 Comparison of prediction accuracy (PTVMM 8 =2, 和ALZ模型相比，由于加入了时间维度上的周期性 a=0.2) 和时变性的特点，使得PTVMM具有较小的时间复 3)3种模型的长期预测精度趋势比较 杂度、较高的预测精度以及较快的预测精度收敛性， 图10显示了模型训练数据量从0~100天时3 能够比较好地在智能数字家庭环境中进行实时的、 种预测模型的平均预测精度变化趋势.从图中可以 高精度的居住者位置预测，为智能家庭的环境自动 看出3种预测模型都具有较好的精度收敛性，基本 调整行为提供决策依据.但是，仿真研究中依然暴露 在10天左右的训练数据量时就可以收敛到最大预 出了PTVMM的一些缺点，比如受随机噪声扰动干 测精度附近.总体上看，在训练样本足够大时(10 扰过大造成长期预测精度方差过大的问题，所以如 天)，LZ78的预测精度最低，在54%附近；ALZ精度 何改进PTVMM的预测精度偏差，是下一阶段的研 较高，在65%左右；PTVMM比ALZ稍高，在67%上 究方向工作， 下 参考文献： 0.9 0.8 型 0.7 锐特气A喻A。 [1]GOPALRATNAM K,COOK D J.Online sequential predic- 0.6 帆e,ahr 0.5 薹 0-LZ78 tion via incremental parsing:the active LeZi algorithm[J]. 0.4 。ALZ IEEE Intelligent Systems,2007,22(1):52-58. 0.3 0.2 PTVMM [2]ROY A,DAS S K,BASU K.A predictive framework for lo- 0 cation-aware resource management in smart homes J]. 20 406080100120 训练天数天 IEEE Transaction on Mobile Computing,2007,6(11): 1270-1283. 图10长期预测趋势比较(PTVMM8=1,a=0.2) [3]INTILLE S S.Designing a home of the future J].IEEE Fig.10 Comparison of long-term forecast trend (PTVMM Pervasive Computing,2002,1(2):80-86. 6=1,=0.2） [4]MOZER M.The neural network house:an environment that 4)3种模型的长期预测精度方差比较 adapts to its inhabitants[C]//Proc AAAI Spring Symp on 图11显示了3种模型在预测精度方差方面的 Intelligent Environments.Palo Alto,USA,1998:110-114. 表现.ALZ表现最好，方差只有1.36；LZ78表现次 [5]HELAL S,MANN W,EI-ZZABADANI H.The gator tech 之，方差为2.12；PTVMM在方差的表现上差强人 smart house:a programmable pervasive space[J].IEEE 意，为8.69.这是因为，在本质上说，LZ78和ALZ属 Computer,2005,38(3):50-60 于K阶马尔可夫预测器]，由于每一次预测都与前 [6]ZIV J,LEMPEL A.Compression of individual sequences via