随着大数据时代的到来,智能家居行业得到了极大的发展。然而,由此产生的大量用户历史操控数据却未得到很好地利用,限制了行业竞争力的提升。因此研究如何利用海量的智能家居用户历史操控数据,挖掘出用户的操控习惯,实现家居设备的智能化决策,成为智能家居行业走向智能化过程中的关键问题之一。本文依据行业内的标准,将智能家居用户操控习惯分为两大类来研究:第一类是面向单一智能家居设备的用户单控操控习惯;第二类是面向多个智能家居设备的用户关联操控习惯。针对目前主流的智能家居用户操控习惯挖掘算法,未能很好地利用用户历史操控数据的时间特性的问题展开研究,提出了相应的用户单控操控习惯挖掘算法和用户关联操控习惯挖掘算法,并进行了验证实验。本文主要研究工作如下:(1)介绍了智能家居和用户操控习惯的概念,重点研究了目前被用于智能家居用户操控习惯挖掘的聚类分析以及关联分析技术。(2)对常被用于用户单控操控习惯挖掘的聚类分析算法进行了总结与分析,提出一种具有自组织聚类和遗忘学习能力的用户单控操控习惯挖掘算法。首先,针对目前的聚类分析算法缺乏自组织选择类别簇数量以及自组织聚类过程收敛过慢的问题,该算法提出一种融合自编码技术和竞争学习机制的人工神经网络来初始化算法,使得算法可自组织产生更合理的类别簇数量和对应的质心。其次,针对目前的聚类分析算法无法融合时间因素来判别用户历史操控数据的重要性,缺乏遗忘学习能力的问题,该算法基于艾宾浩斯遗忘规律引入了一种遗忘因子,改进了传统聚类分析算法的质心更新机制,使得算法可以进行类脑遗忘学习,从而让算法挖掘到更贴近用户近期真实习惯的用户单控操控习惯。(3)对常被用于用户关联操控习惯挖掘的关联分析算法进行了总结与分析,提出了一种融合时间因素的用户关联操控习惯挖掘算法。目前的关联分析算法仅使用支持度和置信度作为用户关联操控习惯挖掘过程中的筛选条件,未能充分利用户历史操控数据的时间特征,导致所挖掘到的用户关联操控习惯中包含的各子操作行为之间缺乏时间维度上的顺序性和关联性。有鉴于此,该算法首先通过改进的FP-growth算法得到用户历史操控数据的时序频繁项集,然后引入一种时间约束因子,对从时序频繁项集生成用户关联操控习惯的过程进行时间约束,使得算法所挖掘到的用户关联操控习惯中包含的各子操作行为之间存在时间维度上的顺序性和关联性。(4)介绍了如何将所提出的智能家居用户操控习惯挖掘算法应用于智能家居系统中。在云端智能家居系统的基础上,开发了一个智能家居控制软件以及用户操控习惯挖掘软件。首先,通过控制软件实现了智能家居设备的远程监控和用户历史操控数据的收集。然后,通过用户操控习惯挖掘软件对所收集到的用户历史操控数据进行操控习惯的挖掘和推荐。仿真实验表明,本文所提出的用户操控习惯挖掘算法具有可行性和工程应用价值。