我做了挺长时间智能家居方向的东西一直觉得市面上所谓的智能大多名不副实——无非是App里点一下开关设个定时或者语音控制一下本质还是人在操作机器机器并没有真正理解人。直到我自己动手做了这个基于用户行为数据分析的AI实验项目才算是摸到了一点智能的门槛。这套方案的核心思路很简单不靠规则而是让系统通过传感器采集用户在房间里的行为轨迹用模型去学习每个人的生活习惯再反过来自动控制灯光、空调、窗帘这些设备。今天就把我踩过的坑、调过的参数、还有整个从零搭建的思考过程完整写出来想自己做点真·智能家居实验的可以参考参考。本文主要分享一套可以完整复现的实验框架适合有嵌入式或Python基础、想尝试AIoT方向落地项目的开发者也适合正在做毕业设计或者个人作品集的电子、计算机相关专业学生。我会从方案选型、传感器选型、数据采集、模型训练、自动化联动到问题排查全部讲清楚里面包含我实际跑通的代码结构和具体配置能直接省掉你大量试错的成本。1. 实验项目的整体设计思路拆解1.1 传统智能家居为什么不够智能智能家居已经这么多年了但大部分人的真实体验是装了一堆智能设备新鲜了几天最后还是回去用手按开关。问题出在哪传统方案本质上都是被动响应式的——用户给出明确指令按键、App点击、语音命令设备才执行动作。这不能算智能只能算可以远程控制的电器。真正能称为智能家居的应该具备两个能力主动感知和自适应决策。主动感知指的是系统能通过采集用户行为数据判断这个人在哪个房间在做什么自适应决策指的是系统根据判断结果自动调节设备状态并且随着用户习惯的积累不断优化调节策略。要做到这两点光靠if-else规则是写不出来的——你不可能穷举几点几分在客厅看电视应该开多亮的灯这种组合所以才需要引入行为数据分析这个环节让模型代替人去发现规律。1.2 方案选型行为数据驱动 vs 规则驱动我做实验最开始确实走了弯路。第一版用的是纯规则方案人体传感器检测到有人就开灯超过5分钟没检测到动静就关灯。听起来合理实际用起来别扭得要命——你坐在沙发上玩手机一动不动灯10分钟就关了得频繁挥手臂去唤醒你在卧室睡觉翻了个身传感器照样触发灯半夜亮起来差点把我吓醒。这些痛点让我下决心换成行为数据驱动的方案。核心思路变成了三层数据层用多个低成本传感器持续采集用户在屋内的移动轨迹、停留时间、开关门状态、电流能耗变化形成时间序列数据。模型层把时间序列切分成窗口提取统计特征用分类模型识别当前行为睡觉、办公、看电视、做饭、离家等。控制层把识别出的行为映射为设备联动规则用置信度加时间平滑策略避免抖动保证执行稳定性。这个框架的普适性很强因为它把感知—理解—行动解耦了。即使你后续换更好的传感器、换更强的模型只需要替换对应层就行不用推翻整个架构。1.3 实验环境的整体架构我实际搭建的实验环境是这样的以一块STM32F407开发板作为主控连接人体红外传感器、门磁传感器、电流互感器、温湿度传感器数据通过串口传给树莓派或者任何一台跑Python的主机在树莓派上完成数据清洗、特征提取、行为识别最后通过MQTT下发控制指令给智能插座和PWM调光模块。整体架构如下传感器采集层STM32 ↓ 串口JSON数据 边缘数据层树莓派 Python ↓ MQTT 控制执行层智能插座 / 调光模块 / 窗帘电机我当时选择STM32做主控是因为它的ADC和GPIO资源丰富采集多路传感器很方便还能把采集到的数据先做一层滤波减轻上位机的计算压力。但如果你手里只有树莓派或者香橙派也可以把传感器直接接到开发板节省一层通信开发时间。这个方案很灵活核心不在于主控型号而在于数据通路要打通——传感器数据必须以结构化的、带时间戳的形式进入模型而不是零散地存日志文件。2. 数据采集与预处理整个系统最容易翻车的一步2.1 传感器选型的门道行为识别的基础是数据质量而数据质量在你选定传感器的瞬间就决定了大半。我用过的传感器有好几种逐个说说实际表现。人体红外传感器PIR最常用便宜但短板也明显——只能检测有没有人动静止的人体检测不到。我在沙发上刷手机这一场景里PIR数据几乎是断线的。后来我加了一个策略PIR不单独作为判断依据而是和电流检测配合使用用电器的功率波动曲线作为状态兜底。门磁传感器装在房门和门窗上检测开关状态。这个数据非常有价值尤其用来判断进出房间起夜外出回家等事件状态量简单可靠几乎不需要清洗。强烈建议每个房间至少装一个。电流互感器非侵入式电流检测这是我整个数据方案里最关键的一个传感器。它夹在房间总闸的电线上通过检测电流波形间接判断电器开关状态不需要拆改电路。在电视、电脑、电暖器这些大功率设备上效果非常明显——一旦电视启动电流特征立刻跳变。这比PIR靠谱多了。温湿度传感器DHT22辅助作用用来区分洗澡湿度骤升和正常活动以及辅助判断睡眠时段的环境变化。选型的一个通用原则永远不要迷信单一传感器。行为识别本质是融合多种弱信号做判断单一传感器数据都太片面只有多源数据交叉验证才能获得稳定的准确率。2.2 采样策略与数据格式设计采样频率是第一个要定下来的参数。我实测下来的推荐值是PIR和门磁高频采集2~5秒一次电流互感器中等频率1秒一次温湿度低频采集30秒一次然后用时间对齐机制把不同频率的数据统一到同一时间轴。采样频率不是越高越好——采集频率太高数据量大而且波动噪声多徒增清洗成本太低则会漏掉关键行为变化尤其是开关电器的瞬态特征。数据格式我走了不少弯路。一开始我用CSV裸存时间戳格式不统一、传感器id混乱后面做特征工程时痛苦不堪。后来统一成了JSON格式每条数据带sensor_id、timestamp、value、event_typeSTM32端组装好之后通过串口发给上位机。下面是我实际使用的数据帧格式{ timestamp: 2024-11-20 21:03:26, sensor_id: pir_livingroom, value: 1, event_type: motion }这里有一个重要的工程细节传感器数据解析必须考虑丢包和乱序。我踩过很惨的坑——STM32串口缓冲区溢出导致时间戳错位十几个小时整个训练集报废后来在解析脚本里加入时间戳单调性校验一旦发现乱序直接丢弃该帧并打日志宁可丢数据也不要错数据。2.3 从原始状态到行为特征特征工程怎么做数据采集完成之后你手里是一堆看似杂乱的状态序列接下来就是特征工程的主场了。这也是我在琢磨模型到底学什么时花时间最多的地方。对于一段30分钟的时间窗口我提取的特征分三层基础统计特征运动触发次数、平均停留时长、开门次数、功率均值/方差、温湿度变化趋势。这一层描述的是这个房间里发生了什么动静。时间上下文特征当前时间段清晨/上午/下午/深夜、是否为工作日、距上次离家时长。这一层描述的是当前处于什么时间场景。通过把时间编码进去模型才能区分凌晨玩手机和夜间睡眠这种统计特征很相似但本质不同的行为。状态转移特征上一行为状态、当前状态的持续时间、相邻事件的时间间隔。这一层是让模型具备记忆的关键比如从客厅活动突然变为卧室活动大概率是准备睡觉了。特征提取完之后我做了标准化处理StandardScaler并且把所有特征拼成一个向量输入模型。工程上还有一个很容易被忽略的决策滑动窗口的重叠率。我用的是30秒窗口、10秒步长也就是说相邻窗口有20秒重叠。重叠的好处是行为切换的过渡帧能被多次采样提升模型对边界事件的敏感度坏处是数据量增大三倍。测试下来这个重叠率对准确率的提升很值推荐沿用。3. 行为识别模型的选择与训练细节3.1 轻量模型还是深度模型模型选择这一步我先后尝试过好几种方案把试错经验直接分享给你省得重复花钱花时间。决策树/随机森林胜在训练快、可解释性强、嵌入式部署友好。在数据量不大的家庭场景下我只积累了大概两周数据两万多条窗口样本随机森林在五个行为类别的分类上能达到89%左右的准确率这个表现已经足够实用了。如果你没有太多标注数据或者不想在调动GPU这些事上耗费精力随机森林是完全够用的方案。LSTM/GRU等序列模型能捕捉更细粒度的时序依赖我在实验中测试了GRU模型准确率能提到93%左右但代价是训练时间显著增加、模型体积大、在树莓派上推理延迟更高。在人在房间内走动—坐下—打开电脑这种连续动作切换的场景里GRU确实比随机森林更顺滑但用起来成本高了不少。实际结论当前实验阶段随机森林已经能覆盖我的需求优先考虑在线推理的低延迟所以最终用的是随机森林 少量滑动窗口平滑策略的折中方案。如果你是想做学术验证或者心中有更复杂的场景需求比如同时识别睡眠品质情绪状态等高阶概念再考虑换序列模型不迟。给一个我训练模型时的代码结构参考比较容易跑通import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 假设 features 是特征工程后的DataFramelabel 是行为标签列 X features.drop(columns[label]) y features[label] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) clf RandomForestClassifier( n_estimators200, max_depth12, min_samples_leaf2, n_jobs-1, random_state42 ) clf.fit(X_train, y_train) y_pred clf.predict(X_test) print(classification_report(y_test, y_pred))这里有三个参数我调了很久重点说一下max_depth12限制树深防止模型过度学习个别时间段的行为噪声。试过不限制深度训练集准确率100%测试集直接掉到75%过拟合非常明显。min_samples_leaf2保证每个叶子节点至少覆盖2个样本提高泛化能力。数据量少的场景下这个参数很管用。n_estimators200不是越多越好我测过500棵树准确率只提升了0.2%但推理耗时增加了接近一倍。为了在树莓派上跑实时推理我压在了200棵。3.2 行为类别的定义与标注策略模型能识别什么取决于你定义了哪些行为类别。我在实验里先定义了五个最基础的家居行为睡眠、居家活动、工作学习、影音娱乐、离家。这几个类别基本覆盖了一天中绝大部分时间而且区分度比较明显模型学习起来不困难。标注是监督学习里最耗费精力的环节起初我天真地想全手动标注——边看时间戳边翻监控日志做标记两周数据标下来人真要疯了。后来我换了个半自动标注策略用App记录 传感器事件自动辅助。具体做法是手机装一个简单的打卡App每当行为切换时手动打一个标签然后写脚本用门磁和PIR事件的时间点做辅助对齐自动填充两个行为标签之间的未标注区间。这样两周的数据实际手动标注的时间压缩到了两小时内效率提升巨大。3.3 从模型输出到设备控制置信度与平滑策略模型直接输出预测结果拿它去控制设备是不行的会有一个专有名词叫决策抖动——模型在行为边界上来回摆动一会儿判定居家活动一会儿判定影音娱乐如果这种抖动直接映射成设备开关动作灯就会疯狂闪烁空调一会开一会关体验非常糟糕。我的解决思路是引入一个置信度阈值 滞回比较器PREDICT_THRESHOLD 0.7 # 低于该置信度不切换状态 HYSTERESIS_COUNT 3 # 连续3个窗口预测相同行为才切换 def decide_action(current_state, prediction_prob): max_prob max(prediction_prob) pred_label prediction_prob.argmax() if max_prob PREDICT_THRESHOLD: return current_state # 置信度不足维持现状 if pred_label ! current_state and confidence_streak[pred_label] HYSTERESIS_COUNT: return pred_label return current_state置信度阈值设为0.7是我多次测试后的平衡点。设得太高行为切换响应慢比如从客厅进卧室躺下可能要等1分钟才能触发睡眠氛围设得太低误判会明显增多。滞回比较器的作用更直接——要求连续3个窗口20秒都预测同一个行为才真正切换这样设备的执行状态就稳定了画面就舒服多了。4. 自动化联动与系统掉线排查实录4.1 行为到设备执行链路的搭建模型识别出行为并不等于智能家居完成还要把行为转成实际设备动作并通过稳定可靠的链路执行下去。我的这套系统里树莓派跑着Python程序推理出来的行为标签通过MQTT协议发布到消息服务器然后智能插座、调光模块、窗帘电机各自订阅自己关心的主题收到指令就执行动作。联动规则我写在了模型和硬件中间的一个规则引擎里这样后续修改联动策略不需要动模型代码。举几个我实际在用的联动规则识别行为执行动作执行时机睡眠关闭卧室主灯、空调设为睡眠模式行为持续1分钟以上影音娱乐客厅灯光调暗到30%、打开电视插座电源置信度超过0.8工作学习书桌台灯亮度调到80%、关闭卧室设备行为持续30秒离家关闭所有非必要插座、窗帘自动合上离家状态持续5分钟这套规则本身不复杂但执行顺序上有一个重要的经验设备动作要分级响应。比如睡眠行为触发应该先关灯再调空调然后是电动窗帘最后才是那些不痛不痒的待机设备断电。如果反过来一窝蜂同时执行瞬间功率波动会很大而且夜里的执行噪音会影响用户入睡。4.2 我实际踩过的几个典型问题这个实验过程中问题多得写不完挑几个最有代表性的、也是最可能复现的问题说说每个都附带排查思路。问题一传感器偶发误报导致行为识别紊乱PIR传感器非常容易被热源干扰比如暖气片、阳光直射甚至猫路过都会触发误报。最初我识别准确率总上不去排查了很久后来通过可视化工具看数据的分布才发现有一个区域的数据标签和实际场景严重不符——是PIR安装位置对着一面西晒墙导致的。解决方案是调整安装位置同时后端加了一个去抖逻辑PIR单次触发信号持续时间低于3秒的当做无效事件直接过滤掉。问题二串口通信中断上位机数据断流STM32和树莓派之间的串口通信运行几天之后莫名中断。排查后发现是USB转串口模块的供电不稳导致的。给模块换了一个独立供电的USB HUB端口之后一周测试再没断过。排查这类问题有个经验先看物理层供电再看波特率最后看软件缓冲区能省很多时间。问题三模型冷启动刚装好系统时没有历史数据可用刚开始的那一周模型没有用户历史行为数据处于裸奔状态。我的临时方案是内置了一套保守的默认规则兜底比如检测到有人就保持当前设备状态不变同时不执行任何自动化动作只默默采集数据。等攒够了三天的行为数据才开始训练模型并切换到自动模式。这个影子模式设计既保证了实验期间不影响正常生活又让系统平稳度过了数据积累期。问题四树莓派卡死导致智能联动全部失效有一阵子系统运行两三天就卡死一次后来排查出来是树莓派的内存被频繁读写日志撑爆了。加了两道保险一是日志切割每天一个文件超过50MB就清理最旧的二是写了一个看门狗脚本每隔15分钟检查主进程是否存活死掉就自动重启。从那以后系统再没长时中断过。4.3 实验效果评估系统稳定运行一段时间之后我做了一次集中评估。随机选取了连续7天的数据做离线回测行为识别准确率在89%~93%之间比预想的要好联动规则执行成功率在95%左右剩下的5%个别是因为传感器数据缺失导致置信度不足系统主动放弃了执行。这个结果下自动模式带来的设备误动作已经非常少。还有个很有价值的副产品通过行为数据分析系统能发现用户的生活习惯规律。比如通过聚类分析我发现我工作日晚上11点30分左右进入卧室的概率高达78%系统可以在这个时间点提前开启卧室空调的睡眠预热模式这就是一个靠规则很难想到、但数据能自然浮现的智能场景。5. 这套实验还能往哪些方向延伸做完整套流程之后我最大的体会是基于用户行为数据分析的智能家居真正的护城河不在硬件而在数据和模型的积累。设备谁都能买到传感器谁都能拼但如何从模糊的传感器信号中理解人的意图才是决定体验上限的关键。如果你也想动手做我建议按这个顺序推进先把传感器数据通路跑通再做简单的规则联动积累两周数据然后引入模型识别最后才考虑多房间联动和远程控制。步子迈得太大容易在调试上耗尽耐心。如果已经完成了基础版还有一些很值得尝试的扩展方向用序列模型做全屋行为轨迹预测提前预判下一个房间把语音、摄像头视觉信息融合进来提升行为识别的鲁棒性或者接入语音助手让自动化规则支持自然语言交互。我自己下一个阶段正准备做的是多设备联动场景下的能耗优化——在保持行为识别准确的前提下把非必要设备的待机能耗压到最低这会在后面单独写一期实验记录到时候再来分享实际数据。最后再分享一个小技巧实验过程中一定要把传感器原始数据、中间特征、模型预测结果全部可视化出来。别怕麻烦很多时候你盯着数据分布看半小时比闷头调三天参数更有效。行为数据本身是会说话的关键是你得先让它们呈现在你眼前。 
长河君 · 2026/10/7 9:18:11 · 阅读 1.2k 基于用户行为数据分析的智能家居AI实验：从传感器到模型控制
我做了挺长时间智能家居方向的东西一直觉得市面上所谓的智能大多名不副实——无非是App里点一下开关设个定时或者语音控制一下本质还是人在操作机器机器并没有真正理解人。直到我自己动手做了这个基于用户行为数据分析的AI实验项目才算是摸到了一点智能的门槛。这套方案的核心思路很简单不靠规则而是让系统通过传感器采集用户在房间里的行为轨迹用模型去学习每个人的生活习惯再反过来自动控制灯光、空调、窗帘这些设备。今天就把我踩过的坑、调过的参数、还有整个从零搭建的思考过程完整写出来想自己做点真·智能家居实验的可以参考参考。本文主要分享一套可以完整复现的实验框架适合有嵌入式或Python基础、想尝试AIoT方向落地项目的开发者也适合正在做毕业设计或者个人作品集的电子、计算机相关专业学生。我会从方案选型、传感器选型、数据采集、模型训练、自动化联动到问题排查全部讲清楚里面包含我实际跑通的代码结构和具体配置能直接省掉你大量试错的成本。1. 实验项目的整体设计思路拆解1.1 传统智能家居为什么不够智能智能家居已经这么多年了但大部分人的真实体验是装了一堆智能设备新鲜了几天最后还是回去用手按开关。问题出在哪传统方案本质上都是被动响应式的——用户给出明确指令按键、App点击、语音命令设备才执行动作。这不能算智能只能算可以远程控制的电器。真正能称为智能家居的应该具备两个能力主动感知和自适应决策。主动感知指的是系统能通过采集用户行为数据判断这个人在哪个房间在做什么自适应决策指的是系统根据判断结果自动调节设备状态并且随着用户习惯的积累不断优化调节策略。要做到这两点光靠if-else规则是写不出来的——你不可能穷举几点几分在客厅看电视应该开多亮的灯这种组合所以才需要引入行为数据分析这个环节让模型代替人去发现规律。1.2 方案选型行为数据驱动 vs 规则驱动我做实验最开始确实走了弯路。第一版用的是纯规则方案人体传感器检测到有人就开灯超过5分钟没检测到动静就关灯。听起来合理实际用起来别扭得要命——你坐在沙发上玩手机一动不动灯10分钟就关了得频繁挥手臂去唤醒你在卧室睡觉翻了个身传感器照样触发灯半夜亮起来差点把我吓醒。这些痛点让我下决心换成行为数据驱动的方案。核心思路变成了三层数据层用多个低成本传感器持续采集用户在屋内的移动轨迹、停留时间、开关门状态、电流能耗变化形成时间序列数据。模型层把时间序列切分成窗口提取统计特征用分类模型识别当前行为睡觉、办公、看电视、做饭、离家等。控制层把识别出的行为映射为设备联动规则用置信度加时间平滑策略避免抖动保证执行稳定性。这个框架的普适性很强因为它把感知—理解—行动解耦了。即使你后续换更好的传感器、换更强的模型只需要替换对应层就行不用推翻整个架构。1.3 实验环境的整体架构我实际搭建的实验环境是这样的以一块STM32F407开发板作为主控连接人体红外传感器、门磁传感器、电流互感器、温湿度传感器数据通过串口传给树莓派或者任何一台跑Python的主机在树莓派上完成数据清洗、特征提取、行为识别最后通过MQTT下发控制指令给智能插座和PWM调光模块。整体架构如下传感器采集层STM32 ↓ 串口JSON数据 边缘数据层树莓派 Python ↓ MQTT 控制执行层智能插座 / 调光模块 / 窗帘电机我当时选择STM32做主控是因为它的ADC和GPIO资源丰富采集多路传感器很方便还能把采集到的数据先做一层滤波减轻上位机的计算压力。但如果你手里只有树莓派或者香橙派也可以把传感器直接接到开发板节省一层通信开发时间。这个方案很灵活核心不在于主控型号而在于数据通路要打通——传感器数据必须以结构化的、带时间戳的形式进入模型而不是零散地存日志文件。2. 数据采集与预处理整个系统最容易翻车的一步2.1 传感器选型的门道行为识别的基础是数据质量而数据质量在你选定传感器的瞬间就决定了大半。我用过的传感器有好几种逐个说说实际表现。人体红外传感器PIR最常用便宜但短板也明显——只能检测有没有人动静止的人体检测不到。我在沙发上刷手机这一场景里PIR数据几乎是断线的。后来我加了一个策略PIR不单独作为判断依据而是和电流检测配合使用用电器的功率波动曲线作为状态兜底。门磁传感器装在房门和门窗上检测开关状态。这个数据非常有价值尤其用来判断进出房间起夜外出回家等事件状态量简单可靠几乎不需要清洗。强烈建议每个房间至少装一个。电流互感器非侵入式电流检测这是我整个数据方案里最关键的一个传感器。它夹在房间总闸的电线上通过检测电流波形间接判断电器开关状态不需要拆改电路。在电视、电脑、电暖器这些大功率设备上效果非常明显——一旦电视启动电流特征立刻跳变。这比PIR靠谱多了。温湿度传感器DHT22辅助作用用来区分洗澡湿度骤升和正常活动以及辅助判断睡眠时段的环境变化。选型的一个通用原则永远不要迷信单一传感器。行为识别本质是融合多种弱信号做判断单一传感器数据都太片面只有多源数据交叉验证才能获得稳定的准确率。2.2 采样策略与数据格式设计采样频率是第一个要定下来的参数。我实测下来的推荐值是PIR和门磁高频采集2~5秒一次电流互感器中等频率1秒一次温湿度低频采集30秒一次然后用时间对齐机制把不同频率的数据统一到同一时间轴。采样频率不是越高越好——采集频率太高数据量大而且波动噪声多徒增清洗成本太低则会漏掉关键行为变化尤其是开关电器的瞬态特征。数据格式我走了不少弯路。一开始我用CSV裸存时间戳格式不统一、传感器id混乱后面做特征工程时痛苦不堪。后来统一成了JSON格式每条数据带sensor_id、timestamp、value、event_typeSTM32端组装好之后通过串口发给上位机。下面是我实际使用的数据帧格式{ timestamp: 2024-11-20 21:03:26, sensor_id: pir_livingroom, value: 1, event_type: motion }这里有一个重要的工程细节传感器数据解析必须考虑丢包和乱序。我踩过很惨的坑——STM32串口缓冲区溢出导致时间戳错位十几个小时整个训练集报废后来在解析脚本里加入时间戳单调性校验一旦发现乱序直接丢弃该帧并打日志宁可丢数据也不要错数据。2.3 从原始状态到行为特征特征工程怎么做数据采集完成之后你手里是一堆看似杂乱的状态序列接下来就是特征工程的主场了。这也是我在琢磨模型到底学什么时花时间最多的地方。对于一段30分钟的时间窗口我提取的特征分三层基础统计特征运动触发次数、平均停留时长、开门次数、功率均值/方差、温湿度变化趋势。这一层描述的是这个房间里发生了什么动静。时间上下文特征当前时间段清晨/上午/下午/深夜、是否为工作日、距上次离家时长。这一层描述的是当前处于什么时间场景。通过把时间编码进去模型才能区分凌晨玩手机和夜间睡眠这种统计特征很相似但本质不同的行为。状态转移特征上一行为状态、当前状态的持续时间、相邻事件的时间间隔。这一层是让模型具备记忆的关键比如从客厅活动突然变为卧室活动大概率是准备睡觉了。特征提取完之后我做了标准化处理StandardScaler并且把所有特征拼成一个向量输入模型。工程上还有一个很容易被忽略的决策滑动窗口的重叠率。我用的是30秒窗口、10秒步长也就是说相邻窗口有20秒重叠。重叠的好处是行为切换的过渡帧能被多次采样提升模型对边界事件的敏感度坏处是数据量增大三倍。测试下来这个重叠率对准确率的提升很值推荐沿用。3. 行为识别模型的选择与训练细节3.1 轻量模型还是深度模型模型选择这一步我先后尝试过好几种方案把试错经验直接分享给你省得重复花钱花时间。决策树/随机森林胜在训练快、可解释性强、嵌入式部署友好。在数据量不大的家庭场景下我只积累了大概两周数据两万多条窗口样本随机森林在五个行为类别的分类上能达到89%左右的准确率这个表现已经足够实用了。如果你没有太多标注数据或者不想在调动GPU这些事上耗费精力随机森林是完全够用的方案。LSTM/GRU等序列模型能捕捉更细粒度的时序依赖我在实验中测试了GRU模型准确率能提到93%左右但代价是训练时间显著增加、模型体积大、在树莓派上推理延迟更高。在人在房间内走动—坐下—打开电脑这种连续动作切换的场景里GRU确实比随机森林更顺滑但用起来成本高了不少。实际结论当前实验阶段随机森林已经能覆盖我的需求优先考虑在线推理的低延迟所以最终用的是随机森林 少量滑动窗口平滑策略的折中方案。如果你是想做学术验证或者心中有更复杂的场景需求比如同时识别睡眠品质情绪状态等高阶概念再考虑换序列模型不迟。给一个我训练模型时的代码结构参考比较容易跑通import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 假设 features 是特征工程后的DataFramelabel 是行为标签列 X features.drop(columns[label]) y features[label] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) clf RandomForestClassifier( n_estimators200, max_depth12, min_samples_leaf2, n_jobs-1, random_state42 ) clf.fit(X_train, y_train) y_pred clf.predict(X_test) print(classification_report(y_test, y_pred))这里有三个参数我调了很久重点说一下max_depth12限制树深防止模型过度学习个别时间段的行为噪声。试过不限制深度训练集准确率100%测试集直接掉到75%过拟合非常明显。min_samples_leaf2保证每个叶子节点至少覆盖2个样本提高泛化能力。数据量少的场景下这个参数很管用。n_estimators200不是越多越好我测过500棵树准确率只提升了0.2%但推理耗时增加了接近一倍。为了在树莓派上跑实时推理我压在了200棵。3.2 行为类别的定义与标注策略模型能识别什么取决于你定义了哪些行为类别。我在实验里先定义了五个最基础的家居行为睡眠、居家活动、工作学习、影音娱乐、离家。这几个类别基本覆盖了一天中绝大部分时间而且区分度比较明显模型学习起来不困难。标注是监督学习里最耗费精力的环节起初我天真地想全手动标注——边看时间戳边翻监控日志做标记两周数据标下来人真要疯了。后来我换了个半自动标注策略用App记录 传感器事件自动辅助。具体做法是手机装一个简单的打卡App每当行为切换时手动打一个标签然后写脚本用门磁和PIR事件的时间点做辅助对齐自动填充两个行为标签之间的未标注区间。这样两周的数据实际手动标注的时间压缩到了两小时内效率提升巨大。3.3 从模型输出到设备控制置信度与平滑策略模型直接输出预测结果拿它去控制设备是不行的会有一个专有名词叫决策抖动——模型在行为边界上来回摆动一会儿判定居家活动一会儿判定影音娱乐如果这种抖动直接映射成设备开关动作灯就会疯狂闪烁空调一会开一会关体验非常糟糕。我的解决思路是引入一个置信度阈值 滞回比较器PREDICT_THRESHOLD 0.7 # 低于该置信度不切换状态 HYSTERESIS_COUNT 3 # 连续3个窗口预测相同行为才切换 def decide_action(current_state, prediction_prob): max_prob max(prediction_prob) pred_label prediction_prob.argmax() if max_prob PREDICT_THRESHOLD: return current_state # 置信度不足维持现状 if pred_label ! current_state and confidence_streak[pred_label] HYSTERESIS_COUNT: return pred_label return current_state置信度阈值设为0.7是我多次测试后的平衡点。设得太高行为切换响应慢比如从客厅进卧室躺下可能要等1分钟才能触发睡眠氛围设得太低误判会明显增多。滞回比较器的作用更直接——要求连续3个窗口20秒都预测同一个行为才真正切换这样设备的执行状态就稳定了画面就舒服多了。4. 自动化联动与系统掉线排查实录4.1 行为到设备执行链路的搭建模型识别出行为并不等于智能家居完成还要把行为转成实际设备动作并通过稳定可靠的链路执行下去。我的这套系统里树莓派跑着Python程序推理出来的行为标签通过MQTT协议发布到消息服务器然后智能插座、调光模块、窗帘电机各自订阅自己关心的主题收到指令就执行动作。联动规则我写在了模型和硬件中间的一个规则引擎里这样后续修改联动策略不需要动模型代码。举几个我实际在用的联动规则识别行为执行动作执行时机睡眠关闭卧室主灯、空调设为睡眠模式行为持续1分钟以上影音娱乐客厅灯光调暗到30%、打开电视插座电源置信度超过0.8工作学习书桌台灯亮度调到80%、关闭卧室设备行为持续30秒离家关闭所有非必要插座、窗帘自动合上离家状态持续5分钟这套规则本身不复杂但执行顺序上有一个重要的经验设备动作要分级响应。比如睡眠行为触发应该先关灯再调空调然后是电动窗帘最后才是那些不痛不痒的待机设备断电。如果反过来一窝蜂同时执行瞬间功率波动会很大而且夜里的执行噪音会影响用户入睡。4.2 我实际踩过的几个典型问题这个实验过程中问题多得写不完挑几个最有代表性的、也是最可能复现的问题说说每个都附带排查思路。问题一传感器偶发误报导致行为识别紊乱PIR传感器非常容易被热源干扰比如暖气片、阳光直射甚至猫路过都会触发误报。最初我识别准确率总上不去排查了很久后来通过可视化工具看数据的分布才发现有一个区域的数据标签和实际场景严重不符——是PIR安装位置对着一面西晒墙导致的。解决方案是调整安装位置同时后端加了一个去抖逻辑PIR单次触发信号持续时间低于3秒的当做无效事件直接过滤掉。问题二串口通信中断上位机数据断流STM32和树莓派之间的串口通信运行几天之后莫名中断。排查后发现是USB转串口模块的供电不稳导致的。给模块换了一个独立供电的USB HUB端口之后一周测试再没断过。排查这类问题有个经验先看物理层供电再看波特率最后看软件缓冲区能省很多时间。问题三模型冷启动刚装好系统时没有历史数据可用刚开始的那一周模型没有用户历史行为数据处于裸奔状态。我的临时方案是内置了一套保守的默认规则兜底比如检测到有人就保持当前设备状态不变同时不执行任何自动化动作只默默采集数据。等攒够了三天的行为数据才开始训练模型并切换到自动模式。这个影子模式设计既保证了实验期间不影响正常生活又让系统平稳度过了数据积累期。问题四树莓派卡死导致智能联动全部失效有一阵子系统运行两三天就卡死一次后来排查出来是树莓派的内存被频繁读写日志撑爆了。加了两道保险一是日志切割每天一个文件超过50MB就清理最旧的二是写了一个看门狗脚本每隔15分钟检查主进程是否存活死掉就自动重启。从那以后系统再没长时中断过。4.3 实验效果评估系统稳定运行一段时间之后我做了一次集中评估。随机选取了连续7天的数据做离线回测行为识别准确率在89%~93%之间比预想的要好联动规则执行成功率在95%左右剩下的5%个别是因为传感器数据缺失导致置信度不足系统主动放弃了执行。这个结果下自动模式带来的设备误动作已经非常少。还有个很有价值的副产品通过行为数据分析系统能发现用户的生活习惯规律。比如通过聚类分析我发现我工作日晚上11点30分左右进入卧室的概率高达78%系统可以在这个时间点提前开启卧室空调的睡眠预热模式这就是一个靠规则很难想到、但数据能自然浮现的智能场景。5. 这套实验还能往哪些方向延伸做完整套流程之后我最大的体会是基于用户行为数据分析的智能家居真正的护城河不在硬件而在数据和模型的积累。设备谁都能买到传感器谁都能拼但如何从模糊的传感器信号中理解人的意图才是决定体验上限的关键。如果你也想动手做我建议按这个顺序推进先把传感器数据通路跑通再做简单的规则联动积累两周数据然后引入模型识别最后才考虑多房间联动和远程控制。步子迈得太大容易在调试上耗尽耐心。如果已经完成了基础版还有一些很值得尝试的扩展方向用序列模型做全屋行为轨迹预测提前预判下一个房间把语音、摄像头视觉信息融合进来提升行为识别的鲁棒性或者接入语音助手让自动化规则支持自然语言交互。我自己下一个阶段正准备做的是多设备联动场景下的能耗优化——在保持行为识别准确的前提下把非必要设备的待机能耗压到最低这会在后面单独写一期实验记录到时候再来分享实际数据。最后再分享一个小技巧实验过程中一定要把传感器原始数据、中间特征、模型预测结果全部可视化出来。别怕麻烦很多时候你盯着数据分布看半小时比闷头调三天参数更有效。行为数据本身是会说话的关键是你得先让它们呈现在你眼前。