1.基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：包括以下步骤：S1：结合无线或有线网络进行用户行为习惯数据的采集；

S2：数据读取及数据预处理，形成用户的操控记录矩阵；

S3：进行GAN网络对抗训练生成用户一天的操控习惯的特征矩阵；

S4：根据用户设备的操控状态的取值范围进行特征值规范化，形成最终的智能家居操控行为推荐方案。

2.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述步骤S2具体过程如下：S2-1：数据读取：提供在线以及离线入口，在线入口支持直接从数据库读取相应数据后进行后续处理，离线入口则支持输入符合主流规范的csv文件；

S2-2：用户操控记录矩阵的形成：根据用户记录产生的日期进行数据分割与填充，假设有n天的记录则将形成n个用户操控记录矩阵。

3.根据权利要求2所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述形成用户操控记录矩阵的具体步骤如下：A1：根据用户操控记录的产生时间进行时间节点的聚类，形成K个用户最常操控家居设备的频繁操控时间节点；

A2：针对步骤A1所产生的K个用户最常操控家居设备的频繁操控时间节点、用户所拥有的M个智能家居设备以及用户某一天中的所有操控记录形成一个K行M列的用户操控记录矩阵：若第i个频繁操控时间节点时的前后20分钟共40分钟内，第j个智能家居设备的操控记录不为空，则将用户操控记录矩阵的第i行第j列的数据更改为当前频繁操控时间节点得该记录中的该智能家居设备的操控状态；反之则将用户操控记录矩阵的第i行第j列的数据置为0；直至所有频繁操控时间节点和所有智能家居设备的操控记录均被遍历为止；

A3：按用户操控记录的产生日期的不同依照步骤A2生成N个不同日期所对应的N个K行M列的用户操控记录矩阵，并将其按照日期不同保存为N个.csv文件进行备份。

4.根据权利要求3所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述步骤A1形成K个用户最常操控家居设备的频繁操控时间节点的具体步骤如下：A1-1：随机选择K个频繁操控时间节点；

A1-2：对每个用户操控记录的生成时间，分别与K个频繁操控时间节点比较，如果该记录的生成时间与第i个频繁操控时间节点的余弦相似度最大，则将该记录就标记为i；

A1-3：对所有标记为i的用户操控记录的生成时间重新计算平均操作时间并将平均操作时间更新为第i个频繁操控时间节点；

A1-4：重复步骤A1-2和A1-3，直到K个频繁操控时间节点的变化小于给定阈值；

A1-5：形成K个用户最常操控家居设备的频繁操控时间节点。

5.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述GAN网络由生成模型G和判别模型D两部分组成；生成模型G以隐变量N为输入，生成尽量与训练数据相似的样本；而判别模型D为二分类器，目的是区分由G生成的样本及训练数据中的真实样本；

GAN网络的目标函数如下：

要让判别模型D越来越无法判断孰真孰假，即最大化判别误差；同时又不断地让假样本与真样本的差距越来越小，即最小化两者的差异；

优化网络参数即为迭代优化生成模型G和判别模型D：

(1)优化生成模型G，使其尽可能混淆判别模型D；

(2)优化判别模型D，使其尽可能分辨出假冒的东西；

(3)不断如此重复，当判别模型D无法分辨出真假的时候，认为由生成模型G生成的样本为真实样本；

从而使生成的特征矩阵涵盖了用户过去N天的操控记录的一些代表性的特征以及经常重现的一些潜在的特征即用户的操控习惯，所以最终输出的特征矩阵即代表了用户过去N天中所隐藏的操控习惯。

6.根据权利要求1所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述步骤S4具体过程如下：根据GAN网络挖掘得到的用户潜在的操控习惯的特征矩阵后，通过数值型处理将可能具有小数数值的用户潜在的操控习惯的特征矩阵，再依照各智能家居设备的状态取值范围进行规范化，使得智能家居的控制中心能对相应的设备进行状态设定，即可完成根据用户过去N天的历史操控记录提取出用户一整天的操控行为特征，并形成符合用户操控习惯方案并进行推荐，实现智能家居设备操控的智能化。

7.根据权利要求6所述的基于深度学习的智能家居用户操控习惯挖掘与推荐方法，其特征在于：所述智能家居设备状态取值范围的规范化机制如下：若该智能家居设备的操控状态取值范围为整数，则将该特征值进行四舍五入取整处理；若该智能家居设备的操控状态取值范围为连续性区间内的某一保留有n位小数的浮点数，则仅对该特征值进行保留n位小数处理。