1.一种融合时空因素的智能家居用户操控行为习惯建模方法，其特征在于，包括下述步骤：

S1，结合无线网络或者有线网络，对用户所有智能家居设备的操控记录数据以及设备的地理位置信息进行采集；

包括用户历史操控数据的读取和汇聚；其中，数据加载模块包括在线入口和离线入口：

在线入口支持直接从MySQL数据库根据用户ID读取相应的用户操控记录后，进行操控行为习惯的预测；离线入口则支持输入符合主流规范的csv文件路径并根据文件路径进行CSV本地记录文件的读取后，进行操控行为习惯的预测；

S2，将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；数据预处理包括数据清洗、数据转换和数据标记；

S2.1，数据清洗；数据清洗的主要任务为数据缺失值的处理，该处理方法为使用热卡填充法处理：对于一个包含缺失值的变量，热卡填充法在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充；

S2.2，数据转换；在用户操控记录中，每一列代表不同的数据空间，而数据空间之间往往由于取值范围，如日期和操控状态的取值范围不同，从而导致数据特征维度的不一致，为了实现数据维度的一致性，需要将不同空间的数据映射到相同的空间，因此使用公式(1)将其映射到取值范围为0-1之间的空间，公式(1)如下所示：其中date表示某一维度空间下的原始数据集，i为该数据集下的第i个数据点，min函数是取数据集中的最小值，max函数是取数据集中的最大值；

而对于用户设备的位置坐标，则利用公式(2)将其进行0-1均值归一化处理，公式(2)如下所示：其中x′代表归一化转换后取值范围为0-1的坐标空间，x代表某一设备的位置坐标，即x＝(X,Y)，μ表示该设备位置坐标中X和Y的均值，即μ＝(μX,μY)，σ则代表位置坐标中X和Y的方差，即σ＝(σX,σY)；

S2.3，数据标记；为实现推导式学习，挖掘出某一设备经过某一状态操控后将会触发哪些设备并进入什么状态的功能，则需要为用户的操控历史记录打上标记，打标记的具体规则为：某一记录的标记代表下一个被操控的设备及其操控状态；

S3，将用户操控数据的时间特征和空间特征进行分离，并生成时间特征集和空间特征集；其中，时间特征主要是记录生成时间，即设备的操控时间，空间特征主要是记录设备的地理位置坐标；

S4，特征学习；将用户操控数据的时间特征放进时间特征学习器中进行学习；同时将用户操控数据的空间特征放进空间特征学习器中进行学习；

S5，学习结果的汇聚；将S4中学习的结果通过学习结果汇聚器进行相乘汇聚，得到最终的用户行为操控习惯模型；

S6，预测阶段；如用户有新的操控记录被生成，则将该用户记录的特征输入到S5的用户行为操控习惯模型中，即可推导出用户接下来最有可能操控的设备及其操控状态，实现用户行为预测的功能。

2.根据权利要求1所述的融合时空因素的智能家居用户操控行为习惯建模方法，其特征在于，所述S4中的时间特征学习器为长短周期记忆神经网络GRU学习器；按记录产生时间的先后顺序将代表不同日期的N个用户历史操控行为的时间特征向量输入到GRU记忆神经网络中，并挖掘出潜在用户操控习惯时序特征；GRU神经网络的每一层有四个基本运算，其体系结构如下：

1)更新门：更新信号通过公式(3)来决定本神经层得到的潜在用户操控习惯时序特征，将会以多大程度影响并更新上一神经层已得到的潜在用户操控习惯时序特征，并给出一个介乎0到1的权重Zt，公式(3)如下所示：Zt＝σ(W(z)Xt+U(z)ht-1)；    (3)

(i) (i)

其中W 代表门控i的输入层的权重，U 代表门控i的隐含层的权重，其中i∈{z,r,h}，z代表更新门，r代表重置门，h代表隐含状态更新门；Xt表示t时刻的输入，h表示不同GRU隐含层的隐含状态；记最后一层输出的隐含状态即用户时间特征的学习结果为hx；

2)重置门：重置信号通过公式(4)判定新输入的新的用户操控记录的时间特征Xt的重要程度，并给出一个介乎0到1的权重rt，公式(4)如下所示：rt＝σ(W(r)Xt+U(r)ht-1)；    (4)

3)新记忆产生：GRU神经网络中的新记忆是指本神经层得到的代表潜在用户操控习惯时序特征的向量，即对新观察到的潜在用户操控习惯时序特征和上一神经层已得到的潜在用户操控习惯时序特征进行合并，并通过公式(5)将二者融合以得到本神经层的新的潜在用户操控习惯时序特征，公式(5)如下所示：其中 表示该神经元最终输出的隐含状态，tanh表示双曲正切函数；

4)隐层状态：GRU神经网络中的隐层状态是指经过本神经层处理后得到的新的潜在用户操控习惯时序特征；GRU神经网络根据1)得到的权重Zt，将本神经层得到的潜在用户操控习惯时序特征与上一神经层得到的潜在用户操控习惯时序特征进行结合，从而得到新的潜在用户操控习惯时序特征，并传递给下一个神经层进行处理，公式(6)如下所示：当隐层状态传递到最后一个神经层时，最后一个神经层的输出即整个GRU神经网络的输出则认为是根据所有用户操控记录时间特征集所得到的最终的潜在用户操控习惯时序特征，从而达到构建用户操控记录时间特征模型的目的。

3.根据权利要求1所述的融合时空因素的智能家居用户操控行为习惯建模方法，其特征在于，所述S4中的空间特征学习器为人工神经网络ANN学习器；

人工神经网络ANN学习器只包含一个隐含层的反向传播神经网络，其中输入为{Sx,yx}，Sx为用户操控记录中的空间特征，yx为相应的记录标记；输出Cx为空间特征学习器的学习结果；输入层中的神经元使用一个线性函数(ωS+b)进行输入汇聚，并为隐藏层和输出层中的神经元设置了sigmoid函数 整个神经网络的更新函数如公式(7)所示：其中，bq表示输入层的神经元的偏置，b′n表示隐含层的神经元的偏置，b″表示输出层的神经元的偏置；ω′qr表示连接输入层和隐含层之间的权重通路，ωpq表示连接原始数据与神经网络输入层的神经元之间的权重通路，Sp表示用户操控记录中的空间特征。