1.基于时序因果关系分析的智能家居用户操控行为推荐方法，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：进行用户行为习惯数据的预处理；

S3：挖掘智能家居用户的频繁操控序列；

S4：构建贝叶斯学习模型因果关系；

S5：形成智能家居操控行为推荐方案。

2.根据权利要求1所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S2进行用户行为习惯数据的预处理，包括：数据加载：包括在线记载和离线加载；

数据降维：只保留当前操作设备、操作行为和操作时间维度；

缺失值处理：采用平均值进行缺失值填充；

数据切分：将用户数据按照单位为天进行划分。

3.根据权利要求1所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S2中数据切分的具体步骤为：将用户数据按照单位为天进行划分，得到用户每天操作的序列数据集S，且数据集S中的数据项集按照操作时间排列，设置时间约束△t，在规定的时间约束内的操作归为一个项集，且项集内部依旧按照时间顺序排列；最终形成形如：的用户第i天的操控序列，且

其次，一个用户操控序列含有若干个项集＜X＞，其中X代表该项集的元素，其形式为(z,tz)，z代表一个用户操控行为，定义为z∈(Oi,Fi)，Oi表示用户打开设备编号为i的智能家居设备，Fi表示关闭的操作；tz表示用户操控行为z的操作时间；并且一个项集含有一个或多个项集元素；最终形成针对用户n条用户操控记录的用户每天操作的序列数据集S＝{d1,d2,...,dn}。

4.根据权利要求1所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S3基于PrefixSpan序列模式挖掘算法挖掘智能家居用户的频繁操控序列，具体步骤如下：输入：序列数据集S和支持度阈值σ；

1)找出所有长度为1的前缀和对应的投影数据库；

2)对长度为1的前缀进行计数，将支持度低于阈值σ的前缀对应的项从数据集S删除，同时得到所有的频繁1项序列，i＝1；

3)对于每个长度为i满足支持度要求的前缀进行递归挖掘：a)找出前缀所对应的投影数据库；若投影数据库为空，则递归返回；

b)统计对应投影数据库中各项的支持度；若所有项的支持度计数均低于阈值σ，则递归返回；

c)将满足支持度计数的各个单项和当前的前缀进行合并，得到若干新的前缀；

d)令i＝i+1，前缀为合并单项后的各个前缀，分别递归执行第3步；

输出：所有满足支持度要求的频繁序列集P。

5.根据权利要求1所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S4构建贝叶斯学习模型因果关系的具体步骤如下：S4-1：通过MDL打分算法确定最优的贝叶斯网络结构；

S4-2：构建一阶贝叶斯网络模型；

S4-3：构建二阶贝叶斯网络模型；

S4-4：生成因果关系子集。

6.根据权利要求5所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S4-1中MDL打分算法的具体步骤如下：(1)得到一个可能的父节点并计算该与该父节点有关的所有可能的先验概率；

(2)计算该父节点的惩罚项的值；

(3)计算机该父节点的似然项；

(4)对(2)和(3)中的值进行计算得到该父节点的MDL值并保存；

(5)根据步骤(2)-(4)计算机子节点的MDL值；

(6)将第(4)步中的值与子节点的MDL值进行比较，若小于子节点MDL值则该MDL值对应的节点便是子节点的父节点。

7.根据权利要求5所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S4-2构建一阶贝叶斯网络模型的具体步骤如下：(1统计各个节点的先验概率和维数；

(2由近到远的计算子节点之前的节点是否为其父节点；若是，则进入步骤(3，否则进入步骤(4；

(3保存该父节点，将该父节点和子节点合并，形成新的子节点，重复步骤(2；

(4节点往前移一个，进入步骤(2；

(5所有可能的父节点都计算完成后结束，画出节点之间的关系图。

8.根据权利要求5所述的基于时序因果关系分析的智能家居用户操控行为推荐方法，其特征在于，所述步骤S4-3进行二阶贝叶斯网络训练时首先要构建数据集，二阶贝叶斯网络的数据集来自一阶贝叶斯网络图结构，一个一阶贝叶斯网络转化成一条记录，N个贝叶斯网络图转化成N条记录。