近几十年来,随着经济水平的提高,人们对物质生活的要求也逐渐提高,智能家居也因此应运而生。但由于人民生活水平的日益进步,原先的智能家居越来越不能满足人们的要求,这是因为原先的智能家居并非真正的智能。随着物联网技术的发展和人工智能技术的日益成熟,智能家居的发展仿佛看见了新的曙光,如何能将智能家居的控制权从家居用户的手中真正移交给智能家居系统是目前亟需解决的重大难题,虽然研究之路必将艰辛且漫长,但是我们可以先一步步做出一些小的改观。本文就是基于智能家居不够智能的现象提出了一种新的解决方法,帮助智能家居能够随着用户行为习惯的变化而自适应改变。本文的智能家居以情景模式的方式进行分组,通过用户行为的变化来相应的改变情景模式中智能家居设备的状态。本文提出了一种智能家居情景模式自适应模型,能快速准确自适应调整情景模式下设备的状态和设备列表,旨在解放用户双手的同时提升用户体验。为了建立上述的情景模式自适应模型,本文首先通过对采集到的用户数据进行预处理,然后对用户数据进行设备关联性分析和用户行为特征关联性分析,通过不同置信度筛选出强关联规则从而为用户设计贴合他们行为的情景模式,并根据得到的用户行为间的关联性来对情景模式进行更快的自适应调整。其次,如果用户行为所发生明显且无迹可寻的变化时,利用滑动窗口法根据事件发生的概率来判定事件的效力,根据事件的有效性来判定设备列表是否更新。然后,还需要对某时刻设备应处于的状态进行预测,本文选用了两种最常用的智能家居预测算法——BP神经网络算法和支持向量机算法用来预测用户行为,其中BP神经网络预测模型的初始权值阈值通过遗传算法快速选取。通过多次实验和对比,结果表明基于BP神经网络的预测模型较基于支持向量机的预测模型的准确率高。再引入关联规则对设备的关联性进行挖掘,将设备间的关联规则带入基于BP神经网络的预测模型,可以看出关联规则的引入并没有给预测模型的准确率带来质的飞跃,但是基于BP神经网络预测模型的准确率确实有了提升。基于上述得到本文Apriori关联规则和BP神经网络结合的情景模式预测模型,该预测模型预测准确率高达92.83%。最后,对本文得到的情景自适应模型进行用户仿真实验,实验结果表明本文提出的情景自适应模型准确率确实有了较大提升,尤其是在用户行为发生某些关联性变化时自适应模型能够更快做出相应调整,该模型针对不同用户的平均预测准确率达到了 93%。