目前,世界上许多国家已经进入老龄化社会,患有不同程度认知障碍疾病的老年人越来越多,老年人认知功能水平的跟踪监测成为养老成本居高不下的主要原因之一。随着近年来智能家居设备的不断完善和日益普及,老年人认知功能水平的自动跟踪监测有望成为降低养老成本的主要途径之一。由于老年人认知功能水平的自动跟踪监测取决于对其日常行为特点的分析,因此,日常行为的自动识别与预测便成为当前国内外研究的热点。本文的研究工作针对当前日常行为预测领域中存在的两个问题展开。针对单任务预测方式忽略了日常行为预测不同任务之间的联系的问题,本文提出一种基于交互反馈的多任务的日常行为预测方法。该方法首先根据最近传感器事件和日常行为之间的关联对原始传感器事件进行特征提取,引入了最近行为类别信息作为初始特征,并以此生成样本特征空间。然后根据智能家居中行为预测任务之间的关联,构建了多任务行为预测模型,在此基础上引入了反馈机制来平衡日常行为预测两个异构任务损失函数的差异,解决了在训练过程中异构任务损失函数梯度下降速率不一致问题,同时也增加了特征的多样性。在反馈机制的基础上,引入了多头注意力机制作为特征选择器,对区分能力强的特征给予更多关注,从而选择出与任务更相关的特征。针对现有传感器事件预测研究忽略了传感器空间信息的问题,本文提出了基于时空卷积网络的传感器事件预测方法。该方法首先对原始传感器事件流进行特征提取,形成特征矩阵。然后将智能家居中传感器的空间布局抽象为无向图,形成传感器邻接矩阵,建立了时空卷积预测模型,使用图卷积神经网络（Graph Convolution Networks,GCN）获取传感器空间依赖性,使用门控循环单元（Gate Recurrent Unit,GRU）获取传感器时间依赖性。利用时空卷积预测模型,将结合时间与空间信息相结合,实现对传感器事件的预测。最后,本文采用Python语言对上述方法进行了代码实现,并在华盛顿州立大学公开的CASAS数据集来验证本文所提方法的有效性。实验结果表明,本文提出的方法具有更好的预测效果。其中,基于交互反馈的多任务的日常行为预测方法较三种基线模型的平均Precision、平均Recall、平均F-score及平均R~2分别提高7.0%、6.49%、6.62%及3.81%,平均MAE及平均RMSE降低了8.54及27.61;基于时空卷积网络的传感器事件预测方法较两种基线模型的平均Precision、平均Accuracy、平均Recall及平均F-score分别提高了4.08%、4.06%、3.97%及4.05%。