一种基于AI自学习的燃气表用户用气模型构建方法与流程

本发明涉及可燃气体监测技术的领域，尤其是涉及一种基于ai自学习的燃气表用户用气模型构建方法。

背景技术：

1、可燃气体监测技术是指运用催化燃烧、红外光谱、半导体传感等原理，对环境中甲烷、一氧化碳等可燃气体的浓度进行实时检测与报警的技术体系。

2、相关技术中，如公开号cn121486706a的一篇中国专利公开了一种基于物联网与ai的可燃气体远程监测管理系统及方法，该系统包括依次运行的源异构感知模块、边缘ai推理模块、联网通信传输模块、ai协同决策模块以及判定协同响应模块；其技术要点为：本方案采用用户行为画像驱动的ai协同决策模块，并引入多维度特征因子，实现对异常用气行为动态感知的同时，还通过配置超限保护项完成兜底，在一定程度上确保突发泄漏等情况不被遗漏，克服了传统纯数据驱动模型缺乏可解释性与实时性的缺陷，将历史行为上下文与实时物理状态进行融合绑定，完成对安全性与体验效果的协同优化处理。

3、针对上述中的相关技术，在对新用户入住后的用户行为画像进行采集时，需重新执行完整的建模流程，不仅涉及海量数据的清洗与特征提取，且算法训练阶段运算资源消耗极为庞大，导致建模周期显著延长，难以在较短的时间内完成面向用户行为画像驱动机制的快速建立与动态更新，使得可燃气体远程监测不能够即时实现，具有较大的危险性。

技术实现思路

1、为了解决建模周期显著延长，难以在较短的时间内完成面向用户行为画像驱动机制的快速建立与动态更新的问题，本发明提供一种基于ai自学习的燃气表用户用气模型构建方法。

2、第一方面，本发明提供一种基于ai自学习的燃气表用户用气模型构建方法，采用如下的技术方案：

3、一种基于ai自学习的燃气表用户用气模型构建方法，包括：

4、步骤100：获取当前用气习惯特征；

5、步骤101：判断当前用气习惯特征是否为初次用气习惯特征的方法；

6、步骤102：若为初次用气习惯特征，则定义新用户的初次用气习惯特征；

7、步骤103：将初次用气习惯特征进行特征向量化处理，得到初次特征向量；

8、步骤104：将预设的原始模型合集中所有的原始用气习惯特征逐一进行特征向量化处理，得到原始特征向量，所述原始模型合集包括原始用气习惯特征和每个原始用气习惯特征对应的原始用户画像模型；

9、步骤105：分别计算初次特征向量与每一个原始特征向量之间的特征距离；

10、步骤106：选取最小的特征距离对应的原始用气习惯特征，定义为相似用气习惯特征，将相似用气习惯特征对应的原始用户画像模型定义为匹配原始模型；

11、步骤107：基于初次用气习惯特征采用预设的增量学习方式对匹配原始模型对应的相似用气习惯特征进行替换，以更新匹配原始模型，得到新用户画像模型并输出。

12、通过采用上述技术方案，当系统检测到新用户时，通过将新用户的初次用气习惯特征向量化，与已有的原始用户画像模型库进行特征距离比对，找到最相似的模型，再利用新用户的实时数据，通过增量学习方式对该匹配模型进行微调与特征替换，最终输出新用户画像模型，实现了冷启动下的高效迁移学习，避免了数据稀疏问题，保障了模型响应的即时性和准确性，同时保持模型的动态适应性。

13、可选的，获取新用户的初次用气习惯特征的方法包括：

14、步骤200：获取新用户在预设的采集周期内的用气时序数据，所述用气时序数据包括用气时间段、持续用气时长和瞬时流量；

15、步骤201：筛选持续用气时长小于预设的持续用气下限时长、瞬时流量小于预设的瞬时下限流量且用气时间段不处于预设的标准用气时间段的用气时序数据定义为疑似干扰用气时序数据；

16、步骤202：将除疑似干扰用气时序数据以外的用气时序数据定义为待匹配用气时序数据；

17、步骤203：获取疑似干扰用气时序数据在采集周期内出现的有效天数；

18、步骤204：若有效天数小于预设的有效下限天数，则将疑似干扰用气时序数据作为干扰用气时序数据进行删除；

19、步骤205：若有效天数大于或等于有效下限天数，则将疑似干扰用气时序数据作为非干扰用气时序数据与待匹配用气时序数据进行整合并作为初次用气习惯特征输出。

20、通过采用上述技术方案，筛出疑似干扰数据后依据有效天数保留误判的有效数据并整合进初次用气习惯特征，有效区分了随机噪声与用户的真实低频行为，确保最终输出的特征既干净又不会误删有意义的特殊用气模式，为模型匹配提供高信噪比的输入数据。

21、可选的，还包括获取待匹配用气时序数据的优化方法，该方法包括：

22、步骤300：获取执行步骤200和步骤205之后的初次用气习惯特征后，获取按照步骤103至步骤107得到的匹配原始模型对应的原始用气时序数据；

23、步骤301：获取原始用气时序数据对应的原始用气时间轴和待匹配用气时序数据对应的待匹配用气时间轴；

24、步骤302：将原始用气时间轴与待匹配用气时间轴进行匹配对齐后比较原始用气时序数据和待匹配用气时序数据以得到待匹配用气时序数据所缺少的缺失用气时序数据和缺失数据数量；

25、步骤303：若缺失数据数量小于预设的缺失上限阈值，将缺失用气时序数据填入待匹配用气时序数据，得到低信度填补用气时序数据并作为初次用气习惯特征输出；

26、步骤304：若缺失数据数量大于预设的缺失上限阈值，则将待匹配用气时序数据定义为隐藏用气时序数据，并等待下一采集周期后得到新增用气时序数据；

27、步骤305：将隐藏用气时序数据和新增用气时序数据进行整合并作为初次用气习惯特征输出。

28、通过采用上述技术方案，将新用户的待匹配时序数据与已匹配的原始模型所对应的历史时序数据进行对齐比对后得到缺失的用气事件及数量，并用模型中的历史数据填补空缺，生成低信度特征用于后续更新，若缺失量过大则等待下一周期数据汇合，避免了因临时数据缺失导致的模型失真，通过阈值控制防止了过度依赖外部模型而引入的偏差，实现了数据补全策略与等待策略之间的动态平衡。

29、可选的，还包括新用户画像模型的更新方法，该方法包括：

30、步骤400：获取下一采集周期采集的新增用气时序数据对应的新增用气时序时间轴；

31、步骤401：将新增用气时序时间轴与待匹配用气时间轴进行匹配对齐后得到缺失用气时序数据对应的更新用气时序数据；

32、步骤402：将更新用气时序数据替换缺失用气时序数据以得到准确用气时序数据；

33、步骤403：将准确用气时序数据替换低信度填补用气时序数据并作为初次用气习惯特征以对新用户画像模型进行更新；

34、步骤404：若更新用气时序数据不存在，则保持低信度填补用气时序数据不变并记录更新用气时序数据不存在的采集周期次数；

35、步骤405：若采集周期次数小于预设的采集周期阈值则继续等待后续的采集周期获取的待匹配用气时序数据；

36、步骤406：若采集周期次数大于预设的采集周期阈值，则采用删除缺失用气时序数据后的初次用气习惯特征更新新用户画像模型。

37、通过采用上述技术方案，在下一采集周期获取新增时序数据后与之前时间轴对齐，用真实数据替换掉此前填补的缺失部分，实现模型的自纠正优化，若新增数据仍未出现，则记录等待次数，在短期内继续观望，超过阈值后则直接删除永久缺失项，避免无效占位干扰模型，最终确保新用户画像模型始终基于当前可信实测数据迭代更新。

38、可选的，判断当前用气习惯特征是否为初次用气习惯特征的方法包括：

39、步骤500：根据当前用气习惯特征查找处于同一房间内的历史用气习惯特征；

40、步骤501：将当前用气习惯特征进行特征向量化处理，得到当前特征向量；

41、步骤502：将历史用气习惯特征进行特征向量化处理，得到历史特征向量；

42、步骤503：计算当前特征向量与历史特征向量的变化特征距离；

43、步骤504：若变化特征距离高于预设的变化阈值，则将历史用气习惯特征定义为第一用气习惯特征，将当前用气习惯特征定义为第二用气习惯特征；

44、步骤505：获取在采集周期内第一用气习惯特征的第一出现次数和第二用气习惯特征的第二出现次数；

45、步骤506：当第二出现次数超过第一出现次数时，判定当前用气习惯特征是初次用气习惯特征；

46、步骤507：若变化特征距离不高于预设的变化阈值或第二出现次数未超过第一出现次数，则判定当前用气习惯特征不是初次用气习惯特征。

47、通过采用上述技术方案，将当前与历史特征分别向量化并计算变化距离，若变化特征距离高于预设的变化值且第二出现次数超过第一出现次数，则判定为初次用气习惯特征，则判定为初次用气特征，触发后续模型匹配流程；否则视为常规变化，避免了因用户正常行为波动而误触发新用户画像模型构建，为初次判断提供了基于频次与幅度的双重验证依据。

48、可选的，当第二出现次数超过第一出现次数后还包括以下步骤：

49、步骤600：调取历史用气习惯特征对应的历史用户画像模型在预设的切换周期内的使用次数，定义为历史用户画像模型使用频次；

50、步骤601：调取初次用气习惯特征对应的新用户画像模型在切换周期内的使用次数，定义为新用户画像模型使用频次；

51、步骤602：当在切换周期内新用户画像模型使用频次超过历史用户画像模型使用频次，则将新用户画像模型定义为主用户画像模型，将历史用户画像模型作为隐藏备用模型；

52、步骤603：若隐藏备用模型的数量为两个及以上，则将全部的隐藏备用模型进行整合得到隐藏备用模型库；

53、步骤604：将隐藏备用模型库内的隐藏备用模型的历史用气习惯特征定义为隐藏用气习惯特征；

54、步骤605：获取全部的隐藏用气习惯特征，并逐一进行特征向量化处理，得到隐藏特征向量；

55、步骤606：计算当前特征向量与每一个隐藏特征向量的隐藏特征距离；

56、步骤607：若隐藏特征距离低于预设的隐藏变化阈值，则判定当前用气习惯特征与隐藏用气习惯特征匹配，并将隐藏备用模型定义为主用户画像模型输出。

57、通过采用上述技术方案，通过比较新旧模型的使用频次，自动将高频模型升级为主用，旧模型降为隐藏备用，并当隐藏备用模型累积后将其特征向量化，与当前用气习惯进行距离匹配，若发现高度吻合，则切换回相应历史用户画像模型，实现模型的自适应迭代、历史经验的长期保留及习惯反复时的快速回切，持续提升用气预测的准确性与个性化适配能力。

58、可选的，获得原始模型合集的方法，该方法包括：

59、步骤700：获取所有的老用户的原始用气习惯特征对应的原始用户画像模型；

60、步骤701：获取预设的用气政策信息，定义为当前用气政策信息；

61、步骤702：依据当前用气政策信息对原始用户画像模型进行时效性校验和参数修正，将符合当前用气政策信息的原始用户画像模型定义为有效原始模型；

62、步骤703：将全部的有效原始模型进行整合得到原始模型合集。

63、通过采用上述技术方案，通过获取老用户原始画像模型，结合当前用气政策进行时效校验与参数修正，筛选出有效模型并整合为合集，确保后续调用的模型既符合最新政策，又保留历史习惯特征，提升预测合规性与准确性。

64、可选的，还包括：

65、步骤800：获取原始模型合集内的用户情况，所述用户情况包括楼层高度、用气时间点特征和用气量特征；

66、步骤801：根据楼层高度，将原始模型合集内的全部的有效原始模型按照预设的楼层高度分级阈值拆分为分级模型组，所述分级模型组包括低层模型组、中层模型组和高层模型组；

67、步骤802：分别获取各个分级模型组内的有效原始模型的用气时间点特征和用气量特征；

68、步骤803：基于用气量特征，对各个有效原始模型进行用气量聚类，得到若干用气量组；

69、步骤804：基于用气时间点特征，对各个有效原始模型进行用气时间点聚类，得到若干用气时间点组；

70、步骤805：将同属于同一用气量组且同属于同一用气时间点组的有效原始模型进行合并，得到聚合原始模型；

71、步骤806：将聚合原始模型替换被合并的有效原始模型，得到更新原始模型合集并输出。

72、通过采用上述技术方案，将原始模型合集先按楼层高度拆分为低、中、高层组，再分别对各组模型进行用气量聚类和用气时间点聚类，最后将同属同一量级且同一时间段的模型合并为聚合模型，从而减少冗余、提炼典型用气模式，输出结构更精简的更新合集，提升后续模型调取的效率和针对性。

73、可选的，还包括将全部的有效原始模型进行整合得到原始模型合集的优化方法，该方法包括：

74、步骤900：获取当前用气政策信息下的有效原始模型的有效数量；

75、步骤901：获取当前用气政策的上一个用气政策，定义为历史用气政策；

76、步骤902：若有效数量低于预设的建模数量阈值，则获取历史用气政策对应的历史有效原始模型；

77、步骤903：将历史有效原始模型与有效原始模型进行合并整合，得到扩充原始模型合集并作为原始模型合集输出；

78、步骤904：若有效数量不低于预设的建模数量阈值，则不进行优化。

79、通过采用上述技术方案，先统计当前政策下有效原始模型的数量，若低于建模阈值，则自动回溯并引入上一政策时期的历史有效模型进行合并扩充，形成更完整的合集，若数量达标则维持原状，可以有效应对政策切换初期样本不足的问题，确保后续建模与分析有足够的模型基础，避免因数据稀疏导致预测偏差，提升系统的稳健性与适应性。

80、综上所述，本发明包括以下至少一种有益技术效果：

81、1.在系统检测到新用户时，通过将新用户的初次用气习惯特征与已有的原始用户画像模型库进行特征比对，得到最相似的模型后按照新用户的实时数据通过增量学习方式对该匹配模型进行微调与特征替换，最终输出新用户画像模型，实现了冷启动下的高效迁移学习，避免了数据稀疏问题，保障了模型响应的即时性和准确性，同时保持模型的动态适应性；

82、2.将新用户的待匹配时序数据与已匹配的原始模型所对应的历史时序数据进行对齐比对后获取缺失的用气事件及数量并用模型中的历史数据填补空缺，生成低信度特征用于后续更新，避免了因临时数据缺失导致的模型失真，通过阈值控制防止了过度依赖外部模型而引入的偏差，实现了数据补全策略与等待策略之间的动态平衡，减少建模周期空白期的时长；

83、3.将原始模型合集先按楼层高度逐级分类后分别对各组模型进行用气量聚类和用气时间点聚类并合并为聚合模型，减少模型冗余，提炼典型用气模式，使得输出的合集结构更精简，提升后续模型调取的效率和针对性。