智慧中屏的场景参数优化方法、系统及设备与流程

本技术涉及数据处理的，尤其是涉及智慧中屏的场景参数优化方法、系统及设备。

背景技术：

1、随着智能家居、智慧办公等场景的普及，智慧中屏作为集成显示、交互与控制功能的核心终端，通常与空调、新风、灯光、窗帘、加湿器等多种设备联动，承担环境调控的重要任务。为了保证用户舒适度并降低能耗，需要对智慧中屏及联动设备的运行参数进行优化，例如温度设定、风速、光照亮度、窗帘开度等，但该类应用场景具有显著的独特性：一方面，场景中存在房间朝向、面积、围护结构、设备安装位置等长期稳定因素，这些因素对舒适度的影响具有持续性和基础性；另一方面，场景中还存在人员活动、室外天气、时间变化、局部热源等实时变化因素，这些因素会造成不同区域舒适需求的动态波动。同时，由于空间分区和设备类型的多样性，不同区域对同一环境参数的需求可能存在显著差异，且设备运行参数通常受到硬件边界、安全阈值和舒适度等多重约束。

2、目前，针对智慧中屏及联动设备的参数优化，常见做法主要基于预设规则、简单反馈控制或单一全局优化模型。例如，根据用户手动设定的目标值进行恒温或恒湿控制，或者利用单一环境传感器数据对某一设备进行独立调节。这类方式在实际应用中存在明显局限：首先，往往将场景视作整体，未有效区分长期稳定特征和实时变化特征，导致控制参数无法同时适应基础环境条件和临时扰动；其次，多数方法采用全局统一的参数设定，忽略不同分区的个性化舒适需求，容易造成部分区域过冷或过热、照度不均等问题；且现有优化手段在面临设备参数边界、最低舒适度等多约束条件时，寻优效率较低，难以在实时变化下快速生成满足约束的较优参数，导致响应滞后或参数不可行。此外，部分方法依赖简单的线性或经验模型预测舒适度，难以准确刻画多环境因素与设备参数之间的非线性耦合关系，进一步影响参数优化的合理性和鲁棒性。

3、综上所述，目前技术在实际应用中的不足之处主要体现在：无法兼顾长期稳定与实时动态特征、缺乏全局与分区协同的精细化控制机制、多约束下的优化效率不高，以及舒适度预测能力不足。因此，本领域需要一种能够在满足设备参数边界和最低舒适度等约束的前提下，快速生成兼顾全局基础舒适和分区差异化需求的场景参数，从而提升智慧中屏及联动设备控制效果和用户舒适度的方法。

技术实现思路

1、为了提高用户体验，本技术提供智慧中屏的场景参数优化方法、系统及设备。

2、第一方面，本技术提供了智慧中屏的场景参数优化方法，采用如下的技术方案：

3、智慧中屏的场景参数优化方法，包括：

4、获取智慧中屏所处场景的静态场景数据和动态场景数据，其中，所述静态场景数据用于表征场景的长期稳定状况，所述动态场景数据用于表征场景的实时变化状况；

5、对所述静态场景数据进行特征提取，得到场景静态特征；以及，对所述动态场景数据进行特征提取，得到场景动态特征；

6、调用预生成的静态舒适度预测模型，以最低舒适度和设备参数空间为约束，基于所述场景静态特征，采用贝叶斯算法进行反向寻优，生成全局舒适基线参数，其中，所述静态舒适度预测模型用于根据场景静态特征数据和设备参数数据，输出舒适度；

7、基于所述全局舒适基线参数和设备参数边界，确定参数约束条件，其中，所述设备参数边界为所述设备参数空间的端点值；

8、调用预生成的动态舒适度预测模型，以目标舒适度为优化目标，以参数约束条件为约束，基于所述场景动态特征，采用差分进化算法进行反向寻优，生成分区舒适调整参数，其中，所述动态舒适度预测模型用于根据场景动态特征数据、全局舒适基线参数数据和分区舒适调整参数数据，输出舒适度；

9、对所述分区舒适调整参数与所述全局舒适基线参数进行融合，得到场景参数，以对智慧中屏及联动设备进行分区控制。

10、通过采用上述技术方案，获取智慧中屏所处场景的静态场景数据和动态场景数据，其中，静态场景数据用于表征场景的长期稳定状况，动态场景数据用于表征场景的实时变化状况，然后对静态场景数据进行特征提取，得到场景静态特征；以及，对动态场景数据进行特征提取，得到场景动态特征，然后调用预生成的静态舒适度预测模型，以最低舒适度和设备参数空间为约束，基于场景静态特征，采用贝叶斯算法进行反向寻优，生成全局舒适基线参数，其中，静态舒适度预测模型用于根据场景静态特征数据和设备参数数据，输出舒适度，然后基于全局舒适基线参数和设备参数边界，确定参数约束条件，其中，设备参数边界为设备参数空间的端点值，然后调用预生成的动态舒适度预测模型，以目标舒适度为优化目标，以参数约束条件为约束，基于场景动态特征，采用差分进化算法进行反向寻优，生成分区舒适调整参数，其中，动态舒适度预测模型用于根据场景动态特征数据、全局舒适基线参数数据和分区舒适调整参数数据，输出舒适度，然后对分区舒适调整参数与全局舒适基线参数进行融合，得到场景参数，以对智慧中屏及联动设备进行分区控制。本技术通过区分静态与动态场景特征并构建分层优化机制，实现全局舒适基线与分区差异化调整的协同，在满足设备参数边界和最低舒适度等约束下，提升多约束寻优效率与舒适度预测准确性，从而有效改善智慧中屏及联动设备的控制效果与用户体验。本发明通过区分静态与动态的场景特征，使参数优化能够同时适应长期稳定因素与实时变化因素，并通过分别构建静态与动态舒适度预测模型，准确刻画多因素与舒适度之间的非线性耦合关系，并在此基础上进行全局基线与分区调整的分层反向寻优，实现全局舒适与分区差异化需求的协同；同时，在设备参数边界和最低舒适度等约束下，贝叶斯优化和差分进化算法保证了较高的寻优效率与参数可行性，由此生成的场景参数兼顾全局基础舒适和分区个性化需求，有效改善智慧中屏及联动设备的控制效果与用户体验。

11、可选的，所述对所述静态场景数据进行特征提取，得到场景静态特征的步骤，包括：

12、对所述静态场景数据进行分类，得到空间结构数据、设备配置数据和环境基线数据，其中，所述空间结构数据包括房间布局信息、围护结构信息和空间尺寸信息中的至少一种，所述设备配置数据包括设备类型、安装位置、额定参数和可控范围中的至少一种，所述环境基线数据包括历史环境参数统计值；

13、对所述空间结构数据进行特征提取，得到空间布局特征；

14、对所述设备配置数据进行特征编码和属性映射，得到设备能力特征；

15、对所述环境基线数据进行统计特征构造和降维处理，得到环境基线特征；

16、对所述空间布局特征、所述设备能力特征和所述环境基线特征进行融合，得到场景静态特征。

17、通过采用上述技术方案，为了生成场景静态特征，对静态场景数据进行分类，得到空间结构数据、设备配置数据和环境基线数据，其中，空间结构数据包括房间布局信息、围护结构信息和空间尺寸信息中的至少一种，设备配置数据包括设备类型、安装位置、额定参数和可控范围中的至少一种，环境基线数据包括历史环境参数统计值，然后对空间结构数据进行特征提取，得到空间布局特征，然后对设备配置数据进行特征编码和属性映射，得到设备能力特征，然后对环境基线数据进行统计特征构造和降维处理，得到环境基线特征，然后对空间布局特征、设备能力特征和环境基线特征进行融合，得到场景静态特征。

18、可选的，所述对所述动态场景数据进行特征提取，得到场景动态特征的步骤，包括：

19、对所述动态场景数据进行分类，得到环境传感数据、人员活动数据、设备运行状态数据和外部环境数据，其中，所述环境传感数据包括温度、湿度、光照强度中的至少一种，所述人员活动数据包括人员位置、人员数量和活动类型中的至少一种，所述设备运行状态数据包括设备开关状态、运行模式、负载参数和能耗数据中的至少一种，所述外部环境数据包括室外温度、室外光照和天气状况中的至少一种；

20、基于预设时间窗口和滑动步长，对所述动态场景数据进行切片，得到多个动态场景片段，其中，所述动态场景片段包括环境传感片段、人员活动片段、设备运行状态片段和外部环境片段；

21、对每个所述动态场景片段，分别对对应的所述环境传感片段、所述人员活动片段、所述设备运行状态片段和所述外部环境片段进行特征提取，得到对应的环境动态特征、人员动态特征、设备动态特征和外部动态特征；

22、将同一所述动态场景片段内的所述环境动态特征、所述人员动态特征、所述设备动态特征和所述外部动态特征进行拼接，得到片段动态特征；

23、对各个所述片段动态特征进行时序聚合，得到场景动态特征。

24、通过采用上述技术方案，为了生成场景动态特征，对动态场景数据进行分类，得到环境传感数据、人员活动数据、设备运行状态数据和外部环境数据，其中，环境传感数据包括温度、湿度、光照强度中的至少一种，人员活动数据包括人员位置、人员数量和活动类型中的至少一种，设备运行状态数据包括设备开关状态、运行模式、负载参数和能耗数据中的至少一种，外部环境数据包括室外温度、室外光照和天气状况中的至少一种，然后基于预设时间窗口和滑动步长，对动态场景数据进行切片，得到多个动态场景片段，其中，动态场景片段包括环境传感片段、人员活动片段、设备运行状态片段和外部环境片段，然后对每个动态场景片段，分别对对应的环境传感片段、人员活动片段、设备运行状态片段和外部环境片段进行特征提取，得到对应的环境动态特征、人员动态特征、设备动态特征和外部动态特征，然后将同一动态场景片段内的环境动态特征、人员动态特征、设备动态特征和外部动态特征进行拼接，得到片段动态特征，然后对各个片段动态特征进行时序聚合，得到场景动态特征。

25、可选的，所述调用预生成的静态舒适度预测模型，以最低舒适度和设备参数空间为约束，基于所述场景静态特征，采用贝叶斯算法进行反向寻优，生成全局舒适基线参数的步骤，包括：

26、调用预生成的静态舒适度预测模型，并获取所述智慧中屏及联动设备的设备参数空间以及设定的最低舒适度，其中，所述设备参数空间由各联动设备的可调参数及所述可调参数的取值范围构成；

27、将所述场景静态特征作为所述静态舒适度预测模型的固定输入，将所述设备参数空间作为参数搜索域，并设定所述静态舒适度预测模型输出的舒适度不低于所述最低舒适度为第一约束条件；

28、在所述参数搜索域内抽取多份初始设备参数组，并分别调用所述静态舒适度预测模型，得到对应的舒适度预测值，且根据所述初始设备参数组及对应的舒适度预测值构建设备参数样本集；

29、构建贝叶斯优化目标函数，其中，所述贝叶斯优化目标函数在满足所述第一约束条件下，以最小化所述舒适度预测值与所述最低舒适度之间的超出量为目标，并对不满足所述第一约束条件的设备参数样本施加惩罚；

30、基于所述设备参数样本集，构建所述贝叶斯优化目标函数的代理模型；

31、基于所述代理模型和预设采集函数，在所述参数搜索域内确定下一组设备参数组；以及，基于所述静态舒适度预测模型，对所述下一组设备参数组进行舒适度预测，将所述下一组设备参数组及对应的舒适度预测值加入所述设备参数样本集；以及，重新拟合所述代理模型，并进行迭代，直至满足第一迭代终止条件，其中，所述第一迭代终止条件包括当前迭代次数达到第一预设次数；

32、从所述设备参数样本集中选取满足所述第一约束条件且使所述贝叶斯优化目标函数的函数值最小的设备参数组，作为全局舒适基线参数，其中，所述全局舒适基线参数用于表征智慧中屏及联动设备进入满足所述最低舒适度且不违反设备参数边界的基础运行状态。

33、通过采用上述技术方案，为了生成全局舒适基线参数，调用预生成的静态舒适度预测模型，并获取智慧中屏及联动设备的设备参数空间以及设定的最低舒适度，其中，设备参数空间由各联动设备的可调参数及可调参数的取值范围构成，然后将场景静态特征作为静态舒适度预测模型的固定输入，将设备参数空间作为参数搜索域，并设定静态舒适度预测模型输出的舒适度不低于最低舒适度为第一约束条件，然后在参数搜索域内抽取多份初始设备参数组，并分别调用静态舒适度预测模型，得到对应的舒适度预测值，且根据初始设备参数组及对应的舒适度预测值构建设备参数样本集，然后构建贝叶斯优化目标函数，其中，贝叶斯优化目标函数在满足第一约束条件下，以最小化舒适度预测值与最低舒适度之间的超出量为目标，并对不满足第一约束条件的设备参数样本施加惩罚，然后基于设备参数样本集，构建贝叶斯优化目标函数的代理模型，然后基于代理模型和预设采集函数，在参数搜索域内确定下一组设备参数组；以及，基于静态舒适度预测模型，对下一组设备参数组进行舒适度预测，将下一组设备参数组及对应的舒适度预测值加入设备参数样本集；以及，重新拟合代理模型，并进行迭代，直至满足第一迭代终止条件，其中，第一迭代终止条件包括当前迭代次数达到第一预设次数，然后从设备参数样本集中选取满足第一约束条件且使贝叶斯优化目标函数的函数值最小的设备参数组，作为全局舒适基线参数，其中，全局舒适基线参数用于表征智慧中屏及联动设备进入满足最低舒适度且不违反设备参数边界的基础运行状态。

34、可选的，所述基于所述全局舒适基线参数和设备参数边界，确定参数约束条件的步骤，包括：

35、获取智慧中屏及联动设备的设备参数边界，其中，所述设备参数边界包括可调参数的参数上限和参数下限；

36、解析所述全局舒适基线参数，得到可调参数的基线参数值；

37、针对每个可调参数，将该可调参数的参数下限与对应的所述基线参数值之差作为该可调参数的调整量下限，并将该可调参数的参数上限与对应的所述基线参数值之差作为该可调参数的调整量上限；

38、根据所述可调参数的所述调整量下限和所述调整量上限，生成参数约束条件。

39、通过采用上述技术方案，为了生成参数约束条件，获取智慧中屏及联动设备的设备参数边界，其中，设备参数边界包括可调参数的参数上限和参数下限，然后解析全局舒适基线参数，得到可调参数的基线参数值，然后针对每个可调参数，将该可调参数的参数下限与对应的基线参数值之差作为该可调参数的调整量下限，并将该可调参数的参数上限与对应的基线参数值之差作为该可调参数的调整量上限，然后根据可调参数的调整量下限和调整量上限，生成参数约束条件。

40、可选的，所述调用预生成的动态舒适度预测模型，以目标舒适度为优化目标，以参数约束条件为约束，基于所述场景动态特征，采用差分进化算法进行反向寻优，生成分区舒适调整参数的步骤，包括：

41、调用预生成的动态舒适度预测模型，并获取设定的目标舒适度，其中，所述目标舒适度不低于所述最低舒适度；

42、根据所述参数约束条件，随机生成多份分区舒适调整参数组，构成初始种群，其中，每份分区舒适调整参数组包括各可调参数的调整量；

43、对于所述初始种群中的每份所述分区舒适调整参数组，将所述场景动态特征、所述全局舒适基线参数和该分区舒适调整参数组输入所述动态舒适度预测模型，得到对应的舒适度预测值；

44、构建差分进化适应度函数，其中，所述适应度函数以最小化所述舒适度预测值与所述目标舒适度之间的偏差为目标，并对不满足所述参数约束条件的所述分区舒适调整参数组施加惩罚；

45、基于所述初始种群中各份所述分区舒适调整参数组的适应度值，对所述初始种群进行差分变异操作、交叉操作和选择操作，生成新一代种群；

46、将所述新一代种群作为当前种群，并进行迭代，直至满足第二迭代终止条件，其中，所述第二迭代终止条件包括当前迭代次数达到第二预设次数、或所述差分进化适应度函数的函数值收敛；

47、从最终种群中选取适应度值最优的所述分区舒适调整参数组，作为分区舒适调整参数。

48、通过采用上述技术方案，为了生成分区舒适调整参数，调用预生成的动态舒适度预测模型，并获取设定的目标舒适度，其中，目标舒适度不低于最低舒适度，然后根据参数约束条件，随机生成多份分区舒适调整参数组，构成初始种群，其中，每份分区舒适调整参数组包括各可调参数的调整量，然后对于初始种群中的每份分区舒适调整参数组，将场景动态特征、全局舒适基线参数和该分区舒适调整参数组输入动态舒适度预测模型，得到对应的舒适度预测值，然后构建差分进化适应度函数，其中，适应度函数以最小化舒适度预测值与目标舒适度之间的偏差为目标，并对不满足参数约束条件的分区舒适调整参数组施加惩罚，然后基于初始种群中各份分区舒适调整参数组的适应度值，对初始种群进行差分变异操作、交叉操作和选择操作，生成新一代种群，然后将新一代种群作为当前种群，并进行迭代，直至满足第二迭代终止条件，其中，第二迭代终止条件包括当前迭代次数达到第二预设次数、或差分进化适应度函数的函数值收敛，然后从最终种群中选取适应度值最优的分区舒适调整参数组，作为分区舒适调整参数。

49、可选的，所述对所述分区舒适调整参数与所述全局舒适基线参数进行融合，得到场景参数，以对智慧中屏及联动设备进行控制的步骤，包括：

50、解析所述全局舒适基线参数，得到各可调参数的基线参数值；

51、解析所述分区舒适调整参数，得到各可调参数对应的调整量；

52、对各个可调参数对应的所述基线参数值与对应的所述调整量进行叠加，得到场景参数；

53、基于所述场景参数，生成对应的设备控制指令，以对智慧中屏及联动设备进行分区控制。

54、通过采用上述技术方案，为了生成场景参数，解析全局舒适基线参数，得到各可调参数的基线参数值，然后解析分区舒适调整参数，得到各可调参数对应的调整量，然后对各个可调参数对应的基线参数值与对应的调整量进行叠加，得到场景参数，然后基于场景参数，生成对应的设备控制指令，以对智慧中屏及联动设备进行分区控制。

55、可选的，所述静态舒适度预测模型的生成步骤，包括：

56、获取历史静态场景数据、历史设备参数数据及对应的舒适度标签，其中，所述舒适度标签用于表征环境舒适程度；

57、对所述历史静态场景数据进行特征提取，得到历史场景静态特征；以及，对所述历史设备参数数据进行标准化和编码处理，得到历史设备参数特征；

58、将同一场景对应的所述历史场景静态特征和所述历史设备参数特征进行拼接，得到舒适度样本特征，并将所述舒适度样本特征与对应的所述舒适度标签关联，构建舒适度样本集；

59、将所述舒适度样本集划分为训练集和验证集；

60、基于所述训练集，对预先构建的神经网络模型进行训练，得到经训练的神经网络模型；

61、基于所述验证集，对所述经训练的神经网络模型进行验证，得到经验证的神经网络模型，并将所述经验证的神经网络模型作为静态舒适度预测模型。

62、通过采用上述技术方案，为了生成静态舒适度预测模型，获取历史静态场景数据、历史设备参数数据及对应的舒适度标签，其中，舒适度标签用于表征环境舒适程度，然后对历史静态场景数据进行特征提取，得到历史场景静态特征；以及，对历史设备参数数据进行标准化和编码处理，得到历史设备参数特征，然后将同一场景对应的历史场景静态特征和历史设备参数特征进行拼接，得到舒适度样本特征，并将舒适度样本特征与对应的舒适度标签关联，构建舒适度样本集，然后将舒适度样本集划分为训练集和验证集，然后基于训练集，对预先构建的神经网络模型进行训练，得到经训练的神经网络模型，然后基于验证集，对经训练的神经网络模型进行验证，得到经验证的神经网络模型，并将经验证的神经网络模型作为静态舒适度预测模型。

63、第二方面，本技术还提供了智慧中屏的场景参数优化系统，采用如下的技术方案：

64、智慧中屏的场景参数优化系统，包括：

65、场景数据获取模块，用于获取智慧中屏所处场景的静态场景数据和动态场景数据，其中，所述静态场景数据用于表征场景的长期稳定状况，所述动态场景数据用于表征场景的实时变化状况；

66、场景特征提取模块，用于对所述静态场景数据进行特征提取，得到场景静态特征；以及，对所述动态场景数据进行特征提取，得到场景动态特征；

67、基线参数生成模块，用于调用预生成的静态舒适度预测模型，以最低舒适度和设备参数空间为约束，基于所述场景静态特征，采用贝叶斯算法进行反向寻优，生成全局舒适基线参数，其中，所述静态舒适度预测模型用于根据场景静态特征数据和设备参数数据，输出舒适度；

68、参数约束确定模块，用于基于所述全局舒适基线参数和设备参数边界，确定参数约束条件，其中，所述设备参数边界为所述设备参数空间的端点值；

69、调整参数生成模块，用于调用预生成的动态舒适度预测模型，以目标舒适度为优化目标，以参数约束条件为约束，基于所述场景动态特征，采用差分进化算法进行反向寻优，生成分区舒适调整参数，其中，所述动态舒适度预测模型用于根据场景动态特征数据、全局舒适基线参数数据和分区舒适调整参数数据，输出舒适度；

70、参数融合控制模块，用于对所述分区舒适调整参数与所述全局舒适基线参数进行融合，得到场景参数，以对智慧中屏及联动设备进行分区控制。

71、第三方面，本技术还提供了一种计算机设备，采用如下的技术方案：

72、一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中所述的方法。

73、综上所述，本技术至少包括以下有益技术效果：获取智慧中屏所处场景的静态场景数据和动态场景数据，其中，静态场景数据用于表征场景的长期稳定状况，动态场景数据用于表征场景的实时变化状况，然后对静态场景数据进行特征提取，得到场景静态特征；以及，对动态场景数据进行特征提取，得到场景动态特征，然后调用预生成的静态舒适度预测模型，以最低舒适度和设备参数空间为约束，基于场景静态特征，采用贝叶斯算法进行反向寻优，生成全局舒适基线参数，其中，静态舒适度预测模型用于根据场景静态特征数据和设备参数数据，输出舒适度，然后基于全局舒适基线参数和设备参数边界，确定参数约束条件，其中，设备参数边界为设备参数空间的端点值，然后调用预生成的动态舒适度预测模型，以目标舒适度为优化目标，以参数约束条件为约束，基于场景动态特征，采用差分进化算法进行反向寻优，生成分区舒适调整参数，其中，动态舒适度预测模型用于根据场景动态特征数据、全局舒适基线参数数据和分区舒适调整参数数据，输出舒适度，然后对分区舒适调整参数与全局舒适基线参数进行融合，得到场景参数，以对智慧中屏及联动设备进行分区控制。本技术通过区分静态与动态场景特征并构建分层优化机制，实现全局舒适基线与分区差异化调整的协同，在满足设备参数边界和最低舒适度等约束下，提升多约束寻优效率与舒适度预测准确性，从而有效改善智慧中屏及联动设备的控制效果与用户体验。本发明通过区分静态与动态的场景特征，使参数优化能够同时适应长期稳定因素与实时变化因素，并通过分别构建静态与动态舒适度预测模型，准确刻画多因素与舒适度之间的非线性耦合关系，并在此基础上进行全局基线与分区调整的分层反向寻优，实现全局舒适与分区差异化需求的协同；同时，在设备参数边界和最低舒适度等约束下，贝叶斯优化和差分进化算法保证了较高的寻优效率与参数可行性，由此生成的场景参数兼顾全局基础舒适和分区个性化需求，有效改善智慧中屏及联动设备的控制效果与用户体验。