空调器的智能控制方法与空调器的智能控制设备与流程

1.本发明涉及智能家电控制，特别是涉及空调器的智能控制方法与空调器的智能控制设备。


背景技术：

2.随着生活水平的日益提高，消费者对家电的选择不再是单单注重产品的质量，而是更注重产品能够带来的使用体验。
3.对于空调器之类的环境调节设备，用户的需求在于获得高舒适性的环境体验。为了满足用户的需求，空调器的功能逐渐扩展，控制也更加精细化。因此，空调器的使用也越来越复杂。现有技术中已经使用终端app来进行控制，然而这也使得用户学习使用的门槛越来越高，操作也越来越复杂。这反而给用户带来的不便。针对这一问题，现有技术并没有提供能够有效的解决方案。


技术实现要素：

4.本发明的一个目的是要提供一种至少在一定程度上解决上述相关技术中的技术问题任一方面的空调器的智能控制方法与空调器的智能控制设备。
5.本发明一个进一步的目的是要空调器根据用户行为实现智能自调整，提高用户使用感受。
6.本发明另一个进一步的目的是要为使用习惯独特的用户提供个性化调整方案。
7.特别地，本发明提供了一种空调器的智能控制方法，其包括：获取目标用户在设定时间段内的行为记录，行为记录至少包括空调器使用记录；利用预先训练的自调整模型对行为记录进行预测，得到推荐调整策略；以及按照推荐调整策略对目标用户所在环境的空调器进行控制。
8.可选地，自调整模型的训练过程包括：从运行数据平台中订阅批量的空调器日志数据，运行数据平台用于采集并记录空调器的运行日志；将日志数据解析为结构化数据，并存储为样本数据库；使用样本数据库中的数据进行机器学习模型训练，得到自调整模型。
9.可选地，将日志数据解析为结构化数据的步骤包括：按照日志数据按照类型标签提取数据；将提取出的数据进行分类保存，得到备选样本数据表；对备选样本数据表中的数据进行统计筛选，得到结构化数据。
10.可选地，在利用预先训练的自调整模型对行为记录进行预测的步骤之前还包括：根据预先确定的相关性对应表从行为记录中筛选出候选记录，其中相关性对应表用于保存有各类用户行为与空调器运行状态的相关性；将候选记录输入自调整模型。
11.可选地，候选记录至少包括以下任意一项或多项：用户调节空调器的记录、用户的出行记录、用户的位置记录、用户的生理特征记录。
12.可选地，在按照推荐调整策略对目标用户所在环境的空调器进行控制的步骤之后还包括：获取目标用户所在环境的空调器上传的手动调整记录；判断目标用户的手动调整
记录是否超过设定次数阈值；若是，获取目标用户的行为记录以及手动调整记录，并将目标用户的行为记录以及手动调整记录作为训练样本，训练得到目标用户的画像模型。
13.可选地，在训练得到目标用户的画像模型之后还包括：使用画像模型确定目标用户的控制策略；以及按照控制策略对目标用户所在环境的空调器进行控制。
14.可选地，获取目标用户在设定时间段内的行为记录的步骤包括：获取目标用户的终端使用记录，根据终端使用记录生成行为记录。
15.可选地，推荐调整策略包括以下任意一项或多项：空调器的开关机时刻、空调器的开机初始模式、空调器的开机初始参数、空调器对环境检测数据变化的响应动作。
16.根据本发明的另一个方面，还提供了一种空调器的智能控制设备，其包括：处理器；以及存储器，该存储器内存储有控制程序，控制程序被处理器执行时用于实现上述任一种的空调器的智能控制方法。
17.本发明的空调器的智能控制方法，预先利用机器学习算法建立自调整模型，利用自调整模型对用户的行为记录进行预测，得到用于对目标用户所在环境的空调器进行控制的推荐调整策略。由于推荐调整策略基于用户行为得出，可以准确地满足用户对环境的舒适性要求，提供了用户的使用体验。
18.进一步地，本发明的空调器的智能控制方法中使用的自调整模型通过运行数据平台采集的大数据训练得出。由于采用的足够的样本，自调整模型准确有效，能够满足空调器控制策略的推荐要求。
19.更进一步地，本发明的空调器的智能控制方法，还可以对用户的行为记录进行全面收集，根据相关性计算的结果，筛选出于环境调整或环境偏好相关度较高的行为记录，将筛选出的候选记录输入自调整模型。从而可以根据需要调整所需的输入参数，提高了方法应用的灵活性。
20.又进一步地，本发明的空调器的智能控制方法，还可以对于使用记录比较独特的用户，建立个性化的画像模型，满足这些用户的智能要求。
21.根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
22.后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
23.图1是根据本发明一个实施例的空调器所在环境的示意图；
24.图2是根据本发明一个实施例的空调器智能控制系统的数据交互示意图；
25.图3是根据本发明一个实施例的空调器的智能控制设备的示意图；
26.图4是根据本发明一个实施例的空调器的智能控制方法的示意图；
27.图5是根据本发明一个实施例的空调器的智能控制方法中训练自调整模型的示意图；以及
28.图6是根据本发明一个实施例的空调器的智能控制方法的流程示意图。
具体实施方式
29.图1是根据本发明一个实施例的空调器所在环境的示意图。本实施例的空调器智能控制系统具有多个网络数据平台。多个网络数据平台可以包括：用于采集并记录空调器运行日志的运行数据平台100、用于采集并记录用户行为信息的用户信息采集平台200等。
30.运行数据平台100可以与空调器110进行数据交互，采集空调器110的运行记录，从而得到海量的空调器日志数据。这些空调器日志数据除了可以用于售后服务、状态跟踪、故障诊断之外，还可以用于提供机器学习所需的样本数据。
31.用户信息采集平台200用于采集用户的各种行为，这些行为可以包括但不限于：用户使用各项家电设备的记录(例如调节空调器的记录)、用户的出行记录(例如行车记录)、用户的位置记录、用户的生理特征记录(例如体温、心率、血压)、用户的运动记录、用户的作息记录等等。用户信息采集平台200可以与用户的各项设备进行数据交互，例如与移动终端、交通工具、智能家电、可穿戴设备等进行交互。用户信息采集平台200内收集的行为记录，为用户提供了各项数据分析的基础。
32.由于对于信息技术领域的技术人员而言，上述网络数据平台的数据采集和存储技术本身为其所习知的技术，因此在此对数据采集和存储的具体流程不做赘述。
33.图2是根据本发明一个实施例的空调器智能控制系统的数据交互示意图。空调器110向运行数据平台100上传运行记录。运行数据平台100通过采集空调器110的运行记录，形成空调器110的大数据平台。空调器的智能控制设备300从运行数据平台100中订阅批量的空调器日志数据，并采用机器学习算法，训练得到自调整模型。
34.在空调器的智能运行状态下，空调器的智能控制设备300从用户终端330或其他设备中获取目标用户在设定时间段内的行为记录，经整理后输入自调整模型，经自调整模型的数据处理，最终得到推荐调整策略。智能空调器110按照推荐调整策略对目标用户的所在环境进行调节。在智能运行状态下，用户无需进行任何调节操作，就可以得到符合自身要求的舒适环境。
35.图3是根据本发明一个实施例的空调器的智能控制设备300的示意图。该智能控制设备300可以包括一般性地可以包括：存储器320以及处理器310，其中存储器320内存储有控制程序321，控制程序321被处理器310执行时用于实现本实施例的空调器的智能控制方法。处理器310可以是一个中央处理单元(central processing unit，简称cpu)，或者为数字处理单元等等。处理器310通过通信接口收发数据。存储器320用于存储处理器310执行的程序。存储器320是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何介质，也可以是多个存储器的组合。上述控制程序321可以从计算机可读存储介质下载到相应计算/处理设备或者经由网络(例如因特网、局域网、广域网和/或无线网络)下载并安装到智能控制设备300。
36.图4是根据本发明一个实施例的空调器的智能控制方法的示意图，该空调器的智能控制方法可以包括：
37.步骤s402，获取目标用户在设定时间段内的行为记录，行为记录至少包括空调器使用记录。行为记录可以为用户各种行为的记录，这些行为可以包括但不限于：用户使用各项家电设备的记录(例如调节空调器的记录)、用户的出行记录(例如行车记录)、用户的位置记录、用户的生理特征记录(例如体温、心率、血压)、用户的运动记录、用户的作息记录等
等。
38.在本实施例中可以通过与用户的各项设备进行数据交互，例如与移动终端、交通工具、智能家电、可穿戴设备等进行交互，来得到上述行为记录。另外也可以直接从用于记录用户行为的数据平台中获取相关数据。
39.本实施例的方法，考虑到用户行为习惯可能发生的改变以及气候、位置变化给用户行为带来的变化，因此选择使用目标用户在设定时间段内的行为记录，例如最近一月或者数周的行为记录。
40.在获取到用户的行为记录后，可以对行为记录进行预处理，例如根据预先确定的相关性对应表从行为记录中筛选出候选记录，其中相关性对应表用于保存有各类用户行为与空调器运行状态的相关性；将候选记录输入自调整模型。
41.由于获取的行为记录的种类较多，对于不同用户可能获取到的数据也存在差别。这些行为记录数据可能与空调器的使用存在相关性，有些与空调器的使用相关性较低。因此本实施例预先对用户各项行为与空调器调节以及环境舒适性要求的数据相关性进行计算，得到相关性对应表。在获取到用户的行为记录后，根据相关性对应表从行为记录中筛选出相关性达到预设阈值的记录，作为自调整模型的输入数据。上述数据相关性进行计算可以采用现有技术中统计计算的现有技术进行。经过筛选，候选记录的数据格式也可以得到统一，便于后续数据特征的提取计算以及其他处理。
42.在一些可选实施例中，候选记录至少可以包括以下任意一项或多项：用户调节空调器的记录、用户的出行记录、用户的位置记录、用户的生理特征记录。其中用户调节空调器的记录直接反映了用户的调控习惯；用户的出行记录可以确定用户达到家居场所或者工作场所的时间，从而可以确定对应空调器的开启时间；用户的位置记录可以用于确定环境数据、气候等；用户的生理特征记录反映了用户的身体状态，这也直接影响了舒适性要求。
43.在本实施例的方法中，充分考虑了用户各种记录的扩展性，可以充分收集用户的各项行为信息。针对用户不同的数据收集装置，可以收集不同的行为信息，通过相关性的筛选，挑选需要的候选信息。由于输入的候选信息的区别，自调整模型输出的数据也可能存在区别。
44.步骤s404，利用预先训练的自调整模型对行为记录进行预测，得到推荐调整策略。自调整模型对行为记录进行处理后，得到推荐调整策略。推荐调整策略包括以下任意一项或多项：空调器的开关机时刻、空调器的开机初始模式、空调器的开机初始参数、空调器对环境检测数据变化的响应动作(例如对于目标参数与实际检测数据的不同偏差，如何进行响应)。推荐调整策略并不仅仅用于输出目标参数(例如目标温度)，还可以包括针对不同情况空调器的调整动作。例如在实际温度与目标温度存在不同的温差下，空调器的不同调温方式；又例如在睡眠模式下，空调器的控制曲线等等。
45.步骤s406，按照推荐调整策略对目标用户所在环境的空调器进行控制。控制过程中，空调器可以自行启动，确定目标参数，进行响应调整，无需要用户进行干预，大大提高了用户的舒适性以及使用体验。
46.本实施例的空调器的智能控制方法，预先利用机器学习算法建立自调整模型，利用自调整模型对用户的行为记录进行预测，得到用于对目标用户所在环境的空调器进行控制的推荐调整策略。由于推荐调整策略基于用户行为得出，可以准确地满足用户对环境的
舒适性要求，提供了用户的使用体验。
47.图5是根据本发明一个实施例的空调器的智能控制方法中训练自调整模型的示意图，该自调整模型的训练过程可以包括：
48.步骤s502，从运行数据平台中订阅批量的空调器日志数据，运行数据平台用于采集并记录空调器的运行日志。
49.步骤s504，将日志数据解析为结构化数据，并存储为样本数据库。结构化数据的解析过程可以包括：按照日志数据按照类型标签提取数据；将提取出的数据进行分类保存，得到备选样本数据表；对备选样本数据表中的数据进行统计筛选，得到结构化数据。例如可以分别针对空调器的开机时间、关机时间、初始温度、目标温度、风速、风向、运行模式、压缩机频率、适配场景、目标参数调整时间等分类进行保存，以便在后续训练时使用。
50.步骤s506，使用样本数据库中的数据进行机器学习模型训练，得到自调整模型。
51.机器学习模型可以是能够从已有数据中学习到一定的知识和能力用于处理新数据，并可以被设计用于执行各种任务，在本实施例中用于对空调器控制策略的确定。机器学习模型的示例包括但不限于各类深度神经网络(dnn)、支持向量机(svm)、决策树、随机森林模型等等。在本领域内，机器学习模型也可以被称为“学习网络”。其中神经网络控制模型可以采用各种已知的适合有监督学习的网络结构，例如感知器模型，分类器模型，hopfield网络等基本的神经网络结构，各种相应的主流训练方法也都可以用于本实施例的模型参数的确定。示例机器学习模型包括神经网络或其他多层非线性模型。示例神经网络包括前馈神经网络、深度神经网络、递归神经网络和卷积神经网络。
52.机器学习模型可以包括在服务器计算系统(网络数据平台)中或以其他方式由服务器计算系统(网络数据平台)存储和实现，服务器计算系统(网络数据平台)根据客户端-服务器关系与终端设备通信。例如，机器学习模型可以由服务器计算系统(网络数据平台)实现为web服务的一部分。因此，可以在终端设备处存储和实现一个或多个模型和/或可以在服务器计算系统(网络数据平台)处存储和实现一个或多个模型。
53.服务器计算系统(网络数据平台)可以包括一个或多个服务器计算设备或以其他方式由一个或多个服务器计算设备实现。在服务器计算系统包括多个服务器计算设备的情况下，这样的服务器计算设备可以根据顺序计算架构、并行计算架构或其一些组合来操作。
54.终端设备(空调器以及其他用户设备)和/或服务器计算系统(网络数据平台)可以经由与通过网络通信地耦接的训练计算系统的交互来训练模型。训练计算系统可以与服务器计算系统(网络数据平台)分离，或者可以是服务器计算系统(网络数据平台)的一部分。
55.终端设备(空调器以及其他用户设备)和服务器计算系统网络之间可以通过任何类型的通信网络进行交互，诸如局域网(例如内联网)、广域网(例如因特网)或其一些组合，并且可以包括任何数量的有线或无线链路。通常，通过网络的通信可以经由任何类型的有线和/或无线连接，使用各种通信协议(例如，tcp/ip、http、smtp、ftp)、编码或格式(例如、html、xml)和/或保护方案(例如、vpn、安全http、ssl)来承载。
56.本实施例的方法还考虑到部分用户的使用习惯独特，可能出现通过自调整模型对行为记录进行预测得到的推荐调整策略，无法满足这些用户的舒适性要求。因此，在按照推荐调整策略对目标用户所在环境的空调器进行控制的步骤之后还可以包括：获取目标用户所在环境的空调器上传的手动调整记录；判断目标用户的手动调整记录是否超过设定次数
阈值；若是，获取目标用户的行为记录以及手动调整记录，并将目标用户的行为记录以及手动调整记录作为训练样本，训练得到目标用户的画像模型。在训练得到目标用户的画像模型之后还包括：使用画像模型确定目标用户的控制策略；以及按照控制策略对目标用户所在环境的空调器进行控制。上述设定次数阈值用于判断目标用户的手动调整记录是否能够满足作为样本数据的数量要求。
57.目标用户的画像模型可以作为该用户的专用模型，满足这些用户的智能要求。画像模型的训练方法同样可以采用目前主流的训练方法。
58.图6是根据本发明一个实施例的空调器的智能控制方法的流程示意图，该流程可以包括：
59.步骤s602，运行数据平台统计空调器日志数据，训练得到自调整模型；
60.步骤s604，将空调器日志数据作为样本，训练得到自调整模型；
61.步骤s606，根据与空调器调节的相关性选取用户行为信息；
62.步骤s608，用户行为信息输入自调整模型，确定控制策略；
63.步骤s610，使用控制策略对空调器进行控制；
64.步骤s612，用户是否对空调器手工进行调整，如果未进行调整或调整数据量较小，则持续使用控制策略对空调器进行控制；
65.步骤s614，若用户对空调器手工调整，则判断手工调整数据是否达到样本数据要求；
66.步骤s616，手工调整数据是否达到样本数据要求后，对手工调整数据进行机器学习模型训练，得到用户画像模型；
67.步骤s618，使用用户画像模型确定控制策略。
68.以确定空调器的开机参数为例进行介绍，对于a、b、c三个用户分别进行开机参数的确定，那么可以将a、b、c三个用户的行为记录输入自调整模型。例如将用户的到家时间记录、用户居住位置记录、用户的交通工具使用记录、用户使用空调器记录，结合季节、工作日信息、地域气候等信息，输入自调整模型。上述记录可以选择此前一周或者数周的数据。
69.自调整模型的输出参数可以包括：各项开机参数及其对应的影响权重。例如最终输出的参数为：
70.用户a：开机时刻、季节、月份、是否工作日、设定模式、室内温度；
71.用户b：开机时刻、季节、月份、是否工作日、设定模式、调整时间间隔；
72.用户c：开机时刻、季节、月份、是否工作日、室内外适宜温度差。
73.针对用户不同的输入，自调整模型输出的控制策略的类型也可能存在区别。
74.本实施例的空调器的智能控制方法，预先利用机器学习算法建立自调整模型，利用自调整模型对用户的行为记录进行预测，得到用于对目标用户所在环境的空调器进行控制的推荐调整策略。由于推荐调整策略基于用户行为得出，可以准确地满足用户对环境的舒适性要求，提供了用户的使用体验。进一步地，自调整模型通过运行数据平台采集的大数据训练得出。由于采用的足够的样本，自调整模型准确有效，能够满足空调器控制策略的推荐要求。
75.至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接
确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。