基于深度学习分析用户习惯的智能家居控制方法及系统与流程

1.本发明涉及智能家居技术领域，特别地涉及基于深度学习分析用户习惯的智能家居控制方法及系统。


背景技术：

2.智能家居是以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设施集成，构建高效的住宅设施与家庭日程事务的管理系统，可以提升家居安全性、便利性、舒适性、艺术性，并实现环保节能的居住环境。
3.近年来，智能家居系统通过智能手机app、触摸屏、语音助手等方式作为用户指令入口，实现了家居设备的场景联动，但当前智能家居平台的自动管控技术依然停留在基于用户预设规则进行控制的阶段，繁琐的规则输入增加了设备的使用复杂度与学习成本，僵化的逻辑控制更难以适应多变的家居环境.因此，智能家居平台亟需一种无感化、精确化、智能化的家居设备统一管控模型。
4.而在人工智能领域中，机器学习特别是深度学习方法近年来取得了引人注目的成果与传统技术相比，深度学习方法大幅提升了语音识别、图像识别、自然语言处理的性能，拥有良好的发展和应用前景。因此，本发明基于智能家居环境数据进行深度神经网络模型训练，对智能家居用户行为习惯进行感知分析，实现智能家居环境的自动化集中控制。


技术实现要素：

5.为了解决上述问题，本发明提供了一种基于深度学习分析用户习惯的智能家居控制方法，可以对智能家居用户行为习惯进行感知分析，实现智能家居环境的自动化集中控制。
6.本发明所述的基于深度学习分析用户习惯的智能家居控制方法，包括以下方法：
7.接收智慧家庭数据信息；
8.根据所述智慧家庭数据信息，调用预测模型获取智慧家庭的预测数据；
9.输出智慧家庭预测数据至智能家居管控平台。
10.作为本发明的进一步优化，预测模型包括基准预测模型、家庭预测模型中的一种或多种。
11.作为本发明的进一步优化，还包括制定基准预测模型。
12.作为本发明的进一步优化，调用预测模型获取智慧家庭的预测数据前，根据基准预测模型，对所述智慧家庭数据信息进行解析，判断所述智慧家庭数据信息属性。
13.作为本发明的进一步优化，当所述智慧家庭数据信息为新的智慧家庭数据信息，则更新并保存为个性化家庭预测模型；反之，则调用家庭预测模型获取智慧家庭的预测数据。
14.作为本发明的进一步优化，智慧家庭数据信息属性包括环境数据、和与所述环境
数据对应的设备状态信息。
15.基于深度学习分析用户习惯的智能家居控制方法，包括以下方法：
16.获取智慧家庭数据信息，并将所述智慧家庭数据信息发送至深度学习系统；
17.接收智慧家庭预测数据；
18.根据智慧家庭预测数据生成相应的控制智能家居的指令。
19.基于深度学习分析用户习惯的智能家居控制系统，包括
20.接收模块，用于接收智慧家庭数据信息；
21.预测执行模块，用于根据所述智慧家庭数据信息，调用预测模型获取智慧家庭的预测数据；
22.输出模块，用于输出智慧家庭预测数据至智能家居管控平台。
23.作为本发明的进一步优化，还包括制定模块，所述制定模块用于制定基准预测模型。
24.作为本发明的进一步优化，还包括解析模块，所述解析模块根据基准预测模型，对所述智慧家庭数据信息进行解析，判断所述智慧家庭数据信息属性。
25.作为本发明的进一步优化，还包括更新模块，所述更新模块用于更新并保存家庭预测模型。
26.基于深度学习分析用户习惯的智能家居控制系统，包括
27.获取模块，用于获取智慧家庭数据信息和/或智慧家庭预测数据；
28.发送模块，用于将所述智慧家庭数据信息发送至深度学习系统；
29.生成模块，根据智慧家庭预测数据生成相应的控制智能家居的指令。
30.与现有技术相比，本发明的有益效果在于：
31.本发明所述的基于深度学习分析用户习惯的智能家居控制方法，通过深度学习系统接收智慧家庭数据信息；根据所述智慧家庭数据信息，调用预测模型获取智慧家庭的预测数据；输出智慧家庭预测数据至智能家居管控平台，智能家居管控平台根据智慧家庭预测数据生成相应的控制智能家居的指令，实现基于用户习惯自动化集中管控整个智慧家庭，从而将用户从繁琐的设备操作中解放出来，实现“服务无感化”，并充分发掘用户习惯，优化用户体验，实现“服务智能化”。
附图说明
32.在下文中将基于实施例并参考附图来对本发明进行更详细的描述。
33.图1是本发明基于深度学习分析用户习惯的智能家居控制系统的结构示意图；
34.图2是本发明基于深度学习分析用户习惯的智能家居控制方法的流程图。
具体实施方式
35.下面将结合附图对本发明作进一步说明。
36.如图1所示，本发明基于深度学习分析用户习惯的智能家居控制系统，主要由智能家居管控平台1和深度学习系统2两部分组成，智能家居管控平台1负责对智慧家庭进行集中控制以及发送数据到深度学习系统2，而深度学习系统2通过接受智能家居管控平台1的数据，通过学习与推理将预测数据输出到智能家居管控平台1，智能家居管控平台2发出命
令控制智能家居3。
37.其中，所述深度学习系统2包括
38.接收模块201，用于接收智慧家庭数据信息，所述智慧家庭数据信息属性包括环境数据、和与所述环境数据对应的设备状态信息；
39.预测执行模块202，用于根据所述智慧家庭数据信息，调用预测模型获取智慧家庭的预测数据，即预测出当前家庭内各个智能设备的状态，如风扇、灯、插座的开关状态；然后智能家居管控平台就可以根据设备状态的预测数据，生成对应设备的控制指令，完成设备的智能化控制；
40.输出模块203，用于输出智慧家庭预测数据至智能家居管控平台，即智能家居管控平台根据设备状态的预测数据，生成对应设备的控制指令，完成设备的智能化控制，实现智能场景的无缝切换。
41.作为本发明的另一个实施例，与上述实施例不同的是，本实施例还包括制定模块204，所述制定模块用于制定基准预测模型，因环境特征具有统一性，即人们对于环境特征(亮暗、冷热、燥湿等)在感官上具有一致性，则对家庭内设备的控制也大体上具备一致性。因此，此模型可以作为各个家庭预测模型的基准。而且家庭预测模型在建立之初，以基准预测模型为基础，之后，由机器学习系统根据新样本数据对相应家庭的预测模型进行更新，使预测模型适应该家庭的环境特征，从而提高对设备状态的预测准确度。
42.作为本发明的另一个实施例，与上述实施例不同的是，本实施例还包括解析模块205，所述解析模块根据基准预测模型，对所述智慧家庭数据信息进行解析，判断所述智慧家庭数据信息属性，因人的个体对环境特征的感官总会存在细小差异，而且家庭环境也会由于地理、季节和气候存在一定的差异，所以机器学习系统要在基准预测模型的基础上为每个家庭进行个性化定制，即按照现有的家庭环境数据对基准预测模型进行更新，成为家庭专属的预测模型。
43.作为本发明的另一个实施例，与上述实施例不同的是，本实施例还包括更新模块206，所述更新模块用于更新并保存家庭预测模型，即当所述智慧家庭数据信息属性为新的智慧家庭数据信息，则根据新的智慧家庭样本数据对家庭预测模型进行更新，使预测模型学到新的家庭行为特征，而该新样本数据是用户主动控制设备时采集的新的环境数据和设备状态信息，代表着新的家庭行为特征，从而实现分析用户习惯实现智能家居自动化集中控制的技术。
44.所述智能家居管控平台1包括
45.获取模块101，用于获取智慧家庭数据信息和/或智慧家庭预测数据；
46.发送模块102，用于将所述智慧家庭数据信息发送至深度学习系统；
47.生成模块103，根据智慧家庭预测数据生成相应的控制智能家居的指令，从而完成设备的智能化控制，实现智能场景的无缝切换。
48.如图2所示，基于深度学习分析用户习惯的智能家居控制方法，通过智能家居管控平台和深度学习系统两部分进行数据相互传输，实现基于用户习惯自动化集中管控整个智慧家庭，其包括以下方法：
49.s1、智能家居管控平台获取智慧家庭数据信息，并将所述智慧家庭数据信息发送至深度学习系统；
50.s2、深度学习系统接收智慧家庭数据信息，并根据所述智慧家庭数据信息，调用预测模型获取智慧家庭的预测数据；
51.s3、输出智慧家庭预测数据至智能家居管控平台；
52.s4、智能家居管控平台根据智慧家庭预测数据生成相应的控制智能家居的指令。
53.从而实现在当前智能家居管控平台和相关系统的基础上，引入深度学习网络对智能家居用户行为习惯进行感知分析，从而提供智能化的家居设备管理能力，最终实现基于用户习惯自动化集中管控整个智慧家庭。
54.本实施例中，预测模型包括基准预测模型、家庭预测模型。其中，基准预测模型即基于大量样本数据训练生成的，该样本数据是指家庭内外的环境数据和与之对应的设备状态，之所以称为基准预测模型，是因为环境特征具有统一性，即人们对于环境特征(亮暗、冷热、燥湿等)在感官上具有一致性，则对家庭内设备的控制也大体上具备一致性，此模型可以作为各个家庭预测模型的基准。
55.但是，由于人的个体对环境特征的感官总会存在细小差异，而且家庭环境也会由于地理、季节和气候存在一定的差异，所以机器学习系统要在基准模型的基础上为每个家庭进行个性化定制，即按照现有的家庭环境数据对基准模型进行更新，成为家庭专属的预测模型。所以，本设计的深度学习系统为每一个接入系统的家庭建立一个预测模型，家庭预测模型在建立之初，以基准预测模型为基础，之后，由机器学习系统根据新样本数据对相应家庭的预测模型进行更新，使预测模型适应该家庭的环境特征，从而提高对设备状态的预测准确度。
56.作为本发明的另一个实施例，与上述实施例不同的是，本实施例还包括制定基准预测模型，因环境特征具有统一性，即人们对于环境特征(亮暗、冷热、燥湿等)在感官上具有一致性，则对家庭内设备的控制也大体上具备一致性。因此，此模型可以作为各个家庭预测模型的基准。而且家庭预测模型在建立之初，以基准预测模型为基础，之后，由机器学习系统根据新样本数据对相应家庭的预测模型进行更新，使预测模型适应该家庭的环境特征，从而提高对设备状态的预测准确度。
57.作为本发明的另一个实施例，与上述实施例不同的是，本实施例的调用预测模型获取智慧家庭的预测数据前，根据基准预测模型，对所述智慧家庭数据信息进行解析，判断所述智慧家庭数据信息属性；当所述智慧家庭数据信息为新的智慧家庭数据信息，则更新并保存为家庭预测模型；反之，则调用家庭预测模型获取智慧家庭的预测数据，因为当用户主动控制设备时，则智慧家庭数据信息将发生变化，此时通过采集的新的环境数据和设备状态信息，则代表着新的家庭行为特征，因此需将该预测模型进行更新，并保存家庭专属的预测模型，从而通过实现分析用户习惯，实现智能家居自动化集中控制的技术。
58.在本发明的描述中，需要理解的是，术语“上”、“下”、“底”、“顶”、“前”、“后”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
59.虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文
中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。