一种基于物联网的五恒空间系统的控制方法、装置与流程

1.本发明涉及五恒空间系统领域，具体而言，涉及一种基于物联网的五恒空间系统的控制方法、装置。


背景技术：

2.随着经济发展，人们对生活品质的要求也越来越高，传统的空调系统已经无法满足其需要，因此有人提出五恒生态空调系统这一新的概念，即符合恒温、恒湿、恒氧、恒静、恒洁这五个要求的调节系统。
3.现有技术中，对于五恒空间系统的温湿度调节比较普遍，基于传感器以及pid执行反馈调节。而对于氧气浓度的调节，其预测精度以及准确度极为关键，对于用户舒适度影响极大，因此，亟需提出一种预测更为精准有效的预测方案来预测氧气浓度便于提前调节。


技术实现要素：

4.有鉴于此，本发明实施例的目的在于提供一种预测更为精准有效的预测方案来预测氧气浓度便于提前调节。
5.本发明的第一方面提供了一种基于物联网的五恒空间系统的控制方法，所述方法包括：s1，按照预定时间间隔，基于物联网氧气浓度传感器采集空间内当前时间节点氧气浓度信息，并将其发送至五恒空间系统控制器；s2，五恒空间系统控制器根据当前时间节点氧气浓度信息以及第一神经网络模型，预测下一时间节点时间节点氧气浓度的预测值；其中，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型；s3，五恒空间系统控制器基于所述下一时间节点时间节点氧气浓度的预测值执行对氧气浓度的预先调节控制。
6.进一步，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型，包括：所述多个神经网络为三个，三个神经网络权重相同，其输入分别是当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，输出分别为当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值的特征下，下一时间节点的氧气浓度预测值；三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，将所述不同时间节点的氧气浓度预测值两两做差之后和真实数据差值进行对比生成总误差代价，然后三个神经网络接收同一个总误差代价值，以此基于反向传播算法，对
每个神经元的权重进行更新。
7.进一步，将所述三个神经网络的任意一个表示为函数f(x)，其中，三个神经网络的输出分别为：其中，为基于前一时间节点的氧气浓度值进行预测的关于时间节点t的氧气浓度预测值；为基于当前时间节点的氧气浓度值进行预测的关于时间节点t 1的氧气浓度预测值；为基于历史随机时间节点的氧气浓度值进行预测的关于时间节点t-s 1的氧气浓度预测值。
8.进一步，所述三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，两两做差之后和真实数据差值进行对比生成总误差代价，包括：进一步，基于、、，执行如下代价计算：，执行如下代价计算：其中，、分别表示为时间节点t、t 1的氧气浓度预测值之差，以及时间节点t-s 1、t 1的氧气浓度预测值之差；、分别表示为时间节点t、t 1的氧气浓度真实值之差，以及时间节点t-s 1、t 1的氧气浓度真实值之差；进一步，基于、执行误差代价计算获取loss1以及loss2；并基于loss1以及loss2求和获取总误差代价。
9.进一步，所述基于反向传播算法，对每个神经元的权重进行更新，包括：基于梯度下降法，执行更新权重以使得最小化所述总误差代价。
10.此外，第二方面，还提供一种基于物联网的五恒空间系统的控制装置，所述系统包括：采集模块，按照预定时间间隔，基于物联网氧气浓度传感器采集空间内当前时间节点氧气浓度信息，并将其发送至五恒空间系统控制器；预测模块，五恒空间系统控制器根据当前时间节点氧气浓度信息以及第一神经网络模型，预测下一时间节点时间节点氧气浓度的预测值；其中，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以
及随机时间氧气浓度差反向调节第一神经网络模型；调节模块，五恒空间系统控制器基于所述下一时间节点时间节点氧气浓度的预测值执行对氧气浓度的预先调节控制。
11.进一步，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型，包括：所述多个神经网络为三个，三个神经网络权重相同，其输入分别是当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，输出分别为当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值的特征下，下一时间节点的氧气浓度预测值；三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，将所述不同时间节点的氧气浓度预测值两两做差之后和真实数据差值进行对比生成总误差代价，然后三个神经网络接收同一个总误差代价值，以此基于反向传播算法，对每个神经元的权重进行更新。
12.进一步，将所述三个神经网络的任意一个表示为函数f(x)，其中，三个神经网络的输出分别为：其中，为基于前一时间节点的氧气浓度值进行预测的关于时间节点t的氧气浓度预测值；为基于当前时间节点的氧气浓度值进行预测的关于时间节点t 1的氧气浓度预测值；为基于历史随机时间节点的氧气浓度值进行预测的关于时间节点t-s 1的氧气浓度预测值。
13.进一步，所述三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度真实数据，两两做差之后和真实数据差值进行对比生成总误差代价，包括：进一步，基于、、，执行如下代价计算：，执行如下代价计算：其中，、分别表示为时间节点t、t 1的氧气浓度预测值之差，以及时间节点t-s 1、t 1的氧气浓度预测值之差；、分别表示为时间节点t、t 1的氧气浓度真实值之差，以及时间节点t-s 1、t 1的氧气浓度真实值之
差；进一步，基于、执行误差代价计算获取loss1以及loss2；并基于loss1以及loss2求和获取总误差代价。
14.进一步，所述基于反向传播算法，对每个神经元的权重进行更新，包括：基于梯度下降法，执行更新权重以使得最小化所述总误差代价。
15.本发明的方案中，通过按照预定时间间隔，基于物联网氧气浓度传感器采集空间内当前时间节点氧气浓度信息，并将其发送至五恒空间系统控制器；五恒空间系统控制器根据当前时间节点氧气浓度信息以及第一神经网络模型，预测下一时间节点时间节点氧气浓度的预测值；其中，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型；五恒空间系统控制器基于所述下一时间节点时间节点氧气浓度的预测值执行对氧气浓度的预先调节控制。通过基于第一神经网络模型的多个神经网络基于历史数据的预测与真实数据的比对从而执行系统预测模型的反向调节，使得第一神经网络模型的预测更为精准有效。
附图说明
16.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
17.图1是本发明实施例公开的基于物联网的五恒空间系统的控制方法的流程示意图；图2是本发明实施例公开的基于物联网的五恒空间系统的控制装置的结构示意图。
具体实施方式
18.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
19.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
20.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
21.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也
不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
22.需要说明的是：在本文中提及的“多个”是指两个或两个以上。
23.以下对本技术实施例的技术方案的实现细节进行详细阐述：请参阅图1，图1是本发明实施例公开的一种基于物联网的五恒空间系统的控制方法流程示意图。如图1所示，本发明实施例的一种基于物联网的五恒空间系统的控制方法，包括：s1，按照预定时间间隔，基于物联网氧气浓度传感器采集空间内当前时间节点氧气浓度信息，并将其发送至五恒空间系统控制器；具体地，本实施例，预定时间间隔采集一次氧气浓度信息，比如t时刻采集一次，t 1时刻采集一次，两者之间间隔为一个预定时间间隔。
24.s2，五恒空间系统控制器根据当前时间节点氧气浓度信息以及第一神经网络模型，预测下一时间节点时间节点氧气浓度的预测值；其中，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型；s3，五恒空间系统控制器基于所述下一时间节点时间节点氧气浓度的预测值执行对氧气浓度的预先调节控制。
25.具体地，本实施例，基于所述下一时间节点时间节点氧气浓度的预测值，若低于预定值范围，则进行提前调节以使得氧气含量保持用户恒定舒适范围。
26.进一步，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型，包括：所述多个神经网络为三个，三个神经网络权重相同，其输入分别是当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，输出分别为当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值的特征下，下一时间节点的氧气浓度预测值；三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，将所述不同时间节点的氧气浓度预测值两两做差之后和真实数据差值进行对比生成总误差代价，然后三个神经网络接收同一个总误差代价值，以此基于反向传播算法，对每个神经元的权重进行更新。
27.进一步，将所述三个神经网络的任意一个表示为函数f(x)，其中，三个神经网络的输出分别为：其中，为基于前一时间节点的氧气浓度值进行预测的关于时间节点t的氧气浓度预测值；为基于当前时间节点的氧气浓度值进行预测的关于时间节点t 1
的氧气浓度预测值；为基于历史随机时间节点的氧气浓度值进行预测的关于时间节点t-s 1的氧气浓度预测值。
28.进一步，所述三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，两两做差之后和真实数据差值进行对比生成总误差代价，包括：进一步，基于、、，执行如下代价计算：，执行如下代价计算：其中，、分别表示为时间节点t、t 1的氧气浓度预测值之差，以及时间节点t-s 1、t 1的氧气浓度预测值之差；、分别表示为时间节点t、t 1的氧气浓度真实值之差，以及时间节点t-s 1、t 1的氧气浓度真实值之差；进一步，基于、执行误差代价计算获取loss1以及loss2；并基于loss1以及loss2求和获取总误差代价。
29.进一步，所述基于反向传播算法，对每个神经元的权重进行更新，包括：基于梯度下降法，执行更新权重以使得最小化所述总误差代价，从而实现第一神经网络模型的权重的更新，便于更为精准的预测。
30.具体地，本实施例，反向传播算法即bp算法（error back propagation algorithm）。
31.此外，第二方面，本实施例还提供一种基于物联网的五恒空间系统的控制装置，所述系统包括：采集模块10，按照预定时间间隔，基于物联网氧气浓度传感器采集空间内当前时间节点氧气浓度信息，并将其发送至五恒空间系统控制器；预测模块20，五恒空间系统控制器根据当前时间节点氧气浓度信息以及第一神经网络模型，预测下一时间节点时间节点氧气浓度的预测值；其中，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络模型；调节模块30，五恒空间系统控制器基于所述下一时间节点时间节点氧气浓度的预测值执行对氧气浓度的预先调节控制。
32.进一步，所述第一神经网络模型包括多个神经网络，用于接收当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，执行获取相邻时间氧气浓度差以及随机时间氧气浓度差；根据相邻时间氧气浓度差以及随机时间氧气浓度差反向调节第一神经网络
模型，包括：所述多个神经网络为三个，三个神经网络权重相同，其输入分别是当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值，输出分别为当前时间节点、前一时间节点以及历史随机时间节点的氧气浓度值的特征下，下一时间节点的氧气浓度预测值；三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度预测值，将所述不同时间节点的氧气浓度预测值两两做差之后和真实数据差值进行对比生成总误差代价，然后三个神经网络接收同一个总误差代价值，以此基于反向传播算法，对每个神经元的权重进行更新。
33.进一步，将所述三个神经网络的任意一个表示为函数f(x)，其中，三个神经网络的输出分别为：其中，为基于前一时间节点的氧气浓度值进行预测的关于时间节点t的氧气浓度预测值；为基于当前时间节点的氧气浓度值进行预测的关于时间节点t 1的氧气浓度预测值；为基于历史随机时间节点的氧气浓度值进行预测的关于时间节点t-s 1的氧气浓度预测值。
34.进一步，所述三个神经网络以不同时间节点数据集作为输入，然后输出不同时间节点的氧气浓度真实数据，两两做差之后和真实数据差值进行对比生成总误差代价，包括：进一步，基于、、，执行如下代价计算：，执行如下代价计算：其中，、分别表示为时间节点t、t 1的氧气浓度预测值之差，以及时间节点t-s 1、t 1的氧气浓度预测值之差；、分别表示为时间节点t、t 1的氧气浓度真实值之差，以及时间节点t-s 1、t 1的氧气浓度真实值之差；进一步，基于、执行误差代价计算获取loss1以及loss2；并基于loss1以及loss2求和获取总误差代价。
35.进一步，所述基于反向传播算法，对每个神经元的权重进行更新，包括：基于梯度下降法，执行更新权重以使得最小化所述总误差代价。
36.此外，本技术实施例还公开了一种电子装置，所述电子装置包括：一个或多个处理
器，存储器，所述存储器用于存储一个或多个计算机程序；其特征在于，所述计算机程序被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于物联网的五恒空间系统的控制方法步骤。
37.此外，本技术实施例还提供了一种存储介质，所述存储介质存储有计算机程序；所述程序由处理器加载并执行以实现如上所述的基于物联网的五恒空间系统的控制方法步骤。
38.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
39.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
40.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
41.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
42.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
43.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含
在本发明的保护范围之内。