CN109471370A - 一种基于排气扇操作数据的行为预测及控制方法、*** - Google Patents
一种基于排气扇操作数据的行为预测及控制方法、*** Download PDFInfo
- Publication number
- CN109471370A CN109471370A CN201811406808.4A CN201811406808A CN109471370A CN 109471370 A CN109471370 A CN 109471370A CN 201811406808 A CN201811406808 A CN 201811406808A CN 109471370 A CN109471370 A CN 109471370A
- Authority
- CN
- China
- Prior art keywords
- exhaust fan
- behavior prediction
- parameter
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000009471 action Effects 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 49
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于信息技术领域，具体涉及一种基于排气扇操作数据的行为预测及控制方法、***，所述方法包括：获取排气扇的历史操作数据；筛选历史操作数据中与行为预测相关参数作为输入参数；将操作事件及对应的操作时间作为输出参数，建立输入‑输出参数对；使用所述输入‑输出参数对对神经网络算法进行训练；获得操作事件及对应的操作时间作为输出参数的行为预测模型。能有效地拟合出用户使用行为随日期和时间变化的曲线，再结合空气质量等传感器数据，能够分析出用户使用热水器等家电设备的使用习惯，从而为用户行为预测提供准确的判断依据，有效的提升了用户体验，在用户享受智能家居***的同时，节约了成本，预测性能稳定性高、准确度高。
Description
技术领域
本发明属于智能家居技术领域，具体涉及一种基于排气扇操作数据的行为预测及控制方法、***。
背景技术
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，将与家居生活有关的设施(例如：家电)进行集成，以构建高效的住宅设施与家庭日程事务的管理***，提升智能家居的多种性能，并实现环保节能的居住环境。
智能家居需要体现智能，而不是简单地通过远程或传感器检测来控制家电设备。排气扇是各个家庭中的基本配备设备，通常它用于浴室排放雾气、异味等。目前很多排气扇所拥有的功能较为单一，并不能获取用户行为信息。通常的热水器都不具有分析用户习惯的功能，更换整台热水器的成本过高，而浴室的排气扇制造成本低，占用空间相当小，若将排气扇增加智能功能，使其成为智能家居中的重要一环，可用于分析用户使用热水器等多种设备的行为习惯，进而为用户提供有针对性有价值的推荐。
用户在一天中对排气扇的使用频率比较有规律性，因此排气扇的使用数据可用于分析用户的行为。同时，排气扇还可结合空气质量传感器和雾气感应器等智能设备，用于获取更精确的环境信息数据。通过这些数据，并结合机器学习中的推荐算法进行分析，可为用户提供有价值的信息，比如根据每一个用户的偏好设置推荐控制其它家电的运行的参数，能体现出智能家居***的智能化，将神经神经网络算法与智能家居相结合，把智能推荐作为排气扇的一个重要功能，让用户能够享受到智能生活。
发明内容
为了解决目前很多排气扇所拥有的功能较为单一，并不能获取用户行为信息。通常的热水器都不具有分析用户习惯的功能，更换整台热水器的成本过高的问题，本发明提供一种基于排气扇操作数据的行为预测及控制方法、***。
为了解决上述技术问题，本发明实施例采用如下技术方案：
一方面，本发明实施例提供了一种基于排气扇操作数据的行为预测模型构建方法，所述方法包括：
获取排气扇的历史操作数据；筛选历史操作数据中与行为预测相关参数作为输入参数；将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对；使用所述输入-输出参数对对神经网络算法进行训练；获得操作事件及对应的操作时间作为输出参数的行为预测模型。
进一步的，所述历史操作数据中与行为预测相关参数包括排气扇运行参数和环境参数。
进一步的，根据所述输入-输出参数对初步确定所述神经网络算法的基本结构、网络输入节点数、网络输出节点数、网络隐层数、隐节点数、网络初始权值。
进一步的，所述神经网络算法的结构由BP网络结构、RNN网络结构、LSTM网络结构、CNN网络结构生成。
进一步的，所述训练方法根据神经网络算法的结构和/或训练过程进行实时调整。
进一步的，在所述神经网络算法训练过程中判断神经网络算法的期望输出与实际输出是否满足输出精度，若满足，则结束训练；若不满足，则更新神经网络算法中输入层、隐含层及输出层的权值和/或偏置。
进一步的，所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法。
进一步的，判断所述测试误差是够满足要求，若满足则完成网络训练测试；若不满足，则重新训练神经网络算法。
第二方面，本发明实施例还提供了一种基于排气扇操作数据的行为预测模型构建***，所述***包括：数据源模块、筛选模块和算法训练模块，所述
数据源模块，用于获取排气扇历史操作数据；
筛选模块，用于筛选历史操作数据中行为预测相关参数作为输入参数，将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对。
算法训练模块，用于使用所述输入-输出参数对对神经网络算法进行训练，获得操作事件及对应的操作时间作为输出参数的行为预测模型。
进一步的，所述算法训练模块包括调整单元，用于根据神经网络算法的结构和/或训练过程进行实时调整训练方法。
进一步的，所述算法训练模块包括精度判断单元，用于判断所述神经网络算法的期望输出与实际输出是否满足输出精度。
进一步的，所述算法训练模块包括测试单元，用于所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法。
进一步的，所述算法训练模块包括误差判断单元，用于判断所述测试误差是够满足要求。
第三方面，本发明实施例还提供了一种智能家居设备的控制方法，所述方法包括：
获取排气扇的与行为预测相关参数；
将操作数据中与行为预测相关参数作为输入参数带入训练好的行为预测模型；
获得操作事件及对应的操作时间的输出参数，并发送至控制终端。
第四方面，本发明实施例还提供了一种智能家居设备的控制方法，所述方法包括：
接收操作事件及对应的操作时间的输出参数；
根据操作事件及对应的操作时间的输出参数生成控制指令；
将控制指令发送至智能家居设备，控制所述智能家具设备根据控制指令工作。
第五方面，本发明实施例还提供了一种智能家居设备的控制***，所述***包括：包括采集装置、预测装置、控制终端和智能家居设备，所述
采集装置，用于采集排气扇运行参数和环境参数，并将采集信号发送至预测装置；
所述预测装置，用于根据训练好的行为预测模型预测出操作事件及对应的操作时间，并将预测结果发送至控制终端；
所述控制终端，用于控制根据操作事件及对应的操作时间的输出参数生成控制指令；
所述智能家居设备，根据控制指令工作。
进一步的，所述智能家居设备包括空气净化器、香薰机、除湿机、取暖器、智能音箱、智能电视中的一种或多种。
本发明提供一种基于排气扇操作数据的行为预测及控制方法、***具有以下有益效果：获取排气扇的历史操作数据；筛选历史操作数据中与行为预测相关参数作为输入参数；将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对；使用所述输入-输出参数对对神经网络算法进行训练；获得操作事件及对应的操作时间作为输出参数的行为预测模型。利用人工智能学科分支下的神经神经网络算法来分析排气扇用户行为的规律，通过人工神经网络的自学习、自适应特性找到排气扇过去一段时间的运行规律，并找到过去值与未来值之间存在的联系。能有效地拟合出用户使用行为随日期和时间变化的曲线，再结合空气质量等传感器数据，能够分析出用户使用热水器等家电设备的使用习惯，从而为用户行为预测提供准确的判断依据。将排气扇增加智能功能，使其成为智能家居中的重要一环，可用于分析用户使用热水器等多种设备的行为习惯，进而为用户提供有针对性有价值的推荐，有效的提升了用户体验，在用户享受智能家居***的同时，节约了成本。
附图说明
图1为本发明实施例中一种排气扇操作数据的行为预测模型构建方法的流程图；
图2为本发明实施例中一种输入-输出对的示意图；
图3为本发明实施例中一种神经网络算法模型的示意图；
图4为本发明实施例中一种BP神经网络基本结构示意图；
图5为本发明实施例中一种基于排气扇操作数据的行为预测模型构建***的示意图；
图6为本发明实施例中一种智能家居设备的控制方法的流程图；
图7为本发明实施例中一种智能家居设备的控制方法的流程图；
图8为本发明实施例中一种排气扇的控制***的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
本发明实施例公开了一种基于排气扇操作数据的行为预测模型构建方法，该方法的流程图如图1所示，包括：
S101：获取排气扇操作数据；
获取排气扇操作数据，包括每天的用户排气扇的操作记录；具体获取方式包括在实验室模拟环境下的运行参数，通过物联网技术搜集实际用户使用时的排气扇运行参数等方式；
S102：筛选历史操作数据中与行为预测相关参数作为输入参数，将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对；
获取排气扇操作数据后，筛选行为预测相关参数作为输入参数，将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对，如图2所示；所述行为预测相关参数包括温度、湿度、PM2.5、日期、时间；通过对数据的分析和结合专家经验知识，选取对排气扇的用户行为预测有影响的参数作为输入参数，将预测时间点和操作作为输出参数；输入参数包括但不限于如下的一种或多种：温度、湿度、PM2.5、日期、时间；输入参数不仅为单一参数，也包括按一定规律提取特征组成的输入参数一维或多维数组；
将预测的数值转换成具体的操作将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据；例如，输入参数为星期四、晚上7点、温度高、湿度高、空气质量低、工作日；输出参数为排气扇开启、排出模式、运行时间1小时；输入参数表示用户当前的环境和时刻；输出参数则为预测的结果，依此对排气扇进行控制；
S103：使用所述输入-输出参数对对神经网络算法进行训练，获得操作事件及对应的操作时间作为输出参数的行为预测模型；
根据所述输入-输出参数对初步确定所述神经网络算法的基本结构、网络输入节点数、网络输出节点数、网络隐层数、隐节点数、网络初始权值，所述神经网络算法模型如图3所示；所述神经网络算法的结构由BP网络结构、RNN网络结构、LSTM网络结构、CNN网络结构生成；其中，BP神经网络基本结构示意图如图4所示；根据不同的环境温湿度、操作时间段等对排气扇的操作数据及其所蕴含的规律，可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等；
初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等结构参数后，使用所述输入-输出参数对对神经网络算法进行训练，所述训练方法根据神经网络算法的结构和/或训练过程进行实时调整；
在所述神经网络算法训练过程中判断神经网络算法的期望输出与实际输出是否满足输出精度，若满足，则结束训练；若不满足，则更新神经网络算法中输入层、隐含层及输出层的权值和/或偏置；
比如，根据网络的基本结构、网络初始权值及偏置计算出神经网络算法的实际输出a(x)，即a(x)＝1/(1+e-z),其中Z＝Wk*x+bl，判断神经网络算法的期望输出y(x)与实际输出a(x)是否满足输出精度要求即:‖y(x)-a(x)‖<∈，∈为目标最小误差，如果满足精度要求则结束训练；如不满足则根据以下方式更新网络的权值Wk和偏置bl，直至神经网络算法的期望输出y(x)与实际输出a(x)是否满足输出精度要求为止，所述更新神经网络算法的权值Wk和偏置bl的方法如下：
其中，C(w,b)为误差能量函数(以标准方差函数为例)，n为训练样本的总数量,求和是在总的训练样本x上进行；
其中：Wk为初始权值，为误差能量函数对权值的偏导数；
其中：bl为初始偏置，为误差能量函数对偏置的偏导数；
所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法；判断所述测试误差是够满足要求，若满足则完成网络训练测试；若不满足，则重新训练神经网络算法；
将训练好的神经网络算法输出获得操作事件及对应的操作时间作为输出参数的行为预测模型。
本发明实施例公开了一种基于排气扇操作数据的行为预测模型构建***，该***的示意图如图5所示，所述***包括：数据源模块11、筛选模块12和算法训练模块13，
所述数据源模块11，用于获取排气扇历史操作数据；所述排气扇操作数据包括每天的用户排气扇的操作记录；具体获取方式包括在实验室模拟环境下的运行参数，通过物联网技术搜集实际用户使用时的排气扇运行参数等方式；
所述筛选模块12，用于筛选历史操作数据中行为预测相关参数作为输入参数，将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对；
所述算法训练模块13，用于使用所述输入-输出参数对对神经网络算法进行训练，获得操作事件及对应的操作时间作为输出参数的行为预测模型；所述算法训练模块12包括调整单元121、精度判断单元122、测试单元123和误差判断单元124，所述调整单元121用于根据神经网络算法的结构和/或训练过程进行实时调整训练方法；所述精度判断单元122用于判断所述神经网络算法的期望输出与实际输出是否满足输出精度；所述测试单元123用于所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法；所述误差判断单元124用于判断所述测试误差是够满足要求。
本发明实施例公开了一种智能家居设备的控制方法，应用于分析终端，该方法的流程图如图6所示，所述方法包括：
S201：获取排气扇的与行为预测相关参数；
实时采集排气扇运行参数和当前环境参数，采集数据后，筛选行为预测相关参数作为输入参数，所述行为预测相关参数包括温度、湿度、PM2.5、日期、时间；所述输入参数包括单一参数、一维数组或多维数组；
S202：将操作数据中与行为预测相关参数作为输入参数带入训练好的行为预测模型；
将操作数据中与行为预测相关参数作为输入参数，将输入参数输入训练好的行为预测模型中，使用行为预测模型对离散点拟合预测函数，然后预测未来值，将预测未来值中的操作事件及对应的操作时间作为输出参数；
S203：将获得操作事件及对应的操作时间的输出参数，并发送至控制终端；
将根据获取排气扇的与行为预测相关参数获得的操作事件及对应的操作时间的输出参数发送至控制终端；
所述分析终端包括但不限于无线通讯模块、路由器、服务器、智能手机等。
本发明实施例公开了一种智能家居设备的控制方法，应用于控制终端，该方法的流程图如图7所示，所述方法包括：
S301：接收操作事件及对应的操作时间的输出参数，根据操作事件及对应的操作时间的输出参数生成控制指令；
控制终端接收到根据排气扇的与行为预测相关参数获得的操作事件及对应的操作时间的输出参数；根据操作事件及对应的操作时间的输出参数生成控制指令；所述行为预测相关参数包括温度、湿度、PM2.5、日期、时间；
S302：将控制指令发送至智能家居设备，控制所述智能家具设备根据控制指令工作；
控制终端将控制指令发送至智能家居设备，控制所述智能家具设备根据控制指令工作；所述智能家具设备按照所述预测策略进行发出提示消息；所述提示消息包括语音消息、消息推送；所述智能家具设备包括空气净化器、香薰机、除湿机、取暖器、智能音箱、智能电视；
所述智能终端包括但不限于无线通讯模块、路由器、服务器、智能手机等。
本发明实施例公开了一种智能家居设备的控制***，该***的示意图如图8所示，所述***包括：采集装置21、预测装置22、控制终端23和智能家居设备24，
所述采集装置21，用于采集排气扇运行参数和环境参数，并将采集信号发送至预测装置；
所述预测装置22，用于根据训练好的行为预测模型预测出操作事件及对应的操作时间，并将预测结果发送至控制终端；预测装置22将采集装置21采集的数据处理后作为输入参数输入训练好的行为预测模型中，将获得的输出参数转化为操作事件及对应的操作时间；预测装置22将输入参数输入训练好的神经网络算法中，使用神经网络算法对离散点拟合预测函数，然后预测未来值，将预测未来值中的操作事件及对应的操作时间作为输出参数，并将获得的输出参数转化为预测结果，并将预测结果发送至控制终端23；
所述控制终端23，用于控制根据操作事件及对应的操作时间的输出参数生成控制指令；
所述智能家居设备24，根据控制终端23发送的控制指令进行工作；所述智能家居设备包括空气净化器、香薰机、除湿机、取暖器、智能音箱、智能电视中的一种或多种。
上述仅为本发明的优选具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (17)
1.一种基于排气扇操作数据的行为预测模型构建方法，其特征在于，所述方法包括：
获取排气扇的历史操作数据；
筛选历史操作数据中与行为预测相关参数作为输入参数；
将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对；
使用所述输入-输出参数对对神经网络算法进行训练；
获得操作事件及对应的操作时间作为输出参数的行为预测模型。
2.根据权利要求1所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：所述历史操作数据中与行为预测相关参数包括排气扇运行参数和环境参数。
3.根据权利要求1所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：根据所述输入-输出参数对初步确定所述神经网络算法的基本结构、网络输入节点数、网络输出节点数、网络隐层数、隐节点数、网络初始权值。
4.根据权利要求1所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：所述神经网络算法的结构由BP网络结构、RNN网络结构、LSTM网络结构、CNN网络结构生成。
5.根据权利要求4所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：所述训练方法根据神经网络算法的结构和/或训练过程进行实时调整。
6.根据权利要求5所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：在所述神经网络算法训练过程中判断神经网络算法的期望输出与实际输出是否满足输出精度，若满足，则结束训练；若不满足，则更新神经网络算法中输入层、隐含层及输出层的权值和/或偏置。
7.根据权利要求1所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法。
8.根据权利要求7所述的一种基于排气扇操作数据的行为预测模型构建方法，其特征在于：判断所述测试误差是够满足要求，若满足则完成网络训练测试；若不满足，则重新训练神经网络算法。
9.一种基于排气扇操作数据的行为预测模型构建***，其特征在于，所述***包括：数据源模块、筛选模块和算法训练模块，所述
数据源模块，用于获取排气扇历史操作数据；
筛选模块，用于筛选历史操作数据中行为预测相关参数作为输入参数，将操作事件及对应的操作时间作为输出参数，建立输入-输出参数对。
算法训练模块，用于使用所述输入-输出参数对对神经网络算法进行训练，获得操作事件及对应的操作时间作为输出参数的行为预测模型。
10.根据权利要求9所述的一种基于排气扇操作数据的行为预测模型构建***，其特征在于：所述算法训练模块包括调整单元，用于根据神经网络算法的结构和/或训练过程进行实时调整训练方法。
11.根据权利要求9所述的一种基于排气扇操作数据的行为预测模型构建***，其特征在于：所述算法训练模块包括精度判断单元，用于判断所述神经网络算法的期望输出与实际输出是否满足输出精度。
12.根据权利要求9所述的一种基于排气扇操作数据的行为预测模型构建***，其特征在于：所述算法训练模块包括测试单元，用于所述神经网络算法训练完成后，使用所述输入-输出参数对正向测试所述神经网络算法。
13.根据权利要求12所述的一种基于排气扇操作数据的行为预测模型构建***，其特征在于：所述算法训练模块包括误差判断单元，用于判断所述测试误差是够满足要求。
14.一种智能家居设备的控制方法，其特征在于，所述方法包括：
获取排气扇的与行为预测相关参数；
将操作数据中与行为预测相关参数作为输入参数带入训练好的行为预测模型；
获得操作事件及对应的操作时间的输出参数，并发送至控制终端。
15.一种智能家居设备的控制方法，其特征在于，所述方法包括：
接收操作事件及对应的操作时间的输出参数；
根据操作事件及对应的操作时间的输出参数生成控制指令；
将控制指令发送至智能家居设备，控制所述智能家具设备根据控制指令工作。
16.一种智能家居设备的控制***，其特征在于，所述***包括：包括采集装置、预测装置、控制终端和智能家居设备，所述
采集装置，用于采集排气扇运行参数和环境参数，并将采集信号发送至预测装置；
所述预测装置，用于根据训练好的行为预测模型预测出操作事件及对应的操作时间，并将预测结果发送至控制终端；
所述控制终端，用于控制根据操作事件及对应的操作时间的输出参数生成控制指令；
所述智能家居设备，根据控制指令工作。
17.根据权利要求16所述的一种排气扇的控制***，其特征在于：所述智能家居设备包括空气净化器、香薰机、除湿机、取暖器、智能音箱、智能电视中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811406808.4A CN109471370B (zh) | 2018-11-23 | 2018-11-23 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811406808.4A CN109471370B (zh) | 2018-11-23 | 2018-11-23 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109471370A true CN109471370A (zh) | 2019-03-15 |
| CN109471370B CN109471370B (zh) | 2020-07-10 |
Family
ID=65674047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811406808.4A Active CN109471370B (zh) | 2018-11-23 | 2018-11-23 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109471370B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705799A (zh) * | 2019-10-10 | 2020-01-17 | 北京小米移动软件有限公司 | 一种智能提示梳洗相关信息的方法、装置及介质 |
| CN110748941A (zh) * | 2019-10-16 | 2020-02-04 | 佛山市云米电器科技有限公司 | 一种可自定义使用模式的智能浴霸的方法与*** |
| CN110824944A (zh) * | 2019-11-22 | 2020-02-21 | 珠海格力电器股份有限公司 | 基于智能家居设备的睡眠行为信息预测方法及*** |
| CN111007731A (zh) * | 2019-11-11 | 2020-04-14 | 珠海格力电器股份有限公司 | 用户操作预测方法、装置、电子设备及可读存储介质 |
| CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
| WO2021204117A1 (zh) * | 2020-04-07 | 2021-10-14 | 佛山市顺德区美的洗涤电器制造有限公司 | 家用电器的控制方法、家用电器及计算机可读存储介质 |
| CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其*** |
| CN104855249A (zh) * | 2015-05-21 | 2015-08-26 | 赵致钧 | 一种模块化自动控制***及其方法 |
| CN105259957A (zh) * | 2015-10-19 | 2016-01-20 | 珠海格力电器股份有限公司 | 一种可联动控制家用设备的控制方法以及控制器 |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
| CN107844073A (zh) * | 2017-09-15 | 2018-03-27 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、***、存储介质及处理器 |
| CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
-
2018
- 2018-11-23 CN CN201811406808.4A patent/CN109471370B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其*** |
| CN104855249A (zh) * | 2015-05-21 | 2015-08-26 | 赵致钧 | 一种模块化自动控制***及其方法 |
| CN105259957A (zh) * | 2015-10-19 | 2016-01-20 | 珠海格力电器股份有限公司 | 一种可联动控制家用设备的控制方法以及控制器 |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
| CN107844073A (zh) * | 2017-09-15 | 2018-03-27 | 珠海格力电器股份有限公司 | 电子设备控制方法、装置、***、存储介质及处理器 |
| CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705799A (zh) * | 2019-10-10 | 2020-01-17 | 北京小米移动软件有限公司 | 一种智能提示梳洗相关信息的方法、装置及介质 |
| CN110748941A (zh) * | 2019-10-16 | 2020-02-04 | 佛山市云米电器科技有限公司 | 一种可自定义使用模式的智能浴霸的方法与*** |
| CN111007731A (zh) * | 2019-11-11 | 2020-04-14 | 珠海格力电器股份有限公司 | 用户操作预测方法、装置、电子设备及可读存储介质 |
| CN110824944A (zh) * | 2019-11-22 | 2020-02-21 | 珠海格力电器股份有限公司 | 基于智能家居设备的睡眠行为信息预测方法及*** |
| WO2021204117A1 (zh) * | 2020-04-07 | 2021-10-14 | 佛山市顺德区美的洗涤电器制造有限公司 | 家用电器的控制方法、家用电器及计算机可读存储介质 |
| CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
| CN117216505A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及*** |
| CN117216505B (zh) * | 2023-11-09 | 2024-03-19 | 广州视声智能股份有限公司 | 基于智慧家居使用记录的用户习惯预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109471370B (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109471370A (zh) | 一种基于排气扇操作数据的行为预测及控制方法、*** | |
| Zhou et al. | Multi-population parallel self-adaptive differential artificial bee colony algorithm with application in large-scale service composition for cloud manufacturing | |
| US11669059B2 (en) | Autonomous and semantic optimization approach for real-time performance management in a built environment | |
| Dong et al. | A learner based on neural network for cognitive radio | |
| CN105005204A (zh) | 可自动触发智能家居和智慧生活情景的智能引擎***及方法 | |
| CN110578994A (zh) | 一种运行方法及装置 | |
| Van Segbroeck et al. | Learning to coordinate in complex networks | |
| CN115826428A (zh) | 家居设备的控制方法和装置、存储介质及电子装置 | |
| Al-Daraiseh et al. | Multi-agent system for energy consumption optimisation in higher education institutions | |
| CN113222170B (zh) | 一种用于物联网ai协同服务平台的智能算法和模型 | |
| CN113375300A (zh) | 空调器的智能控制方法与空调器的智能控制设备 | |
| Vázquez et al. | Usage profiles for sustainable buildings | |
| Lachhab et al. | Context-driven monitoring and control of buildings ventilation systems using big data and Internet of Things–based technologies | |
| WO2016147298A1 (ja) | 推薦装置、推薦決定方法、およびコンピュータプログラム | |
| Abusukhon | Toward achieving a balance between the user satisfaction and the power conservation in the Internet of Things | |
| Rizwan et al. | Optimal environment control mechanism based on OCF connectivity for efficient energy consumption in greenhouse | |
| CN110738120A (zh) | 环境数据调整方法及装置、电子设备及介质 | |
| Yan et al. | Occupant behavior impact in buildings and the artificial intelligence-based techniques and data-driven approach solutions | |
| CN111342463A (zh) | 基于多元外部数据的电力负荷辅助辨识方法 | |
| Lee | Modeling multiple occupant behaviors in buildings for increased simulation accuracy: An agent-based modeling approach | |
| CN108292122A (zh) | 数据和能源存储互联网架构内的分布式信息代理间的通信 | |
| Mayerhoffer et al. | A Network Approach to Consumption | |
| CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
| CN118031385B (zh) | 基于强化学习和数字孪生模型的空调节能控制方法及*** | |
| Antunes et al. | Towards behaviour inference in smart environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |