CN110308661A - 基于机器学习的智能设备控制方法及装置 - Google Patents
基于机器学习的智能设备控制方法及装置 Download PDFInfo
- Publication number
- CN110308661A CN110308661A CN201910490889.9A CN201910490889A CN110308661A CN 110308661 A CN110308661 A CN 110308661A CN 201910490889 A CN201910490889 A CN 201910490889A CN 110308661 A CN110308661 A CN 110308661A
- Authority
- CN
- China
- Prior art keywords
- smart machine
- mobile terminal
- information
- usual
- machine
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002123 temporal effect Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 description 28
- 238000005516 engineering process Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例提供了一种基于机器学习的智能设备控制方法及装置,方法包括:若检测到移动终端上的应用管理程序启动,则获取移动终端的位置信息和当前操作时间信息;将位置信息和当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;根据惯用智能设备的标识信息对应用管理程序进行控制,使得应用管理程序显示用于远程操作惯用智能设备的控制界面。本发明实施例基于机器学习的方式,根据用户习惯自动启动相应智能设备的控制界面,从而可以省去用户从应用管理程序中存储的多个智能设备中寻找欲控制的智能设备的麻烦,因而使得用户的操作变得简便,可以直接快速地对欲控制的智能设备进行控制,从而提高了用户体验。
Description
技术领域
本发明涉及智能控制技术领域,具体涉及一种基于机器学习的智能设备控制方法及装置。
背景技术
随着物联网技术的发展,智能家居设备也正在普及。用户办公室或家庭中的智能家居设备也在不断地增多,用户可以使用安装在移动终端上的APP的人机交互界面远程操作各个智能家居设备,以获得更多的自动化和智能场景控制功能。
目前,安装在移动终端上的APP的人机交互界面通常通过以下方式呈现待控制的智能家居设备:(1)列出用户所有的智能家居设备;(2)根据智能家居设备的类别或者在线/离线状态,分类显示智能家居设备。
对于上面提到的两种呈现方式,均存在以下问题:当用户需要对某个家居设备进行控制时,需要在整个智能家居设备列表中辨认出所需控制的家居设备,这会造成用户操作较为复杂和繁琐,从而导致用户体验不佳。
发明内容
针对现有技术中的问题,本发明实施例提供一种基于机器学习的智能设备控制方法及装置。
为解决上述技术问题,本发明实施例提供以下技术方案:
第一方面,本发明实施例提供了一种基于机器学习的智能设备控制方法,包括:
若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;
将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;
根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;
其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
进一步地,在将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息之前,所述基于机器学习的智能设备控制方法,还包括:建立所述惯用智能设备识别模型;
其中,所述建立所述惯用智能设备识别模型,包括:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
进一步地,所述基于机器学习的智能设备控制方法,还包括:
在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
进一步地,所述获取所述移动终端的位置信息,具体包括:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,在建立所述惯用智能设备识别模型的过程中,在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
进一步地,所述获取所述移动终端的位置信息,具体包括:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息;
或,通过全球定位***GPS***获取所述移动终端当前所处的位置信息;
或,通过预先布置的多个热释电红外传感器节点获取所述移动终端当前所处的位置信息;
或,通过基于计算机机器视觉的图像处理算法获取所述移动终端当前所处的位置信息。
第二方面,本发明实施例还提供了一种基于机器学习的智能设备控制装置,包括:
获取模块,用于若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;
处理模块,用于将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;
控制模块,用于根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;
其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
进一步地,所述基于机器学习的智能设备控制装置,还包括:模型构建模块;
其中,所述模型构建模块,具体用于:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
进一步地,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,所述模型构建模块将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述处理模块在将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述控制模块在根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
进一步地,所述获取模块,具体用于:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
进一步地,所述获取模块,具体用于:
所述获取所述移动终端的位置信息,具体包括:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息;
或,通过全球定位***GPS***获取所述移动终端当前所处的位置信息;
或,通过预先布置的多个热释电红外传感器节点获取所述移动终端当前所处的位置信息;
或,通过基于计算机机器视觉的图像处理算法获取所述移动终端当前所处的位置信息。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述基于机器学习的智能设备控制方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述基于机器学习的智能设备控制方法的步骤。
由上述技术方案可知,本发明实施例提供的基于机器学习的智能设备控制方法及装置,基于机器学习方式,根据用户习惯(在什么位置区域于什么时间习惯操作什么智能设备)自动启动相应智能设备的控制界面,从而可以省去用户从应用管理程序中存储的多个智能设备中寻找欲控制的智能设备的麻烦,因而使得用户的操作变得简便,可以直接快速地对欲控制的智能设备进行控制,从而提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明一实施例提供的基于机器学习的智能设备控制方法的流程图;
图2是本发明一实施例提供的在预设位置习惯操作的智能设备的示意图;
图3是本发明一实施例提供的一种控制界面的示意图;
图4是本发明一实施例提供的另一种控制界面的示意图;
图5是本发明一实施例提供的又一种控制界面的示意图;
图6是本发明一实施例提供的CNN模型示意图;
图7是本发明一实施例提供的基于机器学习的智能设备控制装置的结构示意图;
图8是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明人经独自的研究和基于对用户操作习惯数据统计的大数据分析后,发现用户利用移动终端远程控制特定的智能家电与用户所处的位置和时间具有一定的相关性。例如,某用户群体于工作日的21点至22点间在客厅的沙发位置或者在智能电视前用手机控制智能家电时,有较大的概率操作用于控制智能电视,而在23点至次日1点在卧室的床附近时,则有较大的概率操作用于控制智能空调。
基于以上认知,本申请提供了基于机器学习的智能设备控制方法,通过将位置信息和当前操作时间信息作为输入数据,利用神经网络等公知的机器学习算法,可训练得到能够输出用户欲控制的特定智能设备(或者特定操作功能)的高精度的用户习惯预测模型(也即后续所述的惯用智能设备识别模型),从而根据用户习惯自动获取对相应智能设备的控制。
基于以上分析,下面将通过具体实施例对本申请提供的基于机器学习的智能设备控制方法的工作原理和工作过程进行详细解释说明。
图1示出了本发明一实施例提供的基于机器学习的智能设备控制方法的流程图,参见图1,本发明实施例提供的基于机器学习的智能设备控制方法,包括:
步骤101:若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息。
在本实施例中,所述位置信息可以为绝对位置信息(如GPS地理位置坐标),也可以为相对位置信息(如根据移动终端与室内的几个预设固定点的距离信息可以确定该移动终端在室内的相对位置信息)。
在本实施例中,所述当前操作时间信息是指在检测到移动终端上的应用管理程序启动时对应的时间信息。所述时间信息可以指工作日时间和周末时间,也可以指中午时间和晚上时间,还可以指一天中的任意时间段,还可以指其他同时包括日期信息和时钟信息的时间信息,还可以是其他各种各样形式的时间信息,本实施例对此不作限定。
在本实施例中,所述应用管理程序指用于对智能设备进行管理控制的APP,这些APP一般安装在移动终端上,供用户远程操作相应的智能设备使用。
在本实施例中,所述获取所述移动终端的位置信息的步骤可以在检测到移动终端上的应用管理程序启动时自动执行,也可以在检测到移动终端上的应用管理程序启动时由用户手动触发执行。
在本实施例中,所述移动终端可以指智能手机、智能遥控器等。所述智能设备可以指各种家电设备或办公设备,如冰箱、电视、空调、洗衣机等。
步骤102:将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息。
在本步骤中,所述惯用智能设备识别模型是根据当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息这些历史操作数据,基于机器学习算法训练得到的。因此,在步骤101获取到位置信息和当前操作时间信息后,将所述位置信息和所述当前操作时间信息作为输入数据输入至惯用智能设备识别模型中,从而可以输出惯用智能设备的标识信息。
步骤103:根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息。
在本实施例中,在步骤102获取所述智能设备的标识信息(也称作智能设备的识别码)后,根据步骤102获取的智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制信息,这里控制信息可以为用于远程操作所述智能设备的控制按钮、也可以为用于远程操作所述智能设备的控制指令,还可以为包含控制按钮或控制指令的控制界面等等。
举例来说,参见图2,假设根据历史数据发现用户习惯在位置A1于中午时间控制空调1,并习惯在位置A1于晚上时间控制电视,则根据这些历史操作数据,基于机器学习算法可以训练得到惯用智能设备识别模型。若在检测到移动终端上的应用管理程序启动时,获取的移动终端的位置信息为位置A1且当前的操作时间(启动应用管理程序的时间)为中午时间,则将移动终端所处的位置信息(位置A1)和当前操作时间信息(中午时间如12:30)输入至所述惯用智能设备识别模型中,然后由所述惯用智能设备识别模型输出对应的惯用智能设备(空调1)的标识信息,然后基于空调1的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示的控制信息如图3所示,其图3以及后续的图4和图5是以控制界面为例进行说明的。参见图3可知,所述应用管理程序上显示有在该位置和当前操作时间用户习惯操作的智能设备(空调1)的控制界面,从而便于用户对空调1进行相应的控制。这里,中午时间和晚上时间可以具体进行设定,一般中午时间是指12点-14点,晚上时间指18点-22点。
又如,假设根据历史数据发现用户习惯在夏天的晚上时间于位置A3对空调2进行控制,因此,若在检测到移动终端上的应用管理程序启动时,获取的移动终端的位置信息为位置A3且当前的操作时间为夏天的晚上时间,则将移动终端所处的位置信息(位置A3)和当前操作时间信息(夏天的晚上时间如6月22号的20点)输入至所述惯用智能设备识别模型中,然后由所述惯用智能设备识别模型输出对应的惯用智能设备(空调2)的标识信息,然后对所述应用管理程序进行控制,使得所述应用管理程序显示的控制界面如图4所示。参见图4可知,所述应用管理程序上显示有在该位置和当前操作时间用户习惯操作的智能设备(空调2)的控制界面(该控制界面中显示有各种用于控制空调2的虚拟按键,如可以选择模式、设定温度、控制电源开闭等),从而便于用户对空调2进行相应的控制。
此外,需要说明的是,所述应用管理程序显示的控制界面中并不局限于图3或图4所示的只包含一种或一个智能设备的控制界面,还可以为如图5所示的包含多个智能设备的控制界面。例如,假设用户习惯在夏天的晚上时间在位置A1同时操作空调1和电视,那么根据这些历史操作数据,基于机器学习算法可以训练得到惯用智能设备识别模型。若在检测到移动终端上的应用管理程序启动时,获取的移动终端的位置信息为位置A1且当前的操作时间为夏天的晚上时间,则可以将移动终端所处的位置信息(位置A1)和当前操作时间信息(晚上时间)输入至所述惯用智能设备识别模型中,然后由所述惯用智能设备识别模型输出对应的惯用智能设备(空调1和电视)的标识信息,然后基于空调1和电视的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示的控制界面如图5所示,从而便于用户对空调1和电视进行相应的控制。需要说明的是,由于在一般家庭中,智能设备的数量不少于10个,因此,采用本实施例提供的这种控制方法,可以省去用户从应用管理程序中存储的多个智能设备中寻找欲控制的智能设备的麻烦,使得用户可以直接看到欲控制的智能设备的控制界面,因而提高了用户体验。
在本实施例中,需要说明的是,上面所述的惯用智能设备识别模型是根据当前操作时间之前的历史操作数据(用户历史通过所述应用管理程序对智能设备进行远程控制的数据)基于机器学习算法训练生成的。其中,在基于机器学习算法训练生成所述惯用智能设备识别模型时,一般将移动终端利用应用管理程序对智能设备进行历史控制时所在的位置信息和对应的操作时间信息作为样本输入数据,将对应的被控制的智能设备的标识信息作为样本输出数据,对初始机器学习模型进行训练直到满足模型收敛条件后,生成所述惯用智能设备识别模型。在本实施例中,可以采用CNN或RNN机器学习模型进行模型训练。此外,需要说明的是,在根据历史操作数据基于机器学习算法训练生成所述惯用智能设备识别模型时,采用的历史操作数据都是最新的历史操作数据,例如,可以是最近一周,最近一个月、最近三个月或最近半年等距离当前操作时间较近的历史操作数据,目的是为了提高所述惯用智能设备识别模型的识别准确度,使其能够较为准确地识别出用户在对应的位置和操作时间最想控制的智能设备。
需要说明的是,本实施例在根据用户习惯自动启动相应智能设备的控制界面时,不但考虑了用户在什么位置区域习惯操作什么智能设备,而且还考虑了用户在什么位置区域于什么时间习惯操作什么智能设备,从而自动精准地为用户提供了用户当前欲控制的智能设备的控制界面,因而省去了用户从应用管理程序中存储的较多智能设备中查找在该位置且在当前时间常用的智能设备的麻烦,从而提高了用户体验。
此外,需要说明的是,本实施例所提供的基于机器学习的智能设备控制方法还可以用于对用户在什么位置区域习惯操作什么智能设备的控制,也即相对于上面讲述的内容,在向所述惯用智能设备识别模型输入数据时,只需输入移动终端所在的位置信息即可,不用输入当前操作时间信息。相应地,在对所述惯用智能设备识别模型进行训练时,样本数据中也不再需要包含时间信息这一项内容。举例来说,参见图2,假设用户在过去的时间内一直习惯于在位置A1控制空调1和电视,则根据这些历史操作数据,基于机器学习算法可以训练得到惯用智能设备识别模型,然后当检测到移动终端目前位于位置A1时,则可以将移动终端所处的位置信息A1输入至所述惯用智能设备识别模型中,然后由所述惯用智能设备识别模型输出对应的惯用智能设备(空调1和电视)的标识信息,然后基于空调1和电视的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示的控制界面中包含有用户在该位置习惯操作的智能设备空调1和电视的控制界面,从而便于用户对空调1和电视进行相应的控制。
在本实施例中,需要说明的是,在基于机器学习算法进行训练时所用的训练数据集的来源可以有多种方式,本实施例对此不作限定,如可以是:A:仅来自于预先采集的该用户的历史操作数据;B:仅来自于预设训练数据集,该预设训练数据集是发明人根据预先采集的多个其他用户的使用习惯数据而生成的,例如,可以根据该用户在购买时登记的年龄、性别、该用户对应家庭所购买的家电类型等登记信息来为该用户确定匹配的训练数据集;C:在预设训练数据集的基础上,利用该用户的操作习惯进一步训练得到的数据集。
由上述技术方案可知,本发明实施例提供的智能设备控制方法,基于机器学习的方式,根据用户习惯(在什么位置区域于什么时间习惯操作什么智能设备)自动启动相应智能设备的控制界面,从而可以省去用户从应用管理程序中存储的多个智能设备中寻找欲控制的智能设备的麻烦,因而使得用户的操作变得简便,可以直接快速地对欲控制的智能设备进行控制,从而提高了用户体验。
需要说明的是,本实施例提供的智能设备控制方法可以由移动终端执行,也可以由服务器执行,也可以由移动终端和服务器以信息交互的方式共同执行。
例如,在一种实现方式中,本实施例提供的智能设备控制方法可以由移动终端执行。在该实现方式中,所述惯用智能设备识别模型的训练工作由移动终端完成。同时,移动终端在检测到其上用于控制智能设备的应用管理程序启动时,获取移动终端自身的位置信息和当前的操作时间信息,然后将所述位置信息和所述当前操作时间信息输入至所述惯用智能设备识别模型中,并从所述惯用智能设备识别模型的输出端获取对应的智能设备的标识信息,从而根据所述智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制界面或控制命令,从而便于使用所述移动终端的用户第一时间看到在该位置习惯操作的智能设备的控制界面(或控制命令),从而便于对相应的智能设备进行控制,因而省去了从应用管理程序中存储的较多智能设备中查找在该位置常用智能设备的麻烦。此外,需要特殊说明的是,本实施例提供的智能设备控制方法区别于一些根据移动终端位置信息在移动终端应用管理程序上显示位于移动终端附近或周围的智能设备信息列表的控制方法,因为本实施例的核心发明思想在于根据用户习惯为用户启动相应智能设备的控制界面,而不是在于根据用户的位置为用户提供该位置附近的智能设备的控制界面。最后,需要强调的是,本实施例旨在体现根据用户习惯(在什么位置区域于什么时间习惯操作什么智能设备)自动启动相应智能设备的控制界面这一核心发明思想。
又如,在一种实现方式中,本实施例提供的智能设备控制方法可以由服务器执行。在该实现方式中,所述惯用智能设备识别模型的训练工作由服务器完成。相应地,服务器通过一定方式在检测到移动终端上的应用管理程序启动时,获取所述移动终端的位置信息和当前操作时间信息,然后将所述位置信息和所述当前操作时间信息输入至所述惯用智能设备识别模型中,并从所述惯用智能设备识别模型的输出端获取对应的智能设备的标识信息,然后根据所述智能设备的标识信息通过一定方式对安装在移动终端上的应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制界面或控制命令。
需要说明的是,在该实现方式中,服务器可以通过多种方式检测移动终端上用于控制智能设备的应用管理程序是否启动,例如,可以预先设定这样的处理逻辑:预先在所述移动终端上安装监控软件,该监控软件可以与所述服务器进行通信,当所述监控软件监控到移动终端上用于控制智能设备的应用管理程序启动时,就向所述服务器发送提示信息。其中,所述提示信息中还包括有监控软件获取的移动终端的当前位置信息和当前操作时间信息。又如,还可以通过其他方式实现,如可以预先设定这样的处理逻辑:当移动终端检测到移动终端上用于控制智能设备的应用管理程序启动时,向所述服务器发送提示信息。其中,所述提示信息中还包括由移动终端获取的当前位置信息和当前操作时间信息。
类似地,服务器在从服务器本地的惯用智能设备识别模型的输出端获取所述智能设备的标识信息后,也可以通过所述监控软件对安装在移动终端上的应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制界面或控制命令。或者,服务器在获取所述智能设备的标识信息后,可以将所述智能设备的标识信息发送给移动终端,由移动终端对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制界面或控制命令。
在该实现方式中,类似地,服务器在基于机器学习的方式训练生成所述惯用智能设备识别模型时,需要从所述移动终端获取训练用的样本数据,所述样本数据包括:历史时间中用户通过所述应用管理程序对智能设备进行远程控制时的位置信息、操作时间信息以及对应的***作的智能设备的标识信息。服务器在从所述移动终端获取这些样本数据时,也可以采用上面所述的监控软件相关技术。例如,利用监控软件监控所述移动终端上的应用管理程序是否对智能设备完成远程控制操作,并在监控到所述移动终端上的应用管理程序对智能设备完成远程控制操作时,获取该次远程控制对应的位置信息、操作时间信息以及***作的智能设备的标识信息,并将获取的这些信息发送给服务器,从而使得服务器可以在服务器本地完成所述惯用智能设备识别模型的训练过程。
又如,在一种实现方式中,本实施例提供的智能设备控制方法可以由移动终端和服务器以信息交互的方式共同执行。在该实现方式中,所述惯用智能设备识别模型的训练工作由服务器完成。相应地,由移动终端检测用于控制智能设备的应用管理程序是否启动,并在检测到启动时,获取移动终端本身的位置信息和当前操作时间信息,然后将所述位置信息和所述当前操作时间信息发送给服务器,以使服务器将所述位置信息和所述当前操作时间信息输入至所述惯用智能设备识别模型中,然后由所述惯用智能设备识别模型输出对应的智能设备的标识信息,服务器在获取所述智能设备的标识信息后,将所述智能设备的标识信息发送给移动终端,由移动终端根据所述智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述智能设备的控制界面(或控制命令)。
进一步地,基于上述实施例的内容,在本实施例中,在所述步骤101或步骤102之前,所述基于机器学习的智能设备控制方法,还包括:
步骤100:建立所述惯用智能设备识别模型。
在本步骤中,所述建立所述惯用智能设备识别模型,包括:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
在本实施例中,需要说明的是,所述惯用智能设备识别模型是一个动态训练的过程,也是所述惯用智能设备识别模型并不是一成不变的,而是根据不断发生的对智能设备的远程控制行为所包含的位置信息、操作时间信息以及对应的智能设备的标识信息,基于机器学习算法,对模型进行不断训练后得到的。也是所述惯用智能设备识别模型根据最近的用户操作行为能够不断更新,从而使得提高所述惯用智能设备识别模型的识别准确度。在本实施例中,为保持所述惯用智能设备识别模型能够不断被更新,当每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,均需要获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,并将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,然后基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
例如,参见图2,假设在1-3月份,用户习惯使用移动终端在A1位置对电视进行远程控制,但是从4月份开始发现,用户习惯使用移动终端在A2位置对电视进行远程控制(可能是家里的主人出差了,来家里住宿的是其他朋友,该朋友习惯在位置A2对电视进行远程控制),因此,根据该朋友的几次操作行为,就可以基于机器学习算法,对模型进行不断训练更新,从而使得惯用智能设备识别模型的识别准确度提高,逐渐符合当前用户的习惯。
在本实施例中,在通过机器学习的方式进行模型训练时,可以采用CNN或RNN模型。下面结合图6以CNN模型为例进行说明,需要说明的是,图6只是一个示意模型,其中只简单示意出了两个卷积层和两个池化层,在实际应用中,卷积层和池化层的个数一般要大于2个。具体地,CNN模型的结构主要包括:一个输入层、n个卷积层、n个池化层、m个全连接层、一个输出层;其中,所述输入层的输入为包含移动终端的位置信息和操作时间信息的样本输入数据,输入层与卷积层C1相连接;所述卷积层C1含有k1个大小为a1×a1的卷积核,所述输入层的样本输入数据经过卷积层C1得到k1个特征图,进而将得到的特征图传送至池化层P1;所述池化层P1以b1×b1的采样大小对所述卷积层C1生成的特征图进行池化,得到相应的k1个采样后的特征图,再将得到的特征图传送至下一个卷积层C2;所述n个卷积层和池化层对的顺次连接,进而不断提取样本输入数据深层次的抽样特征,最后一个池化层Pn与全连接层F1相连接,其中,卷积层Ci含有ki个大小为ai×ai的卷积核,池化层Pj的采样大小为bj×bj,Ci表示第i个卷积层,Pj表示第j个池化层;所述全连接层F1为所述最后一个池化层Pn所得的所有kn个特征图的像素点映射而成的一维层,每个像素代表所述全连接层F1的一个神经元节点,F1层的所有神经元节点与下一个全连接层F2的神经元节点进行全连接;经m个全连接层顺次连接,最后一个全连接层Fm与所述输出层进行全连接;所述输出层输出包含惯用智能设备的标识信息的样本输出数据。在本实施例中,利用包含移动终端的位置信息和操作时间信息的样本输入数据,和包含惯用智能设备的标识信息的样本输出数据,基于机器学习算法,对上述CNN模型进行训练直到上述CNN模型收敛为止,进而得到所述惯用智能设备识别模型。
举例来说,在基于机器学习算法进行模型训练时,假设经过对历史操作数据的记录,获取到的用于训练模型的样本数据如下表1所示。
表1
对于上表1来说,假设位置Ax为家庭中的沙发,第一时间段为12:00-14:00,所述第二时间段为19:00-22:00,智能设备a为空调、智能设备b为洗衣机,智能设备c为电视,因为用户无论什么时间在所述沙发上,都习惯打开电视,而只有在中午比较热的时候打开空调,且只有在晚上的时候才会利用洗衣机洗衣服。可见,采用上述样本数据对模型训练后,能够使得可以训练得到的惯用智能设备识别模型提供更加匹配用户需求的识别结果,进而可以为用户提供更加匹配用户习惯的控制界面,从而可以提高用户体验。此外,需要说明的是,上表1只是为了方便举例的一个示意,实际进行样本训练时数据量要远远大于上述表1中所示的内容。
进一步地,基于上述实施例的内容,在本实施例中,所述基于机器学习的智能设备控制方法还包括:
在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
需要说明的是,本实施例是在上述实施例的基础之上,增加了显示对应的操作内容信息这一项内容,从而使得控制界面显示的内容更加匹配用户的需求,从而进一步节省了用户的操作时间,进而提高了用户体验。
举例来说,假设用户习惯在位置Ax于中午时间(第一时间段)习惯看电视中的节目1(如午间新闻),且习惯在位置Ax于晚上时间(第二时间段)习惯看节目2(如足球比赛)。因此,当用户当前位于位置Ax,且当前时间为晚上,启动应用管理程序时,所述应用管理程序不但显示用于远程操作电视的控制界面,还用于显示对节目2的触发或控制按钮,以便于用户快速实现对节目2的启动。
在本实施例中,所述操作内容信息可以为智能设备的控制模式、工作模式,工作频道、工作详情等信息,本实施例对此不作限定。例如,对于电视来说,可以为电视剧频道、电影频道、音乐频道等频道信息,也可以为具体的节目信息。此外,对于冰箱来说,所述操作内容可以为冰箱的工作模式,如省电模式(比较适用于工作日)和正常模式(比较适用于周末)。此外,对于空调来说,所述操作内容可以为空调的制冷模式、制热模式、除湿模式等,进一步还可以为制冷模式下的具体设定温度等等。对于所述操作内容的具体含义,本实施例不再一一举例说明。
在本实施例中,在基于机器学习算法进行模型训练时,假设经过对历史操作数据的记录,获取到的用于训练模型的样本数据如下表2所示。
表2
对于上表2来说,假设位置Ax为家庭中的沙发,第一时间段为12:00-14:00,所述第二时间段为19:00-22:00,智能设备a为电视,因为用户在中午时间(第一时间段)习惯看节目1(如午间新闻),而在晚上时间(第二时间段)习惯看节目2(如足球比赛),可见,采用上述样本数据对模型训练后,能够使得可以训练得到的惯用智能设备识别模型提供更加匹配用户需求的识别结果,进而可以为用户提供更加匹配用户习惯的控制界面,从而可以提高用户体验。此外,需要说明的是,上表2只是为了方便举例的一个示意,实际进行样本训练时数据量和数据内容要远远大于上述表2中所示的内容。
进一步地,基于上述实施例的内容,在一种可选实施方式中,所述获取所述移动终端的位置信息,具体包括:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息。
在本实施方式中,所述移动终端当前所处的位置信息可以通过所述移动终端上安装的定位软件直接获取。需要说明的是,由于本实施例中获取的位置信息一般为房间内或办公区的具***置信息,因此要求定位软件的定位精度要足够高,以能够区分房间内或办公区内不同区域位置为最低要求。例如,以90平米的房间为准,定位软件的定位精度需要满足能够区分客厅位置和卧室位置为最低要求。
此外,所述移动终端当前所处的位置信息还可以通过全球定位***GPS(GlobalPositioning System)***获取。此外,所述移动终端当前所处的位置信息还可以通过人体红外传感器(热释电红外传感器)获取。此外,还可以通过计算机机器视觉相关技术(如基于计算机机器视觉的图像处理算法)进行定位,由于该部分内容可以采用目前比较成熟的定位技术,故这里不再详述。需要说明的是,通过这种方式获取的定位结果一般都是一个直接定位结果,也即获取的位置信息指的就是所述移动终端当前所处的绝对位置信息。
进一步地,基于上述实施例的内容,在另一种可选实施方式中,所述获取所述移动终端的位置信息,具体包括:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,在建立所述惯用智能设备识别模型的过程中,在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
在本实施方式中,在获取所述移动终端的位置信息时,并没有利用定位软件获取移动终端的绝对位置,而是利用房间内预设指定智能设备作为定位参考点,然后根据移动终端监听到的所述预设指定智能设备的无线信号强度指示RSSI值确定所述移动终端的位置。
在本实施方式中,所述预设指定智能设备为固定智能设备且数量大于或等于2,之所以要求数量大于或等于2是为了保证定位精度。例如,可以设置3个预设指定智能设备,由于三点定位更加精确,因此通过3个预设指定智能设备的设置,可以保证定位精度。
需要说明的是,一般用户家中或办公室中设置有多个具有无线通信功能的智能设备(智能家居设备、智能家电),包括固定位置的智能设备的和非固定位置的智能设备。其中,固定位置的智能设备是指空调、冰箱等一经设置后,通常不会轻易移动位置的智能家电,其适合作为定位移动终端的参考点。相对应地,智能音箱等小型智能设备由于在使用时可能会经常更换设置位置,因此不适宜作为参考点。举例来说,所述预设指定智能设备可以为图2中冰箱、电视机、空调1、空调2、空调3和洗衣机,将这些固定位置的智能设备作为所述预设指定智能设备,可以根据移动终端监听到的所述预设指定智能设备的无线信号强度指示RSSI值准确确定所述移动终端的位置。这里,所述移动终端的位置可以理解成用户的位置。
需要说明的是,本实施例中提到的无线信号强度指示RSSI值可以为WiFi信号强度指示RSSI值也可以为蓝牙信号强度指示RSSI值。
此外,在本实施例中,还可以将RSSI值的监测与人体红外传感器结合使用,例如,可以在人体红外传感器检测到人体后,再获取RSSI值,从而降低功耗和运算量。
需要说明的是,在监听预设指定智能设备的RSSI值时,移动终端可以在混杂模式下,读取各智能设备的数据包。或者,命令该用户账户下的所有智能设备广播用于测量RSSI值的信标帧,从而获得预设指定智能设备的RSSI值。其中,所述预设指定智能设备既可以是由用户手动设置的,也可以是移动终端通过智能设备的识别码识别得到的。
举例来说,用户在房间内利用智能手机(或者智能遥控器)启动智能设备管理APP时,在APP登入用户账户后,智能手机通过WiFi模块监听(例如混杂模式)固定智能家电-冰箱、电视机、空调1、空调2、空调3、洗衣机所发出的信标帧(标准信标帧或者带有信标功能的自定义的普通数据帧),采集智能手机所在位置的RSSI值。需要说明的是,如果智能手机通过蓝牙模块监听各智能家电的RSSI值,则可以不影响手机WiFi网络的正常使用。
需要说明的是,本实施方式虽然参照了RSSI位置指纹定位技术,但是本实施例无需分为离线采样阶段和实时定位阶段,用户的每次操作都记录在数据库作为定位的依据(指纹定位法必须事先进行离线采样,并且仅在离线采样阶段记录RSSI值,在实时定位阶段的RSSI值仅用于定位,该RSSI值并不能记录在数据库),极大地降低了用户的学习成本。此外,本实施方式也无需建立定位坐标系和接入点布局,也无需指纹定位技术要求的定位精度,故降低了运算量和精度要求。
此外,在一种优选实施方式中,在采集移动终端所在位置的RSSI值前,还可以根据移动终端当前的GPS位置或者连接的WiFi热点的SSID或网络区段,对智能设备的群组进行过滤(例如,放置在办公室的智能家电为办公室群组,放置在家庭的智能家电为家庭群组),以使得APP中留下与当前场景适配的智能设备群组。例如,当移动终端位于家时,过滤掉办公室群组,当移动终端位于办公室时,过滤掉家庭群组。这种处理的优点是:方便用户手动设置所述预设指定智能设备。此外,所述预设指定智能设备可以为与用户账号绑定的智能设备,也可以为未与用户账号绑定的智能设备。
图7示出了本发明一实施例提供的基于机器学习的智能设备控制装置的结构示意图,参见图7,本发明实施例提供的基于机器学习的智能设备控制装置,包括:获取模块21、处理模块22和控制模块23,其中:
获取模块21,用于若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;
处理模块22,用于将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;
控制模块23,用于根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;
其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
进一步地,基于上述实施例的内容,在本实施例中,所述基于机器学习的智能设备控制装置,还包括:模型构建模块;
其中,所述模型构建模块,具体用于:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
进一步地,基于上述实施例的内容,在本实施例中,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,所述模型构建模块将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述处理模块在将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述控制模块在根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
进一步地,基于上述实施例的内容,在一种可选实施方式中,所述获取模块,具体用于:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息。
进一步地,基于上述实施例的内容,在另一种可选实施方式中,所述获取模块,具体用于:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
由于本实施例提供的基于机器学习的智能设备控制装置可以用于执行上述第二个实施例所述的基于机器学习的智能设备控制方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
基于相同的发明构思,本发明又一实施例提供了一种电子设备,参见图8,所述电子设备具体包括如下内容:处理器601、存储器602、通信接口603和通信总线604;
其中,所述处理器601、存储器602、通信接口603通过所述通信总线604完成相互间的通信;所述通信接口603用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述基于机器学习的智能设备控制方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
需要说明的是,本实施例中提到的电子设备可以为移动终端,也可以为云端服务器。
基于相同的发明构思,本发明又一实施例提供了一种非暂态计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于机器学习的智能设备控制方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
此外,上述的存储器中的逻辑指令可以通过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,或者网络设备等)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。
以上所描述的装置实施例仅仅是示意性的,其中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,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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,或者网络设备等)执行各个实施例或者实施例的某些部分所述的基于机器学习的智能设备控制方法。
在本发明的描述中,需要说明的是,术语“上”、“下”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。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种基于机器学习的智能设备控制方法,其特征在于,包括:
若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;
将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;
根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;
其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
2.根据权利要求1所述的基于机器学习的智能设备控制方法,其特征在于,在将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息之前,所述基于机器学习的智能设备控制方法,还包括:建立所述惯用智能设备识别模型;
其中,所述建立所述惯用智能设备识别模型,包括:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
3.根据权利要求2所述的基于机器学习的智能设备控制方法,其特征在于,所述基于机器学习的智能设备控制方法还包括:
在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
4.根据权利要求2所述的基于机器学习的智能设备控制方法,其特征在于,所述获取所述移动终端的位置信息,具体包括:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,在建立所述惯用智能设备识别模型的过程中,在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
5.根据权利要求1所述的基于机器学习的智能设备控制方法,其特征在于,所述获取所述移动终端的位置信息,具体包括:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息;
或,通过全球定位***GPS***获取所述移动终端当前所处的位置信息;
或,通过预先布置的多个热释电红外传感器节点获取所述移动终端当前所处的位置信息;
或,通过基于计算机机器视觉的图像处理算法获取所述移动终端当前所处的位置信息。
6.一种基于机器学习的智能设备控制装置,其特征在于,包括:
获取模块,用于若检测到移动终端上的应用管理程序启动,则获取所述移动终端的位置信息和当前操作时间信息;
处理模块,用于将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息;
控制模块,用于根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息;
其中,所述惯用智能设备识别模型是根据历史操作数据,基于机器学习算法训练得到的;所述历史操作数据包括所述当前操作时间之前所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时所述移动终端所在的位置信息、操作时间信息和所述任一智能设备的标识信息。
7.根据权利要求6所述的基于机器学习的智能设备控制装置,其特征在于,所述基于机器学习的智能设备控制装置,还包括:模型构建模块;
其中,所述模型构建模块,具体用于:
在每次检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端所在的位置信息、操作时间信息以及所述任一智能设备的标识信息,将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
8.根据权利要求7所述的基于机器学习的智能设备控制装置,其特征在于,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,还获取对所述任一智能设备的操作内容信息;相应地,所述模型构建模块将获取的所述移动终端所在的位置信息和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息和所述操作内容信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型;
相应地,所述处理模块在将所述位置信息和所述当前操作时间信息输入至惯用智能设备识别模型中,输出惯用智能设备的标识信息时,还输出对应的操作内容信息;
相应地,所述控制模块在根据所述惯用智能设备的标识信息对所述应用管理程序进行控制,使得所述应用管理程序显示用于远程操作所述惯用智能设备的控制信息时,还使得所述控制信息中包含有所述对应的操作内容信息。
9.根据权利要求7所述的基于机器学习的智能设备控制装置,其特征在于,所述获取模块,具体用于:
获取所述移动终端监听到的预设指定智能设备的无线信号强度指示RSSI值作为所述移动终端的位置信息;其中,所述预设指定智能设备为固定智能设备且数量大于或等于2;
相应地,所述模型构建模块在建立所述惯用智能设备识别模型的过程中,每次在检测到所述移动终端利用所述应用管理程序对任一智能设备完成远程控制时,获取所述移动终端监听到的所述预设指定智能设备的RSSI值作为所述移动终端所在的位置信息,并将所述移动终端监听到的所述预设指定智能设备的RSSI值和操作时间信息作为样本输入数据,以及,将所述任一智能设备的标识信息作为样本输出数据,基于机器学习算法,进行模型训练,获得所述惯用智能设备识别模型。
10.根据权利要求6所述的基于机器学习的智能设备控制装置,其特征在于,所述获取模块,具体用于:
通过所述移动终端上安装的定位软件获取所述移动终端当前所处的位置信息;
或,通过全球定位***GPS***获取所述移动终端当前所处的位置信息;
或,通过预先布置的多个热释电红外传感器节点获取所述移动终端当前所处的位置信息;
或,通过基于计算机机器视觉的图像处理算法获取所述移动终端当前所处的位置信息。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于机器学习的智能设备控制方法的步骤。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于机器学习的智能设备控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490889.9A CN110308661B (zh) | 2019-06-06 | 2019-06-06 | 基于机器学习的智能设备控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490889.9A CN110308661B (zh) | 2019-06-06 | 2019-06-06 | 基于机器学习的智能设备控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308661A true CN110308661A (zh) | 2019-10-08 |
CN110308661B CN110308661B (zh) | 2020-12-22 |
Family
ID=68075087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490889.9A Active CN110308661B (zh) | 2019-06-06 | 2019-06-06 | 基于机器学习的智能设备控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308661B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101485A (zh) * | 2020-11-12 | 2020-12-18 | 北京云真信科技有限公司 | 目标设备识别方法、电子设备及介质 |
CN112417270A (zh) * | 2020-11-05 | 2021-02-26 | 北京五八信息技术有限公司 | 生成提示信息的方法、装置、电子设备及存储介质 |
CN112559995A (zh) * | 2021-01-31 | 2021-03-26 | 河南工业职业技术学院 | 计算机数据安全智能管理*** |
CN113311719A (zh) * | 2021-04-30 | 2021-08-27 | 青岛海尔空调器有限总公司 | 用于家电设备控制的方法、***、装置、电子设备 |
CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
WO2023077835A1 (zh) * | 2021-11-08 | 2023-05-11 | 广东美的制冷设备有限公司 | 家电设备的控制方法、控制装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080299957A1 (en) * | 2000-12-19 | 2008-12-04 | Zellner Samuel N | System and method for using location information to execute an action |
CN102984039A (zh) * | 2012-11-06 | 2013-03-20 | 鸿富锦精密工业(深圳)有限公司 | 智能网关、智能家居***及家电设备的智能控制方法 |
CN105116783A (zh) * | 2015-06-24 | 2015-12-02 | 深圳市兰丁科技有限公司 | 控制界面切换方法及装置 |
US20160050083A1 (en) * | 2014-08-14 | 2016-02-18 | Beijing Lenovo Software Ltd. | Information processing method and electronic device |
CN106250430A (zh) * | 2016-07-25 | 2016-12-21 | 北京小米移动软件有限公司 | 智能设备列表的排序方法及装置 |
CN106909396A (zh) * | 2017-03-03 | 2017-06-30 | 宇龙计算机通信科技(深圳)有限公司 | 一种智能家居控制应用的界面显示方法及装置 |
CN108153463A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 应用界面显示控制方法、装置及存储介质和移动终端 |
CN108206881A (zh) * | 2016-12-19 | 2018-06-26 | 北京小米移动软件有限公司 | 移动终端提示方法、装置及移动终端 |
US10042366B2 (en) * | 2014-06-20 | 2018-08-07 | Huizhou Tcl Mobile Communication Co., Ltd. | Control method and system for adjusting relative position of mobile household device with respect to human |
WO2018201695A1 (zh) * | 2017-05-03 | 2018-11-08 | 中兴通讯股份有限公司 | 设备的控制方法、装置、***及虚拟现实vr设备 |
-
2019
- 2019-06-06 CN CN201910490889.9A patent/CN110308661B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080299957A1 (en) * | 2000-12-19 | 2008-12-04 | Zellner Samuel N | System and method for using location information to execute an action |
CN102984039A (zh) * | 2012-11-06 | 2013-03-20 | 鸿富锦精密工业(深圳)有限公司 | 智能网关、智能家居***及家电设备的智能控制方法 |
US10042366B2 (en) * | 2014-06-20 | 2018-08-07 | Huizhou Tcl Mobile Communication Co., Ltd. | Control method and system for adjusting relative position of mobile household device with respect to human |
US20160050083A1 (en) * | 2014-08-14 | 2016-02-18 | Beijing Lenovo Software Ltd. | Information processing method and electronic device |
CN105116783A (zh) * | 2015-06-24 | 2015-12-02 | 深圳市兰丁科技有限公司 | 控制界面切换方法及装置 |
CN106250430A (zh) * | 2016-07-25 | 2016-12-21 | 北京小米移动软件有限公司 | 智能设备列表的排序方法及装置 |
CN108206881A (zh) * | 2016-12-19 | 2018-06-26 | 北京小米移动软件有限公司 | 移动终端提示方法、装置及移动终端 |
CN106909396A (zh) * | 2017-03-03 | 2017-06-30 | 宇龙计算机通信科技(深圳)有限公司 | 一种智能家居控制应用的界面显示方法及装置 |
WO2018201695A1 (zh) * | 2017-05-03 | 2018-11-08 | 中兴通讯股份有限公司 | 设备的控制方法、装置、***及虚拟现实vr设备 |
CN108153463A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 应用界面显示控制方法、装置及存储介质和移动终端 |
Non-Patent Citations (1)
Title |
---|
王帅 等: "基于 Internet 的居家智能管理***设计", 《科技创新导报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417270A (zh) * | 2020-11-05 | 2021-02-26 | 北京五八信息技术有限公司 | 生成提示信息的方法、装置、电子设备及存储介质 |
CN112101485A (zh) * | 2020-11-12 | 2020-12-18 | 北京云真信科技有限公司 | 目标设备识别方法、电子设备及介质 |
CN112559995A (zh) * | 2021-01-31 | 2021-03-26 | 河南工业职业技术学院 | 计算机数据安全智能管理*** |
CN113311719A (zh) * | 2021-04-30 | 2021-08-27 | 青岛海尔空调器有限总公司 | 用于家电设备控制的方法、***、装置、电子设备 |
CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
CN113777938B (zh) * | 2021-08-31 | 2023-07-18 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
WO2023077835A1 (zh) * | 2021-11-08 | 2023-05-11 | 广东美的制冷设备有限公司 | 家电设备的控制方法、控制装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110308661B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308661A (zh) | 基于机器学习的智能设备控制方法及装置 | |
KR102648234B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
CN110308660A (zh) | 智能设备控制方法及装置 | |
US10353939B2 (en) | Interoperability mechanisms for internet of things integration platform | |
US20210350279A1 (en) | Situation forecast mechanisms for internet of things integration platform | |
CN103125096B (zh) | 用于控制设备的方法和装置以及存储该方法的计算机可读介质 | |
CN109564579B (zh) | 用于物联网集成平台的情况预测机制 | |
US10986789B1 (en) | System and method for sensor-assisted indoor gardening | |
CN102901180A (zh) | 一种控制空调的方法及*** | |
CN105045234A (zh) | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 | |
CN106814639A (zh) | 语音控制***及方法 | |
CN106444471A (zh) | 智能控制器 | |
CN110941199A (zh) | 智能家居设备配网及控制的方法和装置 | |
KR20180072468A (ko) | 빅데이터기반 사용자의 지능형 냉방 및 난방 서비스 제공 방법 | |
CN110471301A (zh) | 一种基于用户行为的智能家居服务推荐***及方法 | |
CN113495487A (zh) | 一种调节目标设备运行参数的终端和方法 | |
CN109451752A (zh) | 模式控制方法、装置、可读存储介质及电子设备 | |
CN110909036A (zh) | 功能模块的推荐方法及装置 | |
CN104777765B (zh) | 智能管理方法、设备以及智能*** | |
Hansen et al. | A home energy management system with focus on energy optimization | |
US11823041B1 (en) | Extending learning of artificial intelligent systems | |
CN118012546A (zh) | 用户界面的显示方法、装置、设备及存储介质 | |
CN118426646A (zh) | 基于空间物模型的交互方法、装置、终端和存储介质 | |
CN117724351A (zh) | 智能家居***的场景设置方法及装置 | |
CN117872786A (zh) | 智能家居控制方法、装置、设备及存储介质 |
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 |