CN110619361A - 预测滤芯堵塞的方法和预测滤芯堵塞的装置 - Google Patents

Abstract

本公开是关于一种预测滤芯堵塞的方法和预测滤芯堵塞的装置。滤芯用于智能清扫设备，预测滤芯堵塞的方法：获取在第一时间段内的智能清扫设备的第一清扫数据；基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。本公开的预测滤芯堵塞的方法能够根据扫地机器人的数据、基于预先训练的二分类对应关系来预测扫地机器人的滤芯在未来一段时间内是否会发生堵塞，预测准确率高，便于用户提前更换滤芯，用户体验好。

Description

预测滤芯堵塞的方法和预测滤芯堵塞的装置

技术领域

本公开涉及通信技术领域，尤其涉及预测滤芯堵塞的方法和预测滤芯堵塞的装置。

背景技术

相关技术中，扫地机器人作为IOT产品而应用广泛。然而，在实际使用中，由于扫地机器人的滤芯在工作过程中不断接触灰尘而易于堵塞。

一方面，当扫地机器人的滤芯堵塞后，用户可能由于不知晓滤芯堵塞的情况而继续使用扫地机器人，造成浪费电力的同时又无法将地面清扫干净，影响用户体验。另一方面，当扫地机器人的滤芯堵塞后，用户会联系售后或商家更换，在此等待期间，无法使用扫地机器人。

发明内容

为克服相关技术中存在的问题，本公开提供一种预测滤芯堵塞的方法和一种预测滤芯堵塞的装置。

根据本公开的第一方面，提供了一种预测滤芯堵塞的方法，滤芯用于智能清扫设备，预测滤芯堵塞的方法包括：获取在第一时间段内的智能清扫设备的第一清扫数据；基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。

在一些实施方式中，预测滤芯堵塞的方法还包括：判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

在一些实施方式中，标签通过如下步骤生成：响应于智能清扫设备的启动而接收用于检测智能清扫设备的滤芯是否堵塞的检测信号；基于检测信号生成用于指示滤芯是否发生堵塞的标签。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞包括：将第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；根据预先训练的二分类预测模型的输出结果以预测滤芯是否将在第一时间段之后的第二时间段内堵塞。

在一些实施方式中，预测滤芯堵塞的方法还包括：如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。

在一些实施方式中，第二清扫数据的数量为至少一个，每个第二清扫数据还包括智能清扫设备所处的地理位置的污染值。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第三时间段内的出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第三时间段之前的第四时间段内的第三清扫数据；基于第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；将第四清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第三时间段内堵塞；根据二分类预测模型的预测结果与出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第五时间段内的未出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第五时间段之前的第六时间段内的第五清扫数据；基于第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；将第六清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第五时间段内堵塞；根据二分类预测模型的预测结果与未出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

根据本公开的第二方面，提供了一种预测滤芯堵塞的装置，滤芯用于智能清扫设备，预测滤芯堵塞的装置包括：第一清扫数据获取模块，配置用于获取在第一时间段内的智能清扫设备的第一清扫数据；第二清扫数据生成模块，配置用于基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；滤芯堵塞预测模块，配置用于根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。

在一些实施方式中，预测滤芯堵塞的装置还包括：标签判断模块，配置用于判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

在一些实施方式中，标签通过如下模块生成：检测信号接收模块，配置用于响应于智能清扫设备的启动而接收用于检测智能清扫设备的滤芯是否堵塞的检测信号；标签生成模块，配置用于基于检测信号生成用于指示滤芯是否发生堵塞的标签。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，滤芯堵塞预测模块还配置用于：将第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；根据预先训练的二分类预测模型的输出结果以预测滤芯是否将在第一时间段之后的第二时间段内堵塞。

在一些实施方式中，预测滤芯堵塞的装置还包括：滤芯堵塞消息发送模块，配置用于如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。

在一些实施方式中，第二清扫数据的数量为至少一个，每个第二清扫数据还包括智能清扫设备所处的地理位置的污染值。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第三时间段内的出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第三时间段之前的第四时间段内的第三清扫数据；基于第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；将第四清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第三时间段内堵塞；根据二分类预测模型的预测结果与出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第五时间段内的未出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第五时间段之前的第六时间段内的第五清扫数据；基于第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；将第六清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第五时间段内堵塞；根据二分类预测模型的预测结果与未出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

根据本公开的第三方面，提供了一种非临时性计算机可读存储介质，非临时性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在由处理器执行时，执行前述方法中的任一方法。

根据本公开的第四方面，提供了一种电子设备，电子设备包括：存储器，配置用于存储指令；以及处理器，配置用于调用指令执行前述方法中的任一方法。

本公开的实施例提供的技术方案可以包括以下有益效果：根据扫地机器人的清扫数据、基于预先训练的二分类对应关系能够预测扫地机器人的滤芯在未来一段时间内是否会发生堵塞，便于用户提前更换滤芯，用户体验好。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是示出根据本公开的第一示例性实施例的预测滤芯堵塞的方法的流程图；

图2是示出根据本公开的第二示例性实施例的预测滤芯堵塞的方法的流程图；

图3是示出根据本公开的第三示例性实施例的预测滤芯堵塞的装置的框图；

图4是示出根据本公开的第四示例性实施例的装置400的框图。

图5是示出根据本公开的第五示例性实施例的装置500的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本公开的示例性实施例的技术方案可以应用于各种数据处理的通信***。所述通信***包括终端和服务器，但是本公开不限于此。

在以下描述的示例性实施例中，终端可以是移动终端，还称作用户设备UE、移动台MS等，终端是一种向用户提供语音和/或数据连接的设备，或者是设置于该设备内的芯片，例如，具有无线连接功能的手持式设备、车载设备等。例如，终端的示例可以包括：手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备MID、可穿戴设备、虚拟现实VR设备、增强现实AR设备、工业控制中的无线终端、无人驾驶中的无线终端、远程手术中的无线终端、智能电网中的无线终端、运输安全中的无线终端、智慧城市中的无线终端、智慧家庭中的无线终端等。此外，终端可以包括各种类型的智能清扫设备，例如，扫地机器人、机器人吸尘器等等，但是本公开不限于此。

将在下面详细描述本公开提供的解决方案。

图1是示出根据本公开的第一示例性实施例的预测滤芯堵塞的方法的流程图。参照图1，预测滤芯堵塞的方法包括步骤S110至步骤S130。在第一示例性实施例中，将扫地机器人作为智能清扫设备的示例。

在步骤S110中，获取在第一时间段内的智能清扫设备的第一清扫数据。

在一些实施方式中，智能清扫设备的第一清扫数据可以是用户使用智能清扫设备进行清扫的历史清扫数据或原始清扫数据，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积。当用户启动智能清扫设备进行清扫时，智能清扫设备可以自动连接到用户的WIFI网络，并通过WIFI网络连接到远程服务器。当用户启动智能清扫设备进行清扫时，可以记录智能清扫设备的启动时间和关闭时间，从而获取一次清扫的清扫时间长度并记录。此外，还可以获取一次清扫的清扫面积并记录。此外，还可以获取一次清扫的清扫日期并记录。然而以上仅是示例，本公开不限于此。远程服务器可以获取并记录与智能清扫设备的一次清扫操作有关的任何数据，以作为智能清扫设备的第一清扫数据。

在一些实施方式中，第一时间段可以是3个月、2个月或者1个月等等。在示例中，第一时间段不限于从当前时间节点向前倒推的时间段，而可以是任何历史时间段。然而以上仅是示例，本公开不限于此。第一时间段可以是扫地机器人的任何合适的时间段。

在步骤S120中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

在一些实施方式中，当获取在第一时间段内的第一清扫数据之后，可以对第一清扫数据进行各种方式的数据处理，以生成以预设时间区间为单位的按照时间排序的第二清扫数据。在示例中，预设时间区间可以是公历日历中的一日。在示例中，可以对第一清扫数据以日期为单位按照时间顺序进行排序，以生成第二清扫数据。在示例中，可以对同一日期发生的第一清扫数据进行累积以作为该同一日期的第二清扫数据。然而以上仅是示例，本公开不限于此。可以对第一清扫数据进行任何合适的处理以生成第二清扫数据。

在步骤S130中，根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。

在示例中，预先训练的二分类对应关系可以表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。在示例中，二分类对应关系可以是梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型，也称作GBDT二分类预测模型，是一种适于机器学习与预测的模型。在示例中，可以将第二清扫数据作为特征输入预先训练的GBDT二分类预测模型中，从而预测出滤芯是否将在第一时间段之后的第二时间段内堵塞。

在一些实施方式中，第二时间段可以是几天，例如，7天。在示例中，第二时间段可以是从第一时间段结束的时间节点起始的一段时间。在示例中，第二时间段可以与第一时间段不重叠。在另一示例中，第二时间段可以与第一时间段重叠，例如，第二时间段的起点和第一时间段的终点可以是同一天。此外，第二时间段还可以是第一时间段之后的某个时间点，例如，公历日历中的某天。然而以上仅是示例，本公开不限于此。第二时间段可以是任何合适的时间段，且可以根据用户的需求调整。

在本公开的预测滤芯堵塞的方法和预测滤芯堵塞的装置中，由于根据预先训练的二分类对应关系来预测扫地机器人的滤芯是否将在数天内堵塞，预测的准确度高，为用户提供了便利。

图2是示出根据本公开的第二示例性实施例的预测滤芯堵塞的方法的流程图。参照图2，预测滤芯堵塞的方法包括步骤S210至步骤S230。在第一示例性实施例中，将扫地机器人作为智能清扫设备的示例。

在步骤S210中，获取在第一时间段内的智能清扫设备的第一清扫数据。

在步骤S220中，判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

在一些实施方式中，标签通过如下步骤生成：响应于智能清扫设备的启动而接收用于检测智能清扫设备的滤芯是否堵塞的检测信号；基于检测信号生成用于指示滤芯是否发生堵塞的标签。在示例中，每当启动智能清扫设备时，可以由传感器来检测智能清扫设备的滤芯是否发生堵塞，传感器例如可以是激光传感器；基于检测到智能清扫设备的滤芯是否发生堵塞的结果，生成用于指示滤芯是否发生堵塞的标签，标签可以被包括在第一清扫数据中。例如，用于指示滤芯发生堵塞的标签赋值为1，用于指示滤芯不发生堵塞的标签赋值为0。在另一示例中，智能清扫设备可以每天生成用于指示滤芯是否发生堵塞的标签。

在一些实施方式中，如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则可以将滤芯堵塞的消息发送给智能清扫设备的用户。在示例中，如果智能清扫设备具有检测滤芯是否堵塞的传感器，则通过该传感器的检测结果可以直接判断滤芯是否堵塞，并将滤芯堵塞的消息发送给用户。

在一些实施方式中，如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则可以基于第一清扫数据生成预测清扫数据。

在步骤S230中，根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。

在本公开的第二示例性实施例中，通过采集扫地机器人的清扫数据中的标签可以直接判断扫地机器人的滤芯是否已经发生堵塞，并则将滤芯堵塞的消息发送给用户，避免了用户继续使用扫地机器人清扫而又无法将地面清扫干净的问题，方便快捷，节省电力，改善了用户体验。

在一些实施方式中，如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。在示例中，如果预测滤芯将在数天内堵塞，则可以将该消息以推送、短信、微信等方式发送给用户，以提醒用户及时更换滤芯，缩短了无法使用扫地机器人的空档时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫时长；针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫面积；将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞包括：将第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；根据预先训练的二分类预测模型的输出结果以预测滤芯是否将在第一时间段之后的第二时间段内堵塞。

在一些实施方式中，预测滤芯堵塞的方法还包括：如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。

在一些实施方式中，第二清扫数据的数量为至少一个，每个第二清扫数据还包括智能清扫设备所处的地理位置的污染值。

在一些实施方式中，智能清扫设备所处的地理位置的污染值根据智能清扫设备处于南方或者北方的污染程度取值。

在一些实施方式中，智能清扫设备所处的地理位置的污染值根据智能清扫设备所处的省份的污染程度取值。

在一些实施方式中，智能清扫设备所处的地理位置的污染值根据智能清扫设备所处的城市的污染程度取值。

在示例中，第二清扫数据可以包括智能清扫设备所处的地理位置数据，地理位置数据反映了扫地机器人所处的地理位置的污染程度。在大类上，地理位置数据可以根据智能清扫设备处于南方或者北方的污染程度取值。在中类上，地理位置数据可以根据智能清扫设备所处的省份的污染程度取值。在小类上，地理位置数据根据智能清扫设备所处的城市的污染程度取值。此外，在示例中，地理位置数据可以根据扫地机器人是否处于100个污染城市来取值。例如，地理位置数据可以根据扫地机器人所处城市的PM2.5污染值来取值。然而以上仅是示例，本公开不限于此。地理位置数据可以以任何合适的地理位置划分方式来取值。通过将扫地机器人所处地理位置的污染值加入到第二清扫数据中，基于包含污染值的第二清扫数据并根据预先训练的二分类对应关系预测滤芯是否将第二时间段内堵塞，能够进一步提高预测的准确度。

在示例中，第一时间段可以是历史时间段。因此，即使扫地机器人的历史数据不全面或者有缺失，或者即使用户近期内未使用扫地机器人，仍能够预测扫地机器人的滤芯是否将在未来数日内堵塞，因而本公开的预测滤芯堵塞的方法适用范围广，灵活度高。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第三时间段内的出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第三时间段之前的第四时间段内的第三清扫数据；基于第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；将第四清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第三时间段内堵塞；根据二分类预测模型的预测结果与出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

在示例中，在训练时，可以选取在第一历史日期出现滤芯堵塞的一台扫地机器人，获取该扫地机器人的在该第一历史日期之前的例如三个月的第一清扫数据，然后基于第一清扫数据生成以日期为单位的按照时间排序的第二清扫数据，然后将第二清扫数据作为二分类特征输入二分类预测模型中进行预测，预测扫地机器人是否在第一历史日期附近发生滤芯堵塞。当选取大量的扫地机器人的类似上述情况的数据进行上述预测时，如果预测滤芯会发生堵塞的概率超过某个预定概率值(例如，90％，等等)，则说明对二分类预测模型的训练有效。反之，则需要继续训练该二分类模型。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第五时间段内的未出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第五时间段之前的第六时间段内的第五清扫数据；基于第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；将第六清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第五时间段内堵塞；根据二分类预测模型的预测结果与未出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

在示例中，在训练时，可以选取在第二历史日期没有出现滤芯堵塞的一台扫地机器人，获取该扫地机器人的在该第二历史日期之前的例如三个月的第一清扫数据，然后基于第一清扫数据生成以日期为单位的按照时间排序的第二清扫数据，然后将第二清扫数据作为二分类特征输入二分类预测模型中进行预测，预测扫地机器人是否在第二历史日期附近发生滤芯堵塞。当选取大量的扫地机器人的类似上述情况的数据进行上述预测时，如果预测滤芯不会发生堵塞的概率超过某个预定概率值(例如，95％，等等)，则说明对二分类预测模型的训练有效。反之，则需要继续训练该二分类模型。

通过采集大量的扫地机器人的历史数据对二分类预测模型进行多次训练，能够提高模型预测的准确度。

图3是示出根据本公开的第三示例性实施例的预测滤芯堵塞的装置的框图。

参照图3，预测滤芯堵塞的装置1000包括：第一清扫数据获取模块110，配置用于获取在第一时间段内的智能清扫设备的第一清扫数据；第二清扫数据生成模块120，配置用于基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；滤芯堵塞预测模块130，配置用于根据第二清扫数据以及预先训练的二分类对应关系预测滤芯是否将在第一时间段之后的第二时间段内堵塞，其中，预先训练的二分类对应关系表示第二清扫数据与滤芯是否将在第二时间段内堵塞之间的对应关系。

在本公开的第三示例性实施例中，本公开的预测滤芯堵塞的方法能够根据用户使用扫地机器人的数据、根据预先训练的二分类对应关系来预测扫地机器人的滤芯在未来一段时间内是否会发生堵塞，预测准确率高，便于用户提前更换滤芯，用户体验好。

在一些实施方式中，预测滤芯堵塞的装置还包括：标签判断模块，配置用于判断第一清扫数据是否包括用于指示滤芯是否发生堵塞的标签；如果第一清扫数据包括标签并且标签指示滤芯发生堵塞，则将滤芯堵塞的消息发送给智能清扫设备的用户；如果第一清扫数据不包括标签或者第一清扫数据包括标签并且标签指示滤芯未发生堵塞，则基于第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

在一些实施方式中，标签通过如下模块生成：检测信号接收模块，配置用于响应于智能清扫设备的启动而接收用于检测智能清扫设备的滤芯是否堵塞的检测信号；标签生成模块，配置用于基于检测信号生成用于指示滤芯是否发生堵塞的标签。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，第一清扫数据的数量为至少一个，每个第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，第二清扫数据的数量为至少一个，每个第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，其中，第二清扫数据生成模块还配置用于：针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫时长，针对每个预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为第二清扫数据在该预设时间区间的第二清扫面积，将预设时间区间按照时间顺序更新为第二清扫发生时间。

在一些实施方式中，滤芯堵塞预测模块还配置用于：将第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；根据预先训练的二分类预测模型的输出结果以预测滤芯是否将在第一时间段之后的第二时间段内堵塞。

在一些实施方式中，预测滤芯堵塞的装置还包括：滤芯堵塞消息发送模块，配置用于如果预测滤芯将在第二时间段内堵塞，则将滤芯将在第二时间段内堵塞的消息发送给智能清扫设备的用户。

在一些实施方式中，第二清扫数据的数量为至少一个，每个第二清扫数据还包括智能清扫设备所处的地理位置的污染值。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第三时间段内的出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第三时间段之前的第四时间段内的第三清扫数据；基于第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；将第四清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第三时间段内堵塞；根据二分类预测模型的预测结果与出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

在一些实施方式中，预先训练的二分类对应关系包括预先训练的二分类预测模型，二分类预测模型的预先训练包括：获取在第五时间段内的未出现滤芯堵塞的智能清扫设备的编号；获取编号的智能清扫设备的在第五时间段之前的第六时间段内的第五清扫数据；基于第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；将第六清扫数据作为二分类特征输入到二分类预测模型中以预测滤芯是否将在第五时间段内堵塞；根据二分类预测模型的预测结果与未出现滤芯堵塞的结果进行比较来预先训练二分类预测模型。

此外，本公开还提供了一种非临时性计算机可读存储介质，非临时性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在由处理器执行时，执行前述各个示例性实施例以及各个实施方式中所述的方法。

此外，本公开还提供了一种电子设备，电子设备包括：存储器，配置用于存储指令；以及处理器，配置用于调用指令执行前述各个示例性实施例以及各个实施方式中所述的方法。

图4是示出根据本公开的第四示例性实施例的装置400的框图。例如，装置400可以被提供为一终端。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理，智能清扫设备，扫地机器人等。

参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理***，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图5是示出根据本公开的第五示例性实施例的装置500的框图。例如，装置500可以被提供为一服务器。例如，装置500可以用于预测滤芯堵塞的方法和预测滤芯堵塞的装置。参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述的预测滤芯堵塞的方法。

装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

在本公开的预测滤芯堵塞的方法和预测滤芯堵塞的装置中，能够根据扫地机器人的清扫数据、根据预先训练的二分类对应关系来预测扫地机器人的滤芯在未来一段时间内是否会发生堵塞，便于用户提前更换滤芯，用户体验好。

在本公开的预测滤芯堵塞的方法和预测滤芯堵塞的装置中，通过采集扫地机器人的包含标签信息的清扫数据可以直接判断扫地机器人的滤芯是否已经发生堵塞，并则将滤芯堵塞的消息发送给用户，避免了用户继续使用扫地机器人清扫而又无法将地面清扫干净的问题，方便快捷，节省电力，改善了用户体验。

在本公开的预测滤芯堵塞的方法和预测滤芯堵塞的装置中，通过采集大量的扫地机器人的历史数据对二分类预测模型进行多次训练，能够提高二分类预测模型进行预测的准确度。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (24)

1.一种预测滤芯堵塞的方法，其特征在于，所述滤芯用于智能清扫设备，所述方法包括：

获取在第一时间段内的所述智能清扫设备的第一清扫数据；

基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；

根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞，

其中，所述预先训练的二分类对应关系表示所述第二清扫数据与所述滤芯是否将在第二时间段内堵塞之间的对应关系。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

判断所述第一清扫数据是否包括用于指示所述滤芯是否发生堵塞的标签；

如果所述第一清扫数据包括所述标签并且所述标签指示所述滤芯发生堵塞，则将所述滤芯堵塞的消息发送给所述智能清扫设备的用户；

如果所述第一清扫数据不包括所述标签或者所述第一清扫数据包括所述标签并且所述标签指示所述滤芯未发生堵塞，则基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

3.根据权利要求2所述的方法，其特征在于，所述标签通过如下步骤生成：

响应于所述智能清扫设备的启动而接收用于检测所述智能清扫设备的所述滤芯是否堵塞的检测信号；

基于所述检测信号生成所述用于指示所述滤芯是否发生堵塞的标签。

4.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

5.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；

将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

6.根据权利要求1所述的方法，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据包括：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫时长；

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫面积；

将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

7.根据权利要求1所述的方法，其特征在于，根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞包括：

将所述第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；

根据预先训练的二分类预测模型的输出结果以预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞。

8.根据权利要求1或7所述的方法，其特征在于，所述方法还包括：

如果预测所述滤芯将在第二时间段内堵塞，则将所述滤芯将在第二时间段内堵塞的消息发送给所述智能清扫设备的用户。

9.根据权利要求1所述的方法，其特征在于，

所述第二清扫数据的数量为至少一个，每个所述第二清扫数据还包括所述智能清扫设备所处的地理位置的污染值。

10.根据权利要求1所述的方法，其特征在于，

所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：

获取在第三时间段内的出现滤芯堵塞的所述智能清扫设备的编号；

获取所述编号的所述智能清扫设备的在所述第三时间段之前的第四时间段内的第三清扫数据；

基于所述第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；

将所述第四清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第三时间段内堵塞；

根据所述二分类预测模型的预测结果与所述出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。

11.根据权利要求1所述的方法，其特征在于，

所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：

获取在第五时间段内的未出现滤芯堵塞的所述智能清扫设备的编号；

获取所述编号的所述智能清扫设备的在所述第五时间段之前的第六时间段内的第五清扫数据；

基于所述第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；

将所述第六清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第五时间段内堵塞；

根据所述二分类预测模型的预测结果与所述未出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。

12.一种预测滤芯堵塞的装置，其特征在于，所述滤芯用于智能清扫设备，所述装置包括：

第一清扫数据获取模块，配置用于获取在第一时间段内的所述智能清扫设备的第一清扫数据；

第二清扫数据生成模块，配置用于基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据；

滤芯堵塞预测模块，配置用于根据所述第二清扫数据以及预先训练的二分类对应关系预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞，

其中，所述预先训练的二分类对应关系表示所述第二清扫数据与所述滤芯是否将在第二时间段内堵塞之间的对应关系。

13.根据权利要求12所述的装置，其特征在于，所述装置还包括：

标签判断模块，配置用于判断所述第一清扫数据是否包括用于指示所述滤芯是否发生堵塞的标签；

如果所述第一清扫数据包括所述标签并且所述标签指示所述滤芯发生堵塞，则将所述滤芯堵塞的消息发送给所述智能清扫设备的用户；

如果所述第一清扫数据不包括所述标签或者所述第一清扫数据包括所述标签并且所述标签指示所述滤芯未发生堵塞，则基于所述第一清扫数据生成以预设时间区间为单位的按照时间排序的第二清扫数据。

14.根据权利要求13所述的装置，其特征在于，所述标签通过如下模块生成：

检测信号接收模块，配置用于响应于所述智能清扫设备的启动而接收用于检测所述智能清扫设备的所述滤芯是否堵塞的检测信号；

标签生成模块，配置用于基于所述检测信号生成所述用于指示所述滤芯是否发生堵塞的标签。

15.根据权利要求12所述的装置，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，第二清扫数据生成模块还配置用于：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长进行累积，并将累积后的清扫时长数值更新为所述第二清扫数据在该预设时间区间的第二清扫时长，

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积进行累积，并将累积后的清扫面积数值更新为所述第二清扫数据在该预设时间区间的第二清扫面积，将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

16.根据权利要求12所述的装置，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，第二清扫数据生成模块还配置用于：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫时长，

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取平均值，并将该平均值更新为所述第二清扫数据在该预设时间区间的第二清扫面积，

将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

17.根据权利要求12所述的装置，其特征在于，所述第一清扫数据的数量为至少一个，每个所述第一清扫数据包括第一清扫发生时间、第一清扫时长和第一清扫面积，所述第二清扫数据的数量为至少一个，每个所述第二清扫数据包括第二清扫发生时间、第二清扫时长和第二清扫面积，

其中，第二清扫数据生成模块还配置用于：

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫时长取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫时长，

针对每个所述预设时间区间，将第一清扫发生时间位于该预设时间区间内的第一清扫数据的第一清扫面积取方差值，并将该方差值更新为所述第二清扫数据在该预设时间区间的第二清扫面积，

将所述预设时间区间按照时间顺序更新为所述第二清扫发生时间。

18.根据权利要求12所述的装置，其特征在于，滤芯堵塞预测模块还配置用于：

将所述第二清扫数据作为二分类特征输入到预先训练的二分类预测模型中；

根据预先训练的二分类预测模型的输出结果以预测所述滤芯是否将在第一时间段之后的第二时间段内堵塞。

19.根据权利要求12或18所述的装置，其特征在于，所述装置还包括：

滤芯堵塞消息发送模块，配置用于如果预测所述滤芯将在第二时间段内堵塞，则将所述滤芯将在第二时间段内堵塞的消息发送给所述智能清扫设备的用户。

20.根据权利要求12所述的装置，其特征在于，

所述第二清扫数据的数量为至少一个，每个所述第二清扫数据还包括所述智能清扫设备所处的地理位置的污染值。

21.根据权利要求12所述的装置，其特征在于，

所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：

获取在第三时间段内的出现滤芯堵塞的所述智能清扫设备的编号；

获取所述编号的所述智能清扫设备的在所述第三时间段之前的第四时间段内的第三清扫数据；

基于所述第三清扫数据生成以预设时间区间为单位的按照时间排序的第四清扫数据；

将所述第四清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第三时间段内堵塞；

根据所述二分类预测模型的预测结果与所述出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。

22.根据权利要求12所述的装置，其特征在于，

所述预先训练的二分类对应关系包括预先训练的二分类预测模型，所述二分类预测模型的所述预先训练包括：

获取在第五时间段内的未出现滤芯堵塞的所述智能清扫设备的编号；

获取所述编号的所述智能清扫设备的在所述第五时间段之前的第六时间段内的第五清扫数据；

基于所述第五清扫数据生成以预设时间区间为单位的按照时间排序的第六清扫数据；

将所述第六清扫数据作为二分类特征输入到所述二分类预测模型中以预测所述滤芯是否将在所述第五时间段内堵塞；

根据所述二分类预测模型的预测结果与所述未出现滤芯堵塞的结果进行比较来预先训练所述二分类预测模型。

23.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由处理器执行时，执行权利要求1-11中任一项所述的方法。

24.一种电子设备，其特征在于，所述电子设备包括：

存储器，配置用于存储指令；以及

处理器，配置用于调用所述指令执行权利要求1-11中任一项所述的方法。