CN111623486B - 开机时间的确定方法和装置、存储介质及电子装置 - Google Patents
开机时间的确定方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN111623486B CN111623486B CN202010443217.5A CN202010443217A CN111623486B CN 111623486 B CN111623486 B CN 111623486B CN 202010443217 A CN202010443217 A CN 202010443217A CN 111623486 B CN111623486 B CN 111623486B
- Authority
- CN
- China
- Prior art keywords
- time
- predicted
- boot
- historical
- target
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种开机时间的确定方法和装置、存储介质及电子装置,上述方法包括:根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。通过本发明,解决了目标设备的工作状态达到预期所需时间较长的技术问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种开机时间的确定方法和装置、存储介质及电子装置。
背景技术
在通信领域中,对目标设备开机后,通常需要目标设备中的目标装置运转一段时间后,才能够使目标设备的工作状态达到预期。例如,当前市面上的绝大多数空调开机制热后,需要通过空调的外机(即压缩机)运转来积蓄热量,以提供制热时的热量来源。即在对空调设定制热模式之后,压缩机才开始运转制热,经过一定时间的运转后空调才可以推送出热风,由此造成了一定的延时,这个延迟跟空调功率以及室外温度相关,用户常常认为是空调故障,导致用户体验较差。
在相关技术中,为了解决上述技术问题,存在两种解决方案。一种是对压缩机使用小功率24小时持续运转蓄热,通过这种方式能够为下次开机制热积蓄足够热量;另一种是基于用户习惯使用机器学习算法进行回归预测用户下次开机制热时间点。但是,第一种解决方案存在以下问题:24小时持续低功率蓄热导致耗能太大。虽然是小功率运转,但是全天不停机运转也是一笔不小的花费,毕竟空调在24小时中开机制热的时间并不多,很多用户并不愿意为此功能买单。与此同时,长时间运转压缩机对其使用寿命有很大的影响,进而影响到产品质量。第二种解决方案存在以下问题:很多用户的使用习惯并没有体现出一致性和规律性,这为机器学习预测带来十分棘手的问题,从而导致预测结果准确性较低。
针对相关技术中,目标设备的工作状态达到预期所需时间较长的技术问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种开机时间的确定方法和装置、存储介质及电子装置,以至少解决相关技术中存在的目标设备的工作状态达到预期之前存在延时的技术问题。
根据本发明的一个实施例,提供了一种开机时间的确定方法,包括:
根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
可选地,通过以下方式确定所述第一预测开机时间以及所述第一概率是否满足所述第一预设条件:基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分;在所述得分超过预设分数阈值的情况下,确定所述第一预测开机时间以及所述第一概率满足所述第一预设条件。
可选地,在所述根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间之后,所述方法还包括:在符合第二预设条件的情况下,执行所述将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率的步骤;其中,所述第二预设条件包括以下至少之一:所述目标设备当前处于关机状态,未接收到对所述目标设备的定时开机指令,所述第二预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值。
可选地,所述基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分包括:对所述目标设备的历史预测开机时间以及在所述历史预测开机时间下所述目标设备是否开机进行记录,根据记录结果确定与历史预测时刻对应的预测准确率;其中,所述历史预测时刻为对所述历史预测开机时间按小时取整后得到的时刻,所述历史预测开机时间为在确定所述第一预测开机时间之前,已确定的多个预测开机时间;确定所述预测准确率中与第一预测时刻对应的准确率p2;其中,所述第一预测时刻为对所述第一预测开机时间按小时取整后得到的时刻;获取与所述第一预测开机时刻对应的预设分值m,其中,所述预设分值m与所述第一预测时刻在所述多个历史开机时间中出现的频次呈正相关;根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分。
可选地,所述根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分包括:按照以下公式确定与所述第一预测开机时间对应的得分c:c=w1×p1+w2×p2+m,其中,w1、w2分别为所述第一概率p1、所述准确率p2对应的权重。
可选地,在所述发送提醒消息之后,所述方法还包括:在接收到所述提醒消息的确认操作的情况下,向所述目标设备发送启动指令,其中,所述启动指令用于指示所述目标设备在所述第二预测开机时间时对所述目标装置进行开机,以使所述目标装置开始工作。
可选地,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间包括:根据所述目标设备的所述多个历史开机时间,确定历史开机时刻在所述多个历史开机时间中出现的频次,其中,所述历史开机时刻为对所述多个历史开机时间按小时取整后得到的时刻;获取所述历史开机时刻中的目标时刻,其中,所述目标时刻的频次超过预设频次阈值;获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间,根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
根据本发明的另一个实施例,提供了一种开机时间的确定装置,包括:
第一确定模块,用于根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
第二确定模块,用于将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
发送模块,用于在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
可选地,所述发送模块还用于通过以下方式确定所述第一预测开机时间以及所述第一概率是否满足所述第一预设条件:基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分;在所述得分超过预设分数阈值的情况下,确定所述第一预测开机时间以及所述第一概率满足所述第一预设条件。
可选地,所述装置还包括:处理模块,用于在符合第二预设条件的情况下,将所述第一预测开机时间传递到所述第二确定模块;其中,所述第二预设条件包括以下至少之一:所述目标设备当前处于关机状态,未接收到对所述目标设备的定时开机指令,所述第二预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值。
可选地,所述发送模块还用于:对所述目标设备的历史预测开机时间以及在所述历史预测开机时间下所述目标设备是否开机进行记录,根据记录结果确定与历史预测时刻对应的预测准确率;其中,所述历史预测时刻为对所述历史预测开机时间按小时取整后得到的时刻,所述历史预测开机时间为在确定所述第一预测开机时间之前,已确定的多个预测开机时间;确定所述预测准确率中与第一预测时刻对应的准确率p2;其中,所述第一预测时刻为对所述第一预测开机时间按小时取整后得到的时刻;获取与所述第一预测开机时刻对应的预设分值m,其中,所述预设分值m与所述第一预测时刻在所述多个历史开机时间中出现的频次呈正相关;根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分。
可选地,所述发送模块还用于:按照以下公式确定与所述第一预测开机时间对应的得分c:c=w1×p1+w2×p2+m,其中,w1、w2分别为所述第一概率p1、所述准确率p2对应的权重。
可选地,所述发送模块,还用于在接收到所述提醒消息的确认操作的情况下,向所述目标设备发送启动指令,其中,所述启动指令用于指示所述目标设备在所述第二预测开机时间时对所述目标装置进行开机,以使所述目标装置开始工作。
可选地,所述第一确定模块还用于:根据所述目标设备的所述多个历史开机时间,确定历史开机时刻在所述多个历史开机时间中出现的频次,其中,所述历史开机时刻为对所述多个历史开机时间按小时取整后得到的时刻;获取所述历史开机时刻中的目标时刻,其中,所述目标时刻的频次超过预设频次阈值;获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间,根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
可选地,根据本发明的另一个实施例,提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述方法。
可选地,根据本发明的另一个实施例,提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述方法。
通过本发明,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。因此,可以解决相关技术中目标设备的工作状态达到预期所需时间较长的技术问题,实现了缩短目标设备的工作状态达到预期所需的时间,优化了用户体验。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为根据本发明实施例的开机时间的确定方法的流程图;
图2是根据本发明实施例的开机时间的确定***的***架构示意图;
图3是根据本发明另一实施例的开机时间的确定方法的示意图;
图4是根据本发明又一实施例的开机时间的确定方法的示意图;
图5是根据本发明又一实施例的开机时间的确定方法的示意图;
图6是根据本发明实施例的开机时间的确定装置的结构框图;
图7是根据本发明另一实施例的开机时间的确定装置的结构框图;
图8是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本发明实施例提供了一种开机时间的确定方法。图1为根据本发明实施例的开机时间的确定的流程图,如图1所示,包括:
步骤S102,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
步骤S104,将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
步骤S106,在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
通过本发明,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。因此,可以解决相关技术中目标设备的工作状态达到预期所需时间较长的技术问题,实现了缩短目标设备的工作状态达到预期所需的时间,优化了用户体验。
在上述实施例中,可以通过以下方式确定所述第一预测开机时间以及所述第一概率是否满足所述第一预设条件:基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分;在所述得分超过预设分数阈值的情况下,确定所述第一预测开机时间以及所述第一概率满足所述第一预设条件。
需要说明的是,在上述实施例中,根据预设分数阈值对第一预测开机时间进行筛选,即仅在第一预测开机时间的得分超过预设分数阈值的情况下,确定可以基于第一预测开机时间对目标设备中的目标装置进行预开机。由于得分表示了预测开机时间的准确性,从而能够确保筛选出准确性高的预测开机时间,并基于筛选出的预测开机时间对目标装置进行预开机,从而避免了在其他时间对目标装置进行预开机所导致的能耗。
其中,在所述根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间之后,上述实施例还可以执行以下技术方案:在符合第二预设条件的情况下,执行所述将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率的步骤;其中,所述第二预设条件包括以下至少之一:所述目标设备当前处于关机状态,未接收到对所述目标设备的定时开机指令,所述第二预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值。
在上述实施例中,确定出的第一预测开机时间可以包括多个预测开机时间,对于确定出的多个预测开机时间,需要根据第二预设条件筛选出适用于当前的目标设备的预测开机时间。例如,在基于第一预测开机时间对目标设备中的目标装置进行预开机时,需要考虑目标设备的当前运行状态,在目前设备当前处于开机状态时,需要过滤掉为该目标设备确定的第一预测开机时间,以防止无效的预开机;同时还需要考虑是否已经接收到对目标设备的定时开机指令,由于定时开机指令表示了用户需要目标设备开机的准确时间,从而仅在没有接收到定时开机指令的情况下,基于第一预测开机时间对目标装置进行预开机,避免了在接收到定时开机指令的情况下仍然进行预开机导致目标设备无法正常运行;以及在预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值时,确定第二预测开机时间适用于目标设备,即过滤掉与目标设备的最近一次的开机时间之间的时间间隔小于或等于预设时间阈值的第二预测开机时间,从而避免目标装置连续运转,减小了损耗、延长了使用寿命。
需要说明的是,所述基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分包括:对所述目标设备的历史预测开机时间以及在所述历史预测开机时间下所述目标设备是否开机进行记录,根据记录结果确定与历史预测时刻对应的预测准确率;其中,所述历史预测时刻为对所述历史预测开机时间按小时取整后得到的时刻,所述历史预测开机时间为在确定所述第一预测开机时间之前,已确定的多个预测开机时间;确定所述预测准确率中与第一预测时刻对应的准确率p2;其中,所述第一预测时刻为对所述第一预测开机时间按小时取整后得到的时刻;获取与所述第一预测开机时刻对应的预设分值m,其中,所述预设分值m与所述第一预测时刻在所述多个历史开机时间中出现的频次呈正相关;根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分。
在上述实施例中,确定第一预测开机时间的得分,需要使用三个参数,即第一概率p1、准确率p2以及预设分值m。
其中,在确定第一预测开机时间之前,已经对目标设备的开机时间进行了多次预测,即存在多个历史预测开机时间,对各个历史预测开机时间下目标设备是否开机进行记录,得到记录结果。对记录结果中的历史预测开机时间和开机次数按小时进行聚类,即对历史预测开机时间按小时进行取整(其中,舍弃不足一小时的部分),例如历史预测开机时间为7:10、7:50时,对应相同的历史预测开机时刻:7:00,将处于同一小时内的各个历史预测开机时间的开机次数进行累计,得到对应于该小时的开机次数(例如,将历史预测开机时间7:10对应的开机次数:1,以及历史预测开机时间7:50对应的开机次数:2,进行累加,得到历史预测时刻7:00对应的开机次数为3),将该小时内的开机次数与记录结果中历史预测开机时间的总数的比值,作为该小时对应的预测准确率。在得到各个历史预测时刻对应的预测准确率后,从中确定出与第一预测开机时刻对应的准确率p2,其中,所述第一预测时刻为对所述第一预测开机时间按照上述取整处理后得到的时刻。
对于目标设备在预设时间段内的多个历史开机时间,按小时进行聚类,得到各个小时内的开机次数(即各个历史开机时刻在所述多个历史开机时间中出现的频次),根据开机次数为各个小时赋予预设分值。其中,预设分值与开机次数呈正相关,即开始次数多的小时对应的预设分值大于开机次数少的小时所对应的预设分值。在对第一预测开机时间按小时取整后得到的第一预测时刻后,可以确定出与该第一预测时刻对应的预设分值m,将该预设分值m作为该第一预测开机时间的预设分值。
在上述实施例中,所述概率预测模型是通过使用所述目标设备在所述历史开机时间时的第一特征信息以及所述目标设备在预设关机时间段内的第二特征信息训练得到的;所述第一特征信息包括以下至少之一:所述历史开机时间指示的第一时间信息,在所述历史开机时间时所述目标设备所处的第一环境信息、所述目标设备所处的地域信息以及所述目标设备的型号;所述第二特征信息包括以下至少之一:所述预设关机时间段对应的第二时间信息,在所述预设关机时间段内所述目标设备所处的第二环境信息、所述地域信息以及所述目标设备的型号。
其中,在所述历史开机时间时所述目标设备所处的第一环境信息包括在所述历史开机时间时,所述目标设备所处的室内外温度、天气情况、气候情况等信息;所述预设关机时间段对应的第二时间信息,可以是在获取所述第二特征信息时的时间;在所述预设关机时间段内所述目标设备所处的第二环境信息,包括在所述预设关机时间段内,所述目标设备所处的室内外温度、天气情况、气候情况等信息;地域信息可以是所述目标设备所处的省、市、国家等信息。
在所述将所述第一预测开机时间输入到概率预测模型中,确定与所述第一预测开机时间对应的第一概率之前,上述实施例还用于执行以下技术方案:将所述第一特征信息以及所述第二特征按照特征工程的方式进行预处理,将预处理后的所述第一特征信息和所述第二特征信息输入到所述概率预测模型中,得到训练后的所述概率预测模型。
通过上述概率预测模型确定与所述第一预测开机时间对应的第一概率,即第一概率是利用综合考虑了与目标设备相关的多因素训练得出的概率预测模型得出的,从而能够提高第一概率的准确性。
需要说明的是,在上述实施例中,由于第一概率p1反映了目标设备开机的概率,准确率p2反映了预测开机时间的历史预测准确率,预设分值m反映了用户的使用习惯,从而根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分,能够避免使用单一因素对预测开机时间进行决策所带来的预测失误。
作为一种可选的实施方式,所述根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分包括:按照以下公式确定与所述第一预测开机时间对应的得分c:
c=w1×p1+w2×p2+m,
其中,w1、w2分别为所述第一概率p1、所述准确率p2对应的权重。
在所述发送提醒消息之后,上述实施例还可以执行以下技术方案:在接收到所述提醒消息的确认操作的情况下,向所述目标设备发送启动指令,其中,所述启动指令用于指示所述目标设备在所述第二预测开机时间时对所述目标装置进行开机,以使所述目标装置开始工作。其中,在接收到所述提醒消息的取消操作的情况下,不向所述目标设备发送所述启动指令,即取消对目标装置的预开机。
需要说明的是,在上述实施例中,所述发送提醒消息包括:在指定时间发送提醒消息,其中,所述指定时间为早于所述第二预测开机时间目标时间间隔的时间。即在上述实施例中,在确定了目标装置的预开机时间(即第二预开机测时间)后,可以在早于该第二预测开机时间之前发送提醒消息,以对用户进行提前提醒,从而为用户预留反应和处理时间,提高了用户体验。例如,第一预测开机时间为8:00,预设时间间隔为30分钟,目标时间间隔为10分钟,则在7:20发送提醒消息,以提醒用户在7:30时对目标设备中的目标装置进行开机。
基于上述实施例,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间包括:根据所述目标设备的所述多个历史开机时间,确定历史开机时刻在所述多个历史开机时间中出现的频次,其中,所述历史开机时刻为对所述多个历史开机时间按小时取整后得到的时刻;获取所述历史开机时刻中的目标时刻,其中,所述目标时刻的频率超过预设频次阈值;获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间,根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
通过在上述实施例中,对于目标设备在预设时间段内的多个历史开机时间,按小时进行聚类,得到各个小时内的开机次数(即各个历史开机时刻在多个历史开机时间中出现的频次),将开机次数超过预设频次阈值的小时作为目标时刻。作为一种可选的实施方式,可以按照开机次数由大到小的顺序,对所有的小时(即所有的历史开机时刻)进行排序,并获取排序在前的预设数量的小时(例如,获取排序在前4的小时),将获取的预设数量的小时作为目标时刻。
确定了目标时刻后,获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间(即获取所述多个历史开机时间中对应所述目标时刻的各个历史开机时间,例如历史开机时间中存在以下时间:7:10、7:50,并且获取的目标时刻为7:00时,此时获取的目标开机时间为对应于目标时刻7:00的历史开机时间中存7:10以及历史开机时间7:50),根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
在上述实施例中,根据所述目标开机时间的平均值a和标准差e确定所述第一预测开机时间包括:
按照以下公式确定所述第一预测开机时间t:t=a+e。
需要说明的是,上述实施例中的目标设备可以是智能空调等智能设备,目标装置可以为智能空调中的外机(即压缩机)。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以下以目标设备为空调,目标装置为空调的外机为例,对上述的开机时间的确定方法进行解释说明,但不用于限定本发明实施例的技术方案。作为一种可选的实施方式,上述实施例可以但不限于应用于如图2所示的***架构中。如图2所示,该***结构包括APP服务器模块(即APP Server模块)、离线计算模块和线上实时模块,其中,离线计算模块包括离线统计模块和离线机器学习模块两部分。
APP服务器模块:用于收集用户信息(例如,用户标识),记录用户的功能选择(例如定时制热、签约开启蓄热),以及将收集和记录的信息输入到线上实时模块。
离线统计模块:用于对目标设备上报的历史开机时间进行统计分析,推算出用户的下次制热时间点(即对应于上述实施例中的第一预测开机时间),并将这些推算结果送入线上实时模块。
离线机器学习模块:用于获取离线提取模型训练数据,可选的,提取目标设备在历史开机时间时的第一特征信息以及所述目标设备在预设关机时间段内的第二特征信息,并按照特征工程的方式进行预处理,然后提供给离线机器学习模型(即概率预测模型(Xgboost模型))进行训练。
线上实时模块:核心为专家打分***,用于对离线统计模块预测的下次开机制热时间点进行分值评估,并进行逻辑过滤。只有当分数超过阈值时,确定对目标设备下发蓄热。
1、离线统计模块具体用于:对目标设备上报的历史开机时间(即历史开机制热时间点)进行聚合统计,找出其最频繁制热的时间点,作为下一次预测制热时间点;作为一种可选的实施方式,可以使用Hibernate查询语言(Hibernate Query language,HQL)进行上述聚合统计。
作为一种可选的实施方式,上述方法可以应用在大数据平台中,图3是根据本发明另一实施例的开机时间的确定方法的示意图。如图3所示,从Hive数据仓库中获取离线数据,并使用Hive工具或HQL进行离线数据统计,以及将得到的统计结果存储在远程字典服务(Remote Dictionary Server,redis),可选的,redis为使用Datax实现的Hive2redis。其中,APP服务器模块将接收和记录的白名单(例如,用户标识、目标设备标识)、签约列表和预约定时执行存入redis。图4是根据本发明又一实施例的开机时间的确定方法的示意图,其中示出了离线计算模块所执行的各个步骤。
作为一种可选的实施例,所述离线统计模块具体用于执行以下步骤:
步骤1:确定目标设备
本发明实施例中,如果空调在目标时间段(例如,过去d1天,其中,d1为正整数)内存在开机制热时间点,则将该空调作为待下发蓄热的空调(即上述实施例中的目标设备)。通过本步骤,是为了过滤掉长时间不开机制热的空调,提高蓄热受众对象的准确性。
步骤2:历史开机时间聚合统计
对待下发蓄热的空调中的每一个空调的大数据,即在预设时间段(例如,过去d2天,d2为正整数)内的开机制热记录按小时聚合,得到各个小时对应的开机制热次数(即开机频次);
根据开机制热次数由大到小的顺序,对各个小时进行排序,取前n个小时(n为正整数)(即上述实施例中的目标时刻),或取开机制热次数大于q(q为正整数)的小时(即上述实施例中的目标时刻)。计算所有目标时刻对应的所有开机时间的平均值a和标准差e,进而得到第一预测开机时间:a+e,以及第二预测开机时间a+e-t1,其中,将第二预测开机时间作为为空调确定的预热时间(即外机的预开机时间),t1为预设时间间隔。
其中,在目标时刻中存在在预设时间段内的每天都开机制热的时刻时(例如,在过去的d2天中,每天均在同一小时进行开机制热),计算该每天都开机制热的时刻对应的所有开机时间的平均值a’和标准差e’,进而得到第一预测开机时间:a’+e’,以及第二预测开机时间a’+e’-t1。由于根据就近原则,d2天内的开机制热记录反映了用户最近的使用习惯,更早的时间不具备代表性。d2天内的情况认为是在过去一段时间内非常一致的使用习惯,所以可以把计算得到的第一预测开机时间:a’+e’直接作为预测的下一次制热时间点,将a’+e’-t1作为目标装置的预开机时间点直接下发,而不需要再进行专家打分***打分。而对于第一预测开机时间:a+e,虽然能够反映用户一定的规律,但是没有很高的把握,需要进一步判断,因此需要后面在spark实时程序(即线上实时模块中的SparkStreaming程序)进一步判定(即由专家打分***进行打分)。
步骤3:统计结果存入redis
将以上的统计结果(包括第一预测开机时间以及第二预测开机时间)使用离线数据同步工具DataX从Hive数据仓库转移到redis中,供spark实时程序调用。
2、离线机器学习模块,具体用于提供一个结合室内外温度、设备信息、天气状况、时间数据等特征的一个Xgboost模型(即上述实施例中的概率预测模型),该模型可以给出一台设备在一个时间点下开机制热的概率,是实时专家打分***的重要依赖分值。如图3所示,离线机器学习模块提取训练数据,并进行离线机器学习模型训练,以及将训练得到的机器学习模型存储在Hadoop分布式文件***(Hadoop Distributed File System,HDFS)中。
其中,离线机器学习模块用于执行以下步骤:
步骤1:提取特征信息
为了使模型具备判断某一时间内空调是否开机的二分类分类能力,提取两部分的特征信息(即训练数据),一部分是历史开机制热时间点有关的数据,另一部分是在非开机制热时间段内均匀提取的关机数据。其中,上述两部分的特征信息均可以包括以下信息中的至少之一:
时间特征:该类特征对模型结果有较大的相关性,因为在一天之内不同时间段,一周之内的工作日休息日,以及季节、月份、年度都对用户开机制热形成一定能程度影响,表现出一定的相关性。
环境特征:该类特征包含气候特征、室内外温度特征,是相关性最大的特征。因为室外温度、天气状况间接影响室内温度,而室内温度很大程度决定人的体感温度,从而决定用户是否有意愿开机制热。
地域特征:不同地域的人在不同的时间范围内会表现出不同的开机制热特点,所以地域信息也是很重要的特征。
空调特征(即空调型号):考虑到不同空调的制热性能以及制热耗能等因素,它会间接影响用户使用的频率,所以也作为模型特征一部分。
作为一种可选的实施方式,可以使用HQL从Hive数据仓库中提取表1中所示的各个字段中的信息作为Xgboost模型训练所需要的特征信息,其中,string表示字符串类型,Int表示整数类型,Double表示双精度浮点数类型。
表1.特征信息列表
步骤2:模型训练
作为一种可选的实施方式,为了对接Hive数据仓库里超大的训练数据,可以选择使用spark机器学习库Spark MLlib来开发Xgboost模型训练代码。
使用spark dataframe做特征预处理,将地域、型号、天气编码等离散特征信息变成独热编码(onehot编码),例如,将月份特征扩展为上、中、下旬的新特征。
可选的,为了能够最小延迟的学习到用户最近的行为规律,Xgboost模型可以一天学习一次,每一天增加了前一天的用户使用数据。
线上实时模块,用于实时获取空调设备上报的数据对预测开机时间进行过滤,以及对于需要下发的预测开机时间,实时计算专家打分***分值,最终决定是否下发蓄热到设备端。如图3所示,实时程序由SparkStreaming实现,又称为spark实时程序。spark实时程序用于实现专家打分***,以及用于执行逻辑过滤。图5是根据本发明又一实施例的开机时间的确定方法的示意图,其中示出了线上实时模块所执行的各个步骤。
作为一种可选的实施例,所述线上实时模块具体用于执行以下步骤:
步骤1:接入数据
设备上报数据通过开源流处理平台kafka接入spark实时程序,并且spark实时程序可以随时读取redis中存储的数据。
步骤2:数据过滤
下发蓄热不仅仅考虑预测的结果,还要考虑空调当前的状态,以及其使用寿命等因素。因此,在下发蓄热之前需要过滤掉此时已经是开机状态的空调,即不对已经处理开机状态的空调进行下发蓄热,从而防止这种无效的蓄热;由于用户主动的定时比数据预测的要准确,因此如果用户当天有预约定时开机制热(即接收到了预约定时开机指令的情况下),则不主动预测,只是在定时开机制热之前10分钟进行蓄热;为了不损坏空调压缩机,延长压缩机使用寿命,设置以下规则:对蓄热时间点(即第二预测开机时间)和最近的一次开机制热时间点之间的间隔过小的空调同样也不下发蓄热,这样可以减少空调压缩机的损耗,延长使用寿命。
步骤3:专家打分***进行打分
对于通过过滤后的空调和为该空调确定的第一预测开机时间和第二预测开机时间,需要进一步由专家打分***对第一预测开机时间进行打分,打分公式为:
分值=w1×p1+w2×p2+m,
由于p2反映了历史预测准确率,将历史预测准确率考虑进专家***,是赋予专家***一定的自我纠错的能力,从而可以实现对于连续判断出错的设备降低向其下发蓄热的可能性,以提高整体预测的准确率。
步骤4:逻辑过滤
判断第一预测开机时间得分是否超过预设分数阈值,若是,则执行步骤5。
步骤5:下发消息通知
对于确定要下发蓄热的空调,在蓄热时间点之前的目标时间间隔(例如10分钟)发送APP消息通知用户,确保在蓄热之前让用户知道接下来的蓄热操作。如果蓄热时间不是用户预期之内的时间,用户可以随时关闭蓄热功能,从而不对空调进行蓄热。
步骤6:指令下发
向设备(即空调)下发蓄热指令,空调通过调用内部接口启动外机,从而进行蓄热。
在上述实施例中,提出基于大数据对用户历史制热行为进行数据分析,结合机器学习算法进行预测的方式,对用户未来一段时间内的开机制热行为进行预测。其中,使用Xgboost做机器学习特征工程时,不仅可以考虑用户使用习惯,同时还可以考虑设备所在环境因素、时间因素、天气气候因素、地域因素等其他相关因素;将历史预测效果自反馈到本次预测上,这种自反馈机制可以有效缓解某个设备连续出现预测失误的情况;以及使用专家打分***进行打分,来综合考虑室内外环境因素、用户习惯因素和预测历史准确度因素,从而可以大大缓解出现由单一因素决策带来的预测失误的问题。
基于上述实施例,离线计算充分利用了历史空调设备上报数据的价值,挖掘了用户使用空调制热的规律习惯,同时为机器学习模型训练提供了丰富的训练数据,并且离线计算针对不同的目标设备单独为其预测制热时间,实时计算不仅进行机器学习模型预测,同时还考虑蓄热时空调的实时状态、历史准确率反馈和空调使用寿命等相关影响因素,即从各个角度确保下发蓄热的准确性和价值,提高用户使用产品的体验。
在制热之前通过云端控制的方式,为用户的空调提前开启外机进行蓄热,例如预测用户设备蓄热时间点,并对设备进行提前30分钟蓄热,从而减少了耗能;并且,由于只取预测准确率分值高的目标设备下发蓄热时间,从而很大程度上解决用户行为不规律所导致的弊端。通过上述实施例,在用户开机制热的时候,空调可以无延迟推送热风,提高用户使用体验。
实施例2
根据本发明的另一个实施例,提供了一种开机时间的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的开机时间的确定装置的结构框图,该装置包括:
第一确定模块52,用于根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
第二确定模块54,用于将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
发送模块56,用于在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
通过本发明,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。因此,可以解决相关技术中目标设备的工作状态达到预期所需时间较长的技术问题,实现了缩短目标设备的工作状态达到预期所需的时间,优化了用户体验。
在上述实施例中,所述发送模块56还用于通过以下方式确定所述第一预测开机时间以及所述第一概率是否满足所述第一预设条件:基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分;在所述得分超过预设分数阈值的情况下,确定所述第一预测开机时间以及所述第一概率满足所述第一预设条件。
图7是根据本发明另一实施例的开机时间的确定装置的结构框图。如图7所示,所述装置还包括:处理模块58,用于在符合第二预设条件的情况下,将所述第一预测开机时间传递到所述第二确定模块;其中,所述第二预设条件包括以下至少之一:所述目标设备当前处于关机状态,未接收到对所述目标设备的定时开机指令,所述第二预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值。
作为一种可选的实施方式,所述发送模块56还用于:对所述目标设备的历史预测开机时间以及在所述历史预测开机时间下所述目标设备是否开机进行记录,根据记录结果确定与历史预测时刻对应的预测准确率;其中,所述历史预测时刻为对所述历史预测开机时间按小时取整后得到的时刻,所述历史预测开机时间为在确定所述第一预测开机时间之前,已确定的多个预测开机时间;确定所述预测准确率中与第一预测时刻对应的准确率p2;其中,所述第一预测时刻为对所述第一预测开机时间按小时取整后得到的时刻;获取与所述第一预测开机时刻对应的预设分值m,其中,所述预设分值m与所述第一预测时刻在所述多个历史开机时间中出现的频次呈正相关;根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分。
需要说明的是,所述发送模块56还用于:按照以下公式确定与所述第一预测开机时间对应的得分c:
c=w1×p1+w2×p2+m,
其中,w1、w2分别为所述第一概率p1、所述准确率p2对应的权重。
作为一种可选的实施方式,所述发送模块56,还用于在接收到所述提醒消息的确认操作的情况下,向所述目标设备发送启动指令,其中,所述启动指令用于指示所述目标设备在所述第二预测开机时间时对所述目标装置进行开机,以使所述目标装置开始工作。
在上述实施例中,所述第一确定模块52还用于:根据所述目标设备的所述多个历史开机时间,确定历史开机时刻在所述多个历史开机时间中出现的频次,其中,所述历史开机时刻为对所述多个历史开机时间按小时取整后得到的时刻;获取所述历史开机时刻中的目标时刻,其中,所述目标时刻的频次超过预设频次阈值;获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间,根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
S2,将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
S3,在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
S2,将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
S3,在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
图8是根据本发明实施例的一种可选的电子装置的结构示意图。可选地,本领域普通技术人员可以理解,图8所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图8其并不对上述电子设备的结构造成限定。例如,电子装置还可包括比图8中所示更多或者更少的组件(如网络接口等),或者具有与图8所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本发明实施例中的开机时间的确定方法和开机时间的确定装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的开机时间的确定方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。作为一种示例,上述存储器1002中可以但不限于包括上述开机时间的确定装置的第一确定模块52、第二确定模块54、发送模块56。此外,还可以包括但不限于上述开机时间的确定装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输设备1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输设备1006包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输设备1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1008,用于显示画面;和连接总线1010,用于连接上述电子装置中的各个模块部件。
在其他实施例中,上述终端或者服务器可以是一个分布式***中的一个节点,其中,该分布式***可以为区块链***,该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种开机时间的确定方法,其特征在于,包括:
根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率;
在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间;
其中,所述概率预测模型是通过使用所述目标设备在所述历史开机时间时的第一特征信息以及所述目标设备在预设关机时间段内的第二特征信息训练得到的;所述第一特征信息包括:所述历史开机时间指示的第一时间信息,在所述历史开机时间时所述目标设备所处的第一环境信息、所述目标设备所处的地域信息以及所述目标设备的型号;所述第二特征信息包括:所述预设关机时间段对应的第二时间信息,在所述预设关机时间段内所述目标设备所处的第二环境信息、所述地域信息以及所述目标设备的型号。
2.根据权利要求1所述的方法,其特征在于,通过以下方式确定所述第一预测开机时间以及所述第一概率是否满足所述第一预设条件:
基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分;
在所述得分超过预设分数阈值的情况下,确定所述第一预测开机时间以及所述第一概率满足所述第一预设条件。
3.根据权利要求1所述的方法,其特征在于,在所述根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间之后,所述方法还包括:
在符合第二预设条件的情况下,执行所述将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率的步骤;
其中,所述第二预设条件包括以下至少之一:所述目标设备当前处于关机状态,未接收到对所述目标设备的定时开机指令,所述第二预测开机时间与所述目标设备的最近一次的开机时间之间的时间间隔大于预设时间阈值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一预测开机时间以及所述第一概率,确定与所述第一预测开机时间对应的得分包括:
对所述目标设备的历史预测开机时间以及在所述历史预测开机时间下所述目标设备是否开机进行记录,根据记录结果确定与历史预测时刻对应的预测准确率;其中,所述历史预测时刻为对所述历史预测开机时间按小时取整后得到的时刻,所述历史预测开机时间为在确定所述第一预测开机时间之前,已确定的多个预测开机时间;
确定所述预测准确率中与第一预测时刻对应的准确率p2;其中,所述第一预测时刻为对所述第一预测开机时间按小时取整后得到的时刻;
获取与所述第一预测时刻对应的预设分值m,其中,所述预设分值m与所述第一预测时刻在所述多个历史开机时间中出现的频次呈正相关;
根据所述第一概率p1、所述准确率p2以及所述预设分值m,确定与所述第一预测开机时间对应的得分。
6.根据权利要求1所述的方法,其特征在于,在所述发送提醒消息之后,所述方法还包括:
在接收到所述提醒消息的确认操作的情况下,向所述目标设备发送启动指令,其中,所述启动指令用于指示所述目标设备在所述第二预测开机时间时对所述目标装置进行开机,以使所述目标装置开始工作。
7.根据权利要求1所述的方法,其特征在于,根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间包括:
根据所述目标设备的所述多个历史开机时间,确定历史开机时刻在所述多个历史开机时间中出现的频次,其中,所述历史开机时刻为对所述多个历史开机时间按小时取整后得到的时刻;
获取所述历史开机时刻中的目标时刻,其中,所述目标时刻的频次超过预设频次;
获取所述多个历史开机时间中与所述目标时刻对应的目标开机时间,根据所述目标开机时间的平均值和标准差确定所述第一预测开机时间。
8.一种开机时间的确定装置,其特征在于,包括:
第一确定模块,用于根据目标设备在预设时间段内的多个历史开机时间,确定所述目标设备的第一预测开机时间;
第二确定模块,用于将所述第一预测开机时间输入到概率预测模型中,以确定与所述第一预测开机时间对应的第一概率,其中,所述第一概率用于指示所述目标设备在所述第一预测开机时间下开机的概率,所述概率预测模型是通过使用所述目标设备在所述历史开机时间时的第一特征信息以及所述目标设备在预设关机时间段内的第二特征信息训练得到的;所述第一特征信息包括:所述历史开机时间指示的第一时间信息,在所述历史开机时间时所述目标设备所处的第一环境信息、所述目标设备所处的地域信息以及所述目标设备的型号;所述第二特征信息包括:所述预设关机时间段对应的第二时间信息,在所述预设关机时间段内所述目标设备所处的第二环境信息、所述地域信息以及所述目标设备的型号;
发送模块,用于在所述第一预测开机时间以及所述第一概率满足第一预设条件的情况下,发送提醒消息,其中,所述提醒消息用于指示在第二预测开机时间时对所述目标设备中的目标装置进行开机,所述第二预测开机时间为早于所述第一预测开机时间预设时间间隔的时间。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443217.5A CN111623486B (zh) | 2020-05-22 | 2020-05-22 | 开机时间的确定方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443217.5A CN111623486B (zh) | 2020-05-22 | 2020-05-22 | 开机时间的确定方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111623486A CN111623486A (zh) | 2020-09-04 |
CN111623486B true CN111623486B (zh) | 2022-01-28 |
Family
ID=72268825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010443217.5A Active CN111623486B (zh) | 2020-05-22 | 2020-05-22 | 开机时间的确定方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111623486B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112815476B (zh) * | 2021-01-18 | 2023-11-07 | 青岛海信日立空调***有限公司 | 一种空调器和控制方法 |
CN114738936B (zh) * | 2022-04-27 | 2024-05-24 | 北京小米移动软件有限公司 | 空调控制方法、装置、电子设备及可读储存介质 |
CN115225140B (zh) * | 2022-07-15 | 2023-05-05 | 广州爱浦路网络技术有限公司 | 一种卫星寻呼方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012220055A (ja) * | 2011-04-05 | 2012-11-12 | Kume Sekkei:Kk | 空調負荷予測装置及び空調負荷予測方法 |
CN106288200A (zh) * | 2016-08-19 | 2017-01-04 | 芜湖美智空调设备有限公司 | 空调器的控制方法、控制装置及空调器 |
CN106549833A (zh) * | 2015-09-21 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 一种智能家居设备的控制方法和装置 |
CN107655212A (zh) * | 2017-09-29 | 2018-02-02 | 深圳和而泰智能控制股份有限公司 | 加热处理方法及装置 |
CN107948681A (zh) * | 2016-10-12 | 2018-04-20 | 中国海洋大学 | 一种基于大数据的开机广告投放*** |
CN108749596A (zh) * | 2018-04-11 | 2018-11-06 | 蔚来汽车有限公司 | 车机端启动方法、***及装置 |
CN108826701A (zh) * | 2018-06-19 | 2018-11-16 | 青岛海尔科技有限公司 | 一种储水式热水器的智能控制方法及装置 |
WO2020039430A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
-
2020
- 2020-05-22 CN CN202010443217.5A patent/CN111623486B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012220055A (ja) * | 2011-04-05 | 2012-11-12 | Kume Sekkei:Kk | 空調負荷予測装置及び空調負荷予測方法 |
CN106549833A (zh) * | 2015-09-21 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 一种智能家居设备的控制方法和装置 |
CN106288200A (zh) * | 2016-08-19 | 2017-01-04 | 芜湖美智空调设备有限公司 | 空调器的控制方法、控制装置及空调器 |
CN107948681A (zh) * | 2016-10-12 | 2018-04-20 | 中国海洋大学 | 一种基于大数据的开机广告投放*** |
CN107655212A (zh) * | 2017-09-29 | 2018-02-02 | 深圳和而泰智能控制股份有限公司 | 加热处理方法及装置 |
CN108749596A (zh) * | 2018-04-11 | 2018-11-06 | 蔚来汽车有限公司 | 车机端启动方法、***及装置 |
CN108826701A (zh) * | 2018-06-19 | 2018-11-16 | 青岛海尔科技有限公司 | 一种储水式热水器的智能控制方法及装置 |
WO2020039430A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
Also Published As
Publication number | Publication date |
---|---|
CN111623486A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111623486B (zh) | 开机时间的确定方法和装置、存储介质及电子装置 | |
CN110598802B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
CN109947497B (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN110793167B (zh) | 空调控制方法及装置 | |
US20150371532A1 (en) | System and method for applying over the air updates to a universal remote control device | |
CN112801154B (zh) | 孤寡老人的行为分析方法和*** | |
CN112738740B (zh) | 消息推送的发送方法及装置、存储介质及电子装置 | |
CN105157165A (zh) | 一种用于形成空调常用连续动作的方法、***及智能终端 | |
CN112130458A (zh) | 目标设备的控制方法及装置、存储介质、电子装置 | |
CN114493028A (zh) | 预测模型的建立方法和装置、存储介质及电子装置 | |
CN111314177B (zh) | 一种基于无线信号的作息时段识别方法以及相关装置 | |
CN113050783B (zh) | 终端控制方法、装置、移动终端及存储介质 | |
CN110909036A (zh) | 功能模块的推荐方法及装置 | |
Yang et al. | An intelligent human behavior-based reasoning model for service prediction in smart home | |
CN111427627A (zh) | 软件功能智能配置方法、装置、服务器及存储介质 | |
CN107861769B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107870811B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN113377396B (zh) | 一种升级方法、装置、电子设备及存储介质 | |
CN113676353B (zh) | 设备的控制方法、装置、存储介质和电子装置 | |
CN113572841B (zh) | 信息推送方法及装置 | |
CN115682289A (zh) | 用于控制空调的方法、装置及空调 | |
CN113448747B (zh) | 数据传输方法、装置、计算机设备和存储介质 | |
EP3958605A1 (en) | Improved method and system to select a communication mode | |
CN113703993A (zh) | 服务消息处理方法、装置及设备 | |
CN111723872B (zh) | 行人属性识别方法及装置、存储介质、电子装置 |
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 |