CN113379113A - 用于空调运行模式预测的方法及装置、空调 - Google Patents
用于空调运行模式预测的方法及装置、空调 Download PDFInfo
- Publication number
- CN113379113A CN113379113A CN202110615208.4A CN202110615208A CN113379113A CN 113379113 A CN113379113 A CN 113379113A CN 202110615208 A CN202110615208 A CN 202110615208A CN 113379113 A CN113379113 A CN 113379113A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- operation mode
- sample
- conditioner operation
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims description 112
- 238000012360 testing method Methods 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 22
- 238000004378 air conditioning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及智能家居技术领域,公开一种用于空调运行模式预测的方法,包括:获取地域信息和时间数据;将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;空调运行模式预测模型根据地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。本申请还公开一种用于空调运行模式预测的装置和空调。
Description
技术领域
本申请涉及智能家居技术领域,例如涉及一种用于空调运行模式预测的方法及装置、空调。
背景技术
随着智慧家居的普及,智能化的需求越来越多。为了满足某些环境的需要,智能家电设备需要预测当前环境的对应模式,比如空调预测在寒冷季节里运行制热模式。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
目前预测家电模式的技术只考虑了日期与家电模式之间的关系,没有考虑地理位置与家电模式之间的关系,由于我国东西南北地理位置跨度较大,所以预测的空调运行模式的可靠性较低。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于空调运行模式预测的方法及装置、空调,以提高预测空调运行模式的可靠性。
在一些实施例中,用于空调运行模式预测的方法,包括:获取地域信息和时间数据;将所述时间数据输入所述地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;所述空调运行模式预测模型根据所述地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
在一些实施例中,用于空调运行模式预测的装置,包括:获取模块,被配置为获取地域信息和时间数据;预测模块,被配置为将所述时间数据输入所述地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;所述空调运行模式预测模型根据所述地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
在一些实施例中,用于空调运行模式预测的装置包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行上述的用于空调运行模式预测的方法。
在一些实施例中,空调包括上述的用于空调运行模式预测的装置。
本公开实施例提供的用于空调运行模式预测的方法及装置、空调,可以实现以下技术效果:通过获取地域信息和时间数据,并将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于空调运行模式预测的方法的示意图;
图2是本公开实施例提供的一个用于空调运行模式预测的装置的示意图;
图3是本公开实施例提供的另一个用于空调运行模式预测的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
结合图1所示,本公开实施例提供一种用于空调运行模式预测的方法,包括:
步骤S101,获取地域信息和时间数据;
步骤S102,将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;空调运行模式预测模型根据地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
采用本公开实施例提供的用于空调运行模式预测的方法,通过获取地域信息和时间数据,并将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
可选地,空调运行模式预测模型根据地域信息对应的样本数据获取,包括:利用地域信息对应的样本数据对预设的分类模型进行训练,获得空调运行模式预测模型。在一些实施例中,分类模型为sklearn(scikit-learn,估计器)决策树。
可选地,地域信息为待预测空调的所在区域。可选地,样本数据还包括样本空调设备ID、样本空调模式、样本空调所在区域和样本空调所在区域的区域ID。
可选地,发送地域信息至服务器端,触发服务器端在预设的样本数据库中查找与地域信息表征同一区域的样本空调所在区域,并反馈包含该样本空调所在区域的样本数据;接收服务器端反馈的包含该样本空调所在区域的样本数据,并将包含该样本空调所在区域的样本数据确定为地域信息对应的样本数据;其中,样本数据库中存储有包含样本空调所在区域的样本数据。
在一些实施例中,样本空调所在区域内各样本空调每天发送样本数据给连接的服务器端,服务器端接收各样本空调发送的样本数据,并按照样本空调所在区域的区域ID+“-”+年份+“.csv”的命名规则进行命名并储存在预设的样本数据库中。例如,浦东新区内各样本空调每天发送样本数据给连接的服务器端,服务器端接收并存储各样本空调发送的样本数据,表1为样本数据库的示例表,如表1所示,样本空调所在区域为浦东新区,该样本空调所在区域的区域ID为“310115”;其中,样本空调设备ID为“047863E68645”的空调设备在时间样本数据为“20200520”对应的样本空调模式为制冷,对应的空调运行模式样本数据为1;样本空调设备ID为“047863E681A1”的空调设备在时间样本数据为“20200720”对应的样本空调模式为除湿,对应的空调运行模式样本数据为2;样本空调设备ID为“98FC848435A9”的空调设备在时间样本数据为“20201220”对应的样本空调模式为制热,对应的空调运行模式样本数据为3。
表1
通过获取不同地域信息对应的样本数据,根据不同地域信息对应的样本数据对预设的分类模型进行训练,获得不同地域信息的空调运行模式预测模型。由于空调运行模式预测模型根据地域信息和时间样本数据获取的,通过将需要预测的时间数据输入地域信息对应的空调运行模式预测模型,这样获取到的空调运行模式预测结果考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
可选地,利用地域信息对应的样本数据对预设的分类模型进行训练,获得空调运行模式预测模型,包括:获取样本数据对应的样本特征矩阵和样本特征矩阵对应的模式样本标签;对带有模式样本标签的样本特征矩阵进行分类,获得训练样本集和测试样本集;利用训练样本集和测试样本集对预设的分类模型进行训练,获得空调运行模式预测模型。
可选地,获取样本数据对应的样本特征矩阵,包括:通过预设的数据分析工具获取样本数据对应的样本特征矩阵。在一些实施例中,数据分析工具为Pandas(熊猫数据分析工具)。
可选地,获取样本特征矩阵对应的模式样本标签,包括:将空调运行模式样本数据确定为样本特征矩阵对应的模式样本标签。
可选地,对带有模式样本标签的样本特征矩阵进行分类,获得训练样本集和测试样本集,包括:根据预设的分类比例对带有模式样本标签的样本特征矩阵进行随机分类,获得训练样本集和测试样本集。在一些实施例中,训练样本集与测试样本集的比例为7:3。
可选地,利用训练样本集和测试样本集对预设的分类模型进行训练,获得空调运行模式预测模型,包括:将训练样本集导入预设的分类模型进行训练,获得若干训练模型;将测试样本集导入各训练模型,获得各训练模型对应的测试准确率;根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型。
可选地,将训练样本集多次导入预设的分类模型进行训练,获得若干训练模型。
可选地,将训练样本集导入预设的分类模型进行训练,获得若干训练模型后,还包括:通过预设的分类模型API对各训练模型进行参数调整。在一些实施例中,分类模型API为sklearn决策树的API。通过已有的分类模型API对各训练模型的参数进行调优,再根据训练模型确定空调运行模式预测模型,避免空调运行模式预测模型出现过拟合的问题。
可选地,根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型,包括:将数值最高的测试准确率对应的训练模型确定为备选模型;根据训练样本集和测试样本集获取备选模型的拟合度,根据拟合度对备选模型进行参数调整;将调整后的备选模型确定为空调运行模式预测模型。
可选地,将训练样本集中的样本特征矩阵确定为训练样本,将测试样本集中的样本特征矩阵确定为测试样本。可选地,根据训练样本集和测试样本集获取备选模型的拟合度,包括:将训练样本集中的各训练样本输入备选模型,获得各训练样本的训练样本结果;将各训练样本的训练样本结果与其带有的模式样本标签进行比较,将比较结果为相同的训练样本的数量确定为训练样本准确数;将训练样本准确数与训练样本集中的训练样本数量的比值确定为训练样本准确率;将测试样本集中的各测试样本输入备选模型,获得各测试样本的测试样本结果;将测试样本对应的测试样本结果与其带有的模式样本标签进行比较,将比较结果为相同的测试样本的数量确定为测试样本准确数;将测试样本准确数与测试样本集中的测试样本数量的比值确定为测试样本准确率;将训练样本准确率与测试样本准确率的差值绝对值确定为备选模型的拟合度。
可选地,根据拟合度对备选模型进行参数调整,包括:通过网格搜索法调整备选模型的参数,使得拟合度满足预设条件。在一些实施例中,预设条件为小于2%。通过调整参数将备选模型的拟合度控制在预设的数值内,将调整后的备选模型确定为空调运行模式预测模型,避免空调运行模式预测模型出现过拟合的问题,提高空调运行模式预测模型预测空调运行模式预测结果的可靠性。
可选地,根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型,包括:将数值最高的测试准确率对应的训练模型确定为空调运行模式预测模型。
结合图2所示,本公开实施例提供一种用于空调运行模式预测的装置,包括获取模块201和预测模块202。获取模块201被配置为获取地域信息和时间数据;预测模块202被配置为将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;空调运行模式预测模型根据地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
采用本公开实施例提供的用于空调运行模式预测的装置,通过获取地域信息和时间数据,并将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
可选地,本公开实施例提供一种用于空调运行模式预测的装置还包括模型训练模块,被配置为利用地域信息对应的样本数据对预设的分类模型进行训练,获得空调运行模式预测模型。
可选地,模型训练模块还被配置为:发送地域信息至服务器端,触发服务器端在预设的样本数据库中查找与地域信息表征同一区域的样本空调所在区域,并反馈包含该样本空调所在区域的样本数据;接收服务器端反馈的包含该样本空调所在区域的样本数据,并将包含该样本空调所在区域的样本数据确定为地域信息对应的样本数据;其中,样本数据库中存储有包含样本空调所在区域的样本数据。
可选地,模型训练模块被配置为:获取样本数据对应的样本特征矩阵和样本特征矩阵对应的模式样本标签;对带有模式样本标签的样本特征矩阵进行分类,获得训练样本集和测试样本集;利用训练样本集和测试样本集对预设的分类模型进行训练,获得空调运行模式预测模型。
可选地,模型训练模块被配置为:通过预设的数据分析工具获取样本数据对应的样本特征矩阵。
可选地,模型训练模块被配置为:将空调运行模式样本数据确定为样本特征矩阵对应的模式样本标签。
可选地,模型训练模块被配置为:根据预设的分类比例对带有模式样本标签的样本特征矩阵进行随机分类,获得训练样本集和测试样本集。
可选地,模型训练模块被配置为:将训练样本集导入预设的分类模型进行训练,获得若干训练模型;将测试样本集导入各训练模型,获得各训练模型对应的测试准确率;根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型。
可选地,模型训练模块被配置为:将训练样本集多次导入预设的分类模型进行训练,获得若干训练模型。
可选地,模型训练模块被配置为:通过预设的分类模型API对各训练模型进行参数调整。
可选地,模型训练模块被配置为:将数值最高的测试准确率对应的训练模型确定为备选模型;根据训练样本集和测试样本集获取备选模型的拟合度,根据拟合度对备选模型进行参数调整;将调整后的备选模型确定为空调运行模式预测模型。
可选地,将训练样本集中的样本特征矩阵确定为训练样本,将测试样本集中的样本特征矩阵确定为测试样本。
可选地,模型训练模块被配置为:将训练样本集中的各训练样本输入备选模型,获得各训练样本的训练样本结果;将各训练样本的训练样本结果与其带有的模式样本标签进行比较,将比较结果为相同的训练样本的数量确定为训练样本准确数;将训练样本准确数与训练样本集中的训练样本数量的比值确定为训练样本准确率;将测试样本集中的各测试样本输入备选模型,获得各测试样本的测试样本结果;将测试样本对应的测试样本结果与其带有的模式样本标签进行比较,将比较结果为相同的测试样本的数量确定为测试样本准确数;将测试样本准确数与测试样本集中的测试样本数量的比值确定为测试样本准确率;将训练样本准确率与测试样本准确率的差值绝对值确定为备选模型的拟合度。
可选地,模型训练模块被配置为:通过网格搜索法调整备选模型的参数,使得拟合度满足预设条件。
可选地,模型训练模块被配置为:将数值最高的测试准确率对应的训练模型确定为空调运行模式预测模型。
结合图3所示,本公开实施例提供一种用于空调运行模式预测的装置,包括处理器(processor)300和存储器(memory)301。可选地,该装置还可以包括通信接口(Communication Interface)302和总线303。其中,处理器300、通信接口302、存储器301可以通过总线303完成相互间的通信。通信接口302可以用于信息传输。处理器300可以调用存储器301中的逻辑指令,以执行上述实施例的用于空调运行模式预测的方法。
采用本公开实施例提供的用于空调运行模式预测的装置,通过获取地域信息和时间数据,并将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
此外,上述的存储器301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。
存储器301作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器300通过运行存储在存储器301中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于空调运行模式预测的方法。
存储器301可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器301可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种空调,包含上述的用于空调运行模式预测的装置。该空调通过获取地域信息和时间数据,并将时间数据输入地域信息对应的空调运行模式预测模型获取空调运行模式预测结果。由于空调运行模式预测模型是根据地域信息对应的时间样本数据获取的,在通过空调运行模式预测模型来预测空调运行模式时,考虑了地域信息,相较于现有技术只通过时间数据获得空调运行模式的预测结果,提高了预测空调运行模式的可靠性。
本公开实施例提供了一种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设置为执行上述用于空调运行模式预测的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于空调运行模式预测的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,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)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。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、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于空调运行模式预测的方法,其特征在于,包括:
获取地域信息和时间数据;
将所述时间数据输入所述地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;所述空调运行模式预测模型根据所述地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
2.根据权利要求1所述的方法,其特征在于,根据地域信息对应的样本数据获取空调运行模式预测模型,包括:
获取地域信息对应的样本数据;
利用所述样本数据对预设的分类模型进行训练,获得空调运行模式预测模型。
3.根据权利要求2所述的方法,其特征在于,利用所述样本数据对预设的分类模型进行训练,获得空调运行模式预测模型,包括:
获取样本数据对应的样本特征矩阵和所述样本特征矩阵对应的模式样本标签;
对带有所述模式样本标签的所述样本特征矩阵进行分类,获得训练样本集和测试样本集;
利用所述训练样本集和所述测试样本集对预设的分类模型进行训练,获得空调运行模式预测模型。
4.根据权利要求3所述的方法,其特征在于,获取样本特征矩阵对应的模式样本标签,包括:
将所述空调运行模式样本数据确定为所述样本特征矩阵对应的模式样本标签。
5.根据权利要求3所述的方法,其特征在于,对带有模式样本标签的样本特征矩阵进行分类,获得训练样本集和测试样本集,包括:
根据预设的分类比例对带有所述模式样本标签的样本特征矩阵进行随机分类,获得训练样本集和测试样本集。
6.根据权利要求3所述的方法,其特征在于,利用训练样本集和测试样本集对预设的分类模型进行训练,获得空调运行模式预测模型,包括:
将训练样本集导入预设的分类模型进行训练,获得若干训练模型;
将测试样本集导入各所述训练模型,获得各所述训练模型对应的测试准确率;
根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型。
7.根据权利要求6所述的方法,其特征在于,根据数值最高的测试准确率对应的训练模型获取空调运行模式预测模型,包括:
将数值最高的测试准确率对应的训练模型确定为备选模型;
根据训练样本集和测试样本集获取所述备选模型的拟合度;
根据所述拟合度对所述备选模型进行参数调整;
将调整后的备选模型确定为空调运行模式预测模型。
8.一种用于空调运行模式预测的装置,其特征在于,包括:
获取模块,被配置为获取地域信息和时间数据;
预测模块,被配置为将所述时间数据输入所述地域信息对应的空调运行模式预测模型获取空调运行模式预测结果;所述空调运行模式预测模型根据所述地域信息对应的样本数据获取;样本数据包括时间样本数据和空调运行模式样本数据。
9.一种用于空调运行模式预测的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至7任一项所述的用于空调运行模式预测的方法。
10.一种空调,其特征在于,包括如权利要求9所述的用于空调运行模式预测的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615208.4A CN113379113A (zh) | 2021-06-02 | 2021-06-02 | 用于空调运行模式预测的方法及装置、空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615208.4A CN113379113A (zh) | 2021-06-02 | 2021-06-02 | 用于空调运行模式预测的方法及装置、空调 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379113A true CN113379113A (zh) | 2021-09-10 |
Family
ID=77575495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615208.4A Pending CN113379113A (zh) | 2021-06-02 | 2021-06-02 | 用于空调运行模式预测的方法及装置、空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379113A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113942364A (zh) * | 2021-09-29 | 2022-01-18 | 青岛海尔空调器有限总公司 | 用于控制驻车空调的方法、装置及驻车空调 |
WO2023130721A1 (zh) * | 2022-01-07 | 2023-07-13 | 青岛海尔空调器有限总公司 | 用于确定空调器模式的方法及***、装置、服务器、介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134137A (zh) * | 2011-12-01 | 2013-06-05 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
CN103245033A (zh) * | 2012-02-10 | 2013-08-14 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
CN103593479A (zh) * | 2013-11-29 | 2014-02-19 | 谢天添 | 应用程序菜单推荐方法及装置 |
CN104279713A (zh) * | 2014-10-24 | 2015-01-14 | 珠海格力电器股份有限公司 | 一种空调器控制方法、***和空调控制器 |
CN104279711A (zh) * | 2014-10-08 | 2015-01-14 | 广东美的制冷设备有限公司 | 一种空调器及其室温自适应调节控制方法和*** |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN112466324A (zh) * | 2020-11-13 | 2021-03-09 | 上海听见信息科技有限公司 | 一种情绪分析方法、***、设备及可读存储介质 |
CN112581950A (zh) * | 2019-09-29 | 2021-03-30 | 广东美的制冷设备有限公司 | 空调器的语音控制方法、装置及存储介质 |
-
2021
- 2021-06-02 CN CN202110615208.4A patent/CN113379113A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134137A (zh) * | 2011-12-01 | 2013-06-05 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
CN103245033A (zh) * | 2012-02-10 | 2013-08-14 | 珠海格力电器股份有限公司 | 空调器及其控制方法和装置 |
CN103593479A (zh) * | 2013-11-29 | 2014-02-19 | 谢天添 | 应用程序菜单推荐方法及装置 |
CN104279711A (zh) * | 2014-10-08 | 2015-01-14 | 广东美的制冷设备有限公司 | 一种空调器及其室温自适应调节控制方法和*** |
CN104279713A (zh) * | 2014-10-24 | 2015-01-14 | 珠海格力电器股份有限公司 | 一种空调器控制方法、***和空调控制器 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN112581950A (zh) * | 2019-09-29 | 2021-03-30 | 广东美的制冷设备有限公司 | 空调器的语音控制方法、装置及存储介质 |
CN112466324A (zh) * | 2020-11-13 | 2021-03-09 | 上海听见信息科技有限公司 | 一种情绪分析方法、***、设备及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113942364A (zh) * | 2021-09-29 | 2022-01-18 | 青岛海尔空调器有限总公司 | 用于控制驻车空调的方法、装置及驻车空调 |
CN113942364B (zh) * | 2021-09-29 | 2024-05-24 | 青岛海尔空调器有限总公司 | 用于控制驻车空调的方法、装置及驻车空调 |
WO2023130721A1 (zh) * | 2022-01-07 | 2023-07-13 | 青岛海尔空调器有限总公司 | 用于确定空调器模式的方法及***、装置、服务器、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113038386B (zh) | 基于学习模型的设备定位 | |
CN107798557B (zh) | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 | |
CN106202186B (zh) | 基于人工智能的服务推荐方法和装置 | |
CN113379113A (zh) | 用于空调运行模式预测的方法及装置、空调 | |
US10819792B2 (en) | Device and method for extracting data from a communication bus of a motor vehicle | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN110807547A (zh) | 家庭人口结构的预测方法及*** | |
CN111473523B (zh) | 用于热水器的控制方法及装置、热水器 | |
CN113903337A (zh) | 用于语音空调控制的方法、装置、云端服务器及存储介质 | |
CN107767155B (zh) | 一种评估用户画像数据的方法及*** | |
CN113819575A (zh) | 用于空调的控制方法、装置和服务器 | |
CN110807546A (zh) | 社区网格人口变化预警方法及*** | |
CN111597417A (zh) | 用于监测地区水质的方法及装置、电子设备 | |
CN109446515A (zh) | 群组信息分析方法、电子装置及计算机可读存储介质 | |
CN111680236A (zh) | 菜单显示方法、装置、终端设备及存储介质 | |
CN115111816A (zh) | 用于检测电子膨胀阀的方法、装置及存储介质 | |
CN113834185A (zh) | 用于空调的控制方法、装置和服务器 | |
CN111695047B (zh) | 用户聚类方法及装置,电子设备及存储介质 | |
CN113311731A (zh) | 用于控制窗户的方法及装置、设备 | |
CN113531819A (zh) | 用于空调器预热的方法、装置、空调器及空调*** | |
CN112766390A (zh) | 用于确定训练样本的方法、装置及设备 | |
CN113282652A (zh) | 用于家电设备数据提取的方法及装置、设备、存储介质 | |
CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
CN105608638B (zh) | 一种判定智能终端与电能表的表码数据同步状态的方法及其*** | |
CN112819231A (zh) | 用于预测家庭户数的方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |
|
RJ01 | Rejection of invention patent application after publication |