发明内容
本发明提供一种基于大数据的智能家居控制方法、装置及计算机可读存储介质,其主要目的在于解决进行智能家居控制的效率较低的问题。
为实现上述目的,本发明提供的一种基于大数据的智能家居控制方法,包括:
将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集;
利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
可选地,所述通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集,包括:
利用所述用户行为组件中的摄像头组件采集用户人像数据,利用所述用户行为组件中的指纹组件采集用户指纹数据,根据所述用户人像数据生成所述目标用户的用户年龄数据以及用户性别数据,并根据所述用户年龄数据、用户性别数据以及所述用户指纹数据生成用户列表;
逐个从所述用户列表中选取用户作为目标用户,利用所述用户行为组件获取所述目标用户的灯光配置数据、温度配置数据、湿度配置数据以及影音配置数据;
按照类别顺序将所述灯光配置数据、所述温度配置数据、所述湿度配置数据以及所述影音配置数据汇集成所述目标用户的用户行为数据,并将所有的所述用户行为数据汇集成所述用户行为数据集。
可选地,所述根据所述用户人像数据生成所述目标用户的用户年龄数据以及用户性别数据,包括:
从所述用户人像数据中提取出所述目标用户对应的初级头骨特征,利用预设的迭代算法对所述初级头骨特征进行迭代,得到次级头骨特征;
利用预设的性别分类器根据所述次级头骨特征进行分类,得到用户性别数据;
利用训练后的纹理提取模型提取出所述用户人像数据对应的肌肤纹理特征;
利用训练后的多模分类器根据所述肌肤纹理特征进行分类,得到初级年龄数据,统计所述初级年龄数据中频率最大的数据作为所述用户年龄数据。
可选地,所述根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,包括:
从所述用户行为数据集中删除数据值超出预设的用户数据阈值的数据,得到标准用户数据集;
逐个选取所述标准用户数据集中标准用户数据作为目标标准数据,从所述标准用户数据集中选取与所述目标标准数据的行为相似度大于预设的相似度阈值的标准用户数据组成初级相似数据组;
将所述目标标准数据添加至所述初级相似数据组中,得到次级相似数据组,并将所述次级相似数据组中的数据从所述标准用户数据集中删除;
将所述次级相似数据组中的数据元素的个数作为所述目标标准数据的权重,将所述目标标准数据和所述目标标准数据的权重添加至所述加权用户数据集中。
可选地,所述利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集,包括:
从所述加权用户数据集中提取出对应的数据权重集,利用所述自映射模型对所述数据权重集中的权重进行归一化操作,得到标准权重集;
按照数据类型对所述加权用户数据集进行分组,得到多个加权类型数据组;
逐一选取所述加权类型数据组作为目标类型数据组,计算出所述目标类型数据组的数据均值,并将所述目标类型数据组中的每个数据元素减去所述数据均值,得到目标均值数据组;
计算出所述目标均值数据组的均方差,将所述目标均值数据组中的每个数据元素除以所述均方差,得到标准类型数据组,将所有的标准类型数据组汇集成标准类型数据集,
逐个从所述标准权重集中选取权重作为目标权重,从所述标准类型数据集中提取出与所述目标权重相对应的数据组成目标数据组,按照数据类型的顺序对所述目标数据组中的数据进行向量化操作,得到加权行为特征,并将所有的加权行为特征汇集成加权行为特征集。
可选地,所述利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,包括:
将所述加权行为特征集中的加权行为特征按照权重由大到小的顺序汇集成加权向量序列;
按照序列顺序从所述加权向量序列中提取出预设常数个加权数据向量组成输入向量序列;
逐个选取所述输入向量序列中的加权数据向量作为第一加权向量,逐个选取所述加权向量序列中除所述第一加权向量之外的加权数据向量作为第二加权向量,利用预设的第一距离公式计算出所述第一加权向量与所述第二加权向量之间的向量距离;
选取与所述第一加权向量的向量距离最小的加权数据向量作为目标加权向量,将所述第一加权向量与所述目标加权向量之间的向量距离作为目标向量距离;
根据所述目标向量距离计算出所述第一加权向量的邻域半径,将所有与所述第一加权向量的向量距离小于所述邻域半径的加权数据向量汇集成邻域向量组;
利用预设的迭代算法对所述邻域向量组中各加权数据向量的权重进行更新,得到所述第一加权向量对应的初级特征簇,并将所有的初级特征簇汇集成初级特征簇集。
可选地,所述利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,包括:
逐个选取所述初级特征簇集中的初级特征簇作为目标特征簇,在所述目标特征簇中选取一个加权数据向量作为簇心加权向量;
逐个选取所述初级特征簇集中除所述簇心加权向量之外的加权数据向量作为第三加权向量,利用如下的第二距离公式计算出所述簇心加权向量与所述第三数据向量之间的最终向量距离:
其中,J是指所述最终向量距离,ρ是指所述第三加权向量的权重,σ是指所述簇心加权向量的权重,o是指所述簇心加权向量中的向量元素的总数,k是指第k个向量元素,Ek是指所述簇心加权向量中第k个向量元素,Fk是指所述第三加权向量中第k个向量元素;
根据所述最终向量距离对所述初级特征簇集进行特征聚类,得到行为特征簇集。
为了解决上述问题,本发明还提供一种基于大数据的智能家居控制装置,所述装置包括:
数据采集模块,用于将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
数据归并模块,用于利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,其中,所述利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,包括:逐个选取所述用户行为数据集中的用户行为数据作为目标用户数据,对所述目标用户数据进行向量化操作,得到目标数据向量,将所有的目标数据向量汇集成数据向量序列;逐个选取所述数据向量序列中的数据向量作为第一数据向量,逐个选取所述标准数据向量序列中位于所述第一数据向量之后的数据向量作为第二数据向量,利用如下的行为相似度算法计算所述第一数据向量与所述第二数据向量之间的行为相似度:
其中,S是指所述行为相似度,n是指所述向量序列中每个数据向量的元素总数,i是指所述向量序列中每个数据向量的第i个元素,Ai是指所述第一数据向量中的第i个元素,Bi是指所述第二数据向量中的第i个元素,α是预设的基准系数,β是预设的平衡系数;
带权映射模块,用于利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
习惯提取模块,用于利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
模式切换模块,用于从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于大数据的智能家居控制方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于大数据的智能家居控制方法。
本发明实施例通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集,能够对用户进行区分,并获得每个用户的使用行为记录数据,从而为后续的提取用户使用习惯奠定了基础,通过根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,能够将所述用户行为数据集中的可信度较差的数据删除,并对余下的数据进行归并,从而减少数据集中数据的数量,节约了后续用户行为特征的提取的计算资源,方便了后续的聚类;通过利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集,可以将所述加权用户数据集中的数据分类型进行标准化,从而实现了对所述加权用户数据集中进行降维提取特征的效果,并且对所述加权用户数据集中的权重进行了归一化,提高了后续聚类的效率,通过进行两次聚类操作,得到行为特征簇集,能够提高聚类数据的准确性,更加容易把握数据的共同特点,从而提取出用户习惯,通过根据所述行为特征簇集提取出用户行为习惯组,能够将所述用户行为习惯组云端的大数据进行对比匹配,从而为用户提供更加舒适的智能家居控制方案,通过根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式,能够结合云端的大数据向用户提供更多人具有相同使用习惯的人群所共有的其余使用习惯,例如,在用户新购置智能家居设备时,能够从云端获取具有相同喜好的其余用户的设备使用习惯为用户进行模式切换,减少了用户自行设置的工作量,进而提高了智能家居控制的效率。因此本发明提出的基于大数据的智能家居控制方法、装置、电子设备及计算机可读存储介质,可以解决进行智能家居控制时的效率较低的问题。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于大数据的智能家居控制方法。所述基于大数据的智能家居控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于大数据的智能家居控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于大数据的智能家居控制方法的流程示意图。在本实施例中,所述基于大数据的智能家居控制方法包括:
S1、将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
本发明实施例中,所述智能家居设备可以是智能门锁、智能灯具、智能空调、智能加湿器、智能音箱以及智能电视等可以连接局域网进行调控的家庭电器。
具体地,所述用户行为组件是指记录用户使用情况的组件,例如智能家居设备的控制主机或者智能家居设备的云端控制设备。
详细地,所述用户行为数据是指用户的使用次数、设置模式、档位习惯等数据。
本发明实施例中,参照图2所示,所述通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集,包括:
S31、利用所述用户行为组件中的摄像头组件采集用户人像数据,利用所述用户行为组件中的指纹组件采集用户指纹数据,根据所述用户人像数据生成所述目标用户的用户年龄数据以及用户性别数据,并根据所述用户年龄数据、用户性别数据以及所述用户指纹数据生成用户列表;
S32、逐个从所述用户列表中选取用户作为目标用户,利用所述用户行为组件获取所述目标用户的灯光配置数据、温度配置数据、湿度配置数据以及影音配置数据;
S33、按照类别顺序将所述灯光配置数据、所述温度配置数据、所述湿度配置数据以及所述影音配置数据汇集成所述目标用户的用户行为数据,并将所有的所述用户行为数据汇集成所述用户行为数据集。
详细地,所述摄像头组件可以是智能摄像头或智能门卫,例如QR-HND-11303R-I或者DS-2CD3232(D)-I5。
具体地,所述指纹组件可以是智能门锁或智能灯具等家居设备上的指纹识别组件,例如WHL-3018B或者HOTATA-V86S。
详细地,所述根据所述用户年龄数据、用户性别数据以及所述用户指纹数据生成用户列表是指将所述用户人像数据与所述用户指纹数据进行匹配,从而确定所述家庭区域内用户的人数和用户ID。
具体地,所述灯光配置数据包括灯光开启时间段,光源亮度,以及光源色温等数据。
详细地,所述温度配置数据包括空调开启时间段,空调温度、地暖温度设定、以及对应时间点室外温度。
具体地,所述湿度配置数据包括加湿器开启时间段,加湿器档位、室内湿度以及室外湿度。
详细地,所述影音配置数据包括电视开启时间,频道选择数据,音量调节数据。
详细地,所述根据所述用户人像数据生成所述目标用户的用户年龄数据以及用户性别数据,包括:
从所述用户人像数据中提取出所述目标用户对应的初级头骨特征,利用预设的迭代算法对所述初级头骨特征进行迭代,得到次级头骨特征;
利用预设的性别分类器根据所述次级头骨特征进行分类,得到用户性别数据;
利用训练后的纹理提取模型提取出所述用户人像数据对应的肌肤纹理特征;
利用训练后的多模分类器根据所述肌肤纹理特征进行分类,得到初级年龄数据,统计所述初级年龄数据中频率最大的数据作为所述用户年龄数据。
具体地,可以利用训练后的卷积神经网络模型从所述用户人像数据中提取出所述目标用户对应的初级头骨特征。
详细地,所述迭代算法可以是Adaboost算法或决策树算法(GDBT,GradientBoosting Decision Tree)。
详细地,所述性别分类器可以是支持向量机(SVM,Support Vector Machine)或者长短期记忆网络(LSTM,Long Short-Term Memory)。
具体地,所述纹理提取模型是指利用纹理标签对卷积神经网络进行训练后得到的模型。
详细地,所述多模分类器可以是支持向量机(SVM,Support Vector Machine)或者决策树模型。
具体地,所述利用所述用户行为组件获取所述目标用户的灯光配置数据、温度配置数据、湿度配置数据以及影音配置数据,包括:
利用所述用户行为组件向所述智能设备群中的智能灯具发送灯光查询请求,从所述灯光查询请求的返回数据中提取出所述目标用户的灯光配置数据;
利用所述用户行为组件向所述智能设备群中的智能空调发送温度查询请求,从所述温度查询请求的返回数据中提取出所述目标用户的温度配置数据;
利用所述用户行为组件向所述智能设备群中的智能加湿器发送湿度查询请求,从所述湿度查询请求的返回数据中提取出所述目标用户的湿度配置数据;
利用所述用户行为组件向所述智能设备群中的智能电视发送影音查询请求,从所述影音查询请求的返回数据中提取出所述目标用户的影音配置数据。
本发明实施例中,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集,能够对用户进行区分,并获得每个用户的使用行为记录数据,从而为后续的提取用户使用习惯奠定了基础。
S2、利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集;
本发明实施例中,所述利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,包括:
逐个选取所述用户行为数据集中的用户行为数据作为目标用户数据,对所述目标用户数据进行向量化操作,得到目标数据向量,将所有的目标数据向量汇集成数据向量序列;
逐个选取所述数据向量序列中的数据向量作为第一数据向量,逐个选取所述标准数据向量序列中位于所述第一数据向量之后的数据向量作为第二数据向量,利用如下的行为相似度算法计算所述第一数据向量与所述第二数据向量之间的行为相似度:
其中,S是指所述行为相似度,n是指所述向量序列中每个数据向量的元素总数,i是指所述向量序列中每个数据向量的第i个元素,Ai是指所述第一数据向量中的第i个元素,Bi是指所述第二数据向量中的第i个元素,α是预设的基准系数,β是预设的平衡系数。
本发明实施例中,通过利用所述行为相似度算法计算所述第一数据向量与所述第二数据向量之间的行为相似度,能够考量所述数据向量中的每项元素的相关性,进而确定整体的相似度,提高了行为相似度的表征性。
具体地,所述对所述目标用户数据进行向量化操作,得到目标数据向量是指将所述目标用户数据的每个类型的数据作为向量的元素,从而构成数据向量。
详细地,所述基准系数可以是1或者0,所述平衡系数可以是2或者1。
详细地,所述根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,包括:
从所述用户行为数据集中删除数据值超出预设的用户数据阈值的数据,得到标准用户数据集;
逐个选取所述标准用户数据集中标准用户数据作为目标标准数据,从所述标准用户数据集中选取与所述目标标准数据的行为相似度大于预设的相似度阈值的标准用户数据组成初级相似数据组;
将所述目标标准数据添加至所述初级相似数据组中,得到次级相似数据组,并将所述次级相似数据组中的数据从所述标准用户数据集中删除;
将所述次级相似数据组中的数据元素的个数作为所述目标标准数据的权重,将所述目标标准数据和所述目标标准数据的权重添加至所述加权用户数据集中。
具体地,所述相似度阈值可以是0.75或0.8。
本发明实施例中,通过根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,能够将所述用户行为数据集中的可信度较差的数据删除,并对余下的数据进行归并,从而减少数据集中数据的数量,节约了后续用户行为特征的提取的计算资源,方便了后续的聚类。
S3、利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
本发明实施例中,参照图3所示,所述利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集,包括:
S41、从所述加权用户数据集中提取出对应的数据权重集,利用所述自映射模型对所述数据权重集中的权重进行归一化操作,得到标准权重集;
S42、按照数据类型对所述加权用户数据集进行分组,得到多个加权类型数据组;
S43、逐一选取所述加权类型数据组作为目标类型数据组,计算出所述目标类型数据组的数据均值,并将所述目标类型数据组中的每个数据元素减去所述数据均值,得到目标均值数据组;
S44、计算出所述目标均值数据组的均方差,将所述目标均值数据组中的每个数据元素除以所述均方差,得到标准类型数据组,将所有的标准类型数据组汇集成标准类型数据集;
S45、逐个从所述标准权重集中选取权重作为目标权重,从所述标准类型数据集中提取出与所述目标权重相对应的数据组成目标数据组,按照数据类型的顺序对所述目标数据组中的数据进行向量化操作,得到加权行为特征,并将所有的加权行为特征汇集成加权行为特征集。
本发明实施例中,所述利用所述自映射模型对所述数据权重集中的权重进行归一化操作,得到标准权重集是指将所述数据权重集中的权重等比例映射到0到1的区间,进而减轻聚类加权的计算量,提高聚类的速度。
本发明实施例中,通过利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集,可以将所述加权用户数据集中的数据分类型进行标准化,从而实现了对所述加权用户数据集中进行降维提取特征的效果,并且对所述加权用户数据集中的权重进行了归一化,提高了后续聚类的效率。
S4、利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
本发明实施例中,所述利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,包括:
将所述加权行为特征集中的加权行为特征按照权重由大到小的顺序汇集成加权向量序列;
按照序列顺序从所述加权向量序列中提取出预设常数个加权数据向量组成输入向量序列;
逐个选取所述输入向量序列中的加权数据向量作为第一加权向量,逐个选取所述加权向量序列中除所述第一加权向量之外的加权数据向量作为第二加权向量,利用预设的第一距离公式计算出所述第一加权向量与所述第二加权向量之间的向量距离;
选取与所述第一加权向量的向量距离最小的加权数据向量作为目标加权向量,将所述第一加权向量与所述目标加权向量之间的向量距离作为目标向量距离;
根据所述目标向量距离计算出所述第一加权向量的邻域半径,将所有与所述第一加权向量的向量距离小于所述邻域半径的加权数据向量汇集成邻域向量组;
利用预设的迭代算法对所述邻域向量组中各加权数据向量的权重进行更新,得到所述第一加权向量对应的初级特征簇,并将所有的初级特征簇汇集成初级特征簇集。
具体地,所述预设常数可以是所述第一加权向量的向量元素总数。
详细地,所述根据所述目标向量距离计算出所述第一加权向量的邻域半径是指将所述目标向量距离乘以预设的邻域倍率得到所述邻域半径,其中邻域倍率可以是1.5或2。
具体地,所述迭代算法可以是最小二乘法或者最速下降法。
详细地,所述利用预设的第一距离公式计算出所述第一加权向量与所述第二加权向量之间的向量距离,包括:
从所述第一加权向量中提取出向量的加权元素总数,将所述第一加权向量对应的权重作为第一权重,将所述第二加权向量对应的权重作为第二权重;
利用如下的第一距离公式根据所述加权元素总数、所述第一权重以及所述第二权重计算出所述第一加权向量与所述第二加权向量之间的向量距离:
其中,L是指所述向量距离,arccos是反余弦函数,m是指所述加权元素总数,j是指第j个加权元素,Cj是指所述第一加权向量中第j个加权元素的数值,Dj指所述第二加权向量中第j个加权元素的数值,δ是所述第二权重,γ是所述第一权重。
本发明实施例中,通过利用所述第一距离公式根据所述加权元素总数、所述第一权重以及所述第二权重计算出所述第一加权向量与所述第二加权向量之间的向量距离,能够有效地引入权重增加向量之间的差距,同时将向量距离限制在较小的范围内,进而提高聚类计算的效率。
详细地,所述利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,包括:
逐个选取所述初级特征簇集中的初级特征簇作为目标特征簇,在所述目标特征簇中选取一个加权数据向量作为簇心加权向量;
逐个选取所述初级特征簇集中除所述簇心加权向量之外的加权数据向量作为第三加权向量,利用如下的第二距离公式计算出所述簇心加权向量与所述第三数据向量之间的最终向量距离:
其中,J是指所述最终向量距离,ρ是指所述第三加权向量的权重,σ是指所述簇心加权向量的权重,o是指所述簇心加权向量中的向量元素的总数,k是指第k个向量元素,Ek是指所述簇心加权向量中第k个向量元素,Fk是指所述第三加权向量中第k个向量元素;
根据所述最终向量距离对所述初级特征簇集进行特征聚类,得到行为特征簇集。
详细地,通过利用所述第二距离公式计算出所述簇心加权向量与所述第三数据向量之间的最终向量距离,能够进一步对所述初级特征簇集进行区别划分,从而提高聚类的精确度。
详细地,所述根据所述最终向量距离对所述初级特征簇集进行特征聚类,得到行为特征簇集的方法与上述步骤S4中的利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集的步骤一致,这里不再赘述。
具体地,所述根据所述行为特征簇集提取出用户行为习惯组,包括:
将所述行为特征簇集中的每个特征簇在所述用户行为数据集上进行反映射操作,得到习惯数据簇;
根据所述用户行为数据集对所述习惯数据簇进行特征标注,得到所述行为特征簇集所对应的行为习惯,将所有的所述行为习惯汇集成用户行为习惯组。
本发明实施例中,通过进行两次聚类操作,得到行为特征簇集,能够提高聚类数据的准确性,更加容易把握数据的共同特点,从而提取出用户习惯,通过根据所述行为特征簇集提取出用户行为习惯组,能够将所述用户行为习惯组云端的大数据进行对比匹配,从而为用户提供更加舒适的智能家居控制方案。
S5、从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
本发明实施例中,所述数据云端可以存储大量用户的用户行为习惯的存储云盘。
本发明实施例中,所述根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,包括:
从所述用户行为习惯组中提取出习惯关键字,利用所述习惯关键字在所述在线行为习惯组中进行检索,得到匹配行为习惯组;
从所述匹配行为习惯组中筛选出不包含所述习惯关键字的用户习惯作为新增习惯;
将所述新增习惯添加至所述用户行为习惯组中,得到标准用户习惯组。
详细地,可以利用文本分词的方式从所述用户行为习惯组中提取出习惯关键字。
具体地,可以利用所述习惯关键字通过select语句和正则表达式在所述在线行为习惯组中进行检索,得到匹配行为习惯组。
详细地,所述从所述匹配行为习惯组中筛选出不包含所述习惯关键字的用户习惯作为新增习惯是指将不包含所述习惯关键字的用户习惯按照出现频次进行排列,选取出频次较大的若干用户习惯作为新增习惯。
本发明实施例中,通过根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式,能够结合云端的大数据向用户提供更多人具有相同使用习惯的人群所共有的其余使用习惯,例如,在用户新购置智能家居设备时,能够从云端获取具有相同喜好的其余用户的设备使用习惯,从而为用户提供更好地使用体验,进而提高了智能家居控制的效率。
本发明实施例通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集,能够对用户进行区分,并获得每个用户的使用行为记录数据,从而为后续的提取用户使用习惯奠定了基础,通过根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,能够将所述用户行为数据集中的可信度较差的数据删除,并对余下的数据进行归并,从而减少数据集中数据的数量,节约了后续用户行为特征的提取的计算资源,方便了后续的聚类;通过利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集,可以将所述加权用户数据集中的数据分类型进行标准化,从而实现了对所述加权用户数据集中进行降维提取特征的效果,并且对所述加权用户数据集中的权重进行了归一化,提高了后续聚类的效率,通过进行两次聚类操作,得到行为特征簇集,能够提高聚类数据的准确性,更加容易把握数据的共同特点,从而提取出用户习惯,通过根据所述行为特征簇集提取出用户行为习惯组,能够将所述用户行为习惯组云端的大数据进行对比匹配,从而为用户提供更加舒适的智能家居控制方案,通过根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式,能够结合云端的大数据向用户提供更多人具有相同使用习惯的人群所共有的其余使用习惯,例如,在用户新购置智能家居设备时,能够从云端获取具有相同喜好的其余用户的设备使用习惯为用户进行模式切换,减少了用户自行设置的工作量,进而提高了智能家居控制的效率。因此本发明提出的基于大数据的智能家居控制方法,可以解决进行智能家居控制时的效率较低的问题。
如图4所示,是本发明一实施例提供的基于大数据的智能家居控制装置的功能模块图。
本发明所述基于大数据的智能家居控制装置100可以安装于电子设备中。根据实现的功能,所述基于大数据的智能家居控制装置100可以包括数据采集模块101、数据归并模块102、带权映射模块103、习惯提取模块104及模式切换模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据采集模块101,用于将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
所述数据归并模块102,用于利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集,其中,所述利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,包括:逐个选取所述用户行为数据集中的用户行为数据作为目标用户数据,对所述目标用户数据进行向量化操作,得到目标数据向量,将所有的目标数据向量汇集成数据向量序列;逐个选取所述数据向量序列中的数据向量作为第一数据向量,逐个选取所述标准数据向量序列中位于所述第一数据向量之后的数据向量作为第二数据向量,利用如下的行为相似度算法计算所述第一数据向量与所述第二数据向量之间的行为相似度:
其中,S是指所述行为相似度,n是指所述向量序列中每个数据向量的元素总数,i是指所述向量序列中每个数据向量的第i个元素,Ai是指所述第一数据向量中的第i个元素,Bi是指所述第二数据向量中的第i个元素,α是预设的基准系数,β是预设的平衡系数;
所述带权映射模块103,用于利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
所述习惯提取模块104,用于利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
所述模式切换模块105,用于从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
详细地,本发明实施例中所述基于大数据的智能家居控制装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于大数据的智能家居控制方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于大数据的智能家居控制方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于大数据的智能家居控制程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于大数据的智能家居控制程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于大数据的智能家居控制程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据的智能家居控制程序是多个指令的组合,在所述处理器10中运行时,可以实现:
将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集;
利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
将预设家庭区域中所有的智能家居设备汇集成智能设备群,通过所述智能设备群中的用户行为组件采集用户行为数据,得到用户行为数据集;
利用预设的行为相似度算法计算所述用户行为数据集中用户行为数据之间的相似度,并根据所述相似度对所述用户行为数据集进行数据归并,得到加权用户数据集;
利用预设的自映射模型对所述加权用户数据集进行带权映射,得到加权行为特征集;
利用预设的加权聚类算法对所述加权行为特征集进行特征聚类,得到初级特征簇集,利用嵌套聚类算法对所述初级特征簇集进行特征聚类,得到行为特征簇集,并根据所述行为特征簇集提取出用户行为习惯组;
从预设的数据云端中获取在线行为习惯组,根据所述在线行为习惯组对所述用户行为习惯组进行更新,得到标准用户习惯组,并根据所述标准用户习惯组切换所述智能家居设备的工作模式。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。