CN105318499A - 用户行为自学习空调系统及其控制方法 - Google Patents

Abstract

本发明公开了一种用户行为自学习空调系统及其控制方法，用户行为自学习空调系统包括至少一个空调器、通信装置、通过通信装置与每个空调器进行通信的智能控制装置，智能控制装置包括信息采集模块、信息处理模块和行为预测模块，控制方法包括以下步骤：信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库；信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，并根据用户行为规律生成用户行为模型；行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。由此，通过不断学习自动优化用户行为规律，可有效预测用户行为，并智能地控制空调器。

Description

用户行为自学习空调系统及其控制方法

技术领域

本发明设计空调器技术领域，特别涉及一种用户行为自学习空调系统的控制方法以及一种用户行为自学习空调系统。

背景技术

日常生活中，人们使用空调常常遇到这些情况：上班时每次都要手动关闭家里的空调、下班后每次都要手动关闭办公室的空调、晚上睡觉时每次都要手动打开卧室空调等，给用户带来很大的不便。

发明内容

本申请是基于以下认识提出的：虽然有少数人行为活动不规律，但大多数人遵循着简单的重复模式。一项发表在《科学》杂志上的研究发现，93％的人类行为是可以预测的，预测方式是根据个体之前的行为轨迹预测个体未来的行为内容。

基于此，本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种用户行为自学习空调系统的控制方法，通过不断学习自动优化用户行为规律，可以按照用户的行为规律智能地控制空调器。

本发明的另一个目的在于提出一种用户行为自学习空调系统。

为达到上述目的，本发明一方面实施例提出了一种用户行为自学习空调系统的控制方法，所述用户行为自学习空调系统包括至少一个空调器、通信装置、通过所述通信装置与每个空调器进行通信的智能控制装置，所述智能控制装置包括信息采集模块、信息处理模块和行为预测模块，所述控制方法包括以下步骤：所述信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库；所述信息处理模块对所述用户行为数据库进行分析和处理以获取用户行为规律，并根据所述用户行为规律生成用户行为模型；所述行为预测模块根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，以根据所述相应控制参数控制对应的空调器。

根据本发明实施例提出的用户行为自学习空调系统的控制方法，通过信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库，并通过信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，然后根据用户行为规律生成用户行为模型，最后，行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。由此，该方法通过不断学习自动优化用户行为规律，可有效预测用户行为，并按照用户行为规律智能地控制空调器，例如可以智能地打开/关闭用户想要打开/关闭的空调器，为用户带来更好的便利和体验，并且该方法具有很强的实用性，也为家电智能化发展提供有益地探索。

根据本发明的一些实施例，所述控制信息包括控制对象、控制时间点和控制指令。

根据本发明的一些实施例，所述用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

根据本发明的一些实施例，所述行为预测模块根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，具体包括：所述行为预测模块根据所述用户行为模型和当前所处时间段计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断；如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，所述行为预测模块则生成控制该空调器开机的控制参数；如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，所述行为预测模块则生成控制该空调器关机的控制参数。

根据本发明的一些实施例，所述的用户行为自学习空调系统的控制方法还包括：实时更新所述用户行为模型。

为达到上述目的，本发明另一方面实施例还提出了一种用户行为自学习空调系统，包括：至少一个空调器；通信装置，所述通信装置与每个空调器相连；智能控制装置，所述智能控制装置与所述通信装置相连以通过所述通信装置与每个空调器进行通信，所述智能控制装置包括信息采集模块、信息处理模块和行为预测模块，其中，所述信息采集模块用于实时采集用户对每个空调器的控制信息以形成用户行为数据库，所述信息处理模块用于对所述用户行为数据库进行分析以获取用户行为规律，并根据所述用户行为规律生成用户行为模型，所述行为预测模块用于根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，以根据所述相应控制参数控制对应的空调器。

根据本发明实施例提出的用户行为自学习空调系统，通过信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库，并通过信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，然后根据用户行为规律生成用户行为模型，最后，行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。由此，该系统通过不断学习自动优化用户行为规律，可有效预测用户行为，并按照用户行为规律智能地控制空调器，例如可以智能地打开/关闭用户想要打开/关闭的空调器，为用户带来更好的便利和体验，并且该系统具有很强的实用性，也为家电智能化发展提供有益地探索。

根据本发明的一些实施例，所述控制信息包括控制对象、控制时间点和控制指令。

根据本发明的一些实施例，所述用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

根据本发明的一些实施例，所述行为预测模块进一步根据所述用户行为模型和当前所处时间段判断计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断，其中，如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，所述行为预测模块则生成控制该空调器开机的控制参数；如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，所述行为预测模块则生成控制该空调器关机的控制参数。

根据本发明的一些实施例，所述智能控制装置还用于实时更新所述用户行为模型。

附图说明

图1是根据本发明实施例的用户行为自学习空调系统的控制方法的流程图；

图2是根据本发明一个实施例的用户行为自学习空调系统的控制方法的流程图；

图3是根据本发明实施例的用户行为自学习空调系统的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图来描述本发明实施例提出的用户行为自学习空调系统的控制方法以及执行该方法的用户行为自学习空调系统。

图1是根据本发明实施例的用户行为自学习空调系统的控制方法的流程图。用户行为自学习空调系统包括至少一个空调器、通信装置、通过通信装置与每个空调器进行通信的智能控制装置，即言，至少一个空调器与智能控制装置之间通过通信装置进行通信，通信方式可采用CAN总线通信或者串行通信方式。智能控制装置包括信息采集模块、信息处理模块和行为预测模块。如图1所示，控制方法包括以下步骤：

S1：信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库。

其中，控制信息包括控制对象、控制时间点和控制指令。

需要说明的是，控制对象可以是指空调器的标识信息，控制指令可以是指用户向相应的空调器输入的指令例如开机指令或关机指令等，控制时间点可以是指接收到控制指令即用户输入的指令的时间点，这样针对每个控制对象(空调器)，实时采集用户输入的控制指令和接收该控制指令的控制时间点并存储至相应的位置，从而形成用户行为数据库。

具体而言，信息采集模块可针对用户使用的每一台空调，采集空调器接收到的控制指令和相应的控制时间点，例如开机指令和相应的开机时间、关机指令和相应的关机时间，从而形成实时更新的最近N天缓存的用户行为数据库。

举例来说，假设用户行为自学习空调系统包括空调器1和空调器2，用户在时间点1输入向空调器1输入开机指令、在时间点2向空调器1输入温度设定指令，并在时间点3向空调器1输入关机指令。然后用户在时间点4向空调器2输入开机指令、并在时间点5向空调器2输入风档设定指令，并在时间点6向空调器2输入关机指令，这样可形成如下表1所示的用户行为数据库：

表1

应当理解的是，以上示例仅例举了部分控制指令，用户行为数据库也可包括控制其他控制指令。

S2：信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，并根据用户行为规律生成用户行为模型。

其中，用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

也就是说，在缓存用户行为数据库之后，可先判断用户行为数据库中是否缓存有至少M(M大于0且小于等于N)天的有效记录，如果否，则继续缓存用户行为数据库；如果是，则将空调器运行时间分为多个时间段，然后根据选取出的部分行为数据库，并通过统计分析来计算出每个时间段内每个空调器的使用概率和相应地运行参数，以此作为用户行为模型。

举例来说，将一天内空调器的运行时间分为24个时间段，即每个小时作为一个时间段，假设在晚八点到晚九点，空调器在这一个小时内以制冷模式运行了54分钟，那么在该时间段内空调器的使用概率为54/60＝90％，并且运行模式为制冷模式。

S3：行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。

也就是说，在每个时间段，行为预测模块均可根据用户行为模型获取相应时间段每个空调器的控制参数，并根据控制参数控制对应的空调器。

根据本发明的一个具体实施例，如图2所示，行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，具体包括：行为预测模块根据用户行为模型和当前所处时间段计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断；如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，行为预测模块则生成控制该空调器开机的控制参数；如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，行为预测模块则生成控制该空调器关机的控制参数。

如上上述，本发明实施例的控制方法，首先在用户对空调器进行控制的过程中，通过信息采集模块对用户的控制行为进行采集和存储；然后信息处理模块对采集到的用户控制行为进行分析以计算出各时间段每个空调器的使用概率，以形成用户行为模型；最后，在每个时间段开始时，行为预测模块根据用户行为模型获取当前时间段每个空调器的使用概率，并将使用概率与开机/关机阈值进行比较，并根据比较结果控制空调器开机/关机。

由此，本发明实施例的控制方法采用机器学习与行为预测技术，通过对用户使用空调的行为数据进行采集存储，然后基于时间进行统计分析得出用户行为规律，并根据用户行为规律控制空调器。从而，通过周而复始的采集、处理，实现用户行为自学习，能有效预测用户行为，使空调器智能化、实用性强，例如可以智能地打开/关闭用户想要打开/关闭的空调器，给用户很好的便利和体验。

下面以控制空调器开机关机为例来详细描述本发明实施例的控制方法。

针对用户使用的每一台空调器，采集空调器接收到的开机指令和相应的开机时间、关机指令和相应的关机时间，从而形成实时更新的最近十天缓存数据库。

对用户使用每个空调器的时间进行划分以确定每个空调器运行的时间段例如一个小时，信息处理模块根据最近十天缓存数据库中的至少三天有效记录，通过统计分析来计算一天内每个小时的每个空调器的使用频次，以确定一天内每个小时各空调器的使用概率，以此作为用户使用空调器的行为模型。

每逢整点时，行为预测模块根据用户的空调使用行为模型和当前所处时间段计算出当前时间段各空调器的使用概率，当使用概率大于或等于预设的开机阈值例如80％时，控制相应的空调器开机，当使用概率小于或等于预设的关机阈值例如20％时，控制相应的空调器关机。

更具体的，如图2所示，本发明实施例的控制方法包括以下步骤：

S101：实时采集用户使用每个空调器的行为信息并缓存，以形成用户行为数据库。

S102：判断用户行为数据库是否缓存有至少3天的有效记录。

如果是，则执行步骤S103；如果否，则返回步骤S101。

S103：对缓存的用户行为数据库进行分析，计算每个空调器在各个时间段的使用概率，生成用户行为模型。

S104：判断是否到每个时间段的开始时间点。

如果是，则执行步骤S105；如果否，则返回步骤S101。

S105：根据用户行为模型获取计算当前时间段每个空调器的使用概率。

S106：控制使用概率大于或等于80％的空调器开机，控制使用概率小于或等于20％的空调器关机。

进一步地，根据本发明的一个实施例，用户行为自学习空调系统的控制方法还包括：实时更新用户行为模型。

也就是说，在生成用户行为模型之后，可继续通过信息采集模块采集用户对空调器的控制信息，然后通过信息处理模块修改用户行为模型，以使用户行为模型不断完善，从而实现用户行为机器学习和自动优化。

具体而言，在完成行为预测模块的预测控制之后，将继续信息采集模块的采集操作，并通过信息处理模块重新计算每个空调器在各时间段的使用概率，以修改用户行为模型。

需要说明的是，用户可对用户行为模型中的预测结果进行调整。信息采集模块还可采集用户对预测结果的调整指令，当采集到用户对预测结果做出调整时，信息处理模块可判断每个空调器在各个时间段的使用概率是否出现异常，如果出现异常通过预设惩罚因子对异常的使用概率做出惩罚，根据预设惩罚因子翻倍修正相应的使用概率，以进一步优化用户行为模型。

应当理解的是，上述实施例描述的空调器、通信装置和智能控制装置之间的关系是逻辑关系，通信装置可以在物理上与空调器集成在一起，智能控制装置也可以在物理上与空调器集成在一起，即言，在物理实现上，空调器、通信装置和智能控制装置组成的系统可以适当调整或者改变。

另外，需要说明的是，信息采集模块缓存用户行为数据库的时长、信息处理模块计算用户行为模型所划分的时间段、以及行为预测模块设定的开机阈值/关机阈值，均可根据实际应用场景进行适当调整。

综上所述，根据本发明实施例提出的用户行为自学习空调系统的控制方法，通过信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库，并通过信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，然后根据用户行为规律生成用户行为模型，最后，行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。由此，该方法通过不断学习自动优化用户行为规律，可有效预测用户行为，并按照用户行为规律智能地控制空调器，例如可以智能地打开/关闭用户想要打开/关闭的空调器，为用户带来更好的便利和体验，并且该方法具有很强的实用性，也为家电智能化发展提供有益地探索。

为执行上述实施例的方法，本发明实施例还提出了一种用户行为自学习空调系统。

图3是根据本发明实施例的用户行为自学习空调系统的方框示意图。如图3所示，用户行为自学习空调系统包括：至少一个空调器10、通信装置20、智能控制装置30。

其中，通信装置20与每个空调器相连；智能控制装置30与通信装置20相连以通过通信装置20与每个空调器进行通信。即言，至少一个空调器10与智能控制装置30之间通过通信装置20进行通信，通信方式可采用CAN总线通信或者串行通信方式。

智能控制装置30包括信息采集模块301、信息处理模块302和行为预测模块303，其中，信息采集模块301用于实时采集用户对每个空调器的控制信息以形成用户行为数据库，信息处理模块302用于对用户行为数据库进行分析以获取用户行为规律，并根据用户行为规律生成用户行为模型，行为预测模块303用于根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。

其中，控制信息包括控制对象、控制时间点和控制指令。

需要说明的是，控制对象可以是指空调器的标识信息，控制指令可以是指用户向相应的空调器输入的指令例如开机指令或关机指令等，控制时间点可以是指接收到控制指令即用户输入的指令的时间点，这样针对每个控制对象(空调器)，信息采集模块301实时采集用户输入的控制指令和接收该控制指令的控制时间点并存储至相应的位置，从而形成用户行为数据库。

具体而言，信息采集模块301可针对用户使用的每一台空调，采集空调器接收到的控制指令和相应的控制时间点，例如开机指令和相应的开机时间、关机指令和相应的关机时间，从而形成实时更新的最近N天缓存的用户行为数据库。

举例来说，假设用户行为自学习空调系统包括空调器1和空调器2，用户在时间点1输入向空调器1输入开机指令、在时间点2向空调器1输入温度设定指令，并在时间点3向空调器1输入关机指令。然后用户在时间点4向空调器2输入开机指令、并在时间点5向空调器2输入风档设定指令，并在时间点6向空调器2输入关机指令，这样信息采集模块301可形成如下表1所示的用户行为数据库：

表1

应当理解的是，以上示例仅例举了部分控制指令，用户行为数据库也可包括控制其他控制指令。

其中，用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

也就是说，在缓存用户行为数据库之后，信息处理模块302可先判断用户行为数据库中是否缓存有至少M(M大于0且小于等于N)天的有效记录，如果否，则信息采集模块301继续缓存用户行为数据库；如果是，信息处理模块302则将空调器运行时间分为多个时间段，然后根据选取出的部分行为数据库，并通过统计分析来计算出每个时间段内每个空调器的使用概率和相应地运行参数，以此作为用户行为模型。

举例来说，将一天内空调器的运行时间分为24个时间段，即每个小时作为一个时间段，假设在晚八点到晚九点，空调器在这一个小时内以制冷模式运行了54分钟，那么在该时间段内空调器的使用概率为54/60＝90％，并且运行模式为制冷模式。

根据本发明的一个具体实施例，行为预测模块303进一步根据用户行为模型和当前所处时间段判断计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断，其中，如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，行为预测模块303则生成控制该空调器开机的控制参数；如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，行为预测模块303则生成控制该空调器关机的控制参数。

如上上述，本发明实施例的系统，首先在用户对空调器进行控制的过程中，通过信息采集模块301对用户的控制行为进行采集和存储；然后信息处理模块302对采集到的用户控制行为进行分析以计算出各时间段每个空调器的使用概率，以形成用户行为模型；最后，在每个时间段开始时，行为预测模块303根据用户行为模型获取当前时间段每个空调器的使用概率，并将使用概率与开机/关机阈值进行比较，并根据比较结果控制空调器开机/关机。

由此，本发明实施例的系统采用机器学习与行为预测技术，通过对用户使用空调的行为数据进行采集存储，然后基于时间进行统计分析得出用户行为规律，并根据用户行为规律控制空调器。从而，通过周而复始的采集、处理，实现用户行为自学习，能有效预测用户行为，使空调器智能化、实用性强，例如可以智能地打开/关闭用户想要打开/关闭的空调器，给用户很好的便利和体验。

下面以控制空调器开机关机为例来详细描述本发明实施例的系统。

针对用户使用的每一台空调器，信息采集模块301采集空调器接收到的开机指令和相应的开机时间、关机指令和相应的关机时间，从而形成实时更新的最近十天缓存数据库。

对用户使用每个空调器的时间进行划分以确定每个空调器运行的时间段例如一个小时，信息处理模块303根据最近十天缓存数据库中的至少三天有效记录，通过统计分析来计算一天内每个小时的每个空调器的使用频次，以确定一天内每个小时各空调器的使用概率，以此作为用户使用空调器的行为模型。

每逢整点时，行为预测模块303根据用户的空调使用行为模型和当前所处时间段计算出当前时间段各空调器的使用概率，当使用概率大于或等于预设的开机阈值例如80％时，控制相应的空调器开机，当使用概率小于或等于预设的关机阈值例如20％时，控制相应的空调器关机。

进一步地，根据本发明的一个实施例，智能控制装置30还用于实时更新用户行为模型。

也就是说，在生成用户行为模型之后，可继续通过信息采集模块301采集用户对空调器的控制信息，然后通过信息处理模块302修改用户行为模型，以使用户行为模型不断完善，从而实现用户行为机器学习和自动优化。

具体而言，在完成行为预测模块303的预测控制之后，将继续信息采集模块301的采集操作，并通过信息处理模块302重新计算每个空调器在各时间段的使用概率，以修改用户行为模型。

需要说明的是，用户可对用户行为模型中的预测结果进行调整。信息采集模块301还可采集用户对预测结果的调整指令，当采集到用户对预测结果做出调整时，信息处理模块302可判断每个空调器在各个时间段的使用概率是否出现异常，如果出现异常通过预设惩罚因子对异常的使用概率做出惩罚，根据预设惩罚因子翻倍修正相应的使用概率，以进一步优化用户行为模型。

应当理解的是，上述实施例描述的空调器、通信装置20和智能控制装置30之间的关系是逻辑关系，通信装置20可以在物理上与空调器集成在一起，智能控制装置30也可以在物理上与空调器集成在一起，即言，在物理实现上，空调器、通信装置20和智能控制装置30组成的系统可以适当调整或者改变。

另外，需要说明的是，信息采集模块301缓存用户行为数据库的时长、信息处理模块302计算用户行为模型所划分的时间段、以及行为预测模块303设定的开机阈值/关机阈值，均可根据实际应用场景进行适当调整。

综上所述，根据本发明实施例提出的用户行为自学习空调系统，通过信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库，并通过信息处理模块对用户行为数据库进行分析和处理以获取用户行为规律，然后根据用户行为规律生成用户行为模型，最后，行为预测模块根据用户行为模型预测用户对每个空调器的控制行为以生成相应控制参数，以根据相应控制参数控制对应的空调器。由此，该系统通过不断学习自动优化用户行为规律，可有效预测用户行为，并按照用户行为规律智能地控制空调器，例如可以智能地打开/关闭用户想要打开/关闭的空调器，为用户带来更好的便利和体验，并且该系统具有很强的实用性，也为家电智能化发展提供有益地探索。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系，除非另有明确的限定。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。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种用户行为自学习空调系统的控制方法，其特征在于，所述用户行为自学习空调系统包括至少一个空调器、通信装置、通过所述通信装置与每个空调器进行通信的智能控制装置，所述智能控制装置包括信息采集模块、信息处理模块和行为预测模块，所述控制方法包括以下步骤：

所述信息采集模块实时采集用户对每个空调器的控制信息以形成用户行为数据库；

所述信息处理模块对所述用户行为数据库进行分析和处理以获取用户行为规律，并根据所述用户行为规律生成用户行为模型；

所述行为预测模块根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，以根据所述相应控制参数控制对应的空调器。

2.根据权利要求1所述的用户行为自学习空调系统的控制方法，其特征在于，所述控制信息包括控制对象、控制时间点和控制指令。

3.根据权利要求1或2所述的用户行为自学习空调系统的控制方法，其特征在于，所述用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

4.根据权利要求3所述的用户行为自学习空调系统的控制方法，其特征在于，所述行为预测模块根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，具体包括：

所述行为预测模块根据所述用户行为模型和当前所处时间段计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断；

如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，所述行为预测模块则生成控制该空调器开机的控制参数；

如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，所述行为预测模块则生成控制该空调器关机的控制参数。

5.根据权利要求1-4中任一项所述的用户行为自学习空调系统的控制方法，其特征在于，还包括：

实时更新所述用户行为模型。

6.一种用户行为自学习空调系统，其特征在于，包括：

至少一个空调器；

通信装置，所述通信装置与每个空调器相连；

智能控制装置，所述智能控制装置与所述通信装置相连以通过所述通信装置与每个空调器进行通信，所述智能控制装置包括信息采集模块、信息处理模块和行为预测模块，其中，所述信息采集模块用于实时采集用户对每个空调器的控制信息以形成用户行为数据库，所述信息处理模块用于对所述用户行为数据库进行分析以获取用户行为规律，并根据所述用户行为规律生成用户行为模型，所述行为预测模块用于根据所述用户行为模型预测所述用户对每个空调器的控制行为以生成相应控制参数，以根据所述相应控制参数控制对应的空调器。

7.根据权利要求6所述的用户行为自学习空调系统，其特征在于，所述控制信息包括控制对象、控制时间点和控制指令。

8.根据权利要求6或7所述的用户行为自学习的空调系统，其特征在于，所述用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的运行参数和每个空调器在各个时间段的使用概率。

9.根据权利要求8所述的用户行为自学习空调系统，其特征在于，所述行为预测模块进一步根据所述用户行为模型和当前所处时间段判断计算当前时间段每个空调器的使用概率，并对当前时间段每个空调器的使用概率进行判断，其中，

如果当前时间段任意一个空调器的使用概率大于或等于预设的开机阈值，所述行为预测模块则生成控制该空调器开机的控制参数；

如果当前时间段任意一个空调器的使用概率小于或等于预设的关机阈值，所述行为预测模块则生成控制该空调器关机的控制参数。

10.根据权利要求6-9中任一项所述的用户行为自学习空调系统，其特征在于，所述智能控制装置还用于实时更新所述用户行为模型。