CN105652677B - 一种基于用户行为分析的智能家居控制方法、装置和系统 - Google Patents
一种基于用户行为分析的智能家居控制方法、装置和系统 Download PDFInfo
- Publication number
- CN105652677B CN105652677B CN201610100461.5A CN201610100461A CN105652677B CN 105652677 B CN105652677 B CN 105652677B CN 201610100461 A CN201610100461 A CN 201610100461A CN 105652677 B CN105652677 B CN 105652677B
- Authority
- CN
- China
- Prior art keywords
- household
- group
- control
- sequence
- control sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 238000004378 air conditioning Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于用户行为分析的智能家居控制方法，用于对用户于智能家居中的操作行为进行分析，并根据分析结果对智能家居系统进行智能化控制。本发明方法包括：记录第一控制序列及其对应的家居状态序列；利用神经网络算法预测在相同家居状态序列下的第二控制序列；获取第二控制序列与第一控制序列不相同的差别控制序列；统计差别控制序列中的具体控制动作并获取对应的多个家居状态序列，并对多个家居状态序列进行投影，得到家居条件的状态边界；将家居条件状态边界组成的序列作为触发状态序列；当当前家居条件的状态满足任一触发状态序列时，推荐用户执行对应的具体控制动作。通过实施本发明技术方案，能够实现智能家居系统的智能化控制。
Description
技术领域
本发明涉及物联网智能家居技术领域，具体涉及一种基于用户行为分析的智能家居控制方法和系统。
背景技术
在传统家居中，用户是家居设计的中心，家居中的装潢、布局等均根据用户喜好进行设计。在日常生活中用户根据自身需要打开窗户、打开电视、关闭窗帘、打开灯光等即是通过对家居状态的物理改变来获得想要的家居体验。随着物联网技术的发展，物-物互联的概念深刻影响人类社会的工商业领域乃至生活起居，智能家居技术就是物联网技术与家居设计相结合的新兴技术，让家居“活”起来，更好地为用户服务。
目前，智能家居设备由用户进行主动控制。请参见图1，在智能家居中，家居设备10通过自带的通信模块101连接网络接入设备11，从而接入通信网络中，用户可以通过连接通信网络的用户设备12（UE，User Equipment）远程控制家居设备10。例如，在炎热的夏天，用户在回家途中通过UE控制家中的空调启动，从而提前将室温降低到目标的适宜温度，节省了回到家中再开启空调的等待时间，又提高了用户体验。进一步的，请参见图2，在智能家居中，家居设备20通过自带的通信模块201连接网络接入设备21，从而接入通信网络中，另外，家居设备20还内置触发模块202，用户通过连接网络接入设备21的用户设备22向家居设备20中的触发模块202配置触发条件和预设操作，当触发模块202判定触发条件成立时，触发家居设备20执行预设操作。通过上述技术方案实现了智能家居系统的远程控制和自动执行操作。
但是，在上述技术方案中，智能家居系统执行操作需要由用户远程控制或由用户预设触发条件，使得用户控制方式更加灵活，但其本质仍然是用户主动控制，实际上智能家居系统并未实现智能化。
发明内容
有鉴于此，本发明实施例提供了一种基于用户行为分析的智能家居控制方法和系统，用于对用户于智能家居中的操作行为进行分析，并根据分析结果对智能家居系统进行智能化控制，进而实现智能家居系统的智能化控制。
一种智能家居控制方法，包括：
记录N组第一控制序列及其对应的N组家居状态序列，所述第一控制序列包括一个或多个针对智能家居设备的控制动作，所述家居状态序列包括n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态；
根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列，所述第二控制序列包括一个或多个在对应家居状态下用户可能对智能家居设备的控制动作；
按次序对所述N组第二控制序列和所述N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列；
根据控制动作的具体类型，统计所述M组差别控制序列中的m个具体控制动作；
获取所述m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影，得到n个家居条件的状态边界；
将每个具体控制动作对应的n个家居条件状态边界组成的序列作为所述m个具体控制动作对应的m个触发状态序列；
当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
优选地，所述根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列包括：将所述N组家居状态序列作为输入，将所述N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器；将所述N组家居状态序列输入所述分类器，输出对应的N组第二控制序列。
优选地，所述N不少于1000；所述控制动作包括：空调开/关、加湿器开/关、干燥器开/关、窗户开/关、窗帘开/关、热水器开/关、灯光开/关、电视开/关；所述家居条件的状态包括：室外温度、天气状况、室内温度、用户外出、时间段、室内亮度。
优选地，所述人工神经网络为BP神经网络。
一种智能家居控制装置，包括：
记录单元，用于记录N组第一控制序列及其对应的N组家居状态序列，所述第一控制序列包括一个或多个针对智能家居设备的控制动作，所述家居状态序列包括n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态；
预测单元，用于根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列，所述第二控制序列包括一个或多个在对应家居状态下用户可能对智能家居设备的控制动作；
比较单元，用于按次序对所述N组第二控制序列和所述N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列；
统计单元，用于根据控制动作的具体类型，统计所述M组差别控制序列中的m个具体控制动作；
投影单元，用于获取所述m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影，得到n个家居条件的状态边界；
生成单元，用于将每个具体控制动作对应的n个家居条件状态边界组成的序列作为所述m个具体控制动作对应的m个触发状态序列；
触发单元，用于当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
优选地，所述预测单元包括：
训练子单元，将所述N组家居状态序列作为输入，将所述N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器；
传输子单元，用于将所述N组家居状态序列输入所述分类器，输出对应的N组第二控制序列。
优选地，所述训练子单元所利用的人工神经网络为BP神经网络。
一种智能家居系统，包括：
多个智能家居设备，用于受用户控制而向用户提供智能家居服务；以及如上所述的智能家居控制装置。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明技术方案收集用户控制数据及其对应的家居状态，利用神经网络算法学习训练上述数据，预测在相同的家居状态下用户可能发生的用户控制行为，通过对比收集的用户控制数据和预测的用户控制行为并进行进一步处理，获取具体控制动作对应的家居条件状态边界，并将该边界作为智能化控制的触发条件，从而实现智能家居系统的智能化控制。根据用户实测反馈，本发明技术方案能够有效提供较好的家居智能化控制体验。
附图说明
图1为现有一种技术智能家居系统结构图；
图2为现有另一种技术智能家居系统结构图；
图3为本发明实施例的智能家居控制方法流程图；
图4为本发明实施例的智能家居控制方法流程图；
图5为本发明实施例的智能家居控制装置结构图；
图6为本发明实施例的预测单元结构图；
图7为本发明实施例的智能家居控制系统结构图。
具体实施方式
本发明实施例提供了一种基于用户行为分析的智能家居控制方法，用于对用户于智能家居中的操作行为进行分析，并根据分析结果对智能家居系统进行智能化控制，进而实现智能家居系统的智能化控制。本发明实施例还提供与上述方法相关的基于用户行为分析的智能家居控制装置和系统，以下将分别对其进行详细说明。
本发明实施提供一种基于用户行为分析的智能家居控制方法，请参见图3，本实施例方法具体包括步骤：
301、记录N组第一控制序列及其对应的N组家居状态序列。
第一控制序列包括：一个或多个针对智能家居设备的控制动作。家居状态序列包括：n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态。
优选地，N的取值应不少于1000。
其中，智能家居设备包括但不限于：（智能）空调、（智能）湿器、（智能）干燥器、（智能）窗户、（智能）窗帘、（智能）热水器、（智能）灯光、（智能）电视。对应的，控制动作包括但不限于：空调开/关、加湿器开/关、干燥器开/关、窗户开/关、窗帘开/关、热水器开/关、灯光开/关、电视开/关。家居条件状态包括但不限于：室外温度、天气状况、室内温度、用户外出、时间段、室内亮度。
第一控制序列的示例为：（空调开，加湿器关，干燥器关，窗户开，窗帘开，热水器关，灯光关，电视关，….），家居状态序列的示例为：（室外温度：18摄氏度，天气状况：晴，室内温度：25摄氏度，用户外出：否，时间段：14：00~16：00，…）。
例如，第一控制序列及其对应的家居状态序列如表1所示（本具体实施例中N为5）。
| 序号 | 第一控制序列 | 家居状态序列 |
| 1 | 空调开，窗户关，窗帘关，热水器开 | 室内温度1，天气状况1，用户外出1，时间段1 |
| 2 | 热水器关，灯光开，窗帘关 | 室内温度2，天气状况2，用户外出2，时间段2 |
| 3 | 空调开 | 室内温度3，天气状况3，用户外出3，时间段3 |
| 4 | 电视关，窗户关，窗帘关 | 室内温度4，天气状况4，用户外出4，时间段4 |
| 5 | 电视开，窗户关，窗帘开，灯光开 | 室内温度5，天气状况5，用户外出5，时间段5 |
表1
302、根据N组第一控制序列和N组家居状态序列，利用神经网络算法预测在N组家居状态序列下对应的N组第二控制序列。
第二控制序列包括：一个或多个在对应家居状态下用户可能对智能家居设备的控制动作。第二控制序列与第一控制序列的示例相同，这里不再赘述。
其中，本实施例中的神经网络算法可用SVM算法作为替代技术方案。
具体地，步骤302具体包括2个子步骤，请参见图4，包括：
401、将N组家居状态序列作为输入，将N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器。
人工神经网络（Artificial Neural Network，ANN），简称神经网络，是一种模仿生物神经网络（动物的中枢神经系统中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型。人工神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
人工神经网络是一个能够学习、能够总结归纳的系统，也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较（而这些比较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的），它能够推理产生一个可以自动识别的系统。与之不同的基于符号系统下的学习方法，它们也具有推理功能，只是它们是建立在逻辑算法的基础上，也就是说它们之所以能够推理，基础是需要有一个推理算法则的集合。
通过训练样本的校正，对各个层的权重进行校正而建立模型的过程，称为训练学习。
分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型（即我们通常所说的分类器(Classifier)）。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。在本实施例中，分类器特指基于人工神经网络构建的分类器。
具体地，该人工神经网络为BP神经网络。
BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
402、将该N组家居状态序列输入分类器，输出对应的N组第二控制序列。
例如，以表1中的家居状态序列为例，输入分类器，得到对应的第二控制序列，请参见表2。
| 序号 | 家居状态序列 | 第二控制序列 |
| 1 | 室内温度1，天气状况1，用户外出1，时间段1 | 空调开，窗户关，窗帘开，灯光开 |
| 2 | 室内温度2，天气状况2，用户外出2，时间段2 | 热水器关，灯光开，窗帘关 |
| 3 | 室内温度3，天气状况3，用户外出3，时间段3 | 空调开，热水器关 |
| 4 | 室内温度4，天气状况4，用户外出4，时间段4 | 电视关，窗户开，窗帘开，灯光关 |
| 5 | 室内温度5，天气状况5，用户外出5，时间段5 | 空调开，窗户关，窗帘开，灯光关 |
表2
303、按次序对N组第二控制序列和N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列。
例如，按次序对表2中的第二控制序列和表1中的第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的差别控制序列，如表3所示，包括第1、3、4、5组，即（空调开，窗户关，窗帘开，灯光开）、（空调开，热水器关）、（电视关，窗户开，窗帘开，灯光关）、（空调开，窗户关，窗帘开，灯光关）。
| 序号 | 第一控制序列 | 第二控制序列 |
| 1 | 空调开，窗户关，窗帘关，热水器开 | 空调开，窗户关，窗帘开，灯光开 |
| 2 | 热水器关，灯光开，窗帘关 | 热水器关，灯光开，窗帘关 |
| 3 | 空调开 | 空调开，热水器关 |
| 4 | 电视关，窗户关，窗帘关 | 电视关，窗户开，窗帘开，灯光关 |
| 5 | 电视开，窗户关，窗帘开，灯光开 | 空调开，窗户关，窗帘开，灯光关 |
表3
304、根据控制动作的具体类型，统计M组差别控制序列中的m个具体控制动作。
例如，根据控制动作的具体类型，统计表3中第1、3、4、5组差别控制序列（空调开，窗户关，窗帘开，灯光开）、（空调开，热水器关）、（电视关，窗户开，窗帘开，灯光关）、（空调开，窗户关，窗帘开，灯光关）中的具体控制动作包括：空调开、窗户关、窗帘开、灯光开、热水器关、电视关、窗户开、灯光关，共8个。
305、获取m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影，得到n个家居条件的状态边界。
本实施例中，投影指对序列进行向量投影，家居条件的状态边界包括但不限于：室外温度范围、天气状况种类、室内温度范围、用户外出情况种类、时间段范围、室内亮度范围。
例如，上一步骤中8个具体控制动作对应的家居状态序列请参见表4。
表4
以表4中具体控制动作“空调开”为例，该动作对应3组家居状态序列，每个序列有4个家居条件，利用室内温度1、室内温度3和室内温度5投影得到室内温度边界，同理获取天气状况边界、用户外出情况边界和时间段边界。
306、将每个具体控制动作对应的n个家居条件状态边界组成的序列作为该m个具体控制动作对应的m个触发状态序列。
触发状态序列的示例为：（室外温度边界，天气状况边界，室内温度边界，用户外出情况边界，时间段边界，…）。以表4中具体控制动作“空调开”为例，该动作对应的触发状态序列为（室内温度边界，天气状况边界，用户外出情况边界，时间段边界）。每一个具体控制动作对应一个触发状态序列，每一个触发状态序列里均有n个家居条件状态边界。
307、当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
在本实施例中，收集用户控制数据及其对应的家居状态，利用神经网络算法学习训练上述数据，预测在相同的家居状态下用户可能发生的用户控制行为，通过对比收集的用户控制数据和预测的用户控制行为并进行进一步处理，获取具体控制动作对应的家居条件状态边界，并将该边界作为智能化控制的触发条件，从而实现智能家居系统的智能化控制。根据用户实测反馈，本发明技术方案能够有效提供较好的家居智能化控制体验。
本发明实施还提供一种基于用户行为分析的智能家居控制装置，请参见图5，本实施例装置具体包括：
记录单元501，用于记录N组第一控制序列及其对应的N组家居状态序列。
优选地，N的取值应不少于1000。
第一控制序列包括：一个或多个针对智能家居设备的控制动作。家居状态序列包括：n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态。
其中，智能家居设备包括但不限于：（智能）空调、（智能）湿器、（智能）干燥器、（智能）窗户、（智能）窗帘、（智能）热水器、（智能）灯光、（智能）电视。对应的，控制动作包括但不限于：空调开/关、加湿器开/关、干燥器开/关、窗户开/关、窗帘开/关、热水器开/关、灯光开/关、电视开/关。家居条件状态包括但不限于：室外温度、天气状况、室内温度、用户外出、时间段、室内亮度。
第一控制序列的示例为：（空调开，加湿器关，干燥器关，窗户开，窗帘开，热水器关，灯光关，电视关，….），家居状态序列的示例为：（室外温度：18摄氏度，天气状况：晴，室内温度：25摄氏度，用户外出：否，时间段：14：00~16：00，…）。
预测单元502，用于根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列。
第二控制序列包括：一个或多个在对应家居状态下用户可能对智能家居设备的控制动作。1组第二控制序列与1组第一控制序列的示例相同，这里不再赘述。
其中，本实施例中的神经网络算法可用SVM算法作为替代技术方案。
请参见图6，预测单元502进一步包括：
训练子单元601，将N组家居状态序列作为输入，将N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器。
在本实施例中，训练子单元601所利用的人工神经网络为BP神经网络。
传输子单元602，用于将该N组家居状态序列输入分类器，输出对应的N组第二控制序列。
比较单元503，用于按次序对N组第二控制序列和N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列。
统计单元504，用于根据控制动作的具体类型，统计所述M组差别控制序列中的m个具体控制动作。
投影单元505，用于获取所述m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影，得到n个家居条件的状态边界。
本实施例中，投影指对序列进行向量投影，家居条件的状态边界包括但不限于：室外温度范围、天气状况种类、室内温度范围、用户外出情况种类、时间段范围、室内亮度范围。
生成单元506，用于将每个具体控制动作对应的n个家居条件状态边界组成的序列作为所述m个具体控制动作对应的m个触发状态序列。
触发状态序列的示例为：（室外温度边界，天气状况边界，室内温度边界，用户外出情况边界，时间段边界，…）。每一个具体控制动作对应一个触发状态序列，每一个触发状态序列里均有n个家居条件状态边界。
触发单元507，用于当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
在本实施例中，收集用户控制数据及其对应的家居状态，利用神经网络算法学习训练上述数据，预测在相同的家居状态下用户可能发生的用户控制行为，通过对比收集的用户控制数据和预测的用户控制行为并进行进一步处理，获取具体控制动作对应的家居条件状态边界，并将该边界作为智能化控制的触发条件，从而实现智能家居系统的智能化控制。根据用户实测反馈，本发明技术方案能够有效提供较好的家居智能化控制体验。
本发明实施还提供一种基于用户行为分析的智能家居控制系统，请参见图7，本实施例系统具体包括：
多个智能家居设备701，用于受用户控制而向用户提供智能家居服务。
智能家居控制装置702，用于收集用户对于智能家居设备701的控制数据及其对应的家居状态，利用神经网络算法学习训练上述数据，预测在相同的家居状态下用户可能发生的用户控制行为，通过对比收集的用户控制数据和预测的用户控制行为并进行进一步处理，获取具体控制动作对应的家居条件状态边界，并将该边界作为智能化控制的触发条件，从而实现智能家居系统的智能化控制。智能家居控制装置702内部结构及功能请参见上一实施例对智能家居控制装置的相关描述，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种基于用户行为分析的智能家居控制方法、装置和系统进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种智能家居控制方法，其特征在于，包括：
记录N组第一控制序列及其对应的N组家居状态序列，所述第一控制序列包括一个或多个针对智能家居设备的控制动作，所述家居状态序列包括n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态；
根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列，所述第二控制序列包括一个或多个在对应家居状态下用户可能对智能家居设备的控制动作；
按次序对所述N组第二控制序列和所述N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列；
根据控制动作的具体类型，统计所述M组差别控制序列中的m个具体控制动作；
获取所述m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影运算，得到n个家居条件的状态边界；
将每个具体控制动作对应的n个家居条件状态边界组成的序列作为所述m个具体控制动作对应的m个触发状态序列；
当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列包括：
将所述N组家居状态序列作为输入，将所述N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器；
将所述N组家居状态序列输入所述分类器，输出对应的N组第二控制序列。
3.根据权利要求1或2所述的方法，其特征在于，
所述N不少于1000；
所述控制动作包括：空调开/关、加湿器开/关、干燥器开/关、窗户开/关、窗帘开/关、热水器开/关、灯光开/关、电视开/关；
所述家居条件的状态包括：室外温度、天气状况、室内温度、用户外出、时间段、室内亮度。
4.根据权利要求2所述的方法，其特征在于，
所述人工神经网络为BP神经网络。
5.一种智能家居控制装置，其特征在于，包括：
记录单元，用于记录N组第一控制序列及其对应的N组家居状态序列，所述第一控制序列包括一个或多个针对智能家居设备的控制动作，所述家居状态序列包括n个家居条件的状态，用于指示用户控制智能家居设备时的家居状态；
预测单元，用于根据所述N组第一控制序列和所述N组家居状态序列，利用神经网络算法预测在所述N组家居状态序列下对应的N组第二控制序列，所述第二控制序列包括一个或多个在对应家居状态下用户可能对智能家居设备的控制动作；
比较单元，用于按次序对所述N组第二控制序列和所述N组第一控制序列进行比较，获取第二控制序列中与第一控制序列不相同的M组差别控制序列；
统计单元，用于根据控制动作的具体类型，统计所述M组差别控制序列中的m个具体控制动作；
投影单元，用于获取所述m个具体控制动作中每个具体控制动作对应的多个家居状态序列，并对所述多个家居状态序列进行投影运算，得到n个家居条件的状态边界；
生成单元，用于将每个具体控制动作对应的n个家居条件状态边界组成的序列作为所述m个具体控制动作对应的m个触发状态序列；
触发单元，用于当当前n个家居条件的状态满足所述m个触发状态序列中任一触发状态序列时，推荐用户执行对应的具体控制动作。
6.根据权利要求5所述的装置，其特征在于，所述预测单元包括：
训练子单元，将所述N组家居状态序列作为输入，将所述N组第一控制序列作为输出，对人工神经网络进行训练，得到分类器；
传输子单元，用于将所述N组家居状态序列输入所述分类器，输出对应的N组第二控制序列。
7.根据权利要求6所述的装置，其特征在于，
所述训练子单元所利用的人工神经网络为BP神经网络。
8.一种智能家居系统，其特征在于，包括：
多个智能家居设备，用于受用户控制而向用户提供智能家居服务；以及
如权利要求5至7任一项所述的智能家居控制装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610100461.5A CN105652677B (zh) | 2016-02-24 | 2016-02-24 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610100461.5A CN105652677B (zh) | 2016-02-24 | 2016-02-24 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105652677A CN105652677A (zh) | 2016-06-08 |
| CN105652677B true CN105652677B (zh) | 2019-11-08 |
Family
ID=56488664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610100461.5A Active CN105652677B (zh) | 2016-02-24 | 2016-02-24 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105652677B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383450A (zh) * | 2016-11-10 | 2017-02-08 | 北京工商大学 | 一种基于大数据的智能家居用户行为分析系统及方法 |
| CN107665230B (zh) * | 2017-06-21 | 2021-06-01 | 海信集团有限公司 | 用于智能家居控制的用户行为预测模型的训练方法及装置 |
| CN107843287B (zh) * | 2017-10-26 | 2019-08-13 | 苏州数言信息技术有限公司 | 集成传感器装置 |
| CN108227513A (zh) * | 2017-12-29 | 2018-06-29 | 美的智慧家居科技有限公司 | 智能窗户控制方法、装置及计算机可读存储介质 |
| CN108415262A (zh) * | 2018-03-06 | 2018-08-17 | 西北工业大学 | 智能网关对家电设备的控制方法 |
| CN110376925A (zh) * | 2018-04-13 | 2019-10-25 | 珠海格力电器股份有限公司 | 一种控制家用电器执行控制指令的方法及装置 |
| CN110824930B (zh) * | 2018-08-08 | 2021-10-08 | 珠海格力电器股份有限公司 | 家电设备的控制方法、装置及系统 |
| CN108983613A (zh) * | 2018-08-10 | 2018-12-11 | 重庆交通大学 | 基于动态矩阵控制算法的窗户控制方法 |
| CN109519111B (zh) * | 2018-11-20 | 2021-06-11 | 龙元明筑科技有限责任公司 | 一种幕墙楼宇节能自动控制系统与方法 |
| CN110333665A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海尔空调器有限总公司 | 用于智能家居系统的控制方法 |
| CN113848738B (zh) * | 2021-09-22 | 2024-05-03 | 深圳市欧瑞博科技股份有限公司 | 智能设备的控制方法以及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其系统 |
| CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
| CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
| EP2953104A1 (en) * | 2014-06-05 | 2015-12-09 | Wise Spaces Ltd. | Home automation control system |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2336834A1 (en) * | 2009-11-20 | 2011-06-22 | Zerogroup Holding OÜ | A method and system for controlling environmental conditions of entity |
-
2016
- 2016-02-24 CN CN201610100461.5A patent/CN105652677B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其系统 |
| EP2953104A1 (en) * | 2014-06-05 | 2015-12-09 | Wise Spaces Ltd. | Home automation control system |
| CN104597761A (zh) * | 2014-12-31 | 2015-05-06 | 珠海格力电器股份有限公司 | 智能家用设备的控制方法及装置 |
| CN105068515A (zh) * | 2015-07-16 | 2015-11-18 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105652677A (zh) | 2016-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105652677B (zh) | 一种基于用户行为分析的智能家居控制方法、装置和系统 | |
| Han et al. | A review of reinforcement learning methodologies for controlling occupant comfort in buildings | |
| CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
| CN111144793B (zh) | 基于多智能体深度强化学习的商业建筑hvac控制方法 | |
| CN106322656B (zh) | 一种空调控制方法及服务器和空调系统 | |
| CN107367016B (zh) | 一种空调智能控制方法及其装置、空调 | |
| Wei et al. | Multi-objective optimization of the HVAC (heating, ventilation, and air conditioning) system performance | |
| Dounis | Artificial intelligence for energy conservation in buildings | |
| CN110494697A (zh) | 数据学习服务器和用于生成和使用其学习模型的方法 | |
| CN110836514B (zh) | 空调组的控制方法和装置 | |
| CN110578994B (zh) | 一种运行方法及装置 | |
| JP2020177344A (ja) | 学習方法、学習プログラムおよび学習装置 | |
| US20180081330A1 (en) | Method and Apparatus for Controlling an Environment Management System within a Building | |
| KR20190101924A (ko) | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 | |
| US20200004278A1 (en) | Clothes treating apparatus and method for operating the clothes treating apparatus | |
| CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
| Shah et al. | Dynamic user preference parameters selection and energy consumption optimization for smart homes using deep extreme learning machine and bat algorithm | |
| US20210003309A1 (en) | Method for air conditioning and air conditioner based on thermal comfort | |
| CN104133427A (zh) | 智能家居控制方法及其系统 | |
| CN111694280A (zh) | 一种应用场景的控制系统及其控制方法 | |
| Jia et al. | Occupant behavior modeling for smart buildings: A critical review of data acquisition technologies and modeling methodologies | |
| Kusiak et al. | Reheat optimization of the variable-air-volume box | |
| Nagy et al. | Reinforcement learning for intelligent environments: A Tutorial | |
| Lee et al. | A fully autonomous kernel-based online learning neural network model and its application to building cooling load prediction | |
| Chinde et al. | Comparative evaluation of control-oriented zone temperature prediction modeling strategies in buildings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 518057 Shenzhen Nanshan District, Guangdong Province, 10 Shenzhen Bay Science and Technology Eco-Park, No. 10 Nanjiu Road, Yuehai Street High-tech Zone Community Applicant after: Shenzhen Taifeng Technology Co.,Ltd. Address before: B also building five 518067 Guangdong road Shenzhen City, Nanshan District Shekou Industrial Zone, 6 floor Applicant before: SHENZHEN ZHONGLE ZHIFU TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Geng Zimu Inventor after: Lou Jin Inventor after: Cao Enwen Inventor before: Geng Zimu Inventor before: Cao Enwen |
|
| CB03 | Change of inventor or designer information |