CN108063701A - 一种控制智能设备的方法及装置 - Google Patents

Abstract

本发明的实施例提供一种控制智能设备的方法，包括：终端设备获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据；将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率；将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率；所述终端设备根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令；所述终端设备向所述目标智能设备发送控制所述目标智能设备的调整指令。提高了调整智能设备的效果。

Description

一种控制智能设备的方法及装置

技术领域

本发明涉及通信领域，尤其涉及一种控制职能设备的方法及装置。

背景技术

目前，如智能手表或智能手机等终端设备，能直接或间接地检测用户的体表温度、湿度、心率、血压等生理数据，还能通过无线保真(Wireless-Fidelity Wi-Fi)模块与其它设备相连，如电脑、路由器等。同时其内置的处理单元还可以对数据进行处理。目前，终端设备可以根据检测到的用户的生理数据来对智能家居设备进行控制。然而，当用户处于多人环境时，如果只根据单个用户的数据进行调节，势必会导致调节效果差，不能满足多人的需求。

发明内容

本发明的实施例提供一种方法和装置，能够解决根据单个用户的用户数据调节智能设备导致的调节效果差的问题。

第一方面，提供了一种控制智能设备的方法，包括：终端设备获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据；终端设备将用户数据和运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，其中，个体模型由该用户的历史用户数据和目标智能设备的历史运行数据所训练得到；终端设备将用户数据和运行数据应用于群体模型，确定每个智能设备调整指令的第二使用概率，其中，群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到；终端设备根据每个智能设备调整指令的第一使用概率和每个智能设备调整指令的第二使用概率确定控制目标智能设备的调整指令；终端设备向目标智能设备发送控制目标智能设备的调整指令。

结合第一方面的实现方式，在第一方面第一种可能的实现方式中，终端设备根据每个智能设备调整指令的第一使用概率和每个智能设备调整指令的第二使用概率确定控制目标智能设备的调整指令包括：对于每个智能设备调整指令，终端设备确定该智能设备调整指令的第一使用概率和第二使用概率的加权和；终端设备确定最大加权和对应的智能设备调整指令为控制目标智能设备的调整指令。

结合第一方面或第一方面的第一种可能的实现方式，在第二种可能实现的方式中，当终端设备确定控制目标智能设备的调整指令所指示的调整值小于预设调整阈值时，终端设备确定个体模型和群体模型的差异度；当差异度大于预设差异度阈值时，终端设备根据上一周期内该用户的用户数据，以及来自目标智能设备的上一周期内的运行数据更新个体模型。

结合第一方面或第一方面的第一种或第二种可能的实现方式，在第三种可能实现的方式中，终端设备根据上一周期内该用户的用户数据，以及来自目标智能设备的上一周期内的运行数据更新个体模型包括：终端设备根据上一周期内用户的用户数据，以及来自目标智能设备的上一周期内的运行数据，确定用户在上一周期内的反馈数据；终端设备根据上一周期内用户的用户数据、来自目标智能设备的上一周期内的运行数据、用户在上一周期内的反馈数据更新个体模型。

第二方面，提供了一种控制智能设备的装置，包括：处理器、存储器、总线和通信接口；存储器用于存储程序代码，处理器与存储器通过总线连接，当装置运行时，处理器执行存储器存储的程序代码，以使装置执行第一方面或第一方面的任一可能的实现方式所述的方法。

第三方面，提供了一种计算机可读存储介质，其中存储有可执行的程序代码，该程序代码用以实现第一方面或第一方面的任意一种可能的实现方式所述的方法。

第四方面，提供了一种控制智能设备的装置，包含用于执行第一方面或第一方面的任意一种可能的实现方式中的方法的模块。

根据本发明实施例提供的技术方案，在多个用户共处一个有限空间内时，通过将个体模型的调整指令信息和群体模型的调整指令信息相结合，确定出适合多个用户的智能设备调整指令，提高了调整智能设备的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例应用的网络架构的示意图；

图2是依据本发明一实施例的计算机设备200的硬件结构示意图；

图3是依据本发明一实施例的控制智能设备的方法300的示范性流程图；

图4是依据本发明一实施例的控制智能设备的装置400的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

图1是本发明实施例应用的网络架构100的示意图。其中，智能设备101与终端设备102处于同一有限空间103中，例如处于同一房间中。有限空间103中存在使用终端设备102的用户104，同时还存在其他用户105。智能设备101将自身的运行数据发送到终端设备102。终端设备102收集用户104的用户数据，结合智能设备101的运行数据来确定对智能设备101进行控制的调整指令。终端设备102将确定出的调整指令发送到智能设备101，以调整智能设备101的运行状态。服务器106可以为终端设备102提供群体用户对其他智能设备进行控制时所使用的调整指令信息。终端设备102在确定对智能设备101的调整指令时，可以同时考虑服务器106提供的调整指令信息，以使确定出的调整指令更加准确。其中，智能设备101可以为灯光设备、电动窗帘、音乐系统、智能家电等。终端设备102可以为移动电话、平板电脑等。

终端设备102可以通过计算机设备的形式实现。图2是依据本发明一实施例的计算机设备200的硬件结构示意图。如图2所示，计算机设备200包括处理器202、存储器204、通信接口206和总线208。其中，处理器202、存储器204和通信接口206通过总线208实现彼此之间的通信连接。

处理器202可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本发明实施例所提供的技术方案。

存储器204可以是只读存储器(Read Only Memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(Random Access Memory，RAM)。存储器204可以存储操作系统2041和其他应用程序2042。在通过软件或者固件来实现本发明实施例提供的技术方案时，用于实现本发明实施例提供的技术方案的程序代码保存在存储器204中，并由处理器202来执行。

通信接口206使用例如但不限于收发器一类的收发装置，来实现与其他设备或通信网络之间的通信。

总线208可包括一通路，在各个部件(例如处理器202、存储器204、通信接口206)之间传送信息。

当终端设备102通过计算机设备200实现时，通信接口206用于获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据；处理器202用于将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，所述个体模型由所述用户的历史用户数据和所述目标智能设备的历史运行数据所训练得到；将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率，所述群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到；根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令；通信接口206用于向所述目标智能设备发送控制所述目标智能设备的调整指令。

图3是依据本发明一实施例的控制智能设备的方法300的示范性流程图。在具体实现过程中，控制智能设备的方法300可以由图1所示的智能设备101、终端设备102和服务器106来执行。

S301，目标智能设备向终端设备发送当前周期内的运行数据。

S302，终端设备接收来自目标智能设备的当前周期内的运行数据。

S303，终端设备获取当前周期内用户的用户数据。

终端设备周期性的收集用户数据来对目标智能设备进行调控。用户数据包括用户的生理数据，如体表温度，体表湿度，心率等，还可以包括用户所处环境的温度、湿度等。目标智能设备发送的运行数据为目标智能设备的运行参数，例如，当目标智能设备为空调时，运行数据可以包括温度值、湿度值、风力、模式等。

S304，所述终端设备将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，所述个体模型由所述用户的历史用户数据和所述目标智能设备的历史运行数据所训练得到。

S305，所述终端设备将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率，所述群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到。

群体模型由服务器提供给终端设备。群体模型反映了在多人共处一个有限空间中时，其他终端设备对智能设备所进行的控制。

个体模型和群体模型为多分类概率模型，可以通过Softmax算法、高斯混合模型(Gaussian Mixture Model,GMM)或朴素贝叶斯算法等来实现。

例如，当个体模型和群体模型通过Softmax算法实现时，个体模型可以表示为

其中，k为调整指令的个数。x1为用户数据。θ_j(j＝1,2,…,k)为M维向量。

群体模型可以表示为

其中，k为调整指令的个数。x2为运行数据。λ_j(j＝1,2,…,k)为M维向量。

M的确定方法可以为M＝||x1||+||x2||。其中||x1||表示向量x1的模，||x2||表示向量x2的模。

当目标智能设备为智能空调时，x1可以表示为x1＝{体表温度，体表湿度，心率，环境温度，环境湿度}。x2可以表示为x2＝{温度值，湿度值，风力，制冷}。

当将用户数据与运行数据应用于上述个体模型和群体模型时，可以得到每种调整指令的使用概率。可以用P1(y＝j|x1,x2,θ)表示通过个体模型得到的使用第j种调整指令的概率，用P2(y＝j|x1,x2,λ)表示通过群体模型得到的使用第j种调整指令的概率。

例如，当取k＝3时，通过个体模型得到的使用第j种调整指令的概率为P1(y＝1)＝0.2，P1(y＝2)＝0.6和P1(y＝3)＝0.2。通过群体模型得到的使用第j种调整指令的概率为P2(y＝1)＝0.5，P2(y＝2)＝0.2和P2(y＝3)＝0.3。其中，y＝1表示温度升高1摄氏度，y＝2表示温度保持不变，y＝3表示温度降低1摄氏度。

S306，所述终端设备根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令。

可选的，对于每个智能设备调整指令，所述终端设备确定该智能设备调整指令的第一使用概率和第二使用概率的加权和；所述终端设备确定最大加权和对应的智能设备调整指令为控制所述目标智能设备的调整指令。

例如，对于S304和S305中的例子，终端设备可以根据来确定最大加权和对应的调整指令。取w1＝0.4，w2＝0.6，得到即调整指令指示智能空调将当前的温度升高1摄氏度。

S307，所述终端设备向所述目标智能设备发送控制所述目标智能设备的调整指令。

在上面的例子中，终端设备发送温度升高1摄氏度的调整指令给智能空调。假设当前智能空调设置的温度为24℃，则调整后的温度为25℃。

可选的，控制智能设备的方法300还可以包括以下步骤：

S308，当所述终端设备确定所述控制所述目标智能设备的调整指令所指示的调整值小于预设调整阈值时，所述终端设备确定所述个体模型和所述群体模型的差异度；当所述差异度大于预设差异度阈值时，所述终端设备根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型。

例如，调整指令指示将温度升高1摄氏度，而预设调整阈值为2摄氏度。

终端设备可以根据来确定个体模型和群体模型的差异度d。

可选的，所述终端设备根据所述上一周期内所述用户的用户数据，以及所述来自所述目标智能设备的上一周期内的运行数据，确定所述用户在上一周期内的反馈数据；所述终端设备根据所述上一周期内所述用户的用户数据、所述来自所述目标智能设备的上一周期内的运行数据、所述用户在上一周期内的反馈数据更新所述个体模型。

进一步，可选的，终端设备将上一周期内所述用户的用户数据、所述来自所述目标智能设备的上一周期内的运行数据、所述用户在上一周期内的反馈数据发送给服务器。服务器收集不同终端设备发送的数据。当收集到的数据达到一定数量，服务器更新群体模型，并将更新后的群体模型发送给终端设备，供终端设备在下一周期内使用。

根据本发明实施例提供的技术方案，在多个用户共处一个有限空间内时，通过将个体模型的调整指令信息和群体模型的调整指令信息相结合，确定出适合多个用户的智能设备调整指令，提高了调整智能设备的效果。

图4是依据本发明一实施例的控制智能设备的装置400的结构示意图。控制智能设备的装置400包括获取模块402，处理模块404和发送模块406。控制智能设备的装置400为图2中的计算机设备200或图3中所示的终端设备。获取模块402可以用来执行图3实例中的S302、S303，处理模块404可以用来执行图3实施例中的S304、S305、S306、S308，发送模块406可以用来执行图3实施例中的S307。

获取模块402，用于获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据。

处理模块404，用于将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，所述个体模型由所述用户的历史用户数据和所述目标智能设备的历史运行数据所训练得到。

处理模块404，还用于将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率，所述群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到。

处理模块404，还用于根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令。

发送模块406，用于向所述目标智能设备发送控制所述目标智能设备的调整指令。

可选的，处理模块404根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令包括：

对于每个智能设备调整指令，所述处理模块404用于确定该智能设备调整指令的第一使用概率和第二使用概率的加权和；确定最大加权和对应的智能设备调整指令为控制所述目标智能设备的调整指令。

可选的，当处理模块404确定所述控制所述目标智能设备的调整指令所指示的调整值小于预设调整阈值时，所述处理模块404还用于确定所述个体模型和所述群体模型的差异度；当所述差异度大于预设差异度阈值时，所述处理模块404用于根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型。

可选的，处理模块404根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型包括：

所述处理模块404用于根据所述上一周期内所述用户的用户数据，以及所述来自所述目标智能设备的上一周期内的运行数据，确定所述用户在上一周期内的反馈数据；所述处理模块404根据所述上一周期内所述用户的用户数据、所述来自所述目标智能设备的上一周期内的运行数据、所述用户在上一周期内的反馈数据更新所述个体模型。

根据本发明实施例提供的技术方案，在多个用户共处一个有限空间内时，通过将个体模型的调整指令信息和群体模型的调整指令信息相结合，确定出适合多个用户的智能设备调整指令，提高了调整智能设备的效果。

其中，图4实施例中的“模块”可以为专用集成电路(Application SpecificIntegrated Circuit，ASIC)、电子线路、执行一个或多个软件或固件程序的处理器和存储器、组合逻辑电路和其他提供上述功能的组件。可选的，上述控制智能设备的装置通过计算机设备的形式来实现，上述获取模块、发送模块可以通过计算机设备的处理器、存储器和通信接口来实现，上述处理模块可以通过计算机设备的处理器和存储器来实现。

应注意，尽管图2所示的计算机设备200仅仅示出了处理器202、存储器204、通信接口206和总线208，但是在具体实现过程中，本领域的技术人员应当明白，上述控制智能设备的装置还包含实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当明白，上述控制智能设备的装置还可包含实现其他附加功能的硬件器件。此外，本领域的技术人员应当明白，上述控制智能设备的装置也可仅仅包含实现本发明实施例所必须的器件，而不必包含图2中所示的全部器件。

另外，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的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取存储介质中。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或者该技术方案的全部或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中，包括若干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)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种控制智能设备的方法，其特征在于，包括以下步骤：

终端设备获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据；

所述终端设备将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，所述个体模型由所述用户的历史用户数据和所述目标智能设备的历史运行数据所训练得到；

所述终端设备将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率，所述群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到；

所述终端设备根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令；

所述终端设备向所述目标智能设备发送控制所述目标智能设备的调整指令。

2.根据权利要求1所述的方法，其特征在于，所述终端设备根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令包括：

对于每个智能设备调整指令，所述终端设备确定该智能设备调整指令的第一使用概率和第二使用概率的加权和；

所述终端设备确定最大加权和对应的智能设备调整指令为控制所述目标智能设备的调整指令。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

当所述终端设备确定所述控制所述目标智能设备的调整指令所指示的调整值小于预设调整阈值时，所述终端设备确定所述个体模型和所述群体模型的差异度；

当所述差异度大于预设差异度阈值时，所述终端设备根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型。

4.根据权利要求3所述的方法，其特征在于，所述终端设备根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型包括：

所述终端设备根据所述上一周期内所述用户的用户数据，以及所述来自所述目标智能设备的上一周期内的运行数据，确定所述用户在上一周期内的反馈数据；

所述终端设备根据所述上一周期内所述用户的用户数据、所述来自所述目标智能设备的上一周期内的运行数据、所述用户在上一周期内的反馈数据更新所述个体模型。

5.一种控制智能设备的装置，其特征在于，包括获取模块，处理模块和发送模块：

所述获取模块，用于获取当前周期内用户的用户数据，以及来自目标智能设备的当前周期内的运行数据；

所述处理模块，用于将所述用户数据和所述运行数据应用于个体模型，确定每个智能设备调整指令的第一使用概率，所述个体模型由所述用户的历史用户数据和所述目标智能设备的历史运行数据所训练得到；

所述处理模块，还用于将所述用户数据和所述运行数据应用于群体模型，确定所述每个智能设备调整指令的第二使用概率，所述群体模型由多个用户的历史用户数据和对应的智能设备的历史运行数据所训练得到；

所述处理模块，还用于根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令；

所述发送模块，用于向所述目标智能设备发送控制所述目标智能设备的调整指令。

6.根据权利要求5所述的装置，其特征在于，所述处理模块根据所述每个智能设备调整指令的第一使用概率和所述每个智能设备调整指令的第二使用概率确定控制所述目标智能设备的调整指令包括：

对于每个智能设备调整指令，所述处理模块用于确定该智能设备调整指令的第一使用概率和第二使用概率的加权和；

确定最大加权和对应的智能设备调整指令为控制所述目标智能设备的调整指令。

7.根据权利要求5或6所述的装置，其特征在于，当所述处理模块确定所述控制所述目标智能设备的调整指令所指示的调整值小于预设调整阈值时，所述处理模块还用于确定所述个体模型和所述群体模型的差异度；

当所述差异度大于预设差异度阈值时，所述处理模块用于根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型。

8.根据权利要求7所述的装置，其特征在于，所述处理模块根据上一周期内所述用户的用户数据，以及来自所述目标智能设备的上一周期内的运行数据更新所述个体模型包括：

所述处理模块用于根据所述上一周期内所述用户的用户数据，以及所述来自所述目标智能设备的上一周期内的运行数据，确定所述用户在上一周期内的反馈数据；

所述处理模块根据所述上一周期内所述用户的用户数据、所述来自所述目标智能设备的上一周期内的运行数据、所述用户在上一周期内的反馈数据更新所述个体模型。

9.一种控制智能设备的装置，其特征在于，包括：处理器、存储器、总线和通信接口；所述存储器用于存储程序代码，所述处理器与所述存储器通过所述总线连接，当所述装置运行时，所述处理器执行所述存储器存储的所述程序代码，以使所述装置执行权利要求1至4任意一项所述的方法。