CN110494697A - 数据学习服务器和用于生成和使用其学习模型的方法 - Google Patents

Abstract

提供了一种用于数据学习服务器的装置和方法。本公开的装置包括：通信器，被配置为与外部设备通信；至少一个处理器，被配置为经由通信器获取在空调中设定的设定温度和在设定温度时空调的当前温度，以及使用设定温度和当前温度生成或刷新学习模型，以及储存器，被配置为存储所生成或刷新的学习模型，以提供在空调中设定的推荐温度作为生成或刷新学习模型的结果。例如，本公开的数据学习服务器可以生成经学习的学习模型以使用作为人工智能算法的神经网络算法、深度学习算法、线性回归算法等来提供推荐温度。

Description

数据学习服务器和用于生成和使用其学习模型的方法

技术领域

本公开涉及用于生成学习模型的方法和使用所生成的学习模型的数据学习服务器。

背景技术

近年来，在各种领域中已经使用了自动识别数据，诸如语音、图像、运动图像和文本，以提供与数据相关的信息或与数据相关的服务的智能服务。

智能服务中使用的人工智能技术是实现人类水平智能的技术。与现有基于规则的智能系统不同，人工智能技术允许机器执行学习和判断，并使机器自己变得聪明。随着人工智能技术被使用，识别率越来越高，并且用户的口味可以被更准确地理解，使得现有基于规则的技术逐渐被人工智能技术所取代。

人工智能技术包括机器学习和利用机器学习的基本技术(element technology)。

机器学习是一种算法技术，其自行分类/学习输入数据的特征。基本技术是使用机器学习算法模拟诸如人类大脑的识别和判断的功能的技术，并且包括诸如语言理解、视觉理解、推理/预测、知识表示和运动控制的技术领域。

人工智能技术的应用如下多种多样。语言理解是用于识别和应用/处理人类语言/字符的技术，并且包括自然语言处理、机器翻译、对话系统、查询响应、语音识别/合成等。视觉理解是识别和处理诸如人类视觉的对象的技术，并且包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解和图像增强等。推断预测是用于判断和逻辑推断和预测信息的技术，并且包括基于知识/概率的推断、优化预测、基于偏好的计划、推荐等。知识表示是用于将人类体验信息自动化为知识数据的技术，并且包括知识构建(数据生成/分类)、知识管理(数据利用)等。运动控制是用于控制车辆的自动驾驶和机器人的运动的技术，并且包括运动控制(导航、碰撞、驾驶)、操作控制(行为控制)等。

以上信息仅作为背景信息提供，以帮助理解本公开。对于任何上述内容是否可以作为关于本公开的现有技术应用，没有做出确定，也没有做出断言。

发明内容

技术问题

本公开的示例性实施例克服了上述缺点和上面未描述的其它缺点。而且，本发明不需要克服上述缺点，并且本公开的示例性实施例可以不克服上述问题中的任何一个。

本公开用于使用人工智能技术设定空调的温度。

技术方案

因此，本公开提供了一种用于生成和使用用于设定空调的温度的学习模型的方法。

另外，本公开的技术主题不限于上述技术事项，并且本公开所属领域的普通技术人员可以从以下描述清楚地理解未提及的其它技术主题。

根据本公开的一方面，提供了一种数据学习服务器。所述数据学习服务器包括：通信器，被配置为与外部设备通信；至少一个处理器，被配置为：经由通信器获取在空调中设定的设定温度和在设定温度时空调的当前温度，以及使用设定温度和当前温度生成或刷新学习模型；和储存器，被配置为存储所生成或刷新的学习模型，以提供将在空调中设定的推荐温度作为生成或刷新学习模型的结果。

根据本公开的另一方面，提供了一种数据学习服务器。所述数据学习服务器包括：储存器，被配置为存储经学习的学习模型以提供将在空调中设定的推荐温度；至少一个处理器，被配置为：获取空调的当前温度，和将当前温度输入到学习模型，以获取将在空调中设定的推荐温度；和通信器，被配置为将推荐温度发送到外部设备。

根据本公开的另一方面，提供了一种网络系统。所述系统包括：空调；和学习模型服务器，被配置为使用从空调获取的学习数据生成学习模型，其中空调包括：温度传感器，被配置为感测空调周围的当前温度，鼓风扇，被配置为基于在空调中设定的设定温度将冷却空气排放到外部，和空调通信器，被配置为与外部设备通信，以及至少一个空调处理器，被配置为控制空调通信器以将感测的当前温度和设定温度发送到外部设备，并且学习模型服务器包括至少一个服务器处理器，其获取当前温度和设定温度，并且使用获取的设定温度和当前温度生成学习模型，以及储存器，被配置为存储所生成的学习模型，以提供空调的推荐温度作为生成学习模型的结果。

根据本公开的另一方面，提供了一种网络系统。所述网络系统包括：空调；和学习模型服务器，被配置为使用从空调获取的识别数据来提供推荐温度，其中空调包括：温度传感器，被配置为感测空调的当前温度，鼓风扇，被配置为将从空气净化器生成的冷却空气排放到外部，和空调通信器，其发送当前温度到第一外部设备，其中，所述学习模型服务器包括：储存器，其被配置为存储经学习的学习模型以提供空调的推荐温度，至少一个服务器处理器，被配置为：获取当前温度，和将当前温度输入到学习模型以获取空调的推荐温度，以及服务器通信器，被配置为将推荐温度发送到第二外部设备。

根据本公开的另一方面，提供了一种空调。所述空调包括：鼓风扇，被配置为将冷却空气排放到外部；温度传感器，被配置为感测空调周围的当前温度；通信器，被配置为与外部设备通信；和至少一个处理器，被配置为：控制通信器将当前温度发送到外部设备，控制通信器取决于当前温度的发送从外部设备接收推荐温度，所述推荐温度是通过将当前温度应用于学习模型而获得的结果，以及在空调中设定接收的推荐温度，其中，学习模型是使用在空调中先前设定的多个设定温度和多个当前温度来学习的的学习模型。

根据本公开的另一方面，提供了一种用户终端。所述用户终端包括：显示器，被配置为显示屏幕；通信器，被配置为与外部设备通信；输入，被配置为接收用户输入；和至少一个处理器，被配置为：控制通信器以响应于取决于经由输入接收的、选择包括在屏幕中的人工智能操作UI的用户输入的用户输入信号，将与人工智能操作UI相对应的人工智能操作请求信号发送到空调，和控制显示器以响应于在空调中设定的推荐温度被获取来显示获取的推荐温度，所述推荐温度是通过取决于经由通信器的人工智能操作请求信号将空调的当前温度应用于学习模型而获得的结果。

根据本公开的另一方面，提供了一种用于生成数据学习服务器的学习模型的方法。所述方法包括：获取在空调中设定的设定温度和在设定温度时空调的当前温度；使用设定温度和当前温度生成或刷新学习模型；和存储所生成或刷新的学习模型以提供在空调中设定的推荐温度作为生成或刷新学习模型的结果。

根据本公开的另一方面，提供了一种使用数据学习服务器的学习模型的方法。所述方法包括：存储经学习的学习模型以提供将在空调中设定的推荐温度；获取空调的当前温度；将当前温度输入到经学习的学习模型，以获取将在空调中设定的推荐温度；和将推荐温度发送到外部设备。

根据本公开的另一方面，提供了一种用于提供空调的推荐温度的方法。所述方法包括：感测空调的当前温度；将感测的当前温度发送到外部设备；取决于当前温度的发送，从外部设备接收推荐温度，所述推荐温度是通过将当前温度应用于学习模型而获得的结果；和在空调中设定接收的推荐温度，其中，学习模型是使用在空调中先前设定的多个设定温度和多个当前温度来学习的学习模型。

根据本公开的另一方面，提供了一种用于控制用户终端的空气控制器的方法。所述方法包括：接收取决于选择人工智能操作UI的用户输入的用户输入信号；将与人工智能操作UI相对应的人工智能操作请求信号发送到空调；获取在空调中设定的推荐温度，所述推荐温度是通过取决于人工智能操作请求信号将空调的当前温度应用于学习模型而获得的结果；和在屏幕上显示获取的推荐温度。

根据本公开的另一方面，提供了一种用于生成包括空调和学习模型服务器的网络系统的学习模型的方法。所述方法包括：由空调接收设定温度的用户控制信号；由空调将设定温度和空调的当前温度发送到外部设备的操作；由学习模型服务器生成使用设定温度和当前温度的学习模型；和由学习模型服务器存储所生成的学习模型以提供空调的推荐温度。

根据本公开的另一方面，提供了一种用于在包括空调和学习模型服务器的网络系统中提供推荐温度的方法。所述方法包括：由空调将空调的当前温度发送到外部设备；由学习模型服务器通过将当前温度应用于学习模型来获取空调的推荐温度；和由空调将推荐温度发送到外部设备。

根据本公开的另一方面，提供了一种用于控制包括空调和用户终端的网络系统的空调的方法。所述方法包括：由用户终端接收取决于选择人工智能操作UI的用户输入的用户输入信号；由用户终端将与人工智能操作UI相对应的人工智能操作请求信号发送到空调；如果接收到人工智能操作请求信号，由空调将空调的当前温度发送到外部设备；由空调取决于当前温度的发送从所述外部设备接收推荐温度，所述推荐温度是通过将当前温度应用于学习模型而获得的结果；和由空调在空调中设定接收的推荐温度，其中，学习模型是使用在空调中先前设定的多个设定温度和多个当前温度来学习的学习模型。

根据本公开的实施例，当使用人工智能技术自动推荐在空调中设定的温度时，可以极大地提高控制温度的用户的便利性。特别是，可以为用户提供对用户而言最理想的推荐温度。

此外，根据本公开的用于使用学习模型的方法，可以基于设定空调的用户的温度设定历史来连续更新学习模型，并且可以提高学习模型的性能，使得在使用根据本发明的学习模型时可以向用户提供最理想的推荐温度。

也就是说，可以生成针对使用空调的用户中的每一个定制的学习模型，因此可以提供适合于多个用户中的每一个的最佳推荐温度。

此外，本公开的各种实施例可以获取或预期的效果应当在本公开的详细描述中直接或隐含地公开。例如，本公开的各种实施例可以预期的各种效果将在下面将描述的详细描述中公开。

通过以下结合附图公开了本公开的各种实施例的详细描述，本公开的其它方面优点和显著特征对于本领域技术人员将变得清楚。

附图说明

通过参考附图描述本公开的某些实施例，本公开的上述和/或其它方面将更加清楚，其中：

图1A和图1B是示出根据本公开的实施例的用于生成和使用学习模型的网络系统的示图；

图2A和图2B是示出根据本公开的实施例的数据学习服务器的配置的示图；

图3A和图3B是根据本公开的实施例的网络系统的流程图；

图4是示出根据本公开的实施例的学习模型的生成的示例的表格；

图5是示出根据本公开的实施例的向学习数据赋予权重的示例的示图；

图6是示出根据本公开的实施例的云服务器的结构的示图；

图7A和图7B是示出根据本公开的实施例的生成学习模型的程序的示图；

图8是示出根据本公开的实施例的空调的配置的框图；

图9是示出根据本公开的实施例的用户终端U的配置的框图；

图10A和图10B是示出根据本公开的实施例的其上显示推荐温度的用户终端的屏幕的示图；

图11是根据本公开的实施例的用于生成数据学习服务器的学习模型的方法的流程图；

图12是示出根据本公开的实施例的用于使用数据学习服务器的学习模型的方法的流程图；

图13是示出根据本公开的实施例的用于提供空调的推荐温度的方法的流程图；

图14是示出根据本公开的实施例的用于控制用户终端的空调的方法的流程图；和

图15是根据本公开的实施例的包括用户终端和空调的网络系统的流程图。

在整个附图中，相同的附图标记将被理解为指代相同的部件、组件和结构。

具体实施方式

提供参考附图的以下描述以帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。它包括各种具体细节以帮助理解，但这些具体细节仅被视为示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可以对本文描述的各种实施例进行各种改变和修改。另外，为了清楚和简明，可以省略对公知功能和结构的描述。

在上文中，基于示例性方法描述了本公开。本文中使用的术语和词语仅用于描述，并不限于书面含义，而是仅由发明人使用以使得能够清楚和一致地理解本公开。可以根据上述内容对本公开进行各种修改和改变。因此，除非另外提及，否则本公开可以在权利要求的范围内自由实施。

说明书和附图中示出的配置中描述的各种实施例仅是所公开的本公开的优选示例，并且在提交本申请时可以存在可以代替本说明书的各种实施例和附图的各种修改。

另外，本说明书的每个附图的相同附图标记或符号表示执行基本相同功能的部件或组件。

另外，本说明书中使用的术语仅用于描述特定实施例而不是限制所公开的本公开。除非上下文另有明确说明，否则本文中使用的单数形式旨在包括复数形式。在整个说明书中，应该理解，术语“包括”及其变体，诸如“包括”和“包含”，指定在说明书中描述的特征、数字、步骤、操作、组件、部件或其组合的存在，但不排除一个或多个其它特征、数字、步骤、操作、组件、部件或其组合的存在或添加。

另外，本文中使用的包括诸如“第一”和“第二”的序号的术语可以用于描述各种组件，但是组件不受这些术语的限制，并且这些术语仅用于将一个组件与其它组件区分开的目的。例如，在不脱离本公开的范围的情况下，“第一”组件可以被命名为“第二”组件，并且“第二”组件也可以被类似地命名为“第一”组件。术语“和/或”包括多个项目的组合或多个项目中的任何一个。

另外，如果任何(例如：第一)组件是“(功能上或通信地)连接”或“耦合”到另一个(例如：第二)组件，则任何组件可以直接连接到另一个组件或者可以经由又一个组件(例如：第三个组件)连接到所述另一个组件。

在下文中，将参考附图详细描述本公开的各种实施例。

图1A和图1B是示出根据本公开的实施例的用于生成和使用学习模型的网络系统的示图。

参考图1A，网络系统可以包括空调A(Aa或Ab)、用户终端U(Ua或Ub)和云服务器C。空调A可以是用于控制室内环境的温度或湿度的家用电器。空调A可以划分为壁装式(如空调Aa)和支架式(如空调Ab)。

用户终端U可以是用于远程控制空调A的设备。类似于用户终端Ua，用户终端U可以是安装有空调控制应用(或app)的智能电话、蜂窝电话或平板PC。或者，类似于用户终端Ub，用户终端U可以是专用于空调的远程控制器(或遥控器)。另外，用户终端U可以是智能TV，数码相机，个人数字助理(personal digital assistant，PDA)，便携式多媒体播放器(portable multimedia player，PMP)，笔记本计算机、台式计算机等，但不限于上述示例。

用户终端U可以远程控制空调A。例如，用户终端U可以使用诸如ZigBee、WIFI、蓝牙、移动通信、局域网(local area network，LAN)、广域网(wide area network，WAN)、红外数据协会(infrared data association，IrDA)、UHF和VHF的RF通信技术来发送控制命令到空调A。

云服务器C可以经由第三设备(例如，接入点(access point，AP)、转发器、路由器、网关、集线器等)连接到或直接连接到空调A。

云服务器C可以包括一个或多个服务器。例如，云服务器C可以包括桥接服务器BS、智能家庭服务服务器SS和数据学习服务器DS中的至少一个。在这种情况下，桥接服务器BS、智能家庭服务服务器SS和数据学习服务器DS中的两个或更多个可以集成到一个服务器中。或者，桥接服务器BS、智能家庭服务服务器SS和数据学习服务器DS中的至少一个可以分成多个子服务器。

桥接服务器BS(或设备状态信息导入服务器)可以导入智能家用电器(例如，空调、洗衣机、冰箱、清洁器、烤箱等)的状态信息。

桥接服务器BS可以包括连接API BS1和设备状态数据DB BS2。

连接API BS1可以包括应用编程接口(在下文中，称为API)，其用作根据异构协议操作的不同设备之间的接口。API可以被定义为一组子例程或函数，其可以从任何一个协议调用以用于另一协议的任何处理。也就是说，API可以提供其中可以在任何一个协议中执行另一协议的操作的环境。

桥接服务器BS可以使用连接API BS1导入空调的状态信息。然后，桥接服务器BS可以将导入的空调的状态信息存储在设备状态数据DB BS2中。

智能家庭服务服务器SS(或外部环境信息导入服务器)可以导入外部环境信息。外部环境信息可以包括例如外部温度和外部湿度中的至少一个作为外部内容服务器CP(例如，气象站服务器，气眼服务器等)提供的天气信息。

数据学习服务器DS可以生成学习模型并使用学习的生成模型获取学习模型应用结果。

数据学习服务器DS包括数据导入API DS1、数据分析引擎DS2、分析DB(DS3)和数据服务API(DS4)。

图1A示出了其中数据学习服务器DS生成学习模型的网络系统，并且图1B示出了其中使用数据学习服务器DS的所生成的学习模型的网络系统。

首先，将参考图1A描述其中数据学习服务器DS生成学习模型的网络系统的程序。

在操作①中，空调A可以经由第三设备(例如，接入点AP、转发器、路由器、网关、集线器等)将空调A的状态信息(例如，设定温度、当前温度等)发送到云服务器C。云服务器C的桥接服务器BS可以使用连接API BS1导入从空调A发送的空调A的状态信息，并将导入的空调A的状态信息存储在设备状态数据DB BS2中。

取决于用户的期望温度，空调A的状态信息可以包括在空调A中设定的设定温度和在设定温度时空调的当前温度(例如，室温和环境温度)。

用户的期望温度通常可以与在空调A中设定的设定温度相同，但也可以是由空调A逐步设定的设定温度，直到达到期望温度。

另外，在设定温度时的当前温度(或室温和环境温度)可以包括例如在温度设定时间(例如，在执行设定空调的温度的用户的操作时)由空调A感测的温度、在温度设定之后的一定时间(例如，10分钟)内由空调A感测的温度、和在温度设定之前事先感测的并且被存储的最近温度中的至少一个。

空调A的状态信息可以包括在空调A中设定的操作模式信息。操作模式可以包括例如智能舒适模式、热带夜间酣睡模式、无风热带夜间酣睡模式、2步冷却模式等，但不限于上述模式。

根据各种实施例，在设定空调A的温度时的时间信息也可以存储在设备状态数据DB BS2中。在设定温度时的时间信息包括例如设定温度的用户的操作时间、桥接服务器BS接收设定温度的时间和在设备状态数据DB BS2中存储设定温度的时间中的至少一个。

根据各种实施例，空调A的位置信息也可以存储在设备状态数据DB BS2中。在这种情况下，空调A的位置信息可以通过在设定温度时被接收而被存储或者被事先存储。

在操作②中，智能家庭服务服务器SS可以每隔预定时段(例如，在5分钟到30分钟之间)从通信外部内容服务器CP导入外部环境信息(或天气信息)，并将导入的外部环境信息存储在天气数据DB SS1中。

外部环境信息可以包括室外温度、室外湿度、灰尘浓度、降水量和日照量中的至少一个，但不限于上述示例。

在操作③和③'中，数据学习服务器DS可以使用数据导入API DS1来获取存储在桥接服务器BS的设备状态数据DB BS2中的空调A的状态信息。另外，数据学习服务器DS可以使用数据导入API DS1来获取存储在智能家庭服务服务器SS中的天气数据DB SS1中的外部环境信息。

在这种情况下，外部环境信息是在设定空调A的温度时的外部环境信息，并且可以是基于存储在设备状态数据DB BS2中的在设定的空调A的温度时的时间信息从天气数据DBSS1搜索的信息。

具体地，在设定温度时的外部环境信息可以包括例如在用户设定温度时的外部环境信息、用户设定温度时的时区中的外部环境信息(例如，早上/白天/晚上或上午/下午)、以及当用户设定温度时的月份或季节中的外部环境信息中的至少一个。

另外，外部环境信息可以是基于空调A的位置信息获取的天气信息。例如，外部环境信息可以是基于存储在设备状态数据DB BS2中的空调A的位置信息从天气数据DB SS1搜索的天气信息。

在操作④中，数据学习服务器DS的数据分析引擎DS2可以使用所获取的空调A的状态信息和外部环境信息作为学习数据来生成学习模型。

根据各种实施例，数据学习服务器DS的数据分析引擎DS2还可以使用在设定空调A的温度时的时间信息作为学习数据来生成学习模型。

另外，数据分析引擎DS2还可以在设定空调A的温度时为空调A的每个操作模式生成多个学习模型。

例如，数据分析引擎DS2可以分别生成在智能舒适模式中可用的学习模型、在热带夜间酣睡模式中可用的学习模型、在无风热带夜间酣睡模式中可用的学习模型、以及在两步冷却模式中可用的学习模型。

另外，数据学习服务器DS可以以例如时间、日和月作为建模时段的单位来执行，在此期间数据学习服务器DS使用学习数据生成学习模型(或刷新学习模型)，或者可以在生成事件时执行，但是建模时段不限于上述时段。

稍后将参考图4、图5和图7更详细地描述数据学习服务器DS生成学习模型的过程。

在操作⑤中，数据学习服务器DS可以将生成的学习模型存储在分析DB DS3中。在这种情况下，学习模型可以不是通用学习模型，而可以是配置或构造成提供空调A的推荐温度的学习模型。

参考图1B，将描述使用由数据学习服务器DS生成的学习模型的网络系统的程序。

在操作⑥中，空调A可以从用户终端U接收请求执行人工智能功能(例如，AI模式开启)的控制命令。

在操作⑦中，空调A可以经由第三设备(例如，接入点AP)将空调A的状态信息(例如，当前温度、操作模式等)发送到云服务器C。云服务器C的数据学习服务器DS可以使用数据服务API DS4获取空调A的状态信息。

在操作⑧中，数据学习服务器DS可以输入所获取的空调A的状态信息作为经学习的学习模型，以提供存储在分析DB DS3中的空调A的推荐温度。

在操作⑨中，数据学习服务器DS可以获取空调A的推荐温度作为应用学习模型的结果。

在操作⑩中，数据学习服务器DS可以经由第三设备(例如，接入点AP)将获取的空调A的推荐温度发送到空调A。此外，在步骤⑩'中，数据学习服务器DS可以将获取的空调A的推荐温度发送到用户终端U。

在操作中，已经接收到推荐温度的空调A可以将空调A的温度设定为接收的推荐温度。

另外，在操作中，已经接收到推荐温度的用户终端U可以显示接收到的推荐温度，使得用户可以确认接收到的推荐温度。或者，如在操作中那样，已经接收到推荐温度的用户终端U可以显示指示与用户预定的设定温度历史相比较采用优选推荐温度的视觉信息。

图2A和图2B是示出根据本公开的实施例的数据学习服务器的配置的示图。

图2A的数据学习服务器DS是用于生成学习模型的功能框图，并且图2B的数据学习服务器DS是使用所生成的学习模型的功能框图。

在图2A和图2B中，数据学习服务器DS可以包括通信单元201、储存器202和处理器203。

通信单元201可以执行与外部设备的通信。

外部设备可以包括外部服务器(例如，桥接服务器、智能家庭服务服务器等)和空调A中的至少一个。

通信单元201可以以有线或无线通信方式执行与外部设备的通信。无线通信可以包括例如蜂窝通信、近场通信或全球导航卫星系统(global navigation satellitesystem，GNSS)通信。蜂窝通信可以包括例如长期演进(long-term evolution，LTE)、先进的LTE(LTE-advance，LTE-A)、码分多址(code division multiple access，CDMA)、宽带CDMA(wideband CDMA，WCDMA)、通用移动电信系统(universal mobile telecommunicationsystem，UMTS)、无线宽带(wireless broadband，WiBro)、全球移动通信系统(globalsystem for mobile communications，GSM)等。近场通信可以包括例如无线保真(wirelessfidelity，WiFi)、WiFi直连、光保真(LiFi)、蓝牙、蓝牙低功耗(BLE)、Zigbee、近场通信(near field communication，NFC)、磁安全传输、射频(radio frequency，RF)和体域网(body area network，BAN)。通信单元201还可以称为通信器。

数据学习服务器DS可以包括储存器202。储存器202可以存储由数据学习服务器DS生成的学习模型。

储存器202可以包括易失性和/或非易失性存储器。易失性存储器可以包括例如随机存取存储器(random access memory，RAM)(例如，DRAM、SRAM或SDRAM)。非易失性存储器可以包括例如一次性可编程只读存储器(one-time programmable read-only memory，OTPROM)、可编程只读存储器(programmable read-only memory，PROM)、可擦除可编程只读存储器(erasable programmable read-only memory，EPROM)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、掩模ROM、闪存ROM、闪存、硬盘驱动器或固态驱动器(solid status drive，SSD)。

处理器203可以包括中央处理单元、应用处理器、图形处理单元(graphicprocessing unit，GPU)、相机图像信号处理器和通信处理器(communication processor，CP)中的一个或多个。根据实施例，处理器203可以实现为片上系统(system on chip，SoC)或系统级封装(system in package，SiP)。处理器203可以驱动例如操作系统或应用程序以控制连接到处理器203的数据学习服务器(data learning server，DS)的至少一个其它组件(例如，硬件或软件组件)，并且可以执行各种数据处理和操作。处理器203可以将从其它组件(例如，通信单元201)接收的命令或数据加载到易失性存储器中，并处理加载的命令或数据，并且可以将结果数据存储在非易失性存储器中。

图2A和图2B是示出根据本公开的实施例的数据学习服务器的配置的示图。

图2A的数据学习服务器DS是用于生成学习模型的功能框图，并且图2B的数据学习服务器DS是使用所生成的学习模型的功能框图。

参考图2A和图2B，数据学习服务器DS可以包括通信单元201、储存器202和处理器203。

通信单元201可以执行与外部设备的通信。

外部设备可以包括外部服务器(例如，桥接服务器、智能家庭服务服务器等)和空调A中的至少一个。

通信单元201可以以有线或无线通信方式执行与外部设备的通信。无线通信可以包括例如蜂窝通信、近场通信或全球导航卫星系统(GNSS)通信。蜂窝通信可以包括例如长期演进(LTE)、先进的LTE(LTE-A)、码分多址(CDMA)、宽带CDMA(WCDMA)、通用移动电信系统(UMTS)、无线宽带(WiBro)、全球移动通信系统(GSM)等。近场通信可以包括例如无线保真(WiFi)、WiFi直连、光保真(LiFi)、蓝牙、蓝牙低功耗(BLE)、Zigbee、近场通信(NFC)、磁安全传输、射频(RF)和体域网(BAN)。

数据学习服务器DS可以包括储存器202。储存器202可以存储由数据学习服务器DS生成的学习模型。

储存器202可以包括易失性和/或非易失性存储器。易失性存储器可以包括例如随机存取存储器(RAM)(例如，DRAM、SRAM或SDRAM)。非易失性存储器可以包括例如一次性可编程只读存储器(OTPROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、掩模ROM、闪存ROM、闪存、硬盘驱动器或固态驱动器(SSD)。

处理器203可以包括中央处理单元、应用处理器、图形处理单元(GPU)、相机图像信号处理器和通信处理器(CP)中的一个或多个。根据实施例，处理器203可以实现为片上系统(SoC)或系统级封装(SiP)。处理器203可以驱动例如操作系统或应用程序以控制连接到处理器203的数据学习服务器(DS)的至少一个其它组件(例如，硬件或软件组件)，并且可以执行各种数据处理和操作。处理器203可以将从其它组件(例如，通信单元201)接收的命令或数据加载到易失性存储器中，并处理加载的命令或数据，并且可以将结果数据存储在非易失性存储器中。

图2A的处理器203可以被描述为用于生成学习模型的功能框图。

在图2A中，处理器203可以包括学习数据获取单元203a和模型学习单元203b。

学习数据获取单元203a可以通过通信单元201获取在空调A中设定的设定温度和在设定温度时空调A的当前温度。例如，学习数据获取单元203a可以从通信地连接到空调A的桥接服务器BS获取设定温度和当前温度。或者，学习数据获取单元203a还可以从空调A或通信地连接到的空调A的第三设备获取设定温度和当前温度。

另外，学习数据获取单元203a还可以通过通信单元201获取外部环境信息。外部环境信息可以包括外部温度和外部湿度中的至少一个。例如，学习数据获取单元203a可以从通信地连接到外部内容提供服务器CP的智能家庭服务服务器SS获取外部环境信息。

模型学习单元203b可以使用所获取的设定温度和当前温度来生成或更新学习模型。当学习数据获取单元203a进一步获取外部环境信息时，模型学习单元203b可以使用设定温度、当前温度和外部环境信息来生成或更新学习模型。另外，当学习数据获取单元203a还获取在设定空调A的温度时的时间信息时，模型学习单元203b可以使用设定温度、当前温度和时间信息生成或更新学习模型。

储存器202可以存储经学习的学习模型以提供将在空调A中设定的推荐温度作为学习模型的生成或更新结果。

另一方面，当模型学习单元203b生成或更新针对空调A的每个操作模式的多个学习模型时，储存器202可以分别存储多个学习模型。

图2B的处理器203可以被描述为用于使用学习模型的功能框图。

在图2B中，处理器203可以包括识别数据获取单元203c和模型应用器203d。在这种情况下，储存器202可以存储经学习的学习模型以提供将在空调A中设定的推荐温度。

在图2B中，识别数据获取单元203c可以获取空调A的当前温度。

模型应用器203d可以将获取的当前温度输入到储存器202的学习模型，并获取将在空调A中设定的推荐温度。

当识别数据获取单元203c进一步获取外部环境信息时，模型应用203d可以将当前温度和外部环境信息输入到学习模型，以获取将在空调A中设定的推荐温度。

另外，当储存器202存储针对空调A的每个操作模式的多个学习模型时，模型应用203d可以将当前温度设定到与空调A的当前操作模式相对应的学习模型，以获取空调A的推荐温度。

通信单元201可以将获取的推荐温度发送到外部设备。外部设备可以是例如空调A或通信地连接到空调A的第三设备。

图3A和图3B是根据本公开的实施例的网络系统的流程图。

网络系统的流程图示出了空调A、用户终端U和云服务器C之间的数据流程序。

参考3A和图3B，网络系统的流程图可以包括导入学习数据的数据导入程序351、基于学习数据生成数据模型的程序352、操作人工智能功能的程序353、以及为每个功能设定优选模式的程序354。

在图3A中，空调A可以包括微计算机301和近场通信模块(例如，Wi-Fi模块)302。微计算机301对应于图2A和图2B的处理器203，并且近场通信模块302可以对应于图2A和图2B的通信单元201。空调A可以使用近场通信模块302经由网络与用户终端U和云服务器C通信。此外，空调A可以经由与近场通信模块302相关的API呼叫接收由云服务器C推荐的推荐温度，并且取决于推荐温度设定空调A的温度。

用户终端U可以包括移动应用(app)(或移动应用程序)303。移动应用303可以设定人工智能功能和空调A的操作模式，并执行在用户终端U上显示由云服务器C提供的推荐温度的功能。

云服务器C可以包括桥接服务器BS、DB服务器(304)和数据学习服务器DS。DB服务器304可以是桥接服务器BS的一部分或者与桥接服务器BS物理分离的第三服务器。

首先，在操作311，用户终端U可以经由移动应用303接收用户输入以改变(或设定)期望温度。移动应用303可以是例如提供用于控制空调的用户界面的应用。

在操作312中，取决于用户的输入，用户终端U可以经由近场通信模块302将控制命令发送到微计算机301，以将空调A设定为期望温度。

或者，在操作311'，用户可以经由远程控制设备Ub改变期望温度。在操作312'中，远程控制设备Ub可以根据用户的改变输入将用于将空调A设定为期望温度的控制命令发送到微计算机301。

在操作313中，空调A的微计算机301可以响应于用户的期望温度改变请求生成期望温度改变事件，并且经由近场通信模块302将所生成的期望温度改变事件发送到桥接服务器BS。此时，期望温度改变事件可以包括事件数据。事件数据可以包括例如空调A的状态信息。空调A的状态信息可以包括期望温度(或设定温度)和在设定期望温度时的当前温度。

另外，事件数据可以包括例如空调A的操作模式信息和时间信息。操作模式信息可以包括例如指示在接收用户的控制命令时空调A的操作模式、或者在生成期望温度改变事件时空调A的操作模式的信息。时间信息可以包括例如关于用户接收控制命令的时间的信息或关于生成期望温度改变事件的时间的信息。

在操作314中，桥接服务器BS可以将事件数据发送到DB服务器304。在操作315中，DB服务器304可以存储接收的事件数据。

在操作316中，DB服务器304可以定期将所存储的事件数据发送到数据学习服务器DS。例如，DB服务器304可以每日以每日批处理文件形式发送事件数据。此时，每日批处理文件可包括多个事件数据。例如，当每天多次生成用户的期望温度改变请求时，可以生成多个事件数据，所述多个事件数据又被存储在DB服务器304中。多个生成的事件数据可以被包含在每日批处理文件中而被发送到数据学习服务器DS。

在操作317中，数据学习服务器DS可以使用所接收的事件数据作为学习数据来生成学习模型。例如，数据学习服务器DS可以使用空调A的设定温度、当前温度、外部环境信息、操作模式信息和时间信息中的至少一个来生成学习模型。

在已经生成学习模型的情况下，如在操作318中，用户终端U可以接收打开空调A的人工智能功能的用户输入。部分屏幕318a示出用户终端U的屏幕的一部分，其包括用于打开人工智能功能的用户界面。在部分屏幕318a中，用户终端U可以接收选择“AI定制操作”执行对象318b的用户输入以打开AI功能。

在操作319中，取决于用户的输入，用户终端U可以经由近场通信模块302向微计算机301发送人工智能功能激活命令，以打开空调A的AI功能。

基于人工智能功能激活命令，微计算机301可以如操作320中那样经由近场通信模块302将指示空调A的人工智能功能被激活的设备状态信息发送到用户终端U。在这种情况下，空调A的状态信息可以通过被包括在通知事件中来发送。

或者，如在操作321中，用户终端U可以经由近场通信模块302将请求空调A的状态信息的设备信息请求命令发送到微计算机301。可以通过以下方式发送设备信息请求命令，例如，包含在'GET DEVICE'(‘获取设备’)消息中。

基于设备信息请求命令，微计算机301可以经由近场通信模块302将设备信息响应发送到用户终端U，如在操作322中那样。在这种情况下，设备信息响应可以包括指示空调A的人工智能功能被设定为打开的人工智能设定信息作为空调A的状态信息。

即，通过考虑存在用于控制空调A的人工智能功能的多个用户终端U的情况，空调A可以向用户终端U通知空调A的人工智能功能是定期被激活还是在事件发生时被激活。

这样，当空调A的人工智能功能被激活时，用户终端U可以接收用于设定操作模式的用户输入。

参考图3B，在操作323中，用户终端U可以接收请求智能舒适模式的执行的用户输入。

在操作324中，取决于用户的输入，用户终端U可以经由近场通信模块302将智能舒适控制命令发送到微计算机301，以执行空调A的智能舒适模式。

基于智能舒适控制命令，微计算机301可以经由近场通信模块302将推荐温度(或优选温度)请求命令发送到数据学习服务器DS，如在操作325中那样。此时，推荐温度请求命令可以包括例如空调A的当前温度作为空调A的状态信息。或者，推荐温度请求命令还可以包括指示当前操作模式的操作模式信息和空调A的位置信息中的至少一个。

在操作326中，数据学习服务器DS可以获取空调A的推荐温度作为应用空调A的状态信息的学习模型的结果。即，数据学习服务器DS可以将空调A的状态信息输入存储在数据学习服务器DS中的学习模型，以获取空调A的推荐温度。

在这种情况下，数据学习服务器DS可以基于空调A的操作模式信息将空调A的状态信息应用于与空调A的操作模式相对应的学习模型，以获取空调A的推荐温度。在本实施例中，数据学习服务器DS可以通过将空调A的状态信息应用于与智能舒适模式相对应的学习模型来获取空调A的推荐温度。

一旦获取推荐温度，在操作327中，数据学习服务器DS可以经由近场通信模块302将获取的推荐温度发送到微计算机301。

在操作328中，接收推荐温度的微计算机301可以将推荐温度改变为设定温度。然后，微计算机301可以取决于改变的设定温度来控制空调A。

另一方面，如果在微计算机301向数据学习服务器DS请求推荐温度之后没有在预定时间(例如，30秒)329内从数据学习服务器DS接收到响应，则在操作330中，微计算机301可以保持现有设定温度。现有设定温度可以是，例如，在用于请求智能舒适模式的执行的用户输入之前的预定温度、对应于当前操作模式(例如，智能舒适模式)的预定温度等。

图4是示出根据本公开的实施例的学习模型的生成的示例的表格。

参考图4，数据学习服务器DS可以取决于空调A的类型401和空调A的模式402使用不同的学习数据403来执行学习程序404。例如，空调A的类型401可以包括地板空调(floorair conditioner，FAC)型(或立式空调)和室内空调(壁挂式空调)(room airconditioner，RAC)型。在这种情况下，数据学习服务器DS可以生成与作为地板空调的操作模式的智能舒适模式、热带夜间酣睡模式和无风热带夜间酣睡模式中的每一个相对应的学习模型。另外，数据学习服务器DS可以生成与作为室内空调的操作模式的2步冷却模式、热带夜间酣睡模式和无风热带夜间酣睡模式中的每一个相对应的学习模型。

如果生成了考虑空调A的类型401和空调A的模式402的根据学习程序404的每个学习模型，则数据学习服务器DS可以使用学习模型来获取推荐温度。在这种情况下，可以考虑针对每个操作模式的设定范围405来获取推荐温度。例如，当由数据学习服务器DS获取的推荐温度超出设定范围405时，可以将设定范围405中的最接近推荐温度的温度确定为最终推荐温度。

参考图4描述在智能舒适模式411中生成学习模型的程序的示例，可以使用室温(或当前温度)和期望温度(或设定温度)。在这种情况下，室温可以是在改变期望温度时测量的室温。另外，作为学习数据，可以使用在特定时间段内导入的数据。特定时间段可以是例如在特定年份、特定月份或特定季节中导入的数据。特定数据可以是基于使用与空调A相同或类似产品的未指定的用户以及空调A的用户的空调的温度设定历史信息来导入的数据。此时，未指定的用户可以限于例如与空调A相同或相似的区域或相同或相似的环境中的用户。

在智能舒适模式411中，数据学习服务器DS可以使用当前温度(或室温)、外部温度、外部湿度和期望温度作为学习数据。

另外，数据学习服务器DS可以使用基于空调A的本地信息的外部环境信息作为学习数据。另一方面，当数据学习服务器DS可能不能确认空调A的本地信息时，数据学习服务器可以使用当前温度和期望温度作为学习数据来生成、学习和刷新学习模型。

数据学习服务器DS可以通过使用生成的、学习的和刷新的学习模型来获取将在空调A中设定的推荐温度。

在这种情况下，如果获取的推荐温度超出22℃至26℃的设定范围，则数据学习服务器DS可以考虑设定范围来确定最终推荐温度。

例如，如果使用学习模型获取的推荐温度低于22℃，则数据学习服务器DS可以将推荐温度确定为22℃。另外，如果使用学习模型获取的推荐温度高于或等于26℃，则数据学习服务器DS可以确定推荐温度为26℃。

根据各种实施例，当生成学习模型时，数据学习服务器DS还可以向最近导入的学习数据分配权重以生成学习模型。

图5是示出根据本公开的实施例的向学习数据赋予权重的示例的示图。

参考图5，数据学习服务器DS可以分别针对1天、2天和3天导入的学习数据不同地分配权重，如图5中的501，502和503那样。

例如，在图5的501中，数据学习服务器DS可以为过去一年的所有数据(例如，从未指定的用户导入的数据)分配权重0.8，并且为在第一天导入的空调A的用户个人数据(用户的期望温度和当前温度等)分配权重0.2。类似地，在图5的502中，数据学习服务器DS可以为过去一年的所有数据和在第一天导入的空调A的用户个人数据分配权重0.8，并且为在第二天导入的空调A的用户个人数据分配权重0.2。另外，在图5的503中，数据学习服务器DS可以为过去一年的所有数据和在第一天和第二天导入的空调A的用户个人数据分配权重0.8，并且为在第三天导入的用户个人数据分配权重0.2。

另一方面，上述权重值仅是示例，并且数据学习服务器DS可以由数据学习服务器DS的制造商、管理者、操作系统、应用提供商等预设为不同的值。例如，在图5中，代替权重0.8和权重0.2，可以各自使用权重0.9和权重0.1。作为另一个示例，在图5中，代替权重0.8和权重0.2，可以各自使用权重0.7和权重0.3。

另一方面，上述权重可以是可变类型，其取决于情况而改变而不是预定的固定类型。

在这种情况下，权重可以由数据学习服务器DS的管理员、空调的用户等手动改变，或者可以取决于特定条件自动改变。例如，随着导入的学习数据的总量增加，最近导入的个人数据的权重也可以相应地增加。

图6是示出根据本公开的实施例的云服务器的结构的示图。

云服务器C可以包括批处理器601、内容提供商(contents provider，CP)数据收集器602、CSV制作器603、模型制作器604和学习温度提供服务器API 605。上述云服务器C的组件601至604使用和处理存储在云服务器C的储存器(或数据库)中的数据，以生成适合于空调A的推荐温度。

首先，云服务器C可以在设备状态储存器651中存储包括取决于空调A的状态改变事件的生成而获取的空调A的状态信息的设备状态数据。设备状态储存器651可以例如对应于图1A和图1B的设备状态数据DB BS2。云服务器C可以每隔预定时段(例如，每天)获取存储在设备状态储存器651中的状态信息，并且将取决于特定标准(例如，按日期)生成的原始数据存储在对象储存器652中。

云服务器C的批处理器601可以获取并过滤对象储存器652中的行数据，并将过滤后的数据存储在分布式环境数据DB(例如，非关系型数据库，Not Only SQL DB，NoSQL DB)653中。过滤后的数据可以是，例如，包括空调A的设备状态数据或从元数据提取的状态信息的数据。

另外，CP数据收集器602可以将包括从外部内容服务器CP导入的天气信息的天气数据存储在对象储存器654中。

云服务器C的CSV制作器603细化从对象分布式环境数据DB 653和对象储存器654获取的数据，以生成适合于学习模型的生成的特定格式(例如，CSV格式)的数据，并且将所生成的数据存储在对象储存器655中。

模型制作器604可以从对象储存器655获取特定格式的数据，使用所述数据生成学习模型，并将生成的学习模型存储在对象储存器656中。

当需要使用学习模型时，云服务器C可以将存储在对象储存器655中的学习模型临时存储在高速缓存657中，其中高速缓存657是高速存储存储器。

在需要使用学习模型的情况下，云服务器C的推荐温度提供API 605可以通过使用存储在高速缓存657中的学习模型来获取空调A的推荐温度。

云服务器C可以将通过获取的推荐温度提供API 605获取的推荐温度发送到空调A和用户终端U的移动应用(app)。

同时，在图6中，为了便于说明，对象储存器652、654、655和656由不同的附图标记表示，但是对象储存器652、654、655和656可以表示相同的对象储存器或者可以意指两个或更多个分布式对象储存器。

图7A和图7B是示出根据本公开的实施例的生成学习模型的程序的示图。

可以使用人工智能算法生成学习模型。例如，可以使用决策树算法、支持向量机算法、线性辨别分析算法、遗传算法或模拟人神经网络中的神经元的神经网络算法来生成学习模型。神经网络算法可以包括具有权重的多个网络节点。多个网络节点可以各自建立连接关系，使得神经元模拟通过突触来发送和接收信号的突触活动。而且，可以使用在神经网络算法中开发的深度学习算法来生成学习模型。在深度学习算法中，多个网络节点可以在位于不同的深度(或层)的同时，取决于卷积连接关系发送和接收数据。学习模型可以包括诸如深度神经网络(deep neural network，DNN)、递归神经网络(recurrent neuralnetwork，RNN)和可以提供双向递归深度神经网络(bidirectional recurrent deepneural network，BRDNN)的模型，但不限于上述示例。

为了便于描述，本公开描述了使用线性回归作为用于学习模型的生成的算法来提供推荐温度的方法。

数据学习服务器DS可以根据线性回归算法导出诸如以下等式1的学习模型

y＝a0+a1x1+a2x2+a3x3...等式1

在上面的等式1中，y是与在空调A中设定的设定温度相关的变量，并且a0、a1、a2和a3是常数值。另外，x1是与当前温度相关的变量，x2是与室外温度相关的变量，x3是与室外湿度相关的变量。

为了便于理解，在上述等式1中的学习变量(或学习元素)的数量是2的情况下的学习模型由以下等式2表示。

y＝a0+a1x1...等式2

在这种情况下，图7A的表格示出了取决于空调的当前温度(或环境温度、室温)711的设定温度(例如，用户的设定温度)712。

基于线性回归算法，数据学习服务器DS可以导出学习模型，所述学习模型是表示设定温度712依赖于当前温度711的关系的计算表达式。

这在图7B中示出的图形中示出。

参考图7B，图7A中的当前温度711和设定温度712当在x轴和y轴上绘制时，可以对应于图形中的标记'X'。

在这种情况下，可以获取使用线性回归算法的线性回归线721，使得多个“X”标记的误差之和很小。即，在上面的等式2中，可以计算具有在空调A的设定温度712与预测温度之间的最小差的常数值a0和a1。

反映计算的常数值的线性回归模型的示例如下。

y＝29.91840623+(-0.3717125)x1...等式3

因此，数据学习模型DS可以基于以下等式3根据空调A的推荐温度请求命令向空调A提供推荐温度。

例如，当空调A周围的当前室温为26℃时，通过使用上述等式3的学习模型提供的推荐温度可以是19℃。

根据各种实施例，可以连续刷新(或更新)学习模型。

为此，数据学习服务器DS还可以包括模型刷新器(未示出)。模型刷新器可以分析在已经事先构建的学习模型中使用的基本学习数据与新输入的学习数据之间的相关性来确定是否刷新学习模型。此时，可以基于生成学习数据的区域和时间、时间、提供学习数据的空调的模型等来确定相关性。

例如，模型刷新器可以通过使用用于设定空调A的温度的用户的温度设定历史、用于推荐温度的用户的改变历史等作为学习数据来连续刷新已经构建的学习模型。

根据各种实施例，学习模型可以存储在空调A的存储器中，而不是存储在单独的服务器中。在这种情况下，在数据学习服务器DS中构建的学习模型可以周期性地或在事件生成时被发送到空调A。

当在空调A中提供学习模型时，空调A可以使用存储的学习模型获取推荐温度。例如，空调A可以通过将所感测的当前温度输入到学习模型来获取推荐温度。在这种情况下，空调A可以在没有用户干预的情况下使用感测的当前温度获取推荐温度，并且可以取决于推荐温度自动设定空调A的温度。

图8是示出根据本公开的实施例的空调的配置的框图。

参考图8，空调A可包括温度传感器810、鼓风扇820、通信单元830、储存器840和处理器850。在各种实施例中，空调A可省略上述组件中的至少一个或者可以另外包括其它组件。

温度传感器810可以感测空调A周围的室温。

鼓风扇820可以通过打开/关闭部分(未示出)将冷却空气排放到外部。或者，在无风模式下，鼓风扇820能够通过多个微孔(未示出)以预定的流速或更小的流速将冷却空气排放到外部。此时，预定流速可以是0.25m/s或更小，优选0.15m/s或更小。

通信单元830可以执行与外部设备的通信。此时，外部设备可以包括云服务器C、数据学习服务器DS和用户终端U中的至少一个。通信单元830与外部设备的通信可以包括经由第三设备等与外部设备通信。例如，通信单元830可以从用户终端U接收用于控制空调A的远程控制信号。

通信单元830可以经由有线通信或无线通信与外部设备通信。例如，通信单元830可以经由蜂窝通信、近场通信、因特网网络以及要经由电缆连接的端口与控制终端设备通信，并且根据诸如通用串行总线(universal serial bus，USB)通信、Wi-Fi、蓝牙、Zigbee、红外数据协会(infrared data association，IrDA)、诸如UHF和VHF的RF、以及超宽带(ultra-wide band，UWB)通信的标准来执行通信。

储存器840存储用于执行空调A的功能的各种软件和程序。具体地，储存器840可以存储根据多个操作模式的温度控制算法。温度控制算法可以包括取决于针对每个操作模式的预定时段的设定温度、风速的强度、风速的方向等的改变。此外，根据本公开，储存器840可以基于设定温度和当前温度来存储经学习的学习模型。

处理器850可以读取存储在储存器840中的程序等。具体地，为了执行空调A的功能，处理器850可以读取包括一系列可读指令的程序并根据设定温度执行温度调控。

处理器850可以感测室内热交换器(未示出)中的制冷剂的压力和/或温度，以感测温度调控是否正常执行。例如，处理器850可以感测室内热交换器的管道是否被损坏或者是否被霜覆盖，以及是否适当地去除了由空气中的蒸汽冷凝生成的水。

处理器850可以控制鼓风扇820的速度。具体地，处理器850可以根据设定温度控制由温度传感器810测量的当前温度和鼓风扇820旋转的速度。具体地，处理器850可以取决于当前温度和设定温度之间的差异来控制鼓风机820旋转的速度。例如，如果当前温度和设定温度之间的差异大，则控制鼓风机820的旋转速度以快速达到设定温度，并且如果室温和设定温度之间的差异小或室温达到设定温度、室温过度下降，则鼓风机820的旋转速度可以变慢，从而室外单元的压缩机不会关闭。例如，处理器850可以控制鼓风扇820的旋转速度在500RPM和900RPM之间。

处理器850可以控制通信单元830将由温度传感器810感测的当前温度和设定温度发送到外部设备。

另外，处理器850可以控制通信单元830接收从外部设备接收的推荐温度，并控制将通过通信单元830获取的推荐温度设定在空调A中作为设定温度。

另外，处理器850可以控制通信单元830将由温度传感器810感测的当前温度发送到外部设备，并且可以取决于来自外部设备的当前温度的发送来接收推荐温度并在空调中设定接收的推荐温度。在这种情况下，推荐温度可以是使用在空调A中设定的多个设定温度和多个当前温度将由温度传感器810感测的当前温度应用于经学习的学习模型的结果。在这种情况下，外部设备可以包括云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

根据各种实施例，可以存在包括空调A和学习模型服务器DS的网络系统，所述学习模型服务器DS使用从空调A获取的学习数据生成学习模型。

在这种情况下，网络系统的空调A可以包括感测当前温度的温度传感器810、将冷却空气排放到外部的鼓风扇820、以及能够与外部设备通信的通信单元830。空调A可以包括处理器850，所述处理器850控制通信单元830将在空调A中设定的设定温度和由温度传感器810感测的当前温度发送到外部设备。

在这种情况下，外部设备可以包括云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

另外，网络系统的学习模型服务器DS可以包括获取当前温度和从空调A发送的设定温度的学习数据获取单元(例如，图2A的学习数据获取单元203a)、使用设定温度和当前温度生成学习模型的模型学习单元(例如，图2A的模型学习单元203b)、以及存储经学习的学习模型以提供空调A的推荐温度作为生成学习模型的结果的储存器(例如，图2A的存储器202)。

根据各种实施例，可以存在包括空调A和学习模型服务器DS的网络系统，所述学习模型服务器DS使用从空调A获取的识别数据来提供推荐温度。

在这种情况下，网络系统的空调A包括感测当前温度的温度传感器810、将冷却空气排放到外部的鼓风扇820、能够与外部设备通信的通信单元830、以及控制通信单元830将由温度传感器810感测的当前温度发送到外部设备的处理器850。

在这种情况下，外部设备可以包括云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

另外，学习模型服务器DS可以包括存储经学习的学习模型以提供空调A的推荐温度的储存器(例如，图2B的存储器202)、获取空调A的当前温度的识别数据获取单元(例如，图2B的识别数据获取单元203c)、以及通过输入当前温度作为学习模型来获取空调A的推荐温度的模型应用器(例如，图2B的模型应用器203d)、和将获取的推荐温度发送到外部设备的通信单元(例如，图2B的通信单元201)。外部设备可以包括空调A或通信地连接到空调A的第三设备。此外，外部设备可以包括用户终端U或通信地连接到用户终端U以发送推荐温度的第三设备。

图9是示出根据本公开的实施例的用户终端的配置的框图。

参考图9，用户终端U可以包括显示器910、通信单元920、输入930，储存器940和处理器950。

显示器910可以在视觉上向用户终端U的用户提供信息。例如，显示器910可以在处理器950的控制下显示包括人工智能操作UI的屏幕。

通信单元920可以在用户终端U和外部设备之间建立有线或无线通信单元信道，并通过建立的通信信道支持通信性能。外部设备可以包括例如云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

通信单元920可以使用无线通信模块(例如，蜂窝通信模块、局域无线通信模块和全球导航卫星系统(GNSS)通信模块)或有线通信模块(例如，局域网(LAN)通信模块或电力线通信模块)，通过近场通信网络(例如，蓝牙、WiFi方向、或红外数据协会(IrDA)等)或远程通信网络(例如，蜂窝网络、因特网或计算机网络(例如，LAN或WAN)等)与外部设备通信。上述几种通信模块可以实现为单个芯片，或者可以各自实现为单独的芯片。

输入930可以从用户终端U的外部(例如，用户)接收要用于用户终端U的组件(例如，处理器950)的命令或数据。输入930可以包括例如按钮、麦克风、触摸板等。输入930可以将取决于用于控制用户终端U的用户输入而生成的用户输入信号发送到处理器950。

储存器940可以存储由用户终端U的至少一个组件(例如，处理器950)使用的各种数据，例如，软件(例如，程序)，并且可以存储用于与其相关联的命令的输入数据或输出数据。储存器940可以包括易失性和/或非易失性存储器。

所述程序是存储在储存器940中的软件，并且可以包括例如操作系统、中间件或应用。

处理器950可以驱动例如存储在储存器940中的软件(例如，程序)以控制连接到处理器950的用户终端U的至少一个其它组件(例如，硬件或软件组件)，并执行各种数据处理和操作。处理器950可以将从其它组件(例如，通信单元920)接收的命令或数据加载到易失性存储器中，并处理加载的命令或数据，并且可以将结果数据存储在非易失性存储器中。根据实施例，处理器950可以包括主处理器(例如，中央处理单元或应用处理器)、和独立于主处理器操作并且附加地或替代地使用比主处理器更低的功率或专用于指定功能的子处理器(例如，图形处理器、图像信号处理器、传感器集线器处理器或通信处理器)。子处理器可以与主处理器分开操作，或者可以在被嵌入的同时操作。

根据各种实施例，如果经由输入930接收到取决于选择由显示器910提供的屏幕中包括的人工智能操作UI的用户输入的用户输入信号，则处理器950可以控制通信单元920发送与人工智能操作UI相对应的人工智能操作请求信号到空调A。如果通过通信单元920获取到取决于人工智能操作请求信号而在空调A中设定的推荐温度，则处理器950可以控制显示910显示获取的推荐温度。此时，可以获取推荐温度作为通过允许空调A将空调A的当前温度应用于学习模型而获得的结果。在这种情况下，处理器950可以控制显示器910，使得用户在当前温度下显示在过去在空调A中设定的设定温度以及推荐温度。

根据各种实施例，可以存在包括空调A和控制空调A的用户终端U的网络系统。

在这种情况下，如果经由输入930接收到取决于选择由用户终端U的显示器910提供的屏幕中包括的人工智能操作UI的用户输入的用户输入信号，则处理器950可以控制通信单元920将与人工智能操作UI相对应的人工智能操作请求信号发送到空调A。

如果空调A通过空调A的通信单元830接收到人工智能操作请求，则空调A的处理器850可以控制通信单元830将空调A的当前温度发送到外部设备。空调A的处理器850可以控制通信单元830从外部设备接收取决于当前温度的发送的推荐温度。处理器850可以在空调A中设定通过通信单元830接收的推荐温度。在这种情况下，推荐温度可以是通过基于在空调A中先前设定的多个设定温度和多个当前温度将当前温度应用于经学习的学习模型而获得的结果。在这种情况下，外部设备可以包括云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

图10A和图10B是示出根据本公开的实施例的在其上显示推荐温度的用户终端的屏幕的示图。

参考图10A，用户终端U可以通过执行能够控制空调A的应用来显示空调控制屏幕1010。

空调控制屏幕1010可包括打开/关闭空调A的UI 1011、选择空调A的操作模式的UI1012、当前温度信息1013、关于人工智能模式是否操作的信息1014、风门设定UI 1015、风强度设定UI 1016、无风操作UI 1017、关于是否空气清洁操作的UI 1018、人工智能设定UI1019、预约设定UI 1020等。

在这种情况下，当空调控制屏幕1010在用户终端UI的显示器的视口范围之外时，用户可以通过拖动手势在视口范围中显示在视口范围之外的空调控制屏幕1110。

参考图10A和图10B，在这种情况下，如果接收到用于选择人工智能设定UI 1019的用户输入，则用户终端U可以在空调的操作模式(例如，智能舒适模式)下显示人工智能控制屏幕1020，如图10B中所示。人工智能控制屏幕1020可以包括用于空调A的人工智能模式操作的人工智能操作UI 1021和指示空调A的人工智能模式操作的人工智能操作信息1022。

在这种情况下，如果接收到用于选择人工智能操作UI 1021的用户输入，则用户终端U可以基于用户输入获取在空调中设定的推荐温度。例如，用户终端U可以经由通信地连接到云服务器C的第三设备(例如，接入点(AP))获取推荐温度。

然后，用户终端U可以在人工智能控制屏幕1020上显示推荐温度1023。此时，可以基于选择人工智能操作UI 1021的用户输入来获取推荐温度1023，作为通过允许空调A将空调A的当前温度应用于学习模型服务器DS而获得的结果。

用户终端U不仅可以在人工智能控制屏幕1020上显示推荐温度1023，还可以显示过去空调A的用户在空调A中直接设定的设定温度1024。在这种情况下，推荐温度1023和设定温度1034可以一起显示在图形上以相互比较。

图11是示出根据本公开的实施例的用于生成数据学习服务器的学习模型的方法的流程图。

参考图11，在操作1101中，数据学习服务器DS可以获取在空调A中设定的设定温度以及在设定温度时空调A的当前温度。此外，数据学习服务器DS还可以获取空调A的外部环境信息。

此时，数据学习服务器DS可以从通信地连接到空调A的桥接服务器BS获取设定温度和当前温度，并且从通信地连接到外部内容提供服务器(CP)的智能家庭服务服务器SS获取外部环境信息。

此外，数据学习服务器DS还可以在空调A中设定温度时获取时间信息。

在操作1103中，数据学习服务器DS可以使用所获取的设定温度和当前温度来生成或刷新学习模型。

当数据学习服务器DS进一步获取外部环境信息时，数据学习服务器DS可以使用所获取的设定温度、当前温度和外部环境信息来生成或刷新学习模型。

另外，当数据学习服务器DS在设定温度时进一步获取时间信息时，数据学习服务器DS可以使用所获取的设定温度、当前温度和时间信息来生成或刷新学习模型。

在操作1105中，数据学习服务器DS可以存储经学习的学习模型，以提供将在空调A中设定的推荐温度，作为生成和刷新学习模型的结果。

同时，数据学习服务器DS可以为空调A的每个操作模式生成或刷新多个学习模型。在这种情况下，数据学习服务器DS可以存储多个学习模型。

图12是示出根据本公开的实施例的用于使用数据学习服务器的学习模型的方法的流程图。

参考图12，在操作1201中，数据学习服务器DS可以存储经学习的学习模型以提供将在空调A中设定的推荐温度。

在经学习的学习模型被存储的情况下，在操作1203中，数据学习服务器DS可以获取空调A的当前温度。在这种情况下，数据学习服务器DS还可以获取空调A的外部环境信息。

在操作1205中，数据学习服务器DS可以将获取的当前温度输入到经学习的学习模型，以获取将在空调A中设定的推荐温度。

另外，当数据学习服务器DS进一步获取外部环境信息时，数据学习服务器DS可以将获取的推荐温度和外部环境信息输入到学习模型，以获取将在空调A中设定的推荐温度。

同时，数据学习服务器DS可以存储针对空调A的每个操作模式的多个学习模型。在这种情况下，数据学习服务器DS可以将获取的当前温度输入到与空调A的当前操作模式相对应的学习模型，并且将获取的当前温度输入到与空调A的当前操作模式相对应的学习模型，以获取将在空调A中设定的推荐温度。

在操作1207中，数据学习服务器DS可以将获取的推荐温度发送到外部设备。外部设备可以是例如空调A或通信地连接到空调A以发送推荐温度的第三设备。另外，外部设备可以是用户终端U或通信地连接到用户终端U以发送推荐温度的第三设备。

图13是示出根据本公开的实施例的用于提供空调A的推荐温度的方法的流程图。

参考图13，在操作1301中，空调A可以感测空调A的当前温度。

接下来，在操作1303中，空调A可以将感测的当前温度发送到外部设备。例如，空调A可以将感测的当前温度发送到云服务器C、学习模型服务器DS、和与云服务器C或学习模型服务器DS通信地通信的第三设备中的至少一个。

在操作1305中，空调A可以取决于当前温度的发送从外部设备接收推荐温度，所述推荐温度是将当前温度应用于学习模型的结果。在这种情况下，所述推荐温度可以是通过基于在空调A中先前设定的多个设定温度和多个当前温度将当前温度应用于经学习的学习模型而获得的结果。

在操作1307中，空调A可以在空调中设定所接收的推荐温度。

图14是示出根据本公开的实施例的用于控制用户终端的空调的方法的流程图。

参考图14，在操作1401中，用户终端U可以接收取决于选择人工智能操作UI的用户输入的用户输入信号。

在操作1403中，用户终端U可以响应于用户输入信号将与人工智能操作UI相对应的人工智能操作请求信号发送到空调A。

在操作1405中，用户终端U可以获取在空调A中设定的推荐温度作为取决于人工智能操作请求信号将空调A的当前温度应用于学习模型的结果。

在操作1407中，用户终端U可以在屏幕上显示所获取的推荐温度。在这种情况下，用户终端U可以在当前温度下显示用户在空调A中先前设定的设定温度以及推荐温度。

图15是根据本公开的实施例的包括用户终端和空调的网络系统的流程图。

参考图15，在操作1501中，用户终端U可以接收取决于选择人工智能操作UI的用户输入的用户输入信号。

在操作1503中，用户终端U可以将与人工智能操作UI相对应的人工智能操作请求信号发送到空调A。

在操作1505中，空调A可以感测空调A的当前温度。

接下来，在操作1507中，空调A可以将感测的当前温度发送到外部设备1500。外部设备可以包括云服务器C、学习模型服务器DS和通信地连接到云服务器C或学习模型服务器DS的第三设备中的至少一个。

在操作1509中，空调A可以取决于当前温度的发送从外部设备1500接收推荐温度，所述推荐温度是将当前温度应用于学习模型的结果。在这种情况下，学习模型可以是使用在空调A中先前设定的多个设定温度和多个当前温度来学习的学习模型。

在操作1511中，空调A可以在空调中设定所接收的推荐温度。

所公开的实施例可以实现为S/W程序，其包括存储在计算机可读存储介质上的指令。

计算机是从存储介质调用存储的指令并且可以取决于所调用的指令根据所公开的实施例操作的装置，并且可以包括根据所公开的实施例的数据学习服务器或通信地连接到数据学习服务器的外部服务器。或者，根据所公开的实施例，计算机可包括空调或通信地连接到空调的外部服务器。

计算机可读存储介质可以以非暂时性存储介质的形式提供。“非暂时性”意味着存储介质不包括信号和电流，并且是有形的，但是“非暂时性”不区分数据是半永久地还是临时地存储在存储介质中。举例来说，非暂时性存储介质可以是临时存储的介质，诸如寄存器、高速缓存和缓冲器，以及非暂时性可读记录介质，诸如CD、DVD、硬盘、蓝光盘、USB、内存、存储卡、ROM和RAM。

此外，根据所公开实施例的方法可以作为计算机程序产品提供。

所述计算机程序产品可以包括S/W程序、其中存储S/W程序的计算机可读存储介质、或者在卖方和购买者之间交易的产品。

例如，计算机程序产品可以包括经由数据学习服务器、空调制造商或电子市场(例如，Google Play商店，AppStore)电子分发的软件程序形式的产品(例如，可下载的应用)。对于电子分发，软件程序的至少一部分可以被存储在存储介质上或者可以临时生成。在这种情况下，存储介质可以是电子市场的制造商或服务器、或中继服务器的存储介质。

尽管已经图示和描述了本公开的实施例，但是本公开不限于上述特定实施例，而是可以由本公开所属领域的技术人员进行各种修改而不脱离如权利要求中要求保护的本公开的精神和范围。此外，还应该理解这些修改落入本公开的范围内。

虽然已经参考本公开的各种实施例示出和描述了本公开，但是本领域技术人员将理解，在不脱离由所附权利要求及其等同物所限定的本公开的精神和范围的情况下，可以在本公开中进行形式和细节上的各种改变。

Claims (30)

1.一种数据学习服务器，包括：

通信器，被配置为与外部设备通信；

至少一个处理器，被配置为：

经由通信器获取在空调中设定的设定温度和在设定温度时空调的当前温度，以及

使用设定温度和当前温度生成或刷新学习模型；以及

储存器，被配置为存储所生成或刷新的学习模型，以提供在空调中设定的推荐温度作为生成或刷新学习模型的结果。

2.如权利要求1所述的数据学习服务器，其中，所述至少一个处理器还被配置为：

获取外部环境信息，以及

使用设定温度、当前温度和外部环境信息生成或刷新学习模型。

3.如权利要求2所述的数据学习服务器，其中，所述外部环境信息包括在设定温度时的外部温度和外部湿度中的至少一个。

4.如权利要求2所述的数据学习服务器，其中，所述至少一个处理器还被配置为：

经由通信器从通信地连接到空调的桥接服务器获取设定温度和当前温度，以及

经由通信器从通信地连接到外部内容提供服务器的智能家庭服务服务器获取外部环境信息。

5.如权利要求1所述的数据学习服务器，其中，所述至少一个处理器还被配置为：

在设定温度时获取时间信息，以及

使用设定温度、当前温度和时间信息生成或刷新学习模型。

6.如权利要求1所述的数据学习服务器，

其中，所述至少一个处理器还被配置为生成或刷新针对空调的每个操作模式的多个学习模型，以及

其中，储存器还被配置为存储所述多个学习模型。

7.一种数据学习服务器，包括：

储存器，被配置为存储经学习的学习模型以提供将在空调中设定的推荐温度；

至少一个处理器，被配置为：

获取空调的当前温度，以及

将当前温度输入到经学习的学习模型，以获取将在空调中设定的推荐温度；以及

通信器，被配置为将推荐温度发送到外部设备。

8.如权利要求7所述的数据学习服务器，其中，所述至少一个处理器还被配置为：

获取外部环境信息，以及

将当前温度和外部环境信息输入到经学习的学习模型，以获取将在空调中设定的推荐温度。

9.如权利要求7所述的数据学习服务器，其中，当储存器存储针对空调的每个操作模式的多个学习模型时，所述至少一个处理器将当前温度输入到与空调的当前操作模式相对应的经学习的学习模型，以获取空调的推荐温度。

10.一种空调，包括：

鼓风扇，被配置为将冷却空气排放到外部；

温度传感器，被配置为感测空调周围的当前温度；

通信器，被配置为与外部设备通信；以及

至少一个处理器，被配置为：

控制通信器接收推荐温度，所述推荐温度是通过将设定温度应用于学习模型而获得的结果，以及

在空调中设定接收的推荐温度，

其中，学习模型是学习在空调中先前设定的多个设定温度的学习模型。

11.一种控制空调的用户终端，所述用户终端包括：

显示器，被配置为显示屏幕；

通信器，被配置为与外部设备通信；

输入接收器，被配置为接收用户输入；以及

至少一个处理器，被配置为：

控制通信器以响应于取决于经由输入接收器接收的、选择包括在屏幕中的人工智能操作UI的用户输入的用户输入信号，将与人工智能操作UI相对应的人工智能操作请求信号发送到空调，以及

控制显示器以响应于在空调中设定的推荐温度来显示推荐温度，所述推荐温度是通过取决于经由通信器获取的人工智能操作请求信号将空调的当前温度应用于学习模型而获得的结果。

12.如权利要求11所述的用户终端，其中，所述处理器控制显示器以显示在当前温度下在空调中先前设定的设定温度以及推荐温度。

13.一种网络系统，包括：

空调；以及

学习模型服务器，被配置为使用从空调获取的学习数据生成学习模型，

其中空调包括：

鼓风扇，被配置为将冷却空气排放到外部，

温度传感器，被配置为感测空调周围的当前温度，

通信器，被配置为与外部设备通信，以及

至少一个空调处理器，被配置为控制通信器以将在空调中设定的设定温度和由温度传感器感测的当前温度发送到外部设备，

其中，学习模型服务器包括：

至少一个服务器处理器，被配置为：

获取当前温度和设定温度，

使用获取的设定温度和当前温度生成学习模型，以及

储存器，被配置为存储所生成的学习模型，以提供空调的推荐温度作为生成学习模型的结果。

14.一种网络系统，包括：

空调；以及

学习模型服务器，被配置为使用从空调获取的识别数据来提供推荐温度，

其中空调包括：

鼓风扇，被配置为将冷却空气排放到外部，

温度传感器，被配置为感测空调的当前温度，

空调通信器，被配置为与外部设备通信，以及

至少一个空调处理器，被配置为控制空调通信器以将由温度传感器感测的当前温度发送到外部设备，

其中，所述学习模型服务器包括：

储存器，被配置为存储经学习的学习模型以提供空调的推荐温度，

至少一个服务器处理器，被配置为：

获取当前温度，以及

将当前温度输入到经学习的学习模型以获取空调的推荐温度，以及

服务器通信器，被配置为将推荐温度发送到外部设备。

15.一种网络系统，包括：

空调；以及

用户终端，被配置为控制空调，

其中，用户终端包括：

显示器，被配置为显示屏幕，

终端通信器，被配置为与外部设备通信，

输入接收器，被配置为接收用户输入，以及

至少一个终端处理器，被配置为控制终端通信器以响应于取决于经由输入接收器接收的、选择包括在屏幕中的人工智能操作UI的用户输入的用户输入信号，向空调发送与人工智能操作UI相对应的人工智能操作请求信号，

其中空调包括：

鼓风扇，被配置为将冷却空气排放到外部，

温度传感器，被配置为感测空调周围的当前温度，

空调通信器，被配置为与外部设备通信，以及

至少一个空调处理器，被配置为：

响应于通过空调通信器接收的人工智能操作请求，控制空调通信器以将当前温度发送到外部设备，并且取决于当前温度的发送来从外部设备接收推荐温度，以及

在空调中设定接收的推荐温度，并且

其中，推荐温度是通过基于在空调中先前设定的多个设定温度和多个当前温度将当前温度应用于经学习的学习模型而获得的结果。

16.一种用于生成数据学习服务器的学习模型的方法，所述方法包括：

获取在空调中设定的设定温度和在设定温度时空调的当前温度；

使用设定温度和当前温度生成或刷新学习模型；以及

存储所生成或刷新的学习模型以提供在空调中设定的推荐温度作为生成或刷新学习模型的结果。

17.如权利要求16所述的方法，还包括：

获取空调的外部环境信息，

其中，学习模型的生成或刷新包括使用设定温度、当前温度和外部环境信息生成或刷新学习模型。

18.如权利要求17所述的方法，其中，所述外部环境信息包括在设定温度时的外部温度和外部湿度中的至少一个。

19.如权利要求17所述的方法，

其中，获取设定温度和当前温度包括从通信地连接到空调的桥接服务器获取设定温度和当前温度，并且

其中，获取外部环境信息包括从通信地连接到外部内容提供服务器的智能家庭服务服务器获取外部环境信息。

20.如权利要求16所述的方法，还包括：

在设定温度时获取时间信息，

其中，生成或刷新学习模型包括使用设定温度、当前温度和时间信息生成或刷新学习模型。

21.如权利要求16所述的方法，

其中，生成或刷新学习模型包括生成或刷新针对空调的每个操作模式的多个学习模型，并且

其中，存储学习模型包括存储所述多个学习模型。

22.一种使用数据学习服务器的学习模型的方法，所述方法包括：

存储经学习的学习模型以提供将在空调中设定的推荐温度；

获取空调的当前温度；

将当前温度输入到经学习的学习模型，以获取将在空调中设定的推荐温度；以及

将推荐温度发送到外部设备。

23.如权利要求22所述的方法，还包括：

获取空调的外部环境信息，

其中，获取将在空调中设定的推荐温度包括：将当前温度和外部环境信息输入到经学习的学习模型，以获取将在空调中设定的推荐温度。

24.如权利要求22所述的方法，

其中，存储经学习的学习模型包括存储针对空调的每个操作模式的多个学习模型，并且

其中，获取将在空调中设定的推荐温度包括：将当前温度输入到与空调的当前操作模式相对应的经学习的学习模型，以获取将在空调中设定的推荐温度。

25.一种用于提供空调的推荐温度的方法，所述方法包括：

感测空调的当前温度；

将感测的当前温度发送到外部设备；

取决于当前温度的发送，从外部设备接收推荐温度，所述推荐温度是通过将当前温度应用于学习模型而获得的结果；以及

在空调中设定接收的推荐温度，

其中，学习模型是使用在空调中先前设定的多个设定温度和多个当前温度来学习的学习模型。

26.一种用户终端控制空调的方法，所述方法包括：

接收取决于选择人工智能操作UI的用户输入的用户输入信号；

将与人工智能操作UI相对应的人工智能操作请求信号发送到空调；

获取在空调中设定的推荐温度，所述推荐温度是通过取决于人工智能操作请求信号将空调的当前温度应用于学习模型而获得的结果；以及

在屏幕上显示获取的推荐温度。

27.如权利要求26所述的方法，还包括：

显示在当前温度下在空调中先前设定的设定温度以及推荐温度。

28.一种用于生成网络系统的学习模型的方法，所述网络系统包括空调和学习模型服务器，所述方法包括：

由空调接收设定温度的用户控制信号；

由空调将设定温度和空调的当前温度发送到外部设备；

由学习模型服务器使用设定温度和当前温度生成学习模型；以及

由学习模型服务器存储所生成的学习模型以提供空调的推荐温度。

29.一种用于在包括空调和学习模型服务器的网络系统中提供推荐温度的方法，所述方法包括：

由空调将空调的当前温度发送到外部设备；

由学习模型服务器通过将当前温度应用于学习模型来获取空调的推荐温度；以及

由空调将推荐温度发送到外部设备。

30.一种用于控制包括空调和用户终端的网络系统中的空调的方法，所述方法包括：

由用户终端接收取决于选择人工智能操作UI的用户输入的用户输入信号；

由用户终端将与人工智能操作UI相对应的人工智能操作请求信号发送到空调；

由空调响应于接收到人工智能操作请求信号，将空调的当前温度发送到外部设备；

由空调取决于当前温度的发送从所述外部设备接收推荐温度，所述推荐温度是通过将当前温度应用于学习模型而获得的结果；以及

由空调在空调中设定接收的推荐温度，

其中，学习模型是使用在空调中先前设定的多个设定温度和多个当前温度来学习的学习模型。