CN110578994B - 一种运行方法及装置 - Google Patents
一种运行方法及装置 Download PDFInfo
- Publication number
- CN110578994B CN110578994B CN201810596861.9A CN201810596861A CN110578994B CN 110578994 B CN110578994 B CN 110578994B CN 201810596861 A CN201810596861 A CN 201810596861A CN 110578994 B CN110578994 B CN 110578994B
- Authority
- CN
- China
- Prior art keywords
- parameters
- household equipment
- historical
- household
- model
- 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 34
- 238000012549 training Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 206010063385 Intellectualisation Diseases 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000010408 sweeping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供一种运行方法及装置，涉及智能家居技术领域，方法包括：获取家用设备当前所处环境的影响参数；将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；控制所述家用设备执行所述预测运行参数。根据本发明实施例中的方法，可以不需要用户对空调的控制，只需要采集当前环境的影响参数，就可以实现家用设备的智能化。
Description
技术领域
本发明涉及智能家居技术领域，尤其涉及一种运行方法及装置。
背景技术
智能家居是以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、音视频技术将家居生活有关的设施集成，构建高效的住宅设施与家庭日程事务的管理系统，构建高效的住宅设施与家庭日程事务的管理系统，提升家居安全性、便利性、舒适性、艺术性，并实现环保节能的居住环境。智能家居系统已经成为必然的发展趋势，越来越多的智慧家居走入到人们的日常生活中。
目前，智能化家居时代己然到来，用户可以采用APP控制、语音控制、肢体动作控制等智能化控制模式己开始使用，这些智能化控制方法主要是将用户从传统的遥控器控制中解放出来。例如，在夏季用户可以在下班后通过于机终端上的关于空调控制的APP上对家中的空调的运行参数进行远程网络控制，实现对家庭环境的预热、预冷以及湿度调整空气净化等，或者在家中通过采集用户的声音或肢体动作实现对空调运行参数的控制；但是上述控制过程中，仍然是需要用户主动参与对空调的运行参数设置，而用户并不能准确判断空调的运行参数是否为当前最佳，即仍然是基于用户的判断对空调的控制作出的决策，因此并不能实现真正的智能化。
综上所述，现有技术中无法提供一种家用设备的智能运行方法。
发明内容
本发明提供一种运行方法及装置，用于解决现有技术中无法提供一种智能的运行方法的问题。
本发明实施例一种运行方法，包括：获取家用设备当前所处环境的影响参数；
将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
控制所述家用设备执行所述预测运行参数。
本发明实施例中，根据能够获取的家用设备的当前所处环境的影响参数以及根据家用设备历史运行数据确定的运行模型来确定预测运行参数，然后执行预测运行参数；由于该运行模型是根据家用设备的历史运行数据来确定的，历史运行数据能够体现用户使用家用设备的规律，所以根据本发明实施例中的方法，可以不需要用户对空调的控制，只需要采集当前环境的影响参数，就可以实现家用设备的智能化。
进一步地，所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在模拟环境下的使用情况得到的；或
所述家用设备历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在真实环境下的使用情况得到的。
本发明实施例中，历史运行数据可以是在家用设备在出厂前在模拟环境下的使用情况得到的，也可以是根据用户在设定时间内使用后得到的。
进一步地，所述影响参数包括时间信息以及环境信息；
所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的，包括：
针对每个历史运行时刻，获取所述家用设备在所述历史运行时刻的时间信息、环境信息以及所述家用设备在所述历史运行时刻的运行参数；将所述时间信息、环境信息作为训练样本的输入参数，将所述运行参数作为所述训练样本的输出参数；
使用所述训练样本对神经网络模型进行训练，得到所述运行模型。
本发明实施例中，将家用设备的历史使用时间、环境信息以及对应的执行参数作为训练样本，能够更好的模拟出时间、环境对用户使用空调的影响。
进一步地，所述控制所述家用设备执行所述预测运行参数后，还包括：
获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
本发明实施例中，当用户发出的运行配置参数与预测运行参数存在多次不匹配时，则说明需要更新运行模型，在本发明实施例中，则利用用户发出的运行配置参数来训练更新运行模型。
本发明实施例还提供一种运行装置，包括：
获取单元，用于获取家用设备当前所处环境的影响参数；
预测单元，将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
控制单元，用于控制所述家用设备执行所述预测运行参数。
本发明实施例中，根据能够获取的家用设备的当前所处环境的音响参数以及根据家用设备历史运行数据确定的运行模型来确定预测运行参数，然后执行预测运行参数；由于该运行模型是根据家用设备的历史运行数据来确定的，历史运行数据能够体现用户使用家用设备的规律，所以根据本发明实施例中的方法，可以不需要用户对空调的控制，只需要采集当前环境的影响参数，就可以实现家用设备的智能化。
进一步地，所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在模拟环境下的使用情况得到的；或
所述家用设备历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在真实环境下的使用情况得到的。
进一步地，所述影响参数包括时间信息以及环境信息；
所述预测单元具体用于：
针对每个历史运行时刻，获取所述家用设备在所述历史运行时刻的时间信息、环境信息以及所述家用设备在所述历史运行时刻的运行参数；将所述时间信息、环境信息作为训练样本的输入参数，将所述运行参数作为所述训练样本的输出参数；
使用所述训练样本对神经网络模型进行训练，得到所述运行模型。
进一步地，所述控制单元还用于：
获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
进一步地，所述装置还包括：
更新单元，用于获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
本发明实施例还提供一种电子设备，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指令，所述指令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实施例中任一所述的方法。
本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述实施例中任一所述方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种运行方法的流程示意图；
图2为本发明实施例提供的时间信息的示意图；
图3为本发明实施例提供的另一种运行方法的流程示意图；
图4为本发明实施例提供的神经网络结构示意图；
图5为本发明实施例提供的训练运行模型的流程示意图；
图6为本发明实施例提供的一种运行装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种运行方法，如图1所述，包括：
步骤101，获取家用设备当前所处环境的影响参数；
步骤102，将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
步骤103，控制所述家用设备执行所述预测运行参数。
在步骤101中，可以是周期性获取家用设备当前所处环境的影响参数，也可以是根据预先设定的时间点，设置不同时间段的计时器，当计时器到达时开始采集家用设备当前所处环境的影响参数。
在步骤102中，在获取到影响参数后，将所述影响参数输入到运行模型中，得到预测运行参数，运行模型是根据家用设备的历史运行数据确定的，历史运行数据包括了家用设备的历史影响参数以及历史运行参数。
在本发明实施例中，运行模型是根据家用设备的历史时间段内产生的影响参数确定的，例如，运行模型是根据一个月或者半年内家用设备的运行数据来确定的，其中，这些历史数据中包括了家用设备当时所处环境的影响参数以及家用设备当时的运行参数。
在步骤103中，当确定了预测运行参数后，控制家用设备执行预测运行参数，以使家用设备能够智能化的运行。
可选的，在本发明实施例中，家用设备可以为一切智能家居设备，例如照明灯、咖啡炉、电脑设备、保安系统、视讯及音响系统、空调、冰箱、电视机、机顶盒等等。
可选的，在本发明实施例中，家用设备当前所处环境的影响参数指的是家用设备当前的时间信息和环境信息。例如图2所示，当前的时间信息包括当前的年月日信息、周几、是否为节假日、是否为工作日、以及当前时间段等等，时间信息越细化，越能够准确的确定用户在使用家用设备时，家用设备的运行规律，也就越能够准确的预测家用设备的预测运行参数。
在本发明实施例中，环境信息指的是家用设备所处的环境的相关属性信息，例如，室内外温度、室内干湿度、出风方向以及风速等。
可选的，在步骤102中，所述历史运行数据为所述家用设备在模拟环境下的使用情况得到的；或所述历史运行数据为所述家用设备在真实环境下的使用情况得到的。
也就是说，在本发明实施例中，运行模型可以是家用设备出厂前，根据模拟环境中的家用设备的历史运行数据确定的，运行模型也可以是用户在购买家用设备后，经过设定时间运转后，获取的历史运行数据来确定的。
可选的，在本发明实施例中，在步骤103后，还包括：
步骤104，获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
在步骤104中，当确定预测运行参数后，家用设备执行了预测运行参数，假设运行模型是家用设备在出厂前经过模拟确定的，也就是说，还需要确定模拟的运行模型是否符合用户的使用需求。所以在本发明实施例中，在执行预测运行参数后的设定时间段内，若接收到了用户输入的控制指令后，且通过比较用户输入的控制指令对应的运行参数以及预测运行参数之间是否匹配，来确定运行模型是否符合用户的使用需求，若不符合，则需要更新运行模型。
在本发明实施例中，当确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型。也就是说，若确定需要更新运行模型时，则将用户的输入作为训练样本进行训练，使得训练后的运行模型能够更加符合用户的使用需求。
可选的，在本发明实施例中，运行模型是根据神经网络模型确定的。神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。也就是说，利用神经网络能够学习用户的使用习惯，从而训练出具有用户使用习惯的运行模型。
可选的，在本发明实施例中，更新前的运行模型以及更新运行模型的过程都是根据神经网络确定的，可选的，神经网络结构采用BP网络及其变化形式的结构，不限于单纯的全连接神经网络，也可以组合RNN、LSTM、CNN等网络结构。
可选的，在本发明实施例中，首先需要确定用户输入的控制指令产生的运行参数对应的运行数据，运行数据包括运行配置参数以及当前用户输入控制指令时，家用设备的影响参数。可选的，运行配置参数包括模式、风速、超强风、灯光、辅热、睡眠模式、设定温度、上下扫风、左右扫风、定时、定时时间、干燥、自动清洁、健康、换气、语音、设定风档、室内环境温度、wifi功能等等；而影响参数包括了当前的时间信息以及当前的环境信息。
根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，使得更新后的运行模型符合用户的使用习惯。
可选的，在本发明实施例中，由于可采集的运行配置参数及影响参数较多，可以通过对数据的分析和结合专家经验知识，选取对家用设备的用户行为预测有影响的参数作为训练样本。例如，可以将当前的环境和时刻作为训练样本的输入值，将空调的运行配置参数作为训练样本的输出值进行训练。
本发明实施例将获取到的当前家用设备所处环境的影响参数作为输入参数，通过历史运行数据确定的运行模型得到预测运行参数，使得预测运行参数符合用户的使用习惯，实现了家用设备的智能化，下面采用示意性的实施例进行说明，在实施例中，家用设备为空调设备，运行模型是在出厂后在用户使用三个月后获取的运行数据确定的，运行模型是根据BP神经网络确定的，具体如图3所示，包括以下步骤：
步骤301，收集空调运行三个月内产生的运行数据，运行数据包括空调运行时的时间信息以及空调运行的配置参数；空调运行的时间信息为年月日信息、星期信息、节假日信息、工作时间段信息等，空调运行的配置参数为模式、风速、超强风、灯光、辅热、睡眠模式、设定温度、上下扫风、左右扫风、定时、定时时间、干燥、自动清洁、健康、换气、语音、设定风档、室内环境温度、wifi功能。
步骤302、数据筛选。通过对数据的分析和结合专家经验知识，选取上述一个或者一组数据作为训练样本的输入参数，将对应的值作为训练样本的输出值。将星期信息、工作时间段、室温、节假日信息作为训练样本的输入，将该输入对应的空调运行参数空调是否开启、空调模式、空调运行度作为训练样本的输出结果。
步骤303，网络结构设计。根据不同的设定温度、环境温度、操作时间段等对空调的操作数据及其所蕴含的规律，如图4所示，可初步确定神经网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
步骤304，网络训练与测试。网络设计完成后，需用训练样本数据，对网络进行训练。如图5所示，导入输入训练样本，每层节点都有权值和偏置，数据从输入层开始流过隐含层和输出层节点时会经过激活函数的运算。根据激活函数、初始化的权值及偏置计算出网络的实际输出，判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求，如果满足精度要求则结束训练，如不满足则更新网络的权值以及偏置值，直至网络的输出误差满足输出精度要求。
步骤305，执行预测。在确定了运行模型后，获取当前家用设备的时间信息星期三、19：00、非节假日以及环境信息25摄氏度，将时间信息以及环境信息输入到运行模型中，运行模型给出的预测结果是空调开启、空调制冷模式、空调23摄氏度，并执行预测结果。
基于同样的构思，本发明实施例还提供一种运行装置，如图6所示，包括：
获取单元601，用于获取家用设备当前所处环境的影响参数；
预测单元602，用于将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
控制单元603，用于控制所述家用设备执行所述预测运行参数。
进一步地，所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在模拟环境下的使用情况得到的；或
所述家用设备历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在真实环境下的使用情况得到的。
进一步地，所述影响参数包括时间信息以及环境信息；
所述预测单元602具体用于：
针对每个历史运行时刻，获取所述家用设备在所述历史运行时刻的时间信息、环境信息以及所述家用设备在所述历史运行时刻的运行参数；将所述时间信息、环境信息作为训练样本的输入参数，将所述运行参数作为所述训练样本的输出参数；
使用所述训练样本对神经网络模型进行训练，得到所述运行模型。
进一步地，所述装置还包括：
更新单元604，具体用于：
获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
在本发明实施例中，运行装置可以是集成在家用设备中的，也可以是与家用设备连接的其它装置，通过控制家用设备，实现家用设备的智能化。
本发明实施例提供了一种电子设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行运行方法的步骤。如图7所示，为本发明实施例中所述的电子设备的硬件结构示意图，该电子设备具体可以为台式计算机、便携式计算机、智能手机、平板电脑等。具体地，该电子设备可以包括存储器701、处理器702及存储在存储器上的计算机程序，所述处理器702执行所述程序时实现上述实施例中的任一定向投放媒体信息的处理方法的步骤。其中，存储器701可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器702提供存储器701中存储的程序指令和数据。
进一步地，本申请实施例中所述的电子设备还可以包括输入装置703以及输出装置704等。输入装置703可以包括键盘、鼠标、触摸屏等；输出装置704可以包括显示设备，如液晶显示器、阴极射线管(Cathode Ray Tube，CRT)，触摸屏等。存储器701，处理器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。处理器702调用存储器701存储的程序指令并按照获得的程序指令执行上述实施例提供的运行方法。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一一项运行方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种运行方法，其特征在于，所述方法包括：
获取家用设备当前所处环境的影响参数，其中所述影响参数包括时间信息以及环境信息；
将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
控制所述家用设备执行所述预测运行参数；
所述控制所述家用设备执行所述预测运行参数后，还包括：
获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
2.根据权利要求1所述的方法，其特征在于，所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在模拟环境下的使用情况得到的；或
所述家用设备历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在真实环境下的使用情况得到的。
3.根据权利要求1所述的方法，其特征在于，所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的，包括：
针对每个历史运行时刻，获取所述家用设备在所述历史运行时刻的时间信息、环境信息以及所述家用设备在所述历史运行时刻的运行参数；将所述时间信息、环境信息作为训练样本的输入参数，将所述运行参数作为所述训练样本的输出参数；
使用所述训练样本对神经网络模型进行训练，得到所述运行模型。
4.一种运行装置，其特征在于，包括：
获取单元，用于获取家用设备当前所处环境的影响参数，其中所述影响参数包括时间信息以及环境信息；
预测单元，将所述影响参数作为所述家用设备的运行模型的输入，得到所述家用设备的预测运行参数；所述运行模型是根据所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数确定的；
控制单元，用于控制所述家用设备执行所述预测运行参数；
所述装置还包括：
更新单元，用于获取所述家用设备的运行配置参数，所述运行配置参数为执行所述预测运行参数后设定时间内根据用户输入的控制指令产生的运行参数；
在确定所述预测运行参数与所述运行配置参数不匹配次数大于设定阈值时，根据获取的所述运行配置参数对应的运行数据重新训练所述运行模型，所述运行模型是根据神经网络模型确定的；所述运行数据包括运行配置参数及对应的影响参数。
5.根据权利要求4所述的装置，其特征在于，所述家用设备多个历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在模拟环境下的使用情况得到的；或
所述家用设备历史运行时刻的影响参数以及所述家用设备在所述多个历史运行时刻的运行参数是根据所述家用设备在真实环境下的使用情况得到的。
6.根据权利要求4所述的装置，其特征在于，所述预测单元具体用于：
针对每个历史运行时刻，获取所述家用设备在所述历史运行时刻的时间信息、环境信息以及所述家用设备在所述历史运行时刻的运行参数；将所述时间信息、环境信息作为训练样本的输入参数，将所述运行参数作为所述训练样本的输出参数；
使用所述训练样本对神经网络模型进行训练，得到所述运行模型。
7.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～3任一权利要求所述方法的步骤。
8.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～3任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810596861.9A CN110578994B (zh) | 2018-06-11 | 2018-06-11 | 一种运行方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810596861.9A CN110578994B (zh) | 2018-06-11 | 2018-06-11 | 一种运行方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110578994A CN110578994A (zh) | 2019-12-17 |
| CN110578994B true CN110578994B (zh) | 2021-01-29 |
Family
ID=68810318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810596861.9A Active CN110578994B (zh) | 2018-06-11 | 2018-06-11 | 一种运行方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110578994B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474851B (zh) * | 2020-04-15 | 2022-09-30 | 深圳禄华科技有限公司 | 一种ptc加热智能调节控制的方法及装置 |
| CN111649443A (zh) * | 2020-06-17 | 2020-09-11 | 宁波奥克斯电气股份有限公司 | 空调器控制方法、装置、空调器及存储介质 |
| CN111797980A (zh) * | 2020-07-20 | 2020-10-20 | 房健 | 一种个性化地暖使用习惯的自适应学习方法 |
| CN114079585A (zh) * | 2020-08-19 | 2022-02-22 | 佛山市顺德区美的电热电器制造有限公司 | 家电设备的控制方法、家电设备和存储介质 |
| CN112327648B (zh) * | 2020-11-09 | 2024-04-09 | 广东睿住智能科技有限公司 | 家用设备的控制方法、装置和计算机可读存储介质 |
| CN112665124A (zh) * | 2020-12-11 | 2021-04-16 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置及空调设备 |
| CN112677734B (zh) * | 2020-12-22 | 2022-09-27 | 华中科技大学 | 一种ptc电阻和风机系统联合电力电子控温方法与系统 |
| CN114963458B (zh) * | 2021-02-23 | 2023-09-05 | 海信集团控股股份有限公司 | 一种热舒适参数预测方法及其设备 |
| CN113110082B (zh) * | 2021-04-15 | 2023-05-16 | 青岛海尔空调器有限总公司 | 用于家电控制的方法、装置和家电 |
| CN113405134A (zh) * | 2021-05-31 | 2021-09-17 | 青岛海尔科技有限公司 | 用于自动控制烟机的方法、装置、存储介质及服务器 |
| CN113790519A (zh) * | 2021-09-13 | 2021-12-14 | 珠海格力电器股份有限公司 | 一种自适应导风的空调及其控制方法 |
| CN116088325A (zh) * | 2022-12-05 | 2023-05-09 | 广州视声智能股份有限公司 | 一种基于数字孪生的家居设备控制方法、装置及存储介质 |
| CN116085937B (zh) * | 2023-04-11 | 2023-07-11 | 湖南禾自能源科技有限公司 | 智能中央空调节能控制方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4023249B2 (ja) * | 2002-07-25 | 2007-12-19 | ダイキン工業株式会社 | 圧縮機内部状態推定装置及び空気調和装置 |
| JP2006162151A (ja) * | 2004-12-07 | 2006-06-22 | Osaka Gas Co Ltd | 空調設備 |
| CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
| CN105387565B (zh) * | 2015-11-24 | 2018-03-30 | 深圳市酷开网络科技有限公司 | 调节温度的方法和装置 |
| CN106322656B (zh) * | 2016-08-23 | 2019-05-14 | 海信（山东）空调有限公司 | 一种空调控制方法及服务器和空调系统 |
| CN107797459B (zh) * | 2017-09-15 | 2020-09-25 | 珠海格力电器股份有限公司 | 终端设备的控制方法、装置、存储介质及处理器 |
| CN107631416A (zh) * | 2017-09-30 | 2018-01-26 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
| CN108253588A (zh) * | 2017-12-07 | 2018-07-06 | 珠海格力电器股份有限公司 | 空调的控制方法、装置、存储介质和处理器 |
-
2018
- 2018-06-11 CN CN201810596861.9A patent/CN110578994B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110578994A (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110578994B (zh) | 一种运行方法及装置 | |
| US12013134B2 (en) | Data learning server and method for generating and using learning model thereof | |
| US11137161B2 (en) | Data learning server and method for generating and using learning model thereof | |
| CN103398451B (zh) | 基于学习用户行为的多维舒适度室内环境控制方法及系统 | |
| CN107562023A (zh) | 基于用户行为习惯的智能家居管控系统 | |
| CN108919669A (zh) | 一种智能家居动态决策方法、装置和服务终端 | |
| CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
| CN107023943A (zh) | 一种具有净化功能的空调器 | |
| CN105068515A (zh) | 一种基于自学习算法的智能家居设备语音控制方法 | |
| CN105094093A (zh) | 一种智能家居控制方法及控制中心 | |
| WO2020252703A1 (zh) | 设备控制方法、装置、服务器及存储介质 | |
| CN112286150B (zh) | 一种智能家居设备管理方法、装置、系统及存储介质 | |
| CN111077786B (zh) | 基于大数据分析的智能家居设备控制方法和装置 | |
| CN105487490A (zh) | 一种智能家居控制方法、装置及智能家居控制设备 | |
| CN109357366B (zh) | 调节控制方法、装置、存储介质和空调系统 | |
| CN110836515A (zh) | 一种家居设备控制方法、装置、控制设备及可读存储介质 | |
| CN110398029A (zh) | 控制方法和计算机可读存储介质 | |
| CN113852657B (zh) | 一种基于边缘计算的智慧家庭本地控制方法及系统 | |
| CN106292325B (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
| CN111431776A (zh) | 信息配置方法、装置及系统 | |
| CN110779175A (zh) | 一种运行模式控制方法及装置 | |
| CN110726216B (zh) | 空调器及其控制方法、装置、系统、存储介质和处理器 | |
| CN112013518A (zh) | 空气调节设备及其自动控制方法、终端控制设备 | |
| WO2019084784A1 (zh) | 智能温控方法、装置、存储介质、中央温度控制器和服务器 | |
| CN104777765B (zh) | 智能管理方法、设备以及智能系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |