CN110717376A - 房间状态预测方法、装置、电子设备及存储介质 - Google Patents

房间状态预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110717376A
CN110717376A CN201910783205.4A CN201910783205A CN110717376A CN 110717376 A CN110717376 A CN 110717376A CN 201910783205 A CN201910783205 A CN 201910783205A CN 110717376 A CN110717376 A CN 110717376A
Authority
CN
China
Prior art keywords
human body
room
state
reporting time
reporting
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.)
Granted
Application number
CN201910783205.4A
Other languages
English (en)
Other versions
CN110717376B (zh
Inventor
钟志浩
张龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lumi United Technology Co Ltd
Original Assignee
Shenzhen Lumi United Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Lumi United Technology Co Ltd filed Critical Shenzhen Lumi United Technology Co Ltd
Priority to CN201910783205.4A priority Critical patent/CN110717376B/zh
Publication of CN110717376A publication Critical patent/CN110717376A/zh
Application granted granted Critical
Publication of CN110717376B publication Critical patent/CN110717376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25011—Domotique, I-O bus, home automation, building automation
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Emergency Alarm Devices (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请实施例公开了一种房间状态预测方法、装置、电子设备及存储介质。该方法包括：获取人体感应器上报人体感应数据的上报时刻；根据上报时刻，获取人体感应数据的上报时间间隔，上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；根据上报时间间隔，预测人体感应器所处房间的房间状态；根据房间状态执行对应的控制操作。本申请通过人体感应器上报人体感应数据的上报时间间隔，预测人体感应器所处房间的房间状态，从而改善对房间状态的判别效果，实现更高的通用性。

Description

房间状态预测方法、装置、电子设备及存储介质
技术领域
本申请实施例涉及智能控制技术领域，更具体地，涉及一种房间状态预测方法、装置、电子设备及存储介质。
背景技术
在智能楼宇或智能家居场景中，准确、实时地判断一个房间是否有人对于实现该房间及其室内设备的自动控制而言具有重要意义。若系统可实时判断房间内是否有人，即可对房间内的设备(如空调、灯)进行自主化的智能控制，达到节能目的。此外，在大型楼宇中，若可以对每个房间是否有人的状态进行识别，即可随时查询每个房间的实时占用状态，以更好地实现大型楼宇的数字化管理。
由此可见，能否实时识别房间内是否有人对于智能楼宇或智能家居管理有着重要作用，其可有效支撑智能家居、智能楼宇的相关功能，实现设备智能控制、绿色节能、数字化管理等效果。但是，目前对房间是否有人的状态的识别效果不佳。
发明内容
本申请实施例提供一种房间状态预测方法、装置、电子设备及存储介质，可以改善房间状态的判别效果。
第一方面，本申请实施例提供了一种房间状态预测方法，该房间状态预测方法包括：获取人体感应器上报人体感应数据的上报时刻；根据所述上报时刻，获取所述人体感应数据的上报时间间隔，所述上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态；根据所述房间状态执行对应的控制操作。
第二方面，本申请实施例提供了一种房间状态预测装置，该房间状态预测装置包括：时刻获取模块，用于获取人体感应器上报人体感应数据的上报时刻；间隔获取模块，用于根据所述上报时刻，获取所述人体感应数据的上报时间间隔，所述上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；状态预测模块，用于根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态；操作执行模块，用于根据所述房间状态执行对应的控制操作。
第三方面，本申请实施例提供了一种电子设备，其包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述第一方面所述的房间状态预测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的房间状态预测方法的步骤。
本申请实施例提供的房间状态预测方法、装置、电子设备及计算机可读存储介质，通过获取人体感应器上报人体感应数据的上报时刻，然后根据上报时刻，获取人体感应数据的上报时间间隔，其中，上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔，接着根据上报时间间隔，预测人体感应器所处房间的房间状态，最后根据房间状态执行对应的控制操作。由此，通过人体感应器上报人体感应数据的上报时间间隔，预测人体感应器所处房间的房间状态，无论房间门打开或是关闭，都可有效判断房间内是否有人，从而改善房间状态的判别效果，使得房间状态的检测能够无需依赖于房间门状态，拓宽了房间状态检测的适用场景，达到更强的通用性。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例及附图，都属于本发明保护的范围。
图1示出了一种适用于本申请实施例的应用环境示意图；
图2示出了本申请一个实施例提供的房间状态预测方法的方法流程图；
图3示出了本申请实施例提供的一种在房间内布局多个人体感应器的示意图；
图4示出了本申请实施例提供的两种房间状态下人体感应数据的上报规律示意图；
图5示出了本申请实施例提供的一种人体感应数据的上报规律示意图；
图6示出了本申请另一个实施例提供的房间状态预测方法的方法流程图；
图7示出了本申请实施例提供的一种多人进出房间过程中上报时间间隔的示意性分布图
图8示出了本申请实施例提供的一种少人进出房间过程中上报时间间隔的示意性分布图；
图9示出了本申请实施例提供的一种临时有人进出房间时上报时间间隔的示意性分布图；
图10示出了本申请实施例提供的一种训练状态预测模型的方法流程图；
图11示出了本申请实施例提供的一种获取待训练样本的方法流程图；
图12示出了本申请实施例提供的一种获取待训练样本的过程示意图；
图13示出了一种循环神经网络的结构示意图；
图14示出了本申请一个实施例提供的房间状态预测装置的模块框图；
图15示出了本申请实施例用于执行根据本申请实施例的房间状态预测方法的电子设备的硬件结构框图；
图16示出了本申请实施例用于执行根据本申请实施例的房间状态预测方法的计算机可读存储介质的模块框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。应当理解，此处描述的具体实施例仅用于解释本申请，并不用于限定本申请。
为了更好理解本申请实施例提供的一种房间状态预测方法、装置、电子设备及存储介质，下面先对适用于本申请实施例的应用环境进行描述。
本申请下述实施例如无特别说明均可应用于如图1所示的系统10中，该系统10可以包括中央处理单元11、人体感应器12和智能设备13。
其中，中央处理单元11是一台计算机的运算核心(Core)和控制核心(ControlUnit)。它的功能主要是解释计算机指令以及处理计算机软件中的数据。中央处理单元11主要包括运算器(算术逻辑运算单元，ALU，Arithmetic Logic Unit)和高速缓冲存储器(Cache)及实现它们之间联系的数据(Data)、控制及状态的总线(Bus)。它与内部存储器(Memory)和输入/输出(I/O)设备合称为电子计算机三大核心部件。本申请实施例中的中央处理单元11可以安装在服务器上，也可以直接安装于智能设备13上，其主要用于接收和处理人体感应器12上报的人体感应数据，实时预测房间状态。
在一些实施方式中，中央处理单元11安装于智能设备13上时，还可以将接收到的人体感应器12上报的人体感应数据发送至服务器进行计算，并接收服务器返回的计算结果，从而可降低对中央处理单元11的处理及存储能力的要求，降低中央处理单元11的选用成本，扩大本申请实施例的适用范围。
在另一些实施方式中，中央处理单元11可与多个智能设备13连接，其中，中央处理单元与多个智能设备13的连接可基于蜂窝移动网络、WIFI、红外、蓝牙、Zigbee等方式，也可基于广域网的方式(中央处理单元-服务器-智能设备)，在此不作限定。
其中，人体感应器12用于检测和感应在其检测范围内是否有人存在，并根据需求可以安装于房间内的任意位置，例如为充分检测房间内的人的动作，可在一个房间内同时安装多个人体感应器12，并在房间内部空间中作合理布局。人体感应器12在检测到房间内有人存在时，人体感应器12向中央处理单元11上报人体感应数据。其中，人体感应数据可以包括人体感应数据的上报时刻。具体地，常用的人体感应器12可以为但不限于为红外感应器、雷达感应器、微波感应器、压力感应器、声音感应器等。
其中，系统10还可以包括智能设备13，智能设备13可以接收中央处理单元11的发送的数据或指令，以执行所述数据或指令对应的操作。具体地，智能设备13可以是实体的设备，如墙壁开关、墙壁插座、无线开关、无线墙贴开关、窗帘电机、空调伴侣、摄像头、电表、电视、洗衣机、风扇等设备。另外，智能设备13也可以是虚拟的设备，如虚拟人体感应器，在此不作限定。
目前识别房间内是否有人的方法基本可以归纳为四种，分别是插卡、人体感应器、结合门的状态和人体感应器的状态判断的方式以及摄像头，但是发明人在研究中发现，每种方法均有其弊端。具体地，其一，插卡在酒店房间比较常见，在住宅和办公楼不适用，而且无法分辨有卡但是房间内无人的情况；其二，人体感应器多见于走廊、楼梯间的灯光控制、移动开合控制等，人在房间内静止或者人的动作幅度过小时，会误判为无人；其三，结合门状态和人体感应器的状态判断的方式需要在每个门上安装“房间有无人感应装置”，该装置基于门的状态和人体感应器的输出进行判断，但是如果门处于打开状态，且房间内有人时，无法进行房间有无人的判断；其四，摄像头基于图像识别算法，通过对房间内的画面进行分析，即可知道房间内是否有人，但是摄像头存在“隐私”问题，在私人房间、公司办公室、会议室等是不适合放置。另外，现有相关技术方案有个重要前提，在人进出房间后，门将处于关闭状态，如果人进出房间后，门没有关闭，则系统将不能有效判断房间是否有人，而这种情况在实际应用经常出现，故现有的关于检测房间内是否有人的方案检测效果不佳，不够通用。
因此，为了克服上述缺陷，请参阅图2，本申请实施例提供了一种房间状态预测方法，应用于上述中央处理单元。具体地，该方法包括：步骤S101至步骤S104。
步骤S101：获取人体感应器上报人体感应数据的上报时刻。
在中央处理单元接收到检测请求时，获取人体感应器上报人体感应数据的上报时刻，其中检测请求可以是用户手动触发的，也可以是自动触发的，本实施例对此不作限定。具体地，例如在用户需要检测时，如离开房间后，可通过终端或其他智能设备触发检测请求；再如用户预先设置了定时检测，则每到定时的时刻即触发检测请求，以使中央处理单元获取人体感应器上报人体感应数据的上报时刻。
其中，作为一种实施方式，上报时刻可以为人体感应器被触发的触发时间，此时人体感应数据包括上报时刻，中央处理单元从人体感应数据中获取上报时刻。作为另一种实施方式，上报时刻可以为中央处理单元获取到该人体感应数据的时刻。可以理解的是，上报时刻表征人体感应器检测到人存在的时刻，中央处理单元基于上报时刻可获知何时房间内有人。
在一种实施方式中，如图3所示，房间内可同时设置多个人体感应器，每一个人体感应器与中央处理单元通过网络协议连接，网络协议可以为但不限于为TCP/IP协议、NetBEUI协议、IPX/SPX协议、SMTP协议或者IPX/SPX协议。当人体感应器接检测到有人存在时，可上报人体感应数据至中央处理单元。可以理解的是，通过增加人体感应器的设置数量以及对人体感应器在房间所处位置的布局，可优化检测效果。
于本实施例中，人体感应器用于检测其检测范围内是否有人，房间内的多个人体感应器用于检测房间内是否有人。具体地，人体感应器通过检测是否存在人体动作，可在检测到人体动作时被触发，从而上报人体感应数据至中央处理单元，实现对房间内人的感应。人体感应器未被触发时，可不上报。具体地，上报的人体感应数据包括人体感应器的名称、人体感应值和触发时间(触发的绝对时间)，现以一个人体感应器为例对人体感应数据进行说明，具体如表一所示。
表一
人体感应器的名称 触发时间 人体感应值
人体感应器1 t11 1
人体感应器1 t12 1
人体感应器1 t13 1
人体感应器1 t14 1
表一中人体感应器的名称用于区分不同的人体感应器，其不同可以是安装位置不同、也可以是设备序列号不同等。例如，厨房内安装的人体感应器的名称可以是人体感应器1；洗手间内安装的人体感应器的名称可以是人体感应器2、人体感应器3等。需要说明的是，通过人体感应器的名称可获知该人体感应器所处的位置，除此之外，本实施例不对人体感应器具体如何命名作更多限定。另外，表一中触发时间为人体感应器感应到人体感应数据而被触发以上报人体感应数据的时刻，该时刻为人体感应器被触发的绝对时间，该触发时间在本实施例中可用上报时刻表征。另外，表一中人体感应值用于表征当前时刻是否有人，此处人体感应值为1时表示当前时刻有人。
从表一可看出，人体感应器1可以在不同时刻被触发，即人体感应器1在t11时刻被触发上报，则此时的触发时间为t11；人体感应器1在t12时刻被触发上报，则此时的触发时间为t12；人体感应器1在t13时刻被触发上报，则此时的触发时间为t13；人体感应器1在t14时刻被触发上报，则此时的触发时间为t14。人体感应器在检测到有人而被触发时，人体感应值为1，由于这里的人体感应器1在t11时刻、t12时刻、t13时刻以及t14时刻均被触发，因此这四个时刻对应的人体感应值均为1。需要说明的是，作为一种实施方式，上报时刻可以为人体感应数据中的触发时间，作为另一种实施方式，上报时刻也可以为中央处理单元获取到人体感应数据的时间，在此不作限定。
在一种实施方式中，人体感应器在检测人体动作的动作幅度超过幅度阈值时，才触发，否则不触发，如此可控制检测灵敏度，降低误检率。例如，当房间内有人移动时，且移动的动作幅度超过幅度阈值，人体感应器可被触发，并向中央处理单元上报人体感应数据。
于本实施例中，中央处理单元可以实时获取人体感应器上报的人体感应数据的上报时刻，并进行存储，以在后续基于上报时刻预测房间状态。
步骤S102：根据上报时刻，获取人体感应数据的上报时间间隔。
其中，上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔。具体地，在房间内设置有至少一个人体感应器时，中央处理单元接收每个人体感应器上报的人体感应数据，并按照各自的上报时刻的时间顺序，获得上报时刻之间的上报时间间隔，以获取人体感应数据的上报时间间隔。
步骤S103：根据上报时间间隔，预测人体感应器所处房间的房间状态。
根据人体感应数据的上报特点，即上报时间间隔的分布特点，可预测人体感应器所处房间的房间状态。其中，房间状态包括有人状态以及无人状态，在房间有人即处于有人状态时，中央处理单元可以不定时地接收到人体感应器上报的人体感应数据，上报时间间隔呈现等距或不等距的分布、且未超过预设时间；在房间无人即处于无人状态时，中央处理单元将长时间接收不到人体感应数据，例如超过预设时间都无法接收到人体感应数据，即上报时间间隔超过预设时间。前述预设时间可以根据需求进行设置，预设时间越长，则对无人状态的判别灵敏度越低，判别也越谨慎，从而可减少将有人状态误判为无人状态的情况，提高房间状态的判断准确性。由此，根据上报时间间隔，可区分房间状态为有人状态还是无人状态，即区分房间有无人。
进一步地，在一些实施方式中，有人状态又可细分为多人状态和少人状态。其中，多人状态与少人状态可通过设置预设人数阈值进行划分，例如预设人数阈值可以为5，若房间人数大于5，则房间处于多人状态，若房间人数大于0且不小于5，则房间处于少人状态。其中，多人状态时，人体感应器更容易被触发，人体感应数据的上报时刻更密集，即上报时间间隔较小，少人状态时，人体感应数据的上报时刻更稀疏，即上报时间间隔较大。
具体地，如图4所示，在房间内布局了多个人体感应器，基于多个人体感应器上报的人体感应数据，中央处理单元可对房间状态进行判别，其中，在时间轴上所示的每个上报时刻，中央处理单元接收到的人体感应数据，可以是由同一个人体感应器上报的，也可以是由多个人体感应器上报的，在此不作限定。例如t1时刻为人体感应器1上报人体感应数据的上报时刻，t2时刻为人体感应器4上报人体感应数据的上报时刻。图4中，(a)所示为房间处多人状态时的人体感应数据的上报特点，(b)所示为房间少人状态时的人体感应数据的上报特点。从图4可以看出多人状态时，人体感应数据的上报时刻较密集，上报时间间隔较短，而少人状态时，人体感应数据的上报时间较稀疏，上报时间间隔较长。也就是说，有人状态时，中央处理单元可不定时获取到人体感应数据，且在多人状态时，获取到的人体感应数据的上报时间间隔较短，少人状态时，获取到的人体感应数据的上报时间间隔较长，而无人状态时，中央处理单元长时间获取不到人体感应数据。
根据上述规律，通过统计多组房间状态和上报时间间隔的对应数据，可获得每个房间状态所对应的上报时间间隔，从而根据上报时间间隔，可判别人体感应器所处房间的房间状态，实现对不同的房间状态的区分判别，甚至还可区分多人状态和少人状态。进一步地，通过统计分析房间历史人体感应数据的上报规律，还可对房间状态进行预测。例如，对房间状态由有人状态转换到无人状态等进行预测，从而更早判别出无人状态。
目前房间状态由无人状态到有人状态的判断相对容易，例如当中央处理单元获取到人体感应数据时，可认为当前房间状态为有人状态。而由有人状态到无人状态的判断通常采用的是定时判断的方式，即预先设定一个定时阈值Δt，若超过该定时阈值Δt未获取到人体感应器上报的人体感应数据，即判断房间进入无人状态，但定时阈值的选取并不容易，往往需要人工来回试验进行确定，最终实现的效果不够精细化。具体地，如图5所示，若定时阈值Δt设置较小，在少人状态时，人体感应器上报的人体感应数据较稀疏，容易出现误判为无人状态的问题，即前后两次上报时刻t6和t7之间的上报时间间隔大于定时阈值Δt，在t6之后定时阈值Δt的时间可能误判为无人状态。而若定时阈值Δt设置较大，虽然可减少将有人状态误判为无人状态的情况发生，但在多人状态下，有人状态转换到无人状态时，需要较长时间才能判断为无人状态(至少要定时阈值Δt的时间)，存在实时性不足的问题。
房间状态可包括多人状态、少人状态、无人状态，房间状态可在这三个状态之间跳转，但是每个房间状态并非瞬时而将持续一段时间。于本实施例中，在房间处于其中一个房间状态时，其人体感应数据的上报特点可从历史人体感应数据的上报特点获知，从而通过统计历史人体感应数据的上报时间间隔的规律，可实现对房间状态转换的更精细的预测。其中，历史人体感应数据可以是过去指定时间范围内的人体感应数据，也可以是过去指定数量的人体感应数据，指定时间范围和指定数量可根据需求自行设置，在此不作限定。可以理解的是，在一定范围内，指定时间范围越大、指定数量越高，则参考的人体感应数据越多，统计规律越明显，可实现对房间状态更精细的预测。
具体地，本实施例分析房间状态从有人状态到无人状态的转换规律时，分别考量了从多人状态到无人状态的转换规律以及从少人状态到无人状态的转换规律。例如，房间状态从多人状态转换为无人状态时，由于多人状态下的人体感应数据上报密集，上报时间间隔较短且在多人状态期间上报时间间隔分布变化较小，即多人状态下的上报时间间隔呈现普遍较短的规律，在超过前述较短的上报时间间隔指定时长时，若仍未获取到下一上报时刻的人体感应数据，可预测当前房间为无人状态，则中央处理单元可更快预测出房间状态为无人状态，预测所需花费的时间较短。并且，前述指定时长越短预测所需花费时间越短，预测越实时。
另外，房间状态从少人状态转换为无人状态时，由于少人状态下的人体感应数据上报稀疏，上报时间间隔较长且在少人状态期间上报时间间隔分布变化较小，即少人状态下的上报时间间隔呈现普遍较长的规律，需在超过前述较长的上报时间间隔指定时长、还仍未获取到下一人体感应数据时，才预测当前房间为无人状态，则中央处理单元在少人状态下预测出房间状态为无人状态所需花费的时间较长，从而降低在少人状态下容易误判为无人状态的误判率，减少将有人状态误判为无人状态的情况，提高对房间状态的判别准确率。
综上，通过对有人状态、无人状态的人体感应数据的上报时间间隔的规律进行统计和分析，可基于历史人体感应数据，预测房间状态，在此基础上，通过对多人状态、少人状态、无人状态的人体感应数据的上报时间间隔的规律进行统计和分析，还可基于历史人体感应数据，提高对房间状态从多人状态转换为无人状态的预测速度，提高对房间状态从少人状态转换为无人状态的预测准确率，减少将有人状态误判为无人状态的情况，实现对房间状态更精细的预测，从而相较于现有技术不仅不必依赖于房间门状态的检测、即可实现对房间状态的判别，而且还实现了对房间状态的精细化预测，大大改善对房间状态的判别效果，为实现上层应用提高更可靠的基础。
步骤S104：根据房间状态执行对应的控制操作。
基于预测得到的房间状态，可根据房间状态执行对应的控制操作。具体地，中央处理单元可连接多个智能设备，也可安装于智能设备，控制操作可以包括控制对象和控制对象对应的控制指令。在一些实施方式中，可以预先设置一个或多个预设操作库，预设操作库包括多个房间状态及其对应的控制操作，还可包括多个房间状态的转换及其对应的控制操作，例如针对不同的房间状态转换，对多个智能设备中的若干智能设备分别设置各自对应的控制指令，并对应存储于预设操作库，从而根据房间状态可执行对应的控制操作。其中，不同智能设备的控制指令可相同，也可不同。
在一种实施方式中，若房间状态从有人状态转换到无人状态，可控制智能设备关闭，若房间状态从无人状态转换到有人状态时，可控制智能设备开启。由于智能判断房间状态往往是上层应用的基础，例如在智能家居领域，对房间状态的判断，系统可以根据房间状态从有人状态转换到无人状态的判断，实现对智能设备的自主控制，具体地，人走灯熄等，从而提升用户体验，减少能源浪费等。
本实施例提供的房间状态预测方法，通过获取人体感应器上报人体感应数据的上报时刻，获取上报时间间隔，并通过对多人状态、少人状态、无人状态的人体感应数据的上报时间间隔的规律进行统计和分析，可基于历史人体感应数据，提高对房间状态从多人状态转换为无人状态的预测速度，提高对房间状态从少人状态转换为无人状态的预测准确率，实现对房间状态更精细的预测，从而相较于现有技术不仅不必依赖于房间门状态的检测、即可实现对房间状态的判别，而且还实现了对房间状态的精细化预测，大大改善对房间状态的判别效果，为实现上层应用提高更可靠的基础。
请参阅图6，本申请另一个实施例提供了一种房间状态预测方法，可应用于上述中央处理单元。具体地，该方法包括步骤S201至步骤S202。
步骤S201：接收至少一个人体感应器上报的人体感应数据。
房间内设置有至少一个人体感应器，中央处理单元可接收每个人体感应器上报的人体感应数据。
步骤S202：判断在预设时间阈值内是否接收到至少一个人体感应器上报的人体感应数据。
其中，预设时间阈值可以是系统预设的，也可以是自定义设置的，具体地，由于在房间设置有多个人体感应器时，同时可能有多个人体感应器被出触发，并向中央处理单元上报人体感应数据，使得中央处理单元同时接收到多个人体感应数据，而这多个人体感应数据的上报时刻相近甚至一致，彼此之间的上报时间间隔较小。如果均获取该多个人体感应数据，并对该多个人体感应数据进行计算，将对中央处理单元的计算和存储造成较大负担，降低中央处理单元的处理效率，导致房间状态的预测不够实时。因此，通过判断在预设时间阈值内是否接收到多个人体感应器上报的人体感应数据，可在预设时间阈值内接收到多个人体感应数据时，减小对人体感应数据的获取，保证预测实时性。
由此，通过设置预设时间阈值，可控制中央处理单元对接收到的人体感应数据的处理量，降低预设时间阈值内需获取的人体感应数据的上报时刻的数量，以保证处理实时性，进而保证房间状态预测的实时性。具体地，预设时间阈值可以是20s、30s等，在此不作限定。可以理解的是，预设时间阈值越大，中央处理单元的处理压力越小，预设时间阈值越小，中央处理单元的处理压力则越大。
于本实施例中，判断在预设时间阈值内是否接收到至少一个人体感应器上报的人体感应数据之后，可包括：
若在预设时间阈值内接收到至少一个人体感应器上报的人体感应数据，可执行步骤S203；
若在预设时间阈值内未接收到至少一个人体感应器上报的人体感应数据，可执行步骤S204。
步骤S203：若接收到多个人体感应器上报的人体感应数据，获取其中一个人体感应数据的上报时刻。
若在预设时间阈值内接收到至少一个人体感应器上报的人体感应数据，判断在预设时间阈值内是否接收到多个人体感应器上报的人体感应数据，若在预设时间阈值内接收到多个人体感应器上报的人体感应数据，仅获取其中一个人体感应数据的上报时刻，由此减少对数据的重复计算和占用多余存储空间，从而提升预测效率。
步骤S204：若在预设时间阈值内未接收到至少一个人体感应器上报的人体感应数据，将上一上报时刻之后间隔预设时间阈值的时刻作为本次的上报时刻。
若在预设时间阈值内未接收到至少一个人体感应器上报的人体感应数据，将上一上报时刻之后间隔预设时间阈值的时刻作为本次的上报时刻。具体地，例如，预设时间阈值为T，上一上报时刻为t6，则将t6+T作为本次的上报时刻。
步骤S205：根据上报时刻，获取人体感应数据的上报时间间隔。
于本实施例中，步骤S205的具体描述可参考上述实施例的步骤S102，在此不再赘述。
步骤S206：将上报时间间隔输入状态预测模型，得到人体感应器所处房间的房间状态的预测结果。
于本实施例中，通过统计分析房间历史人体感应数据的上报规律，可根据上报时间间隔对房间状态进行预测。具体地，统计分析房间历史人体感应数据上报规律的方式可以有多种，例如，统计分析的指标可以是在过去指定时间范围内每两次人体感应数据之间的上报时间间隔的特点，也可以是房间内被触发的人体感应器占整个房间内所有人体感应器数量的比例等。具体如何根据前述指标对房间状态进行预测也可以有多种不同方法。例如，过去指定时间范围内，上报时间间隔随时间变化而变化，本质上上报时刻是一个时间序列数据，上报时间间隔也是一个时间序列数据，各个上报时间间隔之间有时间先后关系。直观上，离当前时间越近的上报时间间隔，对当前预测结果的影响越大，而离当前时间越远的上报时间间隔，对当前预测结果的影响越小，但并非没有影响。
为说明状态预测模型，先对多种房间状态下人体感应数据的上报规律进行示意性说明，具体如下:
其一，请参阅图7，图7示出了多人进出房间过程中上报时间间隔的示意性分布图。如图7所示，多人状态下，多人刚进房间时，人体感应数据上报密集，人体感应数据之间的上报时间间隔较小，每个人在各自位置坐下后，其中部分人的人体动作幅度可能会相较于走动时变小，小到不足以被人体感应器检测到，则此时人体感应数据会逐渐减少，从而人体感应数据之间的上报时间间隔会逐渐增大，直到达到相对稳定的状态；在多人离开房间时，人体感应数据的上报也会比较密集，人体感应数据之间的上报时间间隔较小。因此根据一段时间内上报时间间隔的变化，可预测房间当前所处的房间状态。
其二，请参阅图8，图8示出了少人进出房间过程中上报时间间隔的示意性分布图。如图8所示，少人状态下，少人进入房间时，刚开始人体感应数据上报相对密集，但随着时间推移，人体感应数据会逐渐减少，上报时间间隔会逐渐增大，直到达到一个相对稳定的状态，而在少人离开房间时，人体感应数据的上报也会比较密集，此时上报时间间隔较小，直到离开后上报时间间隔又会增大甚至长时间无法接收到下一个人体感应数据。
其三，请参阅图9，图9示出了临时有人进出房间时上报时间间隔的示意性分布图。其中临时有人进出房间是指有人进出房间，且在房间呆的时间短到人体感应数据的上报时间间隔还来不及稳定，即离开了。如图9所示，房间临时有人进入时，一般是短时间内会有人体感应器被触发而上报人体感应数据，一般人体感应数据之间的上报时间间隔较小。
通过上述三种情况可知，如果能对最近一段时间的人体感应数据的上报时间间隔进行建模，由于上报时间间隔是时间序列数据，则可为房间当前所处的房间状态预测提供充分的参考，从而可实现更加精细化的预测效果。例如，在多人状态转换为无人状态(可参考图7)时或临时有人使用状态转换为无人状态(可参考图9)时，房间可更快预测房间为无人状态，提高了房间状态判别效率；在房间处于少人状态(可参考图8)时，系统更不容易误判为无人状态，减小将有人状态误判为无人状态的情况，提高房间状态的判别准确性。综上，大大改善了对房间状态的判别和预测效果。
进一步地，基于历史人体感应数据的上报时间间隔，构建状态预测模型，用于根据本次获取的上报时间间隔以及先前的上报时间间隔，预测房间状态。进而通过将上报时间间隔输入状态预测模型，可得到人体感应器所处房间的房间状态的预测结果，根据预测结果可获知房间状态为有人状态或无人状态。其中，状态预测模型可使用待训练样本进行训练，具体地，如图10所示，使用待训练样本训练状态预测模型的方法可以包括：步骤S301至步骤S302。
步骤S301：获取待训练样本。
其中，待训练样本包括预设数量个在时间上连续的样本上报时间间隔以及其中每一个上报时刻对应的样本房间状态标签，样本房间状态标签包括有人状态标签和无人状态标签。具体地，预先基于预设数量个在时间上连续的样本上报时间间隔，对应其中每一个上报时刻标注好样本房间状态标签，得到待训练样本，其中，有人状态标签可用1表征，无人状态标签可用0表征。
在一些实施方式中，有人状态标签还可细分为多人状态标签以及少人状态标签，其中，多人状态标签对应的上报时间间隔小于少人状态标签对应的上报时间间隔。具体地，多人状态标签可用2表征，少人状态标签可用3表征。作为一种方式，设置用于划分多人状态和少人状态的预设人数阈值为1，则少人状态下房间仅有一人，此时少人状态为单人状态，少人状态标签等同于单人状态标签。
具体地，在获取待训练样本时，对每一个上报时刻标注样本房间状态标签时，从多人状态标签、少人状态标签、无人状态标签中选择一个进行标注，从而基于训练好的状态预测模型还可对多人状态、少人状态、无人状态进行区分预测，实现更加精细化的预测，改善房间状态的预测效果。需要说明的是,对基于多人状态、少人状态、无人状态进行标注猴的待训练样本的训练模型的方法与仅对有人状态、无人状态进行标注的方法大致相同，下面仅以对基于有人状态、无人状态进行标注的待训练样本训练模型的方法进行介绍。
在一种实施方式中，可以采用滑动采样的方法获取待训练样本，具体地，如图11所示，步骤S301可包括：步骤S3011至步骤S3012。
步骤S3011：基于滑动窗口的宽度与滑动窗口的滑动步长，滑动采集预设数量个在时间上连续的样本上报时间间隔。
于本实施例中，宽度对应滑动窗口包含的样本上报时间间隔的数量，滑动步长对应滑动窗口每次滑动前进的样本上报间隔的数量，其中，宽度大于滑动步长。
在一种实施方式中，状态预测模型可以是基于循环神经网络(Recurrent NeuralNetwork，RNN)构建得到的，虽然循环神经网络本身对于输入长度没有限制，但输入过长会增加计算时间，而且增加网络训练的难度，因此可通过滑动窗口采样的方式、利用滑动窗口的宽度以固定每次模型输入的长度，即固定每次输入状态预测模型的样本上报时间间隔的数量。
具体地，请参阅图12，图12示出了待训练样本的获取过程示意图。时间轴上的实线段表征该实线段对应的时刻下，人体感应器上报了人体感应数据，实线段之间的间隔表征前后两个人体感应数据之间的上报时间间隔，以秒(s)为单位，因为无人状态时，中央处理单元长时间不能接收到人体感应数据，因此预设一个定时检测时间，此处以30s为例，在超过定时检测时间没有接收到上报的人体感应数据时，中央处理单元主动获取一次间隔数据作为该次上报时间间隔，此处间隔数据以30s为例，即图12中时间轴上的虚线段表征因定时检测时间未接收到人体感应数据而主动获取的上报时刻，虚线段之间的上报时间间隔即为间隔数据30s。
进一步地，以滑动窗口的宽度为10、滑动步长为1为例进行说明，如图12所示，时间轴上显示有预设数量个在时间上连续的样本上报时间间隔的一部分，在预设数量个在时间上连续的样本上报时间间隔中，每次按滑动窗口的宽度，采集10个样本上报时间间隔作为模型输入，下一次滑动窗口则前进一个滑动步长，采集该次滑动窗口内包含的10个样本上报时间间隔，依次沿着滑动窗口方向即滑动窗口前进的方向滑动采集。基于图12所示的滑动采集过程，可获得部分待训练样本，具体如表二所示，从t0时刻开始每次滑动采集10个样本上报时间间隔。
表二
上报时刻 每10个样本上报时间间隔 标签
t0 [10,10,15,8,20,12,16,15,6,12] 1
t1 [10,15,8,20,12,16,15,6,12,5] 1
t2 [15,8,20,12,16,15,6,12,5,30] 0
t3 [8,20,12,16,15,6,12,5,30,30] 0
t4 [20,12,16,15,6,12,5,30,30,30] 0
t5 [12,16,15,6,12,5,30,30,30,30] 0
t6 [16,15,6,12,5,30,30,30,30,30] 0
步骤S3012：根据滑动窗口滑动前进的前端对应的上报时刻的房间状态，设定滑动窗口对应的样本房间状态标签。
根据每个滑动窗口滑动前进的前端对应的上报时刻的房间状态，设定滑动窗口对应的样本房间状态标签，若房间有人即房间状态为有人状态，则样本房间状态标签为1，若房间无人即房间状态为无人状态，则样本房间状态标签为0。具体地，例如，请继续参阅图12及表2，如图12所示，t0时刻至t11时刻房间均处于有人状态，t11至t16时刻房间处于无人状态，在t0时刻下，滑动窗口滑动前进的前端为t10时刻，则根据t10时刻所处的有人状态，将t0时刻的滑动窗口对应的样本房间状态标签设定为1。基于前述方法，可获取待训练样本，以对状态预测模型进行训练。
步骤S302：将预设数量个在时间上连续的样本上报时间间隔作为状态预测模型的输入，将每一个样本上报时间间隔中最后一个上报时刻对应的样本房间状态标签作为状态预测模型的期望输出，将预设数量个在时间上连续的样本上报时间间隔与对应的样本房间状态标签输入至状态预测模型，基于机器学习算法进行训练得到训练好的状态预测模型。
作为一种实施方式，基于循环神经网络(Recurrent Neural Network，RNN)构建状态预测模型，循环神经网络适合时间序列数据的建模，其结构如图13所示，其中，权重矩阵U、V、W为每一时刻共享的参数，Xt为当前时刻的输入(表征距离上一次人体感应器的上报时间间隔或预设的定时检测时间，如前所述的30s，若超过30s未接收到人体感应数据，中央处理单元将在无人体感应数据上报时获取定时检测时间作为当前的上报时间间隔)，Yt为当前时刻的输出(表征当前为有人状态的概率，介于0-1之间)，ht为当前时刻的隐藏状态。进一步地，循环神经网络的计算公式可包括:
ht＝f(UXt+Wht-1+b) (1)
Yt＝g(Vht+c) (2)
在循环神经网络的计算公式中，U、V、W、b、c为模型参数，需经过训练得到。其中，f()表征激活函数，一般采用tanh函数，其输出在(-1，1)之间，g()为输出激活函数，可采用Sigmoid函数，其输出在(0，1)之间，g()可用于表征概率(即为当前房间状态为有人状态的概率)。在训练阶段，若某个时刻n为有人状态，则随着训练的进行，Yn不断逼近1.0，若某个时刻m为无人状态，则Ym不断逼近0.0；在测试阶段，可设定一个有人状态的概率阈值，超过该概率阈值认为当前房间状态为有人状态，否则为无人状态/例如，概率阈值设置为0.5，则当前预测输出的Yt大于0.5时，认为当前为有人状态，否则为无人状态。
从上述计算公式可知，当前时刻的模型输出取决于当前时刻的隐藏状态ht，而ht又依赖于上一时刻的隐藏状态ht-1和当前时刻的输入Xt，其中上一时刻的隐藏状态ht-1是包含了之前时刻的输入数据信息的，因此它对时间序列数据进行较好的建模。直观上，RNN的效果是，当前时刻的输出Yt不但考虑了当前时刻的输入，而且考虑了过去的输入，即过去的输入会影响当前的结果。
对基于上述循环神经模块构建的状态预测模型进行训练时，将预设数量个在时间上连续的样本上报时间间隔作为状态预测模型的输入，将每一个样本上报时间间隔中最后一个上报时刻对应的样本房间状态标签作为状态预测模型的期望输出，将预设数量个在时间上连续的样本上报时间间隔与对应的样本房间状态标签输入至状态预测模型，基于机器学习算法调整状态预测模型的模型参数。其中，机器学习算法可以包括梯度下降(GradientDescent，GD)、自适应时刻估计方法(Adaptive Moment Estimation，Adam)，在此不作限定。
在其他实施方式中，还可基于其他循环神经网络构建状态预测模型，如长短时记忆网络(Long Short Term Memory Network,LSTM)、门控循环单元(Gated RecurrentUnit，GRU)。
在一种实施方式中，获取待训练样本后，还可对待训练样本进行预处理，例如将作为输入的样本上报时间间隔均除以预设的定时检测时间30s，使输入处于0-1的范围，然后再基于预处理后的样本上报时间间隔作为状态预测模型的输入，进行模型训练。
进一步地，模型训练完成后，在实际预测时，不断获取当前时刻前10个人体感应数据的上报时间间隔，然后通过预处理后输入训练好的状态预测模型，实现对房间状态的预测。需要说明的是，前述10个的数量也可以是8个、9个等，具体由训练过程中每次输入模型的样本上报时间间隔的数量而定，如可由滑动窗口的宽度决定。
步骤S207：根据预测结果，获取人体感应器所处房间的房间状态。
将上报时间间隔输入状态预测模型，得到人体感应器所处房间的房间状态的预测结果，根据预测结果可获取房间状态为有人状态或无人状态。具体地，例如状态预测模型经训练后，根据指定数量的上报时间间隔，可输出当前上报时刻的房间状态标签，若房间状态标签为1，则房间状态为有人状态，若房间状态标签为0，则房间状态为无人状态。
步骤S208：根据房间状态执行对应的控制操作。
需要说明的是，本实施例中未详细说明的部分，可参考前述实施例，在此不在赘述。
本实施例提供的房间状态预测方法，通过基于循环神经网络构建的状态预测模型对房间有无人状态进行预测，可以利用过去一段时间内的人体感应器上报时间间隔的上报特点，自动预测房间有无人的状态，不但可以减少少人状态下有人却被误判为无人的情况，而且在多人状态变为无人状态时，还可以更快地预测为无人状态，从而相较于现有技术，不论房间门是打开或是关闭，本实施例都可对房间有无人的状态加以识别判断，而且还能区分识别多人状态、少人状态、无人状态，整体改善对房间状态的判别和预测效果，不仅提高了房间有无人状态的判别准确性，而且还提高了判别的实时性和效率，大大改善房间有无人状态的判别效果。
应该理解的是，虽然图2、6、10、11的方法流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、6、10、11中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图14，图14示出了本申请一个实施例提供的一种房间状态预测装置的模块框图，可应用于上述中央处理单元。下面将针对图14所示的模块框图进行阐述，所述房间状态预测装置1400包括：时刻模块1410、间隔获取模块1420、状态预测模块1430以及操作执行模块1440，其中：
时刻获取模块1410，用于获取人体感应器上报人体感应数据的上报时刻；
间隔获取模块1420，用于根据所述上报时刻，获取所述人体感应数据的上报时间间隔，所述上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；
状态预测模块1430，用于根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态；
操作执行模块1440，用于根据所述房间状态执行对应的控制操作。
进一步地，所述人体感应器存在至少一个，所述时刻获取模块1410包括：数据接收单元以及时刻获取单元，其中：
数据接收单元，用于接收至少一个人体感应器上报的人体感应数据；
时刻获取单元，用于若接收到多个人体感应器上报的人体感应数据，获取其中一个人体感应数据的上报时刻。
进一步地，所述数据接收单元包括：定时判断子单元以及超时接收子单元，其中：
定时判断子单元，用于判断在预设时间阈值内是否接收到至少一个人体感应器上报的人体感应数据；
超时接收子单元，用于若在预设时间阈值内未接收到至少一个人体感应器上报的人体感应数据，将上一上报时刻之后间隔所述预设时间阈值的时刻作为本次的上报时刻。
进一步地，状态预测模块1430还包括：模型输入单元以及状态预测单元，其中：
模型输入单元，用于将所述上报时间间隔输入状态预测模型，得到所述人体感应器所处房间的房间状态的预测结果，所述状态预测模型用于根据本次获取的所述上报时间间隔以及先前的上报时间间隔，预测房间状态；
状态预测单元，用于根据所述预测结果，获取所述人体感应器所处房间的房间状态。
进一步地，所述房间状态包括有人状态或无人状态。
进一步地，所述房间状态预测装置1400还包括：模型训练模块以及状态获取模块，其中：
样本获取模块，用于获取待训练样本，所述待训练样本包括预设数量个在时间上连续的样本上报时间间隔以及其中每一个上报时刻对应的样本房间状态标签，所述样本房间状态标签包括有人状态标签和无人状态标签；
模型训练模块，用于将所述预设数量个在时间上连续的样本上报时间间隔作为所述状态预测模型的输入，将每一个所述样本上报时间间隔中最后一个上报时刻对应的样本房间状态标签作为所述状态预测模型的期望输出，将所述预设数量个在时间上连续的样本上报时间间隔与对应的样本房间状态标签输入至所述状态预测模型，基于机器学习算法进行训练得到训练好的状态预测模型。
进一步地，所述样本获取模块还包括：间隔采集单元以及标签设定单元，其中：
间隔采集单元，用于基于滑动窗口的宽度与所述滑动窗口的滑动步长，滑动采集预设数量个在时间上连续的样本上报时间间隔，所述宽度对应所述滑动窗口包含的样本上报时间间隔的数量，所述滑动步长对应所述滑动窗口每次滑动前进的样本上报间隔的数量，所述宽度大于所述滑动步长；
标签设定单元，用于根据所述滑动窗口滑动前进的前端对应的上报时刻的房间状态，设定所述滑动窗口对应的样本房间状态标签。
进一步地，所述有人状态标签包括多人状态标签以及少人状态标签，所述多人状态标签对应的上报时间间隔小于所述少人状态标签对应的上报时间间隔。
本申请实施例提供的房间状态预测装置用于实现前述方法实施例中相应的房间状态预测方法，并具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的技术人员可以清楚地了解到，本申请实施例提供的房间状态预测装置能够实现图2、6、10、11的方法实施例中的各个过程，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参阅前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，所显示或讨论的模块相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
请参阅图15，图15示出了本申请实施例提供的一种电子设备的硬件结构框图。具体的，该电子设备1500可以是中央处理器、智能手机、平板电脑、电子书、可穿戴电子设备、服务器、单片机等能够运行应用程序的电子设备。本申请中的电子设备1500可以包括一个或多个如下部件：处理器1510、存储器1520、以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器1520中并被配置为由一个或多个处理器1510执行，一个或系统的指令多个程序配置用于执行如前述方法实施例所描述的方法。
如图15所示，该电子设备1500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器1510(处理器1510可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1530，一个或一个以上存储应用程序1523或数据1522的存储介质1520(例如一个或一个以上海量存储设备)。其中，存储器1530和存储介质1520可以是短暂存储或持久存储。存储在存储介质1520的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备1500中的一系列指令操作。更进一步地，处理器1510可以设置为与存储介质1520通信，在电子设备1500上执行存储介质1520中的一系列指令操作。电子设备1500还可以包括一个或一个以上电源1560，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1540，和/或，一个或一个以上操作系统1521，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM等等。
需要说明的是，所述电源1560可以是包含独立电源模块以向电子设备1500供电，也可以是用于连接外部电源以向电子设备1500供电。
输入输出接口1540可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备1500的通信供应商提供的无线网络。在一个实例中，输入输出接口1540包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1540可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图15所示的结构仅为示意，其并不对上述电子设备的结构造成限定。例如，电子设备1500还可包括比图15中所示更多或者更少的组件，或者具有与图15所示不同的配置。
本申请实施例还提供一种计算机可读存储介质。图16是本申请一个实施例提供的一种计算机可读存储介质1600的模块框图。该计算机可读存储介质1600上存储有计算机程序1610，该计算机程序1610被处理器执行实现上述房间状态预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质1600，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是智能网关，手机，计算机，服务器，空调器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请各实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护范围之内。

Claims (11)

1.一种房间状态预测方法，其特征在于，所述方法包括：
获取人体感应器上报人体感应数据的上报时刻；
根据所述上报时刻，获取所述人体感应数据的上报时间间隔，所述上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；
根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态；
根据所述房间状态执行对应的控制操作。
2.根据权利要求1所述的房间状态预测方法，其特征在于，所述人体感应器存在至少一个，所述获取人体感应器上报人体感应数据的上报时刻，包括：
接收至少一个人体感应器上报的人体感应数据；
若接收到多个人体感应器上报的人体感应数据，获取其中一个人体感应数据的上报时刻。
3.根据权利要求2所述的房间状态预测方法，其特征在于，所述接收至少一个人体感应器上报的人体感应数据，包括：
判断在预设时间阈值内是否接收到至少一个人体感应器上报的人体感应数据；
若在预设时间阈值内未接收到至少一个人体感应器上报的人体感应数据，将上一上报时刻之后间隔所述预设时间阈值的时刻作为本次的上报时刻。
4.根据权利要求1所述的房间状态预测方法，其特征在于，所述根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态，包括：
将所述上报时间间隔输入状态预测模型，得到所述人体感应器所处房间的房间状态的预测结果，所述状态预测模型用于根据本次获取的所述上报时间间隔以及先前的上报时间间隔，预测房间状态；
根据所述预测结果，获取所述人体感应器所处房间的房间状态。
5.根据权利要求4所述的房间状态预测方法，其特征在于，所述房间状态包括有人状态或无人状态。
6.根据权利要求4或5所述的房间状态预测方法，其特征在于，所述状态预测模型可以通过以下方式训练得到：
获取待训练样本，所述待训练样本包括预设数量个在时间上连续的样本上报时间间隔以及其中每一个上报时刻对应的样本房间状态标签，所述样本房间状态标签包括有人状态标签和无人状态标签；
将所述预设数量个在时间上连续的样本上报时间间隔作为所述状态预测模型的输入，将每一个所述样本上报时间间隔中最后一个上报时刻对应的样本房间状态标签作为所述状态预测模型的期望输出，将所述预设数量个在时间上连续的样本上报时间间隔与对应的样本房间状态标签输入至所述状态预测模型，基于机器学习算法进行训练得到训练好的状态预测模型。
7.根据权利要求6所述的房间状态预测方法，其特征在于，所述获取待训练样本，包括：
基于滑动窗口的宽度与所述滑动窗口的滑动步长，滑动采集预设数量个在时间上连续的样本上报时间间隔，所述宽度对应所述滑动窗口包含的样本上报时间间隔的数量，所述滑动步长对应所述滑动窗口每次滑动前进的样本上报间隔的数量，所述宽度大于所述滑动步长；
根据所述滑动窗口滑动前进的前端对应的上报时刻的房间状态，设定所述滑动窗口对应的样本房间状态标签。
8.根据权利要求6所述的房间状态预测方法，其特征在于，所述有人状态标签包括多人状态标签以及少人状态标签，所述多人状态标签对应的上报时间间隔小于所述少人状态标签对应的上报时间间隔。
9.一种房间状态预测装置，其特征在于，所述装置包括：
时刻获取模块，用于获取人体感应器上报人体感应数据的上报时刻；
间隔获取模块，用于根据所述上报时刻，获取所述人体感应数据的上报时间间隔，所述上报时间间隔为本次的上报时刻与上一上报时刻之间的时间间隔；
状态预测模块，用于根据所述上报时间间隔，预测所述人体感应器所处房间的房间状态；
操作执行模块，用于根据所述房间状态执行对应的控制操作。
10.一种电子设备，其特征在于，包括：
处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的房间状态预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的房间状态预测方法的步骤。
CN201910783205.4A 2019-08-23 2019-08-23 房间状态预测方法、装置、电子设备及存储介质 Active CN110717376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910783205.4A CN110717376B (zh) 2019-08-23 2019-08-23 房间状态预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910783205.4A CN110717376B (zh) 2019-08-23 2019-08-23 房间状态预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110717376A true CN110717376A (zh) 2020-01-21
CN110717376B CN110717376B (zh) 2022-09-09

Family

ID=69210172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910783205.4A Active CN110717376B (zh) 2019-08-23 2019-08-23 房间状态预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110717376B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476265A (zh) * 2020-02-26 2020-07-31 珠海格力电器股份有限公司 一种感应门控制方法、装置、终端及计算机可读介质
CN115083050A (zh) * 2022-06-09 2022-09-20 国网冀北综合能源服务有限公司 一种特定空间有无人员的多条件判定系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887249A (zh) * 2009-05-15 2010-11-17 李凡兴 一种房间状态监控管理系统
CN103837906A (zh) * 2014-03-13 2014-06-04 三和智控(北京)系统集成有限公司 一种探测房间内是否有人的方法
CN104076785A (zh) * 2014-06-27 2014-10-01 苏阳 一种用于控制窗户关闭状态的家居智能控制系统
CN106461254A (zh) * 2014-05-09 2017-02-22 三菱电机株式会社 空调换气系统
CN106597946A (zh) * 2016-12-23 2017-04-26 上海正苒智能科技有限公司 一种室内人员状态监控方法及系统
CN106642588A (zh) * 2016-12-29 2017-05-10 新奥科技发展有限公司 一种室内状态识别方法
CN107180245A (zh) * 2016-03-10 2017-09-19 滴滴（中国）科技有限公司 一种室内外场景识别方法及装置
US20180113897A1 (en) * 2016-10-24 2018-04-26 Crestron Electronics, Inc. Building management system that determines building utilization
CN108965609A (zh) * 2018-08-31 2018-12-07 南京宽塔信息技术有限公司 移动终端应用场景的识别方法和装置
CN109783873A (zh) * 2018-12-18 2019-05-21 风脉能源（武汉）股份有限公司 轴温异常状态的预测方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887249A (zh) * 2009-05-15 2010-11-17 李凡兴 一种房间状态监控管理系统
CN103837906A (zh) * 2014-03-13 2014-06-04 三和智控(北京)系统集成有限公司 一种探测房间内是否有人的方法
CN106461254A (zh) * 2014-05-09 2017-02-22 三菱电机株式会社 空调换气系统
CN104076785A (zh) * 2014-06-27 2014-10-01 苏阳 一种用于控制窗户关闭状态的家居智能控制系统
CN107180245A (zh) * 2016-03-10 2017-09-19 滴滴（中国）科技有限公司 一种室内外场景识别方法及装置
US20180113897A1 (en) * 2016-10-24 2018-04-26 Crestron Electronics, Inc. Building management system that determines building utilization
CN106597946A (zh) * 2016-12-23 2017-04-26 上海正苒智能科技有限公司 一种室内人员状态监控方法及系统
CN106642588A (zh) * 2016-12-29 2017-05-10 新奥科技发展有限公司 一种室内状态识别方法
CN108965609A (zh) * 2018-08-31 2018-12-07 南京宽塔信息技术有限公司 移动终端应用场景的识别方法和装置
CN109783873A (zh) * 2018-12-18 2019-05-21 风脉能源（武汉）股份有限公司 轴温异常状态的预测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AL-MOLEGI A: "《STF-RNN: Space Time Features-based Recurrent Neural Network for Predicting》", 《2016 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE(SSCI)》 *
杨祎玥: "《基于深度循环神经网络的时间序列预测模型》", 《计算机技术与发展》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476265A (zh) * 2020-02-26 2020-07-31 珠海格力电器股份有限公司 一种感应门控制方法、装置、终端及计算机可读介质
CN115083050A (zh) * 2022-06-09 2022-09-20 国网冀北综合能源服务有限公司 一种特定空间有无人员的多条件判定系统及方法

Also Published As

Publication number Publication date
CN110717376B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN109041099B (zh) 人流量预测方法、装置及终端
CN110717376B (zh) 房间状态预测方法、装置、电子设备及存储介质
CN205328387U (zh) 一种基于人脸识别和智能推荐的电梯控制系统
US20200035080A1 (en) Occupancy simulation within a monitored property
CN113412609B (zh) 设备控制方法、装置、服务器及存储介质
WO2015199457A1 (ko) 건물 정보 검출 방법 및 장치
CN110136832B (zh) 一种基于老年人日常行为的认知能力评估系统及方法
US12014271B2 (en) Training image classifiers
US11544924B1 (en) Investigation system for finding lost objects
JP4754800B2 (ja) 環境内のユーザの移動をモデル化する方法およびシステム、並びに環境内のセンサネットワークのジオメトリをモデル化する方法およびシステム
US11074471B2 (en) Assisted creation of video rules via scene analysis
US11734932B2 (en) State and event monitoring
US10929798B1 (en) Guard tour tracking
CN110751115B (zh) 一种无接触式人体行为识别方法和系统
US20240005648A1 (en) Selective knowledge distillation
CN112034727A (zh) 基于智能情景的家居设备管理方法及智能家居控制装置
CN115550615A (zh) 智能设备的录像方法及装置、电子设备和存储介质
US20220377289A1 (en) Batteryless video doorbell
CN112734699A (zh) 物品状态告警方法、装置、存储介质及电子装置
CN116368947A (zh) 基于控制历史确定存在传感器或光开关的位置
KR102437138B1 (ko) 이벤트 로그를 분석하여 거주자를 프로파일링 하는 방법 및 그 장치
CN106919947B (zh) 一种用户吃饭行为识别的方法及装置
US11832028B2 (en) Doorbell avoidance techniques
CN109081205A (zh) 一种基于传感器技术实现自动化控制的设备及方法
US20230081909A1 (en) Training an object classifier with a known object in images of unknown objects

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