CN110895721A - 电器功能的预测方法及装置 - Google Patents

电器功能的预测方法及装置 Download PDF

Info

Publication number
CN110895721A
CN110895721A CN201811063733.4A CN201811063733A CN110895721A CN 110895721 A CN110895721 A CN 110895721A CN 201811063733 A CN201811063733 A CN 201811063733A CN 110895721 A CN110895721 A CN 110895721A
Authority
CN
China
Prior art keywords
appliance
function
parameters
electrical
electric appliance
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
CN201811063733.4A
Other languages
English (en)
Other versions
CN110895721B (zh
Inventor
张龙
文旷瑜
连园园
宋德超
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201811063733.4A priority Critical patent/CN110895721B/zh
Publication of CN110895721A publication Critical patent/CN110895721A/zh
Application granted granted Critical
Publication of CN110895721B publication Critical patent/CN110895721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电器功能的预测方法及装置。其中，该方法包括：获取目标电器的电器参数；利用预设的补全算法补全电器参数；依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。本发明解决了相关技术无法确定用户对使用频率较低的电器，导致无法对电器进行升级改进的技术问题。

Description

电器功能的预测方法及装置
技术领域
本发明涉及电器技术领域，具体而言，涉及一种电器功能的预测方法及装置。
背景技术
在相关技术中，电器一般会具有多个功能，如在电器的控制面板上会设置多个按钮，以让用户使用不同的电器功能，但是在现实状况中，常有使用频率较低的电器或者使用频率较低的电器功能，而针对使用频率较低的电器或功能，厂家往往无法确定用户对这些电器上具备的功能的喜爱偏好，更无法依据用户的喜爱偏好对电器进行升级处理。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电器功能的预测方法及装置，以至少解决相关技术无法确定用户对使用频率较低的电器，导致无法对电器进行升级改进的技术问题。
根据本发明实施例的一个方面，提供了一种电器功能的预测方法，包括：获取目标电器的电器参数；利用预设的补全算法补全所述电器参数；依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据，其中，所述各个功能的使用数据用于对所述目标电器进行功能改进。
进一步地，利用预设的补全算法补全所述电器参数包括：对所述电器参数进行归一化处理；分析归一化处理后的所述电器参数，确定所述电器参数中缺少的数值；针对所述电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，所述补全算法至少包括：k最近距离邻法。
进一步地，依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据包括：依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的所述电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练所述电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到所述电器模型；利用所述电器模型，预测所述目标电器中各个功能的使用数据。
进一步地，所述电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。
进一步地，利用所述电器模型，预测所述目标电器中各个功能的使用数据包括：将用户信息输入至所述电器模型；利用所述电器模型，输出预测结果，其中，所述预测结果指示了预测各个功能的平均使用数据。
进一步地，预测所述目标电器中各个功能的使用数据之后，还包括：依据所述预测结果，确定所述目标电器的各个功能在预设时间段内的市场使用率，其中，所述市场使用率指示了预设时间段内每个功能的平均使用次数；依据所述市场使用率，调整所述目标电器设置的功能数据。
根据本发明实施例的另一方面，还提供了一种电器功能的预测装置，包括：获取单元，用于获取目标电器的电器参数；补全单元，用于利用预设的补全算法补全所述电器参数；预测单元，用于依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据，其中，所述各个功能的使用数据用于对所述目标电器进行功能改进。
进一步地，所述补全单元包括：归一化模块，用于对所述电器参数进行归一化处理；第一确定模块，用于分析归一化处理后的所述电器参数，确定所述电器参数中缺少的数值；补全模块，用于针对所述电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，所述补全算法至少包括：k最近距离邻法。
进一步地，预测单元包括：建立模块，用于依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的所述电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练所述电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到所述电器模型；预测模块，用于利用所述电器模型，预测所述目标电器中各个功能的使用数据。
进一步地，所述电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。
进一步地，所述预测模块包括：输入子模块，用于将用户信息输入至所述电器模型；输出子模块，用于利用所述电器模型，输出预测结果，其中，所述预测结果指示了预测各个功能的平均使用数据。
进一步地，上述电器功能的预测装置还包括：第二确定模块，用于在预测所述目标电器中各个功能的使用数据之后，依据所述预测结果，确定所述目标电器的各个功能在预设时间段内的市场使用率，其中，所述市场使用率指示了预设时间段内每个功能的平均使用次数；调整模块，用于依据所述市场使用率，调整所述目标电器设置的功能数据。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质用于存储程序，其中，所述程序在被处理器执行时控制所述存储介质所在设备执行上述任意一项所述的电器功能的预测方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的电器功能的预测方法。
在本发明实施例中，可以先获取到目标电器的电器参数，并利用预设的补全算法补全电器参数，依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。在该实施例中，可以通过目标电器中的参数，来预测目标电器中各个功能的使用状态，尤其是对使用频率较低的电器的各个功能的使用状态进行确定，对使用频率较低的电器进行升级改造，进而解决相关技术无法确定用户对使用频率较低的电器，导致无法对电器进行升级改进的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种电器功能的预测方法的流程图；
图2根据本发明实施例的另一种可选的电器功能的预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于用户理解本发明，下面对本发明各实施例中涉及到的部分术语或名词做出解释：
K最近距离邻法，依据数据之间的关联关系，以最近至少两个数据来补全缺失数据。
深度学习，基于人工神经网络的研究，含有隐层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。较人工规则构造特征的方法相比，利用大数据来学习特征，更能够表达数据的丰富内在信息。
本发明下述实施例中可以应用各种电器中，电器包括但不限于：空调、冰箱、洗衣机、电饭煲、电烤箱等，每个电器都会有多个功能，对于不同的用户，使用各个电器的次数不同，使用每个电器的功能也不同，这时就需要对低频率的电器进行功能预测，以改进使用的电器，本发明中可以通过机器学习，确定使用电器的用户信息与电器各个功能的使用情况之间的关系，获取大数据中大量用户信息，用更多的用户信息判断电器各个功能的受欢迎程度，进而对电器进行升级处理，从而让用户有更好的使用体验，提高用户的使用率。下面通过各个实施例对本发明进行详细说明。
实施例一
根据本发明实施例，提供了一种电器功能的预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种电器功能的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标电器的电器参数；
步骤S104，利用预设的补全算法补全电器参数；
步骤S106，依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。
通过上述步骤，可以先获取到目标电器的电器参数，并利用预设的补全算法补全电器参数，依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。在该实施例中，可以通过目标电器中的参数，来预测目标电器中各个功能的使用状态，尤其是对使用频率较低的电器的各个功能的使用状态进行确定，对使用频率较低的电器进行升级改造，进而解决相关技术无法确定用户对使用频率较低的电器，导致无法对电器进行升级改进的技术问题。
下面对本发明上述各个步骤进行详细说明。
步骤S102，获取目标电器的电器参数。
其中，本发明下述实施例中，对电器的类型和具体的电器不做限定。而电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。即在获取电器参数时，重点获取到电器的各个功能的使用时间、使用时长、使用日期，使用电器的用户信息；对于功能的使用时间，指示了使用该功能的时间点，如在早上9:26使用一个电器功能，则可以记录下来为后续统计做准备；对于使用时长，表示使用一个电器功能的总时长，如使用空调制冷功能，使用的时长为3小时，则可以记录下“空调制冷3h”；对于使用日期，指示了使用的具体日期，如2012年3月12日，使用“空调制冷”。
可选地，对于上述的用户信息，其可以包括：用户姓名、用户数量、购买目的。
步骤S104，利用预设的补全算法补全电器参数。
利用预设的补全算法补全电器参数包括：对电器参数进行归一化处理；分析归一化处理后的电器参数，确定电器参数中缺少的数值；针对电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，补全算法至少包括：k最近距离邻法。
即可以对所有的原始电器参数进行归一化处理，其中，在进行归一化处理时，可以利用最大最小法进行归一化处理；而针对电器参数数据中缺少的数据采用k最近距离邻法补全，得到相对完整的数据。
步骤S106，依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。
作为本发明一种示例，上述步骤S106包括：依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到电器模型；利用电器模型，预测目标电器中各个功能的使用数据。
另一种可选的示例，利用电器模型，预测目标电器中各个功能的使用数据包括：将用户信息输入至电器模型；利用电器模型，输出预测结果，其中，预测结果指示了预测各个功能的平均使用数据。
即可以将补全的电器参数数据作为训练样本，分别单独无监督地训练每一层RBM网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息。最终将各个功能的平均使用频率作为理想输出，利用反向传播网络将错误信息自顶向下传播至每一层RBM，微调整个DBN网络，得到最终的电器模型；获取大数据中用户信息，将大数据中的用户信息输入最终的电器模型，得到目标电器各个功能的预测平均使用数据。
对于本发明实施例来说，预测目标电器中各个功能的使用数据之后，还包括：依据预测结果，确定目标电器的各个功能在预设时间段内的市场使用率，其中，市场使用率指示了预设时间段内每个功能的平均使用次数；依据市场使用率，调整目标电器设置的功能数据。
可选的，预设时间段可以是指未来一段时间，如未来半年；本发明实施例中对于预设时间段的具体时段不做具体限定，用户可以自行设置。
即可以依据预测的得到的各个功能的市场前景，调整电器的功能设置，如预设得到未来一段时间内某一个功能的使用频率仍然很少，且该功能不会出现高频率使用，则可以设置其它较高使用频率的功能，以让电器的功能在未来一段时间内提高使用频率。
本发明上述实施例，可以先确定使用电器的用户信息与电器各个功能的使用情况的关系，进而获取到大量的用户信息，用更多的用户信息判断电器的各个功能的受欢迎程度，如可以利用机器学习来训练得到电器模型，进而通过电器模型来预测得到每个功能的使用频率，进而对电器进行升级处理，使得用户能提高对所使用电器的满意度，提高使用率。
下面通过另一个实施例对本发明进行说明。
图2根据本发明实施例的另一种可选的电器功能的预测装置的示意图，如图2所示，该电器功能的预测装置包括：获取单元21、补全单元23、预测单元25，其中，
获取单元21，用于获取目标电器的电器参数；
补全单元23，用于利用预设的补全算法补全电器参数；
预测单元25，用于依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。
上述预测装置，可以通过获取单元21获取到目标电器的电器参数，并通过补全单元23利用预设的补全算法补全电器参数，最后可以通过预测单元25依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。在该实施例中，可以通过目标电器中的参数，来预测目标电器中各个功能的使用状态，尤其是对使用频率较低的电器的各个功能的使用状态进行确定，对使用频率较低的电器进行升级改造，进而解决相关技术无法确定用户对使用频率较低的电器，导致无法对电器进行升级改进的技术问题。
一种可选的示例，上述补全单元23包括：归一化模块，用于对电器参数进行归一化处理；第一确定模块，用于分析归一化处理后的电器参数，确定电器参数中缺少的数值；补全模块，用于针对电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，补全算法至少包括：k最近距离邻法。
另一种可选的示例，预测单元25包括：建立模块，用于依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到电器模型；预测模块，用于利用电器模型，预测目标电器中各个功能的使用数据。
优选的，电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。
对于上述示例，预测模块包括：输入子模块，用于将用户信息输入至电器模型；输出子模块，用于利用电器模型，输出预测结果，其中，预测结果指示了预测各个功能的平均使用数据。
上述电器功能的预测装置还包括：第二确定模块，用于在预测目标电器中各个功能的使用数据之后，依据预测结果，确定目标电器的各个功能在预设时间段内的市场使用率，其中，市场使用率指示了预设时间段内每个功能的平均使用次数；调整模块，用于依据市场使用率，调整目标电器设置的功能数据。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质用于存储程序，其中，程序在被处理器执行时控制存储介质所在设备执行上述任意一项的电器功能的预测方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的电器功能的预测方法。
上述的电器功能的预测装置还可以包括处理器和存储器，上述获取单元21、补全单元23、预测单元25等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对目标电器进行功能改进。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标电器的电器参数；利用预设的补全算法补全电器参数；依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。
可选的，上述处理器在执行程序时，还可以实现以下步骤：对电器参数进行归一化处理；分析归一化处理后的电器参数，确定电器参数中缺少的数值；针对电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，补全算法至少包括：k最近距离邻法。
可选的，上述处理器在执行程序时，还可以实现以下步骤：依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到电器模型；利用电器模型，预测目标电器中各个功能的使用数据。
进一步地，电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。
可选的，上述处理器在执行程序时，还可以实现以下步骤：将用户信息输入至电器模型；利用电器模型，输出预测结果，其中，预测结果指示了预测各个功能的平均使用数据。
可选的，上述处理器在执行程序时，还可以实现以下步骤：预测目标电器中各个功能的使用数据之后，依据预测结果，确定目标电器的各个功能在预设时间段内的市场使用率，其中，市场使用率指示了预设时间段内每个功能的平均使用次数；依据市场使用率，调整目标电器设置的功能数据。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标电器的电器参数；利用预设的补全算法补全电器参数；依据补全后的电器参数，预测目标电器中各个功能的使用数据，其中，各个功能的使用数据用于对目标电器进行功能改进。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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(可为个人计算机、服务器或者网络设备等)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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电器功能的预测方法，其特征在于，包括：
获取目标电器的电器参数；
利用预设的补全算法补全所述电器参数；
依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据，其中，所述各个功能的使用数据用于对所述目标电器进行功能改进。
2.根据权利要求1所述的方法，其特征在于，利用预设的补全算法补全所述电器参数包括：
对所述电器参数进行归一化处理；
分析归一化处理后的所述电器参数，确定所述电器参数中缺少的数值；
针对所述电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，所述补全算法至少包括：k最近距离邻法。
3.根据权利要求1所述的方法，其特征在于，依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据包括：
依据补全后的电器参数，建立电器模型，其中，在建立电器模型时，将补全后的所述电器参数作为训练样本，补全后的电器参数包括多组数据：每组数据中至少包括：电器参数和功能使用数据；在训练时，分别单独训练所述电器模型中每一层受限玻尔兹曼机RBM网络，以确保电器功能特征映射到每一层RBM网络空间；将各个功能的平均使用数据作为输出数据，利用反向传播网络传播至每一层RBM网络，以得到所述电器模型；
利用所述电器模型，预测所述目标电器中各个功能的使用数据。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述电器参数包括下述至少之一：各个功能的使用时长、使用日期、用户信息。
5.根据权利要求3所述的方法，其特征在于，利用所述电器模型，预测所述目标电器中各个功能的使用数据包括：
将用户信息输入至所述电器模型；
利用所述电器模型，输出预测结果，其中，所述预测结果指示了预测各个功能的平均使用数据。
6.根据权利要求5所述的方法，其特征在于，预测所述目标电器中各个功能的使用数据之后，还包括：
依据所述预测结果，确定所述目标电器的各个功能在预设时间段内的市场使用率，其中，所述市场使用率指示了预设时间段内每个功能的平均使用次数；
依据所述市场使用率，调整所述目标电器设置的功能数据。
7.一种电器功能的预测装置，其特征在于，包括：
获取单元，用于获取目标电器的电器参数；
补全单元，用于利用预设的补全算法补全所述电器参数；
预测单元，用于依据补全后的所述电器参数，预测所述目标电器中各个功能的使用数据，其中，所述各个功能的使用数据用于对所述目标电器进行功能改进。
8.根据权利要求7所述的装置，其特征在于，所述补全单元包括：
归一化模块，用于对所述电器参数进行归一化处理；
第一确定模块，用于分析归一化处理后的所述电器参数，确定所述电器参数中缺少的数值；
补全模块，用于针对所述电器参数中缺少的数值，利用预设的补全算法进行补全处理，其中，所述补全算法至少包括：k最近距离邻法。
9.一种存储介质，其特征在于，所述存储介质用于存储程序，其中，所述程序在被处理器执行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的电器功能的预测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的电器功能的预测方法。
CN201811063733.4A 2018-09-12 2018-09-12 电器功能的预测方法及装置 Active CN110895721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811063733.4A CN110895721B (zh) 2018-09-12 2018-09-12 电器功能的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811063733.4A CN110895721B (zh) 2018-09-12 2018-09-12 电器功能的预测方法及装置

Publications (2)

Publication Number Publication Date
CN110895721A true CN110895721A (zh) 2020-03-20
CN110895721B CN110895721B (zh) 2021-11-16

Family

ID=69785351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811063733.4A Active CN110895721B (zh) 2018-09-12 2018-09-12 电器功能的预测方法及装置

Country Status (1)

Country Link
CN (1) CN110895721B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556464A (zh) * 2009-05-22 2009-10-14 天津大学 基于关联规则的城市电力负荷预测模型自动推荐方法
CN103438660A (zh) * 2013-09-05 2013-12-11 海信容声(广东)冰箱有限公司 一种具有安息日功能的冰箱及其控制方法
CN103546806A (zh) * 2013-10-16 2014-01-29 小米科技有限责任公司 一种功能列表的生成方法和装置
CN104142664A (zh) * 2013-05-09 2014-11-12 洛克威尔自动控制技术股份有限公司 使用大数据的工业产品的预测维护
CN104486416A (zh) * 2014-12-16 2015-04-01 三星电子（中国）研发中心 一种智能家居服务规则的综合利用系统及方法
CN104765752A (zh) * 2014-01-07 2015-07-08 三星电子（中国）研发中心 基于用户模型演进的推荐装置和方法
CN105431822A (zh) * 2013-06-12 2016-03-23 微软技术许可有限责任公司 应用的预测预启动
CN105590174A (zh) * 2015-12-29 2016-05-18 南京因泰莱电器股份有限公司 基于k-均值聚类rbf神经网络的企业用电负荷预测方法
CN105869022A (zh) * 2016-04-07 2016-08-17 腾讯科技（深圳）有限公司 一种应用流行度预测方法和装置
CN106294743A (zh) * 2016-08-10 2017-01-04 北京奇虎科技有限公司 应用功能的推荐方法及装置
CN106707783A (zh) * 2016-12-30 2017-05-24 中科同德（北京）生态科技有限公司 一种记录用户行为习惯的knx总线控制方法和系统
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
CN106844687A (zh) * 2017-01-23 2017-06-13 炫彩互动网络科技有限公司 一种基于游戏日志确定用户性别的方法及系统
CN107193876A (zh) * 2017-04-21 2017-09-22 美林数据技术股份有限公司 一种基于最近邻knn算法的缺失数据填补方法
CN107239796A (zh) * 2017-05-19 2017-10-10 四川长虹电器股份有限公司 基于使用行为区分电视归属属性的系统与方法
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 用于智能家居控制的用户行为预测模型的训练方法及装置
CN107679649A (zh) * 2017-09-13 2018-02-09 珠海格力电器股份有限公司 一种电器的故障预测方法、装置、存储介质及电器

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015028242A2 (en) * 2013-08-28 2015-03-05 Abb Technology Ag Model predictive control of an electrical system
KR20150029873A (ko) * 2013-09-11 2015-03-19 삼성전자주식회사 세탁기 및 그 제어방법
CN103606265A (zh) * 2013-11-19 2014-02-26 四川长虹电器股份有限公司 家用电器控制装置及控制方法
WO2016121107A1 (ja) * 2015-01-30 2016-08-04 三菱電機株式会社 空調管理システム
CN106939488B (zh) * 2016-01-04 2021-01-05 青岛海尔洗涤电器有限公司 一种洗衣机的控制方法以及洗衣机
FR3054703B1 (fr) * 2016-07-26 2023-04-28 Electricite De France Procede de prediction de demande de consommation, utilisant un modele de prediction perfectionne
CN107152769A (zh) * 2017-07-21 2017-09-12 长沙稻冰工程技术有限公司 中央空调控制方法、中央空调及计算机可读存储介质
CN108052519A (zh) * 2017-10-31 2018-05-18 珠海格力电器股份有限公司 信息展示处理方法及装置
CN107991552A (zh) * 2017-11-20 2018-05-04 中国运载火箭技术研究院 一种重复使用运载器寿命评估及预测系统及方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556464A (zh) * 2009-05-22 2009-10-14 天津大学 基于关联规则的城市电力负荷预测模型自动推荐方法
CN104142664A (zh) * 2013-05-09 2014-11-12 洛克威尔自动控制技术股份有限公司 使用大数据的工业产品的预测维护
CN105431822A (zh) * 2013-06-12 2016-03-23 微软技术许可有限责任公司 应用的预测预启动
CN103438660A (zh) * 2013-09-05 2013-12-11 海信容声(广东)冰箱有限公司 一种具有安息日功能的冰箱及其控制方法
CN103546806A (zh) * 2013-10-16 2014-01-29 小米科技有限责任公司 一种功能列表的生成方法和装置
CN104765752A (zh) * 2014-01-07 2015-07-08 三星电子（中国）研发中心 基于用户模型演进的推荐装置和方法
CN104486416A (zh) * 2014-12-16 2015-04-01 三星电子（中国）研发中心 一种智能家居服务规则的综合利用系统及方法
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
CN105590174A (zh) * 2015-12-29 2016-05-18 南京因泰莱电器股份有限公司 基于k-均值聚类rbf神经网络的企业用电负荷预测方法
CN105869022A (zh) * 2016-04-07 2016-08-17 腾讯科技（深圳）有限公司 一种应用流行度预测方法和装置
CN106294743A (zh) * 2016-08-10 2017-01-04 北京奇虎科技有限公司 应用功能的推荐方法及装置
CN106707783A (zh) * 2016-12-30 2017-05-24 中科同德（北京）生态科技有限公司 一种记录用户行为习惯的knx总线控制方法和系统
CN106844687A (zh) * 2017-01-23 2017-06-13 炫彩互动网络科技有限公司 一种基于游戏日志确定用户性别的方法及系统
CN107193876A (zh) * 2017-04-21 2017-09-22 美林数据技术股份有限公司 一种基于最近邻knn算法的缺失数据填补方法
CN107239796A (zh) * 2017-05-19 2017-10-10 四川长虹电器股份有限公司 基于使用行为区分电视归属属性的系统与方法
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 用于智能家居控制的用户行为预测模型的训练方法及装置
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN107679649A (zh) * 2017-09-13 2018-02-09 珠海格力电器股份有限公司 一种电器的故障预测方法、装置、存储介质及电器

Also Published As

Publication number Publication date
CN110895721B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN110490688A (zh) 商品推荐方法和装置
CN108932319B (zh) 一种蒸烤设备优化推荐菜谱的方法及系统
CN110322323A (zh) 实体展示方法、装置、存储介质和电子设备
CN112782990A (zh) 一种智能设备的控制方法、装置、存储介质及电子设备
CN109949103A (zh) 一种数据处理方法、装置及电子设备
CN110953721A (zh) 热水器的控制方法及装置、热水器
CN111651454B (zh) 一种数据处理方法、装置及计算机设备
CN114821236A (zh) 智慧家庭环境感知方法、系统、存储介质及电子装置
CN111062439A (zh) 一种视频清晰度分类方法、装置、设备和存储介质
WO2011106015A1 (en) Eliciting customer preference from purchasing behavior surveys
US7630951B2 (en) Method, program product, and apparatus for generating analysis model
CN115358395A (zh) 知识图谱的更新方法和装置、存储介质及电子装置
CN110966731B (zh) 调节工作参数的方法
CN111435229A (zh) 控制烹饪模式的方法、装置和烹饪器具
CN110895721B (zh) 电器功能的预测方法及装置
CN113934926A (zh) 交互场景的推荐方法及其装置、电子设备
CN105867851A (zh) 一种存储设备调整方法及装置
CN109034965A (zh) 一种产品推荐方法、计算设备及存储介质
CN111861555A (zh) 用于行为分析的RFM-Session用户建模方法和系统及介质
CN106575870B (zh) 用于确定用于发电系统的参数设置的系统、方法和设备及有形计算机可读介质
CN113703337B (zh) 一种基于物联网的家电设备控制方法、系统及存储介质
CN111159831A (zh) 食材新鲜度的预测方法及装置、家电设备
CN111104952A (zh) 识别食物种类的方法、系统及装置、冰箱
KR102349825B1 (ko) 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템
US20220114472A1 (en) Systems and methods for generating machine learning-driven telecast forecasts

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