CN111322716B - 空调温度自动设置方法、空调、设备及存储介质 - Google Patents

空调温度自动设置方法、空调、设备及存储介质 Download PDF

Info

Publication number
CN111322716B
CN111322716B CN202010111397.7A CN202010111397A CN111322716B CN 111322716 B CN111322716 B CN 111322716B CN 202010111397 A CN202010111397 A CN 202010111397A CN 111322716 B CN111322716 B CN 111322716B
Authority
CN
China
Prior art keywords
user
air conditioner
local
global
weather
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
Application number
CN202010111397.7A
Other languages
English (en)
Other versions
CN111322716A (zh
Inventor
贾俊
陈录城
刘伦明
李志远
辛学祥
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.)
Karos Iot Technology Co ltd
Qingdao Blue Whale Technology Co ltd
Cosmoplat Industrial Intelligent Research Institute Qingdao Co Ltd
Original Assignee
Qingdao Blue Whale Technology Co ltd
Qingdao Haier Jiaozhou Air Conditioner Co Ltd
Haier Caos IoT Ecological Technology Co Ltd
Qingdao Haier Industrial Intelligence Research Institute 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 Qingdao Blue Whale Technology Co ltd, Qingdao Haier Jiaozhou Air Conditioner Co Ltd, Haier Caos IoT Ecological Technology Co Ltd, Qingdao Haier Industrial Intelligence Research Institute Co Ltd filed Critical Qingdao Blue Whale Technology Co ltd
Priority to CN202010111397.7A priority Critical patent/CN111322716B/zh
Publication of CN111322716A publication Critical patent/CN111322716A/zh
Application granted granted Critical
Publication of CN111322716B publication Critical patent/CN111322716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • 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
    • 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
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/20—Feedback from users

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种空调及空调温度自动设置方法，包括：获取用户的基础属性参数和用户的地区属性参数；获取用户的基础属性参数相似度和地区属性参数相似度；根据用户的基础属性参数相似度和地区属性参数相似度进行加权聚类，获取多个用户画像组；在聚类后的每个用户画像组进行用户‑空调‑天气的局部张量建模和分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值；根据局部张量建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；根据全局张量分解预测值设置空调的温度，本发明的空调温度自动设置方法通过建立用户画像进行分层张量分解，提高了温度设置的精度，提升了用户体验。

Description

空调温度自动设置方法、空调、设备及存储介质
技术领域
本发明实施例涉及空调技术领域，尤其涉及一种空调温度自动设置方法、空调、设备及存储介质。
背景技术
随着智能控制技术的发展，越来越多的家用电器采用智能调节技术实现自动控制，智能调节的关键在于通过推荐系统使家用电器的设置更适合用户的使用习惯，推荐系统的主要任务是综合用户的属性、交互等信息，建立用户和家用电器之间的关系，向用户提供个性化的信息服务。
在空调温度自动设置的推荐系统中，由于空调温度容易受用户和天气等上下文信息的影响，现有的推荐算法往往结合用户属性或者天气上下文进行空调温度的自动设置。现有的空调温度自动设置采用的推荐算法存在以下问题：
其一，用户的属性包括用户的性别、年龄和用户所在的地区等，用户所在的地区对设置的空调温度的影响比其他用户属性对空调温度的影响大，采用现有的推荐算法进行空调温度自动设置时，将所有的用户属性均作为平行属性，在进行用户聚类时，容易产生某些地区用户数据稀疏性的问题，导致推荐算法的推荐精度较低。
其二，在进行空调温度设置时，现有的推荐算法单独考虑用户的属性或者天气上下文信息对空调温度的影响，在进行温度设置时，如果天气变化或者用户调整，空调温度无法适应性调整，导致推荐算法的推荐精度较低。
发明内容
本发明提供一种空调温度自动设置方法，以解决现有的推荐算法推荐精度较低的问题，提高了空调温度设置的精度。
第一方面，本发明实施例提供了一种空调温度自动设置方法，包括以下步骤：
获取用户的基础属性参数和用户的地区属性参数；
根据所述用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度；
根据所述基础属性参数相似度和所述地区属性参数相似度进行加权聚类，获取多个用户画像组；
在聚类后的每个用户画像组进行用户-空调-天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型；
根据所述局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；
根据所述全局张量分解预测值设置空调的温度。
第二方面，本发明实施例还提供了一种空调，包括：参数获取模块、相似度获取模块、用户画像组获取模块、局部张量分解模块、全局张量分解模块和温度设置模块，其中，所述参数获取模块用于获取用户的基础属性参数和用户的地区属性参数；所述相似度获取模块用于根据所述用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度；所述用户画像组获取模块用于根据所述基础属性参数相似度和所述地区属性参数相似度进行加权聚类，获取多个用户画像组；所述局部张量分解模块用于在聚类后的每个用户画像组进行用户-空调-天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型；所述全局张量分解模块用于根据所述局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；所述温度设置模块用于根据所述全局张量分解预测值设置空调的温度。
第三方面，本发明实施例还提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述空调温度自动设置方法。
第四方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述空调温度自动设置方法。
本发明提出的空调温度自动设置方法、空调、设备及存储介质，通过对用户的不同属性依照相似度进行加权聚类获取用户画像组，建立用户、空调和天气的三阶张量，并在不同的用户画像组进行局部张量分解，根据局部张量建立全局张量分解模型，并获取全局张量分解预测值，根据全局张量分解预测值设置空调温度，解决了推荐算法的推荐精度低的问题，实现了根据天气状况和用户属性实时调整空调设置的温度的效果，提高了空调温度自动设置的精度。
附图说明
图1是本发明实施例的空调温度自动设置方法的流程图；
图2是本发明实施例的一种空调温度自动设置方法的流程图；
图3是本发明实施例的另一种空调温度自动设置方法的流程图；
图4是本发明实施例的又一种空调温度自动设置方法的流程图；
图5是本发明实施例的又一种空调温度自动设置方法的流程图；
图6是本发明实施例的空调的结构示意图；
图7是本发明实施例的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例的空调温度自动设置方法的流程图，本实施例可适用于对空调进行智能调节的情况。
如图1所示，空调温度自动设置方法具体包括如下步骤：
步骤S10：获取用户的基础属性参数Ua和用户的地区属性参数Up。
其中，用户的基础属性参数Ua表示对空调温度有影响的用户基础特征，例如用户的年龄、用户的工作性质和用户承担的电费价格等，用户的基础属性参数Ua不包括用户的地理位置；用户的地区属性参数Up表示用户所在地区中心的地理位置，其中，用户的地区属性参数包括用户所在地区中心的经度参数和用户所在地区中心的纬度参数。
示例性地，可采用移动端获取用户输入的基础属性参数和地区属性参数，并将所有用户输入的基础属性参数和地区属性参数存储在云端服务器。
步骤S20：根据用户的基础属性参数Ua获取基础属性参数相似度sima，并根据地区属性参数Up获取地区属性参数相似度simp。
其中，在推荐系统中，可基于相邻的用户进行推荐，通过计算相似度可得到相邻的用户。常用的相似度算法包括：欧氏距离相似度算法和余弦相似度算法，其中，欧氏距离相似度算法是用多维空间中两个点之间的真实距离衡量两个个体间的相似度；余弦相似度是用位于向量空间中的两个向量的夹角的余弦值衡量两个个体间的相似度，余弦值越接近1，两个个体的相似度越高。余弦相似度衡量的是不同个体取值方向的一致性，侧重维度之间的差异，不注重数值上的差异；欧式距离相似度算法衡量的是不同个体数值上的差异。由此，可采用余弦相似度算法计算基础属性参数相似度sima，并采用欧氏距离相似度算法计算地区属性参数相似度simp。
图2是本发明实施例的一种空调温度自动设置方法的流程图。
如图2所示，根据用户的基础属性参数Ua获取基础属性参数相似度sima，并根据地区属性参数Up获取地区属性参数相似度simp，包括以下步骤：
步骤S201：分别获取用户I的p个基础属性参数、用户J的p个基础属性参数、用户I的地区属性参数和用户J的地区属性参数，地区属性参数包括用户所在地区中心的经度参数和用户所在地区中心的纬度参数。
其中，用户I和用户J是在全部用户中随机抽取的两个个体，可从云端服务器获取用户I对应的p个基础属性参数和用户I所在地区中心的第一经度参数Uilt和第一纬度参数Uids，并获取用户J对应的p个基础属性参数和用户J所在地区中心的第二经度参数Ujlt和第二纬度参数Ujds，其中，用户I对应的第一组基础属性参数的数值和用户J对应的第二组基础属性参数的数值不完全相同，用户I可用基于第一组基础属性参数的P维空间向量表示，用户J可用基于第二组基础属性参数的P维空间向量表示。
步骤S202：分别获取用户I在第k个基础属性参数的取值labelk(Ui)、用户J在第k个基础属性参数的取值labelk(Uj)和第k个属性的权重wk，计算用户I和用户J的基础属性参数相似度sima(Ui,Uj)。
其中，可采用修正的余弦相似度算法计算用户I和用户J的基础属性参数相似度sima(Ui,Uj)。
具体地，可将用户I在第k个基础属性参数的取值labelk(Ui)、用户J在第k个基础属性参数的取值labelk(Uj)和第k个属性的权重wk代入如下所示的公式一，计算用户I和用户J的基础属性参数相似度sima(Ui,Uj)，
Figure BDA0002390137290000061
其中，sima(Ui,Uj)表示用户I和用户J基于P个基础属性参数的相似度。
步骤S203：分别获取用户I的第一经度参数Uilt和第一纬度参数Uids，以及用户J的第二经度参数Ujlt和第二纬度参数Ujds，计算用户I和用户J的地区属性参数相似度simp(Ui,Uj)。
其中，可采用欧氏距离相似度算法计算用户I和用户J的地区属性参数相似度simp(Ui,Uj)。
具体地，可将用户I的第一经度参数Uilt、第一纬度参数Uids、用户J的第二经度参数Ujlt和第二纬度参数Ujds代入如下所示的公式二，计算用户I和用户J的欧氏距离，
Figure BDA0002390137290000071
其中，Dp(Ui,Uj)表示用户I和用户J的欧氏距离。
进一步地，可将用户I和用户J的欧氏距离Dp(Ui,Uj)代入如下所示的公式三，计算用户I和用户J的地区属性参数相似度，
Figure BDA0002390137290000072
其中，simp(Ui,Uj)表示用户I和用户J的地区属性参数相似度。
步骤S30：根据基础属性参数相似度sima(Ui,Uj)和地区属性参数相似度simp(Ui,Uj)进行加权聚类，获取多个用户画像组。
其中，当用户u在天气k下对空调i进行温度设置时，空调设置的温度受用户基础属性参数和地区属性参数的影响是不同的，且地区属性参数对空调设置的温度的影响是最大的，也就是说，在根据基础属性参数相似度sima(Ui,Uj)和地区属性参数相似度simp(Ui,Uj)进行用户聚类时，需要对基础属性参数相似度sima(Ui,Uj)和地区属性参数相似度simp(Ui,Uj)的权重进行区分，并将基础属性参数相似度sima(Ui,Uj)和地区属性参数相似度simp(Ui,Uj)进行加权组合，得到用户加权相似度sim(Ui,Uj)，并按照用户加权相似度sim(Ui,Uj)对云端服务器中的全部用户进行聚类，通过聚类获得多个用户画像组，其中，用户画像是基于用户的基础属性参数和地区属性参数的用户的标签，每个用户画像组与一组基础属性参数数据和一组地区属性参数数据一一对应。
图3是本发明实施例的另一种空调温度自动设置方法的流程图。
可选地，如图3所示，根据基础属性参数相似度和地区属性参数相似度进行加权聚类，获取多个用户画像组，包括以下步骤：
步骤S301：获取地区属性参数相似度的第一权重δ。
其中，第一权重δ用于构建用户画像，并通过用户画像获取用户u在天气k下对空调i的温度的预测值
Figure BDA0002390137290000081
因此，第一权重δ可通过对用户u在天气k下对空调i的温度的预测值
Figure BDA0002390137290000082
的精度进行交叉验证得到，例如，第一权重δ满足用户u在天气k下对空调i的温度的预测值
Figure BDA0002390137290000083
与用户u在天气k下对空调i的温度的实际值
Figure BDA0002390137290000084
的均方根误差RMSE小于预设最小差值，其中，均方根误差
Figure BDA0002390137290000085
T表示获取的全部的空调温度的个数。
步骤S302：根据基础属性参数相似度sima(Ui,Uj)、地区属性参数相似度simp(Ui,Uj)和第一权重δ计算用户加权相似度。
本实施例中，可将基础属性参数相似度sima(Ui,Uj)、地区属性参数相似度simp(Ui,Uj)和第一权重δ代入如下所示的公式四，计算用户加权相似度，
sim(Ui,Uj)＝δ·simp(Ui,Uj)+(1-δ)·sima(Ui,Uj) (公式四)
其中，sim(Ui,Uj)表示用户加权相似度。
步骤S303：根据加权相似度获取多个用户画像组。
其中，可按照用户加权相似度sim(Ui,Uj)对云端服务器中的全部用户进行聚类，通过聚类获得多个用户画像组，用户画像是基于用户的基础属性参数和地区属性参数的用户的标签，每个用户画像组与一组基础属性参数数据和一组地区属性参数数据一一对应。
步骤S40：在聚类后的每个用户画像组进行用户-空调-天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，将各用户画像组对应的预测值重新组合，得到局部张量预测模型。
其中，张量为多维数组，维数即为张量的阶。对全部用户进行聚类，在每个用户画像组构建基于用户-空调-天气的三阶张量建模，得到每个用户画像组中各个用户在不同天气下对不同空调设置的温度，在每个用户画像组内进行局部张量分解，得到每个用户画像组中的各个用户在不同天气下对不同空调设置的温度的局部张量分解预测值。进而，将各个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值重新组合，得到局部张量预测模型Flocal。
步骤S50：根据局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值。
其中，在进行空调温度设置时，需要同时考虑用户属性和天气上下文对空调温度的影响，在局部张量预测模型的基础上，获取基于天气上下文的全局偏置增量，将局部张量预测模型通过线性加权的方式融入到全局张量分解模型，可以得到用户u在天气k对空调i设置的温度的全局张量分解预测值。
步骤S60：根据全局张量分解预测值设置空调的温度。
其中，当用户u在天气k对空调i进行温度设置时，首先根据上述步骤获取用户u在天气k对空调i设置的温度的全局张量分解预测值，将空调的温度设置为全局张量分解预测值。
本发明实施例的空调温度自动设置方法的工作原理具体如下：
对空调温度自动设置的推荐算法进行改进，将基于用户的地区属性参数的相似度和基于用户的基础属性参数的相似度设置不同的权重，依照相似度进行聚类，建立相似度更高的用户画像组，建立用户、空调和天气的三阶张量，首先基于用户画像组进行局部张量分解，然后在局部张量分解模型的基础上与全局偏置增量进行线性加权组合，获得全局张量分解模型，进而，根据全局张量分解模型获得用户在不同天气设置的空调温度的全局张量分解预测值，并根据全局张量分解预测值设置空调的温度。
本发明实施例提出的空调温度自动设置方法，通过对用户的不同属性依照相似度进行加权聚类获取用户画像组，建立用户、空调和天气的三阶张量，并在不同的用户画像组进行局部张量分解，根据局部张量建立全局张量分解模型，并获取全局张量分解预测值，根据全局张量分解预测值设置空调温度，解决了推荐算法的推荐精度低的问题，实现了根据天气状况和用户属性实时调整空调设置的温度的效果，提高了空调温度自动设置的精度。
图4是本发明实施例的又一种空调温度自动设置方法的流程图。
可选地，如图4所示，在聚类后的每个用户画像组进行用户、空调、天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型，包括以下步骤：
步骤S401：在每个用户画像组中根据不同用户在不同天气下对不同空调设置的温度建立三阶张量模型Ylocal。
本实施例中，可将来自M个用户在K种天气下对N个空调的温度记作三阶张量Y。Y包含M×N×K个记录，每个记录表示用户u在天气k下对空调i设置的温度，记作yuik，yuik∈YM ×N×K。|Y|表示三阶张量Y中非零元素的数量，Yuk表示用户u在天气k下对所有空调设置的温度向量，Ylocal表示任一用户画像组中局部用户、空调、天气的三阶张量模型。
步骤S402：采用张量分解算法对聚类后的每个用户画像组进行局部张量分解，获取矩阵因子
Figure BDA0002390137290000101
其中，
Figure BDA0002390137290000102
表示任一用户画像组中的用户u，
Figure BDA0002390137290000111
表示对应的空调i，
Figure BDA0002390137290000112
表示对应的天气上下文k。
本实施例中，采用张量分解算法对用户、空调、天气进行建模，该方法将隐语义特征存储在
Figure BDA0002390137290000113
和
Figure BDA0002390137290000114
3个矩阵中，用Uu表示用户u的D维隐语义向量，Vi表示空调i的D维隐语义向量，Ck表示天气k的D维隐语义向量。
步骤S403：随机初始化矩阵因子
Figure BDA0002390137290000115
步骤S404：若任一用户画像组中的用户u在天气上下文k下对空调i设置的温度的实际值
Figure BDA0002390137290000116
属于三阶张量模型Ylocal，则根据用户u在天气上下文k下对空调i设置的温度的预测值
Figure BDA0002390137290000117
建立第一目标函数如下：
Figure BDA0002390137290000118
其中，
Figure BDA0002390137290000119
表示任一用户画像组中的用户u在天气上下文k下对空调i设置的温度的预测值，
Figure BDA00023901372900001110
表示任一用户画像组中的用户u的D维隐语义向量的第d个元素，
Figure BDA00023901372900001111
表示对应的空调i的D维隐语义向量的第d个元素，
Figure BDA00023901372900001112
表示对应的天气上下文k的D维隐语义向量的第d个元素。
本实施例中，可采用CP分解算法分别对聚类后的用户画像组进行局部张量分解，获取矩阵因子
Figure BDA00023901372900001113
并建立基于矩阵因子
Figure BDA00023901372900001114
的第一目标函数即局部张量分解模型，第一目标函数可用于计算用户u在天气上下文k下对空调i设置的温度的局部预测值。
步骤S405：对第一目标函数的矩阵因子
Figure BDA00023901372900001115
进行优化，获取优化后的矩阵因子Ulocal、Vlocal、Clocal。
本实施例中，可采用随机梯度下降法(Stochastic gradient descent，SGD)对第一目标函数的矩阵
Figure BDA00023901372900001116
进行优化，通过随机梯度下降法遍历各用户画像组中的每一个用户在天气上下文下设置的空调温度，对第一目标函数的矩阵
Figure BDA0002390137290000121
进行迭代更新，若满足用户u在天气k下对空调i的温度的预测值
Figure BDA0002390137290000122
与用户u在天气k下对空调i的温度的实际值
Figure BDA0002390137290000123
的均方根误差RMSE小于预设最小差值，则停止进行迭代更新，并获取优化后的矩阵Ulocal、Vlocal、Clocal，其中，均方根误差
Figure BDA0002390137290000124
T表示获取的全部的空调温度的个数。
可选地，对第一目标函数的矩阵
Figure BDA0002390137290000125
进行优化，获取优化后的矩阵Ulocal、Vlocal、Clocal，包括以下步骤：根据空调温度的实际值
Figure BDA0002390137290000126
与空调温度的预测值
Figure BDA0002390137290000127
之间的差距建立第一损失函数
Figure BDA0002390137290000128
根据第一损失函数获得矩阵
Figure BDA0002390137290000129
的迭代公式；采用随机梯度下降法对矩阵
Figure BDA00023901372900001210
Figure BDA00023901372900001211
进行迭代更新，若空调温度的实际值
Figure BDA00023901372900001212
与空调温度的预测值
Figure BDA00023901372900001213
的均方根误差收敛，则获取均方根误差收敛时的矩阵Ulocal、Vlocal、Clocal，将矩阵Ulocal、Vlocal、Clocal作为优化后的矩阵进行输出。
其中，对矩阵
Figure BDA00023901372900001214
进行优化，可以实现对第一目标函数即局部张量分解模型进行优化，实现空调温度的实际值
Figure BDA00023901372900001215
与空调温度的预测值
Figure BDA00023901372900001216
之间的差距即第一损失函数
Figure BDA00023901372900001217
的最小化，其中，可采用平方误差作为逐点损失函数，则第一损失函数
Figure BDA00023901372900001218
本实施例中，为了防止最小化损失函数过程中过拟合，引入l2范数定义第一优化目标函数Llocal如下：
Figure BDA00023901372900001219
其中，
Figure BDA00023901372900001220
表示任一用户画像组中的用户u在天气上下文k下对空调i设置的温度的实际值，
Figure BDA0002390137290000131
表示任一用户画像组中的用户u在天气上下文k下对空调i设置的温度的预测值，||x||2表示l2范数，λ1表示局部张量分解的正则化参数。
结合梯度下降法对矩阵
Figure BDA0002390137290000132
进行迭代更新，其中，α1表示局部张量分解的学习率，表示梯度下降的步长，同时将第一优化目标函数Llocal分别对矩阵
Figure BDA0002390137290000133
求偏导，获得如下公式六至公式八所示的矩阵
Figure BDA0002390137290000134
Figure BDA0002390137290000135
的迭代公式：
Figure BDA0002390137290000136
Figure BDA0002390137290000137
Figure BDA0002390137290000138
其中，°为哈达玛积，用于表示向量对应元素相乘的运算。
若迭代至公式六至公式八收敛，则空调温度的实际值
Figure BDA0002390137290000139
与空调温度的预测值
Figure BDA00023901372900001310
的均方根误差收敛，即言，用户u在天气k下对空调i的温度的预测值
Figure BDA00023901372900001311
与用户u在天气k下对空调i的温度的实际值
Figure BDA00023901372900001312
的均方根误差RMSE小于预设最小差值，则停止进行迭代更新，并获取优化后的矩阵Ulocal、Vlocal、Clocal，其中，均方根误差
Figure BDA00023901372900001313
T表示获取的全部的空调温度的个数。
步骤S406：将优化后的矩阵因子Ulocal、Vlocal、Clocal代入第一目标函数获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值。
步骤S407：将各用户画像组对应的局部张量分解预测值重新组合，得到局部张量预测模型Flocal。
其中，局部张量预测模型Flocal即为优化后的局部张量分解模型。
图5是本发明实施例的又一种空调温度自动设置方法的流程图。
可选地，如图5所示，根据局部张量建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值，包括以下步骤：
步骤S501：随机初始化矩阵因子
Figure BDA0002390137290000141
步骤S502：若用户u在天气上下文k下对空调i设置的温度的实际值yuik属于三阶张量模型Y，则分别获取用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk和局部张量的第二权重η，根据用户u在天气上下文k下对空调i设置的温度的预测值fuik建立第二目标函数如下：
Figure BDA0002390137290000142
其中，μ表示全局张量的平均分，
Figure BDA0002390137290000143
表示用户u的D维隐语义向量的第d个元素，
Figure BDA0002390137290000144
表示空调i的D维隐语义向量的第d个元素，
Figure BDA0002390137290000145
表示天气上下文k的D维隐语义向量的第d个元素。
本实施例中，将局部张量预测模型即局部张量分解模型通过线性加权的方式融入到全局张量分解模型，将用户u在天气k下对空调i设置的空调温度的函数模型修正为第二目标函数即全局张量分解模型，第二目标函数可用于计算用户u在天气上下文k下对空调i设置的温度的全局预测值。
步骤S503：对第二目标函数的矩阵因子
Figure BDA0002390137290000146
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行优化，获取优化后的矩阵因子Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk。
本实施例中，可采用随机梯度下降法对第二目标函数的矩阵
Figure BDA0002390137290000147
Figure BDA0002390137290000148
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行优化，通过随机梯度下降法遍历全部用户在天气上下文下设置的空调温度，对第二目标函数的矩阵
Figure BDA0002390137290000149
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行迭代更新，若满足用户u在天气k下对空调i的温度的预测值fuik与用户u在天气k下对空调i的温度的实际值yuik的均方根误差RMSE小于预设最小差值，则停止进行迭代更新，并获取优化后的矩阵Uglobal、Vglobal、Cglobal，其中，均方根误差
Figure BDA0002390137290000151
T表示获取的全部的空调温度的个数。
可选地，对第二目标函数的矩阵
Figure BDA0002390137290000152
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行优化，获取优化后的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk，包括以下步骤：根据空调温度的实际值yuik与空调温度的预测值fuik之间的差距建立第二损失函数；根据第二损失函数获得矩阵
Figure BDA0002390137290000153
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk的迭代公式；采用随机梯度下降法对矩阵
Figure BDA0002390137290000154
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行迭代更新，若空调温度的实际值yuik与空调温度的预测值fuik的均方根误差收敛，则获取均方根误差收敛时的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk。
其中，对矩阵Uglobal、Vglobal、Cglobal进行优化，可以实现对第二目标函数即全局张量分解模型进行优化，实现空调温度的实际值yuik与空调温度的预测值fuik之间的差距即第二损失函数L2(yuik，fuik)的最小化，其中，可采用平方误差作为逐点损失函数，则第二损失函数
Figure BDA0002390137290000155
本实施例中，为了防止最小化损失函数过程中过拟合，引入l2范数定义第二优化目标函数L如下：
Figure BDA0002390137290000156
Figure BDA0002390137290000161
其中，yuik表示用户u在天气上下文k下对空调i设置的温度的实际值，fuik表示用户u在天气上下文k下对空调i设置的温度的预测值，||x||2表示l2范数，λ2表示全局张量分解的正则项权重数，bu表示用户u的偏置、bi表示空调i的偏置、bk表示天气上下文k的偏置。
结合梯度下降法对矩阵
Figure BDA0002390137290000162
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行迭代更新，其中，α2表示全局张量分解的学习率，表示梯度下降的步长，同时将第二优化目标函数L分别对矩阵
Figure BDA0002390137290000163
Figure BDA0002390137290000164
求偏导，获得如下公式十一至公式十六所示的迭代公式：
bu←bu+α2·(yuik-fuik-λ2·bu) (公式十一)
bi←bi+α2·(yuik-fuik-λ2·bi) (公式十二)
bk←bk+α2·(yuik-fuik-λ2·bk) (公式十三)
Figure BDA0002390137290000165
Figure BDA0002390137290000166
Figure BDA0002390137290000167
其中，°为哈达玛积，用于表示向量对应元素相乘的运算。
若迭代至公式十一至公式十六收敛，则空调温度的实际值yuik与空调温度的预测值fuik的均方根误差收敛，即言，用户u在天气k下对空调i的温度的预测值fuik与用户u在天气k下对空调i的温度的实际值yuik的均方根误差RMSE小于预设最小差值，则停止进行迭代更新，并获取优化后的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk，其中，均方根误差
Figure BDA0002390137290000168
|T|表示获取的全部的空调温度的个数。
步骤S504：将优化后的矩阵因子Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk代入第二目标函数获取用户u在天气k对空调i设置的温度的全局张量分解预测值。
其中，全局张量分解预测值即为用户u在天气k对空调i设置的温度的最终预测值。
步骤S505：将各全局张量分解预测值重新组合，重构张量F。
需要说明的是，α2表示全局张量分解的学习率，表示梯度下降的步长，λ2表示全局张量分解的的正则化参数，超参数α2、λ2的值可以通过交叉验证得到，具体包括如下步骤：建立起多组超参数α2、λ2的组合；将全部的用户在不同天气下设置的空调的温度的数据等分为10份，取其中一份为测试集，其余九份为训练集，循环十次；依次采用不同的超参数组合进行10次交叉验证，将每种超参数组合下的推荐结果取平均值进行比较，选择推荐精度最高的一组超参数组合。
由此，本发明实施例提出的空调温度自动设置方法，通过对用户的不同属性依照相似度进行加权聚类获取用户画像组，建立用户、空调和天气的三阶张量，并在不同的用户画像组进行局部张量分解，根据局部张量建立全局张量分解模型，并获取全局张量分解预测值，根据全局张量分解预测值设置空调温度，解决了推荐算法的推荐精度低的问题，实现了根据天气状况和用户属性实时调整空调设置的温度的效果，提高了空调温度自动设置的精度。
图6是本发明实施例的空调的结构示意图。
如图6所示，本发明实施例的空调100包括：参数获取模块110、相似度获取模块120、用户画像组获取模块130、局部张量分解模块140、全局张量分解模块150和温度设置模块160。
其中，参数获取模块110用于获取用户的基础属性参数和用户的地区属性参数；相似度获取模块120用于根据用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度；用户画像组获取模块130用于根据基础属性参数相似度和地区属性参数相似度进行加权聚类，获取多个用户画像组，其中，每个用户画像组对应不同的基础属性参数和地区属性参数；局部张量分解模块140用于在聚类后的每个用户画像组进行用户-空调100-天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，根据所有用户画像组的局部张量分解预测值重构局部张量；全局张量分解模块150用于获取用户u、天气k和空调i的全局偏置增量，根据局部张量和全局偏置增量建立全局张量模型，进行全局张量分解，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；温度设置模块160用于根据全局张量分解预测值设置空调100的温度。
本实施例中，在对空调100的温度进行自动设置时，采用参数获取模块110用于获取用户的基础属性参数和用户的地区属性参数，并采用相似度获取模块120分别获取用户的地区属性参数的相似度和基于用户的基础属性参数的相似度，用户画像组获取模块130基于用户的地区属性参数的相似度和基于用户的基础属性参数的相似度设置不同的权重，依照相似度进行聚类，建立相似度更高的用户画像组，建立用户、空调和天气的三阶张量，进而采用局部张量分解模块140基于用户画像组进行局部张量分解，然后通过全局张量分解模块150在局部张量分解模型的基础上与全局偏置增量进行线性加权组合，获得全局张量分解模型，并根据全局张量分解模型获得用户在不同天气设置的空调100温度的全局张量分解预测值，采用温度设置模块160根据全局张量分解预测值设置空调100的温度。
由此，本发明实施例提出的空调，通过对用户的不同属性依照相似度进行加权聚类获取用户画像组，建立用户、空调和天气的三阶张量，并在不同的用户画像组进行局部张量分解，根据局部张量建立全局张量分解模型，并获取全局张量分解预测值，根据全局张量分解预测值设置空调温度，解决了推荐算法的推荐精度低的问题，实现了根据天气状况和用户属性实时调整空调设置的温度的效果，提高了空调温度自动设置的精度。
图7是本发明实施例的设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性设备12的框图。图7显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或多个处理器16；存储装置28，用于存储一个或多个程序；连接不同系统组件(包括存储装置28和处理器16)的总线18。当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述空调温度自动设置方法。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储装置28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备/终端/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在系统存储装置28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的空调温度自动设置方法。
本发明实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述空调温度自动设置方法。
本发明实施例的存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种空调温度自动设置方法，其特征在于，包括以下步骤：
获取用户的基础属性参数和用户的地区属性参数；
根据所述用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度；
根据所述基础属性参数相似度和所述地区属性参数相似度进行加权聚类，获取多个用户画像组；
在聚类后的每个用户画像组进行用户、空调、天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k下对空调i设置的温度的局部张量分解预测值，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型；
根据所述局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；
根据所述全局张量分解预测值设置空调的温度；
所述根据所述基础属性参数相似度和所述地区属性参数相似度进行加权聚类，获取多个用户画像组，包括以下步骤：
获取所述地区属性参数相似度的第一权重δ；
根据所述基础属性参数相似度sima(Ui,Uj)、所述地区属性参数相似度simp(Ui,Uj)和所述第一权重δ计算加权相似度；
根据所述加权相似度获取多个用户画像组。
2.根据权利要求1所述的空调温度自动设置方法，其特征在于，所述根据所述用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度，包括以下步骤：
分别获取用户I的p个基础属性参数、用户J的p个基础属性参数、用户I的地区属性参数和用户J的地区属性参数，所述地区属性参数包括用户所在地区中心的经度参数和用户所在地区中心的纬度参数；
分别获取用户I在第k个基础属性参数的取值labelk(Ui)、用户J在第k个基础属性参数的取值labelk(Uj)和第k个属性的权重wk，计算所述用户I和用户J的基础属性参数相似度sima(Ui,Uj)；
分别获取用户I的第一经度参数Uilt和第一纬度参数Uids，以及用户J的第二经度参数Ujlt和第二纬度参数Ujds，计算所述用户I和用户J的地区属性参数相似度simp(Ui,Uj)。
3.根据权利要求1所述的空调温度自动设置方法，其特征在于，所述在聚类后的每个用户画像组进行用户、空调、天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型，包括以下步骤：
在每个用户画像组中根据不同用户在不同天气下对不同空调设置的温度建立三阶张量模型Ylocal；
采用张量分解算法对聚类后的每个用户画像组进行局部张量分解，获取矩阵
Figure FDA0003009541900000021
Vi local、
Figure FDA0003009541900000022
其中，
Figure FDA0003009541900000023
表示任一用户画像组中的用户u，Vi local表示对应的空调i，
Figure FDA0003009541900000024
表示对应的天气上下文k；
随机初始化矩阵
Figure FDA0003009541900000025
Vi local、
Figure FDA0003009541900000026
若任一用户画像组中的用户u在天气上下文k下对空调i设置的温度的实际值
Figure FDA0003009541900000031
属于三阶张量模型Ylocal，则根据用户u在天气上下文k下对空调i设置的温度的预测值
Figure FDA0003009541900000032
建立第一目标函数如下：
Figure FDA0003009541900000033
其中，
Figure FDA0003009541900000034
表示任一用户画像组中的用户u的D维隐语义向量的第d个元素，
Figure FDA0003009541900000035
表示对应的空调i的D维隐语义向量的第d个元素，
Figure FDA0003009541900000036
表示对应的天气上下文k的D维隐语义向量的第d个元素；
对所述第一目标函数的矩阵
Figure FDA0003009541900000037
Vi local、
Figure FDA0003009541900000038
进行优化，获取优化后的矩阵Ulocal、Vlocal、Clocal；
将优化后的矩阵Ulocal、Vlocal、Clocal代入第一目标函数获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值；
将各用户画像组对应的局部张量分解预测值重新组合，得到局部张量预测模型Flocal。
4.根据权利要求3所述的空调温度自动设置方法，其特征在于，所述对所述第一目标函数的矩阵
Figure FDA0003009541900000039
Vi local、
Figure FDA00030095419000000310
进行优化，获取优化后的矩阵Ulocal、Vlocal、Clocal，包括以下步骤：
根据空调温度的实际值
Figure FDA00030095419000000311
与空调温度的预测值
Figure FDA00030095419000000312
之间的差距建立第一损失函数；
根据所述第一损失函数获得矩阵
Figure FDA00030095419000000313
Vi local、
Figure FDA00030095419000000314
的迭代公式；
采用随机梯度下降法对矩阵
Figure FDA00030095419000000315
Vi local、
Figure FDA00030095419000000316
进行迭代更新，若空调温度的实际值
Figure FDA00030095419000000317
与空调温度的预测值
Figure FDA00030095419000000318
的均方根误差收敛，则获取均方根误差收敛时的矩阵Ulocal、Vlocal、Clocal，将矩阵Ulocal、Vlocal、Clocal作为优化后的矩阵进行输出。
5.根据权利要求3所述的空调温度自动设置方法，其特征在于，所述根据所述局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值，包括以下步骤：
随机初始化矩阵
Figure FDA0003009541900000041
Vi glocal、
Figure FDA0003009541900000042
若用户u在天气上下文k下对空调i设置的温度的实际值yuik属于三阶张量模型Y，则分别获取用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk和局部张量的第二权重η，根据用户u在天气上下文k下对空调i设置的温度的预测值fuik建立第二目标函数如下：
Figure FDA0003009541900000043
其中，μ表示全局张量的平均分，
Figure FDA0003009541900000044
表示用户u的D维隐语义向量的第d个元素，
Figure FDA0003009541900000045
表示空调i的D维隐语义向量的第d个元素，
Figure FDA0003009541900000046
表示天气上下文k的D维隐语义向量的第d个元素；
对所述第二目标函数的矩阵
Figure FDA0003009541900000047
Vi global、
Figure FDA0003009541900000048
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行优化，获取优化后的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk；
将优化后的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk代入第二目标函数获取用户u在天气k对空调i设置的温度的全局张量分解预测值；
将各全局张量分解预测值重新组合，得到张量预测模型F。
6.根据权利要求5所述的空调温度自动设置方法，其特征在于，所述对所述第二目标函数的矩阵
Figure FDA0003009541900000049
Vi global、
Figure FDA00030095419000000410
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行优化，获取优化后的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk，包括以下步骤：
根据空调温度的实际值yuik与空调温度的预测值fuik之间的差距建立第二损失函数；
根据第二损失函数获得矩阵
Figure FDA0003009541900000051
Vi global、
Figure FDA0003009541900000052
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk的迭代公式；
采用随机梯度下降法对矩阵
Figure FDA0003009541900000053
Vi global、
Figure FDA0003009541900000054
用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk进行迭代更新，若空调温度的实际值yuik与空调温度的预测值fuik的均方根误差收敛，则获取均方根误差收敛时的矩阵Uglobal、Vglobal、Cglobal、用户u的偏置bu、空调i的偏置bi、天气上下文k的偏置bk。
7.一种空调，其特征在于，包括：参数获取模块、相似度获取模块、用户画像组获取模块、局部张量分解模块、全局张量分解模块和温度设置模块，其中，
所述参数获取模块用于获取用户的基础属性参数和用户的地区属性参数；
所述相似度获取模块用于根据所述用户的基础属性参数获取基础属性参数相似度，并根据地区属性参数获取地区属性参数相似度；
所述用户画像组获取模块用于根据所述基础属性参数相似度和所述地区属性参数相似度进行加权聚类，获取多个用户画像组；
所述局部张量分解模块用于在聚类后的每个用户画像组进行用户-空调-天气的三阶张量建模，进行局部张量分解，获取每个用户画像组中用户u在天气k对空调i设置的温度的局部张量分解预测值，根据所有用户画像组的局部张量分解预测值重构局部张量，将各用户画像组的局部张量分解预测值重新组合，得到局部张量预测模型；
所述全局张量分解模块用于根据所述局部张量预测模型建立全局张量分解模型，获取用户u在天气k对空调i设置的温度的全局张量分解预测值；
所述温度设置模块用于根据所述全局张量分解预测值设置空调的温度。
8.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的空调温度自动设置方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的空调温度自动设置方法。
CN202010111397.7A 2020-02-24 2020-02-24 空调温度自动设置方法、空调、设备及存储介质 Active CN111322716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010111397.7A CN111322716B (zh) 2020-02-24 2020-02-24 空调温度自动设置方法、空调、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010111397.7A CN111322716B (zh) 2020-02-24 2020-02-24 空调温度自动设置方法、空调、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111322716A CN111322716A (zh) 2020-06-23
CN111322716B true CN111322716B (zh) 2021-08-03

Family

ID=71167102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010111397.7A Active CN111322716B (zh) 2020-02-24 2020-02-24 空调温度自动设置方法、空调、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111322716B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111831871B (zh) * 2020-07-07 2023-10-24 海尔(深圳)研发有限责任公司 用于空调工作模式推荐的方法及装置、设备
CN113393303A (zh) * 2021-06-30 2021-09-14 青岛海尔工业智能研究院有限公司 物品推荐方法、装置、设备及存储介质
CN114183891B (zh) * 2021-12-10 2023-01-24 珠海格力电器股份有限公司 空调温度的确定方法、装置、存储介质及处理器
CN115200178B (zh) * 2022-06-23 2023-06-02 深圳康佳电子科技有限公司 一种楼宇终端设备控制方法和装置、电子设备及存储介质
CN117216443B (zh) * 2023-08-17 2024-04-30 绵阳中物烯科技有限公司 一种基于石墨烯远红外线芯片的发热控制管理系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021914A (zh) * 2006-03-22 2007-08-22 侯春海 暖通空调负荷预测方法和系统
CN104333572A (zh) * 2014-09-30 2015-02-04 广东美的制冷设备有限公司 房间内空气舒适度参数分享的系统和方法、服务器和移动终端
CN105989055A (zh) * 2015-02-06 2016-10-05 青岛海尔空调电子有限公司 一种空调环境日程表更新方法
CN106570729A (zh) * 2016-11-14 2017-04-19 南昌航空大学 基于空调可靠性影响因素的区域聚类方法
CN107606745A (zh) * 2017-09-27 2018-01-19 南京中灿科技有限公司 地铁空调季逐时环控能耗预测方法
CN107818340A (zh) * 2017-10-25 2018-03-20 福州大学 基于k值小波神经网络的二阶段空调负荷预测方法
CN109064353A (zh) * 2018-07-13 2018-12-21 国网上海市电力公司 一种基于改进聚类融合的大型建筑用户行为分析方法
CN109282443A (zh) * 2018-09-05 2019-01-29 广东工业大学 一种多模式、低能耗的室内热调节方法
CN109460873A (zh) * 2018-11-14 2019-03-12 北京未来科学城科技发展有限公司 空调系统运行优化方法和装置
CN109657878A (zh) * 2019-01-04 2019-04-19 新奥能源动力科技（上海）有限公司 一种空调负荷预测方法及装置
CN110781969A (zh) * 2019-10-30 2020-02-11 龙岩烟草工业有限责任公司 基于深度强化学习的空调风量控制方法、装置以及介质
CN110823291A (zh) * 2019-11-27 2020-02-21 山东建筑大学 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9397521B2 (en) * 2012-01-20 2016-07-19 Salesforce.Com, Inc. Site management in an on-demand system
US9310815B2 (en) * 2013-02-12 2016-04-12 Tendril Networks, Inc. Setpoint adjustment-based duty cycling
CN104750731B (zh) * 2013-12-30 2018-09-21 华为技术有限公司 一种获取完整用户画像的方法及装置
CA2972513A1 (en) * 2016-07-05 2018-01-05 Feedback Solutions Inc. Methods and systems for determining occupancy of a zone in a building
US11029654B2 (en) * 2018-05-30 2021-06-08 Johnson Controls Technology Company Building management system with searching using aliased points from equipment definitions
CN107883535A (zh) * 2017-10-24 2018-04-06 珠海格力电器股份有限公司 空调控制方法及装置
CN109405203A (zh) * 2017-12-28 2019-03-01 广州Tcl智能家居科技有限公司 一种空调智能控制方法及装置
KR102040953B1 (ko) * 2018-04-10 2019-11-27 엘지전자 주식회사 인공지능에 기반하여 영역 선택적으로 동작하는 공기 조화기, 클라우드 서버, 및 이들의 동작 방법
KR102180544B1 (ko) * 2018-04-17 2020-11-18 엘지전자 주식회사 공기 조화 시스템 및 그의 제어방법
CN110263255A (zh) * 2019-06-21 2019-09-20 北京字节跳动网络技术有限公司 用户属性信息的获取方法、系统、服务器及存储介质
CN110595017B (zh) * 2019-08-15 2021-05-14 深圳数联天下智能科技有限公司 空调温度设置方法、装置、计算机设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021914A (zh) * 2006-03-22 2007-08-22 侯春海 暖通空调负荷预测方法和系统
CN104333572A (zh) * 2014-09-30 2015-02-04 广东美的制冷设备有限公司 房间内空气舒适度参数分享的系统和方法、服务器和移动终端
CN105989055A (zh) * 2015-02-06 2016-10-05 青岛海尔空调电子有限公司 一种空调环境日程表更新方法
CN106570729A (zh) * 2016-11-14 2017-04-19 南昌航空大学 基于空调可靠性影响因素的区域聚类方法
CN107606745A (zh) * 2017-09-27 2018-01-19 南京中灿科技有限公司 地铁空调季逐时环控能耗预测方法
CN107818340A (zh) * 2017-10-25 2018-03-20 福州大学 基于k值小波神经网络的二阶段空调负荷预测方法
CN109064353A (zh) * 2018-07-13 2018-12-21 国网上海市电力公司 一种基于改进聚类融合的大型建筑用户行为分析方法
CN109282443A (zh) * 2018-09-05 2019-01-29 广东工业大学 一种多模式、低能耗的室内热调节方法
CN109460873A (zh) * 2018-11-14 2019-03-12 北京未来科学城科技发展有限公司 空调系统运行优化方法和装置
CN109657878A (zh) * 2019-01-04 2019-04-19 新奥能源动力科技（上海）有限公司 一种空调负荷预测方法及装置
CN110781969A (zh) * 2019-10-30 2020-02-11 龙岩烟草工业有限责任公司 基于深度强化学习的空调风量控制方法、装置以及介质
CN110823291A (zh) * 2019-11-27 2020-02-21 山东建筑大学 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
空调负荷群分组控制方法;管国兵;《电力系统自动化》;20161025;第40-46页 *

Also Published As

Publication number Publication date
CN111322716A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN111322716B (zh) 空调温度自动设置方法、空调、设备及存储介质
US11836576B2 (en) Distributed machine learning at edge nodes
Perez-Perez et al. Scan2BIM-NET: Deep learning method for segmentation of point clouds for scan-to-BIM
US20160275416A1 (en) Fast Distributed Nonnegative Matrix Factorization and Completion for Big Data Analytics
Damle et al. Simple, direct and efficient multi-way spectral clustering
CN107766573B (zh) 基于数据处理的商品推荐方法、装置、设备和存储介质
Lee et al. Oracle estimation of a change point in high-dimensional quantile regression
CN110188825B (zh) 基于离散多视图聚类的图像聚类方法、系统、设备及介质
US11271957B2 (en) Contextual anomaly detection across assets
US11423051B2 (en) Sensor signal prediction at unreported time periods
CN113065013B (zh) 图像标注模型训练和图像标注方法、系统、设备及介质
US10445341B2 (en) Methods and systems for analyzing datasets
CN110378423A (zh) 特征提取方法、装置、计算机设备及存储介质
Pumir et al. The generalized orthogonal Procrustes problem in the high noise regime
CN113177592B (zh) 一种图像分割方法、装置、计算机设备及存储介质
CN114077912A (zh) 数据预测方法以及数据预测装置
CN111985336A (zh) 人脸图像聚类方法、装置、计算机设备和存储介质
CN111709473B (zh) 对象特征的聚类方法及装置
CN115880378A (zh) 辐射场中颜色信息的确定方法及设备
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
CN114118410A (zh) 图结构的节点特征提取方法、设备及存储介质
Yu et al. Model-guided adaptive sampling for Bayesian model selection
CN114139657B (zh) 客群画像生成方法、装置、电子设备和储存介质
US20230040767A1 (en) Automatic capture of user interface screenshots for software product documentation

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
CP03 Change of name, title or address

Address after: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee after: Qingdao blue whale Technology Co.,Ltd.

Patentee after: Haier CAOS IOT Ecological Technology Co.,Ltd.

Address before: Room 257, management committee of Sino German ecological park, 2877 Tuanjie Road, Huangdao District, Qingdao City, Shandong Province, 266510

Patentee before: QINGDAO HAIER INDUSTRIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd.

Patentee before: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee before: Qingdao blue whale Technology Co.,Ltd.

Patentee before: Haier CAOS IOT Ecological Technology Co.,Ltd.

CP03 Change of name, title or address
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee after: Qingdao blue whale Technology Co.,Ltd.

Patentee after: Haier Kaos IOT Technology Co.,Ltd.

Address before: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee before: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee before: Qingdao blue whale Technology Co.,Ltd.

Patentee before: Haier CAOS IOT Ecological Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee after: Qingdao blue whale Technology Co.,Ltd.

Patentee after: Karos IoT Technology Co.,Ltd.

Address before: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee before: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee before: Qingdao blue whale Technology Co.,Ltd.

Patentee before: Haier Kaos IOT Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230602

Address after: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee after: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee after: Qingdao blue whale Technology Co.,Ltd.

Patentee after: Karos IoT Technology Co.,Ltd.

Address before: 266000 No. 1, Minshan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee before: CAOS industrial Intelligence Research Institute (Qingdao) Co.,Ltd.

Patentee before: QINGDAO HAIER (JIAOZHOU) AIR CONDITIONER Co.,Ltd.

Patentee before: Qingdao blue whale Technology Co.,Ltd.

Patentee before: Karos IoT Technology Co.,Ltd.