CN111340104B - 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 - Google Patents
智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111340104B CN111340104B CN202010113675.2A CN202010113675A CN111340104B CN 111340104 B CN111340104 B CN 111340104B CN 202010113675 A CN202010113675 A CN 202010113675A CN 111340104 B CN111340104 B CN 111340104B
- Authority
- CN
- China
- Prior art keywords
- parameter
- similarity
- cluster
- points
- clustering
- 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 47
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 101100495431 Schizosaccharomyces pombe (strain 972 / ATCC 24843) cnp1 gene Proteins 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 239000000523 sample Substances 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000000779 smoke Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 101100421536 Danio rerio sim1a gene Proteins 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及智能家居领域,公开了一种智能设备的控制规则的生成方法和装置、电子设备及计算机可读存储介质。所述方法包括:收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;对上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;对用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;计算上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,对参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;将所述设备行为相关聚类集转换为设备控制规则;输出设备控制规则。
Description
技术领域
本发明实施例涉及智能家居领域,特别涉及一种智能设备的控制规则的生成方法和装置、电子设备及计算机可读存储介质。
背景技术
智能设备以及智能家居已经逐渐走入市场,走入大众的视线。市面上智能设备的品牌、种类、功能等涉及的范围也越来越广。比如,家庭安防监测中的摄像头、智能门锁、烟雾报警器、水浸传感、温湿度传感器、门窗磁传感器、人体红外传感器、燃气传感器、声光报警器、SOS紧急按钮等、推窗器;大型智能家电中的空调、冰箱、热水器、空气净化器等;控制管理器如智能插座、红外遥控器、智能开关等,这些智能设备的使用在一定程度上保障了家庭的安全,提供了生活便利,提高了大众生活质量。
然而,目前在智能家居大部分的使用场景中,仅限于单独对每一款智能设备进行远程操控和远程监测。智能设备之间的联动,比如当烟雾报警器检测到房间内的烟雾含量超过正常指标发生告警时,远程操控推窗器打开窗户等,这些均需用户在接收到烟雾报警器的告警时,及时的对推窗器进行远程操作才能规避家居中的安全风险。或者需要用户自行根据智能家居的场景需求,设置智能设备的联动规则,这极大的要求用户对智能设备的操作具备能动性,显然并不是所有的用户都能达到这个要求。
目前有相关技术提出了对于用户对智能设备操作数据进行分析学习,并使用数据分析结果在平台预设相应的联动策略,或者记录用户的设备操作行为,并自动化为用户向设备发送操作指令来达到设备联动的智能化和自动化的目标。
发明人发现,相关技术中至少存在如下问题:
而通过记录对设备的操作行为记录来学习用户的行为习惯,自动化代替用户向设备发送操作指令的方式,则忽略了对用户操作设备背后的原因。用户对设备进行操作有可能是因为用户的主观意图,比如在快到达家时对空调下发了开启的命令;也有可能是因为烟雾报警器发生了告警,所以才对推窗器下发了开窗的命令。这些原因不能只从用户的操作记录中分析出来,从而有可能会导致对设备进行误操作的结果。
发明内容
本发明实施方式的目的在于提供一种智能设备的控制规则的生成方法和装置、电子设备及计算机可读存储介质,能够提高生成的设备控制规则的精准性。
为解决上述技术问题,本发明的实施方式提供了一种智能设备的控制规则的生成方法,包括以下步骤:
收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;
分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
将所述设备行为相关聚类集转换为设备控制规则;
输出所述设备控制规则。
本发明的实施方式还提供了一种智能设备的控制规则的生成装置,包括:
收集单元,收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;
提取单元,分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
第一聚类处理单元,根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
第二聚类处理单元,计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
规则转换单元,将所述设备行为相关聚类集转换为设备控制规则;
输出单元,输出所述设备控制规则。
本发明的实施方式还提供了一种电子设备,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所述的智能设备的控制规则的生成方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述的智能设备的控制规则的生成方法。
本发明实施方式相对于现有技术而言,通过收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;将所述设备行为相关聚类集转换为设备控制规则;输出所述设备控制规则分析,因此,通过分析设备上报数据和用户设备操作之间关联关系,以此来探究用户操作设备行为背后的驱动力,并将这设备操作的驱动力和执行动作转换为设备控制规则,提高了设备控制规则的精准性。
另外,所述将所述设备行为相关聚类集转换为设备控制规则的步骤包括:
在所述设备行为相关聚类集中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点;
当选择的所述聚类点只包含用户操作记录数据,则根据所述聚类点包含的用户操作记录数据,生成规则:在所述第二时间点,将所述第二设备的所述第二参数控制到所述第二数值;
当选择的所述聚类点既包含上报参数记录数据,又包含用户操作记录数据,则根据所述聚类点包含的所述上报参数记录数据和所述用户操作记录数据,生成联动规则:当所述第一设备在所述第一时间点上报的第一参数的数据值为第一数值时,在所述第二时间点向所述第二设备下发根据所述参数内容控制第二数值的联动规则。上述实施例中,通过分析用户的行为与设备参数的关联关系,从而为用户生成个性化的设备联动规则,能够提升整个智能家居设备控制的智能化,简化用户在智能家居中操控智能设备的复杂度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施方式的智能设备的控制规则的生成方法的流程示意图;
图2根据本发明应用场景的智能设备的控制规则的生成方法的流程示意图;
图3是根据本发明另一实施方式中智能设备的控制规则的生成装置的架构示意图;
图4是根据本发明另一实施方式的电子设备的架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种智能设备的控制规则的生成方法。其流程如图1所示,具体如下:
步骤11,收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;其中,上报参数记录数据集包含多个上报参数记录数据,每个上报参数记录数据包含第一设备上报的第一时间点、第一设备上报的第一参数、第一设备上报的第一参数的第一数值或者第一参数的参数状态(例如开关状态、工作或者非工作状态等)、第一设备所属的功能类别、第一设备的设备标识等信息。用户操作记录数据集包含多个用户操作记录数据,每个用户操作记录数据包含控制第二设备的第二时间点、第二设备被控制的第二参数、第二参数被控制后的第二或者第二参数的参数状态、第二设备所属的功能类别、第二设备的设备标识等信息。
步骤12,分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
步骤13,根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
步骤14,计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
步骤15,将所述设备行为相关聚类集转换为设备控制规则;
步骤16,输出所述设备控制规则。其中,设备控制规则可以推荐给用户,或者,对所述设备控制规则继续进行其他处理。
本发明的第一实施方式涉及一种智能设备的控制规则的生成方法。本实施方式的核心在于收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;将所述设备行为相关聚类集转换为设备控制规则;输出所述设备控制规则分析,通过分析设备上报数据和用户设备操作之间关联关系,以此来探究用户操作设备行为背后的驱动力,并将这设备操作的驱动力和执行动作转换为设备控制规则,提高了设备控制规则的精准性。
下面对本实施方式的智能设备的控制规则的生成方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
其中,所述步骤12包括:
步骤121,当数据集为上报参数记录数据集时,所述特征点包括:第一设备上报的第一时间点、第一设备上报的第一参数、第一设备上报的第一参数的第一数值、第一设备所属的功能类别、第一设备的设备标识;也就是说,上报参数记录数据集包含多个上报参数记录数据,每个上报参数记录数据包含有以上特征点信息,每个特征点信息也可以生成一个特征点向量。
步骤122,当数据集为用户操作记录数据集时,所述特征点包括:控制第二设备的第二时间点、第二设备被控制的第二参数、第二参数被控制后的第二数值、第二设备所属的功能类别、第二设备的设备标识。也就是说,用户操作记录数据集包含多个用户操作记录数据,每个用户操作记录数据包含有以上特征点信息,每个特征点信息也可以生成一个特征点向量。
在一个实施例中,所述步骤13:
步骤131A,计算所述上报参数记录数据集中的数据点之间的相似度;
步骤132A,将相似度超过第一预定阈值的数据点聚为一类,生成上报参数记录聚类集;
同时,所述步骤13还包括:
步骤131B,计算所述用户操作记录数据集中的数据点之间的相似度;
步骤132B,将相似度超过第二预定阈值的数据点聚为一类,生成用户操作记录聚类集。
其中,步骤131A和步骤132A与步骤131B和步骤132B是同时执行,以下对步骤131A进行相似描述,步骤131B和步骤131A比较类似,不再重复描述。
所述步骤131A,的步骤包括:
sim1=θsimt+β1simp1+β2simp2+λ1simd1+λ2simd2;
其中,sim1是所述上报参数记录数据集中的数据点之间的相似度;
simt是所述上报参数记录数据集中的数据点之间的第一时间相似度;
simp1是所述上报参数记录数据集中的数据点之间的第一参数相似度;
simp2是所述上报参数记录数据集中的数据点之间的第一参数的参数内容相似度;
simd1是所述上报参数记录数据集中的数据点之间的功能类别相似度,
simd2是所述上报参数记录数据集中的数据点之间的设备标识相似度,
α为第一时间相似度的权重;β1为第一参数相似度的权重;β2为第一数值相似度的权重;λ1为功能类别相似度的权重;λ2为设备标识相似度的权重。
其中,所述时间相似度的计算公式可以为:其中,t1是所述上报参数记录数据集中的第一数据点的时间点向量;t2是所述上报参数记录数据集中的第二数据点的时间点向量;
所述第一参数相似度的计算可以为强相关性,当第一数据点和第二数据点的第一参数向量一致时,所述第一参数相似度为1,否则为0;
当所述第一参数的参数内容为参数数值时,第一参数的参数内容的相似度的计算公式可以为:所述p1是第一数据点的第一参数值向量;p2是第二数据点的第一参数值向量;
当所述第一参数的参数内容为参数状态时,所述第一参数的参数内容的相似度计算为强相关性,当第一数据点和第二数据点的状态一致时,所述第一参数的参数内容的相似度为1,否则为0;
所述功能类别相似度计算可以为强相关性,当第一数据点和第二数据点的功能类别向量一致时,所述功能类别相似度为1,否则为0;
所述设备标识相似度的计算可以为强相关性,当第一数据点和第二数据点的设备标识一致时,所述设备标识相似度为1,否则为0。
其中,步骤14包括:
步骤141,计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相似度;
步骤142,将所述相似度超过第三预定阈值的数据点聚为一类,得到设备行为相关聚类集。
步骤141包括:
sim2=αsimt+βsimk+λ1(simd1+simp1)+λ2(simd2+simp2)
其中,sim2为上报参数记录聚类集中的第一聚类点和用户操作记录聚类集中的第二聚类点之间的相似度;
simt是聚类点之间的时间相似度;
simk是聚类之间的相似度;
simd1是聚类点之间的功能类别相似度;
simd2是聚类点之间的设备标识相似度;
simp1是聚类点之间的参数相似度;
simp2是聚类点之间的参数内容相似度;
α为时间相似度的权重、β为聚类的相似度的权重,λ1为功能类别相似度和参数相似度的权重,λ2为设备标识相似度和参数内容相似度的权重。
其中,所述聚类点之间的时间相似度的计算公式为:其中,t1是第一聚类点的时间点向量;t2是第二聚类点的时间点向量;
聚类之间的相似度的计算为强相关性,当所述第一聚类点和所述第二聚类点均为来自设备上报数据聚类集,则聚类之间的相似度为0,否则为1;
聚类点之间的功能类别相似度计算为强相关性,当所述第一聚类点和所述第二聚类点的功能类别向量一致时,则功能类别相似度为0,否则为1;
聚类点之间的设备标识相似度的计算为强相关性,当所述第一聚类点和所述第二聚类点的设备标识向量一致时,则设备标识相似度为0,否则为1;
聚类点之间的参数相似度的计算为强关联性,当所述第一聚类点和所述第二聚类点的参数向量一致时,则聚类点之间的参数相似度为0,否则为1;
当所述第一参数的参数内容为数值时,参数内容的相似度的相似度的计算公式为:所述p1是第一聚类点的第一参数值向量;p2是第二聚类点的第一参数值向量;
当所述第一参数的参数内容为状态时,参数内容的相似度计算为强相关性,当第一聚类点和第二聚类点的参数状态一致时,参数内容的相似度为0,否则为1。
其中,所述上报参数记录聚类集中的第一聚类点的特征向量具体为:
时间点向量为:每个聚类中的数据点的所有时间的平均值;
参数向量为:每个聚类中的所有数据点包含的数量最多的第一参数;
第一参数值向量为:每个聚类中的所有数据点包含的数量最多的第一参数的第一参数值的平均值;
功能类别向量为:每个聚类中的所有数据点包含的数量最多的功能类别;
设备标识向量为:每个聚类中的所有数据点包含的数量最多的设备标识。
上述实施例中,通过用户在各自智能家居的个性化场景下,针对账户下设备的参数上报数据和用户对设备下发的指令数据,分别进行相似度计算和聚类分析来收集用户操作智能设备的行为习惯,使平台以用户的行为习惯作为分析依据,向用户定向推送符合用户操作场景的智能设备联动规则,可以不断的提高改善家居设备控制的智能化程度,简化用户操作,提高用户智能家居的使用。
可选的,在一个实施例中,所述步骤15包括:
步骤151,在所述设备行为相关聚类集中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点;该步骤也可以为:从所述设备行为相关聚类集中,过滤掉只包含上报参数记录数据的聚类点,生成剩余聚类点;在所述剩余聚类点中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点。因此,能够去不必要数据的干扰。
步骤152,当选择的所述聚类点只包含用户操作记录数据,则根据所述聚类点包含的用户操作记录数据,生成规则:在所述第二时间点,将所述第二设备的所述第二参数控制到所述第二数值;其中,规则中的时间点、参数的数值是根据聚类点包含的用户操作记录数据携带的特征点向量确定。
步骤153,当选择的所述聚类点既包含上报参数记录数据,又包含用户操作记录数据,则根据所述聚类点包含的所述上报参数记录数据和所述用户操作记录数据,生成联动规则:当所述第一设备在所述第一时间点上报的第一参数的数据值为第一数值时,在所述第二时间点向所述第二设备下发根据所述参数内容控制所述第二参数的联动规则。其中,规则中的时间点、参数的数值是根据聚类点包含的用户操作记录数据和用户操作记录数据中携带的特征点向量确定。例如,根据所述参数内容控制所述第二参数可以为:调整第二参数的参数状态,或者调整第二参数的参数数值。
本实施例提出了基于用户行为习惯推荐智能设备联动规则算法,学习用户行为习惯和分析设备上报参数数据相结合,能够定向推荐具有个性化的智能设备联动规则。不仅记录用户的设备操作记录,并且结合设备的参数上报数据记录探究分析用户进行设备操作的原因,提取用户操作设备的行为习惯,也就是说,收集智能家居中设备上报的参数数据集和用户设备操作的记录,以此来分析用户的行为习惯及探究与设备监测参数的关联关系,从而为用户定向推荐个性化的设备联动规则,能够提升整个智能家居设备控制的智能化,简化用户在智能家居中操控智能设备的复杂度。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
以下描述本发明的应用场景。本应用场景提供一种基于用户行为习惯推荐智能设备联动规则的算法,是应用在智能家居及智能设备场景的联动控制,可快速通过收集和分析用户在智能家居场景下对智能设备的使用行为习惯,实现智能设备场景联动规则自学习,并定向推荐智能设备场景联动规则。
本应用场景的具体流程如图2所示,具体流程步骤如下:
第一步:收集设备上报的参数数据集和用户设备操作数据集;
第二步:分别对收集到设备上报参数数据集和用户设备操作数据集进行上报或操作时间点、设备所属分类、设备上报或操作的参数、设备标识等特征点的提取。
第三步:将获取到的特征向量,分别对设备参数上报数据集和用户设备操作数据集进行聚类分析。
在接收到设备上报参数数据集或用户设备操作数据集之后,分别对这两个数据集中的数据点根据公式1计算数据点间的相似度,将相似度超过0.9的数据点聚为一类。在生成聚类结果后,每个聚类中的数据点平均时间,最多的设备标识以及该设备标识上报最多或操作最多的参数作为该聚类点的特征向量。
以下描述设备上报参数数据集和用户设备操作数据集在进行聚类算法时的相似度计算方法。
sim1=θsimt+β1simp1+β2simp2+λ1simd1+λ2simd2 (1)
其中,simt是数据点的时间相似度,根据公式(2)计算;
其中,t1是数据集中第一份数据的时间点;t2是数据集中第二份数据的时间点。时间点越接近的两份数据,时间相似度越高。
simp1是数据点设备上报参数的相似度,其中,相似度计算为强相关性:一致的参数相似度为1,否则为0;
simp2是数据点设备上报参数的参数值的相似度;
simd1是数据点中设备的分类的相似度,其中,相似度计算为强相关性,一致的设备分类相似度为1,否则为0。
simd2是数据点中设备的标识的相似度,其中,相似度计算为强相关性,一致的设备标识相似度为1,否则为0。
α、β1、β2、λ1、λ2分别为时间相似度、参数相似度、参数内容相似度、设备分类相似度、设备标识相似度在计算总相似度时的权重,数值可以根据实际情况设定。
第四步:将第三步中分析得到的设备上报参数数据聚类集和用户设备操作数据聚类集中的每个聚类点当作数据点,计算两个聚类集中聚类点之间的相关性,进行第二次聚类,得到最终的设备行为相关聚类。
设备上报参数数据聚类集和用户设备操作记录聚类集之间的关联关系可以通过聚类算法计算相似度来进行。针对设备上报数据聚类集和用户设备操作聚类集中的聚类点,根据公式3计算数据点间的相似度,将相似度超过0.9的数据点聚为一类。
sim2=αsimt+βsimk+λ1(simd1+simp1)+λ2(simd2+simp2) (3)
其中,simt是数据点的时间相似度,根据公式(2)计算;
simk是来自聚类的的相似度,该相似度计算为强相关性,同样来自设备上报数据聚类集或同样来自用户操作激励聚类集的相似度为0,否则为1;
simp1是参数相似度,该相似度为强关联性,与5.3.2不同的是一致的参数相似度为0,否则为1,排除因设备控制引起的设备参数上报对接过的干扰。
simp2是聚类点之间的参数内容相似度;
simd1是数据点中设备的分类,相似度计算为强相关性,与上述不同的是,一致的设备分类标识相似度为0,否则为1,为了排除同一设备的干扰;
simd2是聚类点之间的设备标识相似度;
α、β1、β2、λ1、λ2分别为时间相似度、参数相似度、参数内容相似度、分类相似度、设备标识相似度在计算总相似度时的权重,可以根据实际情况具体设定。
第五步:将第四步结果转换为联动规则,也就是说:设备上报聚类和用户操作聚类相关结果转换为联动规则算法。具体为:
分析结果集中的每一个聚类点,摒弃其中只有设备参数上报的聚类点,并在剩余聚类点中选取聚类集中数量最多的预定数量个(例如为三个)聚类点,若:
(1)其中只包含用户操作设备记录,则有可能用户习惯在某个时间点进行对某个设备的管控,可向用户推荐制定定时向设备发送固定操作指令的规则。
(2)其中既包含设备参数上报数据又包含用户操作设备记录,则有可能该设备的上报数据驱使了用户对另外一个设备下发操作命令,可向用户推荐制定当该设备上报参数数据时,向另外一个设备下发操作命令的联动规则。
第六步:将第五步生成的符合用户行为习惯的设备联动规则集,过滤掉用户已经建立的规则,以排除用户创建的规则对分析结果的干扰,并将剩余规则推荐给用户。
目前根据设备基础功能以及设备大众化的联动场景,在平台预设设备联动规则以供用户进行选择使用的方式,缺乏个性化,无法根据用户拥有的智能设备种类、个数、涉及范围、安装场所为用户进行设备联动规则的个性化定制,平台预设的设备联动规则则有很大的可能因为用户设备种类、个数、安装场所等其中一种或多种因素不符而无法设置或设置后无法达到预期的效果。
另外,目前市面上的大众化智能家居设计局限于单个设备的远程操控和远程监测,极少数的智能家居实现了智能设备之间的联动策略配置和执行,然而这依赖于用户对智能家居和智能设备联动有一定的了解和能动性,也缺乏一定的相对于用户而言的个性化。而这一现况也将对智能家居的推广和普及产生一定的阻碍影响。
另外,现有技术中,实现一个智能家居中智能设备之间的联动大多采用让用户主动根据自己平时使用智能设备的场景和习惯来制定创建设备联动规则,或在平台预设联动策略,供用户进行选择设置。这两种方法要求用户对智能家居场景应用和智能设备联动具备一定的了解性和能动性,也还未达到真正的家居设备联动的智能化。
本实施例针对以上技术进行了改进,具体为:
1、本实施例提出基于用户行为习惯推荐智能设备联动规则,采用用户设备操作记录结合设备上报参数数据来分析智能家居中设备之间的联系、找到用户操作设备的驱动力和执行动作之间的关联,从而获得适宜用户的设备联动规则集,向用户定向推荐,既代表了用户的行为习惯又符合实际场景中的设备使用效果,并且能简化用户操作智能设备的复杂度和提升家居的智能程度,可适用于目前的智能家居业务上。
2、本实施例提出了适用于设备参数上报数据集和用户设备操作数据集中数据点相似度的计算方法,以此作为数据聚类和分析的基础,为用户行为习惯分析和推算适宜的设备联动规则奠定了基础。也就是说,提出了分析设备上报数据和用户设备操作之间关联关系的计算方法,以此来探究用户操作设备行为背后的驱动力,并将这设备操作的驱动力和执行动作转换为设备联动规则推荐给用户,简化用户操作,提升家居的智能化程度。
本发明另一实施方式涉及一种智能设备的控制规则的生成装置,如图3所示,包括:
收集单元,收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;
提取单元,分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
第一聚类处理单元,根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
第二聚类处理单元,计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
规则转换单元,将所述设备行为相关聚类集转换为设备控制规则;
输出单元,输出所述设备控制规则。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第五实施方式涉及一种终端,如图4所示,
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智能设备的控制规则的生成方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明另一实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请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、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (12)
1.一种智能设备的控制规则的生成方法,其特征在于,包括:
收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;
分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
将所述设备行为相关聚类集转换为设备控制规则;
输出所述设备控制规则;
其中,当数据集为上报参数记录数据集时,所述特征点包括:第一设备上报的第一时间点、第一设备上报的第一参数、第一设备上报的第一参数的参数内容、第一设备所属的功能类别、第一设备的设备标识;所述第一参数的参数内容包括:第一参数的参数数值或者参数状态;
当数据集为用户操作记录数据集时,所述特征点包括:控制第二设备的第二时间点、第二设备被控制的第二参数、第二参数被控制后的参数内容、第二设备所属的功能类别、第二设备的设备标识,所述第二参数的内容包括:第一参数的参数数值或者参数状态。
2.根据权利要求1中所述的方法,其特征在于,所述将所述设备行为相关聚类集转换为设备控制规则的步骤包括:
在所述设备行为相关聚类集中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点;
当选择的所述聚类点只包含用户操作记录数据,则根据所述聚类点包含的用户操作记录数据,生成规则:在所述第二时间点,将所述第二设备的所述第二参数控制到第二数值;
当选择的所述聚类点既包含上报参数记录数据,又包含用户操作记录数据,则根据所述聚类点包含的所述上报参数记录数据和所述用户操作记录数据,生成联动规则:当所述第一设备在所述第一时间点上报的第一参数的数据值为第一数值时,在所述第二时间点向所述第二设备下发根据所述参数内容控制所述第二参数的联动规则。
3.根据权利要求2所述的方法,其特征在于,所述在所述设备行为相关聚类集中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点的步骤包括:
从所述设备行为相关聚类集中,过滤掉只包含上报参数记录数据的聚类点,生成剩余聚类点;
在所述剩余聚类点中,按照聚类点包含的数据的数量大小顺序,选择预定个聚类点。
4.根据权利要求1所述的方法,其特征在于,
所述根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集的步骤包括:计算所述上报参数记录数据集中的数据点之间的相似度;将相似度超过第一预定阈值的数据点聚为一类,生成上报参数记录聚类集;
所述根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集的步骤包括:计算所述用户操作记录数据集中的数据点之间的相似度;将相似度超过第二预定阈值的数据点聚为一类,生成用户操作记录聚类集。
5.根据权利要求4所述的方法,其特征在于,
所述计算所述上报参数记录数据集中的数据点之间的相似度的步骤包括:
其中,siml是所述上报参数记录数据集中的数据点之间的相似度;
simt是所述上报参数记录数据集中的数据点之间的第一时间相似度;
simp1是所述上报参数记录数据集中的数据点之间的第一参数相似度;
simp2是所述上报参数记录数据集中的数据点之间的第一参数的参数内容的相似度;
simd1是所述上报参数记录数据集中的数据点之间的功能类别相似度,
simd2是所述上报参数记录数据集中的数据点之间的设备标识相似度,
α为第一时间相似度的权重;β1为第一参数相似度的权重;β2为第一数值相似度的权重;λ1为功能类别相似度的权重;λ2为设备标识相似度的权重。
6.根据权利要求5所述的方法,其特征在于,
所述时间相似度的计算公式为:其中,t1是所述上报参数记录数据集中的第一数据点的时间点向量;t2是所述上报参数记录数据集中的第二数据点的时间点向量;
所述第一参数相似度的计算为强相关性,当第一数据点和第二数据点的第一参数向量一致时,所述第一参数相似度为1,否则为0;
当所述第一参数的参数内容为参数数值时,第一参数的参数内容的相似度的计算公式为:所述p1是第一数据点的第一参数值向量;p2是第二数据点的第一参数值向量;
当所述第一参数的参数内容为参数状态时,所述第一参数的参数内容的相似度计算为强相关性,当第一数据点和第二数据点的状态一致时,所述第一参数的参数内容的相似度为1,否则为0;
所述功能类别相似度计算为强相关性,当第一数据点和第二数据点的功能类别向量一致时,所述功能类别相似度为1,否则为0;
所述设备标识相似度的计算为强相关性,当第一数据点和第二数据点的设备标识一致时,所述设备标识相似度为1,否则为0。
7.根据权利要求1所述的方法,其特征在于,所述计算上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集的步骤包括:
计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相似度;
将所述相似度超过第三预定阈值的数据点聚为一类,得到设备行为相关聚类集。
8.根据权利要求7所述的方法,其特征在于,所述计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相似度的步骤包括:
sim2=αsimt+βsimk+λ1(simd1+simp1)+λ2(simd2+simp2)
其中,sim2为上报参数记录聚类集中的第一聚类点和用户操作记录聚类集中的第二聚类点之间的相似度;
simt是聚类点之间的时间相似度;
simk是聚类之间的相似度;
simd1是聚类点之间的功能类别相似度;
simd2是聚类点之间的设备标识相似度;
simp1是聚类点之间的参数相似度;
simp2是聚类点之间的参数内容相似度;
α为时间相似度的权重、β为聚类的相似度的权重,λ1为功能类别相似度和参数相似度的权重,λ2为设备标识相似度和参数内容相似度的权重。
9.根据权利要求8所述的方法,其特征在于,
所述聚类点之间的时间相似度的计算公式为:其中,t1是第一聚类点的时间点向量;t2是第二聚类点的时间点向量;
聚类之间的相似度的计算为强相关性,当所述第一聚类点和所述第二聚类点均为来自设备上报数据聚类集,则聚类之间的相似度为0,否则为1;
聚类点之间的功能类别相似度计算为强相关性,当所述第一聚类点和所述第二聚类点的功能类别向量一致时,则功能类别相似度为0,否则为1;
聚类点之间的设备标识相似度的计算为强相关性,当所述第一聚类点和所述第二聚类点的设备标识向量一致时,则设备标识相似度为0,否则为1;
聚类点之间的参数相似度的计算为强关联性,当所述第一聚类点和所述第二聚类点的参数向量一致时,则聚类点之间的参数相似度为0,否则为1;
当第一参数的参数内容为数值时,参数内容的相似度的计算公式为:所述p1是第一聚类点的第一参数值向量;p2是第二聚类点的第一参数值向量;
当所述第一参数的参数内容为状态时,参数内容的相似度计算为强相关性,当第一聚类点和第二聚类点的参数状态一致时,参数内容的相似度为0,否则为1;
其中,所述上报参数记录聚类集中的第一聚类点的特征向量具体为:
时间点向量为:每个聚类中的聚类点的所有时间的平均值;
参数向量为:每个聚类中的所有聚类点包含的数量最多的第一参数;
参数内容向量为:每个聚类中的所有聚类点包含的数量最多的第一参数的第一参数值的平均值;或每个聚类中的所有聚类点包含的数量最多的参数状态;
功能类别向量为:每个聚类中的所有数据点包含的数量最多的功能类别;
设备标识向量为:每个聚类中的所有数据点包含的数量最多的设备标识。
10.一种智能设备的控制规则的生成装置,其特征在于,包括:
收集单元,收集至少一个第一设备的上报参数记录数据集和至少一个第二设备的用户操作记录数据集;所述第一设备和所述第二设备归属于智能家居系统的同一账户;所述第一设备和所述第二设备为同一设备或者不同设备;
提取单元,分别对所述上报参数记录数据集和所述用户操作记录数据集进行特征点提取;
第一聚类处理单元,根据提取的所述特征点,对所述上报参数记录数据集进行聚类处理,得到上报参数记录聚类集;根据提取的所述特征点,对所述用户操作记录数据集进行聚类处理,得到用户操作记录聚类集;
第二聚类处理单元,计算所述上报参数记录聚类集中的聚类点和所述用户操作记录聚类集中的聚类点之间的相关性,根据所述相关性对所述参数记录聚类集和用户操作记录聚类集进行聚类处理,得到设备行为相关聚类集;
规则转换单元,将所述设备行为相关聚类集转换为设备控制规则;
输出单元,输出所述设备控制规则;
其中,当数据集为上报参数记录数据集时,所述特征点包括:第一设备上报的第一时间点、第一设备上报的第一参数、第一设备上报的第一参数的参数内容、第一设备所属的功能类别、第一设备的设备标识;所述第一参数的参数内容包括:第一参数的参数数值或者参数状态;
当数据集为用户操作记录数据集时,所述特征点包括:控制第二设备的第二时间点、第二设备被控制的第二参数、第二参数被控制后的参数内容、第二设备所属的功能类别、第二设备的设备标识,所述第二参数的内容包括:第一参数的参数数值或者参数状态。
11.一种电子设备,其特征在于,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如权利要求1至9中任一所述的智能设备的控制规则的生成方法。
12.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的智能设备的控制规则的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113675.2A CN111340104B (zh) | 2020-02-24 | 2020-02-24 | 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010113675.2A CN111340104B (zh) | 2020-02-24 | 2020-02-24 | 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340104A CN111340104A (zh) | 2020-06-26 |
CN111340104B true CN111340104B (zh) | 2023-10-31 |
Family
ID=71185531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010113675.2A Active CN111340104B (zh) | 2020-02-24 | 2020-02-24 | 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340104B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835348B (zh) * | 2021-09-17 | 2023-08-08 | 广东电网有限责任公司 | 一种智能家居控制系统 |
CN115065713B (zh) * | 2022-08-16 | 2023-09-29 | 深圳市虎一科技有限公司 | 智能厨电设备信息交互方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003063030A1 (en) * | 2002-01-22 | 2003-07-31 | Syngenta Participations Ag | System and method for clustering data |
CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
CN106294738A (zh) * | 2016-08-10 | 2017-01-04 | 武汉诚迈科技有限公司 | 一种智能家居场景配置方法 |
CN107920109A (zh) * | 2017-10-19 | 2018-04-17 | 广东工业大学 | 一种基于Hadoop的智能家居操控行为推荐方法 |
CN108181819A (zh) * | 2017-11-28 | 2018-06-19 | 珠海格力电器股份有限公司 | 家电设备的联动控制方法、装置、系统及家电设备 |
CN109299724A (zh) * | 2018-07-17 | 2019-02-01 | 广东工业大学 | 基于深度学习的智能家居用户操控习惯挖掘与推荐方法 |
CN109376065A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 一种用户行为热区分析方法、装置和电子设备 |
CN109947749A (zh) * | 2018-06-27 | 2019-06-28 | 广东工业大学 | 一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法 |
GB201910401D0 (en) * | 2019-07-19 | 2019-09-04 | Centrica Plc | System for distributed data processing using clustering |
CN110427561A (zh) * | 2019-08-09 | 2019-11-08 | 广东科徕尼智能科技有限公司 | 基于大数据的智能推送场景方法、装置、介质及终端设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080085055A1 (en) * | 2006-10-06 | 2008-04-10 | Cerosaletti Cathleen D | Differential cluster ranking for image record access |
KR101844291B1 (ko) * | 2012-01-16 | 2018-04-03 | 삼성전자주식회사 | 신체 자세군 생성 장치 및 방법 |
US9542668B2 (en) * | 2013-12-30 | 2017-01-10 | Google Inc. | Systems and methods for clustering electronic messages |
CN108197115B (zh) * | 2018-01-26 | 2022-04-22 | 上海智臻智能网络科技股份有限公司 | 智能交互方法、装置、计算机设备和计算机可读存储介质 |
-
2020
- 2020-02-24 CN CN202010113675.2A patent/CN111340104B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003063030A1 (en) * | 2002-01-22 | 2003-07-31 | Syngenta Participations Ag | System and method for clustering data |
CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
CN106294738A (zh) * | 2016-08-10 | 2017-01-04 | 武汉诚迈科技有限公司 | 一种智能家居场景配置方法 |
CN107920109A (zh) * | 2017-10-19 | 2018-04-17 | 广东工业大学 | 一种基于Hadoop的智能家居操控行为推荐方法 |
CN108181819A (zh) * | 2017-11-28 | 2018-06-19 | 珠海格力电器股份有限公司 | 家电设备的联动控制方法、装置、系统及家电设备 |
CN109947749A (zh) * | 2018-06-27 | 2019-06-28 | 广东工业大学 | 一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法 |
CN109299724A (zh) * | 2018-07-17 | 2019-02-01 | 广东工业大学 | 基于深度学习的智能家居用户操控习惯挖掘与推荐方法 |
CN109376065A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 一种用户行为热区分析方法、装置和电子设备 |
GB201910401D0 (en) * | 2019-07-19 | 2019-09-04 | Centrica Plc | System for distributed data processing using clustering |
CN110427561A (zh) * | 2019-08-09 | 2019-11-08 | 广东科徕尼智能科技有限公司 | 基于大数据的智能推送场景方法、装置、介质及终端设备 |
Non-Patent Citations (1)
Title |
---|
蔡金川 ; 张超 ; 樊丽 ; .基于ZigBee和GPRS的智能家居设计以及传感数据基于时间序列的聚类分析.新型工业化.2017,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111340104A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340104B (zh) | 智能设备的控制规则的生成方法和装置、电子设备及可读存储介质 | |
US7774439B2 (en) | Sensing information management apparatus and method of sensor based home network system | |
CN106647645A (zh) | 一种家居控制调节的方法及系统 | |
CN108181819B (zh) | 家电设备的联动控制方法、装置、系统及家电设备 | |
CN106527168A (zh) | AllJoyn联动控制冲突解决方法、触发器及服务器 | |
CN105652677B (zh) | 一种基于用户行为分析的智能家居控制方法、装置和系统 | |
CN111237988B (zh) | 地铁车载空调机组控制方法及系统 | |
CN105474659B (zh) | 室内设备、家庭系统以及控制方法 | |
CN115826428B (zh) | 家居设备的控制方法和装置、存储介质及电子装置 | |
CN105629947A (zh) | 家居设备监测方法、家居设备监测装置和终端 | |
CN115065713B (zh) | 智能厨电设备信息交互方法及系统 | |
CN111831871A (zh) | 用于空调工作模式推荐的方法及装置、设备 | |
CN111694280A (zh) | 一种应用场景的控制系统及其控制方法 | |
CN111414996B (zh) | 一种智能家居控制方法、系统、存储介质和计算机设备 | |
CN112394647B (zh) | 家居设备的控制方法、装置、设备及存储介质 | |
CN113852657A (zh) | 一种基于边缘计算的智慧家庭本地控制方法及系统 | |
CN110262275B (zh) | 一种智能家居系统及其控制方法 | |
CN117031977A (zh) | 一种智能家居控制方法及系统 | |
CN116149198A (zh) | 基于物联网的家用电器远程控制系统 | |
CN110970019A (zh) | 智能家居系统的控制方法和装置 | |
CN108415262A (zh) | 智能网关对家电设备的控制方法 | |
CN104573821B (zh) | 一种通过多参数融合处理设备状态的方法和系统 | |
CN110703666B (zh) | 智能硬件控制方法、装置及控制设备 | |
CN108386977B (zh) | 一种基于大数据的空调设备监控分析系统及方法 | |
CN109726532B (zh) | 一种基于人工智能行为预测的安全管理方法 |
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 |