CN111405604B - 一种基于网络流量的监控预警方法及装置 - Google Patents

一种基于网络流量的监控预警方法及装置 Download PDF

Info

Publication number
CN111405604B
CN111405604B CN201910001411.5A CN201910001411A CN111405604B CN 111405604 B CN111405604 B CN 111405604B CN 201910001411 A CN201910001411 A CN 201910001411A CN 111405604 B CN111405604 B CN 111405604B
Authority
CN
China
Prior art keywords
behavior
monitoring
indoor people
network
target user
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
CN201910001411.5A
Other languages
English (en)
Other versions
CN111405604A (zh
Inventor
王凯
万鸿俊
范晓晖
牛亚文
杨新苗
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.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910001411.5A priority Critical patent/CN111405604B/zh
Publication of CN111405604A publication Critical patent/CN111405604A/zh
Application granted granted Critical
Publication of CN111405604B publication Critical patent/CN111405604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0888—Throughput
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Alarm Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及通信领域，尤其涉及一种基于网络流量的监控预警方法及装置。用于有效保证目标用户的个人安全，该方法为：监控预警装置监测智能家居设备的网络流量，采用室内人数估算模型对当前的室内人数进行判断，获得判断结果，确定当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果，确定个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。这样，保证数据监测的可行性，提高监测数据的有效性和准确性，减少设备安装和运营成本，并且，监护端设备可以及时接收异常提醒，降低目标用户发生危险的概率，保证目标用户的个人安全，避免目标用户的信息泄露，保障目标用户的个人隐私。

Description

一种基于网络流量的监控预警方法及装置
技术领域
本发明涉及通信领域，尤其涉及一种基于网络流量的监控预警方法及装置。
背景技术
随着社会老龄化程度的加深，空巢老人越来越多，当子女由于工作、学习、结婚等原因而离家后，缺少对空巢老人生活状况的看护与照料，空巢老人的安全问题日益突出。
目前，针对空巢老人的安全问题，相关设备商已经开发出了一些智能设备，例如，对空巢老人异常情况进行报警的报警装置，报警装置要求空巢老人具有主动报警能力，但空巢老人在心脑血管疾病突发、跌倒等很多突发状况下不具备主动报警能力；对空巢老人进行实时监测的可穿戴设备，市场调研显示空巢老人对可穿戴设备的接受程度不高，其次，由于可穿戴设备需要时常充电，空巢老人可能忘记充电，使用起来并不方便；对空巢老人进行实时视频监控，视频监控存在隐私问题，导致空巢老人对视频监控的接受程度不高，而且摄像头往往无法完全覆盖卧室、厕所等区域；而家用传感器需要专门购买单独设备，维护传感器与网关连接，配置传感器与子区域，例如，客厅、厨房、卧室，安装成本与维护成本较高。
另外，现有技术方案还可以实现对空巢老人的水、电、暖、气等生活供应数据的监测，首先，此方法时效性不高，当空巢老人发生异常状况时，例如，空巢老人突然晕厥，生活供应数据不会立即发生显著变化，其次，数据来源于不同的设备，各类数据的更新频率不一，降低数据监测的可行性。
因此，需要设计一种基于网络流量的监控预警方法以解决上述问题。
发明内容
本发明的目的是提供一种基于网络流量的监控预警方法及装置，以有效保证目标用户的个人安全。
一种基于网络流量的监控预警方法，包括：
监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
可选的，进一步包括：在预处理阶段，基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得所述室内人数估算模型，具体包括：
确定接入指定网络的用户设备的数量；
监测智能家居设备使用过程中产生的网络流量；
基于所述用户设备的数量，以及所述网络流量，采用迁移学习算法进行模型训练，获得相应的室内人数估算模型。
可选的，监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，包括：
基于所述室内人数估算模型，监测到当前接入家庭网络的用户设备的数量为0，且接入所述家庭网络的智能家居设备产生的网络流量低于设定阈值时，确定当前的室内人数为无人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为多个时，确定所述当前的室内人数为多人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为1，且接入所述家庭网络的智能家居设备产生的网络流量不低于所述设定阈值时，确定所述当前的室内人数为单人。
可选的，进一步包括：
根据判断结果确定当前室内人数为多人，确定目标用户已得到照顾，则不启动预警监控模式。
可选的，对目标用户的个体行为进行识别，获得识别结果，具体包括：
采用个体行为样本对目标用户的休闲行为、静止行为、睡眠行为和外出行为中的一种或任意组合进行识别，获得所述目标用户的个体行为识别结果，所述个体行为样本是采用机器学习方法对所述目标用户的个体行为进行学习后获得的。
可选的，根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备，包括：
监测目标用户的个体行为为静止行为，且所述静止行为的持续时长超过预设的持续时长门限值时，确定所述个体行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为睡眠行为，且所述睡眠行为的睡眠结束时间超过预设的睡眠结束门限值时，确定所述睡眠行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为外出行为，且所述外出行为的外出持续时长超过预设的持续时长门限值时，确定所述外出行为属于异常行为，并将异常提醒发送至指定的监护端设备。
一种基于网络流量的监控预警装置，可选的，包括：
判断单元，用于监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
识别单元，用于根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
发送单元，用于根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
可选的，所述判断单元进一步用于：在预处理阶段，基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得所述室内人数估算模型，具体用于：
确定接入指定网络的用户设备的数量；
监测智能家居设备使用过程中产生的网络流量；
基于所述用户设备的数量，以及所述网络流量，采用迁移学习算法进行模型训练，获得相应的室内人数估算模型。
可选的，监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述判断单元用于：
基于所述室内人数估算模型，监测到当前接入家庭网络的用户设备的数量为0，且接入所述家庭网络的智能家居设备产生的网络流量低于设定阈值时，确定当前的室内人数为无人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为多个时，确定所述当前的室内人数为多人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为1，且接入所述家庭网络的智能家居设备产生的网络流量不低于所述设定阈值时，确定所述当前的室内人数为单人。
可选的，所述判断单元进一步用于：
根据判断结果确定当前室内人数为多人，确定目标用户已得到照顾，则不启动预警监控模式。
可选的，对目标用户的个体行为进行识别，获得识别结果，所述识别单元具体用于：
采用个体行为样本对目标用户的休闲行为、静止行为、睡眠行为和外出行为中的一种或任意组合进行识别，获得所述目标用户的个体行为识别结果，所述个体行为样本是采用机器学习方法对所述目标用户的个体行为进行学习后获得的。
可选的，根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备，所述发送单元用于：
监测目标用户的个体行为为静止行为，且所述静止行为的持续时长超过预设的持续时长门限值时，确定所述个体行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为睡眠行为，且所述睡眠行为的睡眠结束时间超过预设的睡眠结束门限值时，确定所述睡眠行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为外出行为，且所述外出行为的外出持续时长超过预设的持续时长门限值时，确定所述外出行为属于异常行为，并将异常提醒发送至指定的监护端设备。
一种存储介质，可选的，存储有用于实现基于网络流量的监控预警的方法的程序，所述程序被处理器运行时，执行以下步骤：
监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
一种通信装置，可选的，包括一个或多个处理器；以及一个或多个计算机可读介质，所述可读介质上存储有指令，所述指令被所述一个或多个处理器执行时，使得所述装置执行如上述任一项所述的方法。
综上所述，本发明实施例中，监控预警装置监测智能家居设备的网络流量，采用室内人数估算模型对当前的室内人数进行判断，获得判断结果，确定当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果，确定个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。这样，保证数据监测的可行性，提高监测数据的有效性和准确性，减少设备安装和运营成本，并且，监护端设备可以及时接收异常提醒，降低目标用户发生危险的概率，保证目标用户的个人安全，避免目标用户的信息泄露，保障目标用户的个人隐私。
附图说明
图1为本发明实施例中室内人数估算模型的训练流程示意图；
图2为本发明实施例中监控预警流程示意图；
图3为本发明实施例中监控预警装置功能结构示意图。
具体实施方式
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实施例，并不是全部的实施例。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，都属于本发明保护的范围。
本发明实施例中，参阅图1所示，在对智能家居设备使用过程中产生的网络流量进行监测之前，需要对室内人数估算模型进行训练，详细流程如下：
步骤100：监控预警装置监测接入指定网络的智能家居设备使用过程中产生的网络流量。
具体的，本发明实施例中，上述指定网络是指在对室内人数估算模型进行训练时的网络环境，最大程度上还原实际应用过程中的家庭网络环境，上述智能家居设备是指在对室内人数估算模型进行训练时的家居设备，监控预警装置可以是家庭网关中的功能模块，例如，路由器中的某一个功能模块，也可以是独立的装置。监控预警装置启动后，可以对连接到指定网络的智能家居设备的网络流量进行监测。
例如，智能家居设备可以是平板、电脑、液晶电视、机顶盒，监控预警装置可以监测空巢老人在使用平板、电脑、液晶电视、机顶盒的过程中，连接到无线网1(WirelessFidelity1，WiFi1)时产生的网络流量。
步骤110：监控预警装置监测接入所述指定网络的用户设备的数量。
具体的，本发明实施例中，监控预警装置可以对接入WiFi1的用户设备的使用情况进行监测，获取WiFi1的用户设备的数量。
例如，用户设备可以是室内用户使用的手机，监控预警系统对当前连接到WiFi1的手机使用情况进行监测，获取接入WiFi1的手机数量。
步骤120：监控预警装置对接入指定网络的用户设备的数量进行采集。
具体的，本发明实施例中，在指定接入网络的情况下，监控预警装置对用户设备的使用情况进行监测后，可以获得不同时间段的监测数据，因此，需要对大量的接入指定网络的用户设备的数量进行采集。
例如，监控预警装置在10月1日上午9点监测接入WiFi1的手机数量为1，在中午12点监测接入WiFi1的手机数量为2，在下午5点监测接入WiFi1的手机数量为0，在10月2日上午9点监测接入WiFi1的手机数量为0，在中午12点监测接入WiFi1的手机数量为1，在下午5点监测接入WiFi1的手机数量为0，因此，监控预警装置采集10月1日至10月2日在三个时间点的接入WiFi1的手机数量为：1、2、0、0、1、0。
步骤130：监控预警装置对接入所述指定网络的智能家居设备产生的网络流量进行采集。
具体的，本发明实施例中，在指定接入网络的情况下，监控预警装置对接入指定网络的智能家居设备使用过程中产生的网络流量进行监测后，可以获得不同使用情况的监测数据，因此，需要对大量的接入指定网络的智能家居设备产生的网络流量进行采集。
例如，监控预警装置在10月4日上午9点监测到平板接入WiFi1产生的网络流量为50kbps，电脑接入WiFi1产生的网络流量为110kbps，液晶电视接入WiFi1产生的网络流量为200kbps，在10月4日中午12点监测到平板接入WiFi1产生的网络流量为0kbps，电脑接入WiFi1产生的网络流量为5kbps，液晶电视接入WiFi1产生的网络流量为200kbps，在10月4日下午5点监测到平板接入WiFi1产生的网络流量为180kbps，电脑接入WiFi1产生的网络流量为155kbps，液晶电视接入WiFi1产生的网络流量为43kbps，因此，监控预警装置采集10月4日在三个时间点的平板、电脑、液晶电视接入WiFi1产生的网络流量为：50kbps、110kbps、200kbps、0kbps、5kbps、200kbps、180kbps、155kbps、43kbps。
步骤140：监控预警装置基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，采用迁移学习算法进行模型训练，获得室内人数估算模型。
具体的，本发明实施例中，在监控预警装置对接入指定网络的用户设备的数量、智能家居设备产生的网络流量进行采集后，可以通过迁移学习算法，经过模型训练后获得相应的室内人数估算模型。
在传统分类学习中，为了保证训练得到的分类模型具有准确性和高可靠性，都有两个基本的假设：(1)用于学习的训练样本与新的测试样本满足独立同分布；(2)必须有足够可用的训练样本才能学习得到一个好的分类模型。但是，在实际应用中我们发现这两个条件往往无法满足。迁移学习算法旨在解决如何利用少量的有标签训练样本或者源领域数据，建立一个可靠的模型对具有不同数据分布的目标领域进行预测。迁移学习算法是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设，目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。
针对空巢老人，考虑到空巢老人有时忘记给手机充电、忘记携带手机或者接入WiFi1的密码设置错误，需要考虑到手机连接WiFi1不正常时的室内人数估算情况。监控预警装置在确定手机连接WiFi1正常的情况下，例如，空巢老人不在家，连接到WiFi1的手机数量为0，或者，空巢老人在家，连接到WiFi1的手机数量为1，将此时监控预警装置确定的室内人数作为人数标签，然后，在手机连接WiFi1不正常的情况下，例如，空巢老人不在家，连接到WiFi1的手机数量为1，或者，空巢老人在家，连接到WiFi1的手机数量为0时，通过监测接入WiFi1的智能家居设备产生的网络流量来对室内人数进行判断。
例如，监控预警装置获取接入WiFi1的用户设备的数量，通过监测接入所述WiFi1的智能家居设备产生的网络流量来对室内人数进行判断。监控预警装置监测到当前连接到WiFi1的手机数量为0，且平板、电脑、液晶电视、机顶盒的网络流量处于低谷时，例如，平板、电脑、液晶电视、机顶盒的网络流量均低于10kbps，标记此时的室内人数为无人，例如，平板、电脑、液晶电视、机顶盒的网络流量分别为0kbps、5kbps、2kbps、0kbps时，标记此时的室内人数为无人。
当监控预警装置监测到当前连接到WiFi1的手机数量为多个时，例如，连接到WiFi1的手机数量为2个以上，则可以标记此时的室内人数为多人，例如，当监控预警装置监测到当前连接到WiFi1的手机数量为3个，而平板、电脑、液晶电视、机顶盒的网络流量分别为3kbps、1kbps、0kbps、0kbps时，则可以标记此时的室内人数为多人。
其余情况默认室内人数为单人，即，监控预警装置监测到当前连接到WiFi1的手机数量为1，且平板、电脑、液晶电视、机顶盒的网络流量不低于10kbps。例如，监控预警装置监测到当前连接到WiFi1的手机数量为1，平板、电脑、液晶电视、机顶盒的网络流量分别为20kbps、157kbps、143kbps、56kbps时，标记此时的室内人数为单人。
进而，通过迁移学习算法，经过模型训练后可以获得相应的室内人数估算模型，监控预警装置采用所述室内人数估算模型即可迅速确认当前的室内人数。
本发明实施例中，参阅图2所示，在完成对室内人数估算模型的训练后，可以采用室内人数估算模型，针对智能家居设备使用过程中产生的网络流量进行监测，判断当前的室内人数，进而启动预警监控模式，详细流程如下：
步骤200：监控预警装置监测接入家庭网络的用户设备的数量。
具体的，本发明实施例中，家庭网络是指在对用户设备进行监测时的网络环境，可以是室内的WiFi2，监控预警装置可以对接入WiFi2的用户设备的使用情况进行监测，获取WiFi2的用户设备的数量。
例如，用户设备可以是室内用户使用的平板电脑(IPAD)，监控预警系统对当前连接到WiFi2的IPAD使用情况进行监测，获取接入WiFi2的IPAD数量。
例如，监控预警装置在10月5日上午9点监测接入WiFi2的IPAD数量为2，在中午12点监测接入WiFi2的IPAD数量为1，在下午5点监测接入WiFi2的IPAD数量为0，在10月6日上午9点监测接入WiFi2的IPAD数量为1，在中午12点监测接入WiFi2的IPAD数量为1，在下午5点监测接入WiFi2的IPAD数量为3，因此，监控预警装置采集10月5日至10月6日在三个时间点的接入WiFi2的IPAD数量为：2、1、0、1、1、3。
步骤201：监控预警装置监测接入所述家庭网络的智能家居设备使用过程中产生的网络流量。
具体的，本发明实施例中，监控预警装置可以对接入所述WiFi2的智能家居设备使用过程中产生的网络流量进行监测，获取相关网络流量的监测数据。
例如，智能家居设备可以是智能手表、智能电话、智能冰箱、智能机器人，监控预警装置可以监测空巢老人在使用智能手表、智能电话、智能冰箱、智能洗衣机的过程中，连接到WiFi2时产生的网络流量。
例如，监控预警装置在10月7日上午9点监测到智能手表接入WiFi2产生的网络流量为23kbps，智能电话接入WiFi2产生的网络流量为10kbps，智能冰箱接入WiFi2产生的网络流量为150kbps，智能洗衣机接入WiFi2产生的网络流量为0kbps，在10月7日中午12点监测到智能手表接入WiFi2产生的网络流量为157kbps，智能电话接入WiFi2产生的网络流量为89kbps，智能冰箱接入WiFi2产生的网络流量为210kbps，智能洗衣机接入WiFi2产生的网络流量为5kbps，在10月7日下午5点监测到智能手表接入WiFi2产生的网络流量为55kbps，智能电话接入WiFi2产生的网络流量为144kbps，智能冰箱接入WiFi2产生的网络流量为110kbps，智能洗衣机接入WiFi2产生的网络流量为100kbps，因此，监控预警装置采集10月7日在三个时间点的智能手表、智能电话、智能冰箱、智能洗衣机接入WiFi1产生的网络流量为：23kbps、10kbps、150kbps、0kbps、157kbps、89kbps、210kbps、5kbps、55kbps、144kbps、110kbps、100kbps。
步骤202：监控预警装置基于所述网络流量采用预设的室内人数估算模型对当前的室内人数是否为多人进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的，若是，则执行步骤203，否则，执行步骤204。
具体的，本发明实施例中，监控预警装置在完成对用户设备的数量、智能家居设备产生的网络流量的监测后，可以基于室内人数估算模型对当前的室内人数进行判断，若室内人数为多人，则执行步骤203，否则，执行步骤204。
例如，监控预警装置获取接入WiFi2的IPAD的数量，通过监测接入所述WiFi2的智能家居设备产生的网络流量来对室内人数进行判断。监控预警装置监测到当前连接到WiFi2的IPAD数量为0，且智能手表、智能电话、智能冰箱、智能洗衣机的网络流量处于低谷时，例如，智能手表、智能电话、智能冰箱、智能洗衣机的网络流量均低于10kbps，标记此时的室内人数为无人，例如，智能手表、智能电话、智能冰箱、智能洗衣机的网络流量分别为2kbps、1kbps、5kbps、0kbps时，标记此时的室内人数为无人。
当监控预警装置监测到当前连接到WiFi2的IPAD数量为多个时，例如，连接到WiFi2的IPAD数量为2个以上，则可以标记此时的室内人数为多人，例如，当监控预警装置监测到当前连接到WiFi2的IPAD数量为4个，而智能手表、智能电话、智能冰箱、智能洗衣机的网络流量分别为5kbps、0kbps、1kbps、2kbps时，则可以标记此时的室内人数为多人。
其余情况默认室内人数为单人，即，监控预警装置监测到当前连接到WiFi2的IPAD数量为1，且智能手表、智能电话、智能冰箱、智能洗衣机的网络流量不低于10kbps。例如，监控预警装置监测到当前连接到WiFi2的IPAD数量为1，智能手表、智能电话、智能冰箱、智能洗衣机的网络流量分别为131kbps、45kbps、190kbps、120kbps时，标记此时的室内人数为单人。
步骤203：监控预警装置根据所述判断结果确定所述当前室内人数为多人时，不启动预警监控模式。
具体的，本发明实施例中，监控预警装置基于所述网络流量采用预设的室内人数估算模型，确定所述当前室内人数为多人时，目标用户已得到他人的照顾，无需开启预警监控模式。
例如，当监控预警装置监测到当前连接到WiFi2的IPAD数量为3个时，则可以标记此时的室内人数为多人，确定空巢老人已得到他人的照顾，无需开启预警监控模式。
步骤204：监控预警装置根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式。
具体的，本发明实施例中，监控预警装置基于所述网络流量采用预设的室内人数估算模型，完成对当前的室内人数的判断流程后，确定此时的室内人数为单人或者无人时，启动预警监控模式，监控目标用户的个体行为。
例如，监控预警装置监测到当前连接到WiFi2的IPAD数量为0，且智能手表、智能电话、智能冰箱、智能洗衣机的网络流量分别为2kbps、1kbps、5kbps、0kbps时，标记此时的室内人数为无人，进而启动预警监控模式，或者，监控预警装置监测到当前连接到WiFi2的IPAD数量为1，且智能手表、智能电话、智能冰箱、智能洗衣机的网络流量分别为37kbps、150kbps、200kbps、20kbps时，标记此时的室内人数为单人，进而启动预警监控模式，监控空巢老人的个体行为。
步骤205：监控预警装置对目标用户的个体行为进行识别，获得识别结果。
具体的，本发明实施例中，监控预警装置根据判断结果启动预警监控模式后，对目标用户的个体行为进行监控，并识别目标用户的个体行为，获得相应的识别结果。
具体的，本发明实施例中，监控预警装置采用机器学习的方法学习空巢老人的行为规律，并对“休闲、静止、睡眠、外出”这四大关键行为进行识别。
针对休闲行为，监控预警装置通过学习空巢老人浏览网页，播放电影电视和音乐的行为规律，统计分析空巢老人的休闲行为习惯，记录休闲行为的最低网络流量和最少连续活跃时长，即，休闲行为样本为{网络流量，连续活跃时长}；针对静止行为，监控预警装置确定室内人数为单人，且智能家居设备产生的网络流量为0时，记录静止行为的开始时间和持续时长，即，静止行为样本为{开始时间，持续时长}；针对睡眠行为，监控预警装置通过学习空巢老人的睡眠行为规律，记录睡眠行为的睡眠开始时间、睡眠结束时间和睡眠持续时间，即，睡眠行为样本为{睡眠开始时间，睡眠结束时间，睡眠持续时间}；针对外出行为，监控预警装置确定室内人数为无人时，记录外出行为的开始时间和持续时长，即，外出行为样本为{开始时间，持续时长}。
例如，监控预警装置记录休闲行为样本为{100kbps，1h}，静止行为样本为{14:00，2h}，睡眠行为样本为{22:00，7:00，9h}。外出行为样本为{18:00，2h}。
进而，监控预警装置在10月8日的上午10点监测到智能家居设备产生的网络流量为320kbps，持续时长为1h时，基于休闲行为样本确定空巢老人的个体行为属于休闲行为；监控预警装置在10月8日的下午2点确定室内人数为单人，智能家居设备产生的网络流量为0时，持续1h时，基于静止行为样本确定空巢老人的个体行为属于静止行为；监控预警装置确定室内人数为单人，监测到在10月8日的晚上11点至10月9日的早上7点处于长时间的静止状态时，基于睡眠行为样本确定空巢老人的个体行为属于睡眠行为；监控预警装置在10月8日的下午7点至下午8点监测室内人数为无人时，基于外出行为样本确定空巢老人的个体行为属于外出行为。
步骤206：监控预警装置根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
具体的，本发明实施例中，在预警监控模式下，监控预警装置对目标用户的“休闲、静止、睡眠、外出”行为进行识别，获得识别结果后，根据所述识别结果进行异常监测，确定所述个体行为属于异常行为时，发送异常提醒至指定的监护端设备。
例如，监控预警装置识别出空巢老人的个体行为属于静止行为时，基于静止行为样本{14:00，2h}，若空巢老人从下午2点至下午5点、或者下午3点至下午5点半一直处于静止状态，即，静止行为的持续时长超过2h，则监控预警装置将异常提醒发送至监护人的监护端设备，例如，监控预警装置可以将异常提醒发送至空巢老人的女儿或者儿子的手机上。例如，监控预警装置识别出空巢老人的个体行为属于睡眠行为时，基于静止行为样本{22:00，7:00，9h}，若空巢老人早上8点还没有起床，即，睡眠结束时间为早上8点，晚于日常的7点起床时间，则监控预警装置将异常提醒发送至空巢老人的女儿或者儿子的手机上。
例如，监控预警装置识别出空巢老人的个体行为属于外出行为时，基于外出行为样本{18:00，2h}，若空巢老人晚上9点还没有回家，即，外出行为的起止时间为晚上6点至晚上9点，持续时长为3h，超过2h，则监控预警装置将异常提醒发送至空巢老人的女儿或者儿子的手机上。
基于上述实施例中，参阅图3所示，本发明实施例中，监控预警装置至少包括：判断单元101、识别单元102和发送单元103，其中，
判断单元101，用于监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
识别单元102，用于根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
发送单元103，用于根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
可选的，所述判断单元101进一步用于：在预处理阶段，基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得所述室内人数估算模型，具体用于：
确定接入指定网络的用户设备的数量；
监测智能家居设备使用过程中产生的网络流量；
基于所述用户设备的数量，以及所述网络流量，采用迁移学习算法进行模型训练，获得相应的室内人数估算模型。
可选的，监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述判断单元101用于：
基于所述室内人数估算模型，监测到当前接入家庭网络的用户设备的数量为0，且接入所述家庭网络的智能家居设备产生的网络流量低于设定阈值时，确定当前的室内人数为无人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为多个时，确定所述当前的室内人数为多人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为1，且接入所述家庭网络的智能家居设备产生的网络流量不低于所述设定阈值时，确定所述当前的室内人数为单人。
可选的，所述判断单元101进一步用于：
根据判断结果确定当前室内人数为多人，确定目标用户已得到照顾，则不启动预警监控模式。
可选的，对目标用户的个体行为进行识别，获得识别结果，所述识别单元102具体用于：
采用个体行为样本对目标用户的休闲行为、静止行为、睡眠行为和外出行为中的一种或任意组合进行识别，获得所述目标用户的个体行为识别结果，所述个体行为样本是采用机器学习方法对所述目标用户的个体行为进行学习后获得的。
可选的，根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备，所述发送单元103用于：
监测目标用户的个体行为为静止行为，且所述静止行为的持续时长超过预设的持续时长门限值时，确定所述个体行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为睡眠行为，且所述睡眠行为的睡眠结束时间超过预设的睡眠结束门限值时，确定所述睡眠行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为外出行为，且所述外出行为的外出持续时长超过预设的持续时长门限值时，确定所述外出行为属于异常行为，并将异常提醒发送至指定的监护端设备。
基于同一发明构思，本发明实施例提供一种存储介质，存储有用于实现基于网络流量的监控预警的方法的程序，所述程序被处理器运行时，执行以下步骤：
监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
基于同一发明构思，本发明实施例提供一种通信装置，包括一个或多个处理器；以及一个或多个计算机可读介质，所述可读介质上存储有指令，所述指令被所述一个或多个处理器执行时，使得所述装置执行如上述任一项所述的方法。
综上所述，本发明实施例中，首先，监控预警装置监测智能家居设备使用过程中产生的网络流量，基于网络流量采用室内人数估算模型对当前的室内人数进行判断，获得判断结果，然后，确定当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果，最后，确定个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。这样，监控预警装置可以基于网络流量对室内人数进行判断，保证数据监测的可行性，提高监测数据的有效性和准确性，并且，监测过程中无需添加额外的硬件设备，减少设备安装和运营成本，进而，当目标用户出现异常行为时，监护端设备可以及时接收异常提醒，降低目标用户发生危险的概率，保证目标用户的个人安全，也可以避免目标用户的信息泄露，保障目标用户的个人隐私。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种基于网络流量的监控预警方法，其特征在于，包括：
监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果；
根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备；
其中，所述室内人数估算模型是采用以下方式获得的：
确定接入指定网络的用户设备的数量；
监测智能家居设备使用过程中产生的网络流量；
基于所述用户设备的数量，以及所述网络流量，采用迁移学习算法进行模型训练，获得相应的室内人数估算模型。
2.如权利要求1所述的方法，其特征在于，监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，包括：
基于所述室内人数估算模型，监测到当前接入家庭网络的用户设备的数量为0，且接入所述家庭网络的智能家居设备产生的网络流量低于设定阈值时，确定当前的室内人数为无人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为多个时，确定所述当前的室内人数为多人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为1，且接入所述家庭网络的智能家居设备产生的网络流量不低于所述设定阈值时，确定所述当前的室内人数为单人。
3.如权利要求2所述的方法，其特征在于，进一步包括：
根据判断结果确定当前室内人数为多人，确定目标用户已得到照顾，则不启动预警监控模式。
4.如权利要求1所述的方法，其特征在于，对目标用户的个体行为进行识别，获得识别结果，具体包括：
采用个体行为样本对目标用户的休闲行为、静止行为、睡眠行为和外出行为中的一种或任意组合进行识别，获得所述目标用户的个体行为识别结果，所述个体行为样本是采用机器学习方法对所述目标用户的个体行为进行学习后获得的。
5.如权利要求1所述的方法，其特征在于，根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备，包括：
监测目标用户的个体行为为静止行为，且所述静止行为的持续时长超过预设的持续时长门限值时，确定所述个体行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为睡眠行为，且所述睡眠行为的睡眠结束时间超过预设的睡眠结束门限值时，确定所述睡眠行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为外出行为，且所述外出行为的外出持续时长超过预设的持续时长门限值时，确定所述外出行为属于异常行为，并将异常提醒发送至指定的监护端设备。
6.一种基于网络流量的监控预警装置，其特征在于，包括：
判断单元，用于监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
识别单元，用于根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
发送单元，用于根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备；
其中，所述判断单元还用于：
确定接入指定网络的用户设备的数量；
监测智能家居设备使用过程中产生的网络流量；
基于所述用户设备的数量，以及所述网络流量，采用迁移学习算法进行模型训练，获得相应的室内人数估算模型。
7.如权利要求6所述的装置，其特征在于，监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述判断单元用于：
基于所述室内人数估算模型，监测到当前接入家庭网络的用户设备的数量为0，且接入所述家庭网络的智能家居设备产生的网络流量低于设定阈值时，确定当前的室内人数为无人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为多个时，确定所述当前的室内人数为多人；
基于所述室内人数估算模型，监测到当前接入所述家庭网络的用户设备的数量为1，且接入所述家庭网络的智能家居设备产生的网络流量不低于所述设定阈值时，确定所述当前的室内人数为单人。
8.如权利要求7所述的装置，其特征在于，所述判断单元进一步用于：
根据判断结果确定当前室内人数为多人，确定目标用户已得到照顾，则不启动预警监控模式。
9.如权利要求6所述的装置，其特征在于，对目标用户的个体行为进行识别，获得识别结果，所述识别单元具体用于：
采用个体行为样本对目标用户的休闲行为、静止行为、睡眠行为和外出行为中的一种或任意组合进行识别，获得所述目标用户的个体行为识别结果，所述个体行为样本是采用机器学习方法对所述目标用户的个体行为进行学习后获得的。
10.如权利要求6所述的装置，其特征在于，根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备，所述发送单元用于：
监测目标用户的个体行为为静止行为，且所述静止行为的持续时长超过预设的持续时长门限值时，确定所述个体行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为睡眠行为，且所述睡眠行为的睡眠结束时间超过预设的睡眠结束门限值时，确定所述睡眠行为属于异常行为，并将异常提醒发送至指定的监护端设备；
监测所述目标用户的个体行为为外出行为，且所述外出行为的外出持续时长超过预设的持续时长门限值时，确定所述外出行为属于异常行为，并将异常提醒发送至指定的监护端设备。
11.一种存储介质，其特征在于，存储有用于实现基于网络流量的监控预警的方法的程序，所述程序被处理器运行时，执行以下步骤：
监测智能家居设备使用过程中产生的网络流量，基于所述网络流量采用预设的室内人数估算模型对当前的室内人数进行判断，获得判断结果，所述室内人数估算模型是基于接入指定网络的用户设备的数量和接入所述指定网络的智能家居设备产生的网络流量，经训练后获得的；
根据所述判断结果确定所述当前室内人数为单人或者无人时，启动预警监控模式，并对目标用户的个体行为进行识别，获得识别结果；
根据所述识别结果确定所述个体行为属于异常行为时，将异常提醒发送至指定的监护端设备。
12.一种通信装置，其特征在于，包括一个或多个处理器；以及一个或多个计算机可读介质，所述可读介质上存储有指令，所述指令被所述一个或多个处理器执行时，使得所述装置执行如权利要求1至5中任一项所述的方法。
CN201910001411.5A 2019-01-02 2019-01-02 一种基于网络流量的监控预警方法及装置 Active CN111405604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910001411.5A CN111405604B (zh) 2019-01-02 2019-01-02 一种基于网络流量的监控预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910001411.5A CN111405604B (zh) 2019-01-02 2019-01-02 一种基于网络流量的监控预警方法及装置

Publications (2)

Publication Number Publication Date
CN111405604A CN111405604A (zh) 2020-07-10
CN111405604B true CN111405604B (zh) 2023-05-09

Family

ID=71430171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910001411.5A Active CN111405604B (zh) 2019-01-02 2019-01-02 一种基于网络流量的监控预警方法及装置

Country Status (1)

Country Link
CN (1) CN111405604B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073393B (zh) * 2020-08-27 2021-03-19 上海品付信息科技股份有限公司 基于云计算和用户行为分析的流量检测方法
CN112672115A (zh) * 2020-12-22 2021-04-16 珠海格力电器股份有限公司 监控设备控制方法、装置、监控设备及存储介质
CN114857746A (zh) * 2022-03-11 2022-08-05 青岛海尔空调器有限总公司 空调器控制方法、装置、电子设备及空调器
CN114857750A (zh) * 2022-03-11 2022-08-05 青岛海尔空调器有限总公司 空调器控制方法、装置、电子设备及空调器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106610090B (zh) * 2016-12-06 2019-08-30 广东美的制冷设备有限公司 温度调节方法、装置以及系统
CN106777954B (zh) * 2016-12-09 2019-08-23 电子科技大学 一种空巢老人健康的智能监护系统及方法
CN106597946B (zh) * 2016-12-23 2018-11-30 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
US10129269B1 (en) * 2017-05-15 2018-11-13 Forcepoint, LLC Managing blockchain access to user profile information
CN108416980A (zh) * 2018-05-10 2018-08-17 广州爱关怀信息科技有限公司 基于智能判断行为数据的异常监控报警系统及方法

Also Published As

Publication number Publication date
CN111405604A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111405604B (zh) 一种基于网络流量的监控预警方法及装置
US11398145B2 (en) Thoughtful elderly monitoring in a smart home environment
US20220028237A1 (en) Digital fingerprint tracking
US20210350279A1 (en) Situation forecast mechanisms for internet of things integration platform
US9933177B2 (en) Enhanced automated environmental control system scheduling using a preference function
CN105103628B (zh) 用于追踪装置的方法、设备以及追踪装置
US9772116B2 (en) Enhanced automated control scheduling
US9869484B2 (en) Predictively controlling an environmental control system
EP3469496B1 (en) Situation forecast mechanisms for internet of things integration platform
US9888082B2 (en) System and method of controlling data transmission of external apparatus connected to gateway
CN106663362B (zh) 在移动设备为用户提供电池电量通知的方法及其移动设备
US10755730B1 (en) System and method for beep detection and interpretation
US20160201933A1 (en) Predictively controlling an environmental control system
US10553096B2 (en) Health application for residential electrical switch sensor device platform
CN107798803B (zh) 一种社区维修人员智能监控方法和系统
Shingala et al. Automatic home appliances and security of smart home with RFID, SMS, Email and real time algorithm based on IOT
CN107409241A (zh) 用于聚合和分析系统状态的系统和方法
JP6152853B2 (ja) 制御方法及びプログラム
CA3104823C (en) Network activity validation
Hoelzl et al. On the utilization of smart gadgets for energy aware sensitive behavior
JP2005018166A (ja) 生活情報管理システムおよび方法ならびにデータタグ装置
WO2016073312A1 (en) Enhanced automated control scheduling
Hansen et al. A home energy management system with focus on energy optimization
US20230351878A1 (en) Management of alerts based on user activity
CN116401643A (zh) 异常行为处理方法、存储介质及电子装置

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