CN111736481B - 基于用户行为特征的模型训练、智能家居控制方法及装置 - Google Patents

Abstract

本发明公开了一种基于用户行为特征的模型训练、智能家居控制方法及装置，该模型训练方法包括：在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。通过实施本发明，解决了现有技术中存在的控制方法相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的行驶轨迹，精准、及时地判断用户的意图，并预先为用户触发操作。场景触发模型可以根据用户的触发功能需求进行自学习，用户可以自定义触发条件并进行训练。

Description

基于用户行为特征的模型训练、智能家居控制方法及装置

技术领域

本发明涉及通信领域，具体涉及一种基于用户行为特征的模型训练、智能家居控制方法及装置。

背景技术

在智能家居场景应用中，触发条件都是根据时间设置或人为操作来实现，这种触发方式比较固定，比如，用户设置了某个时间进入回家场景，但是如果用户提前回家，就不会触发控制家居设备开启。因此，这种模式相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的控制方法相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的缺陷，从而提供一种基于用户行为特征的模型训练、智能家居控制方法及装置。

根据第一方面，本发明实施例提供了一种基于用户行为特征的模型训练方法，包括：多次获取用户在预设区域内的移动轨迹训练信息，以及所述用户在移动后的操作训练信息；根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练，生成场景触发模型。

结合第一方面，在第一方面第一实施方式中，根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练的步骤，具体包括：根据多次获取的所述移动轨迹训练信息，确定所述移动轨迹训练信息对应的起始训练位置以及目标训练位置；根据多次获取的移动轨迹训练信息对应的起始训练位置与目标训练位置及所述操作训练信息，对预设模型进行训练。

结合第一方面，在第一方面第二实施方式中，在生成场景触发模型的步骤之后，该方法还包括：获取所述用户在预设区域内的移动轨迹测试信息；根据所述移动轨迹测试信息及场景触发模型生成所述用户的操作测试信息；当所述操作测试信息与所述用户在移动后的操作训练信息一致时，判定所述场景触发模型构建成功。

结合第一方面，在第一方面第三实施方式中，该方法还包括：在多次获取用户在预设区域内的移动轨迹训练信息的步骤之前，还包括：获取用户输入的训练指令。

结合第一方面，在第一方面第四实施方式中，该方法还包括：当所述操作测试信息与所述用户在移动后的操作训练信息不一致时，判定所述场景触发模型构建失败，继续执行多次获取用户在预设区域内的移动轨迹训练信息，以及所述用户在移动后的操作训练信息的步骤。

根据第二方面，本发明实施例提供了一种基于用户行为特征的智能家居控制方法，包括：获取用户在预设区域内的实际移动轨迹信息；根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；根据所述实际操作指令控制智能家居。

结合第二方面，在第二方面第一实施方式中，所述根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令，具体包括：根据所述实际移动轨迹信息，在通过第一方面或第一方面任一实施方式所述的基于用户行为特征的模型训练方法形成的场景触发模型库中，匹配对应的场景触发模型，生成移动轨迹比对结果；当所述移动轨迹比对结果超过预设阈值时，根据对应的场景触发模型，分析生成实际操作指令。

结合第二方面，在第二方面第二实施方式中，所述获取用户在预设区域内的实际移动轨迹信息，具体包括：通过红外线阵列传感器获取所述用户在预设区域的移动位置点信息；根据所述用户在预设区域的移动位置点信息，确定所述用户在预设区域内的实际移动轨迹信息。

根据第三方面，本发明实施例提供了一种基于用户行为特征的模型训练装置，包括：训练信息获取模块，用于多次获取用户在预设区域内的移动轨迹训练信息，以及所述用户在移动后的操作训练信息；场景触发模型生成模块，用于根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练，生成场景触发模型。

根据第四方面，本发明实施例提供了一种基于用户行为特征的智能家居控制装置，包括：实际移动轨迹信息获取模块，用于获取用户在预设区域内的实际移动轨迹信息；实际操作指令生成模块，用于根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；控制模块，用于根据所述实际操作指令控制智能家居。

根据第五方面，本发明实施例提供了一种计算机设备，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执行如第一方面或第一方面任一实施方式所述的基于用户行为特征的模型训练方法或者如第二方面或第二方面任一实施方式所述的基于用户行为特征的智能家居控制方法的步骤。

根据第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述的基于用户行为特征的模型训练方法或者如第二方面或第二方面任一实施方式所述的基于用户行为特征的智能家居控制方法的步骤。

本发明技术方案，具有如下优点：

1.本发明提供的一种基于用户行为特征的模型训练方法及装置，其中，该方法包括：在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。通过实施本发明，解决了现有技术中存在的控制方法相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的行驶轨迹，精准、及时地判断用户的意图，并预先为用户触发操作。场景触发模型可以根据用户的触发功能需求进行自学习，用户可以自定义触发条件并进行训练。

2.本发明提供的一种基于用户行为特征的智能家居控制方法及装置，其中，该方法包括：在智能家居应用场景中，获取用户在预设区域内的实际移动轨迹信息；根据实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；根据实际操作指令控制智能家居。通过实施本发明，解决了现有技术中存在相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的移动轨迹，及时且高效的判断用户想要触发的场景控制指令，且避免用户图像被采集，保护用户隐私信息。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于用户行为特征的模型训练方法的一个具体示例的流程图；

图2为本发明实施例中基于用户行为特征的智能家居控制方法的用户行驶轨迹的示意图；

图3为本发明实施例中基于用户行为特征的智能家居控制方法的一个具体示例的流程图；

图4为本发明实施例中基于用户行为特征的智能家居控制方法的示意图；

图5为本发明实施例中基于用户行为特征的模型训练装置的一个具体示例的原理框图；

图6为本发明实施例中基于用户行为特征的智能家居控制装置的一个具体示例的原理框图；

图7为本发明实施例中计算机设备的一个具体示例图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

在本发明的描述中，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

在智能家居控制领域中，存在着较为固定的触发方式，例如，时间条件或者是人为操作。此种触发方式无法满足用户在实际生活场景中的智能家居控制的需求。为了解决这一问题，也为了解决现有的相关智能家居控制技术中通过摄像头采集用户的图像来判断是否触发智能家居设备，导致的侵犯用户隐私信息的问题，本发明实施例提供了一种基于用户行为特征的模型训练方法及装置，以及一种基于用户行为特征的智能家居控制方法及装置。

如图1所示，该基于用户行为特征的模型训练方法，包括：

步骤S11：多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；在本实施例中，预设区域可以是用户能够移动到的任意范围，可以是用户家庭区域内，也可以是用户办公室区域内，还可以需要使用智能家居设备的任意场所区域内。移动轨迹训练信息可以是训练样本信息，具体地，可以是用户多次移动的轨迹训练信息，例如，用户从卧室移动至卫生间的移动轨迹信息。用户在移动后的操作训练信息，可以是用户在完成移动后，移动轨迹信息到达预设目的地后，用户对家居设备、电器设备进行的操作信息，也就是操作指令信息。例如，在用户从卧室移动至卫生间后，打开了卫生间的照明灯，此时，用户从卧室移动至卫生间的轨迹信息即为用户在预设区域内的移动轨迹训练信息，打开卫生间的照明灯即为用户移动后的操作训练信息。

步骤S12：根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。在本实施例中，预设模型可以是能够进行自学习的神经网络模型，根据多次获取到的移动轨迹训练信息以及操作训练信息，对预设的空白模型进行训练，可以生成场景触发模型，也就是说，对于预设模型来说，输入的训练信息是用户的移动轨迹信息，输出的训练信息为用户在移动完成后的相应的操作指令信息，具体地，获取移动轨迹训练信息以及操作训练信息的次数可以根据用户的实际使用需求确定，平衡用户的训练方便性以及模型触发的准确性，用户在预设区域内的移动轨迹训练信息可以是如图2所示，获取5次用户的移动轨迹训练信息以及相应的操作训练信息，对空白模型进行训练，使得生成的场景触发模型可以在接收到用户的相似的实际移动轨迹信息时，自动为用户执行相应指令。

本发明实施例提供的基于用户行为特征的模型训练方法，包括，在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。通过实施本发明，解决了现有技术中存在的控制方法相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的行驶轨迹，精准、及时地判断用户的意图，并预先为用户触发操作。场景触发模型可以根据用户的触发功能需求进行自学习，用户可以自定义触发条件并进行训练。

作为本发明一个可选的实施方式，根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练的步骤，具体包括：

首先，根据多次获取的移动轨迹训练信息，确定移动轨迹训练信息对应的起始训练位置以及目标训练位置；在本实施例中，起始训练位置是用户在启动训练模式之后，进行训练的初始位置；目标训练位置是用户在进行移动后的目的地位置；具体地，根据用户的移动轨迹训练信息，即可确定用户的初始位置以及目的地位置，即可以确定用户的起始训练位置以及目标训练位置。

其次，根据多次获取的移动轨迹训练信息对应的起始训练位置与目标训练位置及操作训练信息，对预设模型进行训练。在本实施例中，根据多次获取的用户起始位置以及目标位置，以及在用户移动至目标位位置后的操作信息，对预设模式进行训练，使得生成的场景触发模型可以在检测到用户的移动轨迹信息之后，自动触发操作。

作为本发明一个可选的实施方式，在生成场景触发模型的步骤之后，该基于用户行为特征的模型训练方法，还包括：

首先，获取用户在预设区域内的移动轨迹测试信息；根据移动轨迹测试信息及场景触发模型生成用户的操作测试信息；在本实施例中，在用户启动训练模式生成场景触发模型之后，开始测试所述场景触发模型。用户开始随机移动，此时，可以获取到用户的移动轨迹测试信息。例如，用户的移动轨迹测试信息是从卧室按训练路径移动至卫生间。

示例性地，当获取到的用户的移动轨迹测试信息之后，场景触发模型根据所述移动轨迹测试信息生成相应的操作信息，例如，可以是卫生间的照明灯打开，或者是厨房的照明灯打开，又或者是卫生间的照明灯关闭等操作信息，可以是根据场景触发模型当时的训练学习结果，直接输出的操作信息。

当操作测试信息与用户在移动后的操作训练信息一致时，判定场景触发模型构建成功。在本实施例中，如果获取到的用户的移动轨迹测试信息是从卧室按训练路径移动至卫生间时，此时，我们期望的训练输出结果是卫生间的照明灯打开。如果此时操作测试信息是卫生间的照明灯打开，与用户在移动后的操作训练一致时，认为此时的场景触发模型训练成功，也就是根据用户的训练质量，成功生成了场景触发模型。

示例性地，在成功构建场景触发模型之后，还可以根据用户的移动轨迹信息以及移动后的操作信息，也就是用户的实际使用场景，为此场景触发模型进行命令，例如，将“用户的移动轨迹测试信息是从卧室移动至卫生间时，此时，输出结果是卫生间的照明灯打开”的场景触发模型，命名为“起夜”场景触发模型，具体地，在可以在移动终端的智能家居控制软件上，启动训练模式以及对场景触发模型进行命名以及修改名称的操作。

当操作测试信息与用户在移动后的操作训练信息不一致时，判定场景触发模型构建失败，继续执行多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息的步骤。在本实施例中，当场景触发模型根据获取到用户的移动轨迹测试信息，输出的操作测试信息，与预设操作信息不同时，也就是不同于操作训练信息，此时，确定场景触发模型构建失败，此时，可以根据用户的需求，重新进入训练模式，重新获取多次用户的移动轨迹测试信息，重新训练场景触发模型，直至场景触发模型构建成功。

作为本发明一个可选的实施方式，在多次获取用户在预设区域内的移动轨迹训练信息的步骤之前，还包括：获取用户输入的训练指令。

示例性地，在移动终端上的智能家居控制软件中，用户可以通过点击相应按键，从而进行相应的场景触发模型训练过程。在接收到用户的训练指令之后，开始多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息。

本发明实施例还提供了一种基于用户行为特征的智能家居控制方法，如图3所示，包括：

步骤S21：获取用户在预设区域内的实际移动轨迹信息；在本实施例中，预设区域可以是用户的实际活动区域，例如，用户的家庭区域、办公场所等；实际移动轨迹信息可以是用户想要触发构建成功的场景触发模型而移动生成的移动轨迹信息。具体地，在用户的家庭区域之内，在安装智能家居控制单元以及对场景触发模型进行训练之后，当捕捉到用户实际的移动轨迹之后，便可以根据已经存储的场景触发模型，执行相应的操作指令。

步骤S22：根据实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；在本实施例中，根据预设的场景触发模型，也就是根据预先存储的场景触发模型，生成实际操作指令。示例性地，预先存储有训练好的“起夜”场景触发模型，根据捕捉到的用户的实际移动轨迹，例如，从卧室移动到卫生间的移动轨迹信息，根据“起夜”场景触发模型，自动生成“卫生间的照明灯打开”的操作指令。

步骤S23：根据实际操作指令控制智能家居。在本实施例中，根据场景触发模型生成的实际操作指令，控制相应的智能家居设备，例如，卫生间的照明灯亮起。

作为本发明一个可选的实施方式，步骤S22，根据实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令，具体包括：

首先，根据实际移动轨迹信息，在通过上述任意实施例所述的基于用户行为特征的模型训练方法形成的场景触发模型库中，匹配对应的场景触发模型，生成移动轨迹比对结果；在本实施例中，通过上述任意实施例所述的基于用户行为特征的模型训练方法，可以形成多种场景触发模型，根据多个场景触发模型，生成场景触发模型库。根据铺捉到的用户的实际移动轨迹信息，在场景触发模型库中匹配相应的场景触发模型，比对实际移动轨迹与模型中存储的用户的移动轨迹训练信息，生成移动轨迹的比对结果。

其次，当移动轨迹比对结果超过预设阈值时，根据对应的场景触发模型，分析生成实际操作指令。在本实施例中，当根据实际移动轨迹信息，与场景触发模型库中的多个不同的场景触发模型进行比对，生成多个比对结果。当比对结果的值最高的大于预设阈值时，例如，匹配到“起夜”场景触发模型的比对结果的值最高，最高值为95％，预设阈值为90％，此时，即可认为此时的用户的实际移动轨迹信息为用户的“起夜”模型中的移动轨迹，生成的实际操作指令为“卫生间的照明灯打开”。

作为本发明一个可选的实施方式，步骤S21,获取用户在预设区域内的实际移动轨迹信息，具体包括：

通过红外线阵列传感器获取用户在预设区域的移动位置点信息；根据用户在预设区域的移动位置点信息，确定用户在预设区域内的实际移动轨迹信息。在本实施例中，红外线阵列传感器获取到的用户轨迹实际上是多个移动位置的点，通过用户从预设出发地移动到预设目的地的多个点，形成用户的移动轨迹。

示例性地，如图4所示，以下结合一具体实施例，详细描述本发明涉及到的方法及对应的装置，该元件可以安装于智能灯中，其中包括电源单元、智能灯控制单元、计算单元以及红外线阵列传感器。电源为各单元供电，红外线阵列传感器在接收到用户的训练指令之后，开始采集用户的移动轨迹信息，通过计算单元训练生成场景触发模型，根据场景触发模型生成的操作指令，通过智能灯控制单元控制智能家居设备，例如，卫生间的照明灯。结合该装置，可以非常方便且快速地应用家庭中，使用红外阵列传感器与家庭吸顶智能灯相结合，解决了安装位置及电源问题，对装修没有特殊要求，方便家庭的后期装修或者是智能家居设备位置的更改。计算单元根据红外线阵列传感器采集的训练数据，可以建立用户运动轨迹模型，当用户从阵列传感器下走动时，即使和训练数据不能完全一样，也可以根据相似性输出判断结果，且采集像素比较小，只能采集用户运动痕迹，但是无法成像，由此保护用户的隐私信息。

本发明实施例还提供了一种基于用户行为特征的模型训练装置，如图5所示，该装置包括：

训练信息获取模块31，用于多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；详细实施内容可参见上述方法实施例中步骤S11的相关描述。

场景触发模型生成模块32，用于根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。详细实施内容可参见上述方法实施例中步骤S12的相关描述。

本发明提供的一种基于用户行为特征的模型训练装置，包括：在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成场景触发模型。通过实施本发明，解决了现有技术中存在的控制方法相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的行驶轨迹，精准、及时地判断用户的意图，并预先为用户触发操作。场景触发模型可以根据用户的触发功能需求进行自学习，用户可以自定义触发条件并进行训练。

本发明实施例还提供了一种基于用户行为特征的智能家居控制装置，如图6所示，该装置包括：

实际移动轨迹信息获取模块41，用于获取用户在预设区域内的实际移动轨迹信息；详细实施内容可参见上述方法实施例中步骤S21的相关描述。

实际操作指令生成模块42，用于根据实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；详细实施内容可参见上述方法实施例中步骤S22的相关描述。

控制模块43，用于根据实际操作指令控制智能家居。详细实施内容可参见上述方法实施例中步骤S23的相关描述。

本发明提供的一种基于用户行为特征的智能家居控制装置，包括：在智能家居应用场景中，通过实际移动轨迹信息获取模块，获取用户在预设区域内的实际移动轨迹信息；通过实际操作指令生成模块，根据实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令；通过控制模块，根据实际操作指令控制智能家居。通过实施本发明，解决了现有技术中存在相对于人生活的变动条件来说，不能及时进行调整，无法满足用户智能控制家居设备的需求，影响用户的体验的问题，可以根据用户的移动轨迹，及时且高效的判断用户想要触发的场景控制指令，且避免用户图像被采集，保护用户隐私信息。

可选地，本发明实施例还提供了一种计算机设备，如图7所示，该计算机设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图7中以通过总线连接为例。

处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于用户行为特征的智能家居控制方法对应的程序指令/模块(例如，图3所示的训练信息获取模块31、场景触发模型生成模块32以及图4所示的实际移动轨迹信息获取模块41、实际操作指令生成模块42、控制模块43)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于用户行为特征的模型训练方法以及基于用户行为特征的智能家居控制方法。

存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器52中，当被处理器51执行时，执行如图1所示实施例中的基于用户行为特征的模型训练方法以及如图2所示实施例中的基于用户行为特征的智能家居控制方法。

上述计算机设备具体细节可以对应参阅图1及图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

可选地，本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的基于用户行为特征的模型训练方法以及基于用户行为特征的智能家居控制方法，其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于用户行为特征的模型训练方法，其特征在于，包括：

多次获取用户在预设区域内的移动轨迹训练信息，以及所述用户在移动后的操作训练信息；

根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练，生成场景触发模型，获取所述用户在预设区域内的移动轨迹测试信息；根据所述移动轨迹测试信息及场景触发模型生成所述用户的操作测试信息，其中，所述根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练，包括：根据多次获取的所述移动轨迹训练信息，确定所述移动轨迹训练信息对应的起始训练位置以及目标训练位置；根据多次获取的移动轨迹训练信息对应的起始训练位置与目标训练位置及所述操作训练信息，对预设模型进行训练，其中，所述起始训练位置是用户在启动训练模式之后，进行训练的初始位置；所述目标训练位置是用户在进行移动后的目的地位置；当所述操作测试信息与所述用户在移动后的操作训练信息一致时，判定所述场景触发模型构建成功。

2.一种基于用户行为特征的智能家居控制方法，其特征在于，包括：

获取用户在预设区域内的实际移动轨迹信息；

根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令，其中，在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成所述场景触发模型，所述根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练的步骤，具体包括：根据多次获取的移动轨迹训练信息，确定移动轨迹训练信息对应的起始训练位置以及目标训练位置；其中，起始训练位置是用户在启动训练模式之后，进行训练的初始位置；目标训练位置是用户在进行移动后的目的地位置；

根据所述实际操作指令控制智能家居。

3.根据权利要求2所述的方法，其特征在于，根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令，具体包括：

根据所述实际移动轨迹信息，在通过权利要求1所述的基于用户行为特征的模型训练方法形成的场景触发模型库中，匹配对应的场景触发模型，生成移动轨迹比对结果；

当所述移动轨迹比对结果超过预设阈值时，根据对应的场景触发模型，分析生成实际操作指令。

4.根据权利要求2所述的方法，其特征在于，所述获取用户在预设区域内的实际移动轨迹信息，具体包括：

通过红外线阵列传感器获取所述用户在预设区域的移动位置点信息；

根据所述用户在预设区域的移动位置点信息，确定所述用户在预设区域内的实际移动轨迹信息。

5.一种基于用户行为特征的模型训练装置，其特征在于，包括：

训练信息获取模块，用于多次获取用户在预设区域内的移动轨迹训练信息，以及所述用户在移动后的操作训练信息；

场景触发模型生成模块，用于根据多次获取的所述移动轨迹训练信息以及所述操作训练信息对预设模型进行训练，生成场景触发模型，获取所述用户在预设区域内的移动轨迹测试信息；根据所述移动轨迹测试信息及场景触发模型生成所述用户的操作测试信息，其中，场景触发模型生成模块，包括：根据多次获取的所述移动轨迹训练信息，确定所述移动轨迹训练信息对应的起始训练位置以及目标训练位置；根据多次获取的移动轨迹训练信息对应的起始训练位置与目标训练位置及所述操作训练信息，对预设模型进行训练，其中，所述起始训练位置是用户在启动训练模式之后，进行训练的初始位置；所述目标训练位置是用户在进行移动后的目的地位置；当所述操作测试信息与所述用户在移动后的操作训练信息一致时，判定所述场景触发模型构建成功。

6.一种基于用户行为特征的智能家居控制装置，其特征在于，包括：

实际移动轨迹信息获取模块，用于获取用户在预设区域内的实际移动轨迹信息；

实际操作指令生成模块，用于根据所述实际移动轨迹信息及预设的场景触发模型，分析生成实际操作指令，其中，在用户启动训练模式之后，多次获取用户在预设区域内的移动轨迹训练信息，以及用户在移动后的操作训练信息；根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练，生成所述场景触发模型，所述根据多次获取的移动轨迹训练信息以及操作训练信息对预设模型进行训练的步骤，具体包括：根据多次获取的移动轨迹训练信息，确定移动轨迹训练信息对应的起始训练位置以及目标训练位置；其中，起始训练位置是用户在启动训练模式之后，进行训练的初始位置；目标训练位置是用户在进行移动后的目的地位置；

控制模块，用于根据所述实际操作指令控制智能家居。

7.一种计算机设备，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执行如权利要求1所述的基于用户行为特征的模型训练方法或者如权利要求2-4中任一项所述的基于用户行为特征的智能家居控制方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述的基于用户行为特征的模型训练方法或者如权利要求2-4中任一项所述的基于用户行为特征的智能家居控制方法的步骤。

Images