CN112213976B - 一种基于大数据的智能家居加湿控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的智能家居加湿控制方法及系统，涉及智能家居领域，基于大数据的智能家居加湿控制方法包括：基于历史操作记录构建的操作向量合集中提取出多个操作向量，再从由多个操作向量中确定的序列集合中确定用于表征用户已经形成的操作习惯的标识操作元素，再从序列集合确定用于表征用户当前正在改变的操作习惯的预备标识操作元素，通过标识操作元素和预备标识操作元素训练得到的操作分类模型，能够随着用户操作习惯的每次改变而进行自我优化，输出更加符合用户真实操作习惯的加湿器的执行结果指令，实现了针对不同用户定制化的基于大数据的智能家居加湿控制方案。

Description

一种基于大数据的智能家居加湿控制方法及系统

技术领域

本发明涉及大数据与智能家居技术领域，具体而言，涉及一种基于大数据的智能家居加湿控制方法及系统。

背景技术

随着人们的生活水平的提高，智能家居也越来越多的进入人们的生活，相较于空调、电视等传统家居，加湿器更多的是作为一种提高生活品质的家居。在实际生活中，需要使用加湿器的用户一般对生活品质有一定的要求，更需要个性化功能定制（加湿器使用时间、剂量、添加物等）。然而在现有技术中，加湿器一般只能按照厂家设置的档位去进行调整，或者有简单的记忆模式实现执行前次操作的功能，这使得加湿器的使用并不够智能，无法针对每个不同的用户进行个性化的配置。

有鉴于此，如何提供一种能够满足不同用户个性化体验的基于大数据的智能家居加湿控制方案，是本领域技术人员需要解决的。

发明内容

本发明提供一种基于大数据的智能家居加湿控制方法及系统。

第一方面，本发明实施例提供一种基于大数据的智能家居加湿控制方法，应用于与加湿器通信连接的计算机设备，方法包括：

针对历史操作记录中的每个历史操作，将历史操作的特征按照所涉及的类型进行向量化，以获得历史操作的操作向量集合；

在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量，其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素；

在多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合；

对信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征历史操作记录的共性的标识操作元素；

确定多个非标识操作元素，其中，非标识操作元素是出现次数不超过预设次数阈值的操作向量中所包含的操作元素；

在多个非标识操作元素中，根据非标识操作元素之间的相关度，选取部分非标识操作元素以作为预备标识操作元素；

基于历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型，并基于操作分类模型获得表征待执行操作的执行结果指令；

将执行结果指令发送至加湿器，以使加湿器根据执行结果指令执行相应动作。

可选地，将历史操作的特征按照所涉及的类型进行向量化，以获得历史操作的操作向量集合的步骤，包括：

在历史操作的操作数据中，提取操作类型和操作顺序的数据，并基于所提取的数据构建多个操作习惯；

根据每个操作习惯的特征值，从相应类型的操作序列表查找特征值的序列号；

将对应每个操作习惯的特征值所查找到的序列号进行组合，以获得历史操作的操作向量集合。

可选地，对信任操作向量集合中的操作元素进行分类处理的步骤，包括：

从信任操作向量集合中提取多个操作元素；

将多个操作元素中的单一变量进行基础转换；

将多个操作元素中的多变量进行组合；

在多个操作元素中添加时间维度以进行分类；

根据决策树的路径，将多个操作元素进行组合。

可选地，根据决策树的路径，将多个操作元素进行组合的步骤，包括：

获取操作元素配置集，其中，操作元素配置集包括多个操作元素，对应多个操作元素的组合标识名称，以及用于指示需要获取决策树的路径的决策标识；

根据接收的操作元素配置集以及本地操作元素配置集从多个操作元素中确定出需要进行组合的数据指标；

保存数据指标的更新指标，根据数据指标在接收的操作元素配置集中对应的组合标识名称执行组合；

根据决策标识提取保存的数据指标的更新指标，并获取对数据指标执行的组合标识名称的更新操作；

根据数据指标的更新指标以及对数据指标执行的组合标识名称的更新操作构造决策树的路径，其中，决策树的路径包括组合过程中对数据指标执行的组合标识名称的更新操作和数据指标的更新指标；

删除保存的数据指标的更新指标和数据指标在操作元素配置集中对应的组合标识名称的更新操作；

根据对数据指标执行的组合标识名称的更新操作和数据指标的更新指标对多个操作元素进行组合。

可选地，操作分类模型包括多个初始操作分类模型；

基于历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型的步骤，包括：

将历史操作记录中每个历史操作的标识操作元素、预备标识操作元素和样本操作标签构成训练样本；

基于构造的多个训练样本，训练多个初始操作分类模型；

将训练完成的多个初始操作分类模型通过集合策略进行整合，以获得操作分类模型。

可选地，操作分类模型包括多个初始操作分类模型；

基于操作分类模型获得表征待执行操作的执行结果指令的步骤，包括：

获取待执行操作的操作数据；

从待执行操作的操作数据中提取待执行操作的特征；

通过多个初始操作分类模型，分别基于待执行操作的特征进行分类处理，以获得每个初始操作分类模型的分类结果；

将多个分类结果通过集合策略进行整合，以获得表征待执行操作的执行结果指令。

可选地，集合策略包括第一集合策略和第二集合策略，第一集合策略用于以第一优先级处理已验证的分类结果，第二集合策略用于以第二优先级处理已验证的分类结果，第一优先级是指上传验证通过的分类结果时获取到的操作置信度的大小，第二优先级是根据接收验证通过的分类结果的产生时间；

将多个分类结果通过集合策略进行整合，以获得表征待执行操作的执行结果指令的步骤，包括：

获取多个分类结果，并对多个分类结果进行验证；

获取验证通过的分类结果的属性信息，确定将验证通过的分类结果上传到计算机设备时获取的操作置信度，并确定计算机设备接收到验证通过的分类结果的产生时间；

根据操作置信度确定验证通过的分类结果在第一集合策略中的第一优先级；以及，

根据操作置信度和产生时间确定验证通过的分类结果在第二集合策略中的第二优先级；

根据验证通过的分类结果的第一优先级和第二优先级，将验证通过的分类结果添加到第一集合策略以及第二集合策略中，其中，验证通过的分类结果被添加到第一集合策略和第二集合策略中，第一集合策略是根据与验证通过的分类结果相关的操作置信度进行排序的，在第一集合策略中，操作置信度越大的分类结果被优先处理；

响应于将验证通过的分类结果上传到计算机设备的触发事件，确定用于从第一集合策略和第二集合策略中获取已验证的分类结果的选取策略；

获取待上传到计算机设备中的分类结果总量；

按照分类结果总量及第一选取比例确定第一数量，并按照分类结果总量及第二选取比例确定第二数量；

从第一集合策略中按照第一优先级由高至低的顺序获取第一数量的分类结果作为第一分类结果；

从第二集合策略中按照第二优先级由高至低的顺序获取第二数量的分类结果作为第二分类结果，其中，选取策略包括第一集合策略对应的第一选取比例和第二集合策略对应的第二选取比例；

根据第一分类结果和第二分类结果确定目标分类结果，第一集合策略处理的分类结果以第一优先级由高至低的顺序降序排列，其中，第二集合策略处理的分类结果以第二优先级由高至低的顺序降序排列；

从第一分类结果中确定重复分类结果，重复分类结果为从第一集合策略中获取的，且从第二集合策略中获取的分类结果；

删除从第一集合策略获取的重复分类结果，或者删除从第二集合策略获取的重复分类结果，其中，第一分类结果和第二分类结果的数量分别为多个；

生成待执行操作的执行结果指令，待执行操作的执行结果指令包括目标分类结果。

第二方面，本发明实施例提供一种基于大数据的智能家居加湿控制系统，应用于与加湿器通信连接的计算机设备，系统包括：

处理模块，用于针对历史操作记录中的每个历史操作，将历史操作的特征按照所涉及的类型进行向量化，以获得历史操作的操作向量集合；在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量，其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素；

选取模块，用于在多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合；对信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征历史操作记录的共性的标识操作元素；确定多个非标识操作元素，其中，非标识操作元素是出现次数不超过预设次数阈值的操作向量中所包含的操作元素；在多个非标识操作元素中，根据非标识操作元素之间的相关度，选取部分非标识操作元素以作为预备标识操作元素；

训练模块，用于基于历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型，并基于操作分类模型获得表征待执行操作的执行结果指令；

执行模块，用于将执行结果指令发送至加湿器，以使加湿器根据执行结果指令执行相应动作。

可选地，处理模块具体用于：

在历史操作的操作数据中，提取操作类型和操作顺序的数据，并基于所提取的数据构建多个操作习惯；根据每个操作习惯的特征值，从相应类型的操作序列表查找特征值的序列号；将对应每个操作习惯的特征值所查找到的序列号进行组合，以获得历史操作的操作向量集合。

可选地，选取模块具体用于：

从信任操作向量集合中提取多个操作元素；

将多个操作元素中的单一变量进行基础转换；将多个操作元素中的多变量进行组合；在多个操作元素中添加时间维度以进行分类；根据决策树的路径，将多个操作元素进行组合。

相比现有技术，本发明提供的有益效果包括：本发明公开了一种基于大数据的智能家居加湿控制方法及系统，通过基于历史操作记录构建的操作向量合集中提取出多个操作向量，再从由多个操作向量中确定的序列集合中确定用于表征用户已经形成的操作习惯的标识操作元素，再从序列集合确定用于表征用户当前正在改变的操作习惯的预备标识操作元素，通过标识操作元素和预备标识操作元素训练得到的操作分类模型，能够随着用户操作习惯的每次改变而进行自我优化，输出更加符合用户真实操作习惯的加湿器的执行结果指令，实现了针对不同用户定制化的基于大数据的智能家居加湿控制方案。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。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相关的附图。

图1为本发明实施例提供的基于大数据的智能家居加湿控制系统的交互示意图；

图2为本发明实施例提供的基于大数据的智能家居加湿控制方法的步骤流程示意图；

图3为本发明实施例提供的基于大数据的智能家居加湿控制系统的结构示意框图；

图4为本发明实施例提供的计算机设备的结构示意框图。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”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；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图，对本发明的具体实施方式进行详细说明。

图1是本公开一种实施例提供的基于大数据的智能家居加湿控制系统的交互示意图。基于大数据的智能家居加湿控制系统可以包括计算机设备100以及与计算机设备100通信连接的加湿器200。图1所示的基于大数据的智能家居加湿控制系统仅为一种可行的示例，在其它可行的实施例中，该基于大数据的智能家居加湿控制系统也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，基于大数据的智能家居加湿控制系统中的计算机设备100和加湿器200可以通过配合执行以下方法实施例所描述的基于大数据的智能家居加湿控制方法，具体计算机设备100和加湿器200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于大数据的智能家居加湿控制方法的流程示意图，本实施例提供的基于大数据的智能家居加湿控制方法可以由图1中所示的计算机设备100执行，下面对该基于大数据的智能家居加湿控制方法进行详细介绍。

步骤201，针对历史操作记录中的每个历史操作，将历史操作的特征按照所涉及的类型进行向量化，以获得历史操作的操作向量集合。

历史操作记录可以是用户从初次使用该加湿器200开始记录得到的，也可以是由用户将预先得到的历史操作记录导入计算机设备100中，而历史操作可以包括每次对加湿器200的操作，例如，开启的时间、关闭的时间、加湿的档位，当前空气干燥程度变化趋势，当前加湿器200中添加物种类（香薰）等等，而将所有历史操作的特征涉及的上述类型进行向量化，能够方便后续的计算。

步骤202，在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量。

其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素。

每次历史操作可以包括多个具体的操作，包括该次历史操作由加湿器200开始到结束的全部过程存在的具体操作，例如，某个历史操作可以包括打开加湿器200，调整加湿器200档位，添加香薰并记录类别，检测当前空气干燥程度，再次调整加湿器200档位，实时监控当前加湿器200，关闭加湿器200，上述操作都可以在向量化后作为向量集合的操作元素。应当理解的是，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素以此来实现对用户的个性化使用进行精确地确定。

步骤203，在多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合。

在由来自不同的历史操作的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，即在由多个来自不同历史操作的操作元素组合成的操作向量中，由于用户的使用习惯在一段时间内应该是固定的，因此能够从中选取出现次数超过预设次数阈值的操作向量作为信任操作向量集合，在本发明实施例中，预设次数阈值可以是存在一定数量的历史操作之后确定的。

步骤204，对信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征历史操作记录的共性的标识操作元素。

可以对采集的信任操作向量集合中的操作元素进行分类处理，即将涉及打开加湿器200的操作分为一类，调整加湿器200档位的操作分为一类等，以便在分类后能够清楚的表征历史操作记录的共性的标识操作元素。

步骤205，确定多个非标识操作元素。

其中，非标识操作元素是出现次数不超过预设次数阈值的操作向量中所包含的操作元素。

除了符合用户习惯会被用户经常执行的操作，在本发明实施例中，也可以存在用户并不经常执行的操作，例如，用户在某几天突然会在特定的时间使用加湿器200，该操作对应的操作元素的出现次数并没有到达预设次数阈值，可以将其作为非标识操作元素。

步骤206，在多个非标识操作元素中，根据非标识操作元素之间的相关度，选取部分非标识操作元素以作为预备标识操作元素。

应当理解的是，在非标识操作元素中，可能隐含用户正在新增或者更改的操作习惯，为了能够使得加湿器200的使用能够随着用户的可以确定非标识操作元素之间的相关度，并选取部分非标识操作元素以作为预备标识操作元素。

步骤207，基于历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型，并基于操作分类模型获得表征待执行操作的执行结果指令。

在获取了前述的历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型，以便能够在接收到用户发出的触发信号时，能够基于该出发信号输出表征待执行操作的执行结果指令，在本发明实施例中，出发信号可以是用户打开加湿器200的动作，也可以是加湿器200开机与计算机设备100建立通信连接完成的动作。

步骤208，将执行结果指令发送至加湿器200，以使加湿器200根据执行结果指令执行相应动作。

通过上述步骤得到的执行结果指令可以发送至加湿器200，加湿器200根据基于历史操作的标识操作元素和预备标识操作元素确定得到的执行结果指令执行相应动作，能够贴合用户当前习惯下的使用喜好执行相关操作，实现了高度智能化。

除此之外，在前述步骤201之前，还可以有譬如以下的步骤。

步骤301，获取多个样本操作的操作数据。

步骤302，根据数据转化维度，将多个样本操作的操作数据进行标准化处理，以获得每个样本操作的操作置信度。

其中，操作置信度表征样本操作是历史操作的概率。

步骤303，根据多个样本操作的操作置信度，选取部分样本操作以作为历史操作，其中，根据多个样本操作的操作置信度，选取部分样本操作以作为历史操作，包括以下至少之一：（1）在多个样本操作中，选取操作置信度高于操作置信度阈值的部分样本操作以作为历史操作。（2） 根据多个样本操作的操作置信度，将多个样本操作进行降序排序，并选取排序在前的、且数量为样本数量阈值的部分样本操作以作为历史操作。

通过上述步骤能够在具备一定数量的多个样板操作的基础上确定历史操作，应当理解的是，对于用户刚刚使用的加湿器200，可按照厂商预设的多个模式进行使用，而后随着用户的长时间使用积累到一定数量的操作数据后，再确定得到历史操作。

在此基础上，作为一种可替换的实施例，前述步骤201可以由以下的实施方式实现。

子步骤201-1，在历史操作的操作数据中，提取操作类型和操作顺序的数据，并基于所提取的数据构建多个操作习惯。

子步骤201-2，根据每个操作习惯的特征值，从相应类型的操作序列表查找特征值的序列号。

子步骤201-3，将对应每个操作习惯的特征值所查找到的序列号进行组合，以获得历史操作的操作向量集合。

通过上述步骤，能够准确地获取历史操作的操作向量集合。而在上述子步骤201-2执行之前，还可以对多个操作习惯中的每个操作习惯、以及相应的特征值进行以下预处理操作：首先确定每个操作习惯的特征值的缺失数量、以及针对同一操作习惯的相同特征值的数量，然后将特征值的缺失数量超过缺失值过滤阈值、以及相同特征值的数量超过相同数量阈值的操作习惯进行过滤，以获得过滤后的特征，再舍弃对应于过滤后的特征的异常特征值，并针对过滤后的特征中缺失的特征值进行特征值填充，最终构造过滤后的特征、以及特征值填充后的特征值，以获得用于进行向量化的操作习惯。

在前述基础上，为了能够能加清楚的描述前述步骤，前述步骤204可以由以下的步骤实施实现。

子步骤204-1，从信任操作向量集合中提取多个操作元素。

子步骤204-2，将多个操作元素中的单一变量进行基础转换。

子步骤204-3，将多个操作元素中的多变量进行组合。

子步骤204-4，在多个操作元素中添加时间维度以进行分类。

子步骤204-5，根据决策树的路径，将多个操作元素进行组合。

在本发明实施例中，对信任操作向量集合中的操作元素进行分类处理，可以执行上述子步骤204-1至子步骤204-2中的至少一个即可实现，在此不做限制。

为了能够能加清楚的描述前述步骤，前述子步骤204-5可以由以下详细的步骤实现。

（1）获取操作元素配置集。

其中，操作元素配置集包括多个操作元素，对应多个操作元素的组合标识名称，以及用于指示需要获取决策树的路径的决策标识。

（2）根据接收的操作元素配置集以及本地操作元素配置集从多个操作元素中确定出需要进行组合的数据指标。

（3）保存数据指标的更新指标，根据数据指标在接收的操作元素配置集中对应的组合标识名称执行组合。

（4）根据决策标识提取保存的数据指标的更新指标，并获取对数据指标执行的组合标识名称的更新操作。

（5）根据数据指标的更新指标以及对数据指标执行的组合标识名称的更新操作构造决策树的路径。

其中，决策树的路径包括组合过程中对数据指标执行的组合标识名称的更新操作和数据指标的更新指标。

（6）删除保存的数据指标的更新指标和数据指标在操作元素配置集中对应的组合标识名称的更新操作。

（7）根据对数据指标执行的组合标识名称的更新操作和数据指标的更新指标对多个操作元素进行组合。

在本发明实施例中，决策树的路径可以采用譬如树形结构，其中，所有数据指标的更新指标，以及对所有数据指标执行的组合标识名称的更新操作以树形结构呈现。决策树的路径采用条目记录，其中，一个条目包括一个数据指标的更新指标，以及对一个数据指标执行的组合标识名称的更新操作或一个条目包括对一个数据指标执行的组合标识名称的更新操作。通过上述步骤，能够实现对多个操作元素的组合，以便能够得到具备较高参考价值的组合数据，为后续准确地确定用户当前习惯的操作做准备。

为了能够更加清楚的对本发明实施例的方案进行描述，前述步骤206可以有譬如以下的实施方式实现。

子步骤206-1，确定多个非标识操作元素的方差，并将方差低于方差阈值的非标识操作元素进行过滤。

子步骤206-2，将过滤后的非标识操作元素进行组合，以获得非标识操作元素集合。

子步骤206-3，确定非标识操作元素集合中任意两个非标识操作元素之间的特征相关度。

子步骤206-4，根据任意两个非标识操作元素之间的特征相关度，确定非标识操作元素集合中的每一个非标识操作元素与非标识操作元素集合的平均相关度。

子步骤206-5，根据平均相关度，将非标识操作元素集合中的非标识操作元素进行降序排序，并选取排序在前的部分非标识操作元素以作为预备标识操作元素。

在上述基础上，操作分类模型包括多个初始操作分类模型。作为一种可替换的实施例，前述步骤207可以由以下的步骤实现。

子步骤207-1，将历史操作记录中每个历史操作的标识操作元素、预备标识操作元素和样本操作标签构成训练样本。

子步骤207-2，基于构造的多个训练样本，训练多个初始操作分类模型。

子步骤207-3，将训练完成的多个初始操作分类模型通过集合策略进行整合，以获得操作分类模型。

除此之外，操作分类模型包括多个初始操作分类模型。前述步骤207还可以包括以下实施方式。

子步骤207-4，获取待执行操作的操作数据。

子步骤207-5，从待执行操作的操作数据中提取待执行操作的特征。

子步骤207-6，通过多个初始操作分类模型，分别基于待执行操作的特征进行分类处理，以获得每个初始操作分类模型的分类结果。

子步骤207-7，将多个分类结果通过集合策略进行整合，以获得表征待执行操作的执行结果指令。

在前述基础上，集合策略包括第一集合策略和第二集合策略，第一集合策略用于以第一优先级处理已验证的分类结果，第二集合策略用于以第二优先级处理已验证的分类结果，第一优先级是指上传验证通过的分类结果时获取到的操作置信度的大小，第二优先级是根据接收验证通过的分类结果的产生时间。为了能够能加清楚的描述前述步骤，前述子步骤207-7可以具体由以下的步骤实施。

（1）获取多个分类结果，并对多个分类结果进行验证。

（2）获取验证通过的分类结果的属性信息，确定将验证通过的分类结果上传到计算机设备100时获取的操作置信度，并确定计算机设备100接收到验证通过的分类结果的产生时间。

（3）根据操作置信度确定验证通过的分类结果在第一集合策略中的第一优先级。

（4）根据操作置信度和产生时间确定验证通过的分类结果在第二集合策略中的第二优先级。

（5）根据验证通过的分类结果的第一优先级和第二优先级，将验证通过的分类结果添加到第一集合策略以及第二集合策略中。

其中，验证通过的分类结果被添加到第一集合策略和第二集合策略中，第一集合策略是根据与验证通过的分类结果相关的操作置信度进行排序的，在第一集合策略中，操作置信度越大的分类结果被优先处理。

（6）响应于将验证通过的分类结果上传到计算机设备100的触发事件，确定用于从第一集合策略和第二集合策略中获取已验证的分类结果的选取策略。

（7）获取待上传到计算机设备100中的分类结果总量。

（8）按照分类结果总量及第一选取比例确定第一数量，并按照分类结果总量及第二选取比例确定第二数量。

（9）从第一集合策略中按照第一优先级由高至低的顺序获取第一数量的分类结果作为第一分类结果。

（10）从第二集合策略中按照第二优先级由高至低的顺序获取第二数量的分类结果作为第二分类结果。

其中，选取策略包括第一集合策略对应的第一选取比例和第二集合策略对应的第二选取比例。

（11）根据第一分类结果和第二分类结果确定目标分类结果，第一集合策略处理的分类结果以第一优先级由高至低的顺序降序排列。

其中，第二集合策略处理的分类结果以第二优先级由高至低的顺序降序排列。

（12）从第一分类结果中确定重复分类结果，重复分类结果为从第一集合策略中获取的，且从第二集合策略中获取的分类结果。

（13）删除从第一集合策略获取的重复分类结果，或者删除从第二集合策略获取的重复分类结果。

其中，第一分类结果和第二分类结果的数量分别为多个。

（14）生成待执行操作的执行结果指令，待执行操作的执行结果指令包括目标分类结果。

通过上述步骤，能够得到准确反映用户单签习惯的执行结果指令，除此之外，在将验证通过的分类结果添加到集合策略中之前，还可以将验证通过的分类结果添加到集合策略中，具体的，可以是在第一集合策略中的分类结果总量小于或等于第二集合策略中的分类结果总量时，将验证通过的分类结果添加到第一集合策略中，在第一集合策略中的分类结果总量大于第二集合策略中的分类结果总量时，将验证通过的分类结果处理到第二集合策略中。

本发明实施例提供一种基于大数据的智能家居加湿控制系统110，应用于与加湿器200通信连接的计算机设备100，如图3所示，基于大数据的智能家居加湿控制系统110包括：

处理模块1101，用于针对历史操作记录中的每个历史操作，将历史操作的特征按照所涉及的类型进行向量化，以获得历史操作的操作向量集合；在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量，其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素；

选取模块1102，用于在多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合；对信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征历史操作记录的共性的标识操作元素；确定多个非标识操作元素，其中，非标识操作元素是出现次数不超过预设次数阈值的操作向量中所包含的操作元素；在多个非标识操作元素中，根据非标识操作元素之间的相关度，选取部分非标识操作元素以作为预备标识操作元素；

训练模块1103，用于基于历史操作记录中每个历史操作的标识操作元素和预备标识操作元素训练操作分类模型，并基于操作分类模型获得表征待执行操作的执行结果指令；

执行模块1104，用于将执行结果指令发送至加湿器200，以使加湿器200根据执行结果指令执行相应动作。

进一步地，处理模块1101具体用于：

在历史操作的操作数据中，提取操作类型和操作顺序的数据，并基于所提取的数据构建多个操作习惯；根据每个操作习惯的特征值，从相应类型的操作序列表查找特征值的序列号；将对应每个操作习惯的特征值所查找到的序列号进行组合，以获得历史操作的操作向量集合。

进一步地，选取模块1102具体用于：

从信任操作向量集合中提取多个操作元素；将多个操作元素中的单一变量进行基础转换；将多个操作元素中的多变量进行组合；在多个操作元素中添加时间维度以进行分类；根据决策树的路径，将多个操作元素进行组合。

进一步地，选取模块1102进一步具体用于：

获取操作元素配置集，其中，操作元素配置集包括多个操作元素，对应多个操作元素的组合标识名称，以及用于指示需要获取决策树的路径的决策标识；根据接收的操作元素配置集以及本地操作元素配置集从多个操作元素中确定出需要进行组合的数据指标；保存数据指标的更新指标，根据数据指标在接收的操作元素配置集中对应的组合标识名称执行组合；根据决策标识提取保存的数据指标的更新指标，并获取对数据指标执行的组合标识名称的更新操作；根据数据指标的更新指标以及对数据指标执行的组合标识名称的更新操作构造决策树的路径，其中，决策树的路径包括组合过程中对数据指标执行的组合标识名称的更新操作和数据指标的更新指标；删除保存的数据指标的更新指标和数据指标在操作元素配置集中对应的组合标识名称的更新操作；根据对数据指标执行的组合标识名称的更新操作和数据指标的更新指标对多个操作元素进行组合。

进一步地，操作分类模型包括多个初始操作分类模型；

训练模块1103具体用于：

将历史操作记录中每个历史操作的标识操作元素、预备标识操作元素和样本操作标签构成训练样本；基于构造的多个训练样本，训练多个初始操作分类模型；将训练完成的多个初始操作分类模型通过集合策略进行整合，以获得操作分类模型。

进一步地，操作分类模型包括多个初始操作分类模型，训练模块1103具体用于：

获取待执行操作的操作数据；从待执行操作的操作数据中提取待执行操作的特征；通过多个初始操作分类模型，分别基于待执行操作的特征进行分类处理，以获得每个初始操作分类模型的分类结果；将多个分类结果通过集合策略进行整合，以获得表征待执行操作的执行结果指令。

进一步地，集合策略包括第一集合策略和第二集合策略，第一集合策略用于以第一优先级处理已验证的分类结果，第二集合策略用于以第二优先级处理已验证的分类结果，第一优先级是指上传验证通过的分类结果时获取到的操作置信度的大小，第二优先级是根据接收验证通过的分类结果的产生时间，训练模块1103进一步具体用于：

获取多个分类结果，并对多个分类结果进行验证；获取验证通过的分类结果的属性信息，确定将验证通过的分类结果上传到计算机设备100时获取的操作置信度，并确定计算机设备100接收到验证通过的分类结果的产生时间；根据操作置信度确定验证通过的分类结果在第一集合策略中的第一优先级；以及，根据操作置信度和产生时间确定验证通过的分类结果在第二集合策略中的第二优先级；根据验证通过的分类结果的第一优先级和第二优先级，将验证通过的分类结果添加到第一集合策略以及第二集合策略中，其中，验证通过的分类结果被添加到第一集合策略和第二集合策略中，第一集合策略是根据与验证通过的分类结果相关的操作置信度进行排序的，在第一集合策略中，操作置信度越大的分类结果被优先处理；响应于将验证通过的分类结果上传到计算机设备100的触发事件，确定用于从第一集合策略和第二集合策略中获取已验证的分类结果的选取策略；获取待上传到计算机设备100中的分类结果总量；按照分类结果总量及第一选取比例确定第一数量，并按照分类结果总量及第二选取比例确定第二数量；从第一集合策略中按照第一优先级由高至低的顺序获取第一数量的分类结果作为第一分类结果；从第二集合策略中按照第二优先级由高至低的顺序获取第二数量的分类结果作为第二分类结果，其中，选取策略包括第一集合策略对应的第一选取比例和第二集合策略对应的第二选取比例；根据第一分类结果和第二分类结果确定目标分类结果，第一集合策略处理的分类结果以第一优先级由高至低的顺序降序排列，其中，第二集合策略处理的分类结果以第二优先级由高至低的顺序降序排列；从第一分类结果中确定重复分类结果，重复分类结果为从第一集合策略中获取的，且从第二集合策略中获取的分类结果；删除从第一集合策略获取的重复分类结果，或者删除从第二集合策略获取的重复分类结果，其中，第一分类结果和第二分类结果的数量分别为多个；生成待执行操作的执行结果指令，待执行操作的执行结果指令包括目标分类结果。

需要说明的是，前述基于大数据的智能家居加湿控制系统110的实现原理可以参考前述基于大数据的智能家居加湿控制方法的实现原理，在此不再赘述。应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块1101可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式处理于上述系统的处理器中，由上述系统的某一个处理元件调用并执行以上处理模块1101的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

本发明实施例提供一种计算机设备100，计算机设备100包括处理器及处理有计算机指令的非易失性处理器，计算机指令被处理器执行时，计算机设备100执行前述的基于大数据的智能家居加湿控制系统110。如图4所示，图4为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括基于大数据的智能家居加湿控制系统110、处理器111、处理器112及通信单元113。

为实现数据的传输或交互，处理器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。在基于大数据的智能家居加湿控制系统110包括至少一个可以软件或固件（firmware）的形式处理于处理器111中或固化在计算机设备100的操作系统（operatingsystem，OS）中的软件功能模块。处理器112用于执行处理器111中处理的基于大数据的智能家居加湿控制系统110，例如基于大数据的智能家居加湿控制系统110所包括的软件功能模块及计算机程序等。

本发明实施例提供一种可读处理介质，可读处理介质包括计算机程序，计算机程序运行时控制可读处理介质所在计算机设备100执行前述的基于大数据的智能家居加湿控制方法。

综上，本发明公开了一种基于大数据的智能家居加湿控制方法及系统，通过基于历史操作记录构建的操作向量合集中提取出多个操作向量，再从由多个操作向量中确定的序列集合中确定用于表征用户已经形成的操作习惯的标识操作元素，再从序列集合确定用于表征用户当前正在改变的操作习惯的预备标识操作元素，通过标识操作元素和预备标识操作元素训练得到的操作分类模型，能够随着用户操作习惯的每次改变而进行自我优化，输出更加符合用户真实操作习惯的加湿器的执行结果指令，实现了针对不同用户定制化的基于大数据的智能家居加湿控制方案。

出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

Claims (8)

1.一种基于大数据的智能家居加湿控制方法，其特征在于，应用于与加湿器通信连接的计算机设备，所述方法包括：

针对历史操作记录中的每个历史操作，将所述历史操作的特征按照所涉及的类型进行向量化，以获得所述历史操作的操作向量集合；

在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量，其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素；

在所述多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合；

对所述信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征所述历史操作记录的共性的标识操作元素；

确定多个非标识操作元素，其中，所述非标识操作元素是出现次数不超过所述预设次数阈值的操作向量中所包含的操作元素；

在多个所述非标识操作元素中，根据所述非标识操作元素之间的相关度，选取部分所述非标识操作元素以作为预备标识操作元素；

基于所述历史操作记录中每个历史操作的所述标识操作元素和所述预备标识操作元素训练操作分类模型，并基于所述操作分类模型获得表征待执行操作的执行结果指令；

将所述执行结果指令发送至所述加湿器，以使所述加湿器根据所述执行结果指令执行相应动作；

所述将所述历史操作的特征按照所涉及的类型进行向量化，以获得所述历史操作的操作向量集合的步骤，包括：

在所述历史操作的操作数据中，提取操作类型和操作顺序的数据，并基于所提取的数据构建多个操作习惯；

根据每个所述操作习惯的特征值，从相应类型的操作序列表查找所述特征值的序列号；

将对应每个所述操作习惯的特征值所查找到的序列号进行组合，以获得所述历史操作的操作向量集合。

2.根据权利要求1所述的方法，其特征在于，所述对所述信任操作向量集合中的操作元素进行分类处理的步骤，包括：

从所述信任操作向量集合中提取多个操作元素；

将所述多个操作元素中的单一变量进行基础转换；

将所述多个操作元素中的多变量进行组合；

在所述多个操作元素中添加时间维度以进行分类；

根据决策树的路径，将所述多个操作元素进行组合。

3.根据权利要求2所述的方法，其特征在于，所述根据决策树的路径，将所述多个操作元素进行组合的步骤，包括：

获取操作元素配置集，其中，所述操作元素配置集包括多个操作元素，对应所述多个操作元素的组合标识名称，以及用于指示需要获取决策树的路径的决策标识；

根据接收的所述操作元素配置集以及本地操作元素配置集从所述多个操作元素中确定出需要进行组合的数据指标；

保存所述数据指标的更新指标，根据所述数据指标在接收的所述操作元素配置集中对应的组合标识名称执行组合；

根据所述决策标识提取保存的所述数据指标的更新指标，并获取对所述数据指标执行的组合标识名称的更新操作；

根据所述数据指标的更新指标以及对所述数据指标执行的组合标识名称的更新操作构造所述决策树的路径，其中，所述决策树的路径包括组合过程中对所述数据指标执行的组合标识名称的更新操作和所述数据指标的更新指标；

删除保存的所述数据指标的更新指标和所述数据指标在所述操作元素配置集中对应的组合标识名称的更新操作；

根据所述对所述数据指标执行的组合标识名称的更新操作和所述数据指标的更新指标对所述多个操作元素进行组合。

4.根据权利要求1所述的方法，其特征在于，所述操作分类模型包括多个初始操作分类模型；

所述基于所述历史操作记录中每个历史操作的所述标识操作元素和所述预备标识操作元素训练操作分类模型的步骤，包括：

将所述历史操作记录中每个历史操作的所述标识操作元素、所述预备标识操作元素和样本操作标签构成训练样本；

基于构造的多个训练样本，训练所述多个初始操作分类模型；

将训练完成的多个初始操作分类模型通过集合策略进行整合，以获得所述操作分类模型。

5.根据权利要求1所述的方法，其特征在于，所述操作分类模型包括多个初始操作分类模型；

所述基于所述操作分类模型获得表征待执行操作的执行结果指令的步骤，包括：

获取所述待执行操作的操作数据；

从所述待执行操作的操作数据中提取所述待执行操作的特征；

通过所述多个初始操作分类模型，分别基于所述待执行操作的特征进行分类处理，以获得每个初始操作分类模型的分类结果；

将多个分类结果通过集合策略进行整合，以获得表征所述待执行操作的执行结果指令。

6.根据权利要求5所述的方法，其特征在于，所述集合策略包括第一集合策略和第二集合策略，所述第一集合策略用于以第一优先级处理已验证的分类结果，所述第二集合策略用于以第二优先级处理已验证的分类结果，所述第一优先级是指上传验证通过的分类结果时获取到的操作置信度的大小，所述第二优先级是根据接收所述验证通过的分类结果的产生时间；

所述将多个分类结果通过集合策略进行整合，以获得表征所述待执行操作的执行结果指令的步骤，包括：

获取所述多个分类结果，并对所述多个分类结果进行验证；

获取验证通过的分类结果的属性信息，确定将所述验证通过的分类结果上传到计算机设备时获取的操作置信度，并确定所述计算机设备接收到所述验证通过的分类结果的产生时间；

根据所述操作置信度确定所述验证通过的分类结果在所述第一集合策略中的所述第一优先级；以及，

根据所述操作置信度和所述产生时间确定所述验证通过的分类结果在所述第二集合策略中的所述第二优先级；

根据所述验证通过的分类结果的所述第一优先级和所述第二优先级，将所述验证通过的分类结果添加到所述第一集合策略以及所述第二集合策略中，其中，所述验证通过的分类结果被添加到所述第一集合策略和所述第二集合策略中，所述第一集合策略是根据与所述验证通过的分类结果相关的操作置信度进行排序的，在所述第一集合策略中，所述操作置信度越大的分类结果被优先处理；

响应于将所述验证通过的分类结果上传到所述计算机设备的触发事件，确定用于从所述第一集合策略和所述第二集合策略中获取所述已验证的分类结果的选取策略；

获取待上传到所述计算机设备中的分类结果总量；

按照所述分类结果总量及第一选取比例确定第一数量，并按照所述分类结果总量及第二选取比例确定第二数量；

从所述第一集合策略中按照所述第一优先级由高至低的顺序获取所述第一数量的分类结果作为第一分类结果；

从所述第二集合策略中按照所述第二优先级由高至低的顺序获取所述第二数量的分类结果作为第二分类结果，其中，所述选取策略包括所述第一集合策略对应的第一选取比例和所述第二集合策略对应的第二选取比例；

根据所述第一分类结果和所述第二分类结果确定目标分类结果，所述第一集合策略处理的分类结果以所述第一优先级由高至低的顺序降序排列，其中，所述第二集合策略处理的分类结果以所述第二优先级由高至低的顺序降序排列；

从所述第一分类结果中确定重复分类结果，所述重复分类结果为从所述第一集合策略中获取的，且从所述第二集合策略中获取的分类结果；

删除从所述第一集合策略获取的所述重复分类结果，或者删除从所述第二集合策略获取的所述重复分类结果，其中，所述第一分类结果和所述第二分类结果的数量分别为多个；

生成待执行操作的执行结果指令，所述待执行操作的执行结果指令包括所述目标分类结果。

7.一种基于大数据的智能家居加湿控制系统，其特征在于，应用于与加湿器通信连接的计算机设备，所述系统包括：

处理模块，用于针对历史操作记录中的每个历史操作，将所述历史操作的特征按照所涉及的类型进行向量化，以获得所述历史操作的操作向量集合；在不同历史操作的多个操作向量集合中，多次选取操作元素，并将每次选取的多个操作元素进行组合，以获得多个不同的操作向量，其中，每次选取的多个操作元素中均包含归属于不同历史操作的操作向量集合中的操作元素；

选取模块，用于在所述多个不同的操作向量形成的序列集合中，选取出现次数超过预设次数阈值的操作向量，以作为信任操作向量集合；对所述信任操作向量集合中的操作元素进行分类处理，以将获得的操作元素作为表征所述历史操作记录的共性的标识操作元素；确定多个非标识操作元素，其中，所述非标识操作元素是出现次数不超过所述预设次数阈值的操作向量中所包含的操作元素；在多个所述非标识操作元素中，根据所述非标识操作元素之间的相关度，选取部分所述非标识操作元素以作为预备标识操作元素；

训练模块，用于基于所述历史操作记录中每个历史操作的所述标识操作元素和所述预备标识操作元素训练操作分类模型，并基于所述操作分类模型获得表征待执行操作的执行结果指令；

执行模块，用于将所述执行结果指令发送至所述加湿器，以使所述加湿器根据所述执行结果指令执行相应动作；

和操作顺序的数据，并基于所提取的数据构建多个操作习惯；根据每个所述操作习惯的特征值，从相应类型的操作序列表查找所述特征值的序列号；将对应每个所述操作习惯的特征值所查找到的序列号进行组合，以获得所述历史操作的操作向量集合。

8.根据权利要求7所述的系统，其特征在于，所述选取模块具体用于：

从所述信任操作向量集合中提取多个操作元素；

将所述多个操作元素中的单一变量进行基础转换；将所述多个操作元素中的多变量进行组合；在所述多个操作元素中添加时间维度以进行分类；根据决策树的路径，将所述多个操作元素进行组合。

Images