CN113496318A - 一种评价用户个性化热舒适的pmv值的终端和方法 - Google Patents

一种评价用户个性化热舒适的pmv值的终端和方法 Download PDF

Info

Publication number
CN113496318A
CN113496318A CN202010193406.1A CN202010193406A CN113496318A CN 113496318 A CN113496318 A CN 113496318A CN 202010193406 A CN202010193406 A CN 202010193406A CN 113496318 A CN113496318 A CN 113496318A
Authority
CN
China
Prior art keywords
pmv
model
air environment
user
indoor air
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.)
Pending
Application number
CN202010193406.1A
Other languages
English (en)
Inventor
刘石勇
张传欣
郭徽
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.)
Hisense Group Co Ltd
Hisense Co Ltd
Original Assignee
Hisense 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 Hisense Co Ltd filed Critical Hisense Co Ltd
Priority to CN202010193406.1A priority Critical patent/CN113496318A/zh
Publication of CN113496318A publication Critical patent/CN113496318A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种评价用户个性化热舒适的PMV值的终端和方法，用以解决现有技术中存在的使用传统PMV模型输出的PMV值对用户热舒适度评价不准确的问题。本发明传感器用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数，处理器用于执行程序代码，并将传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值，训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。由于训练后的PMV模型可以针对不同的用户、用户的不同行为，室外的空气环境参数输出PMV值，因此得到的PMV值对用户的热舒适度评价更准确。

Description

一种评价用户个性化热舒适的PMV值的终端和方法
技术领域
本发明涉及物联网技术领域，特别涉及一种评价用户个性化热舒适度的PMV(Predicted Mean Vote，预测平均投票数)值的终端和方法。
背景技术
室内热湿环境指的是人们直接感觉到的室内温度和相对湿度形成的物理环境，将人们对室内热湿环境的感觉称之为室内热湿环境热舒适度，简称热舒适度。对热舒适度的量化标准称为热舒适度指标。
传统室内热舒适评价模型PMV是一种普适性的方法，将室内环境温度、相对湿度、空气流速、平均辐射温度、人体服装热阻和新陈代谢率等影响因素输入到PMV模型中，输出PMV值，根据得到的PMV值判断当前物理环境是否符合人的热舒适度需求。由于PMV指标代表了处于同一环境下大部分人的热感觉，因此使用传统PMV模型对用户热舒适度评价不准确。
综上所述，现有技术中存在使用传统PMV模型输出的PMV值对用户热舒适度评价不准确的问题。
发明内容
本发明提供一种评价PMV值的终端和方法，用以解决现有技术中存在的使用传统PMV模型输出的PMV值对用户热舒适度评价不准确的问题。
第一方面，本发明实施例提供一种评价用户个性化热舒适度的PMV值的终端，该终端包括传感器、存储器以及处理器：
所述存储器用于存储终端设备运行时所使用的数据或程序代码；
所述传感器用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数；
所述处理器用于执行所述程序代码，以实现如下过程：
将所述传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
上述终端，存储器用于存储终端运行时所使用的数据或程序代码，传感器用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数，处理器用于执行所述程序代码，以实现如下过程：将传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值，其中训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。由于训练后的PMV模型可以针对不同的用户、用户的不同行为，室外的空气环境参数输出PMV值，因此得到的PMV值对用户的热舒适度评价更准确。
在一种可能的实现方式中，若所述标准输入参数为预设参数，则所述神经网络模型为未经过训练的神经网络模型，所述训练后的PMV模型为普适性PMV模型；或
若所述标准输入参数包括用户对室内空气环境参数进行调整得到的调整后的室内空气环境参数，则所述神经网络模型为之前已使用的PMV模型，所述训练后的PMV模型为个性化PMV模型。
上述终端，训练后的PMV模型，可以为普适性PMV模型，也可以为个性化PMV模型，如果标准输入参数为预设参数，神经网络模型为未经过训练的神经网络模型，则训练后的PMV模型为普适性PMV模型；如果标准输入参数为用户对室内空气环境进行调整得到的调整后的室内空气环境参数，则神经网络模型为之前已使用的PMV模型，训练后的PMV模型为个性化PMV模型。先训练普适性PMV模型，再根据普适性PMV模型训练个性化PMV模型，由于训练普适性PMV模型时的输入参数包括用户属性信息、室内空气环境参数信息以及室外空气环境参数的预设参数，因此得到的PMV值比传统的PMV模型得到的PMV值更准确，由于个性化PMV模型的训练，是在普适性PMV模型的基础上，使用用户设置的环境参数进行的训练，因此由个性化PMV模型得到的PMV值更加符合不同用户的需求。
在一种可能的实现方式中，若所述神经网络模型为之前已使用的PMV模型，则通过下列方式对所述神经网络模型进行训练：
持续记录使用所述之前已使用的PMV模型后用户调整的空气环境参数；
若满足个性化PMV模型的生成条件，则使用所述用户调整的空气环境参数对所述之前已使用的PMV模型进行训练得到个性化PMV模型；
若所述个性化PMV模型的F1分数值大于所述之前已使用的PMV模型的F1分数值，则将所述个性化PMV模型作为所述训练后的PMV模型。
上述终端，如果神经网络模型为之前使用的PMV模型，则训练个性化PMV模型时，持续记录使用之前已使用的PMV模型后用户调整的空气环境参数，如果满足个性化PMV模型的生成条件，则使用用户调整的空气环境参数对该之前已使用的PMV模型进行训练，如果个性化PMV模型的F1分数值大于之前已使用的PMV模型的F1分数值，则将该个性化PMV模型作为训练后的PMV模型。由于使用用户调整的空气环境参数对之前已使用的PMV模型进行训练得到个性化PMV模型，且得到的个性化PMV模型比之前使用的PMV模型的F1分数高，因此得到的个性化PMV模型输出的PMV值对空气环境的评价更准确。
在一种可能的实现方式中，所述个性化PMV模型的生成条件包括下列中的部分或全部：
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户进行有效调整的次数达到预设数量，其中所述有效调整为用户调整空气环境参数后使用所述调整的室内空气环境参数的所述室内空气设备运行时长超过第一预设时长；
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户调整室内空气环境参数，且使用所述调整的室内空气环境参数的所述室内空气设备运行时间超过第二预设时长。
上述终端，个性化PMV模型的生成条件，利用之前使用的PMV模型确定PMV值控制室内空气环境设备后，可以是用户进行的有效调整的次数达到预设数量，这里的有效调整为用户调整空气环境参数后使用该调整的室内空气环境参数的室内空气设备的运行时长超过第一预设时长，也可以是用户调整室内空气环境参数，并且使用调整的室内空气环境参数的室内空气设备运行时间超过第二预设时长。以上两种生成条件，都包含用户调整空气环境参数，并且室内空气设备都需要运行调整后的空气环境参数超过预设时长，从而使生成的个性化PMV模型中包含用户调整的空气环境参数，使个性化PMV模型得到的PMV值更准确。
在一种可能的实现方式中，所述传感器获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数之前，所述处理器还用于：
确定满足预设条件；
其中，所述预设条件包括下列中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
上述终端，当满足预设条件时，传感器获取相关参数，进行模型的训练，从而无需实时进行参数的采集，节省资源。
第二方面，本发明实施例提供一种评价用户个性化热舒适度的PMV值的方法，应用于智能家电中，该方法包括：
获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数；
将所述输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
在一种可能的实现方式中，若所述标准输入参数为预设参数，则所述神经网络模型为未经过训练的神经网络模型，所述训练后的PMV模型为普适性PMV模型；或
若所述标准输入参数包括用户对室内空气环境参数进行调整得到的调整后的室内空气环境参数，则所述神经网络模型为之前已使用的PMV模型，所述训练后的PMV模型为个性化PMV模型。
在一种可能的实现方式中，若所述神经网络模型为之前已使用的PMV模型，则通过下列方式对所述神经网络模型进行训练：
持续记录使用所述之前已使用的PMV模型后用户调整的空气环境参数；
若满足个性化PMV模型的生成条件，则对所述之前已使用的PMV模型进行训练得到个性化PMV模型；
若所述个性化PMV模型的F1分数值大于所述之前已使用的PMV模型的F1分数值，则将所述个性化PMV模型作为所述训练后的PMV模型；
在一种可能的实现方式中，所述个性化PMV模型的生成条件包括下列中的部分或全部：
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户进行有效调整的次数达到预设数量，其中所述有效调整为用户调整空气环境参数后使用所述调整的室内空气环境参数的所述室内空气设备运行时长超过第一预设时长；
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户调整室内空气环境参数，且使用所述调整的室内空气环境参数的所述室内空气设备运行时间超过第二预设时长。
在一种可能的实现方式中，所述获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数之前，还包括：
确定满足预设条件；
其中，所述预设条件包括下列中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第二方面中任一项所述评价用户个性化热舒适度的PMV值的步骤。
另外，第二方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种评价用户个性化热舒适度的PMV值的终端的结构示意图；
图2为本发明实施例提供的一种评价用户个性化热舒适度的PMV值的终端的软件结构框图；
图3为本发明实施例提供的一种评价用户个性化热舒适度的PMV值的终端用户界面的示意图；
图4为本发明实施例提供的一种展现室内舒适度的界面示意图；
图5为本发明实施例提供的一种评价用户个性化热舒适度的PMV值的方法流程示意图；
图6为本发明实施例提供的BP神经网络的机构程示意图；
图7为本发明实施例提供的一种提取个性化有效数据的流程示意图；
图8为本发明实施例提供的一种个性化PMV模型迭代过程的流程示意图；
图9为本发明实施例提供的一种推荐热舒适度参数的方法的流程示意图；
图10为本发明实施例提供的一种推荐热舒适度参数的模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
需要说明的是，以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的终端设备和方法的例子。
本发明实施例中术语“智能家电”是微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义。
目前针对室内环境评价主要采用传统热舒适PMV模型，根据环境因素(温度、相对湿度、空气流速)与人体因素(服装热阻、人体代谢率)计算热舒适度值。热舒适PMV模型是丹麦的范格尔(P.O.Fanger)教授提出的表征人体热反应(冷热感)的评价指标，代表了同一环境中大多数人的冷热感觉的平均。该模型提出的指标表示大多数人对热环境的平均投票值，其有七级感觉，即冷(-3)、凉(-2)、稍凉(-1)、适中(0)、稍暖(1)、暖(2)、热(3)。PMV的推荐值在-0.5～+0.5之间。
下面对传统PMV模型进行简单说明。
传统舒适度模型综合考虑了环境因素(空气温度、相对湿度、空气流速)和人体因素(服装热阻、人体代谢率)两大影响因素，是考虑热舒适感诸多因素较全面的指标，也是较权威的、有代表性的热舒适评价指标。
PMV值计算公式如下：
PMV＝(0.303e-0.036M+0.028){(M-W)-3.05×10-3×[5733-6.99(M-W)-pa]-0.42×[(M-W)-58.15]-1.7×10-5M(5867-pa)-0.0014M(34-ta)-3.96×10-8fcl×[(tcl+273)4-(tmrt+273)4]-fclhc(tcl-ta)}
公式中涉及的参数分别为：
M:人体新陈代谢量69.8W/m2，该值为正常人体处于静坐或步行时的平均代谢量，随着运动量的增加，人体运动代谢量升高；同时该值可根据性别进行区分：男性平均代谢量默认取值80.1W/m2，女性为64.3W/m2。
W:机械功，该值与机械效率相关，默认取值为0。
fcl:衣着系数，即服装的外表面积与其包裹的体表面积之比。可由服装热阻Ic计算得到，fcl＝1+0.2Ic，其中Ic与服装本身相关。
服装热阻值Ic:服装热阻是指反映服装保温性能的参数。其值与服装导热系数成反比，单位为clo。1clo＝0.155m·K/W。各种服装的热阻值有实测数据可查用。它与周围环境温度、风速和人体散热量有密切关系。
ta:周围空气温度，可由仪器设备测得。
tmrt:辐射温度，默认等于空气温度。Tmrt＝tmrt+273.15＝ta+273.15。
Pa:水蒸气压力，可由饱和水蒸汽压力*相对湿度rh(relative humidity)算得，其中不同温度下的饱和水蒸气压力可查表获得，该表为通用表。
hc:对流换热系数，与空气流速va相关。空气自然对流时，hc取值区间[3,10]。hc与空气流速va的对应转换关系为：hc＝max(2.38*(tcl-ta)^0.25,12.1*(va)^0.5)。
Tcl:着装人体表面温度。
由上述对PMV模型的说明可以看出，由传统PMV模型计算出的热舒适度值指标综合考虑了室内环境变量和人体变量对人体热舒适的影响，实际上室外环境、不同的用户、用户的不同行为对人体热舒适度也有影响。
如中国北方某城市冬天室外温度为-10℃，当室内温度达到17℃左右时，人体就会感觉较为舒适；而该地区夏天室外温度为30℃，当室内达到26℃左右时，人体就会感觉到比较舒适。
再比如，在同一个房间，室内温度为27℃，室内相对湿度为40％，室内空气流速为0.25m/s时，老人会觉得舒适，而室内温度为26度，室内相对湿度为50％，室内空气流速为0.3m/s时，儿童会觉得舒适。
再比如，某人在睡觉时觉得舒适的环境为：室内温度为27℃，室内相对湿度为40％，室内空气流速为0.25m/s；该人在行走时觉得舒适的环境为：室内温度为26℃，室内相对湿度为40％，室内空气流速为0.3m/s。
本发明实施例提供了一种评价用户个性化热舒适度的PMV值的终端，该终端包括传感器、存储器和处理器，存储器用于存储终端运行时所使用的数据或程序代码，传感器用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数，处理器将传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。由于训练后的PMV模型可以针对不同的用户、用户的不同行为，室外的空气环境参数输出PMV值，因此得到的PMV值对用户的热舒适度评价更准确。
图1示出了终端设备100的结构示意图。
下面以终端100为例对实施例进行具体说明。应该理解的是，图1所示终端100仅是一个范例，并且终端100可以具有如图1中所示的更多的或者更少的部件，可以组合两个或多个的部件，或者可以具有不同的部件配置。图1中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
图1中示例性示出了根据示例性实施例中终端100的硬件配置框图。如图1所示，终端100包括：存储器110、显示单元120、传感器130、音频电路140、无线保真(WirelessFidelity，Wi-Fi)模块150、全球定位系统(Global Positioning System，GPS)模块160、处理器170、蓝牙模块151、射频(radio frequency，RF)电路180、摄像头190以及电源210等部件。
存储器110可用于终端100运行时所使用的数据或程序代码。处理器170通过运行存储在存储器110的数据或程序代码，从而执行终端100的各种功能以及数据处理。存储器110可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器110存储有使得终端100能运行的操作系统。本申请中存储器110可以存储操作系统及各种应用程序，还可以存储执行本申请实施例所述方法的代码。
显示单元120可用于接收输入的数字或字符信息，产生与终端100的用户设置以及功能控制有关的信号输入，具体地，显示单元120可以包括设置在终端100正面的触摸屏121，可收集用户在其上或附近的触摸操作，例如点击按钮，拖动滚动框等。
显示单元120还可用于显示由用户输入的信息或提供给用户的信息以及终端100的各种菜单的图形用户界面(graphical user interface，GUI)。具体地，显示单元120可以包括设置在终端100正面的显示屏122。其中，显示屏122可以采用液晶显示器、发光二极管等形式来配置。显示单元120可以用于显示本申请中所述的各种图形用户界面。
其中，触摸屏121可以覆盖在显示屏122之上，也可以将触摸屏121与显示屏122集成而实现终端100的输入和输出功能，集成后可以简称触摸显示屏。本申请中显示单元120可以显示应用程序以及对应的操作步骤。
终端100还可以包括至少一种传感器130，比如温度传感器131、湿度传感器132、风速传感器133、数字视网膜传感器134。终端100还可配置有陀螺仪、气压计、红外线传感器、光传感器、运动传感器等其他传感器。
本发明实施例中传感器130用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数。
音频电路140、扬声器141、麦克风142可提供用户与终端100之间的音频接口。音频电路140可将接收到的音频数据转换后的电信号，传输到扬声器141，由扬声器141转换为声音信号输出。终端100还可配置音量按钮，用于调节声音信号的音量。另一方面，麦克风142将收集的声音信号转换为电信号，由音频电路140接收后转换为音频数据，可以将音频数据输出至存储器110以便进一步处理。本申请中麦克风142可以获取用户的语音。
Wi-Fi属于短距离无线传输技术，终端100可以通过Wi-Fi模块150帮助用户收发电子邮件、浏览网页和访问流媒体等，它为用户提供了无线的宽带互联网访问。
GPS模块160可以获取终端100的地理位置信息。
处理器170是终端100的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器110内的软件程序，以及调用存储在存储器110内的数据，执行终端100的各种功能和处理数据。在一些实施例中，处理器170可包括一个或多个处理单元；处理器170还可以集成应用处理器和基带处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器170中。本申请中处理器170可以运行操作系统、应用程序、用户界面显示及触控响应，以及本申请实施例所述的处理方法。另外，处理器170与显示单元120耦接。
本申请实施例中，处理器170将传感器130获取的输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
在传感器130获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数之前，处理器170还用于：
确定满足预设条件；
其中，所述预设条件包括下列中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
蓝牙模块151，用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如，终端100可以通过蓝牙模块151与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接，从而进行数据交互。
RF电路180可用于在收发信息或通话过程中信号的接收和发送，可以接收基站的下行数据后交给处理器170处理；可以将上行数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等器件。
摄像头190可用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，CMOS)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给处理器170转换成数字图像信号。
终端100还包括给各个部件供电的电源180(比如电池)。电源180可以通过电源管理系统与处理器170逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗等功能。终端100还可配置有电源按钮，用于终端的开机和关机，以及锁屏等功能。
图2是本发明实施例的终端100的软件结构框图。
分层架构将软件分成若干个层，每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中，将Android系统分为四层，从上至下分别为应用程序层，应用程序框架层，安卓运行时(Android runtime)和系统库，以及内核层。
应用程序层可以包括一系列应用程序包。
如图2所示，应用程序包可以包括相机，图库，日历，通话，地图，导航，WLAN，蓝牙，音乐，视频，短信息等应用程序。
应用程序框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming interface，API)和编程框架。应用程序框架层包括一些预先定义的函数。
如图2所示，应用程序框架层可以包括窗口管理器，内容提供器，视图系统，电话管理器，资源管理器，通知管理器等。
窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小，判断是否有状态栏，锁定屏幕，截取屏幕等。
内容提供器用来存放和获取数据，并使这些数据可以被应用程序访问。所述数据可以包括视频，图像，音频，拨打和接听的电话，浏览历史和书签，电话簿等。
视图系统包括可视控件，例如显示文字的控件，显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如，包括短信通知图标的显示界面，可以包括显示文字的视图以及显示图片的视图。
电话管理器用于提供终端100的通信功能。例如通话状态的管理(包括接通，挂断等)。
资源管理器为应用程序提供各种资源，比如本地化字符串，图标，图片，布局文件，视频文件等等。
通知管理器使应用程序可以在状态栏中显示通知信息，可以用于传达告知类型的消息，可以短暂停留后自动消失，无需用户交互。比如通知管理器被用于告知下载完成，消息提醒等。通知管理器还可以是以图表或者滚动条文本形式出现在系统顶部状态栏的通知，例如后台运行的应用程序的通知，还可以是以对话窗口形式出现在屏幕上的通知。例如在状态栏提示文本信息，发出提示音，通信终端振动，指示灯闪烁等。
Android Runtime包括核心库和虚拟机。Android runtime负责安卓系统的调度和管理。
核心库包含两部分：一部分是java语言需要调用的功能函数，另一部分是安卓的核心库。
应用程序层和应用程序框架层运行在虚拟机中。虚拟机将应用程序层和应用程序框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理，堆栈管理，线程管理，安全和异常的管理，以及垃圾回收等功能。
系统库可以包括多个功能模块。例如：表面管理器(surface manager)，媒体库(Media Libraries)，三维图形处理库(例如：OpenGL ES)，2D图形引擎(例如：SGL)等。
表面管理器用于对显示子系统进行管理，并且为多个应用程序提供了2D和3D图层的融合。
媒体库支持多种常用的音频，视频格式回放和录制，以及静态图像文件等。媒体库可以支持多种音视频编码格式，例如:MPEG4，H.264，MP3，AAC，AMR，JPG，PNG等。
三维图形处理库用于实现三维图形绘图，图像渲染，合成，和图层处理等。
2D图形引擎是2D绘图的绘图引擎。
内核层是硬件和软件之间的层。内核层至少包含显示驱动，摄像头驱动，音频驱动，传感器驱动。
下面结合捕获拍照场景，示例性说明终端100软件以及硬件的工作流程。
当触摸屏121接收到触摸操作，相应的硬件中断被发给内核层。内核层将触摸操作加工成原始输入事件(包括触摸坐标，触摸操作的时间戳等信息)。原始输入事件被存储在内核层。应用程序框架层从内核层获取原始输入事件，识别该输入事件所对应的控件。以该触摸操作是触摸单击操作，该单击操作所对应的控件为相机应用图标的控件为例，相机应用调用应用框架层的接口，启动相机应用，进而通过调用内核层启动摄像头驱动，通过摄像头190捕获静态图像或视频。
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、笔记本电脑、电视以及用于评价用户个性化热舒适度的PMV值的控制器等。
图3是用于示出终端(例如图1的通信终端100)上的用户界面的示意图。在一些具体实施中，用户通过触摸用户界面上的应用图标可以打开相应的应用程序，或者通过触摸用户界面上的文件夹图标可以打开相应的文件夹。
用户触摸用户界面上的室内热舒适度的应用图标，打开室内热舒适度的程序。
图4示出了展现室内热舒适度的界面的示意图。从图4中可以看出，当用户触摸用户界面上的室内舒适度的应用图标时，界面上展示卧室内的热舒适度和客厅内的热舒适度。
卧室内的热舒适度为“舒适”，客厅内的热舒适度为“热”。由于客厅内的热舒适度为“热”，用户可以通过触摸客厅舒适度展示界面的右上角的按钮，调整室内热舒适度。
在用户触摸了展示界面右上角的调整室内热舒适度的按钮后，终端获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数，将所述传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值。使用输出的PMV值对室内环境进行评价。
下面以具体实施例对评价用户个性化热舒适度的PMV值的方法进行说明。
结合图5所示，为本发明实施例提供的一种评价用户个性化热舒适度的PMV值的方法，应用于智能家电中，该方法包括：
S500、获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数；
S501、将所述输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
由于训练后的PMV模型可以针对不同的用户、用户的不同行为，室外的空气环境参数输出PMV值，因此得到的PMV值对用户的热舒适度评价更准确。
本发明实施例应用于智能家电中，比如智能空调、智能加湿器、智能空气净化器、智能新风机等。
本发明评价用户个性化热舒适度的PMV值时，需要使用神经网络训练PMV模型，比如BP神经网络，训练后的PMV模型包括普适性PMV模型和个性化PMV模型，下面分别进行介绍。
首先对训练PMV模型的数据进行定义。
训练PMV模型的数据包含输入特征数据和输出特征数据，其中输入特征数据包含三类，第一类是用户属性特征，包含用户年龄、用户体重、用户活动状态(对应人体代谢率)、用户着衣状态(对应服装热阻)，第二类是室内空气环境数据，包含室内空气温度、平均辐射温度、室内空气湿度、室内空气流速，第三类是室外空气环境数据，包含室外空气温度、室外空气湿度、季节和地域，输出特征数据为用户热感觉评价，即热感觉分级，分为热、暖、稍暖、适中、稍凉、凉和冷七级。
对于训练PMV模型时使用的训练样本中的数据定义如下：
X＝[x(1),x(2),......,x(m)]表示输入数据集，其中m表示样本数目，x(i)表示第i组样本数据；
x(i)＝(1，x1 (i),x2 (i),......,xn (i))表示每组样本数据包含的特征数量为n。
Y＝[y(1),y(2),......,y(m)]表示所有输入数据集对应的输出数据集，其中m表示样本数目，y(i)表示第i组样本的输出值，输出值可以为热、暖、稍暖、适中、稍凉、凉或冷。
(x(i)，y(i))表示第i个样本。
得到了训练样本数据后，采用交叉验证法将上述中的数据集划分为训练数据集和测试数据集，即将X划分为k个大小相似的互斥子集，
Figure BDA0002416723400000171
Figure BDA0002416723400000172
每个子集Xi保持数据分布的一致性，即从X中分层采样得到Xi，然后，每次用k-1个子集的并集作为训练数据集，剩下的那个为测试数据集。
需要说明的是，训练数据集是用来训练PMV模型使用的，测试数据集是在PMV模型训练完成后，进行测试使用的。
下面对如何训练普适性PMV模型进行说明。
1.对输入数据进行标准化处理
按照公式
Figure BDA0002416723400000173
其中μ和σ分别代表样本的均值和标准差，Xj表示第j个特征的所有样本数据。
2.以热感觉为输出特征，并且对输出数据进行one-hot(独热编码)处理。
将每个样本的输出值表示为类似y(1)＝{0,0,0,1,0,0,0}的向量形式，向量中仅有一位为1，其他均为0，向量中每一位的含义与{热，暖，稍暖，适中，稍凉，凉，冷}相对应，即本例中，y(1)表示适中。
3.建立BP神经网络结构，进行模型训练，得到满足精确率、召回率和F1分数(精确率和召回率的调和平均)的普适性PMV模型。
(1)BP神经网络的网络层数为3，即包含输入层、隐藏层、输出层；
如图6所示，BP神经网络的网络层数为3，即包含输入层、隐藏层、输出层，输入层包含人体代谢量、服装热阻、室内空气温度、室内空气湿度、室内空气流速、平均辐射温度、用户年龄、用户体重、室外空气温度、室外空气湿度、记录时间、当前季节，当前地理位置信息13种输入特征，隐藏层包含13*2+1＝27个节点，输出层为7个节点，对应七级热感觉分级。
(2)隐藏层激活函数sigmoid用来计算前向传播中隐藏层节点的输出；
(3)输出层激活函数softmax，用来表示前向传播中输出层节点的输出，代表了某一类热感觉发生的概率；
(4)损失函数选择交叉熵损失函数；
(5)反向传播，首先求损失函数对于神经元输出的梯度，然后正向传播根据此梯度进行更新。
普适性PMV模型训练好后，可以使用普适性PMV模型评价用户个性化热舒适度的PMV值，即将采集到的包括用户属性信息、室内空气环境参数以及室外空气环境参数的输入参数输入到普适性PMV模型中，输出PMV值。
上述经过BP神经网络训练的普适性PMV模型是符合一定比例人群的热舒适评价方法，将其应用于个体热舒适预测时，不一定符合每个人的要求，根据自身的需求，用户可能会对输入参数进行轻微的调整，所以还可以训练一个比普适性PMV模型评价性更高的个性化PMV模型。
训练个性化PMV模型，同样可以使用BP神经网络进行训练，训练过程和上述训练普适性PMV模型的过程一样，不同的是，训练样本中的输入数据集包括用户调整的影响因子的有效的设定值，这里的影响因子包括人体代谢量、服装热阻、平均辐射温度、用户年龄、用户体重、室外空气温度、室外空气湿度、记录时间、当前季节、当前地理位置信息、室内空气温度、室内空气湿度、室内空气流速，其中，室内空气温度、室内空气湿度、室内空气流速的设定值为使用普适性PMV模型输出的PMV值对应的室内空气温度、室内空气湿度、室内空气流速。这里的有效是指在用户调整了设定值后，在运行过程中，判断是都在该设定值下稳定运行的时间超过设定时间，如果超出设定时间，则判定用户调整后的数据为个性化有效数据，否则循环等待。
如图7所示，为提取个性化有效数据的流程示意图。
S700、使用普适性PMV模型判定当前环境为舒适状态；
S701、记录普适性PMV模型的当前设定值；
S702、判断用户是否修改了当前设定值，若是，则执行S703信息，否则执行S705；
S703、判断使用修改后的设定值运行时间是否超过设定时间a，若是，则执行S704，否则执行S702；
S704、记录修改后的参数；
S705、等待设定时长。
当个性化有效数据的数量达到预设数量时，或记录预设时间内的个性化有效数据后，将个性化有效数据以及影响因子的设定值作为输入参数，将经验PMV值作为输出，对普适性PMV模型进行训练，得到个性化PMV模型。
个性化PMV模型的训练过程和普适性PMV模型的训练过程相同，此处不再赘述。
个性化PMV模型训练完成后，当个性化PMV模型的F1分数不低于普适性PMV模型的F1分数时，则用个性化PMV模型完全替代普适性PMV模型；如果个性化PMV模型的F1分数低于普适性PMV模型的F1分数时，则利用上述方法重新训练个性化PMV模型。
下面对F1分数进行简单的说明。F1分数常用于预测分类模型的性能评估，F1为precision(查准率)和recall(查全率)的调和平均数，
Figure BDA0002416723400000191
precision表示在所有预测为真的训练样本中，实际上为真的百分比，recall表示在所有实际上为真的样本中，成功预测为真的百分比。
个性化PMV模型训练完成后，为了保证更高的预测准确性，个性化PMV模型本身也可以不断迭代，生成新的个性化PMV模型，如果新的个性化PMV模型符合的F1分数大于更新的个性化PMV模型，则使用新的个性化PMV模型评价用户个性化热舒适度的PMV值。
如图8所示，个性化PMV模型迭代过程的流程示意图。
S800、利用当前版本的个性化PMV模型输出的PMV值评定室内环境达到舒适状态；
S801、判断用户是否调整了设定值，若是，则执行S802，否则执行S803；
S802、使用调整后的设置参数替换有效数据集中的参数；
S803、判断是否达到模型迭代周期，若是则执行S804，否则执行S801；
S804、使用新的有效数据集重新训练个性化PMV模型；
S805、判断新的个性化PMV模型的F1分数是否高于上一个版本的F1分数，若是，则执行S806，否则执行S801；
S806、保存新的个性化PMV模型。
使用更新后的个性化PMV模型输出PMV值，能够保证用户热舒适度评价的准确性。
在具体实施中，使用训练后的模型评价用户个性化热舒适度的PMV值时，需要满足以下条件中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
使用训练后的PMV模型输出PMV值后，需要对热舒适参数进行推荐，比如，室内温度、室内湿度、室内空气流速。具体推荐方法如图8所示。
图9为本发明实施例提供的一种推荐热舒适度参数的方法的流程示意图。
S900、采集地理位置信息、当前时间、室外空气环境参数、室内空气环境参数、用户年龄、体重、活动状态、穿衣指数等模型输入参数；
S901、将输入参数输入到训练后的PMV模型中，输出PMV值；
S902、根据PMV值与温度范围的对应关系，PMV值与湿度范围的对应关系，PMV值与空气流速范围的对应关系，确定输出的PMV值对应的温度范围、湿度范围以及空气流速范围；
S903、从确定的温度范围中选择与当前温度差值最小的温度，从湿度范围中选择与当前湿度差值最小的湿度，从空气流速范围中选择与当前空气流速差值最小的风速；
S904、将选择的温度、湿度、空气流速作为推荐的热舒适度参数。
如图10所示，为本发明实施例提供的推荐热舒适度参数的模块。
图10中，原始数据搜集模块搜集用于表示用户热舒适度的数据；有效特征提取模块对原始数据搜集模块搜集到的数据进行特征提取，得到特征数据；特征标准化模块对特征数据进行标准化；普适性PMV模型构建模块使用特征数据进行训练，得到普适性PMV模型；用户个性化提取模块提取由用户设置的个性化参数；个性化PMV模型使用个性化参数训练个性化PMV模型；个性化PMV模型迭代模块使用个性化数据更新个性化PMV模型，模型决策模块根据F1分数值确定使用的PMV模型；用户个性化参数推荐模块根据使用的PMV模型得到推荐参数；用户手动调整参数模块对用户个性化参数推荐模块推荐的推荐参数进行手动调整，将调整后的符合条件的数据作为个性化数据。
进一步的，本发明实施例还提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一方法的步骤。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明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 (10)

1.一种评价用户个性化热舒适的PMV值的终端，其特征在于，该终端包括传感器、存储器以及处理器：
所述存储器用于存储终端运行时所使用的数据或程序代码；
所述传感器用于获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数；
所述处理器用于执行所述程序代码，以实现如下过程：
将所述传感器获取的输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
2.如权利要求1所述的终端，其特征在于，若所述标准输入参数为预设参数，则所述神经网络模型为未经过训练的神经网络模型，所述训练后的PMV模型为普适性PMV模型；或
若所述标准输入参数包括用户对室内空气环境参数进行调整得到的调整后的室内空气环境参数，则所述神经网络模型为之前已使用的PMV模型，所述训练后的PMV模型为个性化PMV模型。
3.如权利要求2所述的终端，其特征在于，若所述神经网络模型为之前已使用的PMV模型，则通过下列方式对所述神经网络模型进行训练：
持续记录使用所述之前已使用的PMV模型后用户调整的空气环境参数；
若满足个性化PMV模型的生成条件，则使用所述用户调整的空气环境参数对所述之前已使用的PMV模型进行训练得到个性化PMV模型；
若所述个性化PMV模型的F1分数值大于所述之前已使用的PMV模型的F1分数值，则将所述个性化PMV模型作为所述训练后的PMV模型。
4.如权利要求3所述的终端，其特征在于，所述个性化PMV模型的生成条件包括下列中的部分或全部：
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户进行有效调整的次数达到预设数量，其中所述有效调整为用户调整空气环境参数后使用所述调整的室内空气环境参数的所述室内空气设备运行时长超过第一预设时长；
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户调整室内空气环境参数，且使用所述调整的室内空气环境参数的所述室内空气设备运行时间超过第二预设时长。
5.如权利要求1～4任一所述的终端，其特征在于，所述传感器获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数之前，所述处理器还用于：
确定满足预设条件；
其中，所述预设条件包括下列中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
6.一种评价用户个性化热舒适的PMV值的方法，其特征在于，应用于智能家电中，该方法包括：
获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数；
将所述输入参数输入到训练后的PMV模型中，输出PMV值，其中所述训练后的PMV模型为将包括用户属性特征、室内空气环境参数以及室外空气环境参数的标准输入参数作为输入，将预设的用于表示PMV值的标准输出数据作为输出对神经网络模型进行训练后得到的。
7.如权利要求6所述的方法，其特征在于，若所述标准输入参数为预设参数，则所述神经网络模型为未经过训练的神经网络模型，所述训练后的PMV模型为普适性PMV模型；或
若所述标准输入参数包括用户对室内空气环境参数进行调整得到的调整后的室内空气环境参数，则所述神经网络模型为之前已使用的PMV模型，所述训练后的PMV模型为个性化PMV模型。
8.如权利要求7所述的方法，其特征在于，若所述神经网络模型为之前已使用的PMV模型，则通过下列方式对所述神经网络模型进行训练：
持续记录使用所述之前已使用的PMV模型后用户调整的空气环境参数；
若满足个性化PMV模型的生成条件，则使用所述用户调整的空气环境参数对所述之前已使用的PMV模型进行训练得到个性化PMV模型；
若所述个性化PMV模型的F1分数值大于所述之前已使用的PMV模型的F1分数值，则将所述个性化PMV模型作为所述训练后的PMV模型。
9.如权利要求8所述的方法，其特征在于，所述个性化PMV模型的生成条件包括下列中的部分或全部：
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户进行有效调整的次数达到预设数量，其中所述有效调整为用户调整空气环境参数后使用所述调整的室内空气环境参数的所述室内空气设备运行时长超过第一预设时长；
利用所述之前已使用的PMV模型确定的PMV值控制室内空气设备后，用户调整室内空气环境参数，且使用所述调整的室内空气环境参数的所述室内空气设备运行时间超过第二预设时长。
10.如权利要求6～9任一所述的方法，其特征在于，所述获取包括用户属性特征、室内空气环境参数以及室外空气环境参数的输入参数之前，还包括：
确定满足预设条件；
其中，所述预设条件包括下列中的部分或全部：
响应用户调整室内热舒适度的指令；
室内热舒适度超出预设舒适范围；
所述室外空气环境参数超出预设环境参数范围。
CN202010193406.1A 2020-03-18 2020-03-18 一种评价用户个性化热舒适的pmv值的终端和方法 Pending CN113496318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193406.1A CN113496318A (zh) 2020-03-18 2020-03-18 一种评价用户个性化热舒适的pmv值的终端和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193406.1A CN113496318A (zh) 2020-03-18 2020-03-18 一种评价用户个性化热舒适的pmv值的终端和方法

Publications (1)

Publication Number Publication Date
CN113496318A true CN113496318A (zh) 2021-10-12

Family

ID=77993262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193406.1A Pending CN113496318A (zh) 2020-03-18 2020-03-18 一种评价用户个性化热舒适的pmv值的终端和方法

Country Status (1)

Country Link
CN (1) CN113496318A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104344501A (zh) * 2013-08-29 2015-02-11 海尔集团公司 一种空调器及其控制方法
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
CN106765980A (zh) * 2017-01-08 2017-05-31 北京首钢自动化信息技术有限公司 楼宇内部环境温度智能控制系统及其方法
CN108844185A (zh) * 2018-07-12 2018-11-20 重庆科技学院 一种基于不同人群热舒适需求的室内环境综合调控系统
CN109520071A (zh) * 2018-10-18 2019-03-26 珠海东之尼电子科技有限公司 一种基于支持向量机学习的空调自适应控制方法及系统
CN109595765A (zh) * 2018-12-10 2019-04-09 珠海格力电器股份有限公司 空调器控制方法、装置、存储介质以及空调器
CN109945439A (zh) * 2019-03-29 2019-06-28 龙马智芯（珠海横琴）科技有限公司 一种室内环境参数控制方法及系统
US20190242608A1 (en) * 2018-02-05 2019-08-08 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning
CN110377936A (zh) * 2019-06-06 2019-10-25 西安交通大学 一种智能建筑人员个性化热舒适度动态感知的系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104344501A (zh) * 2013-08-29 2015-02-11 海尔集团公司 一种空调器及其控制方法
CN104833063A (zh) * 2015-06-04 2015-08-12 安徽建筑大学 一种空调控制方法及系统
CN106765980A (zh) * 2017-01-08 2017-05-31 北京首钢自动化信息技术有限公司 楼宇内部环境温度智能控制系统及其方法
US20190242608A1 (en) * 2018-02-05 2019-08-08 Mitsubishi Electric Research Laboratories, Inc. Methods and Systems for Personalized Heating, Ventilation, and Air Conditioning
CN108844185A (zh) * 2018-07-12 2018-11-20 重庆科技学院 一种基于不同人群热舒适需求的室内环境综合调控系统
CN109520071A (zh) * 2018-10-18 2019-03-26 珠海东之尼电子科技有限公司 一种基于支持向量机学习的空调自适应控制方法及系统
CN109595765A (zh) * 2018-12-10 2019-04-09 珠海格力电器股份有限公司 空调器控制方法、装置、存储介质以及空调器
CN109945439A (zh) * 2019-03-29 2019-06-28 龙马智芯（珠海横琴）科技有限公司 一种室内环境参数控制方法及系统
CN110377936A (zh) * 2019-06-06 2019-10-25 西安交通大学 一种智能建筑人员个性化热舒适度动态感知的系统及方法

Similar Documents

Publication Publication Date Title
CN110083730B (zh) 使用语音标签管理图像的方法和装置
CN106155002A (zh) 智能家居系统
CN110069715A (zh) 一种信息推荐模型训练的方法、信息推荐的方法及装置
CN108605100A (zh) 用于处理图像的方法和用于支持该方法的电子装置
CN113494758A (zh) 一种计算pmv值的终端设备和方法
US11641403B2 (en) Analyzing augmented reality content usage data
CN111817929B (zh) 设备交互方法、装置、家居设备和存储介质
US11934643B2 (en) Analyzing augmented reality content item usage data
CN106796651A (zh) 电子设备的多媒体数据处理方法及其电子设备
CN113495487A (zh) 一种调节目标设备运行参数的终端和方法
WO2022006138A1 (en) Generating and accessing video content for products
CN104937551B (zh) 用于管理设备中的功率的计算机实现的方法和用于管理设备中的功率的系统
CN105700785A (zh) 提供对象-相关服务的方法和设备
CN110389809A (zh) 用于显示信息的方法和设备
KR20230045041A (ko) 운동 커뮤니티에 관련한 개인 수행 피드백
US20190317662A1 (en) Information providing method and electronic device supporting same
CN113494759B (zh) 一种对pmv值进行调整的设备和方法
CN113496318A (zh) 一种评价用户个性化热舒适的pmv值的终端和方法
KR102449350B1 (ko) 재고 관리 서비스를 제공하는 시스템 및 그 동작 방법
CN114063459B (zh) 一种终端和智能家居控制方法
KR102262259B1 (ko) 룸 메이트 매칭 서비스를 제공하는 서버 및 그 동작 방법
CN116861066A (zh) 应用推荐方法和电子设备
CN113495967A (zh) 一种多媒体数据的推送方法、设备、服务器以及存储介质
JP2015212883A (ja) 情報提示システム、装置、方法、およびコンピュータプログラム
CN104793976B (zh) 移动终端皮肤转换方法及装置

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