CN113743637A - 基于协同过滤的煤气浓度预测方法、设备及冰箱 - Google Patents
基于协同过滤的煤气浓度预测方法、设备及冰箱 Download PDFInfo
- Publication number
- CN113743637A CN113743637A CN202010475559.5A CN202010475559A CN113743637A CN 113743637 A CN113743637 A CN 113743637A CN 202010475559 A CN202010475559 A CN 202010475559A CN 113743637 A CN113743637 A CN 113743637A
- Authority
- CN
- China
- Prior art keywords
- user
- gas
- users
- collaborative filtering
- gas leakage
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012417 linear regression Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000003034 coal gas Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Environmental & Geological Engineering (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Emergency Management (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Emergency Alarm Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明揭示了一种基于协同过滤的煤气浓度预测方法、设备和冰箱，所述方法包括：获取煤气泄漏的多个历史用户的与燃气相关的场景信息；获取当前用户的所述场景信息，根据协同过滤算法，计算多个历史用户的场景信息与当前用户的场景信息的相似度；选取相似度超过阈值的历史用户得到第一用户集合，根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程。与现有技术相比，本发明的煤气浓度预测方法，通过协同过滤算法，找到与当前用户的场景信息类似的历史煤气泄漏的用户，对这个历史用户的煤气泄漏数据进行线性拟合，得到线性回归方程，使用所述线性回归方程，对当前用户的煤气泄漏数据进行预测。
Description
技术领域
本发明涉及家电控制领域，特别涉及一种基于协同过滤的煤气浓度预测方法、设备及冰箱。
背景技术
在日常生活中，煤气在为人们生活提供了很大的方便，但同时煤气泄漏也极大的危害着人们的生命财产安全。
现在科技发展越来越快，各种推荐或者预测算法层出不穷，而其中最为常用的算法为协同过滤。协同过滤是一种推荐系统技术，随着互联网的迅速发展，已被越来越多的运用到各种网站和电子商务系统中。协同过滤可以细分为以下三种：基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤。基于用户的协同过滤的基本思想是：计算与用户兴趣爱好相似的用户组，再从喜好相似的用户组中找到此用户没有的商品，进行推荐。基于项目的协同过滤原理类似。而基于模型的协同过滤是采用了机器学习的方法，使用历史数据训练生成推荐模型，再用此模型进行推荐。
如何使用协同过滤对煤气泄漏进行预测，从而减少煤气泄漏带来的损失，是我们想要解决的问题。
发明内容
本发明的目的在于提供一种基于协同过滤的煤气浓度预测方法、设备及冰箱。
为实现上述发明目的之一，本发明一实施方式提供一种基于协同过滤的煤气浓度预测方法，所述方法包括：
获取煤气泄漏的多个历史用户的与燃气相关的场景信息；
获取当前用户的所述场景信息，根据协同过滤算法，计算多个历史用户的场景信息与当前用户的场景信息的相似度；
选取相似度超过阈值的历史用户得到第一用户集合，根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程；
使用所述煤气泄漏预测方程对当前用户的煤气泄漏进行预测。
作为本发明一实施方式的进一步改进，根据协同过滤算法，计算两个用户的场景信息之间的相似度，具体包括：
通过两个用户u和v的场景信息的集合N(u)和N(v)，计算相似度wuv：
其中，N(i)是指多个用户的场景信息中的第i个数据相同的用户集合。
作为本发明一实施方式的进一步改进，每个用户的所述场景信息包括地区L、燃气管道的材质P、厨房体积V、燃气安装时间T。
作为本发明一实施方式的进一步改进，所述“根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程”具体包括：
对所述第一用户集合中每个历史用户的煤气泄漏数据进行线性回归，每个历史用户得到一个线性回归方程；
根据所述线性回归方程的类型，将所述第一用户集合划分成多个第二用户集合；
选取个数最多的第二用户集合中与当前用户相似度最大的历史用户的线性回归方程，作为当前用户的煤气泄漏预测方程。
作为本发明一实施方式的进一步改进，所述“使用所述煤气泄漏预测方程对当前用户的煤气泄漏进行预测”具体包括：
获取当前用户厨房的煤气浓度Ct；
当检测到所述厨房的煤气浓度Ct达到预定下限值Ct0时，根据所述煤气泄漏预测方程，计算煤气浓度达到预警值Ct1的预警时间t1；
将所述预警时间t1发送给用户。
作为本发明一实施方式的进一步改进，所述“将所述预警时间t1发送给用户”具体包括：
根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，其中所述相关信息包括用户的年龄、角色、身体健壮度以及与厨房的距离；
给所述优先提醒的用户发送所述预警时间t1。
作为本发明一实施方式的进一步改进，所述方法还包括：
当检测到所述煤气浓度Ct达到预警值Ct1，则向煤气紧急关闭装置发送关闭煤气总开关的信号，并向厨房的通风装置发送启动信号；
根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，并给所述优先提醒的用户发送提醒信息。
作为本发明一实施方式的进一步改进，所述方法还包括：
在向煤气紧急关闭装置发送关闭煤气总开关的信号后，若检测到用户煤气浓度还在继续上升，给所述优先提醒的用户发送警报。
为实现上述发明目的之一，本发明一实施方式提供一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述基于协同过滤的煤气浓度预测方法中的步骤。
为实现上述发明目的之一，本发明一实施方式提供一种冰箱，所述冰箱包含上述所述的电子装置。
与现有技术相比，本发明的煤气浓度预测方法，通过协同过滤算法，找到与当前用户的场景信息类似的历史煤气泄漏的用户，对这个历史用户的煤气泄漏数据进行线性拟合，得到线性回归方程，使用所述线性回归方程，对当前用户的煤气泄漏数据进行预测。
附图说明
图1是本发明基于协同过滤的煤气浓度预测方法的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示，本发明提供一种基于协同过滤的煤气浓度预测方法，所述方法包括：
步骤S100：获取煤气泄漏的多个历史用户的与燃气相关的场景信息。
可以在网络上收集曾经出现煤气泄漏的历史用户的场景信息，所述场景信息与燃气相关，优选包括用户煤气泄漏所处的地区L、燃气管道的材质P、厨房体积V、燃气安装时间T等。
步骤S200：获取当前用户的所述场景信息，根据协同过滤算法，计算多个历史用户的场景信息与当前用户的场景信息的相似度。
通过两个用户u和v的场景信息的集合N(u)和N(v)，计算相似度wuv：
其中，N(i)是指多个用户的场景信息中的第i个数据相同的用户集合，当这个数据相同的用户越多，即N(i)越大，表明这个数据对两个用户相似度所做的贡献越小。
在一个具体的实施方式中，用户的场景信息包括用户煤气泄漏所处的地区L、燃气管道的材质P、厨房体积V、燃气安装时间T。因此用户u和用户v的场景信息的集合N(u)和N(v)分别为：
N(u)＝{Lu,Pu,Vu,Tu}
N(v)＝{Lv,Pv,Vv,Tv}
用户u和v的地区和燃气管道的材质相同，即Lu＝Lv＝A，同时Pu＝Pv＝B，而厨房体积和燃气安装时间不同。并且在采样的100个用户中地区为A的用户为19个，燃气管道的材质为B的用户为5个，因此根据上述相似度计算公式计算wuv为：
根据上述方式，计算多个历史用户的场景信息与当前用户的场景信息的相似度。
步骤S300：选取相似度超过阈值的历史用户得到第一用户集合，根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程。
假设相似度阈值为75％，选取所有与当前用户相似度超过75％的历史用户放入第一用户集合。根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程，具体包括：
步骤S310：对所述第一用户集合中每个历史用户的煤气泄漏数据进行线性回归，每个历史用户得到一个线性回归方程。
获取每个历史用户的煤气浓度随泄漏时间增长的数据，将这些数据进行线性回归，能够得到对应的线性回归方程。线性回归方程包括回归直线方程和回归曲线方程类型。
步骤S320：根据所述线性回归方程的类型，将所述第一用户集合划分成多个第二用户集合。
通过对历史数据进行分析，发现煤气浓度随泄漏时间的增长大多数呈线性增长，少数呈曲线增长。因此，根据所述线性回归方程的类型，将所述第一用户集合划分成多个第二用户集合。例如根据所述线性回归方程的类型，将所述第一用户集合划分成两个第二用户集合C和D，第二用户集合C的线性回归方程的类型为回归直线方程，第二用户集合D的线性回归方程的类型为回归曲线方程。
步骤S330：选取个数最多的第二用户集合中与当前用户相似度最大的历史用户的线性回归方程，作为当前用户的煤气泄漏预测方程。
首先选取个数最多的第二用户集合，例如第二用户集合C的个数最多，那就选取C；
然后将选取的这个第二用户集合中与当前用户相似度最大的历史用户的线性回归方程，作为当前用户的煤气泄漏预测方程。比如第二用户集合C的类型为回归直线方程，第二用户集合C中与当前用户相似度最大的历史用户为E，历史用户E的煤气泄漏的线性回归方程为Ct＝w*t+b，因此，选取Ct＝w*t+b作为当前用户的煤气泄漏预测方程。
步骤S400：使用所述煤气泄漏预测方程对当前用户的煤气泄漏进行预测。
所述步骤S400具体包括如下：
步骤S410：获取当前用户厨房的煤气浓度Ct。
可以通过传感器检测当前用户的厨房的煤气浓度Ct。
步骤S420：当检测到所述厨房的煤气浓度Ct达到预定下限值Ct0时，根据所述煤气泄漏预测方程，计算煤气浓度达到预警值Ct1的预警时间t1。
获取正常时期和煤气泄漏时期的历史煤气浓度数据，确定煤气浓度的预定下限值Ct0，所述Ct0对人体不会产生影响，且表明煤气不在正常范围内，煤气已经出现泄漏。所述预警值Ct1是对人体会产生轻微伤害的煤气浓度值。
根据所述煤气泄漏预测方程，计算煤气浓度达到预警值Ct1的预警时间t1。具体的，假定所述煤气泄漏预测方程为Ct＝w*t+b，根据所述线性回归方程与到达下限值Ct0的时间t0，计算预警时间t1：
t1＝(Ct1-Ct0)/w+t0。
需要说明的是，若煤气泄漏预测方程为回归曲线方程，在检测到所述厨房的煤气浓度Ct达到预定下限值Ct0后，可以多获取几个时间节点的数据，从而能够计算出计算预警时间t1。
步骤S430：将所述预警时间t1发送给用户。
然后将预警时间t1发送给用户，提醒用户在t1时刻，厨房的煤气浓度将要达到预警值Ct1。用户可以根据上述信息做好应对准备。
在一个优选的实施方式中，所述“将所述预警时间t1发送给用户”具体包括：
根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，给所述优先提醒的用户发送所述预警时间t1。
进一步的，所述“根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户”包括：所述相关信息包括用户的年龄、角色、身体健壮度以及与厨房的距离，根据每个用户的所述相关信息，计算每个用户的总权重，将总权重排名前N的用户作为优先提醒的用户。
其中，所述“根据每个用户的所述相关信息，计算每个用户的总权重”具体包括：
获取每个用户的实际年龄a、角色r、身体强壮度b和与厨房的距离l；
根据所述年龄a选择对应的年龄权重Wa，其中，若a<＝30，a越大Wa权重越大，否则，a越小Wa越小。也可以为每个年龄段设定一个权重，根据具体的年龄落入的年龄段，选择对应的年龄权重。
根据不同的角色r选择不同的角色权重Wr，其中，角色权重的排序从大到小依次为：父亲、母亲、儿女、管家或保姆、保安或物业。
根据不同的身体健壮度b，选择不同的身体健壮度权重Wb，其中，身体健壮度权重的排序从大到小依次为：健壮、正常、瘦小、得病、残疾。
根据所述与厨房的距离l，选择对应的距离权重Wl，其中，l越大Wl越小。也可以将所述距离l分段，为每个段落设定一个权重，根据具体的距离l落入的距离段落，选择对应的距离权重。
每个用户的总权重W等于每个用户对应的年龄权重Wa、角色权重Wr、身体健壮度权重Wb和距离权重Wl之和，即W＝Wa+Wr+Wb+Wl。
进一步的，所述“获取每个用户的实际年龄a、角色r、身体强壮度b和与厨房的距离l”具体包括：
通过预先为每个用户输入的年龄，根据输入时间和现在的时间，计算每个用户的年龄a；
通过预先为每个用户输入的角色和身体健康状况，得到用户的实际角色r和身体健壮度b；
通过预先绑定的定位终端，获取用户与厨房的距离l。
若用户没有收到预警时间t1，或者收到了但是来不及处理，需要对煤气浓度进行控制。因此，在一个优选的实施方式中，所述方法还包括：
首先，当检测到所述煤气浓度Ct达到预警值Ct1，则向煤气紧急关闭装置发送关闭煤气总开关的信号，并向厨房的通风装置发送启动信号。
关闭煤气总开关用于控制煤气浓度的上升，开启通风装置用于疏导厨房中的煤气，降低煤气浓度，防止煤气浓度进一步上升从而造成无法挽回的损失。
然后，根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，并给所述优先提醒的用户发送提醒信息。
所述提醒信息包括：煤气浓度已经达到预警值Ct1，并且发送了关闭煤气总开关和启动通风装置的信号。
需要说明的是，由于煤气总开关可能关闭失败，为了提醒用户谨慎处理，进一步的，所述方法还包括：
在向煤气紧急关闭装置发送关闭煤气总开关的信号后，若检测到用户煤气浓度还在继续上升，给所述优先提醒的用户发送警报。
所述警报用于提醒用户，煤气总开关关闭失败，煤气浓度还在进一步上升，需要用户做好应对措施。
在一个具体的实施方式中，当前用户的冰箱系统通过网络收集曾经出现煤气泄漏的历史用户的场景信息，所述场景信息包括用户煤气泄漏所处的地区L、燃气管道的材质P、厨房体积V、燃气安装时间T。然后获取当前用户的场景信息，根据协同过滤算法，计算多个历史用户的场景信息与当前用户的场景信息的相似度。选取相似度超过阈值的历史用户得到第一用户集合，对第一用户集合中历史用户的煤气泄漏数据进行线性回归，每个历史用户得到一个回归方程，将第一用户集合中的历史用户根据回归方程的类型划分成多个子集合，然后选取个数最多的子集合中与当前用户相似度最大的历史用户的线性回归方程，作为当前用户的煤气泄漏预测方程。最后使用所述煤气泄漏方程对当前用户的煤气泄漏进行预测。
本发明的煤气浓度预测方法，通过协同过滤算法，找到与当前用户的场景信息类似的历史煤气泄漏的用户，对这个历史用户的煤气泄漏数据进行线性拟合，得到线性回归方程，使用所述线性回归方程，对当前用户的煤气泄漏数据进行预测。然后将相关预测信息发送给用户，预防煤气浓度的进一步泄露，减少煤气对人体的伤害。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述基于协同过滤的煤气浓度预测方法中的任意一个步骤，也就是说，实现上述所述基于协同过滤的煤气浓度预测方法中任意一个技术方案中的步骤。
本发明还提供一种冰箱，所述冰箱包含上述所述的电子装置。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于协同过滤的煤气浓度预测方法，其特征在于，所述方法包括：
获取煤气泄漏的多个历史用户的与燃气相关的场景信息；
获取当前用户的所述场景信息，根据协同过滤算法，计算多个历史用户的场景信息与当前用户的场景信息的相似度；
选取相似度超过阈值的历史用户得到第一用户集合，根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程；
使用所述煤气泄漏预测方程对当前用户的煤气泄漏进行预测。
2.根据权利要求1所述基于协同过滤的煤气浓度预测方法，其特征在于，根据协同过滤算法，计算两个用户的场景信息之间的相似度，具体包括：
通过两个用户u和v的场景信息的集合N(u)和N(v)，计算相似度wuv：
其中，N(i)是指多个用户的场景信息中的第i个数据相同的用户集合。
3.根据权利要求2所述基于协同过滤的煤气浓度预测方法，其特征在于：
每个用户的所述场景信息包括地区L、燃气管道的材质P、厨房体积V、燃气安装时间T。
4.根据权利要求1所述基于协同过滤的煤气浓度预测方法，其特征在于，所述“根据所述第一用户集合中历史用户的煤气泄漏数据，得到当前用户的煤气泄漏预测方程”具体包括：
对所述第一用户集合中每个历史用户的煤气泄漏数据进行线性回归，每个历史用户得到一个线性回归方程；
根据所述线性回归方程的类型，将所述第一用户集合划分成多个第二用户集合；
选取个数最多的第二用户集合中与当前用户相似度最大的历史用户的线性回归方程，作为当前用户的煤气泄漏预测方程。
5.根据权利要求1所述基于协同过滤的煤气浓度预测方法，其特征在于，所述“使用所述煤气泄漏预测方程对当前用户的煤气泄漏进行预测”具体包括：
获取当前用户厨房的煤气浓度Ct；
当检测到所述厨房的煤气浓度Ct达到预定下限值Ct0时，根据所述煤气泄漏预测方程，计算煤气浓度达到预警值Ct1的预警时间t1；
将所述预警时间t1发送给用户。
6.根据权利要求5所述基于协同过滤的煤气浓度预测方法，其特征在于，所述“将所述预警时间t1发送给用户”具体包括：
根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，其中所述相关信息包括用户的年龄、角色、身体健壮度以及与厨房的距离；
给所述优先提醒的用户发送所述预警时间t1。
7.根据权利要求5所述基于协同过滤的煤气浓度预测方法，其特征在于，所述方法还包括：
当检测到所述煤气浓度Ct达到预警值Ct1，则向煤气紧急关闭装置发送关闭煤气总开关的信号，并向厨房的通风装置发送启动信号；
根据多个用户的相关信息以及不同相关信息的不同权重，计算优先提醒的用户，并给所述优先提醒的用户发送提醒信息。
8.根据权利要求7所述基于协同过滤的煤气浓度预测方法，其特征在于，所述方法还包括：
在向煤气紧急关闭装置发送关闭煤气总开关的信号后，若检测到用户煤气浓度还在继续上升，给所述优先提醒的用户发送警报。
9.一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任意一项所述基于协同过滤的煤气浓度预测方法中的步骤。
10.一种冰箱，其特征在于，所述冰箱包含如权利要求9所述的电子装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475559.5A CN113743637A (zh) | 2020-05-29 | 2020-05-29 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
| PCT/CN2021/096417 WO2021213546A1 (zh) | 2020-05-29 | 2021-05-27 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
| EP21791597.4A EP4160493A4 (en) | 2020-05-29 | 2021-05-27 | METHOD FOR PREDICTING CARBON GAS CONCENTRATIONS BASED ON COLLABORATIVE FILTERING AND APPARATUS AND REFRIGERATOR |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475559.5A CN113743637A (zh) | 2020-05-29 | 2020-05-29 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113743637A true CN113743637A (zh) | 2021-12-03 |
Family
ID=78270301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010475559.5A Pending CN113743637A (zh) | 2020-05-29 | 2020-05-29 | 基于协同过滤的煤气浓度预测方法、设备及冰箱 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4160493A4 (zh) |
| CN (1) | CN113743637A (zh) |
| WO (1) | WO2021213546A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114581440B (zh) * | 2022-05-05 | 2024-01-09 | 中用科技有限公司 | 一种基于图像识别快速定位泄漏点的方法 |
| CN115512520B (zh) | 2022-11-21 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的用气安全预警方法及物联网系统 |
| CN116559362B (zh) * | 2023-04-13 | 2023-12-01 | 威利朗沃矿业设备（北京）有限公司 | 基于地质构造的煤矿瓦斯异常检测方法、装置和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184460A (zh) * | 2011-03-31 | 2011-09-14 | 河南理工大学 | 基于协同过滤的煤矿瓦斯涌出量预测方法 |
| CN203810840U (zh) * | 2013-12-09 | 2014-09-03 | 南京创维家用电器有限公司 | 一种具有煤气泄漏检测功能的冰箱 |
| CN105486807A (zh) * | 2015-11-25 | 2016-04-13 | 南京缔尔达智能科技有限公司 | 一种危化气安全隐患的分析方法 |
| CN106257503A (zh) * | 2016-07-26 | 2016-12-28 | 郑州郑大智能科技股份有限公司 | 一种互联网用电体相似用户识别方法 |
| CN107977669A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 一种基于全景画像关联分析的弱势家庭监测方法、系统 |
| CN109740064A (zh) * | 2019-01-18 | 2019-05-10 | 北京化工大学 | 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法 |
| CN110992124A (zh) * | 2019-10-31 | 2020-04-10 | 贝壳技术有限公司 | 房源的推荐方法及房源的推荐系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8412726B2 (en) * | 2010-06-03 | 2013-04-02 | Microsoft Corporation | Related links recommendation |
| CN102495864A (zh) * | 2011-11-25 | 2012-06-13 | 清华大学 | 基于评分的协同过滤推荐方法及系统 |
| US10007946B1 (en) * | 2013-03-07 | 2018-06-26 | Vast.com, Inc. | Systems, methods, and devices for measuring similarity of and generating recommendations for unique items |
| CN110008405A (zh) * | 2019-03-25 | 2019-07-12 | 华南理工大学 | 一种基于时效性的个性化消息推送方法及系统 |
| CN111080976B (zh) * | 2019-12-24 | 2021-09-10 | 北京优航机电技术有限公司 | 一种温度变化场景下实时监测天然气泄漏的方法及装置 |
-
2020
- 2020-05-29 CN CN202010475559.5A patent/CN113743637A/zh active Pending
-
2021
- 2021-05-27 EP EP21791597.4A patent/EP4160493A4/en active Pending
- 2021-05-27 WO PCT/CN2021/096417 patent/WO2021213546A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184460A (zh) * | 2011-03-31 | 2011-09-14 | 河南理工大学 | 基于协同过滤的煤矿瓦斯涌出量预测方法 |
| CN203810840U (zh) * | 2013-12-09 | 2014-09-03 | 南京创维家用电器有限公司 | 一种具有煤气泄漏检测功能的冰箱 |
| CN105486807A (zh) * | 2015-11-25 | 2016-04-13 | 南京缔尔达智能科技有限公司 | 一种危化气安全隐患的分析方法 |
| CN106257503A (zh) * | 2016-07-26 | 2016-12-28 | 郑州郑大智能科技股份有限公司 | 一种互联网用电体相似用户识别方法 |
| CN107977669A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 一种基于全景画像关联分析的弱势家庭监测方法、系统 |
| CN109740064A (zh) * | 2019-01-18 | 2019-05-10 | 北京化工大学 | 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法 |
| CN110992124A (zh) * | 2019-10-31 | 2020-04-10 | 贝壳技术有限公司 | 房源的推荐方法及房源的推荐系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021213546A1 (zh) | 2021-10-28 |
| EP4160493A1 (en) | 2023-04-05 |
| EP4160493A4 (en) | 2023-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Roach et al. | Generalization of prior information for rapid Bayesian time estimation | |
| Balakrishnan et al. | Incorporating behavioral constraints in online AI systems | |
| CN113743637A (zh) | 基于协同过滤的煤气浓度预测方法、设备及冰箱 | |
| Chernbumroong et al. | Genetic algorithm-based classifiers fusion for multisensor activity recognition of elderly people | |
| Van Kasteren et al. | An activity monitoring system for elderly care using generative and discriminative models | |
| Dahmen et al. | Smart secure homes: a survey of smart home technologies that sense, assess, and respond to security threats | |
| Shany et al. | Are we stumbling in our quest to find the best predictor? Over‐optimism in sensor‐based models for predicting falls in older adults | |
| Augusto et al. | Management of uncertainty and spatio-temporal aspects for monitoring and diagnosis in a smart home | |
| US20200019887A1 (en) | Data-driven activity prediction | |
| US11270565B2 (en) | Electronic device and control method therefor | |
| Mirchevska et al. | Combining domain knowledge and machine learning for robust fall detection | |
| CN108510049B (zh) | 基于情感-时空信息的机器人服务自主认知方法及机器人 | |
| CN110291542B (zh) | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 | |
| Angdresey et al. | Monitoring and predicting water quality in swimming pools | |
| Li et al. | Introduce structural equation modelling to machine learning problems for building an explainable and persuasive model | |
| Mishra et al. | Cognitive inference device for activity supervision in the elderly | |
| Shang et al. | Implicit irregularity detection using unsupervised learning on daily behaviors | |
| Parvin et al. | Personalized real-time anomaly detection and health feedback for older adults | |
| Priyatharshini et al. | A self-learning fuzzy rule-based system for risk-level assessment of coronary heart disease | |
| Habib et al. | Multisensor data fusion for patient risk level determination and decision-support in wireless body sensor networks | |
| Tang et al. | Evolution strategy for anomaly detection in daily life monitoring of elderly people | |
| Hu et al. | Double-quantitative decision rough set over two universes and application to African swine fever decision-making | |
| US20220367061A1 (en) | System and method for text-based conversation with a user, using machine learning | |
| Hantous et al. | Detecting physiological needs using deep inverse reinforcement learning | |
| Inibhunu et al. | State based hidden Markov models for temporal pattern discovery in critical care |
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 |