CN113971376B - 一种环境参数的智能控制方法和系统 - Google Patents
一种环境参数的智能控制方法和系统 Download PDFInfo
- Publication number
- CN113971376B CN113971376B CN202111582080.2A CN202111582080A CN113971376B CN 113971376 B CN113971376 B CN 113971376B CN 202111582080 A CN202111582080 A CN 202111582080A CN 113971376 B CN113971376 B CN 113971376B
- Authority
- CN
- China
- Prior art keywords
- environmental
- candidate
- control
- target
- environment
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请实施例公开了一种环境参数的智能控制方法和系统。该方法的一具体实施方式包括:将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得目标环境在预设时间点的内部环境参数;响应于内部环境参数不满足预设条件,确定环境控制设备的目标控制方式,包括:获取预设的至少一组候选控制方式,基于第二预测模型确定每组候选控制方式使目标环境达到标准环境参数需要的时长和费用;基于至少一组候选控制方式的时长和费用,确定环境控制设备的目标控制方式。该实施方式实现了有效预估环境控制设备控制方式的时长和费用,并提供了根据该时长和费用确定环境控制设备控制方式的方法。
Description
技术领域
本申请实施例涉及自动控制领域,具体涉及环境参数的智能控制方法。
背景技术
新风设备在向室内送风的同时对进入室内的空气进行过滤、消毒、杀菌、增氧、预热(冬天)等处理,而这些处理对新风设备的各个部件(例如,过滤装置)产生损耗,外部环境可以很大程度决定损耗程度和换风效率。此外,新风设备工作产生的电费与耗电量、分时电价、阶梯电价等有关。综合考虑外部环境、电费计费方法等因素可以为用户提供换风服务的同时,降低成本。
发明内容
本申请实施例提出了环境参数的智能控制方法和系统。
第一方面,本申请实施例提供了一种环境参数的智能控制方法,该方法包括:将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得所述目标环境在所述预设时间点的内部环境参数,其中,所述第一预测模型为机器学习模型;
判断所述内部环境参数是否满足预设条件;
响应于不满足,确定环境控制设备的目标控制方式,包括:
获取预设的至少一组候选控制方式,每组候选控制方式至少包括:环境控制设备的候选开启时间点和环境控制设备开启后的候选档位调节方式;
对于所述至少一组候选控制方式中的每一组,基于第二预测模型确定在所述候选开启时间点开启环境控制设备和采用所述候选档位调节方式时,所述目标环境达到标准环境参数需要的时长和费用,其中,所述第二预测模型为机器学习模型;
基于所述至少一组候选控制方式的所述时长和费用,从所述至少一组候选控制方式中确定环境控制设备的目标控制方式。
在一些实施例中,所述环境信息包括:目标环境类型、目标环境面积、时间类型、目标环境人数、目标环境的内部环境参数中的至少一种。
在一些实施例中,所述基于所述时长和所述费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式,包括:将所述时长和所述费用发送给用户终端;基于所述用户终端的反馈,确定目标控制方式。
在一些实施例中,所述基于所述时长和费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式,包括:将所述时长满足第一预设条件,以及所述费用满足第二预设条件对应的候选控制方式确定为目标控制方式。
在一些实施例中,所述费用至少包括电费和环境控制设备使用费中的至少一种。
在一些实施例中,所述电费至少与所述候选开启时间点、所述时长和所述候选开启时间点后的时间段的电价相关;所述环境控制设备使用费与所述候选开启时间点后的时间段的外界环境参数和至少一个收费标准相关,其中,每个所述收费标准是一组预设环境参数下的收费标准值。
在一些实施例中,获取至少一个收费标准对应的至少一个基础向量,每个基础向量的至少一个元素与对应的预设环境参数中至少一个环境指标的值对应;获取至少一个对比向量,所述至少一个对比向量与所述候选开启时间点后的时间段中至少一个子时间段对应,每个对比向量的至少一个元素与对应的子时间段中所述外界环境参数的至少一个环境指标的值对应;对于所述至少一个对比向量中的每一个,计算所述对比向量与至少一个基础向量的至少一个相似度;基于所述至少一个相似度,从所述至少一个基础向量中确定目标基础向量;基于至少一个对比向量对应的至少一个目标基础向量、所述至少一个目标基础向量对应的收费标准,以及所述至少一个子时间段的长度,确定所述环境控制设备使用费。
第二方面,本申请实施例提供了一种环境参数的智能控制系统,该系统包括:预测模块,用于将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得目标环境在预设时间点的内部环境参数,其中,第一预测模型为机器学习模型。判断模块,用于判断内部环境参数是否满足预设条件。控制模块,用于响应于不满足,确定环境控制设备的目标控制方式,包括:获取预设的至少一组候选控制方式,每组候选控制方式至少包括:环境控制设备的候选开启时间点和环境控制设备开启后的候选档位调节方式;对于至少一组候选控制方式中的每一组,基于第二预测模型确定在候选开启时间点开启环境控制设备和采用候选档位调节方式时,目标环境达到标准环境参数需要的时长和费用,其中,第二预测模型为机器学习模型;基于至少一组候选控制方式的时长和费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式。
第三方面,本申请实施例提供了一种环境参数的智能控制装置,包括处理器,所述处理器用于执行用于控制环境控制设备的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的环境参数的智能控制方法和系统,通过预测环境参数,预估环境控制设备的工作时长和费用,实现了高效低成本的环境控制设备工作方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些示例或实施例,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,还可以根据提供的附图获得其他的附图,而且还可以根据提供的附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
图1是本申请的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的环境参数的智能控制方法的一个实施例的流程图;
图3是根据本申请的环境参数的智能控制方法的一个应用场景的示意图;
图4是根据本申请的计算新风设备损耗费用的方法的示意图;
图5是根据本申请的环境参数的智能控制系统的系统框图;
图6是根据本申请的第一预测模型的示意图;
图7是根据本申请的第二预测模型的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
应当理解,本申请中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1示出了可以应用本申请的用于控制新风设备的系统的一些实施例的示例性系统架构100。
如图1所示,系统架构100可以包括服务器110、终端设备120、环境控制设备130、存储设备140和网络150。
服务器110可以是提供各种服务的服务器,例如对终端设备120提供支持的后台服务器。后台服务器可以响应于接收到终端设备120发送的信息获取请求,对该请求进行分析等处理,得到处理结果(例如,预测环境参数、候选控制方式等),并返回该处理结果。
需要说明的是,服务器110可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的环境参数的智能控制方法一般由服务器110执行,相应地,环境参数的智能控制装置一般设置于服务器110中。
用户可以使用终端设备120通过网络150与服务器110交互,以接收或发送消息等。终端设备120上可以安装有各种客户端应用,例如,门禁软件、新风控制软件等。
终端设备120,例如,终端设备120-1、终端设备120-2、终端设备120-3和终端设备120-4可以是硬件,也可以是软件。当终端设备120为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)、膝上型便携计算机、台式计算机等电子设备。当终端设备120为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。本申请实施例对电子设备的具体类型不作任何限制。
环境控制设备130可以是通过与外界气体交换以改变室内环境的设备。环境控制设备130可以包括新风设备、空调、加湿设备、浴霸等。新风设备可以包括管道式新风设备、无管道式新风设备、单向流新风设备、双向流新风设备、地送风设备、单体新风设备、中央新风设备、柜式新风设备、壁挂式新风设备、吊顶式新风设备、车载新风设备、舰载新风设备、机载新风设备或其任意组合。在一些实施例中,新风设备在送风的同时可以实现对进入室内的空气进行过滤、消毒、杀菌、增氧、预热(冬天)等功能。在一些实施例中,环境控制设备130可以设置于民宅、公寓、商场、超市、教室、宿舍、餐厅、厨房、食堂、厂房、仓库、实验室、病房、诊室、音乐厅、影院、体育场馆等场所。在一些实施例中,环境控制设备130可以设置于车辆、飞机、船舶等运输工具。在一些实施例中,服务器110可以通过网络150控制环境控制设备130的开启、暂停、停止、档位切换等操作。
存储设备140可以存储数据(例如,环境控制设备的候选控制方式等)、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从服务器110、终端120和/或环境控制设备130处获得的数据,例如,存储设备140可以存储从环境控制设备130获得的环境参数等。在一些实施例中,存储设备140可以存储服务器110可以执行或使用的数据和/或指令,以执行本说明书中描述的示例性方法。在一些实施例中,存储设备140可包括大容量存储器、可移除存储器、易失性读写存储器、只读存储器(ROM)等其中一种或几种的组合。在一些实施例中,存储设备140可以通过本说明书中描述的云平台实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、跨云、多云等其中一种或几种的组合。
在一些实施例中,存储设备140可以连接网络150,以与系统架构100中的一个或多个组件(例如,服务器110、终端120、环境控制设备130等)之间实现通信。系统架构100中的一个或多个组件可以通过网络150读取存储设备140中的数据或指令。在一些实施例中,存储设备140可以是服务器110的一部分,也可以是独立的,与处理设备直接或间接相连。
网络150用以在终端设备120和服务器110之间提供通信链路的介质。网络150可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器、终端设备、新风设备、存储设备和网络。
继续参考图2,其示出了根据本申请的环境参数的智能控制方法的一个实施例的流程200。该环境参数的智能控制方法包括以下步骤:
步骤210,将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得所述目标环境在所述预设时间点的内部环境参数,其中,所述第一预测模型为机器学习模型。
目标环境是指环境控制设备服务的场所。例如,住宅、公寓、办公区、放映厅等。
预设时间点是指预先设定的时间点。在本实施例中,预设时间点可以指预先设定的未来时间点。例如,用户离开或回到住宅的时间点、电影开场的时间点、未来的某一具体时刻等。
内部环境参数是反映目标环境的空气情况的量。内部环境参数可以包括至少一个环境指标,例如,PM2.5浓度、PM10浓度、二氧化碳浓度、一氧化碳浓度、甲醛浓度、VOC浓度、苯化物浓度、尼古丁浓度、粉尘浓度、花粉浓度等。
预设时间点之前的至少一个时间点可以包括过去时间点、当前时间点和未来时间点。例如,在16:00时,预测用户18:00下班到家时其住所的内部环境参数,18:00之前的至少一个时间点可以包括过去时间点15:00、15:30等,当前时间点16:00,未来时间点16:30、17:00、17:30等。
对于预设时间点之前的至少一个时间点中的每一个,环境信息至少包括:场所类型、场所面积、时间类型、场所中人数、场所中环境参数。对于过去时间点和当前时间点,场所中人数为实际人数,场所中环境参数为实测值。对于未来时间点,场所中人数为预估人数或预设人数,例如,根据电影票销售情况预估放映厅的人数、用户自定义等。对于未来时间点,场所中环境参数为预测值,例如,将该未来时间点作为预设时间点,利用第一预测模型预测该未来时间点的环境参数的预测值。
第一预测模型是指实现环境参数预测的机器学习模型。第一预测模型的输入可以包括预设时间点之前的至少一个时间点的环境信息。第一预测模型的输出可以包括预设时间点的内部环境参数。第一预测模型可以至少包括序列模型,例如,循环神经网络(RNN)、长短期记忆网络(LSTM)等序列模型或其任意组合。示例的,如图6所示,第一预测模型可以包括卷积神经网络、循环神经网络和全连接层。其中,卷积神经网络分别对每个时间点的组环境信息进行处理,提取每组环境信息的特征,其中,卷积核大小可以根据经验或需求设定,例如,卷积核大小为3*3;序列模型对这些时间点的特征进行处理,提取序列特征,序列特征包含了前后时间点之间的特征关系;全连接层对序列特征进行处理,以确定预设时间点的内部环境参数。
在本实施例中,用于控制环境控制设备的方法的执行主体(例如图1所示的服务器110)可以基于大量带有标识的训练样本训练初始第一预测模型以更新第一预测模型的参数获得训练后的第一预测模型。
在本实施例中,上述执行主体可以从训练样本中随机选取训练集,并对训练集进行数据增广;在训练集上对初始第一预测模型进行若干次迭代训练,得到训练后的第一预测模型。迭代训练的方法可以包括:计算损失函数的梯度,并通过梯度下降法迭代更新第一预测模型的参数。损失函数可以包括交叉熵损失函数、均方差损失函数、指数损失函数、对数损失函数和平方损失函数等。梯度下降法可以包括标准梯度下降法和随机梯度下降法等。迭代训练中可以采用多种学习率衰减策略,例如,分段衰减、逆时衰减、指数衰减和自适应衰减等。当损失函数收敛或小于预设阈值时,可以结束迭代训练。或者,当迭代轮次达到预设轮次时,可以结束迭代训练。
在本实施例中,第一预测模型的训练样本可以是各种环境在某一时刻之前的若干时间点的环境信息。样本标识可以是该时刻的环境参数。
在本实施例中,上述执行主体可以判断预设时间点的内部环境参数是否满足预设条件;如果不满足,上述执行主体执行步骤220-240。
不满足预设条件的情况可以包括:1)至少一个环境指标,例如,二氧化碳浓度、甲醛浓度、PM2.5浓度等,大于第一阈值;2)所有环境指标大于第一阈值;3)至少一个环境指标的加权平均值大于第一阈值。
在本实施例中,上述执行主体可以根据需求和/或经验调整第一阈值。上述执行主体还可以根据场所类型调整第一阈值,例如,调低幼儿园、游乐场、老年活动室等场所的第一阈值。上述执行主体还可以综合考虑场所类型和时间段来调整第一阈值,例如,调低办公场所在夜间时间段的第一阈值,以便于提前调整好办公环境。又例如,调低居住场所在白天时间段的第一阈值,以便于提前调整好休息环境。
步骤220,获取预设的至少一组候选控制方式,每组候选控制方式至少包括:环境控制设备的候选开启时间点和环境控制设备开启后的候选档位调节方式。
候选控制方式是指可供采用的、能够达到换风效果的环境控制设备控制方案。每组候选控制方式至少包括:环境控制设备的候选开启时间点和环境控制设备开启后的候选档位调节方式。
候选开启时间点是指可供采用的开启环境控制设备的时间点。例如,10分钟后,上午10点等。
在本实施例中,上述执行主体可以将当前时间和上述内部环境参数不满足预设条件的预设时间点之间的时间段(即[当前时间, 预设时间点])内确定为多个候选开启时间点。例如,上午9:00时,预计某场所在上午11:00不满足预设条件,则可以将9:00-11:00的时间段内的9:00、9:20、9:40、10:00、10:20、10:40等时间点作为候选开启时间点。
在本实施例的一些可选的实现方式中,上述时间段的开始时间可以是基于内部环境参数进一步筛选确定的开始时间,例如,将环境参数大于第二阈值的第一个预设时间点作为开始时间。第二阈值可以是前述第一阈值的80%、略低于第一阈值等。示例的,甲醛浓度的第一阈值是0.10mg/m3,并且预计目标场所将于9:40达到0.08 mg/m3,则将9:40作为上述时间段的开始时间。
由于不同时间段的电价不同,在不同时间点开启或运行环境控制设备产生的电费也不同。另外,由于不同时间段的外部环境的环境质量不同,相应的,将外界的空气进行处理(例如,过滤、消毒、杀菌、增氧、预热)并输送至室内时,对环境控制设备产生的损耗也不同。选择合适的开启时间点,有利于保证换风效果的同时兼顾节约成本。
候选档位调节方式是指可供采用的环境控制设备的档位调节方式。
环境控制设备的档位可以体现单位时间内的风量,例如,某环境控制设备可提供5个风量档位,即档位1、档位2、档位3、档位4和档位5。其中,档位1风量最大,档位2风量其次,……,档位5风量最小。
档位调节方式是指不同档位的组合方式。环境控制设备可以遵循档位调节方式在运行过程中自动跳转档位。
在本实施例中,档位调节方式可以包括根据目标环境中的浓度变化,切换档位。上述执行主体可以预设某个环境指标(例如,PM2.5等)的不同浓度,例如,浓度C1>C2>C3>C4>C5。当浓度值大于C1时切换新风系统的档位为档位1,当<C2浓度值<=C1时切换至档位2,......。上述浓度值可以是环境控制设备运行中目标环境中的实测值。
在本实施例的一些可选的实现方式中,上述执行主体可以根据时间确定档位调节方式,例如,每10分种降一个档位,每t/5时间降一个档位,其中,t为换风过程的预估时长。
在本实施例中,上述执行主体可以通过网络从存储设备140获取候选控制方式。或者,上述执行主体可以与环境控制设备服务商的系统集成。在本实施例的一些可选的实现方式中,候选控制方式可以通过接口获取,接口包括但不限于程序接口、数据接口、传输接口等。例如,用于控制环境控制设备的系统工作时,可以自动从接口中提取候选控制方式。
步骤230,对于所述至少一组候选控制方式中的每一组,基于第二预测模型确定在所述候选开启时间点开启环境控制设备和采用所述候选档位调节方式时,所述目标环境达到标准环境参数需要的时长和费用,其中,所述第二预测模型为机器学习模型。
第二预测模型是指实现时长预测的机器学习模型。第一预测模型的输入可以包括候选控制方式信息,例如,候选开启时间点、候选档位调节方式对应的新风量等,候选开启时间点的环境信息等。第二预测模型的输出可以包括:该候选控制方式的预估工作时长,即采用该候选控制方式时,目标环境达到标准环境参数所需的预估时间。第二预测模型可以至少包括神经网络模型,例如,标准神经网络(NN)、深度神经网络(DNN)等或其任意组合。示例的,如图7所示,第二预测模型可以包括深度神经网络和全连接层,其中,深度神经网络对候选控制方式信息进行处理,提取候选控制方式信息的特征,全连接层对候选控制方式信息的特征进行处理,以确定目标环境达到标准环境参数所需的预估时间。
在本实施例的一些可选的实现方式中,将候选控制方式的候选开启时间点、候选档位调节方式对应的新风量输入第二预测模型之前,上述执行主体可以基于预设时间点的环境参数对档位调节方式组合进行筛选,并基于筛选后的档位调节方式组合进行时长的预测。例如,环境参数达不到档位1对应的浓度C1,则剔除所有包括档位1的档位组合方式,仅仅将剩余的候选控制方式信息输入第二预测模型。
在本实施例中,上述执行主体可以基于大量带有标识的训练样本训练初始第二预测模型以更新第二预测模型的参数获得训练后的第二预测模型。
在本实施例中,上述执行主体可以通过多种方法训练第二预测模型,例如,采用与第一预测模型类似的训练方法。
在本实施例中,第二预测模型的训练样本可以是控制方式信息,例如,控制方式的开启时间点、档位调节方式对应的新风量等,以及开启时间点的环境信息,样本标识可以是时长的实测值。
在本实施例的一些可选的实现方式中,上述执行主体可以基于公式t=V (lnC0 -lnC1) /Q计算时长,其中,Q为档位调节方式中各个档位的平均新风量,V为室内空气容积,C1是开启时间点的环境参数值,C0是目标参数值。
在本实施例中,上述执行主体可以通过公式f= uV (lnC0 - lnC1) 计算费用,其中,u为计费单价,V为室内空气容积,C1是开启时间点的环境参数值,C0是目标参数值。计费单价u可以通过多种方式获得,例如,由环境控制设备服务商预设、通过环境控制设备服务商与用户协商确定、根据环境控制设备的型号和/或使用年限调整等。
在本实施例的一些可选的实现方式中,上述执行主体可以基于时长t,确定每组候选控制方式对应的新风费用。新风费用包括:电费、新风损耗费用中的至少一项。
上述执行主体可以基于候选开启时间点,时长t,及候选开启时间点和时长t构成的时间段内的电价确定电费。
环境控制设备使用费与候选开启时间点后的时间段的外界环境参数和至少一个收费标准相关,其中,每个所述收费标准是一组预设环境参数下的收费标准值。确定环境控制设备使用费的方法详见图4及其描述。
步骤240,基于所述至少一组候选控制方式的所述时长和费用,从所述至少一组候选控制方式中确定环境控制设备的目标控制方式。
在本实施例中,上述执行主体可以将每组候选方式及其对应的新风时间和新风费用发送给用户,基于用户的反馈确定环境控制设备的目标控制方式。
在本实施例的一些可选的实现方式中,上述执行主体可以首先筛选出若干组候选控制方式,例如,筛选出费用少于5元候选控制方式、筛选出时长短于20分钟的候选控制方式等。然后,上述执行主体可以将筛选出的若干组候选控制方式发送给用户,基于用户的反馈确定环境控制设备的目标控制方式。
在本实施例的一些可选的实现方式中,上述执行主体可以将时长满足第一预设条件,以及费用满足第二预设条件的候选控制方式确定为目标控制方式。例如,第一预设条件可以是时长短于20分钟、时长最短等。又例如,第二预设条件可以是费用少于5元、费用最少等。
在本实施例的一些可选的实现方式中,上述执行主体可以自动选择时长最短的候选控制方式为目标控制方式。
继续参见图3,图3是根据本实施例的环境参数的智能控制方法的应用场景的一个示意图。
在图3的应用场景300中,经第一预测模型计算得知,某放映厅晚场电影开场(例如,19:00)时,放映厅内的内部环境参数不符合预设条件(例如,二氧化碳浓度超过阈值)。
服务器110可以确定该放映厅环境控制设备,例如,新风设备的多组候选控制方式。例如,图3中的候选控制方式1、候选控制方式2、候选控制方式K等。其中,候选控制方式1的候选开启时间点是18:00,候选档位调节方式是:18:00-18:30(上一场观众退场时间)档位5、18:30-18:40档位2、18:40以后档位3。候选控制方式2的候选开启时间点是18:30,候选档位调节方式是:18:30-18:45档位2、18:45以后档位3。候选控制方式3的候选开启时间点是18:50,候选档位调节方式是:18:50以后档位1。
经第二预测模型计算可以得到上述多组候选控制方式的多组预估时长和预估费用。例如,图3中的时长1、费用1,时长2、费用2,时长K、费用K等。
服务器110可以根据上述多组预估时长和预估费用,确定该放映厅新风设备的目标控制方式。
进一步参考图4,其示出了计算环境控制设备使用费的方法的示意图。该计算环境控制设备使用费的方法400,包括以下步骤:
步骤410,获取至少一个收费标准对应的至少一个基础向量,每个基础向量的至少一个元素与对应的预设环境参数中至少一个环境指标的值对应。
在本实施例中,计算环境控制设备使用费的方法的执行主体(例如图1所示的服务器110)可以通过多种方法(例如,从环境控制设备的服务商获取、从历史数据获取)获取环境控制设备的至少一个收费标准及其对应的基础向量。
每个收费标准是预设的外界环境下收费的标准值。例如,外界环境中PM2.5的浓度在(a1,a2)区间时、甲醛浓度在(b1,b2)区间时、二氧化碳浓度在(c1,c2)区间时的收费标准为F1。又例如,外界环境中PM2.5的浓度在(a2,a3)区间时、甲醛浓度在(b2,b3)区间时、二氧化碳浓度在(c2,c3)区间时的收费标准为F2。再例如,外界环境中PM2.5的浓度在(a(n-1),an)区间时、甲醛浓度在(b(n-1),bn)区间时、二氧化碳浓度在(c(n-1),cn)区间时的收费标准为Fn。
基础向量中的元素与预设环境参数中的环境指标的值对应。例如,每个元素可以对应不同的环境指标区间的平均值。具体的,收费标准F1对应基础向量1(a12,b12,c12),其中,a12是a1和a2的平均值、b12是b1和b2的平均值、c12是c1和c2的平均值。收费标准F2对应的基础向量2(a23,b23,c23)其中,a23是a2和a3的平均值、b23是b2和b3的平均值、c23是c2和c3的平均值。又例如,每个元素可以对应不同的环境指标的最大值。具体的,收费标准F1对应基础向量(a2,b2,c2),收费标准F2对应基础向量(a3,b3,c3)。在本实施例的一些可选的实现方式中,基础向量中的元素还可以对应不同的环境指标区间的最大值、求和值或方差等。
步骤420,获取至少一个对比向量,所述至少一个对比向量与所述候选开启时间点后的时间段中至少一个子时间段对应,每个对比向量的至少一个元素与对应的子时间段中所述外界环境参数的至少一个环境指标的值对应。
在本实施例中,上述执行主体可以将候选开启时间点及其对应的时间长度t,根据外界环境中某项环境指标(例如,PM2.5浓度)的值,划分成至少一个子时间段。例如,基于外界环境中PM2.5的浓度,将候选开启时间点及其对应的时间长度t构成的时间段为(T1,Tm+1),划分为子时间段t1(T1,T2)、子时间段t2(T2,T3)、……和子时间段tm(Tm,Tm+1)。子时间段t1内,外界环境中PM2.5的值在收费标准F1范围内;子时间段t2内,外界环境中PM2.5的浓度在收费标准F2范围内;子时间段tm内,外界环境中PM2.5的浓度在收费标准Fm范围内。T2为外界环境中PM2.5的浓度从收费标准F1范围内转变到收费标准F2范围内的时间点,Tm为外界环境中PM2.5的浓度从收费标准F(m-1)范围内转变到收费标准Fm范围内的时间点。
进一步的,上述执行主体可以构建两个对比向量,即对比向量1和对比向量2,其中,对比向量1对应子时间段t1,对比向量2对应子时间段t2,……对比向量m对应子时间段tm。
与基础向量类似的,对比向量中的每个元素与不同的环境指标对应,例如,对应子时间段内的环境指标的平均值、对应子时间段内的环境指标的最大值等。具体的,t1时间段的对比向量1(a1’, b1’, c1’)中,a1’是t1时间段内,PM2.5的浓度的平均值、b1’是甲醛浓度的平均值、c1’是二氧化碳浓度的平均值。或者,a1’是t1时间段内,PM2.5的浓度的最大值、b1’是甲醛浓度的最大值、c1’是二氧化碳浓度的最大值。
步骤430,对于所述至少一个对比向量中的每一个,计算所述对比向量与至少一个基础向量的至少一个相似度;基于所述至少一个相似度,从所述至少一个基础向量中确定目标基础向量。
如图4所示,对于对比向量1,分别计算对比向量1与基础向量1的相似度S11、对比向量1与基础向量2的相似度S12、……、对比向量1与基础向量n的相似度S1n。对于对比向量2,分别计算对比向量2与基础向量1的相似度S21、对比向量2与基础向量2的相似度S22、……、对比向量2与基础向量N的相似度S2n。对于对比向量m,分别计算对比向量m与基础向量1的相似度Sm1、对比向量m与基础向量2的相似度Sm2、……、对比向量m与基础向量n的相似度Smn。在本实施例中,上述执行主体可以通过多种方式计算各个对比向量和各个基础向量的相似度,例如,计算余弦距离、欧氏距离等。
在本实施例中,上述执行主体可以通过多种方法基于每个对比向量的至少一个相似度确定其对应的目标基础向量,例如,将与该对比向量具有最大相似度的基础向量作为目标基础向量,并将该最大相似度作为目标相似度。示例的,将与对比向量1具有最大相似度是S12的基础向量2作为对比向量1对应的目标基础向量1,并将相似度S12作为对比向量1的目标相似度S1。
步骤440,基于至少一个对比向量对应的至少一个目标基础向量、所述至少一个目标基础向量对应的收费标准,以及所述至少一个子时间段的长度,确定所述环境控制设备使用费。
在本实施例中,上述执行主体可以基于公式F= S1*t1*F1 + S2*t2*F2 +...... +Sm*tm*Fm 确定环境控制设备使用费。t1为对比向量1对应的子时间段长度,S1为对比向量1与目标基础向量1之间的相似度,F1为与目标基础向量1对应的费用的标准值。
进一步参考图5,作为对以上一些图所示方法的实现,本申请提供了一种环境参数的智能控制系统500的一个实施例,该系统实施例与图2所示的方法实施例相对应。
如图5所示,本实施例的环境参数的智能控制系统500包括:预测模块510、判断模块520和控制模块530。
其中,预测模块510,用于将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得目标环境在预设时间点的内部环境参数,其中,第一预测模型为机器学习模型。
判断模块520,用于判断内部环境参数是否满足预设条件。
控制模块530,用于响应于不满足,确定环境控制设备的目标控制方式,包括:获取预设的至少一组候选控制方式,每组候选控制方式至少包括:环境控制设备的候选开启时间点和环境控制设备开启后的候选档位调节方式;对于至少一组候选控制方式中的每一组,基于第二预测模型确定在候选开启时间点开启环境控制设备和采用候选档位调节方式时,目标环境达到标准环境参数需要的时长和费用,其中,第二预测模型为机器学习模型;基于至少一组候选控制方式的时长和费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式。
在本实施例中,预测模块510、判断模块520和控制模块530的具体处理及其带来的技术效果可分别参考图2对应实施例中步骤210、步骤220、步骤230和步骤240的实施例的相关说明,在此不再赘述。
需要说明的是,环境参数的智能控制系统500可以是芯片或组件,环境参数的智能控制系统500可包括处理器和存储器,预测模块510、判断模块520和控制模块530等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中可以包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或多个,通过调整内核参数来控制新风设备。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请的上述实施例提供的用于控制新风设备的装置,通过预测环境参数、预估时长费用,实现了经济高效的新风工作方式。
本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现以上各方法实施例描述的用于控制新风设备的方法。
本申请实施例提供了一种处理器,该处理器用于运行程序,其中,该程序运行时实现以上各方法实施例描述的用于控制新风设备的方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,使得数据处理设备实现以上各方法实施例描述的用于控制新风设备的方法。
其中,本申请的上述实施例提供的装置、处理器、计算机可读介质或计算机程序产品可以均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种环境参数的智能控制方法,其特征在于,包括:
将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得所述目标环境在所述预设时间点的内部环境参数,其中,所述第一预测模型为机器学习模型;
判断所述内部环境参数是否满足预设条件;
响应于不满足,确定环境控制设备的目标控制方式,包括:
获取预设的至少一组候选控制方式,每组候选控制方式至少包括:所述环境控制设备的候选开启时间点和所述环境控制设备开启后的候选档位调节方式;
对于所述至少一组候选控制方式中的每一组,基于第二预测模型确定在所述候选开启时间点开启所述环境控制设备和采用所述候选档位调节方式时,所述目标环境达到标准环境参数需要的时长和费用,其中,所述第二预测模型为机器学习模型,所述费用包括电费和环境控制设备使用费中的至少一种;
基于所述至少一组候选控制方式的所述时长和费用,从所述至少一组候选控制方式中确定所述环境控制设备的目标控制方式;
所述环境控制设备使用费通过以下方式确定:
获取至少一个收费标准对应的至少一个基础向量,每个所述基础向量的至少一个元素与对应的预设环境参数中至少一个环境指标的值对应;
获取至少一个对比向量,所述至少一个对比向量与所述候选开启时间点后的时间段中至少一个子时间段对应,每个所述对比向量的至少一个元素与对应的所述子时间段中外界环境参数的至少一个环境指标的值对应;
对于所述至少一个对比向量中的每一个,
计算所述对比向量与所述至少一个基础向量的至少一个相似度;基于所述至少一个相似度,从所述至少一个基础向量中确定目标基础向量;
基于所述至少一个对比向量对应的至少一个目标基础向量、所述至少一个目标基础向量对应的收费标准,以及所述至少一个子时间段的长度,确定所述环境控制设备使用费。
2.根据权利要求1所述的方法,其特征在于,所述环境信息包括:目标环境类型、目标环境面积、时间类型、目标环境人数、目标环境的内部环境参数中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述基于所述时长和所述费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式,包括:
将所述时长和所述费用发送给用户终端;
基于所述用户终端的反馈,确定目标控制方式。
4.根据权利要求1所述的方法,其特征在于,所述基于所述时长和费用,从至少一组候选控制方式中确定环境控制设备的目标控制方式,包括:
将所述时长满足第一预设条件,以及所述费用满足第二预设条件对应的候选控制方式确定为目标控制方式。
5.根据权利要求1所述的方法,其特征在于,
所述电费至少与所述候选开启时间点、所述时长和所述候选开启时间点后的时间段的电价相关。
6.一种用于控制环境控制设备的系统,其特征在于,所述系统包括:
预测模块,用于将目标环境在预设时间点之前的至少一个时间点的环境信息输入第一预测模型,获得所述目标环境在所述预设时间点的内部环境参数,其中,所述第一预测模型为机器学习模型;
判断模块,用于判断所述内部环境参数是否满足预设条件;
控制模块,用于响应于不满足,确定所述环境控制设备的目标控制方式,包括:
获取预设的至少一组候选控制方式,每组候选控制方式至少包括:所述环境控制设备的候选开启时间点和所述环境控制设备开启后的候选档位调节方式;
对于所述至少一组候选控制方式中的每一组,基于第二预测模型确定在所述候选开启时间点开启环境控制设备和采用所述候选档位调节方式时,所述目标环境达到标准环境参数需要的时长和费用,其中,所述第二预测模型为机器学习模型,所述费用包括电费和环境控制设备使用费中的至少一种;基于所述至少一组候选控制方式的所述时长和费用,从所述至少一组候选控制方式中确定所述环境控制设备的目标控制方式;
所述环境控制设备使用费通过以下方式确定:
获取至少一个收费标准对应的至少一个基础向量,每个所述基础向量的至少一个元素与对应的预设环境参数中至少一个环境指标的值对应;
获取至少一个对比向量,所述至少一个对比向量与所述候选开启时间点后的时间段中至少一个子时间段对应,每个所述对比向量的至少一个元素与对应的所述子时间段中外界环境参数的至少一个环境指标的值对应;
对于所述至少一个对比向量中的每一个,
计算所述对比向量与所述至少一个基础向量的至少一个相似度;基于所述至少一个相似度,从所述至少一个基础向量中确定目标基础向量;
基于所述至少一个对比向量对应的至少一个目标基础向量、所述至少一个目标基础向量对应的收费标准,以及所述至少一个子时间段的长度,确定所述环境控制设备使用费。
7.一种用于控制环境控制设备的装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现权利要求1~5中任意一项所述的方法。
8.一种计算机可存储介质,其特征在于,所述存储介质存储有计算机指令,当所述计算机指令中的至少部分指令被处理器执行时,实现权利要求1~5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582080.2A CN113971376B (zh) | 2021-12-22 | 2021-12-22 | 一种环境参数的智能控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582080.2A CN113971376B (zh) | 2021-12-22 | 2021-12-22 | 一种环境参数的智能控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971376A CN113971376A (zh) | 2022-01-25 |
CN113971376B true CN113971376B (zh) | 2022-04-19 |
Family
ID=79590781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582080.2A Active CN113971376B (zh) | 2021-12-22 | 2021-12-22 | 一种环境参数的智能控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971376B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423445B (zh) * | 2023-12-11 | 2024-03-15 | 广东壹健康健康产业集团股份有限公司 | 基于用户集群感知的智能指环控制方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880490A (zh) * | 2020-07-08 | 2020-11-03 | 珠海格力电器股份有限公司 | 一种环境调节方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK1989490T3 (da) * | 2006-02-10 | 2012-04-10 | Danfoss As | Multi source heating in a house |
CN108413567B (zh) * | 2018-03-14 | 2020-05-26 | 山东建筑大学 | 基于物联网的中央空调节费优化方法与系统 |
WO2019215801A1 (ja) * | 2018-05-07 | 2019-11-14 | 日本電気株式会社 | 料金制御システム、料金制御装置、料金制御方法、及びコンピュータ読み取り可能な記録媒体 |
CN113557393B (zh) * | 2019-03-05 | 2022-08-02 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及系统、存储介质 |
CN113614460B (zh) * | 2019-03-29 | 2022-08-26 | 亿可能源科技(上海)有限公司 | 空调系统的管理方法、控制方法及系统、存储介质 |
CN113377018A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN113485498B (zh) * | 2021-07-19 | 2022-10-18 | 北京工业大学 | 一种基于深度学习的室内环境舒适度调节方法及系统 |
-
2021
- 2021-12-22 CN CN202111582080.2A patent/CN113971376B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880490A (zh) * | 2020-07-08 | 2020-11-03 | 珠海格力电器股份有限公司 | 一种环境调节方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113971376A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6697612B2 (ja) | 需要応答プログラムおよび事象を管理するためのシステム、装置、および方法 | |
JP6396985B2 (ja) | 需要応答事象を管理するためのユーティリティポータル | |
US11238545B2 (en) | Method and system for selecting similar consumers | |
CN113971376B (zh) | 一种环境参数的智能控制方法和系统 | |
CN110942220B (zh) | 运力调度方法、装置和服务器 | |
CN111160472B (zh) | 对象的目标特征的预测方法、装置、存储介质与电子设备 | |
CN102388387A (zh) | 访问控制策略模板生成设备、系统、方法及程序 | |
CN110213620A (zh) | 带宽分配方法及装置 | |
KR102369350B1 (ko) | 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법 | |
Hobson et al. | A workflow for evaluating occupant-centric controls using building simulation | |
KR20230117317A (ko) | 최대 전력 사용 시간을 예측하는 방법 및 그것을 이용한서버 | |
JP5536531B2 (ja) | ユーザ属性推定装置、ユーザ属性推定方法、およびプログラム | |
KR20150000602A (ko) | 중앙집중관리 방식의 건물별 맞춤형 에너지 관리 서비스 제공 방법 및 서버 | |
US11521180B1 (en) | System, method, and computer program for network experience optimization using a home network router | |
CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
CN109408737A (zh) | 用户推荐方法、装置和存储介质 | |
CN117726057A (zh) | 智慧游园导览的生成方法、系统、装置及存储介质 | |
Malmi et al. | From foursquare to my square: Learning check-in behavior from multiple sources | |
CN110166964A (zh) | 一种待扩容基站的确定方法及装置 | |
US9250617B2 (en) | Smoothing device, smoothing system, and computer program product | |
Willibald et al. | Understanding Residential Mobility | |
CN105426978B (zh) | 一种业务并发性预测方法与预测系统 | |
CN112288488A (zh) | 一种短租民宿智能定价系统和方法 | |
CN106611017B (zh) | 一种用户身份识别方法及装置 | |
JP2021108079A (ja) | 資源管理システム、資源管理方法及びプログラム |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100094 room 1101, 11 / F, building 1, zone 2, 81 Beiqing Road, Haidian District, Beijing Patentee after: Yunding Network Technology (Beijing) Co.,Ltd. Address before: 100094 room 1101, 11 / F, building 1, zone 2, 81 Beiqing Road, Haidian District, Beijing Patentee before: YUN DING NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |