CN114265325A - 自学习的智能家居控制方法、终端及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种自学习的智能家居控制方法、终端及计算机可读存储介质，方法包括：获取目标对象的历史使用数据，并对历史使用数据进行分段处理，得到多维度的记录矩阵；通过自学习算法对记录矩阵进行分析，确定目标对象在每个时间段内的习惯频率，并根据习惯频率向目标对象提示使用建议；根据使用建议和目标对象的确认信息、控制与习惯频率对应的智能家居设备进行相应操作响应。本发明通过获取用户的历史控制智能设备的使用数据，并利用自学习算法向用户提示与用户习惯相关的使用建议，从而基于统计学习的方式实现了自学习智能家居的控制模式，提高了用户数据计算的鲁棒性，降低了用户数据计算所需资源，保证了工业化应用的落地。

Description

自学习的智能家居控制方法、终端及计算机可读存储介质

技术领域

本发明涉及人工智能领域，尤其涉及的是一种自学习的智能家居控制方法、终端及计算机可读存储介质。

背景技术

得益于互联网技术的高速发展以及AI技术的不断进步，智能家居设备在日常生活中得到越来越多的普及。在美国，亚马逊公司的Amazon Home以及谷歌公司的Google Home，提供了完整的智能家居控制解决方案。

在人工智能爆发的AI时代，将算法和传统家电有机的结合起来，是所有厂商都在努力的方向。5G时代的到来，让看到了万物互联的可能性。自学习控制系统是智能终端结合用户的使用记录，使用先进的机器学习、深度学习等方法习得用户的使用习惯，并将其转换为使用建议提供给用户，从而帮助用户更便捷的操作设备。

目前，自学习控制系统使用了GAN等深度学习算法，考虑到深度学习的复杂性、黑盒性，将其应用到C端用户的家居控制中，可解释性大大降低了，同时，对服务器资源要求较高，无法实现大规模工业化应用。此外，这种自学习控制系统更多的是将算法的重心放在用户操作设备的精确时间点上，由于用户使用习惯上存在偶然性、随机性，因此，这种数据预处理手段的鲁棒性是较低的。

因此，现有技术还有待改进。

发明内容

本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种自学习的智能家居控制方法、终端及计算机可读存储介质，以解决现有的智能设备的自学习控制系统鲁棒性低的技术问题。

本发明解决技术问题所采用的技术方案如下：

第一方面，本发明提供一种自学习的智能家居控制方法，自学习的智能家居控制方法包括以下步骤：

获取目标对象的历史使用数据，并对所述历史使用数据进行分段处理，得到多维度的记录矩阵；

通过自学习算法对所述多维度的记录矩阵进行分析，确定所述目标对象在每个时间段内的习惯频率，并根据所述习惯频率向所述目标对象提示使用建议；

根据所述使用建议和所述目标对象的确认信息、控制与所述习惯频率对应的智能家居设备进行相应操作响应。

在一种实现方式中，所述获取目标对象的历史使用数据，之前包括：

获取目标对象的语音信息，并通过解析处理将所述语音信息转换为文本信息；

将所述文本信息发送至大数据云平台，并通过所述大数据云平台的自然语言处理系统将所述文本信息解析为控制指令；

通过所述大数据云平台及所述控制指令控制对应的智能家居设备。

在一种实现方式中，所述获取目标对象的历史使用数据，之前还包括：

将所述目标对象的ID和所述控制指令存储至所述大数据云平台的数据库中，以记录所述目标对象的历史使用数据。

在一种实现方式中，所述获取目标对象的历史使用数据，并对所述历史使用数据进行分段处理，得到多维度的记录矩阵，包括：

从大数据云平台中获取所述目标对象的历史使用数据；

确定所述历史使用数据的使用周期，并根据所述使用周期将所述历史使用数据划分为N份数据；

根据预设时间段对N份数据中的每份数据进行分割，得到维度为(N，M)的记录矩阵。

在一种实现方式中，所述通过自学习算法对所述多维度的记录矩阵进行分析，确定所述目标对象在每个时间段内的习惯频率，并根据所述习惯频率向所述目标对象提示使用建议，包括：

通过所述自学习算法对所述记录矩阵中的特征进行提取，得到所述目标对象使用对应的智能家居设备的使用频率；

根据所述使用频率计算所述目标对象在每个时间段内的习惯频率；

按照从大到小的顺序对所有时间段对应的习惯频率进行排序，得到频率最大的习惯频率；

根据所述频率最大的习惯频率向所述目标对象提示对应的使用建议。

在一种实现方式中，所述根据使用频率计算所述目标对象在每个时间段内的习惯频率，包括：

判断所述使用频率是否大于第一阈值；

若所述使用频率大于所述第一阈值，则根据所述使用频率计算所述目标对象在每个时间段内的习惯频率。

在一种实现方式中，所述根据频率最大的习惯频率向所述目标对象提示对应的使用建议，包括：

判断所述频率最大的习惯频率是否大于第二阈值；

若所述频率最大的习惯频率大于所述第二阈值，则向所述目标对象提示对应的使用建议。

在一种实现方式中，所述根据使用建议和所述目标对象的确认信息、控制与所述习惯频率对应的智能家居设备进行相应操作响应，包括：

获取所述目标对象在提示后输入的确认信息；

根据所述习惯频率获取对应的控制指令，并根据所述确认信息和所述控制指令控制对应的智能家居设备进行相应操作响应。

第二方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有自学习的智能家居控制程序，所述自学习的智能家居控制程序被所述处理器执行时用于实现如第一方面所述的自学习的智能家居控制方法。

第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有自学习的智能家居控制程序，所述自学习的智能家居控制程序被处理器执行时用于实现如第一方面所述的自学习的智能家居控制方法。

本发明采用上述技术方案具有以下效果：

本发明通过获取用户的历史控制智能设备的使用数据，并利用自学习算法学习得到用户对智能设备的使用习惯，以及根据用户的使用习惯向用户提示对应智能设备的使用建议，从而基于使用建议控制对应的智能设备；本发明基于统计学习的方式实现了自学习智能家居的控制模式，通过采用分段式的时间处理方式，提高了用户数据计算的鲁棒性，而且，利用传统的基于数据分析的统计方法，降低了用户数据计算所需资源，保证了工业化应用的落地，提高了自学习算法的可解释性。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明的一种实现方式中自学习的智能家居控制方法的流程图。

图2是本发明的一种实现方式中一天的用户使用数据划分示意图。

图3是本发明的一种实现方式中一星期的用户使用数据划分示意图。

图4是本发明的一种实现方式中终端的功能原理图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

示例性方法

如图1所示，本发明实施例提供一种自学习的智能家居控制方法，所述自学习的智能家居控制方法包括以下步骤：

步骤S100，获取目标对象的历史使用数据，并对所述历史使用数据进行分段处理，得到多维度的记录矩阵。

在本实施例中，所述自学习的智能家居控制方法应用于终端中，所述终端包括但不限于：智能电视、智慧面板、智能空调以及智能冰箱等智能家居设备。

在本实施例中，基于所述智能电视、所述智慧面板、所述智能空调以及所述智能冰箱等智能家居设备实现智能家居控制系统，并在该智能家居控制系统中，每个智能家居设备中均设置有智能语音控制入口，通过其中的任意一台智能家居设备的语音交互功能，都可以控制其他的智能家居设备。

在用户日常控制智能家居设备的过程中，与用户交互的智能家居设备会接收用户(即目标对象)所说的话，然后调用内置的ARS(Automatic Speech Recognition，语音识别)服务，利用该ARS服务将接收的用户语音信息解析为可识别的文本信息。

在得到文本信息后，该智能家居设备会将转换后的用户文本信息上传至云端大数据平台，通过该云端大数据平台将用户文本信息转发至后台的NLP(Natural LanguageProcess，自然语言处理)服务，利用该NLP服务将用户文本信息解析为对应的控制指令(即对应的智能设备可以执行的命令)，从而通过该云端大数据平台将解析得到的控制指令下发至对应的智能设备，即将控制指令发送至用户会话中所需要控制的智能设备，完成对该智能设备的语音控制过程。

在一种应用场景中，用户语音控制的过程可以是以下情景：

用户输入的语音信息为：“帮我打开空调”；

ARS服务解析得到的文本信息为：帮我打开空调/给我打开空调/我要开空调；

NLP服务解析得到的控制指令为：{“动作”：“开”，“设备”：“空调”}；

云端大数据平台接收该控制指令，并执行该控制指令；

智能设备状态：空调被打开。

即在本实施例的一种实现方式中，步骤S100之前包括以下步骤：

步骤S001，获取目标对象的语音信息，并通过解析处理将所述语音信息转换为文本信息；

步骤S002，将所述文本信息发送至大数据云平台，并通过所述大数据云平台的自然语言处理系统将所述文本信息解析为控制指令；

步骤S003，通过所述大数据云平台及所述控制指令控制对应的智能家居设备。

在本实施例中，在用户语音控制的流程中，用户口语化的控制指令被NLP服务解析为符合智能设备(空调)的标准命令，在云端大数据平台执行标准指令的同时，也会记录用户下达控制指令的时间信息和用户身份信息(用户ID)；其中，用户身份信息可以是与用户名称绑定的身份信息，例如：用户名称、用户绑定设备、用户偏好以及用户身份认证信息等。

在记录用户下达指令时间和用户身份信息后，将用户身份信息、下达的指令(即语音控制指令)以及控制时间进行关联存储，以存储在云端大数据平台的用户数据库(即用户ID对应的数据库)中；通过云端大数据平台记录用户在日常控制智能设备的使用记录，可在该云端大数据平台中存储该用户对相关设备的控制画像(画像是指根据用户的属性、偏好、生活习惯以及用户行为等信息而抽象出来的标签化的用户模型)，以作为用户对智能设备的日常使用习惯记录下来。

即在本实施例的一种实现方式中，步骤S100之前还包括以下步骤：

步骤S004，将所述目标对象的ID和所述控制指令存储至所述大数据云平台的数据库中，以记录所述目标对象的历史使用数据。

进一步地，在本实施例中，所述自学习的智能家居控制方法是基于自学习智能控制算法实现的，而该自学习智能控制算法的运算数据来源于云端大数据平台中的用户画像；因此，通过从云端大数据平台中获取用户画像(即历史使用数据)，将用户的历史控制指令作为该自学习智能控制算法的训练数据，通过学习得到用户的使用习惯，本实施例中使用统计学习的方式对用户即将进行的控制指令进行预测，向用户提示相应的使用建议，从而在得到用户反馈的情况下，根据使用建议控制对应的智能设备。

在获取用户画像后，先确定用户的使用周期，然后根据云端大数据平台中所记录的数据格式，选取一个使用周期(例如：使用周期为一个星期)的用户使用数据；本实施例中以空调设备为例，选取一周所得到的历史使用数据为：

如上表所示，在云端大数据平台中记录的用户控制数据可以包含日期、星期以及假期时间等信息，这些信息都可以作为统计学习算法的训练特征，使得统计学习算法可以习得用户的使用习惯。

进一步地，在得到用户的历史控制数据后，为了可以精准地学习用户的使用习惯，从而更准确地预测用户即将进行的控制操作，本实施例中还需要对获取的用户历史使用数据进行预处理，以得到预处理后用户数据。

具体地，结合上表中的用户控制数据，用户历史使用数据的预处理过程如下：

首先，将一星期内每一天按照一个小时(也可以根据需要设置其他的时间，例如：30分钟、90分钟等)进行划分，得到M份数据；考虑到大多数人的作息习惯，本实施例将一天从凌晨00:00到24:00，按小时分隔成了24个时间段。以上述表格的第一条数据为例，2021年9月20日，用户在中秋节的周一晚上19:46打开了空调，若使用时间格表示的话，得到的时间格如图2所示，其中，浅色部分对应的时间段表示用户在该时间段内并未使用空调，深色部分对应的时间段表示用户在该时间段内使用了空调，即用户在19：00～20：00这个时间段内使用了空调。

其次，通过上述的划分方式，可以得到一星期内的用户使用情况以及对应的时间格，其中，联合一星期内的用户控制命令，得到的时间格如图3所示，其中，浅色部分对应的时间段表示用户在该时间段内并未使用空调，深色部分对应的时间段表示用户在该时间段内使用了空调；从图3中不难看出，该用户在2021年9月20日至2021年9月26日之间，控制使用空调的时间段主要集中在19：00～21：00这个时间段内。

进一步地，若采取同样的方式，当积累的用户数据(使用时间)足够多时，例如：1个月、2个月以及2个月以上时，就可以通过记录的用户历史使用数据以及统计学习的方式，学习得到用户的使用习惯。

在一种应用场景中，可以通过上述的预处理方式，从大数据云平台中获取该用户在最近N天的历史使用数据；其中，N为大于或等于30的整数；然后，将用户的历史使用数据划分为N份数据，即得到该用户每一天的历史使用数据；最后，根据预设时间段对N份数据中的每份数据进行分割，每份数据划分得到M份数据，例如：将用户每天的使用数据分割为24个时间段(包括但不限于以1小时为时间段进行分割)，每天得到24份数据。

进一步地，根据划分后的数据可以得到维度为(N，M)的矩阵，若将用户每天的使用数据分割为24个时间段，则可以得到维度为(N，24)的矩阵；在本实施例中，该矩阵可以被定义为用户记录矩阵；根据该用户记录矩阵，可以统计得到用户在近期的N天内的使用频率，以及该在使用频率下的用户习惯。

即在本实施例的一种实现方式中，步骤S100具体包括以下步骤：

步骤S101，从大数据云平台中获取所述目标对象的历史使用数据；

步骤S102，确定所述历史使用数据的使用周期，并根据所述使用周期将所述历史使用数据划分为N份数据；

步骤S103，根据预设时间段对N份数据中的每份数据进行分割，得到维度为(N，M)的记录矩阵。

本实施例通过对获取的用户历史使用数据进行层次化的划分，使得用户数据处理的方式的鲁棒性更强，从而可以提高对用户控制行为的识别的准确性。

如图1所示，在本发明实施例的一种实现方式中，自学习的智能家居控制方法还包括以下步骤：

步骤S200，通过自学习算法对所述多维度的记录矩阵进行分析，确定所述目标对象在每个时间段内的习惯频率，并根据所述习惯频率向所述目标对象提示使用建议。

在本实施例中，在得到用户记录矩阵后，可以统计近期的N天内，用户在每个时间段打开智能设备的频率(即打开空调的频率)，例如：如果用户在近期的N天中，有K天执行了打开空调的命令，则将

定义为该用户的空调使用频率。

进一步地，在该K天中，有k天是在19：00～20：00这个时间段使用智能设备的，则可以将

定义为该用户的习惯频率；相应地，在用户记录矩阵中，对于每个时间段都会有一个习惯频率值，对应于一天当中的每个时间段，该用户的使用习惯的计算方式如下：

首先，判断当前系统时间距离上次更新时间(即用户使用数据的更新时间)是否大于设定时长，其中，设定时长可以是7天；若大于设定时长，则直接获取用户记录矩阵，并通过自学习算法对该记录矩阵中的特征进行提取，得到用户使用智能设备的使用频率；其中，所提取的特征即为用户使用智能设备的控制指令；若小于或等于设定时长，则获取上一次的使用建议，并向用户提示上一次的使用建议。

然后，根据用户的使用频率以及上述的习惯频率定义，计算用户在每个时间段内的习惯频率，并按照从大到小的顺序对所有时间段对应的习惯频率进行排序，得到频率最大的习惯频率，以根据该频率最大的习惯频率向该用户提示对应的使用建议，例如：“是否需要小X帮您打开空调”；或者，向该用户提示对应的使用建议及设备状态，例如：“是否需要小X帮您把空调打开，并调到26度”。

考虑到用户记录矩阵中特征的异构性，假设该用户在同一时间段内同时控制了多个智能设备，例如：用户在19：00～20：00这个时间段使用空调和智能电视；则在该时间段内对应有多个习惯频率，例如：习惯频率1为空调频率，习惯频率2为智能电视频率。

由于，在实际应用场景中，用户并不是每天都在19：00～20：00这个时间同时开启多个智能设备；因此，在多个习惯频率中，有较大的习惯频率和较小的习惯频率；此时，可根据习惯频率的大小，选择最大的作为第一使用建议，其次，选择较大的作为第二使用建议。

举例来说，假如计算得到用户在19：00～20：00这个时间的空调的习惯频率为0.7，而智能电视的习惯频率为0.5；则在系统(即智能家居控制系统)的时间处于19：00～20：00时，预测到该用户可能在该时间段主要控制空调，其次控制智能电视；因此，根据权重比提示对应的使用建议。

例如：

提示选项1：开启空调；

提示选项2：开启智能电视；

提示选项3：同时开启空调和智能电视；

提示选项4：空调和智能电视均不开启。

即在本实施例的一种实现方式中，步骤S200具体包括以下步骤：

步骤S201，通过所述自学习算法对所述记录矩阵中的特征进行提取，得到所述目标对象使用对应的智能家居设备的使用频率；

步骤S202，根据所述使用频率计算所述目标对象在每个时间段内的习惯频率；

步骤S203，按照从大到小的顺序对所有时间段对应的习惯频率进行排序，得到频率最大的习惯频率；

步骤S204，根据所述频率最大的习惯频率向所述目标对象提示对应的使用建议。

值得一提的是，在上述步骤S202中，在计算用户在每个时间段内的习惯频率时，考虑到用户在某个时间段的使用频率不大，并不能给出实际性的习惯频率和使用建议；因此，还需要设置第一阈值，通过判断用户的使用频率是否大于第一阈值，以此筛选出一些不必要的数据；其中，第一阈值可以设置为0.3；若使用频率大于第一阈值，则根据使用频率计算用户在每个时间段内的习惯频率；若使用频率小于或等于第一阈值，则放弃该时间段的使用频率。

在本发明实施例的一种实现方式中，步骤S202具体包括以下步骤：

步骤S202a，判断所述使用频率是否大于第一阈值；

步骤S202b，若所述使用频率大于所述第一阈值，则根据所述使用频率计算所述目标对象在每个时间段内的习惯频率。

值得一提的是，在上述步骤S204中，在提示对应的使用建议时，还需要设置第二阈值，通过判断频率最大的习惯频率是否大于第二阈值，以此决定是否需要向该用户提示对应的使用建议，其中，第二阈值可以设置为0.5；若频率最大的习惯频率大于第二阈值，则向用户提示对应的使用建议。

步骤S204a，判断所述频率最大的习惯频率是否大于第二阈值；

步骤S204b，若所述频率最大的习惯频率大于所述第二阈值，则向所述目标对象提示对应的使用建议。

同样地，考虑到用户记录矩阵中特征的异构性，在向用户提示对应的使用建议时，若有多个习惯频率大于第二阈值，则按照习惯频率的排列顺序，依次提示对应的使用建议；例如：提示选项1：开启空调；提示选项2：开启智能电视。

本实施例通过统计学习的方式对用户在某个时间段即将实施的控制行为进行预测，在系统时间到达该时间段时，向用户提示对应的智能设备的控制行为和使用建议，从而为用户带来更好的服务体验。

如图1所示，在本发明实施例的一种实现方式中，自学习的智能家居控制方法还包括以下步骤：

步骤S300，根据所述使用建议和所述目标对象的确认信息、控制与所述习惯频率对应的智能家居设备进行相应操作响应。

在本实施例中，在向用户提示相应的使用建议后，可获取用户在提示后输入的语音确认信息(或者语音选项信息)，然后，将语音确认信息发送至云端大数据平台；此后，云端大数据平台则会根据用户的使用习惯获取对应的控制指令，并根据语音确认信息(或者语音选项信息)和控制指令控制对应的智能家居设备；例如：控制打开空调。

当然，根据用户的使用习惯，在得到用户的确认信息后，云端大数据平台还可以将对应的智能家居设备控制在一定的状态；例如：在控制打开空调后，将空调的温度调到26度，或者，在控制打开智能电视后，将电视节目/频道调到用户喜爱的节目/频道。

即在本实施例的一种实现方式中，步骤S300具体包括以下步骤：

步骤S301，获取所述目标对象在提示后输入的确认信息；

步骤S302，根据所述习惯频率获取对应的控制指令，并根据所述确认信息和所述控制指令控制对应的智能家居设备进行相应操作响应。

在本实施例中，在提示使用建议及控制对应的设备后，根据云端大数据平台下发的控制指令和用户实际控制数据更新云端大数据平台存储的用户使用数据，以便于后续根据更新后的用户使用数据而更新提示信息。

本实施例通过获取用户的历史控制智能设备的使用数据，并利用自学习算法学习得到用户对智能设备的使用习惯，以及根据用户的使用习惯向用户提示对应智能设备的使用建议，从而基于使用建议控制对应的智能设备；本实施例基于统计学习的方式实现了自学习智能家居的控制模式，通过采用分段式的时间处理方式，提高了用户数据计算的鲁棒性，而且，利用传统的基于数据分析的统计方法，降低了用户数据计算所需资源，保证了工业化应用的落地，提高了自学习算法的可解释性。

示例性设备

基于上述实施例，本发明还提供一种终端，其原理框图可以如图4所示。

该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括计算机可读存储介质以及内存储器；该计算机可读存储介质存储有操作系统和计算机程序；该内存储器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部终端设备，例如：移动终端以及计算机等设备；该显示屏用于显示相应的自学习的智能家居控制信息；该通讯模块用于与云端服务器或移动终端进行通讯。

该计算机程序被处理器执行时用以实现一种自学习的智能家居控制方法。

本领域技术人员可以理解的是，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有自学习的智能家居控制程序，自学习的智能家居控制程序被处理器执行时用于实现如上的自学习的智能家居控制方法。

在一个实施例中，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有自学习的智能家居控制程序，自学习的智能家居控制程序被处理器执行时用于实现如上的自学习的智能家居控制方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。

综上，本发明提供了一种自学习的智能家居控制方法、终端及计算机可读存储介质，其中，方法包括：获取目标对象的历史使用数据，并对历史使用数据进行分段处理，得到多维度的记录矩阵；通过自学习算法对记录矩阵进行分析，确定目标对象在每个时间段内的习惯频率，并根据习惯频率向目标对象提示使用建议；根据使用建议和目标对象的确认信息、控制与习惯频率对应的智能家居设备进行相应操作响应。本发明通过获取用户的历史控制智能设备的使用数据，并利用自学习算法向用户提示与用户习惯相关的使用建议，从而基于统计学习的方式实现了自学习智能家居的控制模式，提高了用户数据计算的鲁棒性，降低了用户数据计算所需资源，保证了工业化应用的落地。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种自学习的智能家居控制方法，其特征在于，所述自学习的智能家居控制方法包括：

获取目标对象的历史使用数据，并对所述历史使用数据进行分段处理，得到多维度的记录矩阵；

通过自学习算法对所述多维度的记录矩阵进行分析，确定所述目标对象在每个时间段内的习惯频率，并根据所述习惯频率向所述目标对象提示使用建议；

根据所述使用建议和所述目标对象的确认信息、控制与所述习惯频率对应的智能家居设备进行相应操作响应。

2.根据权利要求1所述的自学习的智能家居控制方法，其特征在于，所述获取目标对象的历史使用数据，之前包括：

获取目标对象的语音信息，并通过解析处理将所述语音信息转换为文本信息；

将所述文本信息发送至大数据云平台，并通过所述大数据云平台的自然语言处理系统将所述文本信息解析为控制指令；

通过所述大数据云平台及所述控制指令控制对应的智能家居设备。

3.根据权利要求2所述的自学习的智能家居控制方法，其特征在于，所述获取目标对象的历史使用数据，之前还包括：

将所述目标对象的ID和所述控制指令存储至所述大数据云平台的数据库中，以记录所述目标对象的历史使用数据。

4.根据权利要求1所述的自学习的智能家居控制方法，其特征在于，所述获取目标对象的历史使用数据，并对所述历史使用数据进行分段处理，得到多维度的记录矩阵，包括：

从大数据云平台中获取所述目标对象的历史使用数据；

确定所述历史使用数据的使用周期，并根据所述使用周期将所述历史使用数据划分为N份数据；

根据预设时间段对N份数据中的每份数据进行分割，得到维度为(N，M)的记录矩阵。

5.根据权利要求4所述的自学习的智能家居控制方法，其特征在于，所述通过自学习算法对所述多维度的记录矩阵进行分析，确定所述目标对象在每个时间段内的习惯频率，并根据所述习惯频率向所述目标对象提示使用建议，包括：

通过所述自学习算法对所述记录矩阵中的特征进行提取，得到所述目标对象使用对应的智能家居设备的使用频率；

根据所述使用频率计算所述目标对象在每个时间段内的习惯频率；

按照从大到小的顺序对所有时间段对应的习惯频率进行排序，得到频率最大的习惯频率；

根据所述频率最大的习惯频率向所述目标对象提示对应的使用建议。

6.根据权利要求5所述的自学习的智能家居控制方法，其特征在于，所述根据使用频率计算所述目标对象在每个时间段内的习惯频率，包括：

判断所述使用频率是否大于第一阈值；

若所述使用频率大于所述第一阈值，则根据所述使用频率计算所述目标对象在每个时间段内的习惯频率。

7.根据权利要求5所述的自学习的智能家居控制方法，其特征在于，所述根据频率最大的习惯频率向所述目标对象提示对应的使用建议，包括：

判断所述频率最大的习惯频率是否大于第二阈值；

若所述频率最大的习惯频率大于所述第二阈值，则向所述目标对象提示对应的使用建议。

8.根据权利要求1所述的自学习的智能家居控制方法，其特征在于，所述根据使用建议和所述目标对象的确认信息、控制与所述习惯频率对应的智能家居设备进行相应操作响应，包括：

获取所述目标对象在提示后输入的确认信息；

根据所述习惯频率获取对应的控制指令，并根据所述确认信息和所述控制指令控制对应的智能家居设备进行相应操作响应。

9.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有自学习的智能家居控制程序，所述自学习的智能家居控制程序被所述处理器执行时用于实现如权利要求1-8中任意一项所述的自学习的智能家居控制方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有自学习的智能家居控制程序，所述自学习的智能家居控制程序被处理器执行时用于实现如权利要求1-8中任意一项所述的自学习的智能家居控制方法。

Images