CN115682207A - 基于用户使用偏好的加湿器智能控制方法 - Google Patents
基于用户使用偏好的加湿器智能控制方法 Download PDFInfo
- Publication number
- CN115682207A CN115682207A CN202310005361.4A CN202310005361A CN115682207A CN 115682207 A CN115682207 A CN 115682207A CN 202310005361 A CN202310005361 A CN 202310005361A CN 115682207 A CN115682207 A CN 115682207A
- Authority
- CN
- China
- Prior art keywords
- humidification
- clustering
- curve
- obtaining
- user
- 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.)
- Granted
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及加湿器技术领域,提出了基于用户使用偏好的加湿器智能控制方法,包括:获取房间湿度对加湿等级的影响程度和室内温度对加湿功率等级的影响程度;获取历史加湿时间与所述时间对应的加湿功率等级的多组曲线,对曲线进行聚类;获取类内曲线段加湿功率之间的相关性;聚类第一评价指标、聚类第二评价指标、聚类第三评价指标得到综合聚类评价值;得到目标用户的历史习惯加湿功率等级;根据目标用户和相近用户的加习惯功率得到目标用户的偏好加湿功率。本发明通过结合用户历史使用数据以及与用户使用习惯相近的用户的使用习惯。
Description
技术领域
本发明涉及加湿器控制领域,具体涉及基于用户使用偏好的加湿器智能控制方法。
背景技术
近年来,人们的生活质量越来越高,而且随着科技的发展,电子设备的智能化程度也越来越高,结合互联网的发展,家庭智能化将成为未来生活的发展趋势,所需的智能化电子设备也越来越受欢迎和认可。现在大多数加湿器在进行工作时,仅能进行同一档位的加湿工作,无法自动转换,而对于用户来说,有时会因为忘记调整加湿器而使得加湿器加湿效果出现过加湿或加湿不到位等情况,针对这一情况,本发明设计基于用户使用偏好的加湿器智能控制系统,旨在提高加湿器的智能化程度,为人们的生活带来更多的便利,给人们更舒适的生活环境。
发明内容
本发明提供基于用户使用偏好的加湿器智能控制方法,以解决现有的缺少加湿器自动调节的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于用户使用偏好的加湿器智能控制方法,该方法包括以下步骤:
获取目标用户历史时间与相对应的室内温度、房间湿度、加湿功率等级以及历史加湿器调整数据;
根据目标用户历史加湿器调整数据得到房间湿度对加湿等级的影响程度和室内温度对加湿功率等级的影响程度;
获取历史加湿时间与所述时间对应的加湿功率等级的多组曲线,使用聚类簇数对多组曲线根据时间段进行分段得到若干分段曲线,根据分段曲线的长度、分段曲线波动性以及分段曲线所在时间段获取聚类距离,并对分段曲线进行聚类得到多个类;
获取每个类内的加湿功率平均值和所述类内每个曲线段的加湿功率均值的差值作为第一加湿功率差值,根据第一加湿功率差值与所述类内的曲线段数量得到所述类内的曲线段加湿功率等级之间的相关性;
根据每个类内聚类中心点与其余所有曲线段对应的三维点的欧氏距离获得聚类第一评价指标,根据所有聚类中心点两两之间的欧氏距离获得聚类第二评价指标,根据每个类内的相关性得到聚类第三评价指标,根据聚类第一评价指标、聚类第二评价指标、聚类第三评价指标得到综合聚类评价值,根据综合聚类评价值大小得到最优聚类效果,迭代完成后根据每个综合聚类评价值得到每次聚类的数据准确性;
根据最优聚类效果得到每个时间段加湿效率与加湿时间的依赖性,根据每个时间段加湿效率与加湿时间的依赖性、最优聚类的数据准确性、室内温度、房间湿度对加湿功率等级的影响程度以及当前环境下历史数据的平均值得到目标用户的历史习惯加湿功率等级;
获取与目标用户相关性较高的用户的习惯加湿功率等级与用户相关性,根据目标用户的历史习惯加湿功率等级、目标用户相关性较高的用户的习惯加湿功率等级、用户相关性以及数据参考量得到目标用户的偏好加湿功率,根据偏好加湿功率机器自动在相对应的时间进行功率控制调节。
优选的,所述根据分段曲线的长度、分段曲线波动性以及分段曲线所在时间段获取聚类距离,并对分段曲线进行聚类得到多个类的步骤为:
根据聚类簇数K,将所有曲线按照时间分为K+1段,将任意一条一条曲线中的任意K+1段作为聚类中心,将每段曲线用一个三维空间点表示,曲线的长度,曲线的波动性,曲线对应的时间段长度,将所有曲线段转换为三维空间点,计算所有点到所有聚类中心点的聚类距离,根据聚类距离将所有曲线段分类。
优选的,所述所有点到所有聚类中心点的聚类距离计算方法为:
式中,i表示第i个曲线段,a表示第a个聚类中心,表示第i个曲线段对应的曲线长度,表示第a个聚类中心的曲线长度,表示第i个曲线段对应的曲线波动性,表示第a个聚类中心的曲线波动性,表示第i个曲线段对应的时间段长度,表示第a个聚类中心的时间段长度,表示第i个曲线段与第a个聚类中心的聚类距离。
优选的,所述根据聚类第一评价指标、聚类第二评价指标、聚类第三评价指标得到综合聚类评价值的步骤为:
第一评价指标根据每个类内所有曲线段的两两之间的欧式距离最小值获得,第二评价指标根据不同类聚类中心点之间欧式距离获得,第三评价指标根据所有类内所有曲线段对应加湿功率与所有曲线段平均功率的差值的均值计算得到,根据第一评价指标、第二评价指标、第三评价指标得到综合聚类评价值。
优选的,所述得到目标用户的历史习惯加湿功率等级的步骤为:
获取历史数据中室内温度、房间湿度以及时间段对应的加湿功率,根据聚类结果获取加湿效率与加湿时间的依赖性以及数据准确度,根据加湿效率与加湿时间的依赖性、数据准确度、室内温度、房间湿度对加湿功率等级的影响程度分别得到室内温度、房间湿度以及时间段对于加湿功率等级的影响权重,根据室内温度、房间湿度以及时间段对于加湿功率等级的影响权重以及历史数据中室内温度对应的加湿功率的均值、房间湿度对应的加湿功率的均值以及时间段对应的加湿功率的均值获得目标用户历史习惯加湿功率等级。
优选的,所述根据目标用户的历史习惯加湿功率等级、目标用户相关性较高的用户的习惯加湿功率等级、用户相关性以及数据参考量得到目标用户的偏好加湿功率的计算公式为:
式中,表示目标用户的历史习惯加湿功率等级,表示和用户相近的第个用户的习惯加湿功率等级,m表示历史数据的参考数据量,G表示参考其他用户的数量,表示和用户相近的第个用户与目标用户的相关性,表示目标用户偏好加湿功率。
本发明的有益效果是:本发明通过结合用户历史使用数据以及与用户使用习惯相近的用户的使用习惯,预测用户偏好加湿功率,可以在没有用户数据,或者用户数据偏少时,更好的贴合用户偏好,而当用户数据变多时,也可以使得获取的预测加湿功率更偏向于用户,使得用户不管是在刚获取该加湿器或使用过一段时间的过程中均能获取较好的产品体验。本发明使用了对于坐标系的聚类使得时间分布更加准确,对于产品的调整可以更加精细化。
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为本发明的一个实施例所提供基于用户使用偏好的加湿器智能控制方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于用户使用偏好的加湿器智能控制方法流程图,该方法包括以下步骤:
步骤S001、获取目标用户的历史数据以及当前时段的数据。
将数据传感器放置在加湿器上,使用数据处理终端接收数据并对数据进行分析,其中当前数据采集包括,加湿器所在空间湿度C,加湿器加湿功率P,获取加湿器的功率等级为n,加湿器加湿温度T,加湿器的数据采集时间t,加湿器水位W。
历史数据采集包括,历史E天的数据采集时间以及其对应的加湿器功率等级,加湿器所在的空间湿度和加湿器所在的加湿温度。
为了可以更加精细的了解获取用户使用加湿器的习惯,本发明中数据采集的时间间隔为5分钟。
加湿器数据存储系统,其中便包括将每次用户习惯以及对应的感官进行调整。通过使用获取的大数据进行分析,进而分析出此用户相近用户的使用行为习惯。随着使用次数的增加,进而增大该用户在行为习惯上的权重,进而使得加湿效果更符合用户习惯。
步骤S002、获取加湿功率与时间的曲线空间对曲线空间进行聚类,并对聚类进行评价,并且根据聚类评价指标获取数据准确性。
首先,构建一个横坐标为0-24小时,纵坐标为加湿器加湿功率等级的曲线空间,将每次加湿器加湿过程中的加湿信息绘制为加湿时间-加湿功率等级曲线。
获取历史数据E天的加湿信息,在本实施例中E取30,获取E条曲线,将E条曲线放在一个坐标系即曲线空间内对曲线进行叠加,为了获取时间段对于加湿功率的影响程度,对曲线空间进行聚类分析,聚类算法使用K-means算法,通过使用该算法将时间段进行划分,即根据划分好的时间段可以获取时间段对加湿功率的影响程度,即在加湿时间段与加湿功率相关性较强时,参考加湿时间段对加湿器功率的调整的参考权值加大。
在对叠加获取的曲线进行分段时,叠加获取指的是将所有的曲线放在一个坐标系内,由于不知道具体应该分为几段,故本发明使用一种自适应K的聚类算法对获取的曲线进行分段,根据K值将坐标系横坐标等分为K段,得到K个时间段,E条曲线中每条曲线也被分为K段,即每条曲线分成K个曲线段,每个时间段内任选一个曲线段作为聚类中心。若将初始聚类簇数K定为2,也就是说先将坐标系随机一分为二,以分割线在时间段中间为例,其中0-12小时为一段,12-24小时为一段,每条曲线也被分成了2段,将每段曲线看作一个点,在被分为两半的两个时间段随机各取一段曲线作为聚类中心,聚类中心与其余曲线段的聚类距离越大,越不可能是一类,对于每次K值的选取,更改曲线段分割线的位置,当出现一个曲线段分割线无论向左还是向右都会到导致聚类效果变差时,则认为该位置为最优位置,此时根据聚类效果进行判断。若聚类效果较好,则此时K值为优选K值,否则将K值加一,重新进行聚类,计算其聚类效果,重复以上步骤,直至获取的聚类效果达到预期。
具体的,首先,以K为参数对所有曲线段使用K-means算法聚类后获得K个类别。其中K的初始值为2。
然后,将每个曲线段作为一个三维坐标点,其坐标构成为曲线长度,曲线波动性,曲线所对应时间段的长度,曲线波动性通过曲线中所有数据的方差计算得到,每条曲线段对应的三维坐标点的值进行归一化,根据归一化结果计算曲线空间第i个曲线段到第a个聚类中心的聚类距离,公式如下:
式中,i表示第i个曲线段,a表示第a个聚类中心,表示第i个曲线段对应的曲线长度,表示聚类中心的曲线长度,表示第i个曲线段对应的曲线波动性,表示聚类中心的曲线波动性,表示第i个曲线段对应的时间段长度,表示聚类中心的时间段长度,表示第i个曲线段与第a个聚类中心的聚类距离。
进一步的,根据如下原则对聚类效果进行评价:
根据类内差异性指标获取聚类效果评价指标b;
根据类间差异性指标获取聚类效果评价指标c;
根据数据特征获取聚类效果评价指标d;
其中聚类效果评价指标b的获取方法为:计算每个类内聚类中心点与其余所有曲线段对应的三维点的欧式距离,获取每个类别的最小的欧氏距离值,将每个类别的最小欧氏距离使用线性归一化,将归一化后所有类的最小欧氏距离值求平均,将所述均值得到聚类效果评价指标b。
其中聚类效果评价指标c的获取方法为:对所有类的聚类中心点两两之间计算欧式距离,将所有两点之间的欧式距离线性归一化,得到归一化后的所有聚类中心点之间最大的欧式距离值,其为聚类效果评价指标c。
其中聚类效果评价指标d的获取方法为:
根据对曲线进行分析可知,本发明主要想通过聚类的方式,将处于同一时间段内获取的相关性进行分析。当聚类完成后,分析每个时间段内的曲线段的相关性,当每个时间段内的曲线段的相关性越大,则说明聚类效果越好,每个时间段就是一个聚类簇,因此计算某一聚类簇内曲线段加湿功率等级之间的相关性,计算方法如下:
其中E表示曲线的数量,也就是每个时间段内曲线段的数量,表示第a个聚类簇内加湿功率的平均值,表示第a个聚类簇内第u个曲线段的平均加湿功率,表示第a个聚类簇内所有曲线段加湿功率等级之间的相关性。即当所求越大,说明该聚类簇内曲线对应加湿功率越趋向同一趋势,所有在该聚类簇内的曲线段更集中且波动更相似,exp()表示以自然常数为底的指数函数。
式中,K表示聚类簇的簇数,d就是聚类效果评价指标d,当获取的聚类簇内曲线元素中,曲线与加湿功率的相关性越强,便可说明该聚类效果越好。
进一步的,根据聚类效果评价指标b,聚类效果评价指标c,聚类效果评价指标d获得综合聚类评价值Y,综合聚类评价值Y的计算方式如下:
当获取的聚类结果中,类内差异b越小,类间差异c越大,聚类簇中曲线与加湿功率越相关,即所求d越大,也即所求Y越大,则说明聚类效果越好,ξ为评价阈值,本实施例中设置阈值ξ=0.7,即当获取的聚类效果评价指标Y大于阈值ξ时,便可认为此时对应K值为优选聚类簇数,当聚类效果评价指标Y不大于阈值ξ,继续进行迭代,增大K值,即令K加一作为新的K值,若迭代48次后仍然不满足,则在次48次中选择评价指标最大的聚类效果,使用此值对应聚类结果进行分析。
步骤S003、根据时间,湿度,温度对功率的影响程度得到习惯加湿功率,结合相近用户的加湿功率得到用户偏好加湿功率。
首先,当聚类结果满足评价指标要求时,根据此时的聚类结果,获取每个时间段其加湿效率与加湿时间的依赖性R:
式中,其中E表示曲线的数量,也就是每个时间段内曲线段的数量,表示第a个聚类簇内加湿功率的平均值,表示第a个聚类簇内第u个曲线段的平均加湿功率,表示第a个时间段对加湿效率与加湿时间的依赖性。越小,其第a个时间段内的所有曲线段就越集中,也越相似,也就是说在这个时间段内,这些曲线段更相似,说明这个时间段内加湿效率更大可能保持在这个加湿功率内,而越大,表示在第a个时间段内,这些曲线段各不相同,无法表示在这个时间段内加湿功率会是多少。
进一步的,获取环境对加湿功率的影响,判断用户在调整加湿器加湿功率时是否是根据加湿环境进行调整的,并且获取该相关性是否强烈。即若所求Q越大说明用户比较依赖于参考加湿环境对加湿器进行调整控制。
将湿度和温度从高到低分成O个等级,首先设定一个适宜环境范围,当加湿器对应的加湿功率等级调节后可以将当前环境调整到适宜环境,那么称当前环境所对应的温度和湿度等级为加湿器的功率等级,加湿器生产制造企业能够通过智能加湿器获得大量加湿器在工作过程中的温度和湿度数据样本,将这些温度和湿度样本按照数据的大小均匀分成O个等级,每个等级对应一个温度和湿度的取值范围,将温度和湿度分别放在所属的取值范围内,这些温度和湿度数据就相对应有温度和湿度等级。
获取目标用户调整加湿器时所处的房间湿度以及此时加湿器加湿功率,获取调整之后的加湿器的加湿功率,房间湿度对加湿等级的影响程度的计算方式如下:
式中m表示获取的历史E天内用户调整加湿器次数,j表示加湿器人为调整的第j次,室内温度对应的类别等级,表示加湿器的加湿功率等级,Q就表示房间湿度对加湿等级的影响程度,当Q越小时,房间湿度越低时,对应加湿等级越高,房间湿度越高时,对应加湿等级越低;当Q越大时,房间湿度越低时,对应加湿等级也越低,房间湿度越高时,对应加湿等级也越高。本实施例中对相关数据瓜分了O个等级,为了方便本实施例的计算和实施,本实施例的第一个等级为1,第二个等级为2,依次类推直到O为止。
根据湿效率与加湿时间的依赖性R、室内温度对于加湿器功率等级的影响程度、房间湿度对加湿等级的影响程度获取用户历史习惯加湿功率:
其中,表示根据历史数据获取的用户在房间湿度为C时对应的加湿功率均值,表示再时间段T内对应的历史加湿功率均值,表示历史室内温度为A时对应的加湿功率均值,表示数据准确性,越大,表示数据准确性越大,在其影响下加湿效率与加湿时间的依赖性也会越大。
进一步的,获取与目标用户相近的用户信息的习惯加湿数据:
通过用户分析调研,获得与该用户年龄,性别相同的其余用户G个,获得G个其余用户在E天内的所有加湿时间-加湿功率等级曲线,计算E天内其余用户与该用户对应曲线的的余弦相似度,将E条曲线的余弦相似度求均值获得每个其他用户与该用户的相关性,获得G个用户与该用户的相关性。
结合目标用户本身的历史习惯加湿功率与目标用户相近的用户历史习惯加湿功率得到目标用户偏好加湿功率:
式中,表示目标用户的历史习惯加湿功率等级,表示和用户相近的第个用户的习惯加湿功率等级,m表示历史数据的参考数据量,本实施例中m为20,G表示参考其他用户的数量,G=10,表示和用户相近的第个用户与目标用户的相关性。故可以根据上述方法获取不同时间、不同湿度环境下的基于用户偏好的加湿功率,表示目标用户偏好加湿功率。
步骤S004、根据用户习惯偏好加湿功率对加湿器进行调整。
每5分钟获取一次当前时刻及室内加湿湿度对应的加湿功率,及时控制加湿器按照用户偏好加湿功率对其加湿功率进行调整。
此外,为保障加湿器工作安全,根据获取的水位信息W,通过设置阈值ψ=1,即当水位W小于阈值ψ时,停止加湿器工作。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施例方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.基于用户使用偏好的加湿器智能控制方法,其特征在于,该方法包括以下步骤:
获取目标用户历史时间与相对应的室内温度、房间湿度、加湿功率等级以及历史加湿器调整数据;
根据目标用户历史加湿器调整数据得到房间湿度对加湿等级的影响程度和室内温度对加湿功率等级的影响程度;
获取历史加湿时间与所述时间对应的加湿功率等级的多组曲线,使用聚类簇数对多组曲线根据时间段进行分段得到若干分段曲线,根据分段曲线的长度、分段曲线波动性以及分段曲线所在时间段获取聚类距离,并对分段曲线进行聚类得到多个类;
获取每个类内的加湿功率平均值和所述类内每个曲线段的加湿功率均值的差值作为第一加湿功率差值,根据第一加湿功率差值与所述类内的曲线段数量得到所述类内的曲线段加湿功率等级之间的相关性;
根据每个类内聚类中心点与其余所有曲线段对应的三维点的欧氏距离获得聚类第一评价指标,根据所有聚类中心点两两之间的欧氏距离获得聚类第二评价指标,根据每个类内的相关性得到聚类第三评价指标,根据聚类第一评价指标、聚类第二评价指标、聚类第三评价指标得到综合聚类评价值,根据综合聚类评价值大小得到最优聚类效果,迭代完成后根据每个综合聚类评价值得到每次聚类的数据准确性;
根据最优聚类效果得到每个时间段加湿效率与加湿时间的依赖性,根据每个时间段加湿效率与加湿时间的依赖性、最优聚类的数据准确性、室内温度、房间湿度对加湿功率等级的影响程度以及当前环境下历史数据的平均值得到目标用户的历史习惯加湿功率等级;
获取与目标用户相关性较高的用户的习惯加湿功率等级与用户相关性,根据目标用户的历史习惯加湿功率等级、目标用户相关性较高的用户的习惯加湿功率等级、用户相关性以及数据参考量得到目标用户的偏好加湿功率,根据偏好加湿功率机器自动在相对应的时间进行功率控制调节。
2.根据权利要求1所述的基于用户使用偏好的加湿器智能控制方法,其特征在于,所述根据分段曲线的长度、分段曲线波动性以及分段曲线所在时间段获取聚类距离,并对分段曲线进行聚类得到多个类的步骤为: 根据聚类簇数K,将所有曲线按照时间分为K+1段,将任意一条一条曲线中的任意K+1段作为聚类中心,将每段曲线用一个三维空间点表示,曲线的长度,曲线的波动性,曲线对应的时间段长度,将所有曲线段转换为三维空间点,计算所有点到所有聚类中心点的聚类距离,根据聚类距离将所有曲线段分类。
4.根据权利要求1所述的基于用户使用偏好的加湿器智能控制方法,其特征在于,所述根据聚类第一评价指标、聚类第二评价指标、聚类第三评价指标得到综合聚类评价值的步骤为:
第一评价指标根据每个类内所有曲线段的两两之间的欧式距离最小值获得,第二评价指标根据不同类聚类中心点之间欧式距离获得,第三评价指标根据所有类内所有曲线段对应加湿功率与所有曲线段平均功率的差值的均值计算得到,根据第一评价指标、第二评价指标、第三评价指标得到综合聚类评价值。
5.根据权利要求1所述的基于用户使用偏好的加湿器智能控制方法,其特征在于,所述得到目标用户的历史习惯加湿功率等级的步骤为:
获取历史数据中室内温度、房间湿度以及时间段对应的加湿功率,根据聚类结果获取加湿效率与加湿时间的依赖性以及数据准确度,根据加湿效率与加湿时间的依赖性、数据准确度、室内温度、房间湿度对加湿功率等级的影响程度分别得到室内温度、房间湿度以及时间段对于加湿功率等级的影响权重,根据室内温度、房间湿度以及时间段对于加湿功率等级的影响权重以及历史数据中室内温度对应的加湿功率的均值、房间湿度对应的加湿功率的均值以及时间段对应的加湿功率的均值获得目标用户历史习惯加湿功率等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005361.4A CN115682207B (zh) | 2023-01-04 | 2023-01-04 | 基于用户使用偏好的加湿器智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005361.4A CN115682207B (zh) | 2023-01-04 | 2023-01-04 | 基于用户使用偏好的加湿器智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115682207A true CN115682207A (zh) | 2023-02-03 |
CN115682207B CN115682207B (zh) | 2023-03-14 |
Family
ID=85057543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005361.4A Active CN115682207B (zh) | 2023-01-04 | 2023-01-04 | 基于用户使用偏好的加湿器智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115682207B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595426A (zh) * | 2023-07-17 | 2023-08-15 | 济南大陆机电股份有限公司 | 一种工业物联网数据智能采集管理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504656A (zh) * | 2017-09-15 | 2017-12-22 | 珠海格力电器股份有限公司 | 一种空调器自学习控制方法及系统 |
US10001792B1 (en) * | 2013-06-12 | 2018-06-19 | Opower, Inc. | System and method for determining occupancy schedule for controlling a thermostat |
CN108826595A (zh) * | 2018-04-26 | 2018-11-16 | 上海康斐信息技术有限公司 | 一种空气净化器的控制方法及系统 |
WO2021179958A1 (zh) * | 2020-03-09 | 2021-09-16 | 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 |
CN114322218A (zh) * | 2021-11-18 | 2022-04-12 | 海信家电集团股份有限公司 | 一种空调器的开启时间推荐方法和空调器 |
CN114383275A (zh) * | 2021-12-10 | 2022-04-22 | 安徽新识智能科技有限公司 | 一种物联网的室内空气调节方法及系统 |
CN114722098A (zh) * | 2022-04-11 | 2022-07-08 | 浙江大学 | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 |
CN115111678A (zh) * | 2022-06-13 | 2022-09-27 | 青岛海尔空调器有限总公司 | 加湿器控制方法、装置及加湿器 |
CN115406063A (zh) * | 2021-05-27 | 2022-11-29 | 深圳Tcl新技术有限公司 | 一种自动控制终端设备的方法、装置、终端及存储介质 |
CN115422452A (zh) * | 2022-08-30 | 2022-12-02 | 温州佳润科技发展有限公司 | 基于大数据的智能家居控制方法、装置、设备及存储介质 |
-
2023
- 2023-01-04 CN CN202310005361.4A patent/CN115682207B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10001792B1 (en) * | 2013-06-12 | 2018-06-19 | Opower, Inc. | System and method for determining occupancy schedule for controlling a thermostat |
CN107504656A (zh) * | 2017-09-15 | 2017-12-22 | 珠海格力电器股份有限公司 | 一种空调器自学习控制方法及系统 |
CN108826595A (zh) * | 2018-04-26 | 2018-11-16 | 上海康斐信息技术有限公司 | 一种空气净化器的控制方法及系统 |
WO2021179958A1 (zh) * | 2020-03-09 | 2021-09-16 | 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 |
CN115406063A (zh) * | 2021-05-27 | 2022-11-29 | 深圳Tcl新技术有限公司 | 一种自动控制终端设备的方法、装置、终端及存储介质 |
CN114322218A (zh) * | 2021-11-18 | 2022-04-12 | 海信家电集团股份有限公司 | 一种空调器的开启时间推荐方法和空调器 |
CN114383275A (zh) * | 2021-12-10 | 2022-04-22 | 安徽新识智能科技有限公司 | 一种物联网的室内空气调节方法及系统 |
CN114722098A (zh) * | 2022-04-11 | 2022-07-08 | 浙江大学 | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 |
CN115111678A (zh) * | 2022-06-13 | 2022-09-27 | 青岛海尔空调器有限总公司 | 加湿器控制方法、装置及加湿器 |
CN115422452A (zh) * | 2022-08-30 | 2022-12-02 | 温州佳润科技发展有限公司 | 基于大数据的智能家居控制方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595426A (zh) * | 2023-07-17 | 2023-08-15 | 济南大陆机电股份有限公司 | 一种工业物联网数据智能采集管理系统 |
CN116595426B (zh) * | 2023-07-17 | 2023-09-26 | 济南大陆机电股份有限公司 | 一种工业物联网数据智能采集管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115682207B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485262B (zh) | 一种母线负荷预测方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN109034504B (zh) | 一种短期负荷预测模型建立方法及装置 | |
CN115682207B (zh) | 基于用户使用偏好的加湿器智能控制方法 | |
JP2021508118A (ja) | 動作を制御するシステム及び方法 | |
CN116760908B (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN115933787A (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN115411730B (zh) | 空调负荷多时段可调节潜力评估方法及相关装置 | |
CN112561139A (zh) | 一种短期光伏发电功率预测方法和系统 | |
CN109741747A (zh) | 语音场景识别方法和装置、语音控制方法和设备、空调 | |
CN114587281B (zh) | 一种具有助眠功能的智能枕控制方法、系统及可读存储介质 | |
CN117493921A (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
CN108280165A (zh) | 基于状态转移的奖励值音乐推荐算法 | |
JP2021047751A (ja) | 能動学習装置、能動学習方法及びプログラム | |
CN108388911A (zh) | 一种面向混合属性的移动用户动态模糊聚类方法 | |
CN113940523A (zh) | 智能床垫的自调整方法、装置、智能床垫及存储介质 | |
CN112270927A (zh) | 一种基于环境调节设备的智能交互方法及智能交互设备 | |
CN117237123B (zh) | 基于区块链的金融信用风险智能管控方法及系统 | |
CN117575745B (zh) | 基于ai大数据的课程教学资源个性推荐方法 | |
CN111933226A (zh) | 一种基于分级分类模型的人工智能筛选材料方法 | |
TWI474139B (zh) | 資料分群方法與其電腦程式軟體 | |
CN117493819B (zh) | 一种注塑件自动化生产设备及其智能调控方法 | |
CN117150224B (zh) | 基于物联网的用户行为数据存储分析方法 |
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 |