CN115826428B - 家居设备的控制方法和装置、存储介质及电子装置 - Google Patents
家居设备的控制方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115826428B CN115826428B CN202310158372.6A CN202310158372A CN115826428B CN 115826428 B CN115826428 B CN 115826428B CN 202310158372 A CN202310158372 A CN 202310158372A CN 115826428 B CN115826428 B CN 115826428B
- Authority
- CN
- China
- Prior art keywords
- target
- home
- target object
- data
- household
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 117
- 230000003993 interaction Effects 0.000 claims description 66
- 230000000694 effects Effects 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 20
- 230000001364 causal effect Effects 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 90
- 238000000605 extraction Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 16
- 238000010411 cooking Methods 0.000 description 15
- 235000013305 food Nutrition 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000036541 health Effects 0.000 description 11
- 230000008447 perception Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 235000005686 eating Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000005406 washing Methods 0.000 description 9
- 230000001149 cognitive effect Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 235000003642 hunger Nutrition 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008093 supporting effect Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 235000004280 healthy diet Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000002853 ongoing effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000004251 balanced diet Nutrition 0.000 description 1
- 230000037208 balanced nutrition Effects 0.000 description 1
- 235000019046 balanced nutrition Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- NGVDGCNFYWLIFO-UHFFFAOYSA-N pyridoxal 5'-phosphate Chemical compound CC1=NC=C(COP(O)(O)=O)C(C=O)=C1O NGVDGCNFYWLIFO-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种家居设备的控制方法和装置、存储介质及电子装置,涉及智慧家庭技术领域,该家居设备的控制方法包括:根据生活域知识体系和目标对象的用户画像对目标对象的当前行为进行意图推理,得到目标对象的意图数据,其中,生活域知识体系用于描述:目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;通过决策算法基于用户画像、目标对象的当前行为、目标对象当前所在环境的环境数据和意图数据对目标对象对家居设备的期望运行状态进行决策,得到决策结果;对决策结果进行解析,得到决策结果对应的控制指令以及控制指令对应的目标家居设备;将控制指令发送给目标家居设备,以指示目标家居设备执行控制指令。
Description
技术领域
本申请涉及智慧家庭技术领域,具体而言,涉及一种家居设备的控制方法和装置、存储介质及电子装置。
背景技术
智能家居,也称全屋智能、智能住宅等,旨在以用户住宅为平台,集成网络通信、感知传感、家电设备自动化、人机交互等技术,通过家居设备互联互通和智能控制,为用户提供安全舒适、高效便利的居住环境。
智能决策,是基于人工智能和大数据技术的、目标导向条件下的决策问题求解方式方法,面向家居环境的智能决策,旨在围绕用户衣、食、住、行、娱乐和健康等生活领域,通过感知家居环境状态数据、用户实时状态等信息,集成自然语言处理、计算机视觉、语音识别、大数据分析等技术,以用户偏好、家居环境标准等为优化目标,制定电器设备控制策略、人机交互策略等,从而实现面向用户智能生活的优质流畅服务体验。
现有技术中公开了一种基于知识图谱的智能家居设备控制方法,通过从用户输入的交互命令中提取各个关键词;确定关键词在知识图谱网络中对应的节点;根据各个关键词在交互命令中的顺序,确定各个关键词对应的节点在知识图谱网络中形成的各个业务路径;根据各个业务路径中的节点之间的连接边及相应的连接边上的权重值,确定各个业务路径的代价值;确定代价值中的最小值,并根据最小值对应的业务路径确定交互命令控制的智能家居设备。
可见,目前面向智能家居的决策技术研究仍处于起步阶段,主要集中于单个家居电器设备的智能控制,基于专家制定/用户自定义的决策规则或模糊控制逻辑,通过感知设备(如门窗传感器、人体传感器等)的状态信息触发,围绕某个电器设备进行的控制策略制定(如空调开关、制冷、制热、风向、模式等);或者是家居电器设备组网条件下的多电器设备协同决策控制,目前研究主要集中于优化目标明确的节能管理设备控制,将家居电器设备组网,结合电器设备使用属性和用电时间分布,基于动态规划或强化学习等方法,指定电器设备的开关策略。前者主要采用专家制定或是用户自定义决策规则的方式,后者则基于强化学习方式,结合电器使用属性和用电时间分布,制定奖励函数进行迭代式训练。
以制定决策规则或模糊控制逻辑的方法,存在决策粒度较为粗放、支持场景有限、人力维护成本高等问题;而完全基于动态规划或强化学习等方法的多电器设备协同决策控制方法,主要应用在优化目标明确的能源管理方法,缺少对用户意图和偏好的理解,智能化水平较低。
针对现有技术中,目前面向智能家居的决策技术,决策粒度较为粗放,且缺少对用户意图和偏好的理解,智能化水平较低等问题,尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种家居设备的控制方法和装置、存储介质及电子装置,以至少解决现有技术中,目前面向智能家居的决策技术,决策粒度较为粗放,且缺少对用户意图和偏好的理解,智能化水平较低的问题。
根据本发明实施例的一个实施例,提供了一种家居设备的控制方法,包括:根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
根据本发明实施例的另一个实施例,还提供了一种家居设备的控制装置,包括:推理模块,用于根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;决策模块,用于通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;解析模块,用于对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;发送模块,用于将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述家居设备的控制方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的家居设备的控制方法。
在本申请实施例中,根据包含有目标对象对应的多个家居知识图谱的生活域知识体系和目标对象的用户画像对识别到的所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据;通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据进行决策,得到决策结果,该决策结果用于指示目标对象对家居设备的期望运行状态;对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令;采用上述技术方案,解决了现有技术中,目前面向智能家居的决策技术,决策粒度较为粗放,且缺少对用户意图和偏好的理解,智能化水平较低的问题;实现了精准根据用户意图对家居设备进行控制,提升用户体验的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
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,对于本领域普通技术人员而言,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是根据本申请实施例的一种可选的家居设备的控制方法的硬件环境示意图;
图2是根据本发明实施例的一种可选的家居设备的控制方法的流程图;
图3是根据本发明实施例的一种可选的生活域知识体系的结构示意图;
图4是根据本发明实施例的一种可选的智能家居决策方法的流程示意图;
图5是根据本发明实施例的一种可选的拼接编码的结构示意图;
图6是根据本发明实施例的一种可选的全屋家居智能决策控制方法的架构示意图;
图7是根据本发明实施例的一种可选的家居认知计算的流程示意图;
图8是根据本发明实施例的一种可选的家居设备的控制装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将根据本申请实施例中的附图,对本申请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申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面,提供了一种家居设备的控制方法。该家居设备的控制方法广泛应用于智慧家庭(Smart Home)、智能家居、智能家用设备生态、智慧住宅(Intelligence House)生态等全屋智能数字化控制应用场景。可选地,在本实施例中,上述家居设备的控制方法可以应用于如图1所示的由终端设备102和服务器104所构成的硬件环境中。如图1所示,服务器104通过网络与终端设备102进行连接,可用于为终端或终端上安装的客户端提供服务(如应用服务等),可在服务器上或独立于服务器设置数据库,用于为服务器104提供数据存储服务,可在服务器上或独立于服务器配置云计算和/或边缘计算服务,用于为服务器104提供数据运算服务。
上述网络可以包括但不限于以下至少之一:有线网络,无线网络。上述有线网络可以包括但不限于以下至少之一:广域网,城域网,局域网,上述无线网络可以包括但不限于以下至少之一:WIFI(Wireless Fidelity,无线保真),蓝牙。终端设备102可以并不限定于为PC、手机、平板电脑、智能空调、智能烟机、冰箱设备、智能烤箱、智能炉灶、智能洗衣机、智能热水器、智能洗涤设备、智能洗碗机、智能投影设备、智能电视、智能晾衣架、智能窗帘、智能影音、智能插座、智能音响、智能音箱、智能新风设备、智能厨卫设备、智能卫浴设备、智能扫地机器人、智能擦窗机器人、智能拖地机器人、智能空气净化设备、智能蒸箱、智能微波炉、智能厨宝、智能净化器、智能饮水机、智能门锁等。
在本实施例中提供了一种家居设备的控制方法,应用于上述计算机终端,图2是根据本发明实施例的一种可选的家居设备的控制方法的流程图,该流程包括如下步骤:
步骤S202,根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
需要说明的是,上述生活域知识体系所包括的目标对象对应的多个家居知识图谱包括但不限于:衣物知识图谱、食物知识图谱、电器知识图谱、出行知识图谱、娱乐知识图谱、(生活)健康知识图谱和家居常识图谱;且上述生活域知识体系还用于指示该多个家居知识图谱的实体节点之间的关联关系。
需要说明的是,上述目标对象的当前行为可以理解为目标对象正在进行的动作,也可以是目标对象所处的位置,还可以是目标对象所发出的语音等,本申请对此不作限制。
可选的,执行步骤S202:根据生活域知识体系和目标对象的用户画像对获取到的所述目标对象的当前行为进行意图推理之前,所述方法还包括:获取所述目标对象所处地域的历史气候数据和/或所述目标对象的历史行为数据;对所述历史气候数据和/或所述历史行为数据进行解析,得到所述目标对象的用户画像,其中,所述用户画像用于指示以下至少之一:所述目标对象的行为习惯数据,所述目标对象的地域信息,所述目标对象的身份信息。
为了更加精准地识别出用户(相当于上述目标对象)的意图数据,需要了解用户的生活习惯、个人偏好等信息,因此需要先推理出用户的用户画像,以精准地描述该用户;得到用户画像的过程可以通过以下方案:通过获取用户的历史环境数据和/或历史行为数据,即采集用户在过去一段时间所处地域的气候信息和用户的行为数据,通过对这些数据进行解析来对用户进行画像推理,以得到用户的用户画像,该用户画像包括以下至少之一:用户的行为习惯数据,用户的地域信息,用户的身份信息。通过上述方案,通过获取用户的历史环境数据和/或历史行为数据并解析,精准分析出用户画像,了解用户的习惯和偏好信息。
需要说明的是,上述用户画像还可以包括其他信息,例如用户的人际关系,家庭组成等信息,本申请对此不作限制。
可选的,执行上述解析步骤:对所述历史气候数据和/或所述历史行为数据进行解析,得到所述目标对象的用户画像,可以通过以下方案至少之一来实现,包括:对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据;对所述历史气候数据进行特征提取,并对得到的气候特征进行聚类分析,得到所述目标对象的地域信息,其中,所述地域信息用于指示所述目标对象所处地域和所述目标对象所处地域的气候特点;对所述历史行为数据中的语音交互数据进行语音特征提取,并通过预设分类模型对得到的语音特征进行分类,得到所述目标对象的身份信息。
得到用户画像可以通过以下方案至少之一来实现,具体包括:对历史行为数据在生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划计算,以得到该历史行为数据对应的行为习惯数据;对历史气候数据,如目标对象所居住的家居环境中的室外温度、光照等数据进行特征提取(如数据记录时间、光照时长、紫外线强度等),并对提取出的气候特征进行聚类分析,推理出用户所处地域或地域特点;对历史行为数据中的语音交互数据进行语音特征提取,即根据用户与智能音箱等交互设备的语音对话数据进行语音特征提取,并通过预设分类模型对得到的语音特征进行分类,得到该目标对象的身份信息。
需要说明的是,上述聚类分析所采用的方法可以为K-Means聚类方法,也可以是模糊聚类、密度聚类等方法,本申请对此不作限制。
需要说明的是,上述语音特征提取过程所采用的方法可以为梅尔频率倒谱系数、Tandem特征、Bottleneck特征、基于滤波器组的Fbank特征等,本申请对此不作限制。
需要说明的是,梅尔频谱倒谱系数(MFCC)是基于人耳听觉特性,梅尔频率倒谱频带划分是在Mel刻度上等距划分的,频率的尺度值与实际频率的对数分布关系更符合人耳的听觉特征;Tandem特征是神经网络输出层节点对应类别的后验概率向量降维并与MFCC或者PLP等特征拼接得到;Bottleneck特征是用一种特殊结构的神经网络提取,这种神经网络的其中一个隐含层节点数目比其他隐含层小的多,所以被称之为Bottleneck层,输出二点特征就是Bottleneck特征;滤波器组的Fbank特征(Filter bank)/MFSC:Fbank特征的提取方式就是相当于MFCC去掉最后一步的离散余弦变换,跟MFCC特征相比,Fbank特征保留了更多的原始语音数据。
需要说明的是,上述预设分类模型可以为隐马尔科夫模型、支持向量机模型等传统机器学习模型,也可以为卷积神经网络、Transformer等深度神经网络模型,本申请对此不作限制。
需要说明的是,上述生活域知识体系,是本申请技术方案的知识基础,其为整体的家居环境感知、家居认知计算、智能家居决策、智能家居控制等各个环节提供全方位的知识支撑;同时,通过数据生成模块从这些环节、以及智能交互等模块收集生成的数据,利用知识抽取方法,从中提取生活域知识,用于生活域知识体系的补充和更新。其中,上述生活域知识体系,包括但不限于衣物知识图谱、食物知识图谱、电器知识图谱、出行知识图谱、娱乐知识图谱、(生活)健康知识图谱和家居常识图谱。
可选的,执行上述步骤:对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据,包括:确定所述历史行为数据在所述多个家居知识图谱中对应的所述目标实体节点,其中,所述多个家居知识图谱包括目标家居知识图谱,所述目标家居知识图谱包括:用于指示所述目标对象的行为意图的实体节点,所述目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;在所述多个家居知识图谱中根据所述路径规划算法确定任一目标实体节点在所述目标家居知识图谱中对应的第一实体节点,其中,所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的路径最短;根据所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的最短路径所包含的多个实体节点和所述多个实体节点之间的执行顺序确定所述行为习惯数据。
对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据,可以通过以下方案来实现:确定该历史行为数据在该多个家居知识图谱中对应的目标实体节点,该多个家居知识图谱中的目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;在该多个家居知识图谱中根据该路径规划算法在该目标家居知识图谱中距离该目标实体节点路径最短的第一实体节点;并根据确定出的最短路径所包含的多个实体节点和该多个实体节点之间的执行顺序确定目标对象的行为习惯数据。
以下结合图3对上述确定行为习惯数据的方案进行进一步描述,图3是本发明实施例的一种可选的生活域知识体系的结构示意图,包括:
家居常识图谱:指示用户家居活动事件以及事件关系的一般性结构化语义描述,由常识活动事件实体、事件实体关系组成。其中,家居常识活动事件实体用于描述用户在家中的一般性活动或状态,如回家、肚子饿、做饭、吃饭、睡觉、起床、看电视、打扫卫生、洗衣服等;事件关系用于描述家居常识活动之间的关系,如肚子饿与做饭的关系是Causes(因果),即肚子饿引起做饭;吃饭与看电视之间的关系是HasSubEvent(序列),即吃饭的后续事件是看电视。家居常识图谱的作用主要包括两方面:一方面是与其他知识图谱(如衣物知识图谱、电器知识图谱等)关联,形成对家居生活的多维度、多粒度的语义描述;另一方面是应用在家居环境感知、认知计算、智能决策和执行控制中,为各个环节的计算与推理提供更全面的知识支撑。
衣物知识图谱:指示衣服与家居日用器物的结构化语义描述,包括衣物名称、面料、颜色、适宜季节、适用人群、洗涤方法、保养方法等。衣物知识图谱与用户家居日常生活、实时环境状态相结合,为用户提供细致化服务,如根据地域季节变化,及时提醒用户更换衣物;根据天气状态,提醒用户携带雨具;根据衣物面料,给出洗涤建议与保养方法等。
食物知识图谱:指示家常生活中食材、菜谱等食物知识的结构化语义描述,实体主要包括不同类型的食材、所属种类、营养价值,以及菜谱等,实体关系包括食材之间的搭配、与种类之间的归属、营养含量、与菜谱之间的组成关系等。食物知识图谱与用户健康状况相结合,支持用户体验更加健康的美味饮食习惯。
设备知识图谱:指示家居应用环境中涉及到的各种设备知识的结构化语义描述,主要包括各种类型的家用电器/传感器等家用设备,以及其品牌、功能、功耗、所述种类等,不同的设备类型可能与不同类型的知识图谱存在关联关系,如洗衣机与衣物知识图谱中的T恤之间关系为CapableOf(用于),即洗衣机能够洗T恤,同时,洗衣机的不同洗衣模式对衣物面料的支持情况也不尽相同,通过设备知识图谱与其他知识图谱的关联,可以满足用户生活应用中的不同需求。
出行知识图谱:出行知识,是指家庭用户在生活中各种出行方式使用交通工具所涉及的相关知识,出行知识图谱是对这些知识的结构化语义描述,其可以与语音服务机器人相结合,根据用户活动状态,及时提醒用户出行规划。
娱乐知识图谱:指包含多种娱乐类型(如电视节目、电影、音乐等)相关的知识组成,根据用户活动状态,通过语音服务机器人等交互方式,为用户提供服务。
健康知识图谱:主要指面向生活健康的身体健康与环境健康知识,一方面与食物知识图谱关联结合,为不同健康状况用户提供营养均衡的食材管理;一方面与电器知识图谱结合,为用户提供舒适健康的居住环境。
需要说明的是,上述知识图谱的构建过程,主要包括知识抽取、知识融合和知识评估更新三个部分。
其中,知识抽取,针对结构化数据和第三方数据库,利用数据映射方法,转化为图谱中的知识表示方法(通常是三元组,即(头实体,关系,尾实体),生活域知识体系中的任意两个实体连接,均可以表示为三元组,如(男士穿搭,IsA,西装));针对半结构化数据和非结构化数据(比如互联网上的大量网页),利用实体提取算法(例如BiLSTM-CRF实体识别算法、BERT-CRF实体识别算法等)、关系抽取算法(如远程监督、PCNN关系抽取算法、BRCNN关系抽取算法等)、属性抽取算法(如远程监督、MetaPAD属性抽取算法等)进行知识抽取。
知识融合,旨在通过实体对齐、属性对齐(属性校正)方法,实现对两个知识图谱的合并,包括相同领域的不同数据来源的知识图谱的融合(如通过百度百科半结构化、非结构化数据构建的食物知识图谱,与通过美食网站半结构化、非结构化数据构建的食物知识图谱进行的融合),不同领域的知识图谱融合(如衣物知识图谱与设备知识图谱的融合)。
知识评估更新,是通过人工或测试集评测的方式对知识质量进行审核评估,通过人工方式进行修改,来尽量保证知识图谱中知识的正确性。
以“做饭时间”来推理,推理原理遵循起点是对应用户活动直接关联的生活域知识体系中的实体节点(相当于上述目标实体节点),终点是家居常识图谱(相当于上述目标家居知识图谱)中的某个用户活动(相当于上述第一实体节点),通过最短路径规划算法确定从起点到终点的最短路径。具体过程,当油烟机开启时,其与图3中的设备知识图谱的“油烟机”实体直接相关,将其作为推理的起点;根据图3中生活域知识体系所示出的“油烟机—厨房家电—做饭”(其中,油烟机、厨房家电是设备知识图谱中的实体,两者之间的关系是IsA,表示油烟机是厨房家电的子类型;做饭是家居常识图谱中的实体,厨房家电与做饭的关系是UsedFor,表示厨房家电可以用来做饭);图3中围绕“油烟机”实体还存在一些其他的关联关系节点,如“油烟机—厨房家电—燃气灶—气体传感器”,但该路径的推理终点为气体传感器,属于设备知识图谱,不符合条件;“油烟机—厨房家电—家用电器—洗涤家电—洗衣机—T恤—男士穿搭—起床”,虽然该路径的推理终点是家居常识图谱中的实体,但该路径的长度远超过“油烟机—厨房家电—做饭”的路径长度,因此可以通过生活域知识体系中推理出的最短路径“油烟机—厨房家电—做饭”,推理出用户当前的活动为“做饭”。最后,根据用户长时间“做饭”活动时间的统计,推理出用户做饭的时间偏好。
可选的,上述步骤S202:根据生活域知识体系和目标对象的用户画像对获取到的所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,可以通过以下步骤,包括:确定所述当前行为在目标家居知识图谱中对应的第二实体节点,其中,所述多个家居知识图谱中所述目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;在所述目标家居知识图谱中确定所述第二实体节点对应的第三实体节点集合,其中,所述第三实体节点集合包括至少一个第三实体节点,所述第三实体节点为所述第二实体节点的下一个关联节点;根据所述用户画像在所述第三实体节点集合中确定出第四实体节点,并将所述第四实体节点对应的行为确定为所述意图数据。
进行意图推理的过程包括:确定识别到的用户的当前行为在目标家居知识图谱中对应的第二实体节点,并在该目标家居知识图谱中确定该第二实体节点对应的第三实体节点集合,该第三实体节点集合中包括的第三实体节点为第二实体节点的下一个关联节点,然后根据用户画像所描述的用户习惯在该第三实体节点集合中确定出第四实体节点,并将该第四实体节点对应的行为确定为用户的意图数据。
需要说明的是,上述根据用户画像所描述的用户习惯在该第三实体节点集合中确定出第四实体节点的过程包括:综合考虑用户画像所描述的目标对象的身份信息、地域信息和行为习惯数据,总结出该目标对象的个人喜好,例如在吃饭时喜欢看电视,而第三实体节点集合中包括了看电视、听歌等多个第三实体节点,根据总结出的该用户的喜欢看电视的喜好,选择出看电视这一第三实体节点作为第四实体节点,并将对应的行为——看电视确定为该用户的意图数据。
以图3为例,若识别到的用户的当前行为在家居常识图谱(相当于上述目标家居知识图谱)中对应的第二实体节点为“吃饭”,则第三实体节点集合为{“上班”,“看电视”,“饮食均衡”};而根据用户画像所指示的用户习惯为“在吃饭的时候看电视”,因此确定第四实体节点为“看电视”,因此确定用户意图为“打开电视”,以及调频到用户习惯在吃饭的时候看的电视频道。
举例说明上述用户意图推理的过程:在识别到用户活动“做饭”结束后,根据生活域知识体系中的家居常识图谱(相当于上述目标家居知识图谱)推理出用户下一步的意图可能为“吃饭”,继而为“上班”,则可以提前将生活域知识体系中的出行知识图谱相应的交通方式与所需时间,并结合用户画像中对用户出行习惯的描述(如公共交通、驾车、骑车等)确定用户的出行方式,并将确定的信息告知给用户。
需要说明的是,上述图3中所描述的生活域知识体系仅用作实例,并不对生活域知识体系的结构进行限定,生活域知识体系还可以包括其他实体节点,以及实体节点之间还可以存在其他的关联关系,本申请对此不作限制。
需要说明的是,上述图3中的实体之间还存在其他关联关系,包括AtLocation(线路),HasSubProgram(子节目),InstanceOf(包含)等,图中仅给出示例,具体还可以包括HarmTo(有害)等,还可以包括其他关联关系,本申请对此不作限制。
步骤S204,通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
可选的,上述步骤S204,通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果,可以通过以下方案来实现,包括:使用预设编码算法分别对所述用户画像、所述目标对象的当前行为、所述环境数据和所述意图数据进行编码,得到画像编码结果、行为编码结果、环境编码结果和意图编码结果;通过预设神经网络模型计算所述画像编码结果、所述行为编码结果、所述环境编码结果和所述意图编码结果之间的特征相关性,并对所述特征相关性进行编码,得到决策特征编码;确定与所述决策特征编码对应的家居设备的目标设备类别,并根据所述目标设备类别的家居设备的编码方式对所述决策特征编码进行解码,得到与所述目标设备类别的家居设备对应的决策结果。
通过决策算法对用户画像、当前行为、意图数据和环境数据进行决策得到决策结果的过程可以为以下方案:先使用预设编码算法分别对该用户画像、当前行为、意图数据和环境数据进行编码,得到画像编码结果、行为编码结果、意图编码结果和环境编码结果;并通过预设神经网络模型进行特征相关性计算,突出具有较强区分性的决策特征编码;并确定与决策特征编码对应的家居设备的目标设备类别,并根据该目标设备类别的家居设备的编码方式对该决策特征编码进行处理,得到与该目标设备类别的家居设备对应的决策结果,该决策结果用于指示该目标对象对其家庭下的家居设备的期望运行状态。
以下结合图4对上述决策过程进行进一步说明,图4是本发明实施例的一种可选的智能家居决策方法的流程示意图,如图4所示:
利用家居认知计算推理出的用户画像、用户实时活动(相当于上述当前行为)、用户意图(相当于上述意图数据),结合生活域知识体系,以及家居环境感知模块所捕获的信息(相当于上述环境数据),构建出决策特征,并基于深度神经网络或深度强化学习设计智能决策算法;利用家居环境感知、用户画像、用户实时活动、用户意图在生活域知识体系中的关联实体,以及与该实体相关联的其他实体进行融合编码,构建决策特征,然后利用特征相关性计算模块(如利用深度神经网络中的Transformer模型、LSTM模型等)计算出当前时间点决策特征的向量表示,并通过softmax函数进行编码,对应到决策命令标签,通过收集的用户数据进行模型训练;并在家居服务过程中,将用户的家居环境感知信息、用户画像、用户实时活动、用户意图等信息,输入到模型中,进行实时的决策。
可选的,也可以通过决策算法替换上述模型,使用决策算法对该用户的家居环境感知信息、用户画像、用户实时活动、用户意图等信息进行决策,得到决策结果。
举例说明,以空调开关决策为例:家居环境感知信息所感知到的环境数据主要包括室内/室外温湿度、CO2浓度等,用户画像主要包括用户居家温湿度偏好、家居空调位置以及数量等,用户实时活动识别出当前行为为“回家”,用户意图推理出下一步为“做饭”,生活域知识体系会根据温湿度对应的设备知识图谱中的空调设备提取出来,进行综合的感知信息特征编码;同时从用户画像、用户实时活动、用户意图进行结合,分别进行特征编码;然后在特征相关性计算部分,利用Transformer模型进行特征相关性计算,突出具有较强区分性的特征编码(相当于上述决策特征编码);然后利用softmax对应到one-hot的空调开关决策编码上,利用以往历史记录进行模型训练,并利用实时信息输入训练好的模型进行实时决策。
需要说明的是,上述编码方式主要包括以下两类:
a.取值不存在大小意义:如家居环境感知信息中的天气取值包括晴天、阴天、小雨、雷阵雨、大到暴雨等(假设取值空间有6类),为了能够在算法中进行计算,通常会将其进行独热编码(即One-Hot编码),则天气取值编码可以是:[1,0,0,0,0,0]表示晴天,[0,1,0,0,0,0]表示阴天,[0,0,1,0,0,0]表示小雨,…。
b.取值存在大小意义:如家居环境感知信息中的温度、湿度、光照强度、CO2浓度等,温度35摄氏度要高于温度32摄氏度,其可以直接用于计算,直接编码为向量[V],这里的V表示具体的取值。
需要说明的是,家居环境感知信息、用户画像、用户实时活动、用户意图均可能包含以上两类编码方式,各部分对应的特征编码模块,会根据取值类型进行编码后,将这些向量进行拼接,如图5所示,图5是本发明实施例的一种可选的拼接编码的结构示意图。
步骤S206,对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
可选的,所述决策结果中包含类别为所述目标设备类别的每个家居设备被所述目标对象控制的概率值,上述步骤S206:对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备,包括:从所述决策结果中解析出所述目标对象所处家庭中目标设备类别的多个家居设备对应的被控制的概率值,并将概率值最大的家居设备确定为所述目标家居设备;从所述生活域知识体系中获取所述目标家居设备的功能信息,根据所述决策结果和所述功能信息生成对所述目标家居设备的控制指令。
需要说明的是,这里的控制是指用户主动发起对设备的操作,例如调整空调的温度或者模式等操控动作。
得到决策结果后,需要对决策结果进行解析,从决策结果中解析出所有设备类别为该目标设备类别的家居设备的概率值,并将概率值最大的家居设备确定为该目标家居设备,并从生活域知识体系中获取出该目标家居设备的功能信息,根据决策结果和该功能信息生成对该目标家居设备的控制指令。
在确定要控制的家居设备的类别后,例如空调设备,通常家中存在多个空调,还需要确定出具体要控制的是哪一个空调设备,决策结果中包含了对该多个空调的概率计算值,即通过用户画像等确定用户当前要控制哪个空调的概率为多少,以及控制方式;优选将概率值最大的空调设备确定为目标家居设备,并获取该目标家居设备的当前的功能信息,如空调状态、以及功能参数等,结合决策结果和功能信息生成对该目标家居设备的控制指令。
步骤S208,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
在一个示例性实施例中,执行上述步骤S208:将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令之前,所述方法还包括:根据所述控制指令和所述目标家居设备生成提示信息;将所述提示信息发送至智能交互设备,并接收所述目标对象对所述提示信息的反馈信息;在所述反馈信息的类别为正向反馈的情况下,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
在发送控制指令给目标家居设备之前,还需要根据该控制指令和目标家居设备生成提示信息,将提示信息发送给智能交互设备让用户确定控制指令是否符合用户的当前需求,若接收到的反馈信息为正向反馈,则将该控制指令发送给该目标家居设备,避免直接对家居设备进行控制引起用户的不适。
例如,智能音箱输出提示信息“您好,主人,要开启客厅空调吗?”,用户回答“好的,你真聪明”,得到用户的肯定信号,则执行“开启客厅空调”命令,这种交互可以为监督式学习算法提供负样例,为强化学习算法提供奖励函数。
可选的,若接收到用户的反馈信息为负向反馈,则说明当前的控制指令并不符合用户当前的意图,可以将该次交互记录进行记录,并作为负样例重新训练决策模型;同时也可以将概率值第二的家居设备作为目标家居设备重新生成控制指令。
可选的,基于上述过程,所述方法还包括:采集所述目标对象所处家庭中的多个家居设备在工作过程中产生的运行数据和/或交互数据,其中,所述交互数据包括以下至少之一:家居设备与家居设备之间的交互数据,家居设备与目标对象之间的交互数据;根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新。
可以通过数据生成模块采集用户所在家庭中的所有家居设备在工作过程中所产生的运行数据和/或交互数据,具体可以包括:家居环境感知模块在家居住宅中感知到的实时环境数据(如温度、湿度、CO2浓度等)、家居用户交互行为等数据;还可以包括:智能家居决策模块产生的决策数据、家居认知计算模块的计算数据等。通过这些运行数据和/或交互数据对该生活域知识体系进行更新。
可选的,上述更新步骤:根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新,可以通过以下方案来实现:根据所述运行数据和/或所述交互数据确定出多个实体节点,并根据所述生活域知识体系中的多个家居知识图谱对得到的多个实体节点进行分类,得到分类后的多个实体节点,其中,所述多个实体节点至少用于指示所述运行数据和/或所述交互数据对应的家居设备的家居活动;通过序列模式挖掘算法和因果分析算法对所述分类后的多个实体节点与所述多个家居知识图谱中的多个实体节点进行关联规则挖掘,得到实体节点之间的关联规则,其中,所述关联规则用于指示实体节点之间的关联关系;根据分类后所述多个实体节点和挖掘出的所述关联规则对所述生活域知识体系进行更新。
从数据生成模块中获取出采集的运行数据和/或交互数据,将该运行数据和/或交互数据对应的家居活动定义为家居常识图谱中的实体节点,根据该多个家居常识图谱的类别对得到的多个实体节点进行分类,得到分类后的多个实体节点;利用序列模式挖掘算法(如FreeSpan算法、GPS算法等)挖掘出存在强序列关系的两个实体节点,如“回家”与“开电视”之间存在统计意义上的强序列关系,将两者的强序列关系定义为HasSubEvent;利用因果分析算法(如PC算法),挖掘出存在强因果关系的两个实体节点,如“空气差”与“开新风”之间存在统计意义上的强因果关系,可以将两者的强因果关系定义为Causes。
在本申请实施例中,根据包含有目标对象对应的多个家居知识图谱的生活域知识体系和目标对象的用户画像对识别到的所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据;通过决策算法对所述用户画像、所述目标对象的当前行为、目标对象所在环境的环境数据和所述意图数据输入到预设决策模型中,得到决策结果;对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令;采用上述技术方案,解决了现有技术中,目前面向智能家居的决策技术,决策粒度较为粗放,且缺少对用户意图和偏好的理解,智能化水平较低的问题;实现了精准根据用户意图对家居设备进行控制,提升用户体验的技术效果。
需要说明的是,生活域知识体系的各个图谱之间并非相互独立,而是通过实体、实体关系进行关联,形成对用户生活域的多维度、多粒度的语义描述,用于支持家居环境感知、家居认知计算、智能家居决策、智能家居控制等计算环节,更加准确识别用户的活动和意图,综合多方位信息优化决策过程,为用户提供健康舒适的居住环境体验;同时,通过手机用户的行为数据,并利用知识抽取方式,不断地丰富生活域知识体系,实现“知识应用-数据生成-知识提取”的循环模式,实现对智能家居知识的自进化。
以下结合图6对家居设备的控制方法进行进一步说明,图6是本发明实施例的一种可选的全屋家居智能决策控制方法的架构示意图,如图6所示:
由生活域知识体系61、家居环境感知模块62、家居认知计算模块63、智能家居决策模块64、智能家居控制模块65、智能交互模块66、数据生成模块67和知识抽取模块68组成。其中,生活域知识体系61为家居环境感知模块62、家居认知计算模块63、智能家居决策64和智能家居控制65提供知识基础,支持各模块计算;并且将数据生成模块67获取的信息通过知识抽取模块68进行知识的补充与更新。
家居环境感知模块62,是利用家居住宅中多种传感器设备,电器设备等,获取家居用户实时环境(如温度、湿度、CO2浓度等)、家居用户交互行为等数据,为家居认知计算提供数据支撑;生活域知识体系61为家居环境感知模块62提供设备、设备属性及设备关联的语义描述和认识,形成对感知设备与决策设备之间的关联关系,避免感知的其他信息对决策环节造成直接干扰,同时支持与用户之间的直接交互。主要包括:
温湿度传感器:获取当前室内/室外温度、湿度实时数据,为室内空调、加湿器、除湿器、电暖气、窗帘等设备的决策提供特征信息;
光电传感器:获取室内/室外光强、紫外线等实时数据,为室内窗帘开关等设备的决策提供特征信息;
人体传感器:获取传感器测距范围内人体是否存在信号,或更进一步的距离,为全屋多种类型电器的决策触发提供先决条件;
气体传感器:获取室内甲醛、CO、CO2等气体含量数据,为新风系统、空调等设备决策提供特征信息;
智能音箱:其既是重要的感知设备,通过获取来自用户的语音数据,分析用户偏好、需求等信息,也是重要的执行控制终端,为用户提供家居知识服务,如家电故障提示、健康提醒、出行建议、穿搭/饮食建议等;
用户交互行为:除用户通过与智能音箱的语音交互行为外,还包括用户通过其他智能交互方式,与家居设备之间的交互行为,如空调开关、模式选择、风向选择,厨电开关、模式选择等。
生活域知识体系对家居环境感知的支持作用,主要体现在对家居环境中多种设备(包括传感器、电器设备等)的语义描述和认识,一方面形成对感知设备与决策设备之间的关联关系,避免感知的其他信息对决策环节造成直接干扰;另一方面可以支持与用户之间的直接交互,如用户通过与智能音箱的语音交互询问“目前室内温湿度是多少?”智能音箱直接将感知设备所获取的温湿度报告给用户。
家居认知计算模块63,是指累计家居环境感知模块62所捕获的多维度信息,结合生活域知识体系,并通过统计分析、聚类、分类等方法进行分析处理加工,推理出用户画像,并根据家居环境感知设备所获取的实时数据进行用户活动识别、意图识别等,为决策提供高可靠的决策依据,如图7所示,图7是本发明实施例的一种可选的家居认知计算的流程示意图,如图7所示:
结合家居环境感知模块62捕获的多维度信息,结合生活域知识体系61进行用户画像推理,得到用户画像后进行用户实时活动识别,结合用户画像和识别到的用户的实时活动(相当于上述当前行为)进行用户的意图推理。
用户实时活动识别实例:根据描述用户经常在早上7点-8点做早饭的用户画像,并利用家居环境感知模块62,通过布置在厨房中的人体传感器检测到早上7点用户进入厨房长时间逗留(如5分钟以上),根据生活域知识体系61中(如图3)设备知识图谱的“厨房家电”与家居常识图谱中的“做饭”实体之间的关联关系,推理用户实时活动名称为“做饭”,则在后续的智能家居决策模块65中,利用生活域知识体系61中设备知识图谱的“菜谱”实体与“做饭”实体之间的关联关系,制定早饭的健康饮食搭配方法,在后续的智能家居控制模块65中,根据用户使用的终端设备类型(如手机客户端、智慧厨房屏幕等)的功能,将健康饮食搭配方法通过智能交互模块66,与用户进行交互。
用户意图推理实例:在用户活动“做饭”结束后,根据生活域知识体系61中的家居常识图谱,推理用户下一步的意图可能为“吃饭”,继而为“上班”,则可以提前将生活域知识体系61中的出行知识图谱相应的交通方式与所需时间,并结合用户画像中对用户出行习惯的描述(如公共交通、驾车、骑车等),通过智能交互模块66(如智能音箱),告知用户,并通过家居环境感知模块62(如智能音箱中的语音传感器)来获取用户回答,以此来确认用户意图推理是否正确。
智能家居控制模块65,结合生活域知识体系中对各控制终端的功能描述,将相应的决策命令进行解析,通过智能交互方式,与用户进行交流。
智能家居控制实例:
智能音箱:当智能家居控制模块65接收到“开启客厅空调”的决策命令后,通过用户画像中对智能家居控制终端的记录(智能音箱在客厅),以及生活域知识体系中对该智能家居控制终端的语义描述进行智能家居终端控制(智能音箱可以进行语音交互),输出语音信号“您好,主人,要开启客厅空调吗?”,避免直接开启空调,引起用户的不适。
智能交互模块66,是指家居设备与用户之间的多种交互方式,家居设备接收智能家居控制指令后,会与用户之间形成一定的交互,如智能音箱输出语音信号“您好,主人,要开启客厅空调吗?”后,用户回答“好的,你真聪明”,得到用户的肯定信号,则执行“开启客厅空调”命令,这种交互可以为监督式学习算法提供负样例,为强化学习算法提供奖励函数。
数据生成模块67,是将以上各个模块所产生的数据进行收集存储,为后续的知识抽取提供数据原料。
知识抽取模块68,利用关联规则挖掘、序列模式挖掘、因果分析等技术,从数据生成模块中挖掘新的生活知识,实现从数据到知识图谱的不断优化与补充。
知识抽取示例如下:
利用序列模式挖掘算法(如FreeSpan算法、GSP算法等),挖掘出两个家居活动之间存在强序列关系,将这两活动定义为家居常识图谱中的两个实体,将两者的强序列关系定义为HasSubEvent,如“回家”与“开电视”之间存在统计意义上的强序列关系,可以定义为HasSubEvent关联关系(如图3中至少存在以下2个HasSubEvent关系,吃饭与上班,吃饭与看电视);
利用因果分析算法(如PC算法),挖掘出两个家居活动之间存在强因果关系,则将两活动定义为家居常识图谱中的两个实体,将两者的强因果关系定义为Causes,如“空气差”与“开新风”之间存在统计意义上的强因果关系,可以定义为Causes关联关系。(如图3中至少存在以下2个Causes关系,起床与做饭,肚子饿与做饭)。
通过上述模块,面向家居生活中的复杂决策过程,设计覆盖衣、食、住、行、娱乐、健康等生活域的知识体系,覆盖用户家居生活中的众多场景,其构建过程可以利用自然语言处理中的多种信息抽取方法进行构建,在保证使用场景多样化的情况下,尽量降低了人力构建与维护成本;同时,家居认知计算模块63,可以实现对用户画像、用户活动的推理,结合生活域知识体系,可以进一步预测用户的下一步意图,实现对用户偏好的准确刻画和未来意图的准确推理,为智能决策提供高可靠性的决策依据;智能决策环节,融合大量来自生活域知识体系的语义知识,可以更好地提供决策特征;智能决策环节,融合大量来自生活域知识体系的语义知识,可以更好地提供决策特征;知识抽取模块68,形成“知识应用-数据生成-知识提取”的循环模式,实现生活域知识体系的补充与自更新,在一定程度上也降低了人力维护成本。
在本实施例中还提供了家居设备的控制装置,该家居设备的控制装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的一种可选的家居设备的控制装置的结构框图;如图8所示,包括:
推理模块82,用于根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
需要说明的是,上述生活域知识体系所包括的目标对象对应的多个家居知识图谱包括但不限于:衣物知识图谱、食物知识图谱、电器知识图谱、出行知识图谱、娱乐知识图谱、(生活)健康知识图谱和家居常识图谱;本申请对此不作限制。
需要说明的是,上述目标对象的当前行为可以理解为目标对象正在进行的动作,也可以是目标对象所处的位置,还可以是目标对象所发出的语音等,本申请对此不作限制。
决策模块84,用于通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
解析模块86,用于对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
发送模块88,用于将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
通过上述装置,根据包含有目标对象对应的多个家居知识图谱的生活域知识体系和目标对象的用户画像对识别到的所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据;通过决策算法对所述用户画像、所述目标对象的当前行为、目标对象所在环境的环境数据和所述意图数据输入到预设决策模型中,得到决策结果;对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令;采用上述技术方案,解决了现有技术中,目前面向智能家居的决策技术,决策粒度较为粗放,且缺少对用户意图和偏好的理解,智能化水平较低的问题;实现了精准根据用户意图对家居设备进行控制,提升用户体验的技术效果。
可选的,推理模块82,根据生活域知识体系和目标对象的用户画像对获取到的所述目标对象的当前行为进行意图推理之前,获取所述目标对象所处地域的历史气候数据和/或所述目标对象的历史行为数据;对所述历史气候数据和/或所述历史行为数据进行解析,得到所述目标对象的用户画像,其中,所述用户画像用于指示以下至少之一:所述目标对象的行为习惯数据,所述目标对象的地域信息,所述目标对象的身份信息。
可选的,解析模块86,还用于执行以下方案至少之一,以对所述历史气候数据和/或所述历史行为数据进行解析:对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据;对所述历史气候数据进行特征提取,并对得到的气候特征进行聚类分析,得到所述目标对象的地域信息,其中,所述地域信息用于指示所述目标对象所处地域和所述目标对象所处地域的气候特点;对所述历史行为数据中的语音交互数据进行语音特征提取,并通过预设分类模型对得到的语音特征进行分类,得到所述目标对象的身份信息。
可选的,推理模块82,还用于确定所述历史行为数据在所述多个家居知识图谱中对应的所述目标实体节点,其中,所述多个家居知识图谱包括目标家居知识图谱,所述目标家居知识图谱包括:用于指示所述目标对象的行为意图的实体节点,所述目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;在所述多个家居知识图谱中根据所述路径规划算法确定任一目标实体节点在所述目标家居知识图谱中对应的第一实体节点,其中,所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的路径最短;根据所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的最短路径所包含的多个实体节点和所述多个实体节点之间的执行顺序确定所述行为习惯数据。
可选的,推理模块82,还用于确定所述当前行为在目标家居知识图谱中对应的第二实体节点,其中,所述多个家居知识图谱中所述目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;在所述目标家居知识图谱中确定所述第二实体节点对应的第三实体节点集合,其中,所述第三实体节点集合包括至少一个第三实体节点,所述第三实体节点为所述第二实体节点的下一个关联节点;根据所述用户画像在所述第三实体节点集合中确定出第四实体节点,并将所述第四实体节点对应的行为确定为所述意图数据。
在一个示例性实施例中,决策模块84,还用于使用预设编码算法分别对所述用户画像、所述目标对象的当前行为、所述环境数据和所述意图数据进行编码,得到画像编码结果、行为编码结果、环境编码结果和意图编码结果;通过预设神经网络模型计算所述画像编码结果、所述行为编码结果、所述环境编码结果和所述意图编码结果之间的特征相关性,并对所述特征相关性进行编码,得到决策特征编码;确定与所述决策特征编码对应的家居设备的目标设备类别,并根据所述目标设备类别的家居设备的编码方式对所述决策特征编码进行解码,得到与所述目标设备类别的家居设备对应的决策结果。
可选的,解析模块86,还用于从所述决策结果中解析出所述目标对象所处家庭中目标设备类别的多个家居设备对应的被控制的概率值,并将概率值最大的家居设备确定为所述目标家居设备;从所述生活域知识体系中获取所述目标家居设备的功能信息,根据所述决策结果和所述功能信息生成对所述目标家居设备的控制指令。
可选的,发送模块88,还用于将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令之前,根据所述控制指令和所述目标家居设备生成提示信息;将所述提示信息发送至智能交互设备,并接收所述目标对象对所述提示信息的反馈信息;在所述反馈信息的类别为正向反馈的情况下,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
可选的,解析模块86,还用于采集所述目标对象所处家庭中的多个家居设备在工作过程中产生的运行数据和/或交互数据,其中,所述交互数据包括以下至少之一:家居设备与家居设备之间的交互数据,家居设备与目标对象之间的交互数据;根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新。
可选的,解析模块86,还用于根据所述运行数据和/或所述交互数据确定出多个实体节点,并根据所述生活域知识体系中的多个家居知识图谱对得到的多个实体节点进行分类,得到分类后的多个实体节点,其中,所述多个实体节点至少用于指示所述运行数据和/或所述交互数据对应的家居设备的家居活动;通过序列模式挖掘算法和因果分析算法对所述分类后的多个实体节点与所述多个家居知识图谱中的多个实体节点进行关联规则挖掘,得到实体节点之间的关联规则,其中,所述关联规则用于指示实体节点之间的关联关系;根据分类后所述多个实体节点和挖掘出的所述关联规则对所述生活域知识体系进行更新。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
S2,通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
S3,对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
S4,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
S2,通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
S3,对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
S4,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件根据。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种家居设备的控制方法,其特征在于,包括:
根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令;
其中,所述方法还包括:
采集所述目标对象所处家庭中的多个家居设备在工作过程中产生的运行数据和/或交互数据,其中,所述交互数据包括以下至少之一:家居设备与家居设备之间的交互数据,家居设备与目标对象之间的交互数据;
根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新;其中,根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新,包括:
通过序列模式挖掘算法和因果分析算法对所述运行数据和/或所述交互数据对应的家居活动进行关联规则挖掘,确定出存在关联规则的多个家居活动以及所述多个家居活动之间的关联规则,其中,所述关联规则至少用于指示所述多个家居活动之间的因果关系和序列关系;
根据所述存在关联规则的多个家居活动和所述关联规则对所述生活域知识体系中的目标家居知识图谱进行更新,其中,所述目标家居知识图谱包括常识活动事件实体和事件实体关系,所述常识活动事件实体用于描述所述家居活动,所述事件实体关系至少用于描述所述常识活动事件实体之间的因果关系或序列关系,所述目标家居知识图谱中的实体节点与所述多个家居知识图谱中其他家居知识图谱的至少一个实体节点存在关联关系。
2.根据权利要求1所述的家居设备的控制方法,其特征在于,根据生活域知识体系和目标对象的用户画像对获取到的所述目标对象的当前行为进行意图推理之前,所述方法还包括:
获取所述目标对象所处地域的历史气候数据和/或所述目标对象的历史行为数据;
对所述历史气候数据和/或所述历史行为数据进行解析,得到所述目标对象的用户画像,其中,所述用户画像用于指示以下至少之一:所述目标对象的行为习惯数据,所述目标对象的地域信息,所述目标对象的身份信息。
3.根据权利要求2所述的家居设备的控制方法,其特征在于,对所述历史气候数据和/或所述历史行为数据进行解析,得到所述目标对象的用户画像,至少包括以下之一:
对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据;
对所述历史气候数据进行特征提取,并对得到的气候特征进行聚类分析,得到所述目标对象的地域信息,其中,所述地域信息用于指示所述目标对象所处地域和所述目标对象所处地域的气候特点;
对所述历史行为数据中的语音交互数据进行语音特征提取,并通过预设分类模型对得到的语音特征进行分类,得到所述目标对象的身份信息。
4.根据权利要求3所述的家居设备的控制方法,其特征在于,对所述历史行为数据在所述生活域知识体系中对应的目标实体节点使用路径规划算法进行路径规划,得到所述历史行为数据对应的行为习惯数据,包括:
确定所述历史行为数据在所述多个家居知识图谱中对应的所述目标实体节点,其中,所述多个家居知识图谱包括目标家居知识图谱,所述目标家居知识图谱包括用于指示所述目标对象的行为意图的实体节点;
在所述多个家居知识图谱中根据所述路径规划算法确定任一目标实体节点在所述目标家居知识图谱中对应的第一实体节点,其中,所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的路径最短;
根据所述任一目标实体节点到与所述任一目标实体节点对应的第一实体节点的最短路径所包含的多个实体节点和所述多个实体节点之间的执行顺序确定所述行为习惯数据。
5.根据权利要求1所述的家居设备的控制方法,其特征在于,根据生活域知识体系和目标对象的用户画像对获取到的所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,包括:
确定所述当前行为在目标家居知识图谱中对应的第二实体节点,其中,所述多个家居知识图谱中所述目标家居知识图谱的实体节点与其他家居知识图谱的至少一个实体节点存在关联关系;
在所述目标家居知识图谱中确定所述第二实体节点对应的第三实体节点集合,其中,所述第三实体节点集合包括至少一个第三实体节点,所述第三实体节点为所述第二实体节点的下一个关联节点;
根据所述用户画像在所述第三实体节点集合中确定出第四实体节点,并将所述第四实体节点对应的行为确定为所述意图数据。
6.根据权利要求1所述的家居设备的控制方法,其特征在于,通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果,包括:
使用预设编码算法分别对所述用户画像、所述目标对象的当前行为、所述环境数据和所述意图数据进行编码,得到画像编码结果、行为编码结果、环境编码结果和意图编码结果;
通过预设神经网络模型计算所述画像编码结果、所述行为编码结果、所述环境编码结果和所述意图编码结果之间的特征相关性,并对所述特征相关性进行编码,得到决策特征编码;
确定与所述决策特征编码对应的家居设备的目标设备类别,并根据所述目标设备类别的家居设备的编码方式对所述决策特征编码进行解码,得到与所述目标设备类别的家居设备对应的决策结果。
7.根据权利要求6所述的家居设备的控制方法,其特征在于,所述决策结果中包含类别为所述目标设备类别的每个家居设备被所述目标对象控制的概率值,对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备,包括:
从所述决策结果中解析出所述目标对象所处家庭中目标设备类别的多个家居设备对应的被控制的概率值,并将概率值最大的家居设备确定为所述目标家居设备;
从所述生活域知识体系中获取所述目标家居设备的功能信息,根据所述决策结果和所述功能信息生成对所述目标家居设备的控制指令。
8.根据权利要求1所述的家居设备的控制方法,其特征在于,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令之前,所述方法还包括:
根据所述控制指令和所述目标家居设备生成提示信息;
将所述提示信息发送至智能交互设备,并接收所述目标对象对所述提示信息的反馈信息;
在所述反馈信息的类别为正向反馈的情况下,将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令。
9.一种家居设备的控制装置,其特征在于,包括:
推理模块,用于根据生活域知识体系和目标对象的用户画像对所述目标对象的当前行为进行意图推理,得到所述目标对象的意图数据,其中,所述生活域知识体系用于描述:所述目标对象对应的多个家居知识图谱和不同家居知识图谱的实体节点之间的关联关系;
决策模块,用于通过决策算法基于所述用户画像、所述目标对象的当前行为、所述目标对象当前所在环境的环境数据和所述意图数据对所述目标对象对家居设备的期望运行状态进行决策,得到决策结果;
解析模块,用于对所述决策结果进行解析,得到所述决策结果对应的控制指令以及所述控制指令对应的目标家居设备;
发送模块,用于将所述控制指令发送给所述目标家居设备,以指示所述目标家居设备执行所述控制指令;
所述装置还用于采集所述目标对象所处家庭中的多个家居设备在工作过程中产生的运行数据和/或交互数据,其中,所述交互数据包括以下至少之一:家居设备与家居设备之间的交互数据,家居设备与目标对象之间的交互数据;
根据所述运行数据和/或所述交互数据对所述生活域知识体系进行更新;
其中,所述装置还用于通过序列模式挖掘算法和因果分析算法对所述运行数据和/或所述交互数据对应的家居活动进行关联规则挖掘,确定出存在关联规则的多个家居活动以及所述多个家居活动之间的关联规则,其中,所述关联规则至少用于指示所述多个家居活动之间的因果关系和序列关系;根据所述存在关联规则的多个家居活动和所述关联规则对所述生活域知识体系中的目标家居知识图谱进行更新,其中,所述目标家居知识图谱包括常识活动事件实体和事件实体关系,所述常识活动事件实体用于描述所述家居活动,所述事件实体关系至少用于描述所述常识活动事件实体之间的因果关系或序列关系,所述目标家居知识图谱中的实体节点与所述多个家居知识图谱中其他家居知识图谱的至少一个实体节点存在关联关系。
10.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158372.6A CN115826428B (zh) | 2023-02-23 | 2023-02-23 | 家居设备的控制方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158372.6A CN115826428B (zh) | 2023-02-23 | 2023-02-23 | 家居设备的控制方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115826428A CN115826428A (zh) | 2023-03-21 |
CN115826428B true CN115826428B (zh) | 2023-10-27 |
Family
ID=85522217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310158372.6A Active CN115826428B (zh) | 2023-02-23 | 2023-02-23 | 家居设备的控制方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826428B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068910B (zh) * | 2023-04-06 | 2023-06-27 | 江西财经大学 | 一种基于大数据的智能家居控制方法及系统 |
CN116300512B (zh) * | 2023-05-17 | 2023-08-01 | 绵阳师范学院 | 基于物联网的智能家居控制方法、系统、终端及介质 |
CN117270411B (zh) * | 2023-10-12 | 2024-05-03 | 快住智能科技(苏州)有限公司 | 一种结合用户画像和监测的家居管理方法及系统 |
CN117092926B (zh) * | 2023-10-17 | 2024-03-29 | 荣耀终端有限公司 | 一种设备控制方法及电子设备 |
CN117851787A (zh) * | 2024-03-01 | 2024-04-09 | 江苏森讯达智能科技有限公司 | 一种卫浴产品智能交互控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263183A (zh) * | 2019-06-20 | 2019-09-20 | 珠海格力电器股份有限公司 | 一种智能家居决策支持系统及决策支持方法 |
CN110286601A (zh) * | 2019-07-01 | 2019-09-27 | 珠海格力电器股份有限公司 | 控制智能家居设备的方法、装置、控制设备及存储介质 |
CN113111186A (zh) * | 2021-03-31 | 2021-07-13 | 青岛海尔科技有限公司 | 用于控制家电设备的方法、存储介质及电子设备 |
CN114265325A (zh) * | 2021-12-23 | 2022-04-01 | 深圳康佳电子科技有限公司 | 自学习的智能家居控制方法、终端及计算机可读存储介质 |
CN114546486A (zh) * | 2022-01-28 | 2022-05-27 | 青岛海尔科技有限公司 | 向用户推荐指令的方法和装置、存储介质及电子装置 |
CN115356939A (zh) * | 2022-08-18 | 2022-11-18 | 青岛海尔科技有限公司 | 控制指令的发送方法、控制装置、存储介质及电子装置 |
CN115685768A (zh) * | 2021-07-22 | 2023-02-03 | 青岛海尔科技有限公司 | 用于家居设备的控制方法及装置、家居设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110474973B (zh) * | 2019-08-08 | 2022-02-08 | 三星电子(中国)研发中心 | 一种多设备共享智能引擎的方法、系统和设备 |
-
2023
- 2023-02-23 CN CN202310158372.6A patent/CN115826428B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263183A (zh) * | 2019-06-20 | 2019-09-20 | 珠海格力电器股份有限公司 | 一种智能家居决策支持系统及决策支持方法 |
CN110286601A (zh) * | 2019-07-01 | 2019-09-27 | 珠海格力电器股份有限公司 | 控制智能家居设备的方法、装置、控制设备及存储介质 |
CN113111186A (zh) * | 2021-03-31 | 2021-07-13 | 青岛海尔科技有限公司 | 用于控制家电设备的方法、存储介质及电子设备 |
CN115685768A (zh) * | 2021-07-22 | 2023-02-03 | 青岛海尔科技有限公司 | 用于家居设备的控制方法及装置、家居设备 |
CN114265325A (zh) * | 2021-12-23 | 2022-04-01 | 深圳康佳电子科技有限公司 | 自学习的智能家居控制方法、终端及计算机可读存储介质 |
CN114546486A (zh) * | 2022-01-28 | 2022-05-27 | 青岛海尔科技有限公司 | 向用户推荐指令的方法和装置、存储介质及电子装置 |
CN115356939A (zh) * | 2022-08-18 | 2022-11-18 | 青岛海尔科技有限公司 | 控制指令的发送方法、控制装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115826428A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115826428B (zh) | 家居设备的控制方法和装置、存储介质及电子装置 | |
CN108153158A (zh) | 家居场景的切换方法、装置、存储介质及服务器 | |
WO2016180163A1 (zh) | 一种家居控制调节的方法及系统 | |
CN108536030A (zh) | 一种基于anfis算法的智能家居系统及其工作方法 | |
CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
Woźniak et al. | Intelligent home systems for ubiquitous user support by using neural networks and rule-based approach | |
CN105005204A (zh) | 可自动触发智能家居和智慧生活情景的智能引擎系统及方法 | |
CN112113317B (zh) | 一种室内热环境控制系统及方法 | |
CN110989370B (zh) | 智能家居交互控制方法及控制系统 | |
CN117762032B (zh) | 基于场景适应和人工智能的智能设备控制系统及方法 | |
CN109471370A (zh) | 一种基于排气扇操作数据的行为预测及控制方法、系统 | |
Ponce et al. | Framework for communicating with consumers using an expectation interface in smart thermostats | |
CN110471301A (zh) | 一种基于用户行为的智能家居服务推荐系统及方法 | |
CN113869482A (zh) | 一种基于深度强化学习的智慧路灯自适应节能控制方法及系统 | |
Meurer et al. | Ambient intelligence for the internet of things through context-awareness | |
CN110836525A (zh) | 空调运行状态的自适应调节方法及装置 | |
CN116130102A (zh) | 睡眠环境数据的确定方法及装置、存储介质及电子装置 | |
Martinez-Gil et al. | Modeling user behavior through electricity consumption patterns | |
CN115905688A (zh) | 一种基于人工智能和智能家居的参考信息生成方法 | |
CN117706954B (zh) | 一种用于场景生成的方法及装置、存储介质、电子装置 | |
CN117708680B (zh) | 一种用于提升分类模型准确度的方法及装置、存储介质、电子装置 | |
CN113852657A (zh) | 一种基于边缘计算的智慧家庭本地控制方法及系统 | |
Reyes-Campos et al. | Energy Saving by Using Internet of Things Paradigm and Machine Learning | |
CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
CN118051625A (zh) | 一种用于优化场景生成模型的方法及装置、存储介质、电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |