CN116430740A - 设备控制方法、装置、系统、电子设备及存储介质 - Google Patents
设备控制方法、装置、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116430740A CN116430740A CN202310193033.1A CN202310193033A CN116430740A CN 116430740 A CN116430740 A CN 116430740A CN 202310193033 A CN202310193033 A CN 202310193033A CN 116430740 A CN116430740 A CN 116430740A
- Authority
- CN
- China
- Prior art keywords
- control
- information
- control instruction
- equipment
- current state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 239000004973 liquid crystal related substance Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 13
- 206010063385 Intellectualisation Diseases 0.000 description 10
- 238000005286 illumination Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请涉及一种设备控制方法、装置、系统、电子设备和存储介质。所述方法包括：获取目标空间下的当前状态信息；通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。采用本方法能够提高控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
Description
技术领域
本申请涉及智能家居技术领域，特别是涉及一种设备控制方法、装置、系统、电子设备及存储介质。
背景技术
随着物联网技术的不断发展，智能家居设备越来越多，使得对智能家居设备的自动化控制也越来越重要。目前，用于供暖和/或制冷的智能家居设备如环境调节设备在人们日常生活中有不可缺失地位。
然而，现有对空间下的环境调节设备的控制管理通常比较简单，如常规的定时、远程设置、单一控制等，使得控制不够精细化和智能化。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高控制精细化和智能化的设备控制方法、装置、系统、电子设备和存储介质。
第一方面，本申请实施例提供一种设备控制方法，所述方法包括：
获取目标空间下的当前状态信息；
通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
第二方面，本申请实施例提供一种设备控制装置，所述装置包括：
获取模块，用于获取目标空间下的当前状态信息；
处理模块，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
控制模块，用于若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
在一些实施例中，所述满足目标条件，包括：所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
在一些实施例中，所述装置还包括输出模块；控制模块，还用于若所述控制指令不满足所述目标条件，控制输出模块输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；以及响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
在一些实施例中，获取模块，具体用于获取通过与所述目标空间关联的信息采集设备采集的监测数据；根据所述监测数据确定所述目标空间下的当前状态信息。
在一些实施例中，所述当前状态信息，包括人体存在信息、温湿度信息、光照信息、空间区域信息、时间信息、设备能耗信息、控制策略信息中的至少一种；
在一些实施例中，处理模块，具体用于通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；
基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
在一些实施例中，获取模块，还用于获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
处理模块，还用于通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
在一些实施例中，获取模块，还用于获取预设时段内基于手动控制的历史操作信息，以及各所述历史操作信息所对应的历史状态信息；
处理模块，还用于基于所述历史操作信息和所述历史状态信息，对所述机器学习模型进行周期性更新训练，以得到更新后的机器学习模型。
第三方面，本申请实施例提供一种设备控制系统，所述设备控制系统包括：电子设备、至少一信息采集设备和至少一控制设备，所述电子设备与所述信息采集设备和所述控制设备通信连接；其中，
所述信息采集设备，用于采集目标空间下的当前状态信息；
所述电子设备，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并将所述控制指令下发给对应的控制设备；
所述控制设备，用于执行所述控制指令。
第四方面，本申请实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现本申请任一实施例所述的设备控制方法。
第五方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任一实施例所述的设备控制方法。
根据本申请的一个方面，本申请实施例提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在存储介质中，计算机设备的处理器从存储介质读取计算机程序，处理器执行计算机程序，使得计算机设备执行时实现如上所述的设备控制方法。
上述设备控制方法、装置、系统、电子设备和存储介质，在获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的目标设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
附图说明
图1为一个实施例中设备控制方法的应用环境示意图；
图2为一个实施例中设备控制方法的流程示意图；
图3为另一个实施例中设备控制方法的流程示意图；
图4为一个实施例中设备控制装置的结构示意图；
图5为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
常规的暖通控制和节能通常是控制暖通主机，很少控制末端。但是，随着技术与需求的发展，人们对暖通舒适性高要求以及暖通按需控制都将成为趋势。现有常规的暖通节能方案以控制主机所需的能耗为主。传统方案虽然节约了暖通里的主要能源，但未对末端的控制面板实施智能精细化控制。虽然现有的暖通系统也能对温控面板进行控制，但控制方式比较简单和基础，如：定时开关、统一整体控制等。从节能的方式考虑面板控制的较少，用物联网方式考虑节能与舒适性的更少。因此，现有对温控面板的控制方式比较简单，如常规的定时、远程设置、单个控制、多面板统一控制等，同时现有方案在实现过程中不够灵活，依赖于摄像头视频内容，涉及到隐私安全等风险，并且相关设备部署的成本比较高，受制于现场环境因素较大。针对上述问题，发明人经过长时间的研究并提出了本申请实施例提供的设备控制方法、装置、系统、电子设备和存储介质，在获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的目标设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的，并且还能有效解决上述问题。
请参阅图1，图1为适用于本申请实施例的一种应用环境示意图。本申请实施例提供的设备控制方法可以应用于如图1所示的智能家居系统中，该智能家居系统包括电子设备1、控制设备2和信息采集设备3，电子设备1与控制设备2和信息采集设备3之间可以通过蓝牙、NFC、红外、WIFI等无线方式进行通信，控制设备2和信息采集设备3位于同一目标空间内。其中，电子设备1通过信息采集设备3实时、不定时或周期性获取所述目标空间下的当前状态信息，并通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并将所述控制指令下发给对应的控制设备2，进而根据所述当前状态信息对所述控制设备2进行控制。
其中，电子设备1可以但不限于是温控器、网关、路由器、控制面板、终端等设备，控制设备2可以但不限于是环境调节设备等，环境调节设备可用于对目标空间的环境气候进行调节，包括但不限于制冷设备如空调、供暖设备如热泵等，信息采集设备3可以但不限于是门窗传感器、开关传感器、温度传感器、湿度传感器、气压传感器、人体存在传感器等。可以理解的是，以上应用环境仅为方便理解下述实施例作出的示例性描述，并不对本申请实施例实际可实施的应用环境构成任何限定。
请参阅图2，为本申请一实施例提供的一种设备控制方法，可应用于电子设备，例如可应用于图1所示的电子设备1、控制设备2，也可以应用于具有数据处理功能的信息采集设备3，例如摄像机设备。所述设备控制方法包括以下步骤：
步骤S101，获取目标空间下的当前状态信息。
其中，所述目标空间是指需要进行设备控制的物理空间，包括但不限于安装有目标设备的客厅、卧室、书房、办公室、生产车间等。对所述目标空间进行控制如环境调节的目标设备可以只有一个，也可以有多个，在此不作具体限定。所述目标空间下的当前状态信息，可用于指示所述目标空间内的当前环境信息、人体存在信息等，所述当前状态信息可包括人体存在信息、温湿度信息、光照信息、空间区域信息、时间信息、设备能耗信息、控制策略信息中的至少一种。
其中，所述人体存在信息用于指示是否有人体存在以及人体数量多少等；所述温湿度信息可包括温度和湿度，所述温度可包括目标空间内的温度和目标空间外的温度；所述光照信息用于指示光照方向以及光照强度等信息；所述空间区域信息用于指示目标空间内待控制的区域，具体可包括区域标识等；所述时间信息用于指示当前时间所在时段等；所述设备能耗信息用于指示设备在单位时间内的能源消耗情况；所述控制策略信息用于指示对设备的控制方式，具体可包括工作模式等。需要说明的是，可以将目标空间划分为多个区域，并获取所述目标空间下的每个区域的当前状态信息。
电子设备可实时、不定时或周期性获取目标空间下的当前状态信息。电子设备具体可以通过自身采集目标空间下的当前状态信息，也可获取由目标空间下的信息采集设备采集的目标空间下的当前状态信息。然后，电子设备则可以根据目标空间下的当前状态信息，对目标设备进行动态控制。
步骤S103，通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到。
具体地，电子设备可以将所述目标空间下的当前状态信息输入预先训练好的机器学习模型，在该预先训练好的机器学习模型中，可以基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，输出与所述目标空间下的当前状态相匹配的控制指令。
可以理解，若所述目标空间被划分为多个区域，每个区域分别通过一个或多个设备进行控制，则通过已训练的机器学习模型，可基于历史设备控制信息对每个区域的当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的各区域的当前状态相匹配的控制指令。
其中，上述机器学习模型可以预先根据大量训练样本对机器学习模型进行训练得到。在一些实施例中，训练样本可以包括样本设备数据、样本环境数据以及已标注设备控制信息的样本标签。其中，样本设备数据可包括样本设备标识，样本环境数据可包括样本空间下的各种状态信息，设备控制信息可包括设备控制指令，从而预先训练好的机器学习模型可以用于根据获取到的目标空间下的当前状态信息，输出与所述目标空间下的当前状态相匹配的控制指令。
步骤S105，若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
其中，目标设备是指目标空间中能够接入网络进行通信和控制的设备，具体可以是安装于目标空间下的智能设备，例如可以包括智能家居设备，如摄像机、智能灯、智能窗帘、智能空调、智能电视等设备。当目标空间下安装有多个目标设备时，若需要对多个目标设备进行统一控制，即所述控制指令只有一种，则可控制所有的目标设备执行所述控制指令；若需要对多个目标设备进行单独控制，即所述控制指令有多种且每个目标设备对应不同的控制指令，则可分别控制对应的目标设备执行对应的所述控制指令。需要说明的是，不同目标设备对应的控制指令可通过控制指令的编号或设备标识等进行区分。
其中，所述满足目标条件，包括：所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
需要说明的是，所述控制指令对应的置信度用于判断当前的预测结果匹配用户的潜在需求的可能性大小，置信度越高，说明预测结果匹配用户的潜在需求的可能性越大，而置信度越低，说明预测结果匹配用户的潜在需求的可能性越小。所述控制指令对应的置信度可以由所述机器学习模型生成后进行输出，也可以由所述机器学习模型生成后，在所述机器学习模型内部进行置信度判断。如此，在控制指令对应的置信度大于或等于偏好度阈值时，才控制对应的目标设备执行所述控制指令，进一步提高了控制精细化和智能化。
本申请上述实施例中，在获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的目标设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
在一些实施例中，所述获取目标空间下的当前状态信息，包括：获取通过与所述目标空间关联的信息采集设备采集的监测数据；根据所述监测数据确定所述目标空间下的当前状态信息。
其中，信息采集设备包括空间监测设备，空间监测设备可以包括但不限于门窗传感器、开关传感器、温度传感器、湿度传感器、气压传感器、光线传感器、人体存在传感器等。电子设备可直接或间接获取与所述目标空间关联的信息采集设备对所述目标空间所采集的监测数据，并通过分析所述监测数据，确定所述目标空间下的当前状态信息。
可以理解，具体可以通过信息采集设备采集的所述目标空间内的至少一状态信息，可直接或间接获取所述目标空间的当前状态信息。例如，可以通过温度传感器直接检测所述目标空间内的温度信息，通过湿度传感器直接检测所述目标空间内的湿度信息，而通过人体存在传感器检测所述目标空间内是否有人存在。如此，通过信息采集设备采集的监测数据，可准确且快速获知目标空间下的当前状态信息，进一步提高了设备控制的精细化和智能化。
在一些实施例中，上述设备控制方法还包括：若所述控制指令不满足所述目标条件，输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
其中，当所述控制指令不满足所述目标条件时，说明当前的预测结果可能匹配用户的潜在需求的可能性较小，此时可通过语音或文字等方式输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息。若接收到控制对应的目标设备执行所述控制指令的确认指令，则执行控制对应的目标设备执行所述控制指令的步骤。
如此，通过在控制指令不满足目标条件时，输出推荐信息，并在接收到确认指令时，执行所述控制指令，操作灵活，进一步提高了控制智能化。
在一些实施例中，所述通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，包括：
通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；
基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
其中，该机器学习模型可以归属于回归模型，也可以归属于分类模型。该机器学习模型可以包括特征提取层和特征预测层，在通过机器学习模型对与所述目标空间下的当前状态相匹配的控制指令进行预测时，首先通过特征提取层对当前状态信息进行特征提取，得到所述当前状态信息的状态特征。然后将所述当前状态信息的状态特征输入到机器学习模型的特征预测层，通过特征预测层对目标空间所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
可以理解，通过所述机器学习模型的特征提取层对所述当前状态信息进行特征提取，可得到所述当前状态信息的状态特征，如温度特征、湿度特征、光照特征等，然后通过所述机器学习模型的特征预测层基于所述当前状态信息的状态特征对所述当前状态信息所对应的控制指令进行预测，以得到与所述目标空间下的当前状态相匹配的控制指令。
需要说明的是，通过所述机器学习模型的特征预测层对所述当前状态信息所对应的控制指令进行预测时，可先获取每个状态特征对控制指令的影响权重，然后根据每个状态特征对控制指令的影响权重确定所述控制指令。
例如，在某个区域有人存在时，对应的状态特征对控制指令中的温度的影响权重可相应增大，而在某个区域无人存在时，对应的状态特征对控制指令中的温度的影响权重可相应减小。
又例如，在目标空间外的温度较高且有太阳直射时，对应的状态特征对控制指令中的温度和风速的影响权重可相应增大等。如此，基于目标空间下的当前状态信息的状态特征，对所述当前状态信息所对应的控制指令进行预测，使得根据生成的控制指令对目标空间进行控制时，不仅能够使用户感到舒适，而且可尽可能实现节能目的。
在一些实施例中，所述方法还包括：获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；
基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
其中，训练机器学习模型时，多种空间状态是指在同一空间下的多种不同状态，通过对同一空间下的多种不同状态采集的训练样本，可以获得同一空间下的多种不同状态时对设备的不同控制指令，提高预测的准确度。可以理解，样本设备数据可包括设备标识如设备编号等，样本环境数据可包括目标空间下的状态信息，样本标签可包括与样本设备数据和样本环境数据对应的设备控制方案标签，例如设备控制方案标签具体可以包括设备和对应的设备控制属性等等。
在训练机器学习模型时，先对训练样本进行样本标签的标注，给出在不同环境下对不同设备的设备控制信息。接着，将训练样本输入初始的机器学习模型中正向传播，得到样本预测结果，将样本预测结果输入误差函数，与样本标签比较得到误差，基于误差调整模型参数，并继续对模型进行迭代训练，直到完成设定次数的迭代或误差的值不再下降，即可视为满足训练条件，得到已训练的机器学习模型。
如此，通过从多种空间状态下采集的训练样本对机器学习模型进行训练，可以提高预测的准确性和可预测的状态范围。
在一些实施例中，所述控制对应的目标设备执行所述控制指令之后，所述方法还包括：获取预设时段内基于手动控制的历史操作信息，以及各所述历史操作信息所对应的历史状态信息；基于所述历史操作信息和所述历史状态信息，对所述机器学习模型进行周期性更新训练，以得到更新后的机器学习模型。
可以理解，在控制对应的目标设备执行所述控制指令之后，用户可能还会基于自身需求手动对目标设备进行调节，比如调低温度、增大风速等，此时，为了提高后续所述机器学习模型进行预测的准确度，可基于获取的预设时段内基于手动控制的历史操作信息，以及与相应的历史操作信息对应的历史状态信息，对所述机器学习模型进行周期性更新训练。
其中，所述预设时段可以根据实际情况需要进行设置，比如可以设置为5天、10天、1个月等。所述基于所述历史操作信息和对应的历史当前状态信息，对所述机器学习模型进行周期性更新训练，可以看作是将历史当前状态信息，作为新训练样本的样本环境数据，将历史操作信息中的设备信息作为新训练样本的样本设备数据，并且历史操作信息中的设备控制方案作为新训练样本的样本标签，进而继续利用新训练样本对所述机器学习模型进行更新训练，以周期性的得到更新后的机器学习模型，以使得所述机器学习模型的性能更加接近用户的控制意图。
如此，基于用户手动控制的历史操作信息和当前状态信息对机器学习模型进行周期性更新训练，进一步提高了控制精细化和智能化，并进一步提升了控制的舒适性。
为了能够对本申请实施例提供的设备控制方法具有更系统的理解，下面结合一具体示例进行详细说明，本示例中以所述控制设备为温控器面板、所述机器学习模型为预测模型为例。
本实施例中，采用AI控制智能温控器面板，综合多纬度信息，用物联网方式更智能化的控制智能温控器面板，从而达到舒适节能的效果。其中，AI控制的逻辑会综合如下多种因素达到智能控制：人为建议的环境经验温度值；该环境下各温控面板的历史设置记录数据；该环境下物联网设备信息(比如有无人、内外部天气(温度、湿度、气压)、光照度、窗帘开关、不同区域(或空间)、时间、控制方式等信息)。
比如，在某个环境下有20台空调，希望该环境下的经验温度值为24度，则在采用AI控制智能温控器面板时，AI会综合考虑20个智能温控器面板的历史记录(更人性化，更柔性的满足人们的需求)，并在考虑(某个区域)有人的环境下尽量达到24度，无人情况下设置温度会高一点，以在不影响舒适性的同时能更加节能，而考虑在室外温度过高，通过照度传感器知道太阳直射的情况下，增加风速或降低设置温度，并且会考虑室内外温差、湿度差异、气压差异等综合调整，以自动调节温度设置、风速设置，满足人们对环境的高要求的同时尽可能节能。
冬季操作方式与夏季操作方式逻辑有相似之处，会多维度考虑各方因素自动控制温控器面板，达到舒适与节能的效果。并且，AI控制同时兼顾手动操作，并以手动操作为主，不会影响人们的主观意愿。此外，人为主观意愿(即人为设定的环境经验值)会时刻渗透到AI的学习中，即使在异常的环境或数据中也能确保AI正常提供服务。因此，本实施例提供的设备控制方法中，在考虑舒适性的同时考虑节能，更人性化的考虑服务，不会片面的为了节能而节能；同时在物联网环境下使用AI技术，可落地性更强，数据的质量更好，也能兼顾隐私和安全。
请参阅图4，为本申请实施例提供的设备控制方法的具体流程示意图，包括以下步骤：
步骤S201，采集多特征和多维数据，构建训练集和测试集。
其中，持续采集的多特征和多维数据包括人为控制时的环境数据(如所处时段、有无人体存在、室内温度数据、室内湿度数据、本地天气数据、是否为工作日等)，各个设备的开关状态、工作模式等状态参数以及指令数据。其中，温度和湿度数据可以通过温湿度传感器等设备进行采集，本地天气数据可通过第三方应用进行获取，设备的状态参数和指令数据可通过设备进行上报。
这里，可将环境数据、设备状态数据作为输入数据，指令数据(如设备ID、设置温度、设置工作模式等)作为输出数据，分别构建训练集和测试集。
步骤S203，利用训练集进行预测模型训练，并利用测试集对预测模型自动调整参数。
其中，利用训练集选择训练方法训练预测模型，再利用测试集测试预测模型的性能，持续采集数据或对比更换训练技术直至预测模型的性能达到最优。本实施例中可采用留一法交叉验证作为模型训练方法。
步骤S205，利用预测模型对实时上报的环境数据和设备状态数据进行计算，获得控制指令和对应的置信度。
其中，将当前实时上报的环境数据和设备状态数据输入预测模型，以利用预测模型对控制指令进行预测，获得控制指令和对应的置信度。
步骤S207，判断控制指令对应的置信度是否达到偏好阈值，若是，则执行步骤S209，否则执行步骤S211。
其中，判断每条控制指令对应的置信度是否达到偏好阈值，若是，则执行步骤S209，否则执行步骤S211。置信度用于判断当前的计算结果匹配操作人员的潜在需求的可能性大小。
步骤S209，将控制指令发送给对应的温控器面板，以使温控器面板执行控制指令。
其中，电子设备可将控制指令发送给对应的温控器面板，以使温控器面板执行控制指令，从而对环境进行调节。
步骤S211，输出执行控制指令的建议。
这里，电子设备可通过语音或文字等方式输出执行控制指令的建议，如输出“建议您将温度调高一度”，并在接收到执行控制指令的确认指令后，将控制指令发送给对应的温控器面板进行执行。
步骤S213，获取手动调整操作信息，并根据所述手动调整操作信息对预测模型进行优化。
其中，若用户对温控器面板有手动干涉操作，如手动去调整温控器面板，则将该类操作的日志数据加入训练集，并周期性进行预测模型训练，调节预测模型的性能以更接近用户的控制意图。
综上，上述实施例提供的设备控制方法中，通过自动调节可以辅助管理人员进行环境的控制管理，降低管理压力和管理成本；同时，也能辅助节能。另外，会跟踪用户的人为操作数据，逐步优化模型周期性实现自动调整，有效解决了用户意图和习惯有变化时，导致的服务不匹配问题。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种设备控制装置，包括：获取模块、处理模块和控制模块，其中，
获取模块，用于获取目标空间下的当前状态信息；
处理模块，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
控制模块，用于若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
本申请上述实施例中，在获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的目标设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
在一些实施例中，所述满足目标条件，包括：所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
如此，在控制指令对应的置信度大于或等于偏好度阈值时，才控制对应的目标设备执行所述控制指令，进一步提高了控制精细化和智能化。
在一些实施例中，所述装置还包括输出模块；控制模块，还用于若所述控制指令不满足所述目标条件，控制输出模块输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；以及响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
如此，通过在控制指令不满足目标条件时，输出推荐信息，并在接收到确认指令时，执行所述控制指令，操作灵活，进一步提高了控制智能化。
在一些实施例中，获取模块，具体用于获取通过与所述目标空间关联的信息采集设备采集的监测数据；根据所述监测数据确定所述目标空间下的当前状态信息。
如此，通过信息采集设备采集的监测数据，可准确且快速获知目标空间下的当前状态信息，进一步提高了控制精细化和智能化。
在一些实施例中，所述当前状态信息，包括人体存在信息、温湿度信息、光照信息、空间区域信息、时间信息、设备能耗信息、控制策略信息中的至少一种；
处理模块，具体用于通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；
基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
如此，基于目标空间下的当前状态信息的状态特征，对所述当前状态信息所对应的控制指令进行预测，使得根据生成的控制指令对目标空间进行控制时，不仅能够使用户感到舒适，而且可尽可能实现节能目的。
在一些实施例中，获取模块，还用于获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
处理模块，还用于通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
如此，通过从多种空间状态下采集的训练样本对机器学习模型进行训练，可以提高预测的准确性和可预测的状态范围。
在一些实施例中，获取模块，还用于获取预设时段内基于手动控制的历史操作信息，以及各所述历史操作信息所对应的历史状态信息；
处理模块，还用于基于所述历史操作信息和所述历史状态信息，对所述机器学习模型进行周期性更新训练，以得到更新后的机器学习模型。
如此，基于用户手动控制的历史操作信息和当前状态信息对机器学习模型进行周期性更新训练，进一步提高了控制精细化和智能化，并进一步提升了舒适性。
关于设备控制装置的具体限定可以参见上文中对于设备控制方法的限定，在此不再赘述。上述设备控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，请继续参阅图1，提供了一种设备控制系统，该系统包括：电子设备1、至少一控制设备2和至少一信息采集设备3，所述电子设备1与所述信息采集设备3和所述控制设备2通信连接；其中，
所述信息采集设备3，用于采集目标空间下的当前状态信息；
所述电子设备1，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并将所述控制指令下发给对应的控制设备；
所述控制设备2，用于执行所述控制指令。
本申请上述实施例中，电子设备在通过信息采集设备获取目标空间下的当前状态信息后，通过训练得到的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并在所述控制指令满足目标条件，控制对应的控制设备执行所述控制指令，进而实现根据目标空间下的状态信息对目标设备进行控制，提高了控制精细化和智能化，同时可达到降低浪费能源和提升舒适性的目的。
在一些实施例中，所述满足目标条件，包括：
所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
在一些实施例中，所述电子设备1，还用于若所述控制指令不满足所述目标条件，输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
如此，通过在控制指令不满足目标条件时，输出推荐信息，并在接收到确认指令时，执行所述控制指令，操作灵活，进一步提高了控制智能化。
在一些实施例中，所述电子设备1，具体用于：获取通过与所述目标空间关联的信息采集设备采集的监测数据；
根据所述监测数据确定所述目标空间下的当前状态信息。
如此，通过信息采集设备采集的监测数据，可准确且快速获知目标空间下的当前状态信息，进一步提高了控制精细化和智能化。
在一些实施例中，所述当前状态信息，包括人体存在信息、温湿度信息、光照信息、空间区域信息、时间信息、设备能耗信息、控制策略信息中的至少一种；所述电子设备1，具体用于：通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
如此，基于目标空间下的当前状态信息的状态特征，对所述当前状态信息所对应的控制指令进行预测，使得根据生成的控制指令对目标空间进行控制时，不仅能够使用户感到舒适，而且可尽可能实现节能目的。
在一些实施例中，所述电子设备1，还用于获取所述信息采集设备3从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；
基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
如此，通过从多种空间状态下采集的训练样本对机器学习模型进行训练，可以提高预测的准确性和可预测的状态范围。
在一些实施例中，所述电子设备1，还用于获取预设时段内基于手动控制的历史操作信息；基于所述历史操作信息和所述当前状态信息对所述机器学习模型进行周期性更新训练。
如此，基于用户手动控制的历史操作信息和当前状态信息对机器学习模型进行周期性更新训练，进一步提高了控制精细化和智能化，并进一步提升了控制的舒适性。
在一个实施例中，提供了一种电子设备，其内部结构图可以如图5所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备控制方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备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，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述设备控制方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等。
本申请实施例中提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在存储介质中。计算机设备的处理器从存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述各实施例中的设备控制方法。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，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，本申请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。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种设备控制方法，其特征在于，所述方法包括：
获取目标空间下的当前状态信息；
通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
2.根据权利要求1所述的方法，其特征在于，所述满足目标条件，包括：
所述控制指令对应的置信度大于或等于偏好度阈值；所述偏好度阈值是基于历史控制数据确定得到的。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述控制指令不满足所述目标条件，输出用于提示是否控制对应的目标设备执行所述控制指令的推荐信息；
响应于接收到确认指令，执行控制对应的目标设备执行所述控制指令的步骤。
4.根据权利要求1所述的方法，其特征在于，所述获取目标空间下的当前状态信息，包括：
获取通过与所述目标空间关联的信息采集设备采集的监测数据；
根据所述监测数据确定所述目标空间下的当前状态信息。
5.根据权利要求1所述的方法，其特征在于，所述通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，包括：
通过所述机器学习模型的特征提取层，对所述当前状态信息进行特征提取，得到所述当前状态信息的状态特征；
基于所述状态特征，通过所述机器学习模型的特征预测层，对所述当前状态信息所对应的控制指令进行预测，得到与所述目标空间下的当前状态相匹配的控制指令。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
获取从多种空间状态下采集的训练样本，所述训练样本包括样本设备数据和样本环境数据，以及已标注设备控制信息的样本标签；
通过初始的机器学习模型对所述样本设备数据和样本环境数据进行预测处理，得到样本预测结果；所述样本预测结果包括针对样本设备的控制预测结果；
基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
7.根据权利要求1至5中任一项所述的方法，其特征在于，所述控制对应的目标设备执行所述控制指令之后，所述方法还包括：
获取预设时段内基于手动控制的历史操作信息，以及各所述历史操作信息所对应的历史状态信息；
基于所述历史操作信息和所述历史状态信息，对所述机器学习模型进行周期性更新训练，以得到更新后的机器学习模型。
8.一种设备控制装置，其特征在于，所述装置包括：
获取模块，用于获取目标空间下的当前状态信息；
处理模块，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令；所述机器学习模型是基于设备控制信息和空间状态信息训练得到；
控制模块，用于若所述控制指令满足目标条件，则控制对应的目标设备执行所述控制指令。
9.一种设备控制系统，其特征在于，所述设备控制系统包括：电子设备、至少一信息采集设备和至少一控制设备，所述电子设备与所述信息采集设备和所述控制设备通信连接；其中，
所述信息采集设备，用于采集目标空间下的当前状态信息；
所述电子设备，用于通过已训练的机器学习模型，基于历史设备控制信息对所述当前状态信息所对应的控制指令进行预测处理，获得与所述目标空间下的当前状态相匹配的控制指令，并将所述控制指令下发给对应的控制设备；
所述控制设备，用于执行所述控制指令。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的设备控制方法。
11.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的设备控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193033.1A CN116430740A (zh) | 2023-02-22 | 2023-02-22 | 设备控制方法、装置、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193033.1A CN116430740A (zh) | 2023-02-22 | 2023-02-22 | 设备控制方法、装置、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116430740A true CN116430740A (zh) | 2023-07-14 |
Family
ID=87088008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310193033.1A Pending CN116430740A (zh) | 2023-02-22 | 2023-02-22 | 设备控制方法、装置、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116430740A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092926A (zh) * | 2023-10-17 | 2023-11-21 | 荣耀终端有限公司 | 一种设备控制方法及电子设备 |
| CN117349670A (zh) * | 2023-10-25 | 2024-01-05 | 杭州汇健科技有限公司 | 一种肿瘤检测模型训练系统、方法、设备及存储介质 |
-
2023
- 2023-02-22 CN CN202310193033.1A patent/CN116430740A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092926A (zh) * | 2023-10-17 | 2023-11-21 | 荣耀终端有限公司 | 一种设备控制方法及电子设备 |
| 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 |
| CN117349670A (zh) * | 2023-10-25 | 2024-01-05 | 杭州汇健科技有限公司 | 一种肿瘤检测模型训练系统、方法、设备及存储介质 |
| CN117349670B (zh) * | 2023-10-25 | 2024-04-12 | 杭州汇健科技有限公司 | 一种肿瘤检测模型训练系统、方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106817909B (zh) | 空调控制方法、空调控制装置以及计算机可读记录介质 | |
| US20220018567A1 (en) | Data learning server and method for generating and using learning model thereof | |
| CN116430740A (zh) | 设备控制方法、装置、系统、电子设备及存储介质 | |
| US10884386B2 (en) | Remote device control and energy monitoring by analyzing and applying rules | |
| Doukas et al. | Intelligent building energy management system using rule sets | |
| US8457796B2 (en) | Predictive conditioning in occupancy zones | |
| US20160091219A1 (en) | System, method and apparatus for identifying manual inputs to and adaptive programming of a thermostat | |
| US20140222217A1 (en) | Thermodynamic modeling for enclosures | |
| JP5518553B2 (ja) | 相互学習による建築物の省エネルギー化ユニット及びシステム | |
| EP3865782B1 (en) | Air conditioner, data transmission method, and air conditioning system | |
| WO2021196483A1 (zh) | 空气调节设备及其控制方法、装置、电子设备 | |
| CN112443954B (zh) | 空调器的控制方法、空调器及计算机可读存储介质 | |
| CN105353794A (zh) | 嵌入式多功能温度控制系统及控制方法 | |
| KR101929195B1 (ko) | 건물 에너지 효율 등급과 연계한 부하 예측 기반 빌딩 제어 장치 | |
| Sharif et al. | Smart home automation by internet-of-things edge computing platform | |
| US11941712B2 (en) | Energy scoring | |
| KR101538016B1 (ko) | 개인생활공간 맞춤형 스마트 자동전력제어 장치 및 그 방법 | |
| von Bomhard et al. | Towards smart individual-room heating for residential buildings | |
| US20200400327A1 (en) | Heating, ventilation, and air conditioning (hvac) control system | |
| CN111308921A (zh) | 基于语音控制设备的方法及控制终端设备 | |
| CN115032906A (zh) | 数字孪生室温预测方法、智能家居设备控制方法及装置 | |
| JP7332865B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
| US20230123181A1 (en) | Indoor-temperature estimation apparatus, non-transitory computer-readable medium, and indoor-temperature estimation method | |
| JP2020101358A (ja) | 空気調和機及び空気調和システム | |
| Moreno Cano et al. | Context-aware energy efficiency in smart buildings |
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 |