CN116679576A - 一种基于机器学习的用户行为预测方法及系统 - Google Patents
一种基于机器学习的用户行为预测方法及系统 Download PDFInfo
- Publication number
- CN116679576A CN116679576A CN202310760184.0A CN202310760184A CN116679576A CN 116679576 A CN116679576 A CN 116679576A CN 202310760184 A CN202310760184 A CN 202310760184A CN 116679576 A CN116679576 A CN 116679576A
- Authority
- CN
- China
- Prior art keywords
- control instruction
- control
- time
- instruction
- relation information
- 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.)
- Withdrawn
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims description 44
- 230000000977 initiatory effect Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009423 ventilation Methods 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
本发明适用于数据处理技术领域，提供了一种基于机器学习的用户行为预测方法及系统，所述方法包括以下步骤：每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。如此，智能家居系统能够对用户的需求进行预测，更加智能化。
Description
技术领域
本发明涉及数据处理技术领域，具体是涉及一种基于机器学习的用户行为预测方法及系统。
背景技术
智能家居系统是通过物联网技术将家中的各种智能设备连接到一起，实现家电控制、照明控制、电话远程控制、室内外遥控、防盗报警、环境监测、暖通控制等多种功能。目前用户与智能家居之间的动作交互一般通过控制面板或者手机软件进行的，用户发出控制指令，智能家居系统执行相应的动作，智能家居系统没有对用户的需求进行预测，智能化水平有待提高。因此，需要提供一种基于机器学习的用户行为预测方法及系统，旨在解决上述问题。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于机器学习的用户行为预测方法及系统，以解决上述背景技术中存在的问题。
本发明是这样实现的，一种基于机器学习的用户行为预测方法，所述方法包括以下步骤：
每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
作为本发明进一步的方案：所述得到控制指令时间关系信息和控制指令环境关系信息的步骤，具体包括：
根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
作为本发明进一步的方案：所述判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令的步骤，具体包括：
确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
作为本发明进一步的方案：所述判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令的步骤，具体包括：
确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
作为本发明进一步的方案：所述方法还包括：
对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
本发明的另一目的在于提供一种基于机器学习的用户行为预测系统，所述系统包括：
历史数据采集模块，用于每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
历史数据学习模块，用于对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
第一预测动作模块，用于确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
第二预测动作模块，用于确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
作为本发明进一步的方案：所述历史数据学习模块包括：
控制信息分类单元，用于根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
环境关系信息单元，用于确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
时间关系信息单元，用于确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
作为本发明进一步的方案：所述第一预测动作模块包括：
当前时间判定单元，用于确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第一分类单元，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第一预测指令单元，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
作为本发明进一步的方案：所述第二预测动作模块包括：
环境参数判定单元，用于确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第二分类单元，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第二预测指令单元，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
作为本发明进一步的方案：所述系统还包括伴随指令动作模块，伴随指令动作模块具体包括：
伴随指令确定单元，用于对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
伴随指令提醒单元，用于接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
与现有技术相比，本发明的有益效果是：
本发明通过对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；然后通过确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；并确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。如此，智能家居系统能够对用户的需求进行预测，更加智能化。
附图说明
图1为一种基于机器学习的用户行为预测方法的流程图。
图2为一种基于机器学习的用户行为预测方法中得到控制指令时间关系信息和控制指令环境关系信息的流程图。
图3为一种基于机器学习的用户行为预测方法中生成第一预测动作指令的流程图。
图4为一种基于机器学习的用户行为预测方法中生成第二预测动作指令的流程图。
图5为一种基于机器学习的用户行为预测方法中生成伴随指令提醒信息的流程图。
图6为一种基于机器学习的用户行为预测系统的结构示意图。
图7为一种基于机器学习的用户行为预测系统中历史数据学习模块的结构示意图。
图8为一种基于机器学习的用户行为预测系统中第一预测动作模块的结构示意图。
图9为一种基于机器学习的用户行为预测系统中第二预测动作模块的结构示意图。
图10为一种基于机器学习的用户行为预测系统中伴随指令动作模块的结构示意图。
实施方式
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及具体实施例，对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示，本发明实施例提供了一种基于机器学习的用户行为预测方法，所述方法包括以下步骤：
S100，每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
S200，对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
S300，确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
S400，确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
本发明实施例中，每隔设定时间段（例如每隔一个月）会采集该时间段内的用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成，也就是说用户每发出一个控制指令，就会得到一个智能家居控制信息。接着本发明实施例会对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息，即会分析出每个控制指令与时间之间是否存在关系，每个控制指令与环境参数之间是否存在关系。本发明实施例会确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，说明当前时间与一个或者多个控制指令存在关系，这些控制指令可能是用户想要实施的，则生成第一预测动作指令，用户可选择是否发出，用户发出后会快速执行；并确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，说明当前环境参数与一个或者多个控制指令存在关系，这些控制指令可能是用户想要实施的，生成第二预测动作指令。如此，智能家居系统能够对用户的需求进行预测，更加智能化。
如图2所示，作为本发明一个优选的实施例，所述得到控制指令时间关系信息和控制指令环境关系信息的步骤，具体包括：
S201，根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
S202，确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
S203，确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
本发明实施例中，为了得到控制指令时间关系信息和控制指令环境关系信息，首先根据控制指令对所有的智能家居控制信息进行分类，每个类别中智能家居控制信息对应的控制指令相同；接着需要确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息，所述环境参数包括温度、天气、光照强度等等，相同的环境参数只要是其中一个具体参数即可，且相同是指在一定范围内相同，例如控制指令A对应的类别中有10个智能家居控制信息，其中有8个的温度都在a-b范围中，在该相同温度的占比值为80%，假设大于第一设定比值，则控制指令环境关系信息包括：控制指令A与温度都a-b。还会确定每个智能家居控制信息中时间对应的时间属性，时间属性包括上午、中午、下午、晚上、工作日以及节假日，然后确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息，例如控制指令时间关系信息包括：控制指令B与晚上。第一设定比值与第二设定比值均为事先设置的定值。
如图3所示，作为本发明一个优选的实施例，所述判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令的步骤，具体包括：
S301，确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
S302，根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
S303，调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
本发明实施例中，为了预测用户需求行为，会确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令，这些控制指令对应的时间与当前时间的时间属性相同，然后会根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔，例如某个控制指令的执行间隔为平均一周一次，然后调取每种控制指令最近一次的发起时间，保留满足执行间隔的控制指令，即当前时间与最近一次发起时间之间的时间差和执行间隔基本相同，根据保留的控制指令就能够得到第一预测动作指令了。
如图4所示，作为本发明一个优选的实施例，所述判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令的步骤，具体包括：
S401，确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
S402，根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
S403，调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
本发明实施例中，为了预测用户需求行为，还会确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令，这些控制指令对应的具体环境参数与当前环境参数存在相同，然后根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔，接着调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令就能够得到第二预测动作指令了。
如图5所示，作为本发明一个优选的实施例，所述方法还包括：
S501，对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
S502，接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
本发明实施例中，通过对用户历史数据进行学习分析，还会确定每个控制指令的伴随指令，例如C控制指令与D控制指令一起出现的概率高于设定值，C控制指令与D控制指令就互为伴随指令。用户输入控制指令后，会调取所述控制指令的伴随指令，生成伴随指令提醒信息，伴随指令提醒信息中包括一个或者多个伴随指令。
如图6所示，本发明实施例还提供了一种基于机器学习的用户行为预测系统，所述系统包括：
历史数据采集模块100，用于每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
历史数据学习模块200，用于对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
第一预测动作模块300，用于确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
第二预测动作模块400，用于确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
如图7所示，作为本发明一个优选的实施例，所述历史数据学习模块200包括：
控制信息分类单元201，用于根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
环境关系信息单元202，用于确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
时间关系信息单元203，用于确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
如图8所示，作为本发明一个优选的实施例，所述第一预测动作模块300包括：
当前时间判定单元301，用于确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第一分类单元302，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第一预测指令单元303，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
如图9所示，作为本发明一个优选的实施例，所述第二预测动作模块400包括：
环境参数判定单元401，用于确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第二分类单元402，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第二预测指令单元403，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
如图10所示，作为本发明一个优选的实施例，所述系统还包括伴随指令动作模块500，伴随指令动作模块500具体包括：
伴随指令确定单元501，用于对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
伴随指令提醒单元502，用于接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
以上仅对本发明的较佳实施例进行了详细叙述，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
应该理解的是，虽然本发明各实施例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，各实施例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。
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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于机器学习的用户行为预测方法，其特征在于，所述方法包括以下步骤：
每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
2.根据权利要求1所述的基于机器学习的用户行为预测方法，其特征在于，所述得到控制指令时间关系信息和控制指令环境关系信息的步骤，具体包括：
根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
3.根据权利要求2所述的基于机器学习的用户行为预测方法，其特征在于，所述判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令的步骤，具体包括：
确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
4.根据权利要求2所述的基于机器学习的用户行为预测方法，其特征在于，所述判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令的步骤，具体包括：
确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
5.根据权利要求1所述的基于机器学习的用户行为预测方法，其特征在于，所述方法还包括：
对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
6.一种基于机器学习的用户行为预测系统，其特征在于，所述系统包括：
历史数据采集模块，用于每隔设定时间段采集用户历史数据，所述用户历史数据包括若干个智能家居控制信息，每个智能家居控制信息由时间、环境参数以及控制指令组成；
历史数据学习模块，用于对用户历史数据进行学习分析，得到控制指令时间关系信息和控制指令环境关系信息；
第一预测动作模块，用于确定当前时间，判定当前时间是否属于控制指令时间关系信息中，当属于时，生成第一预测动作指令；
第二预测动作模块，用于确定当前环境参数，判定当前环境参数是否属于控制指令环境关系信息中，当属于时，生成第二预测动作指令。
7.根据权利要求6所述的基于机器学习的用户行为预测系统，其特征在于，所述历史数据学习模块包括：
控制信息分类单元，用于根据控制指令对所有的智能家居控制信息进行分类，得到若干个类别；
环境关系信息单元，用于确定每个类别中相同的环境参数的占比值是否达到第一设定比值，当达到时，根据所述环境参数与对应的控制指令得到控制指令环境关系信息；
时间关系信息单元，用于确定每个智能家居控制信息中时间对应的时间属性，确定每个类别中相同的时间属性的占比值是否达到第二设定比值，当达到时，根据所述时间属性与对应的控制指令得到控制指令时间关系信息。
8.根据权利要求7所述的基于机器学习的用户行为预测系统，其特征在于，所述第一预测动作模块包括：
当前时间判定单元，用于确定当前时间的时间属性，判定当前时间是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第一分类单元，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第一预测指令单元，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第一预测动作指令。
9.根据权利要求7所述的基于机器学习的用户行为预测系统，其特征在于，所述第二预测动作模块包括：
环境参数判定单元，用于确定当前环境参数，依次判定当前环境参数中的每个具体参数是否属于控制指令时间关系信息中，当属于时，调取所有符合的控制指令时间关系信息中的控制指令；
第二分类单元，用于根据控制指令对所有调取的智能家居控制信息进行分类，确定每个控制指令的执行间隔；
第二预测指令单元，用于调取每种所述控制指令最近一次的发起时间，保留满足执行间隔的控制指令，根据保留的控制指令生成第二预测动作指令。
10.根据权利要求6所述的基于机器学习的用户行为预测系统，其特征在于，所述系统还包括伴随指令动作模块，伴随指令动作模块具体包括：
伴随指令确定单元，用于对用户历史数据进行学习分析，确定每个控制指令的伴随指令；
伴随指令提醒单元，用于接收用户输入的控制指令，调取所述控制指令的伴随指令，生成伴随指令提醒信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760184.0A CN116679576A (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习的用户行为预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760184.0A CN116679576A (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习的用户行为预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679576A true CN116679576A (zh) | 2023-09-01 |
Family
ID=87779107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310760184.0A Withdrawn CN116679576A (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习的用户行为预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679576A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471930A (zh) * | 2023-12-28 | 2024-01-30 | 深圳智尚未来科技有限公司 | 一种居住环境的可控设备控制方法、装置和系统 |
-
2023
- 2023-06-26 CN CN202310760184.0A patent/CN116679576A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471930A (zh) * | 2023-12-28 | 2024-01-30 | 深圳智尚未来科技有限公司 | 一种居住环境的可控设备控制方法、装置和系统 |
| CN117471930B (zh) * | 2023-12-28 | 2024-05-10 | 深圳智尚未来科技有限公司 | 一种居住环境的可控设备控制方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ashouri et al. | Development of building energy saving advisory: A data mining approach | |
| CN116679576A (zh) | 一种基于机器学习的用户行为预测方法及系统 | |
| WO2019041914A1 (zh) | 任务时效预警方法、装置、计算机设备和存储介质 | |
| US11074658B1 (en) | Intelligent methods of inspection for property and casualty insurance claims | |
| CN109697535A (zh) | 取件提醒方法、装置、设备及存储介质 | |
| CN114037100B (zh) | 一种基于ai技术的电力设备运维方法及系统 | |
| CN110567104B (zh) | 多联机系统的内机运行控制方法、装置和计算机设备 | |
| CN112182295B (zh) | 基于行为预测的业务处理方法、装置及电子设备 | |
| CN112256550A (zh) | 存储容量预测模型生成方法、存储容量预测方法 | |
| US20180225779A1 (en) | System and method for determining power production in an electrical power grid | |
| CN111027116A (zh) | 建筑物运维管理方法、装置、计算机设备和存储介质 | |
| CN110322298B (zh) | 信息跟踪的智能管理方法、装置和计算机设备 | |
| KR102548980B1 (ko) | 순찰 관리 장치 및 방법 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
| CN110134680B (zh) | 空间监控方法、装置、计算机设备及存储介质 | |
| CN112036905A (zh) | 售后服务中的履约处理方法、装置和计算机设备 | |
| CN116402493A (zh) | 故障处理的方法、系统、设备及存储介质 | |
| JP6427049B2 (ja) | ピーク電力発現予測装置および予測方法 | |
| CN110969430B (zh) | 可疑用户的识别方法、装置、计算机设备和存储介质 | |
| CN109299910A (zh) | 数据汇总方法、装置、计算机设备和存储介质 | |
| CN110806729B (zh) | 生产线的开关机及供断电控制方法和系统 | |
| CN113627756A (zh) | 智能家居设备的保养预约方法、装置、存储介质及设备 | |
| CN112423032A (zh) | 基于智能电视的数据监控方法、装置、电子设备及介质 | |
| CN113191723B (zh) | 会议调度方法、装置、计算机设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230901 |