CN116679577A - 智能家庭感知和控制终端 - Google Patents
智能家庭感知和控制终端 Download PDFInfo
- Publication number
- CN116679577A CN116679577A CN202310799743.9A CN202310799743A CN116679577A CN 116679577 A CN116679577 A CN 116679577A CN 202310799743 A CN202310799743 A CN 202310799743A CN 116679577 A CN116679577 A CN 116679577A
- Authority
- CN
- China
- Prior art keywords
- model
- user
- data
- training
- prediction model
- 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
- 238000012549 training Methods 0.000 claims abstract description 112
- 230000010354 integration Effects 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 44
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000020785 dietary preference Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000001497 healthy food Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 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
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了智能家庭感知和控制终端，本发明涉及智能家居技术领域。智能家庭感知和控制终端，包括采集单元、训练单元、集成单元以及预测单元，所通过对用户日常习惯这一目标进行分析，找到特定的更便于挖掘用户习惯的若干关键特征点；然后，通过数学建模设计出更便于节省智能家电功耗的控制系统，以及对用户提供优选的建议。
Description
技术领域
本发明涉及智能家居技术领域，具体为智能家庭感知和控制终端。
背景技术
随着经济和科技的发展，自动化与智能化已经较广泛的应用于工业领域，人们希望在家庭中也能有一个系统，来一定程度上代替人，智能的管理整个家庭，而无需人来操作，当出现异常状况时，也能代替人迅速做出反应。随着物联网、大数据的兴起，居家生活越来越朝着智能化的方向发展，千里之外可以监控居室是否安全，远程可以预先开启取暖设备或电饭煲等，为人们日常生活带来许多便利。
当前智能家居系统一般通过几个按键，用户自行预设场景模式，如在家模式、离家模式、睡眠模式等，需要通过手机APP或者家庭中控切换对应模式。模式单一且固定，无法自我学习迭代。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了智能家庭感知和控制终端，解决了现有智能家居感知和控制终端存在通过用户自行预设场景模式，但模式单一且固定，同时在无法自我学习迭代的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种智能家庭感知和控制终端，包括：
采集单元，用于持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；
训练单元，用于通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；
集成单元，用于将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
所述预测单元，用于通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。
优选的，所述构建模块还包括评估单元，所述评估单元获取顶层模型输出的最终预测值和验证用的测试集，根据预设重建参数和所述测试集生成验证用重建数据集；利用训练后的顶层预测模型对将所述重建数据集和测试集进行识别，输出重建参数；利用所述顶层预测模型输出的重建参数和目标值生成临时预测值；对所述临时预测值和所述测试集进行配准，所述配准的过程包括调整所述临时预测值，使调整后的所述临时预测值与所述测试集的相似性测度符合预期；利用所述重建数据集将基于所述临时预测值映射到所述测试集中，识别所述临时预测值与目标值的差值，根据差值判断模型的性能。
优选的，对于集成模型中的每个基础模型，根据其性能指标，为其分配一个初始权重值，通过梯度下降算法更新权重，对于每个基础模型，根据其权重和预测值，将其预测值乘以相应的权重，并进行求和，计算得到的预测值向顶层模型的输出。
优选的，所述采集单元采集历史行为数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集后，解析所述通用数据集中的位置坐标数据，判断位置坐标位于的区域，所述区域至少包括客厅、卧室、厕所、书房和厨房，基于所述区域类别，从所述操作数据集中划分出所述区域类别对应的行为差异信息。
优选的，在统计周期的设定时段内，采集用户在不同时间点的历史位置信息；通过位置信息中确定用户目标坐标，用户目标坐标为设定时段内采集的第一个历史位置信息；将其他位置点中满足有效条件的位置点确定为有效位置点，有效位置点是根据设定时段内采集的其他历史位置信息来确定的；基于确定的有效位置点，构建设定时段内的用户位置链。
优选的，训练单元分别使用多个的超参数预训练神经网络模型，并通过交叉验证算法判断神经网络模型模型的性能，将超参数和性能指标整合成代理数据集，通过代理数据集建立代理模型，根据代理模型不同超参数组合下模型的性能表现，通过优化算法比较性能表现，确定最佳超参数组合，所述超参数至少包括学习率、批量大小和隐藏层的大小。
本发明还提供了一种智能家庭感知和控制终端的使用方法，基于前述的智能家庭感知和控制终端，其特征在于，包括以下步骤：
步骤S11，持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；
步骤S12，通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；
步骤S13，将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
步骤S14，通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。
优选的，在步骤S12中，神经网络模型训练完成后通过测试集评估模型，具体方法为：对测试集中的每个样本，将其输入到用户行为预测模型中进行前向传播，得到模型的预测输出，并对预测结果进行解码或转换；使用准确率、精确率、召回率或F1值的评估指标用户行为预测模型模型在测试集上的性能，分析用户行为预测模型在测试集上的性能表现，比较不同指标的结果，获得评估结果，若评估结果低于预设标准，则对模型进行优化。
优选的，在步骤S13中，训练顶层预测模型的方法为：使用专属预测模型对特定用户的历史行为数据进行预测，得到专属预测模型的第一预测值；使用通用预测模型对一般用户的历史行为数据进行预测，得到通用预测模型的第二预测值；将第一预测值和第二预测值二者与目标值进行关联，形成顶层训练数据集；使用顶层训练数据集对神经网络模型进行训练，训练的目标是通过优化模型的权重和偏置，使其能够准确地预测目标值；在训练过程中，使用反向传播算法和优化算法来更新模型的参数值，以最小化顶层损失函数；重复进行多次迭代训练，直到模型收敛。
有益效果
本发明提供了智能家庭感知和控制终端，具备以下有益效果：
通过对用户日常习惯这一目标进行分析，找到特定的更便于挖掘用户习惯的若干关键特征点；然后，通过数学建模设计出更便于节省智能家电功耗的控制系统，以及对用户提供优选的建议。
建立一个层次化的模型结构，其中包含专属模型和通用模型。在预测过程中，首先通过身份信息识别确定用户是专属用户还是非专属用户。对于专属用户，系统可以使用其专属模型进行预测。这个模型是针对该用户的个性化习惯和偏好进行训练的，能够更准确地预测其行为和需求。对于非专属用户，系统可以使用通用模型进行预测。通用模型是基于大量用户数据训练得到的，可以提供较为广泛和一般化的预测能力。通过整合这两种模型，系统可以根据用户身份识别自动选择适当的模型进行预测，从而提供个性化和精确的智能家居服务。
通过逐步训练和动态调整权重，专属模型可以在模型集成中逐渐提高其权重，从而更好地发挥其预测能力。同时，通用模型也保持一定的权重，以保证其在一般情况下的预测性能，本发明根据实际情况对专属模型和通用模型进行监控和调整，可以获得最佳的模型集成性。
附图说明
图1为本发明的实施例一的结构框图；
图2为本发明的实施例二的步骤图。
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。
实施例一：
请参阅图1，本发明提供一种智能家庭感知和控制终端，包括：
采集单元，用于持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；采集单元收集特定用户和一般用户的历史行为数据。该历史行为数据包括在统计周期内不同时段内的环境数据、用户的行迹数据和操作数据。通过对操作数据基于行迹数据和环境数据进行特征分类、合并和重构，可以获得一个通用数据集。这个通用数据集可以被进一步划分为通用训练集和测试集，用于训练和评估模型等任务。此外，从通用数据集中提取特定用户的历史行为数据，通过对这些数据进行分析，可以得到一个专属数据集，其中包含了关于特定用户的更详细的行为信息。总的来说，该采集单元的目标是收集用户的历史行为数据，并通过对数据的处理和分析，生成通用数据集和专属数据集，以便进行进一步的数据分析、建模和应用。
训练单元，用于通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；首先，使用通用训练集对神经网络模型进行训练，以获得通用预测模型；通用预测模型旨在从通用数据集中学习通用的行为模式和模型特征；接下来，使用专属数据集对另一个神经网络模型进行训练，以获得专属预测模型；这个模型是通过使用特定用户的历史行为数据进行训练得到的，因此它更专注于该特定用户的行为模式和个性化特征；通过这样的训练过程，可以得到两个预测模型：通用预测模型和专属预测模型。通用预测模型适用于一般用户，可以用于分析和预测整体行为趋势。专属预测模型则更适用于特定用户，能够提供更个性化的行为预测和分析。迭代训练包括以下步骤：初始化神经网络模型的权重和偏置，从训练数据集中随机选择一个样本，将选定的样本输入到神经网络模型中进行前向传播，得到模型的预测结果，使用多权重损失函数计算预测结果与真实标签之间的误差，不同的样本可以有不同的权重，以调整它们对整体损失的贡献，使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，梯度计算会考虑多权重损失函数中每个权重对应的误差贡献，重复前述步骤，选择下一个样本，直到遍历完整个训练数据集，这一次遍历训练数据集的过程称为一个训练周期(epoch)，可以设置多个训练周期来进行迭代训练，以提高模型性能，在每个训练周期结束后，可以使用测试集评估模型的性能，并根据需要进行调整和优化，重复进行多个训练周期，直到达到预定的停止条件(例如达到最大训练周期数、模型性能不再改善等)。
集成单元，用于将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
所述预测单元，用于通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。专属用户的权重可以由管理员单独设置，在识别到多个专属用户时，默认不同用户的权重相等，对于每个专属用户，使用其对应的专属模型进行预测，并得到各自的预测结果。然后，将这些预测结果取平均值作为最终的预测结果，即每个用户的预测结果对最终结果的贡献相同。若存在不同权重的专属用户，则将每个用户的权重反映其在集成模型中的重要性或可信度。然后，将每个用户的预测结果乘以相应的权重，并将加权结果求和得到最终的预测结果。
本发明通过对用户日常习惯这一目标进行分析，找到特定的更便于挖掘用户习惯的若干关键特征点；然后，通过特殊的数学建模设计出更便于节省智能家电功耗的数据采集、过滤和构造方式。
建立一个层次化的模型结构，其中包含专属模型和通用模型。在预测过程中，首先通过身份信息识别确定用户是专属用户还是非专属用户。对于专属用户，系统可以使用其专属模型进行预测。这个模型是针对该用户的个性化习惯和偏好进行训练的，能够更准确地预测其行为和需求。对于非专属用户，系统可以使用通用模型进行预测。通用模型是基于大量用户数据训练得到的，可以提供较为广泛和一般化的预测能力。通过整合这两种模型，系统可以根据用户身份识别自动选择适当的模型进行预测，从而提供个性化和精确的智能家居服务。
通过逐步训练和动态调整权重，专属模型可以在模型集成中逐渐提高其权重，从而更好地发挥其预测能力。同时，通用模型也保持一定的权重，以保证其在一般情况下的预测性能，本发明根据实际情况对专属模型和通用模型进行监控和调整，可以获得最佳的模型集成性。
在本实施例中，所述构建模块还包括评估单元，所述评估单元获取顶层模型输出的最终预测值和验证用的测试集，根据预设重建参数和所述测试集生成验证用重建数据集；利用训练后的顶层预测模型对将所述重建数据集和测试集进行识别，输出重建参数；利用所述顶层预测模型输出的重建参数和目标值生成临时预测值；对所述临时预测值和所述测试集进行配准，所述配准的过程包括调整所述临时预测值，使调整后的所述临时预测值与所述测试集的相似性测度符合预期；利用所述重建数据集将基于所述临时预测值映射到所述测试集中，识别所述临时预测值与目标值的差值，根据差值判断模型的性能。
本实施例中，所述采集模块连接有温湿度传感器、微波雷达传感器、图像传感器与超声波传感器，所述温湿度用于监测房间与客厅的温湿度数值，所述微波雷达传感器用于检测用户的呼吸和心跳数据，所述图像传感器用于获取用户的身份信息，所述超声波传感器用户获取用户的位置信息。
在本实施例中，对于集成模型中的每个基础模型，根据其性能指标，为其分配一个初始权重值，通过梯度下降算法更新权重，对于每个基础模型，根据其权重和预测结果，将其预测值乘以相应的权重，并进行求和，计算得到的预测值向顶层预测模型的输出。针对每个基础模型，训练它们并分配初始权重，对于每个基础模型，使用训练好的模型从输入数据中提取特征，并计算基础模型的预测值。这些特征可以是中间层的输出或最终的预测结果；将基础模型的预测值乘以相应的权重，并将它们输入顶层神经网络模型。在顶层模型中，通过反向传播算法和梯度更新，根据整体预测误差调整顶层模型的权重。通过顶层模型进行前向传播，计算得到最终的预测输出。使用验证集或交叉验证等技术评估集成模型的性能。根据性能指标，可以进一步调整基础模型的权重或顶层模型的结构和参数，以优化整体预测结果。
在本实施例中，所述采集单元采集历史行为数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集后，解析所述通用数据集中的位置坐标数据，判断位置坐标位于的区域，所述区域至少包括客厅、卧室、厕所、书房和厨房，基于所述区域类别，从所述操作数据集中划分出所述区域类别对应的行为差异信息。采集历史行为数据：采集单元负责收集用户的历史行为数据，这些数据包括用户的操作指令、行迹数据和环境数据等。采集单元对操作数据进行特征分类，将相关的操作数据进行合并和重构，以便更好地理解用户行为模式和习惯。采集单元从通用数据集中解析出位置坐标数据。这些位置坐标数据可以表示用户在不同时间和地点的活动。根据位置坐标的信息，采集单元判断该位置坐标所在的区域。通常，这些区域可以包括客厅、卧室、厕所、书房和厨房等常见的家庭区域。根据所述区域类别，采集单元从操作数据集中划分出与各区域类别相关的行为差异信息。这些行为差异信息可以反映用户在不同区域内的行为模式、偏好和习惯。通过采集单元能够对历史行为数据进行处理和分析，提取出通用数据集中的位置坐标数据，并根据位置坐标所在的区域划分出相应的行为差异信息。这样可以更好地理解用户的行为模式，为后续的预测模型和决策提供更准确和个性化的依据。
当判断位置坐标所在区域后，行为差异信息可以指示在不同区域内用户行为的差异。举例而言：
在客厅区域，根据用户在客厅的行为模式，可以向用户推荐适合的电视节目、电影或音乐。智能家居系统可以根据用户的喜好和观看历史提供个性化的推荐内容。
在卧室区域，在卧室中，智能家居系统可以根据用户的作息时间和喜好提供合适的闹钟设置，确保用户在早晨以舒适的方式醒来。此外，系统还可以调整室内温度和照明，提供舒适的环境。
在厕所区域，在厕所区域，智能家居系统可以根据用户的习惯和偏好，自动提供所需的卫生用品或个人护理产品。例如，根据用户的消耗量，系统可以及时为用户订购新的卫生纸或洗漱用品。
在书房区域，针对用户在书房的学习或工作活动，智能家居系统可以提供定制的学习环境。例如，系统可以调整灯光和音乐，以提高专注度和效率。系统还可以提供提醒和时间管理工具，帮助用户合理安排学习或工作时间。
在厨房区域，智能家居系统可以根据用户在厨房的行为习惯，提供食谱建议和食材购买清单。系统可以根据用户的饮食偏好和营养需求，推荐健康的食物选择，并提供烹饪指导和计时功能。
通过根据区域和行为差异信息提供个性化的建议和服务，智能家居系统可以更好地满足用户的需求和提供便利。这样的建议可以提高用户体验，让智能家居系统更加智能化和人性化。
在本实施例中，在统计周期的设定时段内，采集用户在不同时间点的历史位置信息；通过位置信息中确定用户目标坐标，用户目标坐标为设定时段内采集的第一个历史位置信息；将其他位置点中满足有效条件的位置点确定为有效位置点，有效位置点是根据设定时段内采集的其他历史位置信息来确定的；基于确定的有效位置点，构建设定时段内的用户位置链。
在本实施例中，训练单元分别使用多个的超参数预训练神经网络模型，并通过交叉验证算法判断神经网络模型模型的性能，将超参数和性能指标整合成代理数据集，通过代理数据集建立代理模型，根据代理模型不同超参数组合下模型的性能表现，通过优化算法比较性能表现，确定最佳超参数组合，所述超参数至少包括学习率、批量大小和隐藏层的大小。
实施例二：
请参阅图2，本实施例为前一实施例的智能家庭感知和控制终端的使用方法，包括以下步骤：
步骤S11，持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，对收集到的数据进行去除异常值处理、缺失数据填补处理和标准化数据处理，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；
步骤S12，通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；
步骤S13，将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
步骤S14，通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。
在本实施例中的步骤S12中，神经网络模型训练完成后通过测试集评估模型，具体方法为：对测试集中的每个样本，将其输入到用户行为预测模型中进行前向传播，得到模型的预测输出，并对预测结果进行解码或转换；若预测结果是一个回归问题，则直接使用模型的预测值作为结果；使用准确率、精确率、召回率或F1值的评估指标用户行为预测模型模型在测试集上的性能，分析用户行为预测模型在测试集上的性能表现，比较不同指标的结果，获得评估结果，若评估结果低于预设标准，则对模型进行优化。
在本实施例中的步骤S13中，训练顶层预测模型的方法为：使用专属预测模型对特定用户的历史行为数据进行预测，得到专属预测模型的第一预测值；使用通用预测模型对一般用户的历史行为数据进行预测，得到通用预测模型的第二预测值；将第一预测值和第二预测值二者与目标值进行关联，形成顶层训练数据集；使用顶层训练数据集对神经网络模型进行训练，训练的目标是通过优化模型的权重和偏置，使其能够准确地预测目标值；在训练过程中，使用反向传播算法和优化算法来更新模型的参数值，以最小化顶层损失函数；重复进行多次迭代训练，直到模型收敛。
总体而言，本发明建立了一个层次化的模型结构，其中基础模型和顶层模型，基础模型包含了专属模型和通用模型。在预测过程中，首先通过身份信息识别确定用户是专属用户还是非专属用户。对于专属用户，系统可以使用其专属模型进行预测。这个模型是针对该用户的个性化习惯和偏好进行训练的，能够更准确地预测其行为和需求。对于非专属用户，系统可以使用通用模型进行预测。通用模型是基于大量用户数据训练得到的，可以提供较为广泛和一般化的预测能力。通过整合这两种模型，系统可以根据用户身份识别自动选择适当的模型进行预测，从而提供个性化和精确的智能家居服务。
通过逐步训练和动态调整权重，专属模型可以在模型集成中逐渐提高其权重，从而更好地发挥其预测能力。同时，通用模型也保持一定的权重，以保证其在一般情况下的预测性能，本发明根据实际情况对专属模型和通用模型进行监控和调整，可以获得最佳的模型集成性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种智能家庭感知和控制终端，其特征在于，包括：
采集单元，用于持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；
训练单元，用于通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；
集成单元，用于将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
所述预测单元，用于通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。
2.根据权利要求1所述的智能家庭感知和控制终端，其特征在于，所述构建模块还包括评估单元，所述评估单元获取顶层模型输出的最终预测值和验证用的测试集，根据预设重建参数和所述测试集生成验证用重建数据集；利用训练后的顶层预测模型对将所述重建数据集和测试集进行识别，输出重建参数；利用所述顶层预测模型输出的重建参数和目标值生成临时预测值；对所述临时预测值和所述测试集进行配准，所述配准的过程包括调整所述临时预测值，使调整后的所述临时预测值与所述测试集的相似性测度符合预期；利用所述重建数据集将基于所述临时预测值映射到所述测试集中，识别所述临时预测值与目标值的差值，根据差值判断模型的性能。
3.根据权利要求2所述的智能家庭感知和控制终端，其特征在于，对于集成模型中的每个基础模型，根据其性能指标，为其分配一个初始权重值，通过梯度下降算法更新权重，对于每个基础模型，根据其权重和预测值，将其预测值乘以相应的权重并进行求和，计算得到的预测值向顶层模型的输出。
4.根据权利要求1所述的智能家庭感知和控制终端，其特征在于，所述采集单元采集历史行为数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集后，解析所述通用数据集中的位置坐标数据，判断位置坐标位于的区域，所述区域至少包括客厅、卧室、厕所、书房和厨房，基于所述区域类别，从所述操作数据集中划分出所述区域类别对应的行为差异信息。
5.根据权利要求1所述的智能家庭感知和控制终端，其特征在于，在统计周期的设定时段内，采集用户在不同时间点的历史位置信息；通过位置信息中确定用户目标坐标，用户目标坐标为设定时段内采集的第一个历史位置信息；将其他位置点中满足有效条件的位置点确定为有效位置点，有效位置点是根据设定时段内采集的其他历史位置信息来确定的；基于确定的有效位置点，构建设定时段内的用户位置链。
6.根据权利要求1所述的智能家庭感知和控制终端，其特征在于，训练单元分别使用多个的超参数预训练神经网络模型，并通过交叉验证算法判断神经网络模型模型的性能，将超参数和性能指标整合成代理数据集，通过代理数据集建立代理模型，根据代理模型不同超参数组合下模型的性能表现，通过优化算法比较性能表现，确定最佳超参数组合，所述超参数至少包括学习率、批量大小和隐藏层的大小。
7.一种智能家庭感知和控制终端的使用方法，基于权利要求1-6中任意一项所述的智能家庭感知和控制终端，其特征在于，包括以下步骤：
步骤S11，持续采集特定用户和多个一般用户的历史行为数据，所述历史行为数据包括在统计周期内的各个时段内的环境数据、用户的行迹数据和操作数据，将所述操作数据基于所述行迹数据和环境数据进行特征分类、合并和重构以获得通用数据集，将通用数据集分为通用训练集和测试集；从通用数据集中提取特定用户的历史行为数据，通过分析特定用户的历史行为数据获得专属数据集，其中，所述操作数据至少包括用户在对应时段内使用的家居设备、启动时刻、使用时长、使用模式和使用频次，所述行迹数据至少包括用户位置坐标和采集时间点，所述环境数据包括天气信息和温湿度信息；
步骤S12，通过通用训练集训练神经网络模型得到通用预测模型，还用于通过专属数据集训练神经网络模型得到专属预测模型；神经网络模型经过多次迭代训练，每次迭代训练中均使用多权重损失函数进行误差计算，并使用反向传播算法，根据损失函数的梯度信息，更新模型的权重和偏置，重复进行多次迭代训练，直到达到预定的停止条件，最终得到一个所有参数值确定的深度学习模型；
步骤S13，将通用预测模型和专属预测模型二者作为基础模型与顶层模型集成，获取所述专属预测模型和所述通用预测模型的预测值，将预测值与目标值相关联作为顶层训练数据集，通过使用顶层训练数据集对神经网络模型进行训练得到顶层预测模型，所述目标值为用户的行为标签或用户的偏好评分；
步骤S14，通过实时获取时间信息、用户身份信息、位置坐标和操作指令，判断用户是否为专属用户，若是，则时间信息、用户位置坐标和操作指令同时输入专属预测模型和通用预测模型，专属预测模型和通用预测模型输出的结果输入顶层预测模型，顶层预测模型输出最终预测值，若否，则时间信息、用户位置坐标和操作指令输入通用预测模型，通用预测模型输出最终预测值。
8.根据权利要求7所述的智能家庭感知和控制终端的使用方法，其特征在于，在步骤S12中，神经网络模型训练完成后通过测试集评估模型，具体方法为：对测试集中的每个样本，将其输入到用户行为预测模型中进行前向传播，得到模型的预测输出，并对预测结果进行解码或转换；使用准确率、精确率、召回率或F1值的评估指标用户行为预测模型模型在测试集上的性能，分析用户行为预测模型在测试集上的性能表现，比较不同指标的结果，获得评估结果，若评估结果低于预设标准，则对模型进行优化。
9.根据权利要求8所述的智能家庭感知和控制终端，其特征在于，在步骤S13中，训练顶层预测模型的方法为：使用专属预测模型对特定用户的历史行为数据进行预测，得到专属预测模型的第一预测值；使用通用预测模型对一般用户的历史行为数据进行预测，得到通用预测模型的第二预测值；将第一预测值和第二预测值二者与目标值进行关联，形成顶层训练数据集；使用顶层训练数据集对神经网络模型进行训练，训练的目标是通过优化模型的权重和偏置，使其能够准确地预测目标值；在训练过程中，使用反向传播算法和优化算法来更新模型的参数值，以最小化顶层损失函数；重复进行多次迭代训练，直到模型收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799743.9A CN116679577A (zh) | 2023-07-03 | 2023-07-03 | 智能家庭感知和控制终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799743.9A CN116679577A (zh) | 2023-07-03 | 2023-07-03 | 智能家庭感知和控制终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679577A true CN116679577A (zh) | 2023-09-01 |
Family
ID=87790948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310799743.9A Pending CN116679577A (zh) | 2023-07-03 | 2023-07-03 | 智能家庭感知和控制终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679577A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008494A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及系统 |
| CN117492380A (zh) * | 2023-12-29 | 2024-02-02 | 珠海格力电器股份有限公司 | 智能家居的中央控制系统的控制方法和控制装置 |
| CN117666377A (zh) * | 2024-02-01 | 2024-03-08 | 湖南麓川信息科技有限公司 | 一种基于物联感知的多模态数据智能推荐方法及系统 |
-
2023
- 2023-07-03 CN CN202310799743.9A patent/CN116679577A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008494A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及系统 |
| CN117008494B (zh) * | 2023-10-07 | 2024-03-22 | 深圳市北鼎科技有限公司 | 一种基于物联网的厨房家电智能控制方法及系统 |
| CN117492380A (zh) * | 2023-12-29 | 2024-02-02 | 珠海格力电器股份有限公司 | 智能家居的中央控制系统的控制方法和控制装置 |
| CN117492380B (zh) * | 2023-12-29 | 2024-05-03 | 珠海格力电器股份有限公司 | 智能家居的中央控制系统的控制方法和控制装置 |
| CN117666377A (zh) * | 2024-02-01 | 2024-03-08 | 湖南麓川信息科技有限公司 | 一种基于物联感知的多模态数据智能推荐方法及系统 |
| CN117666377B (zh) * | 2024-02-01 | 2024-04-23 | 湖南麓川信息科技有限公司 | 一种基于物联感知的多模态数据智能推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116679577A (zh) | 智能家庭感知和控制终端 | |
| Martins et al. | A systematic review of personal thermal comfort models | |
| Kim et al. | Personal comfort models: Predicting individuals' thermal preference using occupant heating and cooling behavior and machine learning | |
| Zhang et al. | A review on occupancy prediction through machine learning for enhancing energy efficiency, air quality and thermal comfort in the built environment | |
| Kim et al. | Personal comfort models–A new paradigm in thermal comfort for occupant-centric environmental control | |
| KR102380397B1 (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
| Moreno et al. | Big data: the key to energy efficiency in smart buildings | |
| JP3996428B2 (ja) | 異常検知装置及び異常検知システム | |
| CN110136832B (zh) | 一种基于老年人日常行为的认知能力评估系统及方法 | |
| Naspi et al. | Measuring occupants’ behaviour for buildings’ dynamic cosimulation | |
| Yoon et al. | A non-intrusive data-driven model for detailed occupants’ activities classification in residential buildings using environmental and energy usage data | |
| KR102493719B1 (ko) | 통합 공기질 예측 시스템 | |
| Jouini et al. | Employing Grey Model forecasting GM (1, 1) to historical medical sensor data towards system preventive in smart home e-health for elderly person | |
| CN116049764A (zh) | 一种面向物联网的跨尺度时序数据融合方法及系统 | |
| CN114512211A (zh) | 一种基于时序数据库的认知训练策略生成方法及系统 | |
| US20230107712A1 (en) | System, Method And Computer Program Product Which Uses Biometrics As A Feedback For Home Control Monitoring To Enhance Wellbeing | |
| Pazhoumand-Dar et al. | Detecting deviations from activities of daily living routines using kinect depth maps and power consumption data | |
| Boulmaiz et al. | Optimizing occupant actions to enhance his comfort while reducing energy demand in buildings | |
| Kelati et al. | Iot based appliances identification techniques with fog computing for e-health | |
| Zhao et al. | Self-learning framework for personalised thermal comfort model | |
| Karatzas et al. | A text analytic framework for gaining insights on the integration of digital twins and machine learning for optimizing indoor building environmental performance | |
| US20240170117A1 (en) | Homeowner Health Alerts and Mitigation Based on Home Sensor Data | |
| Yang | Season-Based Occupancy Prediction in Residential Buildings Using Data Mining Techniques | |
| CN117289889B (zh) | 基于智能护眼的平板电脑亮度调节方法及系统 | |
| KR102410275B1 (ko) | 이산화탄소 예측 시스템 |
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 |