CN116931419A - 应用于智能设备控制的环境舒适模型自动构建方法及装置 - Google Patents
应用于智能设备控制的环境舒适模型自动构建方法及装置 Download PDFInfo
- Publication number
- CN116931419A CN116931419A CN202210367186.9A CN202210367186A CN116931419A CN 116931419 A CN116931419 A CN 116931419A CN 202210367186 A CN202210367186 A CN 202210367186A CN 116931419 A CN116931419 A CN 116931419A
- Authority
- CN
- China
- Prior art keywords
- target
- comfort
- independent variable
- training
- data sets
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 238
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000007613 environmental effect Effects 0.000 claims description 72
- 230000001419 dependent effect Effects 0.000 claims description 48
- 238000002372 labelling Methods 0.000 claims description 24
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 25
- 239000013598 vector Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000037323 metabolic rate Effects 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000006694 eating habits Nutrition 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
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004060 metabolic process Effects 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
- 238000004088 simulation Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种应用于智能设备控制的环境舒适模型自动构建方法及装置,该方法包括:获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型。可见,实施本发明能够通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够根据当前环境情况以及当前用户情况预测出针对用户的舒适参数,能够有利于提高控制智能设备运行的准确性,以及能够有利于提高用户使用智能设备的体验感及舒适度。
Description
技术领域
本发明涉及智能化控制技术领域,尤其涉及一种应用于智能设备控制的环境舒适模型自动构建方法。
背景技术
为了使用户处于舒适的室内环境,本领域技术人员通常通过热舒适模型预测用户的热舒适水平,并将其运用到室内智能设备系统中,以便于为用户创造一个更加舒适的室内环境。当前广泛应用的热舒适模型为传统预测平均投票值模型PMV(Predicted MeanVote),而传统PMV模型只考虑了与人体热舒适感有关的温度、风速、湿度、长波辐射、着装量和人体活动量这6个因素,但在实际生活中,除了这6个因素之外,其它相关因素也会对不同用户的热舒适产生影响,因而传统PMV模型在实际场景的应用中是不准确的,无法真正反映用户的舒适性。另外,传统PMV模型的构建基于特定受试者采集的实验数据,采集大量的实验数据耗时耗力,不利于广泛应用。因此,如何创建一个新的环境舒适模型以提高预测出不同用户在不同室内环境的舒适情况的准确性进而为室内智能设备的智能化控制提供准确的参考依据是本领域技术人员尚待解决的技术问题。
发明内容
本发明所要解决的技术问题在于,提供一种应用于智能设备控制的环境舒适模型自动构建方法及装置,通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够有利于提高预测出不同用户在不同环境下的舒适情况的准确性,以及能够有利于提高控制智能设备运行的准确性。
为了解决上述技术问题,本发明第一方面公开了一种应用于智能设备控制的环境舒适模型自动构建方法,所述方法包括:
获取不同环境舒适实验场景下的多个实验数据组,其中,每个所述实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值;
对所有所述实验数据组执行数据拟合操作,得到数据拟合结果;
根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组;
根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型;所述训练样本至少包括所有所述训练数据组;
其中,所述目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
作为一种可选的实施方式,在本发明第一方面中,所述对所有所述实验数据组执行数据拟合操作,得到数据拟合结果,包括:
从所有所述实验数据组中清除异常实验数据组,得到用于进行数据拟合的多个目标实验数据组;
以所有所述影响因子为自变量且以舒适参数为因变量,基于所有所述目标实验数据组构建热舒适方程式,作为数据拟合结果。
作为一种可选的实施方式,在本发明第一方面中,所述对所有所述实验数据组执行数据拟合操作,得到数据拟合结果之后,所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,所述方法还包括:
判断所述热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项;所述自变量项为包括至少一个自变量的项;
当判断出所述热舒适方程式的所有自变量项中不存在所述目标自变量项时,触发执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作;
当判断出所述热舒适方程式中存在至少一个所述目标自变量项时,对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式;检测所述热舒适方程是否更新完毕,在检测到所述热舒适方程式更新完毕之后,触发执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
作为一种可选的实施方式,在本发明第一方面中,
当判断出所述热舒适方程式中存在至少一个所述目标自变量项时,所述对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式之前,所述方法还包括:
确定该目标自变量项的类型,当该目标自变量项的类型表示该目标自变量项包括单一自变量时,判断该目标自变量项的阶数是否满足预先设定的阶数条件,当判断出该目标自变量项的阶数不满足所述阶数条件时,触发执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;
当判断出该目标自变量项的阶数满足所述阶数条件时,判断该目标自变量项对应的所有高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项,当判断出该目标自变量项对应的所有高阶自变量项存在满足对应的显著性条件的至少一个高阶自变量项时,则保留该目标自变量项;当判断出该目标自变量项对应的所有高阶自变量项不存在满足对应的显著性条件的高阶自变量项时,触发执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;
其中,对于该目标自变量项对应的任一高阶自变量项,其变量类型与该目标自变量项的变量类型相同,其包括的单一自变量与该目标自变量项包括的单一自变量相同,且其对应的自变量阶数高于该目标自变量项对应的自变量阶数。
作为一种可选的实施方式,在本发明第一方面中,在所述检测到所述热舒适方程式更新完毕之后,以及在所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,所述方法还包括:
判断所述数据拟合结果是否满足预先设定的优度条件;
当判断出所述数据拟合结果满足预先设定的所述优度条件时,执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组,包括:
根据蒙地卡罗方法以及所有所述目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组,所述自变量训练组包括每个所述目标类型的影响因子分别对应的一个训练值,每个所述目标类型的影响因子对应的训练值是根据所述蒙地卡罗方法从该目标类型的影响因子对应的取值范围中生成的;
分别将每个所述自变量训练组代入所述热舒适方程式,得到每个所述自变量训练组对应的因变量参数;
分别将每个所述自变量训练组及其对应的因变量参数确定为一个训练数据组,并对每个所述训练数据组中每个训练值执行第一标注操作以及对每个所述训练数据组对应的因变量参数执行第二标注操作,以生成多个自变量训练数据组。
作为一种可选的实施方式,在本发明第一方面中,所述根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型之后,所述方法还包括:
采集目标场景对应的第一参数集合,所述第一参数集合包括第一类型的参数集合和/或第二类型的参数集合,所述第一类型的参数集合包括所述目标场景的环境参数,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数,或者,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数以及根据采集到的所述目标用户的多模态信息分析出的辅助参数;所述目标场景为需要针对该目标场景中的用户进行舒适度调整的任一场景,所述目标用户为所述目标场景中需要进行舒适度调整的任一用户;
将所述第一参数集合输入至预先确定出的所述目标预测舒适模型,得到所述目标预测舒适模型的第一输出结果,所述第一输出结果用于表示所述目标用户在所述目标场景下的最优舒适参数;
将所述第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到所述目标策略模型的第二输出结果;
根据所述第二输出结果执行针对所述目标场景中的目标智能设备的控制操作,或者,将所述第二输出结果确定为所述目标场景中的目标智能设备的控制参考依据,所述目标智能设备与所述最优舒适参数的参数类型相匹配。
本发明第二方面公开了一种应用于智能设备控制的环境舒适模型自动构建装置,所述装置包括:
获取模块,用于获取不同环境舒适实验场景下的多个实验数据组,其中,每个所述实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值;
拟合模块,用于对所有所述实验数据组执行数据拟合操作,得到数据拟合结果;
生成模块,用于根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组;
训练模块,用于根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型;所述训练样本至少包括所有所述训练数据组;其中,所述目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
作为一种可选的实施方式,在本发明第二方面中,所述拟合模块对所有所述实验数据组执行数据拟合操作,得到数据拟合结果的方式具体为:
从所有所述实验数据组中清除异常实验数据组,得到用于进行数据拟合的多个目标实验数据组;
以所有所述影响因子为自变量且以舒适参数为因变量,基于所有所述目标实验数据组构建热舒适方程式,作为数据拟合结果。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
判断模块,用于在所述拟合模块对所有所述实验数据组执行数据拟合操作,得到数据拟合结果之后,以及在所述生成模块根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,判断所述热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项;所述自变量项为包括至少一个自变量的项;当判断出所述热舒适方程式的所有自变量项中不存在所述目标自变量项时,触发所述生成模块执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作;
删除模块,用于当所述判断模块判断出所述热舒适方程式中存在至少一个所述目标自变量项时,对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式;
检测模块,用于检测所述热舒适方程是否更新完毕,在检测到所述热舒适方程式更新完毕之后,触发所述生成模块执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
确定模块,用于在所述判断模块判断出所述热舒适方程式中存在至少一个所述目标自变量项之后,以及在所述删除模块对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式之前,确定该目标自变量项的类型;
所述判断模块,还用于当该目标自变量项的类型表示该目标自变量项包括单一自变量时,判断该目标自变量项的阶数是否满足预先设定的阶数条件;当所述判断模块判断出该目标自变量项的阶数不满足所述阶数条件时,触发所述删除模块执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;
所述判断模块,还用于当判断出该目标自变量项的阶数满足所述阶数条件时,判断该目标自变量项对应的所有高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项;当判断出该目标自变量项对应的所有高阶自变量项不存在满足对应的显著性条件的高阶自变量项时,触发所述删除模块执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;其中,对于该目标自变量项对应的任一高阶自变量项,其变量类型与该目标自变量项的变量类型相同,其包括的单一自变量与该目标自变量项包括的单一自变量相同,且其对应的自变量阶数高于该目标自变量项对应的自变量阶数;
保留模块,用于当所述判断模块判断出该目标自变量项对应的高阶自变量项中存在满足对应的显著性条件的至少一个高阶自变量项时,则保留该目标自变量项。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块,还用于在所述检测模块检测到所述热舒适方程式更新完毕之后,以及在所述生成模块根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,判断所述数据拟合结果是否满足预先设定的优度条件;当判断出所述数据拟合结果满足预先设定的所述优度条件时,触发所述生成模块执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
作为一种可选的实施方式,在本发明第二方面中,所述生成模块根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的方式具体为:
根据蒙地卡罗方法以及所有所述目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组,所述自变量训练组包括每个所述目标类型的影响因子分别对应的一个训练值,每个所述目标类型的影响因子对应的训练值是根据所述蒙地卡罗方法从该目标类型的影响因子对应的取值范围中生成的;
分别将每个所述自变量训练组代入所述热舒适方程式,得到每个所述自变量训练组对应的因变量参数;
分别将每个所述自变量训练组及其对应的因变量参数确定为一个训练数据组,并对每个所述训练数据组中每个训练值执行第一标注操作以及对每个所述训练数据组对应的因变量参数执行第二标注操作,以生成多个自变量训练数据组。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
采集模块,用于在所述训练模块根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型之后,采集目标场景对应的第一参数集合,所述第一参数集合包括第一类型的参数集合和/或第二类型的参数集合,所述第一类型的参数集合包括所述目标场景的环境参数,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数,或者,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数以及根据采集到的所述目标用户的多模态信息分析出的辅助参数;所述目标场景为需要针对该目标场景中的用户进行舒适度调整的任一场景,所述目标用户为所述目标场景中需要进行舒适度调整的任一用户;
输入模块,用于将所述第一参数集合输入至预先确定出的所述目标预测舒适模型,得到所述目标预测舒适模型的第一输出结果,所述第一输出结果用于表示所述目标用户在所述目标场景下的最优舒适参数;
所述输入模块,还用于将所述第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到所述目标策略模型的第二输出结果;
控制模块,用于根据所述第二输出结果执行针对所述目标场景中的目标智能设备的控制操作,或者,将所述第二输出结果确定为所述目标场景中的目标智能设备的控制参考依据,所述目标智能设备与所述最优舒适参数的参数类型相匹配。
本发明第三方面公开了另一种应用于智能设备控制的环境舒适模型自动构建装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的应用于智能设备控制的环境舒适模型自动构建方法。
本发明第四方面公开了一种计算机可存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的应用于智能设备控制的环境舒适模型自动构建方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型。可见,实施本发明能够通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够有利于提高预测出不同用户在不同环境下的舒适情况的准确性,以及能够有利于根据预测出的不同用户在不同环境下的舒适情况以提高控制智能设备运行的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种应用于智能设备控制的环境舒适模型的应用场景的场景示意图;
图2是本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建方法的流程示意图;
图3是本发明实施例公开的另一种应用于智能设备控制的环境舒适模型自动构建方法的流程示意图;
图4是本发明实施例公开的舒适模型训练的实现原理架构图;
图5是本发明实施例公开的基于舒适模型得到舒适参数的实现原理图;
图6是本发明实施例公开的基于策略模型对智能设备控制的实现原理示意图;
图7是本发明实施例公开的基于舒适模型及策略模型对智能设备控制的实现原理图;
图8是本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建装置的结构示意图;
图9是本发明实施例公开的另一种应用于智能设备控制的环境舒适模型自动构建装置的结构示意图;
图10是本发明实施例公开的又一种应用于智能设备控制的环境舒适模型自动构建装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种应用于智能设备控制的环境舒适模型自动构建方法及装置,能够通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够有利于提高预测出不同用户在不同环境下的舒适情况的准确性,以及能够有利于根据预测出的不同用户在不同环境下的舒适情况以提高控制智能设备运行的准确性。以下分别进行详细说明。
为了更好的理解本发明公开的一种应用于智能设备控制的环境舒适模型自动构建方法及装置,首先对应用于智能设备控制的环境舒适模型的应用场景加以描述,具体的,环境舒适模型的应用场景可以如图1所示,图1是本发明实施例公开的一种应用于智能设备控制的环境舒适模型的应用场景的场景示意图。如图1所示,应用于智能设备控制的环境舒适模型的应用场景可以包括室内场景、控制装置,其中,室内场景可以包括一个或多个用户以及智能设备(例如:智能空调),控制装置可以为云端控制器,也可以为本地控制器。控制装置获取室内场景中的参数集合,分析获取得到的参数集合生成对智能设备的控制指令,或者,分析获取得到的参数集合,生成输出结果,根据该输出结果智能针对智能设备的控制作,或者将输出结果确定为智能设备的控制参考依据,需要说明的是,参数集合包括室内场景中的用户相关参数和/或室内场景的环境参数。进一步的,室内场景中的用户相关参数可以包括用户的性别、用户的年龄、用户的身高、用户的体重、用户的心率、用户的皮肤温度、用户的代谢率、用户的BMI、用户的体质中的一种或多种,更进一步的,室内场景中的用户相关参数还可以包括用户的类别、用户的语音控制信息、用户的姿势、用户的手势中的一种或多种;室内场景的环境参数可以包括室内场景的当前温度、室内场景的当前湿度、室内场景的当前风速中的一种或多种。以及,控制装置中可以包括目标预测舒适模型以及目标策略模型。其中,目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数,目标策略模型用于根据舒适参数以及当前环境参数生成输出结果,输出结果能够用于目标场景中的目标智能设备的控制参考依据,或者,根据输出结果执行针对目标场景中目标智能设备的控制操作。其中:
目标预测舒适模型的构建方法为获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标舒适模型,目标舒适模型用于预测不同用户在不同场景下对应的舒适参数。
可选的,数据拟合结果的生成方式为从所有实验数据组中清除异常实验数据组,得到目标实验数据组,以所有影响因子为自变量且以舒适参数为因变量,基于所有目标实验数据组构建热舒适方程式,作为数据拟合结果。进一步可选的,判断热舒适方程式中所包含的所有自变量中是否存在不满足对应的显著性条件的目标自变量项,若存在,则确定该目标自变量项的类型,当该目标自变量项为单一自变量时,判断该目标自变量项的阶数是否为最低阶,若不是,则删除该目标自变量项并更新热舒适方程式,若是,则继续判断该目标自变量项的对应的高阶自变量项是否满足对应的显著性条件,若满足,则保留该目标自变量项,若不满足,则删除该目标自变量项并更新热舒适方程式。进一步可选的,在更新完毕热舒适方程式后,判断该数据拟合结果是否满足优度条件,若满足,则执行根据数据拟合结果及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
举例来说,如图1所示,当控制装置采集得到的信息集合包括的信息为当前室内场景的温度为36度,且当前室内场景存在的用户小明对应的用户类别为男性类别,用户年龄为30岁,用户身高为175厘米,体重为65千克时,将采集得到的信息集合输入至目标预测舒适模型中,得到小明在该室内场景的舒适参数,并且将该舒适参数以及当前室内场景的温度输入至目标策略模型中,得到策略输出结果,根据策略输出结果执行针对当前室内场景中的智能空调的控制操作,或者,将策略输出结果确定为当前室内场景中的智能空调的控制参考依据。
需要说明的是,图1所示的场景架构只是为了表示应用于智能设备控制的环境舒适模型的所适用的应用场景,涉及到的室内场景、智能设备、小明、控制装置、用户相关参数、环境参数、智能控制也只是示意性展示,具体的结构/尺寸/形状/所在的位置/所安装的方式等可根据实际场景进行适应性调整,图1所示的场景架构对此不作限定。
以上对应用于智能设备控制的环境舒适模型的所适用的应用场景做了描述,下面对应用于智能设备控制的环境舒适模型自动构建方法及装置进行详细的描述。
实施例一
请参阅图2,图2是本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建方法的流程示意图。其中,图2所描述的应用于智能设备控制的环境舒适模型自动构建方法可以应用于智能设备控制的环境舒适模型自动构建装置中,也可以应用于基于智能设备控制的环境舒适模型自动构建的本地服务器或云端服务器,本发明实施例不做限定。如图2所示,该应用于智能设备控制的环境舒适模型自动构建方法可以包括以下操作:
201、获取不同环境舒适实验场景下的多个实验数据组。
本发明实施例中,每个实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值。
本发明实施例中,可选的,获取不同环境舒适实验场景下的多个实验数据组可以是实时获取的,也可以是按照预先设定的时间段定时获取的,还可以是根据接收到的获取实验数据组的指令进行获取的,本发明实施例不做限定。
本发明实施例中,可选的,目标类型可以包括用户生理数据类型、用户主观反馈类型、环境数据类型中的一种或多种。其中,可选的,用户生理数据类型可以包括用户的心率、用户的皮肤温度、用户的代谢率、用户的血糖、用户的血压、用户的BMI、用户的体脂肪、用户的身高、用户的体重中的一种或多种。进一步可选的,用户的生理数据类型还可以包括该用户前一晚的睡眠质量、该用户的心理压力、该用户的个人习惯、该用户的体质、该用户的年龄、该用户的性别、该用户的籍贯、该用户的长期居住地中的一种或多种,需要说明的是,该用户的个人习惯可以包括该用户的喜好、该用户的运动习惯、该用户的饮食习惯、该用户的喝酒习惯、该用户的用药习惯中的一种或多种。可选的,用户主观反馈类型可以包括用户的着装、用户的语音输入、用户的手势、用户的姿势中的一种或多种。可选的,环境数据类型可以包括当前环境温度、当前环境湿度、当前环境灯光强度、当前环境色温、当前环境空气质量、当前环境风速中的一种或多种。这样通过获取不同类型的多个影响因子,能够丰富实验数据组所包括的影响因子的数量及种类,有利于提高获得实验数据组的多样性,从而有利于提高后续执行数据拟合操作及得到数据拟合结果的准确性,进而有利于提高后续得到目标预测舒适模型的准确性。
202、对所有实验数据组执行数据拟合操作,得到数据拟合结果。
本发明实施例中,可选的,数据拟合操作为通过所有实验数据组,通过一般线性模型进行线性回归方程式的构建,构建所得到的线性回归方程式即为数据拟合结果。
本发明实施例中,进一步可选的,线性回归方程式中的左侧为因变量,因变量可以为舒适温度、舒适风速、舒适湿度中的至少一种;该线性回归方程式中的右侧为自变量,自变量为关键的作用变量,用于表示对因变量有影响的影响因子。进一步可选的,关键的作用变量可以为单个作用变量,也可以为组合作用变量,其中,组合作用变量为交互作用变量,用于表示两个不同目标类型的影响因子共同交互对因变量有显著的影响。需要说明的是,自变量可以包括一次方的自变量,也可以包括二次方的自变量,还可以包括次方数为正整数的次方的自变量。
203、根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组。
本发明实施例中,可选的,每个目标类型的影响因子均有其对应的取值范围。其中,取值范围可以包括上下限值范围和/或分类范围。其中,分类范围可以为用户类别分类范围,进一步的,用户类别分类范围可以包括老人类别、小孩类别、女性类别、男性类别、平均类别中的一种或多种。
本发明实施例中,可选的,训练数据组包括从每个目标类型的影响因子对应的取值范围中选取得到的目标数值,以及将该目标数值输入至数据拟合结果得到的预测值。
本发明实施例中,可选的,生成多个训练数据组的方法可以是通过预设的目标方法生成的。其中,预设的目标方法可以为概率分布法、随机产生数值法、分类项选取法中的其中一种。其中,概率分布法为根据该目标类型的影响因子对应的取值范围的取值上限以及取值下限,计算该目标类型的影响因子的平均值以及该目标类型的影响因子的标准差,随机产生0-1之间的正态分布概率,继而根据该目标类型的影响因子的平均值、该目标类型的影响因子的标准差以及正态分布概率,得到正态累积分布函数的反函数值,得到有效的关键自变量,并将所得到的有效的关键自变量代入至数据拟合结果中,得到每个有效的关键自变量对应的因变量,且将该因变量以及该因变量对应的所有关键自变量确定为一个训练数据组,得到多个训练数据组。随机产生数值法为定义在预先设定的第一数值区域间随机产生一个数值,将该数值确定为有效的关键自变量,其中,预先设定的第一数值区域可以是10-99区间,随机产生数值的次数可以为一次,也可以为多次,例如,第一次随机数值为R1=85%,第二次随机数值为R2=42%,则将0.85、0.42确定为有效的关键自变量,并将所得到的有效的关键自变量代入至数据拟合结果中,得到每个有效的关键自变量对应的因变量,且将该因变量以及该因变量对应的所有关键自变量确定为一个训练数据组,得到多个训练数据组。分类项选取法为定义在预先设定的第二数值区域间随机产生一个数值,将该数值确定为有效的关键自变量,其中,每一个数值对应一个类别,预先设定的第二数值区域可以是0-5,随机产生数值的次数可以为一次,也可以为多次,例如,数值1对应的类别为老人类别,数值2对应的类别为小孩类别,类别3对应的类别为女性类别,类别4对应的类别为男性类别,类别5对应的类别为平均类别,当第一次随机数值R1=2时,则确定类别为小孩类别,当第二次随机数值R2=1.35时,确定类别为小孩类别,当第三次随机数值为R3=0.12时,确定类别为老人类别,并且将2、1.35及0.12确定为有效的关键自变量,并将所得到的有效的关键自变量代入至数据拟合结果中,得到每个有效的关键自变量对应的因变量,且将该因变量以及该因变量对应的所有关键自变量确定为一个训练数据组,得到多个训练数据组。
204、根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型。
本发明实施例中,训练样本至少包括所有训练数据组。
本发明实施例中,目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
本发明实施例中,可选的,训练样本还可以包括实验数据组。
本发明实施例中,可选的,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作可以包括将确定出的所有训练样本输入至预先确定出的预测舒适模型中进行训练,得到目标预测舒适模型。
可见,实施图2所描述的一种应用于智能设备控制的环境舒适模型自动构建方法能够获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型,能够通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够有利于提高预测出不同用户在不同环境下的舒适情况的准确性,以及能够有利于根据预测出的不同用户在不同环境下的舒适情况以提高控制智能设备运行的准确性。
在一个可选的实施例中,该方法还可以包括:
将目标预测舒适模型应用于预先设定的目标智能设备中,将该目标智能设备投入至预先设定的实际应用场景中进行使用,获取实际应用场景中的用户的目标数据,根据实际应用场景中的用户的目标数据,计算该目标预测舒适模型对于用户的使用满意度,根据用户的使用满意度,生成通用优化预测舒适模型。
在该可选的实施例中,预先设定的目标智能设备可以为智能设备,例如,智能空调。
在该可选的实施例中,可选的,该目标智能设备的使用模式可以包括制冷模式以及制热模式中的其中一种。
在该可选的实施例中,可选的,实际应用场景中的用户可以为多个,且实际应用场景中的所包括用户的用户类别可以不相同。例如,实际应用场景中的所包括用户可以包括小孩类别的用户、老人类别的用户、女性类别的用户、男性类别的用户中的一种或多种。
在该可选的实施例中,可选的,用户的目标数据可以包括用户的主观反馈数据及用户生理数据中的一种或多种。进一步可选的,用户的主观反馈数据包括用户的语言反馈信息、用户的姿势反馈信息、用户的手势反馈信息、用户的表情反馈信息中的一种或多种;用户生理数据包括用户的皮肤温度、用户的心率、用户的代谢率、用户的血糖、用户的血压中的一种或多种。
在该可选的实施例中,可选的,根据实际应用场景中的用户的目标数据,计算该目标预测舒适模型对于用户的使用满意度,根据用户的使用满意度,生成通用优化预测舒适模型,可以包括:
判断实际应用场景中的用户的目标数据是否存在预先设定的不满足预设目标条件的第一目标数据;
当判断出不存在第一目标数据时,将目标预测舒适模型确定为通用优化预测舒适模型;
当判断出存在第一目标数据时,分析第一目标数据,并根据所有第一目标数据计算用户的使用满意度,判断用户的使用满意度是否大于等于预先设定的满意度阈值;
当判断出用户的使用满意度大于等于预先设定的满意度阈值时,将目标预测舒适模型确定为通用优化预测舒适模型;
当判断出用户的使用满意度小于预先设定的满意度阈值时,对目标预测舒适模型中的参数,并重新执行将目标预测舒适模型应用于预先设定的目标智能设备中,将该目标智能设备投入至预先设定的实际应用场景中进行使用,获取实际应用场景中的用户的目标数据,根据实际应用场景中的用户的目标数据,计算该目标预测舒适模型对于用户的使用满意度,根据用户的使用满意度,生成通用优化预测舒适模型的操作。
在该可选的实施例中,预先设定的满意度阈值可以为75%。这样通过获取实际应用场景中的用户的目标数据并根据目标数据计算用户的使用满意度,若用户的使用满意度小于预先设定的满意度阈值时,对目标预测舒适模型进行优化,能够提高得到目标预测舒适模型的精准性,能够有利于提高用户使用目标预测舒适模型的使用体验感,以及能够有利于提高对目标预测舒适模型进行优化的智能性。
可见,实施该可选的实施例能够将目标预测舒适模型应用于预先设定的目标智能设备中并投入至实际应用场景中使用,获取用户的目标数据,根据目标数据计算该目标预测舒适模型对于用户的使用满意度,根据使用满意度生成通用优化预测舒适模型,能够提高得到目标预测舒适模型的精准性,能够有利于提高用户使用目标预测舒适模型的使用体验感,以及能够有利于提高对目标预测舒适模型进行优化的智能性。
在另一个可选的实施例中,该方法还包括:
将目标预测舒适模型投放至预先设定的应用场景中,获取每个目标用户类别对应的用户在该应用场景中的反馈信息,根据每个目标用户类别对应的用户的反馈信息,生成每个目标用户类别对应的个性化预测舒适模型,其中,目标用户类别的数量为至少一个。
在该可选的实施例中,可选的,目标用户类别可以包括老人类别、小孩类别、女性类别、男性类别、平均类别中的一种或多种。
在该可选的实施例中,可选的,获取每个目标用户类别对应的用户在该应用场景中的反馈信息的方式可以是实时的、无间断的获取的。这样通过实时的、无间断的获取每个目标用户类别对应的用户在该应用场景中的反馈信息,能够有利于丰富反馈信息的数量及类别,有利于提高后续根据反馈信息生成每个目标用户类别对应的个性化预测舒适模型的准确性。
可见,实施该可选的实施例能够获取每个目标用户类别对应的用户在应用场景中的反馈信息,根据反馈信息,生成每个目标用户类别对应的个性化预测舒适模型,能够有利于丰富反馈信息的数量及类别,有利于提高后续根据反馈信息生成每个目标用户类别对应的个性化预测舒适模型的准确性。
实施例二
请参阅图3,图3是本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建方法的流程示意图。其中,图3所描述的应用于智能设备控制的环境舒适模型自动构建方法可以应用于智能设备控制的环境舒适模型自动构建装置中,也可以应用于基于智能设备控制的环境舒适模型自动构建的本地服务器或云端服务器,本发明实施例不做限定。如图3所示,该应用于智能设备控制的环境舒适模型自动构建方法可以包括以下操作:
301、获取不同环境舒适实验场景下的多个实验数据组。
302、从所有实验数据组中清除异常实验数据组,得到用于进行数据拟合的多个目标实验数据组。
本发明实施例中,目标实验数据组所包括的所有实验数据组均不包括异常实验数据组。
本发明实施例中,可选的,异常实验数据组为包括异常数据的实验数据组。其中,异常数据为与标准差相差预设倍数以上的数据的实验数据。进一步可选的,预设倍数可以为3倍。
303、以所有影响因子为自变量且以舒适参数为因变量,基于所有目标实验数据组构建热舒适方程式,作为数据拟合结果。
本发明实施例中,可选的,舒适参数可以为舒适温度。进一步可选的,舒适参数还可以为舒适湿度、舒适风速中的其中一种。
本发明实施例中,热舒适方程式为:
其中,Y为舒适温度,C为常数,Xk为影响因子,βk为Xk的偏回归系数,λm为自变量二次方的偏回归系数,αn为/>自变量三次方的偏回归系数,ηx为/>交互自变量的偏回归系数。
304、根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组。
305、根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型。
本发明实施例中,针对步骤301、步骤304-步骤305的其它描述,请参照实施例一中针对步骤201、步骤203-步骤204的详细描述,本发明实施例不再赘述。
可见,实施本发明实施例能够获取不同环境舒适实验场景下的多个实验数据组,从所有实验数据组中清除异常数据组,得到用于进行数据拟合的多个目标实验数据组,以所有影响因子为自变量且以舒适参数为因变量,基于所有目标实验数据组构建热舒适方程式并作为数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预测舒适模型进行训练,得到目标预测舒适模型,能够将异常数据组清除后再构建热舒适方程式作为数据拟合结果,能够有利于提高得到数据拟合结果的准确性,从而能够有利于提高对预测舒适模型进行训练的准确性,进而能够有利于提高得到目标预测舒适模型的准确性。
在一个可选的实施例中,对所有实验数据组执行数据拟合操作,得到数据拟合结果之后,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组之前,该方法还包括:
判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项;自变量项为包括至少一个自变量的项;
当判断出热舒适方程式的所有自变量项中不存在目标自变量项时,触发执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作;
当判断出热舒适方程式中存在至少一个目标自变量项时,对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式;检测热舒适方程是否更新完毕,在检测到热舒适方程式更新完毕之后,触发执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
在该可选的实施例中,更新后的热舒适方程式中不包括目标自变量项。
在该可选的实施例中,可选的,判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项,包括:通过预先设定的显著性条件检验方法,对热舒适方程式的所有自变量项进行检验,判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的目标自变量项。
在该可选的实施例中,可选的,显著性条件检验方法可以包括T检定方法以及P值检验方法。其中,T检定方法亦称为student t检验(Student's t test)方法,主要用于样本含量较小,总体标准差σ未知的正态分布。T检定方法是用t分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著的显著性条件检验方法。P值检验方法中的P值为用于判定假设检验结果的一个假定值,能够根据不同的分布使用分布的拒绝域进行比较。P值(P_value)就是当原假设为真时,比所得到的样本观察结果更极端的结果出现的概率,如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分,故P值越小,表明结果越显著。
在该可选的实施例中,进一步可选的,当自变量项对应的P值小于预先设定的显著性水平时,则确定该自变量项满足对应的显著性条件,当自变量项大于等于预先设定的显著性水平时,则确定该自变量项不满足对应的显著性条件。进一步可选的,显著性水平可以为0.05。举例来说,当该自变量项对应的P值小于0.05时,则该自变量项对于热舒适方程式为属于关键项;当该自变量项对应的P值大于0.05时,则该自变量项对于热舒适方程式为不属于关键项,该自变量项能够从热舒适方程式中删除。
在该可选的实施例中,可选的,检测热舒适方程是否更新完毕可以为检测热舒适方程式中是否存在不满足对应的显著性条件的目标自变量项,若存在时,则对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,若不存在时,则执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,能够有利于保证热舒适方程式中所包括的所有自变量项均满足对应的显著性条件,从而能够有利于提高得到热舒适方程式的准确性,进而能够有利于提高后续生成多个训练组的准确性。
可见,实施该可选的实施例能够通过判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的目标自变量项,若不存在,则执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,若存在,则对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式,并检测热舒适方程是否更新完毕,在检测到热舒适方程式更新完毕之后,执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,能够有利于保证热舒适方程式中所包括的所有自变量项的均满足对应的显著性条件,能够有利于提高生成多个训练组的准确性,进而能够有利于提高后续得到目标预测舒适模型的准确性。
在另一个可选的实施例中,当判断出热舒适方程式中存在至少一个目标自变量项时,对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式之前,该方法还包括:
确定该目标自变量项的类型,当该目标自变量项的类型表示该目标自变量项包括单一自变量时,判断该目标自变量项的阶数是否满足预先设定的阶数条件,当判断出该目标自变量项的阶数不满足阶数条件时,触发执行的从热舒适方程式中删除该目标自变量项,以更新热舒适方程式的操作;
当判断出该目标自变量项的阶数满足阶数条件时,判断该目标自变量项对应的所有高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项,当判断出该目标自变量项对应的所有高阶自变量项存在满足对应的显著性条件的至少一个高阶自变量项时,则保留该目标自变量项;当判断出该目标自变量项对应的所有高阶自变量项不存在满足对应的显著性条件的高阶自变量项时,触发执行的从热舒适方程式中删除该目标自变量项,以更新热舒适方程式的操作;
其中,对于该目标自变量项对应的任一高阶自变量项,其变量类型与该目标自变量项的变量类型相同,其包括的单一自变量与该目标自变量项包括的单一自变量相同,且其对应的自变量阶数高于该目标自变量项对应的自变量阶数。
在该可选的实施例中,可选的,目标自变量项的类别可以包括单一自变量,进一步可选的,目标自变量项类型还可以包括多重自变量。
在该可选的实施例中,举例来说,X1与的变量类型相同,且/>的阶数高于X1;/>与/>的变量类型不同,/>与/>的阶数相同,/>与/>的阶数均为2。
在该可选的实施例中,可选的,判断该目标自变量项的阶数是否满足预先设定的阶数条件可以包括判断该目标自变量项的阶数是否为该目标自变量项对应的变量类型中的最低阶的自变量,若判断出该目标自变量为对应的变量类型中的最低阶的自变量,则确定该目标自变量项满足阶数条件;若判断出该目标自变量不为对应的变量类型中的最低阶的自变量,则确定该目标自变量项不满足阶数条件。
在该可选的实施例中,举例来说,当X1为目标自变量项但不为目标自变量时,由于/>为X1的变量类型相同且/>的阶数高于X1,X1为/>的最低阶,故X1需保留在热舒适方程式中。
在该可选的实施例中,进一步可选的,该方法还可以包括:判断该目标自变量项的阶数是都满足最小自由度下涵盖最高阶的项。其中,自由度为当以样本的统计量来估计总体的参数时,样本中独立或能自由变化的数据的个数,称为该统计量的自由度,且自由度一般等于独立变量减掉其衍生量数。进一步的,当采集到有N的数据以拟合出Y时,Y的左式中能涵盖的项的数量取决于自由度,举例来说,当Y的左式拟合得到有数量为10的项且采集得到的N增加时,Y的左式的拟合项会大于10,其中,Y为拟合方程式,N为数据数量。
可见,实施该可选的实施例能够确定目标自变量项的类型且当该目标自变量的类型包括单一自变量时,判断该目标自变量项的阶数是否满足阶数条件,若不满足则删除该目标自变量项以更新热舒适方程式,若满足则判断该目标自变量项对应的高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项,若不存在满足对应的显著性条件的至少一个高阶自变量时,删除该目标自变量项以更新热舒适方程式,能够根据目标自变量项的类型以及阶数确定是否删除该目标自变量项,进而对热舒适方程式进行更新,有利于提高删除目标自变量项的准确性,从而有利于提高对热舒适方程式进行更新的准确性,进而有利于提高生成训练数据组以及得到目标预测舒适模型的准确性。
在又一个可选的实施例中,在检测到热舒适方程式更新完毕之后,以及在根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组之前,该方法还包括:
判断数据拟合结果是否满足预先设定的优度条件;
当判断出数据拟合结果满足预先设定的优度条件时,执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
在该可选的实施例中,可选的,当判断出数据拟合结果不满足预先设定的优度条件时,重新执行获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果的操作。
在该可选的实施例中,可选的,优度条件为拟合优度条件。其中,拟合优度为Goodness of Fit,指回归直线对观测值的拟合程度,衡量回归方程式整体的拟合度,能够用于表达因变量与所有自变量之间的总体关系。
在该可选的实施例中,可选的,判断数据拟合结果是否满足预先设定的优度条件可以包括:计算数据拟合结果中的R-sq值,判断数据拟合结果中的R-sq值是否大于等于预先设定的R-sq阈值,当判断出数据拟合结果中的R-sq值大于等于预先设定的R-sq值时,确定数据拟合结果满足预先设定的优度条件;当判断出数据拟合结果中的R-sq至小于预先设定的R-sq值时,确定数据拟合结果不满足预先设定的优度条件。其中,R-sq值为回归模型误差占总误差的百分比。取值在0%和100%之间,数值越大,表明回归模型与数据吻合得越好,则热舒适方程式更符合预设的要求。进一步的,预先设定的R-sq阈值可以为80%。举例来说,当数据拟合结果中的R-sq值为85%时,85%大于80%,则确定数据拟合结果满足预先设定的优度条件;当数据拟合结果中的R-sq值为70%时,70%小于80%,则确定数据拟合结果不满足预先设定的优度条件。
可见,实施该可选的实施例能够通过判断数据拟合结果是否满足预先设定的优度条件,当判断出数据拟合结果满足预先设定的优度条件时才执行根据数据拟合结果及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,能够检测数据拟合结果的优度,能够有利于提高得到数据拟合结果的准确性及优度,从而有利于提高生成训练数据组的准确性,进而有利于提高得到目标预测舒适模型的准确性。
在又一个可选的实施例中,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,包括:
根据蒙地卡罗方法以及所有目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组,自变量训练组包括每个目标类型的影响因子分别对应的一个训练值,每个目标类型的影响因子对应的训练值是根据蒙地卡罗方法从该目标类型的影响因子对应的取值范围中生成的;
分别将每个自变量训练组代入热舒适方程式,得到每个自变量训练组对应的因变量参数;
分别将每个自变量训练组及其对应的因变量参数确定为一个训练数据组,并对每个训练数据组中每个训练值执行第一标注操作以及对每个训练数据组对应的因变量参数执行第二标注操作,以生成多个自变量训练数据组。
在该可选的实施例中,蒙地卡罗方法(Monte Carlo method)也称统计模拟方法或统计试验方法,是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明,而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法,蒙地卡罗方法是指使用随机数以解决多计算问题的方法。
在该可选的实施例中,可选的,根据蒙地卡罗方法以及所有目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组可以是根据蒙地卡罗方法在所有目标类型的影响因子中每个影响因子对应的取值范围内随机选取对应的数值作为自变量训练组的。
在该可选的实施例中,可选的,所生成的多个自变量训练数据组中所包括的自变量训练组及其对应的因变量参数均是标注后的自变量训练组及标注后的因变量参数。进一步可选的,对每个训练数据组中每个训练值执行第一标注操作可以包括对每个训练数据组中每个训练值标注该训练值对应的目标类型。可选的,对每个训练数据组对应的因变量参数执行第二标注操作可以包括对每个训练数据组对应的因变量参数标注该因变量参数的数值。
在该可选的实施例中,进一步可选的,图4为本发明实施例公开的舒适模型训练的实现原理架构图。如图4所示,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型,可以包括:
将训练样本中的经过第一标注操作的训练数据组输入至预先确定出的预测舒适模型执行训练操作,得到第一预测输出结果,判断第一预测输出结果是否与经过第二标注操作的该训练数据组对应的因变量参数相匹配,当判断出第一预测输出结果与经过第二标注操作的该训练数据组对应的因变量参数相匹配时,将预测舒适模型确定为目标预测舒适模型;当判断出第一预测输出结果与经过第二标注操作的该训练数据组对应的因变量参数不相匹配时,调整预测舒适模型中的网络参数,并重复执行将训练样本中的经过第一标注操作的训练数据组输入至预先确定出的预测舒适模型执行训练操作,得到第一预测输出结果,判断第一预测输出结果是否与经过第二标注操作的该训练数据组对应的因变量参数相匹配的操作;其中,目标预测舒适模型能够根据环境参数计算当前环境对应的舒适温度。这样通过经过根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作以得到目标预测舒适模型,能够有利于提高得到目标预测舒适模型的准确性,从而能够有利于提高通过得到目标预测舒适模型得到舒适参数的准确性,进而能够有利于提高用户使用智能设备的使用体验感。
在该可选的实施例中,可选的,判断第一预测输出结果是否与经过第二标注操作的该训练数据组对应的因变量参数相匹配可以为判断第一预测输出结果是否与经过第二标注操作的该训练数据组对应的因变量参数相同。
可见,实施该可选的实施例能够根据蒙地卡罗方法及所有目标类型的影响因子中每个影响因子对应的取值范围生成多个自变量训练组,分别将每个自变量训练组代入热舒适方程式,得到每个自变量训练组对应的因变量参数,分别将每个自变量训练组及其对应的因变量参数确定为一个训练数据组,并对训练数据组中所包括的数据组及因变量参数执行标注操作,以生成多个自变量训练数据组,能够有利于提高生成训练数据组的准确性,进而能够有利于提高得到目标预测舒适模型的准确性。
在又一个可选的实施例中,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型之后,该方法还包括:
采集目标场景对应的第一参数集合,第一参数集合包括第一类型的参数集合和/或第二类型的参数集合,第一类型的参数集合包括目标场景的环境参数,第二类型的参数集合包括目标场景中目标用户对应的用户参数,或者,第二类型的参数集合包括目标场景中目标用户对应的用户参数以及根据采集到的目标用户的多模态信息分析出的辅助参数;目标场景为需要针对该目标场景中的用户进行舒适度调整的任一场景,目标用户为目标场景中需要进行舒适度调整的任一用户;
将第一参数集合输入至预先确定出的目标预测舒适模型,得到目标预测舒适模型的第一输出结果,第一输出结果用于表示目标用户在目标场景下的最优舒适参数;
将第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到目标策略模型的第二输出结果;
根据第二输出结果执行针对目标场景中的目标智能设备的控制操作,或者,将第二输出结果确定为目标场景中的目标智能设备的控制参考依据,目标智能设备与最优舒适参数的参数类型相匹配。
在该可选的实施例中,第一类型的参数集合包括目标场景的环境参数。可选的,目标场景的环境参数可以包括目标场景的温度、目标场景的湿度、目标场景的灯光强度、目标场景的色温、目标场景的空气质量、目标场景的风速中的一种或多种。进一步可选的,目标场景的环境参数还可以包括目标场景中所包括的用户的人数。
在该可选的实施例中,第二类型的参数集合包括目标场景中目标用户对应的用户参数,或者,第二类型的参数集合包括目标场景中目标用户对应的用户参数以及根据采集到的目标用户的多模态信息分析出的辅助参数。可选的,目标用户对应的用户参数可以包括目标用户的性别、目标用户的年龄、目标用户的身高、目标用户的体重、目标用户的BMI、目标用户的皮肤温度、目标用户的代谢率、目标用户的心率中的一种或多种。可选的,目标用户的多模态信息分析出的辅助参数可以包括目标用户的手势、目标用户的姿势、目标用户的语音信息、目标用户的动作频率中的一种或多种。
在该可选的实施例中,可选的,将第一参数集合输入至预先确定出的目标预测舒适模型,得到目标预测舒适模型的第一输出结果,第一输出结果用于表示目标用户在目标场景下的最优舒适参数可以为图5。图5为本发明实施例公开的基于舒适模型得到舒适参数的实现原理示意图。如图5所示,将第一参数集合中所包括的所有参数作为目标预测舒适模型的输入层向量,针对目标预测舒适模型中每个输入层向量,将该输入层向量作为目标预测舒适模型中的中间层的输入向量,并对该中间层的输入向量作非线性处理,得到该中间层的输出向量,并将该中间层的输出向量作为目标预测舒适模型中的输出层的输出向量,汇总该目标预测舒适模型的每个输出层的输出向量,得到最舒适温度值。
在该可选的实施例中,可选的,第一输出结果可以包括目标用户在目标场景下的最优温度、目标用户在目标场景下的最优湿度、目标用户在目标场景下的最优风速中的一种或多种。
在该可选的实施例中,可选的,第二参数集合可以包括第一参数集合,或者,第二参数集合可以包括第一参数集合和当前环境参数集合。进一步可选的,当前环境参数集合可以包括当前环境温度、当前环境湿度、当前环境风速中的一种或多种。
在该可选的实施例中,可选的,第一输出结果可以为目标舒适温度,第二参数集合可以为当前环境参数。其中,将第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到目标策略模型的第二输出结果可以为图6。图6为本发明实施例公开的基于策略模型对智能设备控制的实现原理示意图。如图6所示,将当前环境参数和目标舒适温度作为预先确定出的目标策略模型的输入层向量,针对目标策略模型中每个输入层向量,将该输入层向量作为目标策略模型的中间层的输入向量,并对该中间层的输入向量作非线性处理,得到该中间层的输出向量,并将该中间层的输出向量作为目标策略模型中的输出层的输出向量,汇总该目标策略模型的每个输出层的输出向量,得到第二输出结果,其中,第二输出结果可以包括出风温度、出风风速、风向中的一种或多种对应的针对智能设备的控制策略。
在该可选的实施例中,可选的,如图7所示,图7为本发明实施例公开的基于舒适模型及策略模型对智能设备控制的实现原理示意图。将用户类别、当前季节、环境相对湿度、用户代谢率、当前风速、当前用户的服装阻值、当前用户的用户反馈中的一种或多种输入至目标预测舒适模型中,得到目标预测舒适模型的输出结果,其中,目标预测舒适模型的输出结果可以包括舒适出风温度和/或舒适出风风速,将目标预测舒适模型的输出结果输入至目标策略模型中,得到目标策略模型的输出结果,根据目标策略模型的输出结果生成对智能设备的控制指令,以使智能设备执行与控制指令相匹配的操作,并且采集由智能设备执行与控制指令相匹配的操作所产生的新环境参数以及新用户参数,并根据新环境参数和/或新用户参数对智能设备的控制指令进行调整。其中,用户类别可以包括老人类别、小孩类别、女性类别、男性类别中的一种或多种,用户类别可以是根据采集到的用户信息分析得到的,也可以是通过接收用户的语音信息分析得到的;当前季节可以包括冬天或夏天,当前季节可以是通过城市天气预报得到的,也可以是根据当前日期分析得到的;环境相对湿度可以是通过预先设置的空调湿度传感器采集得到的;用户代谢率可以是通过雷达传感器检测用户的体动幅度得到的,也可以是通过用户在当前场景下的方位得到的,还可以是通过用户的状态分析得到的,用户的状态可以包括斜倚状态、休闲状态、工作状态、劳作状态中的其中一种;当前风速可以为默认的,还可以是根据用户输出的指令进行调整的,进一步的,默认的风速可以为0.25m/s;当前用户的服装阻值可以包括夏天服装阻值或冬天服装阻值,其中,用户的服装阻值可以为默认值,进一步的,夏天服装阻值可以为0.45clo,冬天服装阻值可以为1.3clo;当前用户的用户反馈可以包括用户的皮肤温度、用户的姿势、用户的语音信息中的一种或多种;用户与智能设备之间的距离可以是通过雷达传感器检测得到的,用户当前的温度可以是通过红外温度传感器检测得到的。
可见,实施该可选的实施例能够将采集得到的目标场景对应的第一参数集合输入至目标预测舒适模型中,得到目标预测舒适模型的第一输出结果,并将第一输出结果及第二参数集合输入至预先确定出的目标策略模型,得到目标策略模型的第二输出结果,根据第二输出结果执行针对目标场景中的目标智能设备的控制操作,或者将第二输出结果确定为目标场景中的目标智能设备的控制参考依据,能够有利于提高对目标场景中的目标智能设备进行控制的精准性,以及能够有利于提高控制目标智能设备的智能性,进而能够有利于提高用户使用目标智能设备的体验感。
实施例三
请参阅图8,图8是本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建装置的结构示意图。如图8所示,该应用于智能设备控制的环境舒适模型自动构建装置可以包括:
获取模块401,用于获取不同环境舒适实验场景下的多个实验数据组,其中,每个实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值。
拟合模块402,用于对所有实验数据组执行数据拟合操作,得到数据拟合结果。
生成模块403,用于根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组。
训练模块404,用于根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型;训练样本至少包括所有训练数据组;其中,目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
本发明实施例中,可选的,训练样本可以包括实验数据组。
可见,实施图8所描述的装置能够获取不同环境舒适实验场景下的多个实验数据组,对所有实验数据组执行数据拟合操作,得到数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型,能够通过基于自动构建得到的基于智能设备控制的环境舒适模型,能够有利于提高预测出不同用户在不同环境下的舒适情况的准确性,以及能够有利于根据预测出的不同用户在不同环境下的舒适情况以提高控制智能设备运行的准确性。
在一个可选的实施例中,拟合模块402对所有实验数据组执行数据拟合操作,得到数据拟合结果的方式具体为:
从所有实验数据组中清除异常实验数据组,得到用于进行数据拟合的多个目标实验数据组;
以所有影响因子为自变量且以舒适参数为因变量,基于所有目标实验数据组构建热舒适方程式,作为数据拟合结果。
可见,实施图8所描述的装置能够获取不同环境舒适实验场景下的多个实验数据组,从所有实验数据组中清除异常数据组,得到用于进行数据拟合的多个目标实验数据组,以所有影响因子为自变量且以舒适参数为因变量,基于所有目标实验数据组构建热舒适方程式并作为数据拟合结果,根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组,根据确定出的训练样本对预测舒适模型进行训练,得到目标预测舒适模型,能够将异常数据组清除后再构建热舒适方程式作为数据拟合结果,能够有利于提高得到数据拟合结果的准确性,从而能够有利于提高对预测舒适模型进行训练的准确性,进而能够有利于提高得到目标预测舒适模型的准确性。
在另一个可选的实施例中,如图9所示,该装置还包括:
判断模块405,用于在拟合模块402对所有实验数据组执行数据拟合操作,得到数据拟合结果之后,以及在生成模块403根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组之前,判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项;自变量项为包括至少一个自变量的项;当判断出热舒适方程式的所有自变量项中不存在目标自变量项时,触发生成模块403执行的根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
删除模块406,当判断模块405判断出热舒适方程式中存在至少一个目标自变量项时,对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式。
检测模块407,用于检测热舒适方程是否更新完毕,在检测到热舒适方程式更新完毕之后,触发生成模块403执行的根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
可见,实施图9所描述的装置能够通过判断热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的目标自变量项,若不存在,则执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,若存在,则对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式,并检测热舒适方程是否更新完毕,在检测到热舒适方程式更新完毕之后,执行根据数据拟合结果以及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,能够有利于保证热舒适方程式中所包括的所有自变量项的均满足对应的显著性条件,能够有利于提高生成多个训练组的准确性,进而能够有利于提高后续得到目标预测舒适模型的准确性。
在又一个可选的实施例中,如图9所示,该装置还包括:
确定模块408,用于在判断模块405判断出热舒适方程式中存在至少一个目标自变量项之后,以及在删除模块406对于每个目标自变量项,从热舒适方程式中删除该目标自变量项,以更新热舒适方程式之前,确定该目标自变量项的类型。
判断模块405,还用于当该目标自变量项的类型表示该目标自变量项包括单一自变量时,判断该目标自变量项的阶数是否满足预先设定的阶数条件;当判断模块405判断出该目标自变量项的阶数不满足阶数条件时,触发删除模块406执行的从热舒适方程式中删除该目标自变量项,以更新热舒适方程式的操作。
判断模块405,还用于当判断出该目标自变量项的阶数满足阶数条件时,判断该目标自变量项对应的所有高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项;当判断出该目标自变量项对应的所有高阶自变量项不存在满足对应的显著性条件的高阶自变量项时,触发删除模块406执行的从热舒适方程式中删除该目标自变量项,以更新热舒适方程式的操作;其中,对于该目标自变量项对应的任一高阶自变量项,其变量类型与该目标自变量项的变量类型相同,其包括的单一自变量与该目标自变量项包括的单一自变量相同,且其对应的自变量阶数高于该目标自变量项对应的自变量阶数。
保留模块409,用于当判断模块405判断出该目标自变量项对应的高阶自变量项中存在满足对应的显著性条件的至少一个高阶自变量项时,则保留该目标自变量项。
可见,实施图9所描述的装置能够确定目标自变量项的类型且当该目标自变量的类型包括单一自变量时,判断该目标自变量项的阶数是否满足阶数条件,若不满足则删除该目标自变量项以更新热舒适方程式,若满足则判断该目标自变量项对应的高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项,若不存在满足对应的显著性条件的至少一个高阶自变量时,删除该目标自变量项以更新热舒适方程式,能够根据目标自变量项的类型以及阶数确定是否删除该目标自变量项,进而对热舒适方程式进行更新,有利于提高删除目标自变量项的准确性,从而有利于提高对热舒适方程式进行更新的准确性,进而有利于提高生成训练数据组以及得到目标预测舒适模型的准确性。
在又一个可选的实施例中,如图9所示,判断模块405,还用于在检测模块407检测到热舒适方程式更新完毕之后,以及在生成模块403根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组之前,判断数据拟合结果是否满足预先设定的优度条件;当判断出数据拟合结果满足预先设定的优度条件时,触发生成模块403执行的根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
可见,实施图9所描述的装置能够通过判断数据拟合结果是否满足预先设定的优度条件,当判断出数据拟合结果满足预先设定的优度条件时才执行根据数据拟合结果及每个目标类型的影响因子对应的取值范围生成多个训练数据组的操作,能够检测数据拟合结果的优度,能够有利于提高得到数据拟合结果的准确性及优度,从而有利于提高生成训练数据组的准确性,进而有利于提高得到目标预测舒适模型的准确性。
在又一个可选的实施例中,如图9所示,生成模块403根据数据拟合结果以及每个目标类型的影响因子对应的取值范围,生成多个训练数据组的方式具体为:
根据蒙地卡罗方法以及所有目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组,自变量训练组包括每个目标类型的影响因子分别对应的一个训练值,每个目标类型的影响因子对应的训练值是根据蒙地卡罗方法从该目标类型的影响因子对应的取值范围中生成的;
分别将每个自变量训练组代入热舒适方程式,得到每个自变量训练组对应的因变量参数;
分别将每个自变量训练组及其对应的因变量参数确定为一个训练数据组,并对每个训练数据组中每个训练值执行第一标注操作以及对每个训练数据组对应的因变量参数执行第二标注操作,以生成多个自变量训练数据组。
可见,实施图9所描述的装置能够根据蒙地卡罗方法及所有目标类型的影响因子中每个影响因子对应的取值范围生成多个自变量训练组,分别将每个自变量训练组代入热舒适方程式,得到每个自变量训练组对应的因变量参数,分别将每个自变量训练组及其对应的因变量参数确定为一个训练数据组,并对训练数据组中所包括的数据组及因变量参数执行标注操作,以生成多个自变量训练数据组,能够有利于提高生成训练数据组的准确性,进而能够有利于提高得到目标预测舒适模型的准确性。
在又一个可选的实施例中,如图9所示,该装置还包括:
采集模块410,用于在训练模块404根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型之后,采集目标场景对应的第一参数集合,第一参数集合包括第一类型的参数集合和/或第二类型的参数集合,第一类型的参数集合包括目标场景的环境参数,第二类型的参数集合包括目标场景中目标用户对应的用户参数,或者,第二类型的参数集合包括目标场景中目标用户对应的用户参数以及根据采集到的目标用户的多模态信息分析出的辅助参数;目标场景为需要针对该目标场景中的用户进行舒适度调整的任一场景,目标用户为目标场景中需要进行舒适度调整的任一用户;
输入模块411,用于将第一参数集合输入至预先确定出的目标预测舒适模型,得到目标预测舒适模型的第一输出结果,第一输出结果用于表示目标用户在目标场景下的最优舒适参数;
输入模块411,还用于将第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到目标策略模型的第二输出结果;
控制模块412,用于根据第二输出结果执行针对目标场景中的目标智能设备的控制操作,或者,将第二输出结果确定为目标场景中的目标智能设备的控制参考依据,目标智能设备与最优舒适参数的参数类型相匹配。
可见,实施图9所描述的装置能够将采集得到的目标场景对应的第一参数集合输入至目标预测舒适模型中,得到目标预测舒适模型的第一输出结果,并将第一输出结果及第二参数集合输入至预先确定出的目标策略模型,得到目标策略模型的第二输出结果,根据第二输出结果执行针对目标场景中的目标智能设备的控制操作,或者将第二输出结果确定为目标场景中的目标智能设备的控制参考依据,能够有利于提高对目标场景中的目标智能设备进行控制的精准性,以及能够有利于提高控制目标智能设备的智能性,进而能够有利于提高用户使用目标智能设备的体验感。
实施例四
请参阅图10,图10是本发明实施例公开的又一种应用于智能设备控制的环境舒适模型自动构建装置的结构示意图。如图10所示,该应用于智能设备控制的环境舒适模型自动构建装置可以包括:
存储有可执行程序代码的存储器501;
与存储器501耦合的处理器502;
处理器502调用存储器501中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的应用于智能设备控制的环境舒适模型自动构建方法中的步骤。
实施例五
本发明实施例公开了一种计算机可存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的应用于智能设备控制的环境舒适模型自动构建方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的应用于智能设备控制的环境舒适模型自动构建中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种应用于智能设备控制的环境舒适模型自动构建方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,所述方法包括:
获取不同环境舒适实验场景下的多个实验数据组,其中,每个所述实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值;
对所有所述实验数据组执行数据拟合操作,得到数据拟合结果;
根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组;
根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型;所述训练样本至少包括所有所述训练数据组;
其中,所述目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
2.根据权利要求1所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,所述对所有所述实验数据组执行数据拟合操作,得到数据拟合结果,包括:
从所有所述实验数据组中清除异常实验数据组,得到用于进行数据拟合的多个目标实验数据组;
以所有所述影响因子为自变量且以舒适参数为因变量,基于所有所述目标实验数据组构建热舒适方程式,作为数据拟合结果。
3.根据权利要求2所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,所述对所有所述实验数据组执行数据拟合操作,得到数据拟合结果之后,所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,所述方法还包括:
判断所述热舒适方程式的所有自变量项中是否存在不满足对应的显著性条件的至少一个目标自变量项;所述自变量项为包括至少一个自变量的项;
当判断出所述热舒适方程式的所有自变量项中不存在所述目标自变量项时,触发执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作;
当判断出所述热舒适方程式中存在至少一个所述目标自变量项时,对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式;检测所述热舒适方程是否更新完毕,在检测到所述热舒适方程式更新完毕之后,触发执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
4.根据权利要求3所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,当判断出所述热舒适方程式中存在至少一个所述目标自变量项时,所述对于每个所述目标自变量项,从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式之前,所述方法还包括:
确定该目标自变量项的类型,当该目标自变量项的类型表示该目标自变量项包括单一自变量时,判断该目标自变量项的阶数是否满足预先设定的阶数条件,当判断出该目标自变量项的阶数不满足所述阶数条件时,触发执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;
当判断出该目标自变量项的阶数满足所述阶数条件时,判断该目标自变量项对应的所有高阶自变量项中是否存在满足对应的显著性条件的至少一个高阶自变量项,当判断出该目标自变量项对应的所有高阶自变量项存在满足对应的显著性条件的至少一个高阶自变量项时,则保留该目标自变量项;当判断出该目标自变量项对应的所有高阶自变量项不存在满足对应的显著性条件的高阶自变量项时,触发执行所述的从所述热舒适方程式中删除该目标自变量项,以更新所述热舒适方程式的操作;
其中,对于该目标自变量项对应的任一高阶自变量项,其变量类型与该目标自变量项的变量类型相同,其包括的单一自变量与该目标自变量项包括的单一自变量相同,且其对应的自变量阶数高于该目标自变量项对应的自变量阶数。
5.根据权利要求3或4所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,在所述检测到所述热舒适方程式更新完毕之后,以及在所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组之前,所述方法还包括:
判断所述数据拟合结果是否满足预先设定的优度条件;
当判断出所述数据拟合结果满足预先设定的所述优度条件时,执行所述的根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组的操作。
6.根据权利要求5所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,所述根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组,包括:
根据蒙地卡罗方法以及所有所述目标类型的影响因子中每个影响因子对应的取值范围,生成多个自变量训练组,所述自变量训练组包括每个所述目标类型的影响因子分别对应的一个训练值,每个所述目标类型的影响因子对应的训练值是根据所述蒙地卡罗方法从该目标类型的影响因子对应的取值范围中生成的;
分别将每个所述自变量训练组代入所述热舒适方程式,得到每个所述自变量训练组对应的因变量参数;
分别将每个所述自变量训练组及其对应的因变量参数确定为一个训练数据组,并对每个所述训练数据组中每个训练值执行第一标注操作以及对每个所述训练数据组对应的因变量参数执行第二标注操作,以生成多个自变量训练数据组。
7.根据权利要求1-6任一项所述的应用于智能设备控制的环境舒适模型自动构建方法,其特征在于,所述根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型之后,所述方法还包括:
采集目标场景对应的第一参数集合,所述第一参数集合包括第一类型的参数集合和/或第二类型的参数集合,所述第一类型的参数集合包括所述目标场景的环境参数,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数,或者,所述第二类型的参数集合包括所述目标场景中目标用户对应的用户参数以及根据采集到的所述目标用户的多模态信息分析出的辅助参数;所述目标场景为需要针对该目标场景中的用户进行舒适度调整的任一场景,所述目标用户为所述目标场景中需要进行舒适度调整的任一用户;
将所述第一参数集合输入至预先确定出的所述目标预测舒适模型,得到所述目标预测舒适模型的第一输出结果,所述第一输出结果用于表示所述目标用户在所述目标场景下的最优舒适参数;
将所述第一输出结果以及第二参数集合输入至预先确定出的目标策略模型,得到所述目标策略模型的第二输出结果;
根据所述第二输出结果执行针对所述目标场景中的目标智能设备的控制操作,或者,将所述第二输出结果确定为所述目标场景中的目标智能设备的控制参考依据,所述目标智能设备与所述最优舒适参数的参数类型相匹配。
8.应用于智能设备控制的环境舒适模型自动构建装置,其特征在于,所述装置包括:
获取模块,用于获取不同环境舒适实验场景下的多个实验数据组,其中,每个所述实验数据组包括该实验数据组对应的舒适参数及该舒适参数对应的、不同目标类型的多个影响因子对应的取值;
拟合模块,用于对所有所述实验数据组执行数据拟合操作,得到数据拟合结果;
生成模块,用于根据所述数据拟合结果以及每个所述目标类型的影响因子对应的取值范围,生成多个训练数据组;
训练模块,用于根据确定出的训练样本对预先确定出的预测舒适模型执行训练操作,得到目标预测舒适模型;所述训练样本至少包括所有所述训练数据组;其中,所述目标预测舒适模型用于预测不同用户在不同场景下对应的舒适参数。
9.应用于智能设备控制的环境舒适模型自动构建装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的应用于智能设备控制的环境舒适模型自动构建方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的应用于智能设备控制的环境舒适模型自动构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367186.9A CN116931419A (zh) | 2022-04-08 | 2022-04-08 | 应用于智能设备控制的环境舒适模型自动构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367186.9A CN116931419A (zh) | 2022-04-08 | 2022-04-08 | 应用于智能设备控制的环境舒适模型自动构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116931419A true CN116931419A (zh) | 2023-10-24 |
Family
ID=88393084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367186.9A Pending CN116931419A (zh) | 2022-04-08 | 2022-04-08 | 应用于智能设备控制的环境舒适模型自动构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116931419A (zh) |
-
2022
- 2022-04-08 CN CN202210367186.9A patent/CN116931419A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107773214B (zh) | 一种最佳唤醒策略的方法、计算机可读介质和系统 | |
Song et al. | Human comfort in indoor environment: a review on assessment criteria, data collection and data analysis methods | |
JP2021508118A (ja) | 動作を制御するシステム及び方法 | |
CN110007613B (zh) | 用于储热式电暖器的用暖预测方法、系统及存储介质 | |
KR20200084380A (ko) | 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 | |
CN112037410B (zh) | 一种智能门禁的控制方法和系统 | |
KR20210078258A (ko) | 공기 조화기 및 공기 조화기를 제어하기 위한 방법 | |
CN111161883A (zh) | 基于变分自编码器的疾病预测系统及其电子设备 | |
CN116679577A (zh) | 智能家庭感知和控制终端 | |
CN109373499B (zh) | 空调控制方法及装置 | |
CN113449260A (zh) | 广告点击率预测方法、模型的训练方法、装置和存储介质 | |
Han et al. | Prediction of human thermal comfort preference based on supervised learning | |
CN116843388B (zh) | 一种广告投放分析方法及系统 | |
CN117031971B (zh) | 基于智能镜的智能家具设备调节方法、装置、设备及介质 | |
KR20210049769A (ko) | 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
CN116931419A (zh) | 应用于智能设备控制的环境舒适模型自动构建方法及装置 | |
Zhou et al. | A model-driven learning approach for predicting the personalized dynamic thermal comfort in ordinary office environment | |
Tegelund et al. | A task-oriented service personalization scheme for smart environments using reinforcement learning | |
Chen et al. | Preference model assisted activity recognition learning in a smart home environment | |
Lughofer et al. | Top–down sparse fuzzy regression modeling from data with improved coverage | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN116931440A (zh) | 基于策略模型的智能设备控制方法及装置 | |
CN115309255A (zh) | 区域环境状态的输出控制方法及装置 | |
Aparicio-Ruiz et al. | Predicting the clothing insulation through machine learning algorithms: A comparative analysis and a practical approach |
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 |