CN117393140A - 基于历史数据的智能指环控制方法及装置 - Google Patents
基于历史数据的智能指环控制方法及装置 Download PDFInfo
- Publication number
- CN117393140A CN117393140A CN202311676299.8A CN202311676299A CN117393140A CN 117393140 A CN117393140 A CN 117393140A CN 202311676299 A CN202311676299 A CN 202311676299A CN 117393140 A CN117393140 A CN 117393140A
- Authority
- CN
- China
- Prior art keywords
- data
- ring
- health
- historical
- battery
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000036541 health Effects 0.000 claims abstract description 286
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 78
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005265 energy consumption Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史数据的智能指环控制方法及装置，该方法包括：获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；根据所述数学关系模型，以及操作数据和电池数据，确定目标指环设备的设备健康情况；根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数；所述工作参数用于控制所述目标指环设备的工作以减缓其健康情况的衰退速度。可见，本发明能够有效结合历史数据的分析来提高对指环设备的监测效果，提高对指环设备进行控制的智能化程度。
Description
技术领域
本发明涉及智能可穿戴设备技术领域，尤其涉及一种基于历史数据的智能指环控制方法及装置。
背景技术
智能指环设备是新一代的可穿戴设备，其体积较小，不会显眼，具备装饰作用的同时也便于携带，且可以搭配多种监测部件实现对佩戴者的多种生理指标的监测。
但现有技术在实现对智能指环的控制时，一般没有考虑到对大量用户佩戴智能指环的历史收集数据进行分析建模以实现对指环的控制策略的确定。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于历史数据的智能指环控制方法及装置，能够有效结合历史数据的分析来提高对指环设备的监测效果，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
为了解决上述技术问题，本发明第一方面公开了一种基于历史数据的智能指环控制方法，所述方法包括：
获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；
根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；
对于目标指环设备，获取所述目标指环设备的操作数据和电池数据，根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况；
根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数；所述工作参数用于控制所述目标指环设备的工作以减缓其健康情况的衰退速度。
作为一个可选的实施方式，在本发明第一方面中，所述历史指环操作数据和所述操作数据均包括指环唤醒时间、指环保持唤醒时间、指环取下操作、指环佩戴操作、指环佩戴时固定放置操作、指环非佩戴时固定放置操作、指环佩戴时移动操作和指环非佩戴时移动携带操作中的至少一种；和/或，所述历史指环电池数据和所述电池数据均包括电池健康数据、电量变化数据和电池容量变化数据中的至少一种；和/或，所述历史指环健康数据和所述设备健康情况均包括指环使用寿命、指环外观磨损程度和指环部件失效情况中的至少一种。
作为一个可选的实施方式，在本发明第一方面中，所述数学关系模型包括用于根据操作数据预测电池数据的第一数学关系模型、用于根据电池数据预测健康情况的第二数学关系模型和用于根据操作数据预测健康情况的第三数学关系模型。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型，包括：
将所述历史指环操作数据中的每一操作数据以及所述历史指环电池数据中与每一所述操作数据的时间段相对应的电池数据，确定为第一训练数据集；
将每一所述电池数据和所述历史指环健康数据中与每一所述电池数据的时间段相对应的健康数据，确定为第二训练数据集；
将每一所述操作数据和所述历史指环健康数据中与每一所述操作数据的时间段相对应的健康数据，确定为第三训练数据集；
根据所述第一训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测电池数据的第一数学关系模型；
根据所述第二训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的电池数据预测健康情况的第二数学关系模型；
根据所述第三训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测健康情况的第三数学关系模型；所述时间段为以对应的指环设备的初次开始使用时间为起点，以预设的时间周期作为分段标准得到的。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况，包括：
确定当前时间点对应的当前时间段；
将所述当前时间段和所述操作数据输入至所述第一数学关系模型，以得到所述目标指环设备对应的预测电池数据；
将所述当前时间段和所述电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第一健康情况；
将所述当前时间段和所述预测电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第二健康情况；
将所述当前时间段和所述操作数据输入至所述第三数学关系模型，以得到所述目标指环设备对应的第三健康情况；
根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况包括：
计算所述第一健康情况、所述第二健康情况和所述第三健康情况的加权求和平均值，得到所述目标指环设备的设备健康情况；其中，所述第二健康情况的权重小于所述第一健康情况和所述第三健康情况的权重，所述第一健康情况的权重与所述第二训练数据集的数据量大小以及所述第二数学关系模型在验证阶段的预测准确率成正比；所述第三健康情况的权重与所述第三训练数据集的数据量大小以及所述第三数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述第一训练数据集的数据量大小以及所述第一数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述预测电池数据和所述电池数据之间的数据差异度成反比。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数，包括：
判断所述设备健康情况是否小于预设的健康阈值，得到第一判断结果；
当所述第一判断结果为否时，不改变所述目标指环设备的当前工作参数；
当所述第一判断结果为是时，计算所述设备健康情况和所述健康阈值之间的健康差值；
根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数，包括：
获取所述目标指环设备的设备类型对应的电量模拟数据模型；
将所述操作数据和所述当前电量数据输入至所述电量模拟数据模型，得到输出的预测电量下降速度；
计算与所述预测电量下降速度成反比的第一权重和第二权重；
计算与所述健康差值成反比的第三权重和第四权重；
计算预设的标准功率与所述第一权重和所述第三权重的乘积，得到所述目标指环设备对应的工作功率；
计算预设的标准部件工作数量与所述第二权重和所述第四权重的乘积，得到所述目标指环设备对应的工作部件数量；所述工作部件数量用于指示所述目标指环设备中保持工作的部件数量。
本发明第二方面公开了一种基于历史数据的智能指环控制装置，所述装置包括：
获取模块，用于获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；
分析模块，用于根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；
第一确定模块，用于对于目标指环设备，获取所述目标指环设备的操作数据和电池数据，根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况；
第二确定模块，用于根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数；所述工作参数用于控制所述目标指环设备的工作以减缓其健康情况的衰退速度。
作为一个可选的实施方式，在本发明第二方面中，所述历史指环操作数据和所述操作数据均包括指环唤醒时间、指环保持唤醒时间、指环取下操作、指环佩戴操作、指环佩戴时固定放置操作、指环非佩戴时固定放置操作、指环佩戴时移动操作和指环非佩戴时移动携带操作中的至少一种；和/或，所述历史指环电池数据和所述电池数据均包括电池健康数据、电量变化数据和电池容量变化数据中的至少一种；和/或，所述历史指环健康数据和所述设备健康情况均包括指环使用寿命、指环外观磨损程度和指环部件失效情况中的至少一种。
作为一个可选的实施方式，在本发明第二方面中，所述数学关系模型包括用于根据操作数据预测电池数据的第一数学关系模型、用于根据电池数据预测健康情况的第二数学关系模型和用于根据操作数据预测健康情况的第三数学关系模型。
作为一个可选的实施方式，在本发明第二方面中，所述分析模块根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型的具体方式，包括：
将所述历史指环操作数据中的每一操作数据以及所述历史指环电池数据中与每一所述操作数据的时间段相对应的电池数据，确定为第一训练数据集；
将每一所述电池数据和所述历史指环健康数据中与每一所述电池数据的时间段相对应的健康数据，确定为第二训练数据集；
将每一所述操作数据和所述历史指环健康数据中与每一所述操作数据的时间段相对应的健康数据，确定为第三训练数据集；
根据所述第一训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测电池数据的第一数学关系模型；
根据所述第二训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的电池数据预测健康情况的第二数学关系模型；
根据所述第三训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测健康情况的第三数学关系模型；所述时间段为以对应的指环设备的初次开始使用时间为起点，以预设的时间周期作为分段标准得到的。
作为一个可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况的具体方式，包括：
确定当前时间点对应的当前时间段；
将所述当前时间段和所述操作数据输入至所述第一数学关系模型，以得到所述目标指环设备对应的预测电池数据；
将所述当前时间段和所述电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第一健康情况；
将所述当前时间段和所述预测电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第二健康情况；
将所述当前时间段和所述操作数据输入至所述第三数学关系模型，以得到所述目标指环设备对应的第三健康情况；
根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况。
作为一个可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况包括：
计算所述第一健康情况、所述第二健康情况和所述第三健康情况的加权求和平均值，得到所述目标指环设备的设备健康情况；其中，所述第二健康情况的权重小于所述第一健康情况和所述第三健康情况的权重，所述第一健康情况的权重与所述第二训练数据集的数据量大小以及所述第二数学关系模型在验证阶段的预测准确率成正比；所述第三健康情况的权重与所述第三训练数据集的数据量大小以及所述第三数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述第一训练数据集的数据量大小以及所述第一数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述预测电池数据和所述电池数据之间的数据差异度成反比。
作为一个可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数的具体方式，包括：
判断所述设备健康情况是否小于预设的健康阈值，得到第一判断结果；
当所述第一判断结果为否时，不改变所述目标指环设备的当前工作参数；
当所述第一判断结果为是时，计算所述设备健康情况和所述健康阈值之间的健康差值；
根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数。
作为一个可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数的具体方式，包括：
获取所述目标指环设备的设备类型对应的电量模拟数据模型；
将所述操作数据和所述当前电量数据输入至所述电量模拟数据模型，得到输出的预测电量下降速度；
计算与所述预测电量下降速度成反比的第一权重和第二权重；
计算与所述健康差值成反比的第三权重和第四权重；
计算预设的标准功率与所述第一权重和所述第三权重的乘积，得到所述目标指环设备对应的工作功率；
计算预设的标准部件工作数量与所述第二权重和所述第四权重的乘积，得到所述目标指环设备对应的工作部件数量；所述工作部件数量用于指示所述目标指环设备中保持工作的部件数量。
本发明第三方面公开了另一种基于历史数据的智能指环控制装置，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基于历史数据的智能指环控制方法中的部分或全部步骤。
本发明第四方面公开了一种用于海关分货的便携式终端，包括图形码扫描装置和数据处理装置，其中，所述数据处理装置用于执行本发明第一方面公开的基于历史数据的智能指环控制方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
可见，本发明实施例能够充分根据指环的操作数据、电池数据和健康数据来建立可用于预测的数学关系模型，并根据目标指环的数据来确定其健康情况和进一步的工作参数，从而能够有效结合历史数据的分析来提高对指环设备的监测效果，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
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基于历史数据的智能指环控制方法的流程示意图。
图2是本发明实施例公开的一种基于历史数据的智能指环控制装置的结构示意图。
图3是本发明实施例公开的另一种基于历史数据的智能指环控制装置的结构示意图。
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“第二”、“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、产品或设备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、产品或设备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。
本发明公开了一种基于历史数据的智能指环控制方法及装置，能够充分根据指环的操作数据、电池数据和健康数据来建立可用于预测的数学关系模型，并根据目标指环的数据来确定其健康情况和进一步的工作参数，从而能够有效结合历史数据的分析来提高对指环设备的监测效果，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于历史数据的智能指环控制方法的流程示意图。其中，图1所描述的基于历史数据的智能指环控制方法应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图1所示，该基于历史数据的智能指环控制方法可以包括以下操作：
101、获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据。
102、根据历史指环操作数据、历史指环电池数据和历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型。
103、对于目标指环设备，获取目标指环设备的操作数据和电池数据，根据数学关系模型，以及操作数据和电池数据，确定目标指环设备的设备健康情况。
可选的，历史指环操作数据和操作数据均包括指环唤醒时间、指环保持唤醒时间、指环取下操作、指环佩戴操作、指环佩戴时固定放置操作、指环非佩戴时固定放置操作、指环佩戴时移动操作和指环非佩戴时移动携带操作中的至少一种。
可选的，历史指环电池数据和电池数据均包括电池健康数据、电量变化数据和电池容量变化数据中的至少一种。
可选的，历史指环健康数据和设备健康情况均包括指环使用寿命、指环外观磨损程度和指环部件失效情况中的至少一种。
104、根据设备健康情况和目标指环设备的当前电量数据，确定目标指环设备的工作参数。
具体的，工作参数用于控制目标指环设备的工作以减缓其健康情况的衰退速度。
可见，上述发明实施例能够充分根据指环的操作数据、电池数据和健康数据来建立可用于预测的数学关系模型，并根据目标指环的数据来确定其健康情况和进一步的工作参数，从而能够有效结合历史数据的分析来提高对指环设备的监测效果，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
作为一个可选的实施例，数学关系模型包括用于根据操作数据预测电池数据的第一数学关系模型、用于根据电池数据预测健康情况的第二数学关系模型和用于根据操作数据预测健康情况的第三数学关系模型。
上述设置的目的在于，通过包含三个分别预测不同数据的数学关系模型，能够在后续利用这三个模型有效对预测数据之间进行一定的校正，以提高预测结果的精确度。
作为一个可选的实施例，上述步骤中的，根据历史指环操作数据、历史指环电池数据和历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型，包括：
将历史指环操作数据中的每一操作数据以及历史指环电池数据中与每一操作数据的时间段相对应的电池数据，确定为第一训练数据集；
将每一电池数据和历史指环健康数据中与每一电池数据的时间段相对应的健康数据，确定为第二训练数据集；
将每一操作数据和历史指环健康数据中与每一操作数据的时间段相对应的健康数据，确定为第三训练数据集；
根据第一训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测电池数据的第一数学关系模型；
根据第二训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的电池数据预测健康情况的第二数学关系模型；
根据第三训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测健康情况的第三数学关系模型；时间段为以对应的指环设备的初次开始使用时间为起点，以预设的时间周期作为分段标准得到的。
具体的，本发明中的神经网络模型或数学关系模型，均可以为CNN结构、RNN结构或LTSM结构的神经网络模型，并通过梯度下降算法或相应的损失函数进行训练直至收敛，本发明不做限定。
通过上述实施例，能够实现对历史指环操作数据、历史指环电池数据和历史指环健康数据的不同组合以得到不同训练数据集，并分别训练得到三个数学关系模型，以便于提高后续模型预测的结果的精确度。
作为一个可选的实施例，上述步骤中的，根据数学关系模型，以及操作数据和电池数据，确定目标指环设备的设备健康情况，包括：
确定当前时间点对应的当前时间段；
将当前时间段和操作数据输入至第一数学关系模型，以得到目标指环设备对应的预测电池数据；
将当前时间段和电池数据输入至第二数学关系模型，以得到目标指环设备对应的第一健康情况；
将当前时间段和预测电池数据输入至第二数学关系模型，以得到目标指环设备对应的第二健康情况；
将当前时间段和操作数据输入至第三数学关系模型，以得到目标指环设备对应的第三健康情况；
根据第一健康情况、第二健康情况和第三健康情况，确定目标指环设备的设备健康情况。
通过上述实施例，能够实现通过三个数学关系模型预测得到第一健康情况、第二健康情况和第三健康情况，以此综合确定目标指环设备的设备健康情况，能够准确预测目标指环设备的健康情况，以在后续实现基于此确定其进一步的工作参数，提高对指环设备的监测效果和对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
作为一个可选的实施例，上述步骤中的，根据第一健康情况、第二健康情况和第三健康情况，确定目标指环设备的设备健康情况包括：
计算第一健康情况、第二健康情况和第三健康情况的加权求和平均值，得到目标指环设备的设备健康情况；其中，第二健康情况的权重小于第一健康情况和第三健康情况的权重，第一健康情况的权重与第二训练数据集的数据量大小以及第二数学关系模型在验证阶段的预测准确率成正比；第三健康情况的权重与第三训练数据集的数据量大小以及第三数学关系模型在验证阶段的预测准确率成正比；第二健康情况的权重与第一训练数据集的数据量大小以及第一数学关系模型在验证阶段的预测准确率成正比；第二健康情况的权重与预测电池数据和电池数据之间的数据差异度成反比。
通过上述实施例，能够实现通过加权计算和权重分配来综合根据第一健康情况、第二健康情况和第三健康情况确定目标指环设备的设备健康情况，能够准确预测目标指环设备的健康情况，以在后续实现基于此确定其进一步的工作参数，提高对指环设备的监测效果和对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
作为一个可选的实施例，上述步骤中的，根据设备健康情况和目标指环设备的当前电量数据，确定目标指环设备的工作参数，包括：
判断设备健康情况是否小于预设的健康阈值，得到第一判断结果；
当第一判断结果为否时，不改变目标指环设备的当前工作参数；
当第一判断结果为是时，计算设备健康情况和健康阈值之间的健康差值；
根据健康差值，和当前电量数据，确定目标指环设备的工作参数。
通过上述实施例，能够实现通过数值判断和差值计算来确定目标指环设备的工作参数，能够确定得到目标指环设备的更合理的工作参数，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
作为一个可选的实施例，上述步骤中的，根据健康差值，和当前电量数据，确定目标指环设备的工作参数，包括：
获取目标指环设备的设备类型对应的电量模拟数据模型；
将操作数据和当前电量数据输入至电量模拟数据模型，得到输出的预测电量下降速度；
计算与预测电量下降速度成反比的第一权重和第二权重；
计算与健康差值成反比的第三权重和第四权重；
计算预设的标准功率与第一权重和第三权重的乘积，得到目标指环设备对应的工作功率；
计算预设的标准部件工作数量与第二权重和第四权重的乘积，得到目标指环设备对应的工作部件数量；工作部件数量用于指示目标指环设备中保持工作的部件数量。
可选的，电量模拟数据模型可以通过对同一设备类型的指环设备的多个历史操作数据和历史电量变化数据进行分析和模拟以得到，其可以为具体数值的对应关系或是数学多项式关系模型，也可以为根据历史数据训练得到的神经网络预测模型。
具体的，确定出的工作部件数量能够用于指示目标指环设备对多出工作部件数量的多个工作部件进行关闭或调节，优选的，可以优先对耗能较高或工作重要性较低的工作部件进行关闭或调节，具体的规则可以由操作人员根据实验或经验来确定。
通过上述实施例，能够实现通过电量模拟数据模型和权重计算来确定目标指环设备的工作功率和工作部件数量，从而能够确定得到目标指环设备的更合理的工作参数，提高对指环设备进行控制的智能化程度，优化指环设备的工作耗能。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于历史数据的智能指环控制装置的结构示意图。其中，图2所描述的基于历史数据的智能指环控制装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图2所示，该基于历史数据的智能指环控制装置可以包括：
获取模块201，用于获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；
分析模块202，用于根据历史指环操作数据、历史指环电池数据和历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；
第一确定模块203，用于对于目标指环设备，获取目标指环设备的操作数据和电池数据，根据数学关系模型，以及操作数据和电池数据，确定目标指环设备的设备健康情况；
第二确定模块204，用于根据设备健康情况和目标指环设备的当前电量数据，确定目标指环设备的工作参数；工作参数用于控制目标指环设备的工作以减缓其健康情况的衰退速度。
作为一个可选的实施例，历史指环操作数据和操作数据均包括指环唤醒时间、指环保持唤醒时间、指环取下操作、指环佩戴操作、指环佩戴时固定放置操作、指环非佩戴时固定放置操作、指环佩戴时移动操作和指环非佩戴时移动携带操作中的至少一种；和/或，历史指环电池数据和电池数据均包括电池健康数据、电量变化数据和电池容量变化数据中的至少一种；和/或，历史指环健康数据和设备健康情况均包括指环使用寿命、指环外观磨损程度和指环部件失效情况中的至少一种。
作为一个可选的实施例，数学关系模型包括用于根据操作数据预测电池数据的第一数学关系模型、用于根据电池数据预测健康情况的第二数学关系模型和用于根据操作数据预测健康情况的第三数学关系模型。
作为一个可选的实施例，分析模块202根据历史指环操作数据、历史指环电池数据和历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型的具体方式，包括：
将历史指环操作数据中的每一操作数据以及历史指环电池数据中与每一操作数据的时间段相对应的电池数据，确定为第一训练数据集；
将每一电池数据和历史指环健康数据中与每一电池数据的时间段相对应的健康数据，确定为第二训练数据集；
将每一操作数据和历史指环健康数据中与每一操作数据的时间段相对应的健康数据，确定为第三训练数据集；
根据第一训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测电池数据的第一数学关系模型；
根据第二训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的电池数据预测健康情况的第二数学关系模型；
根据第三训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测健康情况的第三数学关系模型；时间段为以对应的指环设备的初次开始使用时间为起点，以预设的时间周期作为分段标准得到的。
作为一个可选的实施例，第一确定模块203根据数学关系模型，以及操作数据和电池数据，确定目标指环设备的设备健康情况的具体方式，包括：
确定当前时间点对应的当前时间段；
将当前时间段和操作数据输入至第一数学关系模型，以得到目标指环设备对应的预测电池数据；
将当前时间段和电池数据输入至第二数学关系模型，以得到目标指环设备对应的第一健康情况；
将当前时间段和预测电池数据输入至第二数学关系模型，以得到目标指环设备对应的第二健康情况；
将当前时间段和操作数据输入至第三数学关系模型，以得到目标指环设备对应的第三健康情况；
根据第一健康情况、第二健康情况和第三健康情况，确定目标指环设备的设备健康情况。
作为一个可选的实施例，第一确定模块203根据第一健康情况、第二健康情况和第三健康情况，确定目标指环设备的设备健康情况包括：
计算第一健康情况、第二健康情况和第三健康情况的加权求和平均值，得到目标指环设备的设备健康情况；其中，第二健康情况的权重小于第一健康情况和第三健康情况的权重，第一健康情况的权重与第二训练数据集的数据量大小以及第二数学关系模型在验证阶段的预测准确率成正比；第三健康情况的权重与第三训练数据集的数据量大小以及第三数学关系模型在验证阶段的预测准确率成正比；第二健康情况的权重与第一训练数据集的数据量大小以及第一数学关系模型在验证阶段的预测准确率成正比；第二健康情况的权重与预测电池数据和电池数据之间的数据差异度成反比。
作为一个可选的实施例，第二确定模块204根据设备健康情况和目标指环设备的当前电量数据，确定目标指环设备的工作参数的具体方式，包括：
判断设备健康情况是否小于预设的健康阈值，得到第一判断结果；
当第一判断结果为否时，不改变目标指环设备的当前工作参数；
当第一判断结果为是时，计算设备健康情况和健康阈值之间的健康差值；
根据健康差值，和当前电量数据，确定目标指环设备的工作参数。
作为一个可选的实施例，第二确定模块204根据健康差值，和当前电量数据，确定目标指环设备的工作参数的具体方式，包括：
获取目标指环设备的设备类型对应的电量模拟数据模型；
将操作数据和当前电量数据输入至电量模拟数据模型，得到输出的预测电量下降速度；
计算与预测电量下降速度成反比的第一权重和第二权重；
计算与健康差值成反比的第三权重和第四权重；
计算预设的标准功率与第一权重和第三权重的乘积，得到目标指环设备对应的工作功率；
计算预设的标准部件工作数量与第二权重和第四权重的乘积，得到目标指环设备对应的工作部件数量；工作部件数量用于指示目标指环设备中保持工作的部件数量。
上述模块或步骤的具体技术细节，可以参见实施例一中的对应部分的论述，本发明在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的又一种基于历史数据的智能指环控制装置。图3所描述的基于历史数据的智能指环控制装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图3所示，该基于历史数据的智能指环控制装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
其中，处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的基于历史数据的智能指环控制方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的基于历史数据的智能指环控制方法的步骤。
实施例五
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所描述的基于历史数据的智能指环控制方法的步骤。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后应说明的是：本发明实施例公开的一种基于历史数据的智能指环控制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)
1.一种基于历史数据的智能指环控制方法，其特征在于，所述方法包括：
获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；
根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；
对于目标指环设备，获取所述目标指环设备的操作数据和电池数据，根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况；
根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数；所述工作参数用于控制所述目标指环设备的工作以减缓其健康情况的衰退速度。
2.根据权利要求1所述的基于历史数据的智能指环控制方法，其特征在于，所述历史指环操作数据和所述操作数据均包括指环唤醒时间、指环保持唤醒时间、指环取下操作、指环佩戴操作、指环佩戴时固定放置操作、指环非佩戴时固定放置操作、指环佩戴时移动操作和指环非佩戴时移动携带操作中的至少一种；和/或，所述历史指环电池数据和所述电池数据均包括电池健康数据、电量变化数据和电池容量变化数据中的至少一种；和/或，所述历史指环健康数据和所述设备健康情况均包括指环使用寿命、指环外观磨损程度和指环部件失效情况中的至少一种。
3.根据权利要求1所述的基于历史数据的智能指环控制方法，其特征在于，所述数学关系模型包括用于根据操作数据预测电池数据的第一数学关系模型、用于根据电池数据预测健康情况的第二数学关系模型和用于根据操作数据预测健康情况的第三数学关系模型。
4.根据权利要求3所述的基于历史数据的智能指环控制方法，其特征在于，所述根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型，包括：
将所述历史指环操作数据中的每一操作数据以及所述历史指环电池数据中与每一所述操作数据的时间段相对应的电池数据，确定为第一训练数据集；
将每一所述电池数据和所述历史指环健康数据中与每一所述电池数据的时间段相对应的健康数据，确定为第二训练数据集；
将每一所述操作数据和所述历史指环健康数据中与每一所述操作数据的时间段相对应的健康数据，确定为第三训练数据集；
根据所述第一训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测电池数据的第一数学关系模型；
根据所述第二训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的电池数据预测健康情况的第二数学关系模型；
根据所述第三训练数据集，基于神经网络训练算法，训练得到用于根据特定时间段的操作数据预测健康情况的第三数学关系模型；所述时间段为以对应的指环设备的初次开始使用时间为起点，以预设的时间周期作为分段标准得到的。
5.根据权利要求4所述的基于历史数据的智能指环控制方法，其特征在于，所述根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况，包括：
确定当前时间点对应的当前时间段；
将所述当前时间段和所述操作数据输入至所述第一数学关系模型，以得到所述目标指环设备对应的预测电池数据；
将所述当前时间段和所述电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第一健康情况；
将所述当前时间段和所述预测电池数据输入至所述第二数学关系模型，以得到所述目标指环设备对应的第二健康情况；
将所述当前时间段和所述操作数据输入至所述第三数学关系模型，以得到所述目标指环设备对应的第三健康情况；
根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况。
6.根据权利要求5所述的基于历史数据的智能指环控制方法，其特征在于，所述根据所述第一健康情况、所述第二健康情况和所述第三健康情况，确定所述目标指环设备的设备健康情况包括：
计算所述第一健康情况、所述第二健康情况和所述第三健康情况的加权求和平均值，得到所述目标指环设备的设备健康情况；其中，所述第二健康情况的权重小于所述第一健康情况和所述第三健康情况的权重，所述第一健康情况的权重与所述第二训练数据集的数据量大小以及所述第二数学关系模型在验证阶段的预测准确率成正比；所述第三健康情况的权重与所述第三训练数据集的数据量大小以及所述第三数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述第一训练数据集的数据量大小以及所述第一数学关系模型在验证阶段的预测准确率成正比；所述第二健康情况的权重与所述预测电池数据和所述电池数据之间的数据差异度成反比。
7.根据权利要求5所述的基于历史数据的智能指环控制方法，其特征在于，所述根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数，包括：
判断所述设备健康情况是否小于预设的健康阈值，得到第一判断结果；
当所述第一判断结果为否时，不改变所述目标指环设备的当前工作参数；
当所述第一判断结果为是时，计算所述设备健康情况和所述健康阈值之间的健康差值；
根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数。
8.根据权利要求7所述的基于历史数据的智能指环控制方法，其特征在于，所述根据所述健康差值，和所述当前电量数据，确定所述目标指环设备的工作参数，包括：
获取所述目标指环设备的设备类型对应的电量模拟数据模型；
将所述操作数据和所述当前电量数据输入至所述电量模拟数据模型，得到输出的预测电量下降速度；
计算与所述预测电量下降速度成反比的第一权重和第二权重；
计算与所述健康差值成反比的第三权重和第四权重；
计算预设的标准功率与所述第一权重和所述第三权重的乘积，得到所述目标指环设备对应的工作功率；
计算预设的标准部件工作数量与所述第二权重和所述第四权重的乘积，得到所述目标指环设备对应的工作部件数量；所述工作部件数量用于指示所述目标指环设备中保持工作的部件数量。
9.一种基于历史数据的智能指环控制装置，其特征在于，所述装置包括：
获取模块，用于获取多个佩戴指环设备的用户的历史指环操作数据、历史指环电池数据和历史指环健康数据；
分析模块，用于根据所述历史指环操作数据、历史指环电池数据和所述历史指环健康数据，分析建立起操作和电池和健康情况的数学关系模型；
第一确定模块，用于对于目标指环设备，获取所述目标指环设备的操作数据和电池数据，根据所述数学关系模型，以及所述操作数据和电池数据，确定所述目标指环设备的设备健康情况；
第二确定模块，用于根据所述设备健康情况和所述目标指环设备的当前电量数据，确定所述目标指环设备的工作参数；所述工作参数用于控制所述目标指环设备的工作以减缓其健康情况的衰退速度。
10.一种基于历史数据的智能指环控制装置，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1-8任一项所述的基于历史数据的智能指环控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311676299.8A CN117393140B (zh) | 2023-12-08 | 2023-12-08 | 基于历史数据的智能指环控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311676299.8A CN117393140B (zh) | 2023-12-08 | 2023-12-08 | 基于历史数据的智能指环控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117393140A true CN117393140A (zh) | 2024-01-12 |
| CN117393140B CN117393140B (zh) | 2024-04-05 |
Family
ID=89441288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311676299.8A Active CN117393140B (zh) | 2023-12-08 | 2023-12-08 | 基于历史数据的智能指环控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117393140B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
| CN113180606A (zh) * | 2021-04-28 | 2021-07-30 | 青岛歌尔智能传感器有限公司 | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 |
| CN115219919A (zh) * | 2022-07-27 | 2022-10-21 | 浙江极氪智能科技有限公司 | 电池健康状态预测方法、装置、电子设备及可读存储介质 |
| CN115296361A (zh) * | 2022-07-15 | 2022-11-04 | 北京瑞祺皓迪技术股份有限公司 | 一种设备的电量阈值动态调整方法、装置、设备及介质 |
| CN115934179A (zh) * | 2022-09-26 | 2023-04-07 | 贝壳找房(北京)科技有限公司 | 业务功能控制方法及设备 |
| US20230196846A1 (en) * | 2021-12-17 | 2023-06-22 | Caterpillar Inc. | Machine and battery system prognostics |
| CN117129899A (zh) * | 2023-08-31 | 2023-11-28 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理系统及方法 |
-
2023
- 2023-12-08 CN CN202311676299.8A patent/CN117393140B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
| CN113180606A (zh) * | 2021-04-28 | 2021-07-30 | 青岛歌尔智能传感器有限公司 | 可穿戴设备的信号调整方法、可穿戴设备及可读存储介质 |
| US20230196846A1 (en) * | 2021-12-17 | 2023-06-22 | Caterpillar Inc. | Machine and battery system prognostics |
| WO2023114655A1 (en) * | 2021-12-17 | 2023-06-22 | Caterpillar Inc. | Machine and battery system prognostics |
| CN115296361A (zh) * | 2022-07-15 | 2022-11-04 | 北京瑞祺皓迪技术股份有限公司 | 一种设备的电量阈值动态调整方法、装置、设备及介质 |
| CN115219919A (zh) * | 2022-07-27 | 2022-10-21 | 浙江极氪智能科技有限公司 | 电池健康状态预测方法、装置、电子设备及可读存储介质 |
| CN115934179A (zh) * | 2022-09-26 | 2023-04-07 | 贝壳找房(北京)科技有限公司 | 业务功能控制方法及设备 |
| CN117129899A (zh) * | 2023-08-31 | 2023-11-28 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117393140B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
| CN116343314B (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
| CN116521380A (zh) | 一种资源自适应协同的模型训练加速方法、装置及设备 | |
| CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
| CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
| CN117393140B (zh) | 基于历史数据的智能指环控制方法及装置 | |
| CN117370034A (zh) | 一种算力调度系统评估方法、装置、存储介质及电子设备 | |
| Chantrapornchai et al. | Two machine learning models for mobile phone battery discharge rate prediction based on usage patterns | |
| CN113902356B (zh) | 区域流量数据分析方法及装置 | |
| CN117423445B (zh) | 基于用户集群感知的智能指环控制方法及装置 | |
| CN110020425A (zh) | 模型运营方法和装置 | |
| CN111241395B (zh) | 认证服务的推荐方法及装置 | |
| CN111753990B (zh) | 一种量子计算机模拟环境方法、设备及介质 | |
| CN116760871B (zh) | 基于多协议协同的智慧表务管理系统 | |
| CN115202606A (zh) | 一种音频信号控制方法及装置 | |
| CN116684499B (zh) | 一种基于多网协同的智能调音台 | |
| CN117406628B (zh) | 一种基于传感监测的实验室通风控制系统 | |
| CN116909238B (zh) | 基于数字孪生的智慧水厂综合管理系统 | |
| CN115952271B (zh) | 一种生成对话信息的方法、装置、存储介质及电子设备 | |
| CN116204387B (zh) | 一种芯片电流的预测方法、装置、介质及电子设备 | |
| CN116885851A (zh) | 一种储能电站监控方法及系统 | |
| CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
| CN116882278B (zh) | 一种想定仿真实验系统 | |
| CN116777010B (zh) | 一种模型训练的方法以及任务执行方法及装置 | |
| CN116379832A (zh) | 一种冷却塔智慧控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |