CN117556221B - 基于智能电气控制交互会话的数据分析方法及系统 - Google Patents
基于智能电气控制交互会话的数据分析方法及系统 Download PDFInfo
- Publication number
- CN117556221B CN117556221B CN202410030834.0A CN202410030834A CN117556221B CN 117556221 B CN117556221 B CN 117556221B CN 202410030834 A CN202410030834 A CN 202410030834A CN 117556221 B CN117556221 B CN 117556221B
- Authority
- CN
- China
- Prior art keywords
- session
- electrical control
- control interaction
- session event
- state transition
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 133
- 239000013598 vector Substances 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000011218 segmentation Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 9
- 238000004378 air conditioning Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本申请提供一种基于智能电气控制交互会话的数据分析方法及系统,通过对电气控制交互会话事件进行时间序列解析并整合成会话事件空间,不仅可以捕获智能电气控制的复杂交互过程,还可以在这些过程中识别出反馈控制和状态转移中的重要性权重,实现了对会话数据的精准拆分和主题化处理。这不仅提升了数据的可管理性,而且通过集成输出的电气控制主题数据,可以更精确地捕捉到控制习惯和偏好,从而促进智能电气控制的个性化服务。由此,通过全面分析电气控制交互会话,智能提炼关键信息,并将其转化为高显著性的会话主题数据,极大地提高了对电气控制交互行为的理解深度和响应准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于智能电气控制交互会话的数据分析方法及系统。
背景技术
智能电气控制系统在多个行业中得到了广泛的应用,包括但不限于工业自动化、能源管理、交通控制以及建筑自动化等领域。这些系统利用先进的传感器、执行器、通讯网络和控制逻辑,实现对电力设备的高效、安全和经济运行。
随着智能电气控制系统的功能会话过程日益复杂,如何从连续的交互会话中提取有效的会话主题数据信息成为了一个重要问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于智能电气控制交互会话的数据分析方法及系统。
依据本申请的第一方面,提供一种基于智能电气控制交互会话的数据分析方法,应用于云服务器系统,所述方法包括:
从智能电气控制交互会话中获取多个电气控制交互会话事件,并对各个所述电气控制交互会话事件进行控制信号时间序列解析,生成所述电气控制交互会话事件对应的控制信号时间序列;
基于所述电气控制交互会话事件对应的控制信号时间序列对各个所述电气控制交互会话事件进行整合,生成多个会话事件空间,所述会话事件空间的控制信号时间序列由整合成为所述会话事件空间的电气控制交互会话事件的控制信号时间序列确定;
对各个会话事件空间中的电气控制交互会话事件的控制信号时间序列进行编码得到电气控制动态响应向量,并基于所述电气控制动态响应向量确定所述会话事件空间的第一显著性参数值,所述第一显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在反馈控制过程的重要性权重;
对各个所述会话事件空间中的电气控制交互会话事件中的状态转移矩阵进行编码得到状态转移矩阵向量,并基于所述状态转移矩阵向量确定所述会话事件空间的第二显著性参数值,所述第二显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在状态转移矩阵方面的重要性权重;
对所述第一显著性参数值和所述第二显著性参数值进行融合,生成所述会话事件空间的显著性评价值;
基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据。
在第一方面的一种可能的实施方式中,所述基于所述电气控制交互会话事件对应的控制信号时间序列对各个所述电气控制交互会话事件进行整合,生成多个会话事件空间,包括:
当前后关联的两个电气控制交互会话事件均存在控制信号时间序列时,计算所述前后关联的两个电气控制交互会话事件的控制信号时间序列的特征匹配度,当所述特征匹配度大于设定匹配度时,将所述前后关联的两个电气控制交互会话事件整合为单位会话事件空间,所述单位会话事件空间的控制信号时间序列由所述前后关联的两个电气控制交互会话事件的控制信号时间序列确定;
当前后关联的两个单位会话事件空间的时序差小于第一设定时序差时,将所述前后关联的两个单位会话事件空间整合为一个候选会话事件空间;
当前后关联的两个候选会话事件空间的时序差小于第二设定时序差时,将所述前后关联的两个候选会话事件空间整合为一个会话事件空间。
在第一方面的一种可能的实施方式中,所述对各个会话事件空间中的电气控制交互会话事件的控制信号时间序列进行编码得到电气控制动态响应向量,并基于所述电气控制动态响应向量确定所述会话事件空间的第一显著性参数值,包括:
对各个所述会话事件空间中的各个候选会话事件空间的控制信号时间序列进行编码得到电气控制动态响应向量;
基于所述电气控制动态响应向量确定所述候选会话事件空间对应的显著性标签和标签概率值,所述标签概率值为所述候选会话事件空间是所述显著性标签的概率值;
基于所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间的标签概率值,确定所述会话事件空间的第一显著性参数值。
在第一方面的一种可能的实施方式中,所述基于所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间的标签概率值,确定所述会话事件空间的第一显著性参数值,包括:
将所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间输出为目标候选会话事件空间;
对所述会话事件空间中的各个所述目标候选会话事件空间的标签概率值进行均值计算,生成所述会话事件空间的第一显著性参数值。
在第一方面的一种可能的实施方式中,所述对各个所述会话事件空间中的电气控制交互会话事件中的状态转移矩阵进行编码得到状态转移矩阵向量,并基于所述状态转移矩阵向量确定所述会话事件空间的第二显著性参数值,包括:
对各个所述电气控制交互会话事件进行系统状态数据提取,生成所述电气控制交互会话事件对应的系统状态数据;
对所述系统状态数据进行编码得到所述电气控制交互会话事件对应的状态转移矩阵向量;
基于所述状态转移矩阵向量确定所述电气控制交互会话事件对应的状态转移标签和状态转移概率值,所述状态转移概率值为所述会话事件空间是所述状态转移标签的概率值;
基于所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件的状态转移概率值,确定所述会话事件空间的第二显著性参数值。
在第一方面的一种可能的实施方式中,所述基于所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件的状态转移概率值,确定所述会话事件空间的第二显著性参数值,包括:
将所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件输出为目标交互会话事件;
对所述会话事件空间中的各个所述目标交互会话事件的状态转移概率值进行均值计算,生成所述会话事件空间的第二显著性参数值。
在第一方面的一种可能的实施方式中,在所述基于所述状态转移矩阵向量确定所述电气控制交互会话事件对应的状态转移标签和状态转移概率值之后,所述方法还包括:
将与目标电气控制交互会话事件前后关联的第一目标数量个电气控制交互会话事件输出为所述目标电气控制交互会话事件的候选范围;
统计所述目标电气控制交互会话事件的候选范围中,各个状态转移标签所对应的电气控制交互会话事件的数量;
当所述候选范围中,对应于同一状态转移标签的电气控制交互会话事件的数量不小于第二目标数量时,将所述目标电气控制交互会话事件的状态转移标签更新为所述同一状态转移标签,所述第二目标数量小于所述第一目标数量。
在第一方面的一种可能的实施方式中,在所述基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据之后,所述方法还包括:
获取各个所述会话切分数据在所述智能电气控制交互会话中的触发节点和终止节点;
基于所述触发节点前向进行的第一设定会话节点区间提取所述智能电气控制交互会话的第一目标会话数据范围,并计算所述第一目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数;
当所述第一目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第一设定数值时,将该前后关联的电气控制会话事件中后一个的电气控制会话事件作为所述会话切分数据再次确定的触发节点,优化所述会话切分数据;
基于所述终止节点后向进行的第二设定会话节点区间提取所述智能电气控制交互会话的第二目标会话数据范围,并计算所述第二目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数;
当所述第二目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第二设定数值时,将该前后关联的电气控制会话事件中前一个的电气控制会话事件作为所述会话切分数据再次确定的终止节点,优化所述会话切分数据。
在第一方面的一种可能的实施方式中,在所述基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据之前,所述方法还包括:
生成各个所述会话事件空间基于显著性评价值的降序排列序列;
获取预置的目标会话持续参数,基于所述目标会话持续参数依据所述降序排列序列,从各个所述会话事件空间中获取至少一个会话事件空间,以使得基于所述会话事件空间所对应的会话阶段区间对所述智能电气控制交互会话进行切分的会话切分数据的全局会话持续参数,不大于所述目标会话持续参数;
将所述会话事件空间的显著性评价值中最小的显著性评价值,作为所述设定数值。
依据本申请的第二方面,提供一种云服务器系统,所述云服务器系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该云服务器系统实现前述的基于智能电气控制交互会话的数据分析方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的基于智能电气控制交互会话的数据分析方法。
本申请的有益效果为:
提供了一种从智能电气控制交互会话中有效提取和分析电气控制交互行为模式的技术方案,以生成显著性评价值高的会话事件空间,并据此进行会话切分数据的集成输出。通过对电气控制交互会话事件进行时间序列解析并整合成会话事件空间,不仅可以捕获智能电气控制的复杂交互过程,还可以在这些过程中识别出反馈控制和状态转移中的重要性权重。通过控制信号时间序列解析,将原始的电气控制交互会话事件转化为结构化数据,使得后续处理更加直观且容易操作。这一步骤有助于系统更好地理解电气控制交互行为的时序性质,从而为智能决策提供坚实的数据基础。通过编码控制信号时间序列为电气控制动态响应向量,并计算第一显著性参数值,能够量化会话事件空间中各个电气控制交互会话事件的影响力,反映它们在整体控制过程中的相对重要性。同样,第二显著性参数值的确定进一步衡量了状态转移矩阵方面的重要性权重,为理解电气控制交互行为模式的变迁提供了新的视角。第一显著性参数值和第二显著性参数值的融合生成的显著性评价值为会话事件空间提供了一个综合评估标准,确保了在会话切分数据的集成输出中能够优先考虑那些最具代表性和重要性的交互模式。基于显著性评价值不小于设定数值的会话事件空间进行智能电气控制交互会话的切分,实现了对会话数据的精准拆分和主题化处理。这不仅提升了数据的可管理性,而且通过集成输出的电气控制主题数据,可以更精确地捕捉到控制习惯和偏好,从而促进智能电气控制的个性化服务。由此,通过全面分析电气控制交互会话,智能提炼关键信息,并将其转化为高显著性的会话主题数据,极大地提高了对电气控制交互行为的理解深度和响应准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于智能电气控制交互会话的数据分析方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的基于智能电气控制交互会话的数据分析方法的云服务器系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加至少一个其它操作,也可以从流程图中销毁至少一个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都对应于本申请保护的范围。
图1示出了本申请实施例提供的基于智能电气控制交互会话的数据分析方法及系统的流程示意图,应当理解,在其它实施例中,本实施例的基于智能电气控制交互会话的数据分析方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该基于智能电气控制交互会话的数据分析方法的详细步骤包括:
步骤S110,从智能电气控制交互会话中获取多个电气控制交互会话事件,并对各个所述电气控制交互会话事件进行控制信号时间序列解析,生成所述电气控制交互会话事件对应的控制信号时间序列。
例如,智能电气控制交互会话是一个复杂的过程,涉及到用户与智能电气控制系统之间的一系列互动,这些互动可能包括查询、命令、反馈和系统状态更新等。每个智能电气控制交互会话代表了一个完整的交互过程。在智能电气控制系统中,一个电气控制交互会话事件可以包含用户向智能电气控制系统发出的一系列请求,以及智能电气控制系统对这些请求的响应。例如,用户可能通过智能家居应用发起一个会话,来调整房间温度、灯光亮度和窗帘位置。智能电气控制系统收集这个会话期间的所有交互数据,这包括用户的输入、系统的反馈、执行的控制命令、传感器的读数变化等,形成一个完整的控制信号时间序列。
步骤S120,基于所述电气控制交互会话事件对应的控制信号时间序列对各个所述电气控制交互会话事件进行整合,生成多个会话事件空间,所述会话事件空间的控制信号时间序列由整合成为所述会话事件空间的电气控制交互会话事件的控制信号时间序列确定。
例如,每个电气控制交互会话事件都由其特定的控制信号时间序列所描述,这些控制信号时间序列反映了在会话过程中控制信号的变化模式和动态特征。
当一个电气控制交互会话事件发生时,可能涉及多个控制命令或操作,如调节温度、灯光亮度调整或其他设备的控制,每个命令都有一个相应的时间标记。通过分析这些控制信号时间序列,可以把属于同一逻辑功能或操作场景的控制命令的电气控制交互会话事件聚合到一起,形成一个会话事件空间。例如,一个用户通过智能家居系统执行的一系列连续动作,比如回家后关闭安防系统、打开客厅灯光、调节空调温度等,可以被整合为一个完整的会话事件空间。
这样,每个会话事件空间实际上代表了一组逻辑上相关联的控制信号序列,这组控制信号序列共同定义了一个特定的交互过程或者电气控制交互行为模式。整合的目的是将这些相关联的电气控制交互会话事件以更高层次的抽象集合起来,使得后续的分析能够针对整个场景或任务流程,而不仅仅是独立的控制信号或单一操作。
经过整合之后,每个会话事件空间内部包含了一个或多个电气控制交互会话事件的完整信息,而这些不同的会话事件空间则构成了分析和评估的基础单位,进而在后续步骤中用于计算显著性参数值、进行会话切分和输出电气控制主题数据。
步骤S130,对各个会话事件空间中的电气控制交互会话事件的控制信号时间序列进行编码得到电气控制动态响应向量,并基于所述电气控制动态响应向量确定所述会话事件空间的第一显著性参数值,所述第一显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在反馈控制过程的重要性权重。
例如,对于每个会话事件空间,需要提取特征并编码时间序列,以表示该会话事件空间内会话的特征。这可以包括分析会话事件空间的持续时间、频率、用户请求的类型和顺序等。通过这种编码,可以计算出第一显著性参数值,以评估每个电气控制交互会话事件在用户交互过程中的重要性。
步骤S140,对各个所述会话事件空间中的电气控制交互会话事件中的状态转移矩阵进行编码得到状态转移矩阵向量,并基于所述状态转移矩阵向量确定所述会话事件空间的第二显著性参数值,所述第二显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在状态转移矩阵方面的重要性权重。
例如,会话事件空间中的状态转移矩阵反映了用户交互和系统响应之间的状态转换规律,通过对这些状态转移矩阵进行编码,并计算第二显著性参数值,以衡量不同状态转换在整体会话中的重要性。
步骤S150,对所述第一显著性参数值和所述第二显著性参数值进行融合,生成所述会话事件空间的显著性评价值。
例如,可以将第一显著性参数值(基于时间序列特征)和第二显著性参数值(基于状态转移规律)结合起来,形成一个综合的显著性评价值。这个显著性评价值反映了每个会话事件空间在用户与智能电气控制系统交互中的整体重要性。
步骤S160,基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据。
例如,可以根据显著性评价值决定如何划分会话事件空间,以区分不同的交互会话。那些具有较高显著性评价值的会话被视为包含更重要信息的会话,因此被选中作为关键交互事件。这些关键交互事件将被进一步分析和汇总,形成主题数据,可用于优化用户体验、改进系统设计或进行行为分析等。
基于以上步骤,提供了一种从智能电气控制交互会话中有效提取和分析电气控制交互行为模式的技术方案,以生成显著性评价值高的会话事件空间,并据此进行会话切分数据的集成输出。通过对电气控制交互会话事件进行时间序列解析并整合成会话事件空间,不仅可以捕获智能电气控制的复杂交互过程,还可以在这些过程中识别出反馈控制和状态转移中的重要性权重。通过控制信号时间序列解析,将原始的电气控制交互会话事件转化为结构化数据,使得后续处理更加直观且容易操作。这一步骤有助于系统更好地理解电气控制交互行为的时序性质,从而为智能决策提供坚实的数据基础。通过编码控制信号时间序列为电气控制动态响应向量,并计算第一显著性参数值,能够量化会话事件空间中各个电气控制交互会话事件的影响力,反映它们在整体控制过程中的相对重要性。同样,第二显著性参数值的确定进一步衡量了状态转移矩阵方面的重要性权重,为理解电气控制交互行为模式的变迁提供了新的视角。第一显著性参数值和第二显著性参数值的融合生成的显著性评价值为会话事件空间提供了一个综合评估标准,确保了在会话切分数据的集成输出中能够优先考虑那些最具代表性和重要性的交互模式。基于显著性评价值不小于设定数值的会话事件空间进行智能电气控制交互会话的切分,实现了对会话数据的精准拆分和主题化处理。这不仅提升了数据的可管理性,而且通过集成输出的电气控制主题数据,可以更精确地捕捉到控制习惯和偏好,从而促进智能电气控制的个性化服务。由此,通过全面分析电气控制交互会话,智能提炼关键信息,并将其转化为高显著性的会话主题数据,极大地提高了对电气控制交互行为的理解深度和响应准确性。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,当前后关联的两个电气控制交互会话事件均存在控制信号时间序列时,计算所述前后关联的两个电气控制交互会话事件的控制信号时间序列的特征匹配度,当所述特征匹配度大于设定匹配度时,将所述前后关联的两个电气控制交互会话事件整合为单位会话事件空间,所述单位会话事件空间的控制信号时间序列由所述前后关联的两个电气控制交互会话事件的控制信号时间序列确定。
步骤S122,当前后关联的两个单位会话事件空间的时序差小于第一设定时序差时,将所述前后关联的两个单位会话事件空间整合为一个候选会话事件空间。
步骤S123,当前后关联的两个候选会话事件空间的时序差小于第二设定时序差时,将所述前后关联的两个候选会话事件空间整合为一个会话事件空间。
为了解释上述技术内容,可以通过一个具体的场景来展开说明。假设在一栋智能化的办公楼里,电气控制系统负责管理照明、空调、安全监控等多个子系统。用户与这些子系统的交互会话通过控制面板或移动应用进行。
例如,员工“李先生”在早晨进入他的办公室时使用智能手机应用打开房间的灯光(会话事件A),并调节空调温度到舒适状态(会话事件B)。这两个事件发生顺序相连,并且都在短时间内完成。此时,记录下了开灯和调节空调的操作时间点、操作持续时间、亮度变化、温度变化等信息,形成了两个控制信号时间序列。
通过分析这两个控制信号时间序列的特征,比如启动的时间点、操作的持续时间等,来计算它们之间的特征匹配度。如果这个匹配度大于预设的门槛值,表明这两个电气控制交互会话事件相关联,它们将被整合成一个单位会话事件空间。
接着,“李先生”决定开启窗帘(会话事件C),这个操作紧跟着调节空调之后执行。由于事件B和C是连续的,可以计算它们之间的时序差,即B事件结束和C事件开始之间的时间间隔。如果事件B和C的时序差小于第一设定时序差(例如5分钟内),则认为它们属于同一阶段的操作,因此将它们整合成一个新的候选会话事件空间。
午饭后,“李先生”返回办公室,再次通过智能手机调整房间的灯光亮度(会话事件D)和播放背景音乐(会话事件E)。这两个事件虽然是独立的,但又发生在同一时间段内,再次记录下相关控制信号时间序列。现在评估午饭前创建的候选会话事件空间(包含事件A、B、C)和午饭后的操作(事件D和E)之间的时序差。如果这个时序差小于第二设定时序差(例如1小时内),将认为它们都是“李先生”一天中工作环境设置的一部分,因此会将它们整合为一个更大的会话事件空间。
总结这个过程,就是通过分析用户与电气控制系统之间的交互模式、时间关联性和操作连贯性,将零散的交互会话整合成有意义的会话事件空间。这些会话事件空间可以更好地理解用户的行为模式和需求,以便提供更加智能和个性化的服务。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,对各个所述会话事件空间中的各个候选会话事件空间的控制信号时间序列进行编码得到电气控制动态响应向量。
步骤S132,基于所述电气控制动态响应向量确定所述候选会话事件空间对应的显著性标签和标签概率值,所述标签概率值为所述候选会话事件空间是所述显著性标签的概率值。
步骤S133,基于所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间的标签概率值,确定所述会话事件空间的第一显著性参数值。
以一个智能家居系统中的电气控制交互为例来说明这些技术内容中的每个步骤:
假设在智能家居系统中,用户通过手机应用开启了“回家模式”。这个“回家模式”涉及到一系列的控制命令,比如解除安全系统、开启入口区域的灯光、调节客厅的空调至舒适温度。每个命令都产生一系列时间戳和对应的控制信号(如传感器读数、执行器状态等)。可以捕获这些命令的时间序列,并将它们编码成一个多维的向量——即电气控制动态响应向量。编码可能包括诸如命令发出的时间点、持续时间、操作间隔、响应延迟等特征。
接下来,使用机器学习分类器或其他统计模型处理这些电气控制动态响应向量。假设分类器已经被训练识别出不同的电气控制交互行为模式,如“回家”、“离家”、“就寝”等模式,并给出相应的显著性标签。分类器分析“回家模式”的动态响应向量,并给出该会话事件空间是“回家”标签的概率值,即标签概率值。
例如,“回家”模式可能被认为是预置的显著性标签之一,因为它涉及到用户与家居环境互动的主要场景。基于此,根据候选会话事件空间的标签概率值来计算会话事件空间的第一显著性参数值。如果“回家”模式的标签概率值很高,表明这个会话事件空间非常有可能代表一个显著的电气控制交互行为模式,那么其第一显著性参数值也会相应地较高。
通过上述步骤,智能家居系统可以识别并量化那些在用户的日常生活中扮演关键角色的电气控制交互会话事件,进而优化自身的响应策略和提升用户体验。例如,可以通过学习到的显著性参数值,更好地预测用户需求,自动调整环境设置以满足用户的偏好,或者在未来的设计迭代中加强对这些显著行为模式的支持。
其中,确定候选会话事件空间对应的显著性标签和标签概率值通常涉及到机器学习算法,这些机器学习算法可以根据历史数据来识别模式并预测新数据的标签。以下是一个具体的例子,说明如何使用分类算法来确定显著性标签和标签概率值。
假设有一组历史会话数据,每个会话包含用户在智能家居系统中进行的一系列电气控制交互。这些会话已经被标记为不同的行为模式,比如“离开家”,“回家”,“就寝”等。现在,想要训练一个模型来预测未来会话的显著性标签以及相应的概率值。
首先,收集历史会话数据,每个会话包括多个事件,事件由时间戳和相关的控制信号(如灯光开关状态、温度设置等)组成。
对于每个会话事件,提取有用的特征来表示电气控制动态响应向量,例如:每个事件的持续时间、事件之间的时间间隔、设备的操作序列、变化的幅度(如温度变化、亮度变化)。
接下来,使用适合的机器学习模型,如决策树、随机森林、支持向量机(SVM)或神经网络,来处理编码后的向量并进行分类。将带有显著性标签的历史数据集分为训练集和验证集。使用训练集来训练所选模型,并通过验证集来调整超参数和评估模型性能。一旦模型被训练好,它就可以接受新的电气控制动态响应向量作为输入,并输出预测的显著性标签。大多数分类器还能输出每个类别的概率值,表明输入向量属于每个可能类别的置信度。例如,对于随机森林模型,每个决策树给出一个预测结果,最终的概率值是所有树结果的平均值。
公式表示可以是:
\[ P(y|x) = \frac{1}{N} \sum_{i=1}^{N} I(y_i = f(x)) \]
其中:
- \(P(y|x)\) 是给定输入 \(x\) (即电气控制动态响应向量)时,预测为类别 \(y\) (即显著性标签)的概率。
- \(N\) 是模型中决策树的数量。
- \(I\) 是指示函数,当条件为真时取值为1,否则为0。
- \(f(x)\) 是模型对输入 \(x\) 的预测函数。
由此,可以在新的会话事件发生时,实时地计算出当前会话事件空间对应的显著性标签及其标签概率值,从而为后续的智能控制提供依据。
在一种可能的实施方式中,步骤S133可以包括:
步骤S1331,将所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间输出为目标候选会话事件空间。
步骤S1332,对所述会话事件空间中的各个所述目标候选会话事件空间的标签概率值进行均值计算,生成所述会话事件空间的第一显著性参数值。
例如,可以设想一个智能化家居环境中的场景:
假设在一栋智能家居中,电气控制系统能够通过用户与系统的交互自动调节照明、温度和其他家电设备。每次用户与系统的交互,如打开/关闭灯光、调整空调设置等,都被记录为一个会话事件,并且这些会话事件根据它们之间的时间关联性和逻辑相关性被整合成不同的会话事件空间。
假设家中的“晚上回家”模式包含了一系列操作:解除安全系统、开启走廊灯、调节客厅灯至柔和模式、开启音乐播放器。这个模式的执行可能由几个连续的会话事件组成,并被整合为一个候选会话事件空间。该候选会话事件空间中包含有预置显著性标签,例如“回家模式”,这是中已经定义好的一个标签,用于标记类似的行为模式。
在这个步骤中,可以检查所有的候选会话事件空间,识别出那些包含“回家模式”等预置显著性标签的空间,并将其作为目标候选会话事件空间输出。
接下来,需要评估各个目标候选会话事件空间的重要性。例如,将计算所有标记为“回家模式”的会话事件空间中各个事件发生的概率值。比如,晚上回家时,用户通常会执行解锁门、打开灯光等操作,这些操作对应的标签概率值表示用户执行这些操作的频率或确定性。
接下来,将收集所有这些概率值,并对它们进行均值计算,得到“晚上回家”这一会话事件空间的第一显著性参数值。这个第一显著性参数值反映了“晚上回家”模式在用户日常活动中的普遍程度和重要性。一个较高的显著性参数值意味着这个会话事件空间对用户来说非常重要,并且很有可能是用户的一个常规活动模式。
通过以上两个步骤,能够识别并量化那些对用户最有意义的会话事件空间。这样的分析有助于智能家居系统更好地理解用户的行为习惯,进而提供更加精准和个性化的服务。
在一种可能的实施方式中,步骤S140可以包括:
步骤S141,对各个所述电气控制交互会话事件进行系统状态数据提取,生成所述电气控制交互会话事件对应的系统状态数据。
步骤S142,对所述系统状态数据进行编码得到所述电气控制交互会话事件对应的状态转移矩阵向量。
步骤S143,基于所述状态转移矩阵向量确定所述电气控制交互会话事件对应的状态转移标签和状态转移概率值,所述状态转移概率值为所述会话事件空间是所述状态转移标签的概率值。
步骤S144,基于所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件的状态转移概率值,确定所述会话事件空间的第二显著性参数值。
继续使用智能家居系统的例子,并假设用户与系统的交互包括一系列状态变化,比如从关闭状态到开启状态,从温度调节到灯光控制等。
假设用户“张女士”下班回到家中,通过智能家居应用激活了“回家模式”。这个模式先后打开了门锁、灯光和音乐播放器,然后调整了室内温度。对于这一系列操作,智能家居系统会记录每一个设备的状态变化,例如门锁从上锁状态到解锁状态,灯光从关闭状态到特定亮度,以及空调从待机状态到设定温度等。这些信息构成了每个电气控制交互会话事件的系统状态数据。
接下来将这些状态数据编码为状态转移矩阵向量。状态转移矩阵是描述系统从一个状态过渡到另一个状态的概率的数学模型。在这个例子中,编码工作可能包括确定门锁状态改变前后的时间点,灯光亮度的变化,以及空调的温度设置情况。每个状态转换都被编码为向量的一个元素,反映出不同设备之间的相互作用和顺序关系。
基于这些状态转移矩阵向量,可以运用预先训练好的模型(例如隐马尔可夫模型或贝叶斯网络)来识别特定的状态转移模式并给出概率值。在这个场景中,可能识别出从全关闭状态到全开启状态的状态转移模式,并为这一模式分配一个标签(例如“活动开始”)和对应的概率值,这个概率值指示这组状态转移是否代表了一种显著的行为模式。
如果某个状态转移模式被认为是预置的显著性标签之一,系统将利用对应的状态转移概率值来计算该会话事件空间的第二显著性参数值。如果“张女士”激活的“回家模式”产生的状态转移模式概率值很高,表明这个会话事件空间在用户的日常生活中具有显著性,因此其第二显著性参数值也会相应较高。
最终,可以结合第一显著性参数值和第二显著性参数值,得出一个综合的显著性评分,用于进一步分析用户的行为模式,优化系统响应策略,并改善用户体验。
示例性的,为了确定状态转移标签和状态转移概率值,可以使用统计模型,如隐马尔可夫模型(Hidden Markov Model, HMM)或者贝叶斯网络。下面以隐马尔可夫模型为例,来说明如何确定状态转移标签和状态转移概率值。
假设有一个状态转移矩阵向量,这个状态转移矩阵向量代表用户与智能家居系统交互的过程。每个状态代表一种特定的电气控制交互会话事件(例如“灯光开启”、“音乐播放”、“温度调节”等)。想要根据状态之间的转移概率来识别不同的操作模式,并给这些模式打上标签。
隐马尔可夫模型包括以下几个主要元素:
状态集合:这是所有可能的隐藏状态的集合。在智能家居场景中,隐藏状态可能对应于用户意图或活动模式,如“回家模式”、“离家模式”等。
观测集合:这是所有可能的观测结果的集合。在的场景中,这些观测结果就是具体的电气控制交互会话事件。
状态转移矩阵:这是从一个隐藏状态到另一个隐藏状态的转移概率矩阵。矩阵的每个元素 A[i][j]表示从状态 i 转移到状态 j 的概率。
观测概率矩阵:这是在给定隐藏状态的情况下观测到某个特定事件的概率矩阵。矩阵的每个元素 B[j][k]表示在状态 j 下观测到事件 k 的概率。
初始状态概率分布:这是模型在开始时各个隐藏状态的概率分布。
使用HMM确定状态转移标签和概率值的基本步骤如下:
基于历史数据,估算状态转移矩阵、观测概率矩阵以及初始状态概率分布,记录一系列的电气控制交互会话事件,运用维特比算法(Viterbi algorithm),基于观测序列找出最可能的隐藏状态序列,根据最可能的隐藏状态序列,给每个状态转移赋予一个标签,这些标签代表了电气控制交互行为的模式。由此,状态转移概率可以直接从状态转移矩阵A中得到。如果要计算从状态i到状态j的转移概率值,只需查看矩阵中对应的元素A[i][j]。
例如,假设有两个隐藏状态S1和S2,对应于用户的两种行为模式:“放松模式”和“工作模式”。有三个观测结果O1、O2和O3,分别对应于“灯光调暗”、“音乐开启”和“电脑开启”。
如果当前观测序列是 O1 ->O2 ->O3,通过应用维特比算法,可能会发现最可能的隐藏状态序列是 S1 ->S1 ->S2。这意味着用户先是进入了放松模式(灯光调暗,然后音乐开启),随后转换到工作模式(电脑开启)。
因此,状态转移标签可能是“从放松模式到工作模式”的变化,而状态转移概率值可以从状态转移矩阵中S1到S2的值获得。
在一种可能的实施方式中,步骤S144可以包括:
步骤S1441,将所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件输出为目标交互会话事件。
步骤S1442,对所述会话事件空间中的各个所述目标交互会话事件的状态转移概率值进行均值计算,生成所述会话事件空间的第二显著性参数值。
继续使用智能家居系统的场景,这次侧重于状态转移标签和它们对会话事件空间显著性的影响。
考虑到用户在“晚上回家”模式中的一系列操作:首先是解锁门、然后是开灯、接着调节空调温度。每一个操作可以视为一个状态,并且从一个操作到下一个操作的变化可以定义为一个状态转移。例如,从“解锁门”到“开灯”的状态转移可能有一个预置的状态转移标签叫做“进入”。智能家居系统会跟踪这些状态转移,并给予它们概率值,表示用户从一个操作过渡到另一个操作的可能性。
在这个步骤中,可以检查所有的电气控制交互会话事件,找出那些具有预置状态转移标签(如“进入”)的事件,并将它们输出为目标交互会话事件。
接下来,将对所有目标交互会话事件的状态转移概率值进行均值计算。以“晚上回家”模式为例,系统会计算状态转移标签“进入”相关的所有状态转移概率值的平均数,生成该会话事件空间的第二显著性参数值。这个值表示“进入”这一状态转移在整个“晚上回家”模式中的统计显著性。
在一种可能的实施方式中,在步骤S143之后,所述方法还包括:
步骤S1431,将与目标电气控制交互会话事件前后关联的第一目标数量个电气控制交互会话事件输出为所述目标电气控制交互会话事件的候选范围。
步骤S1432,统计所述目标电气控制交互会话事件的候选范围中,各个状态转移标签所对应的电气控制交互会话事件的数量。
步骤S1433,当所述候选范围中,对应于同一状态转移标签的电气控制交互会话事件的数量不小于第二目标数量时,将所述目标电气控制交互会话事件的状态转移标签更新为所述同一状态转移标签,所述第二目标数量小于所述第一目标数量。
例如,假设识别出“调节空调温度”是一个目标电气控制交互会话事件,因为它经常发生在“开灯”之后。为了进一步理解这个事件在电气控制交互行为中的角色,系统会寻找与它前后关联的一定数量的事件(第一目标数量),比如解锁门、开灯等,作为候选范围。
由此,统计候选范围中每个状态转移标签对应的事件数量。如果某个状态转移标签(比如“放松环境准备”,可能对应于“开灯”后“调节空调温度”)的事件数量达到或超过第二目标数量(小于第一目标数量),则系统认为这个状态转移在电气控制交互行为中非常重要,并将“调节空调温度”这一事件的状态转移标签更新为“放松环境准备”。
通过以上步骤,能够对用户的日常活动中的各种状态转移进行量化评估,并根据状态转移的显著性来调整自己的响应策略,这种分析有助于更好地预测用户需求,从而提供更加舒适和个性化的居住环境。
在一种可能的实施方式中,在步骤S160中,基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据之后,所述方法还包括:
步骤S161,获取各个所述会话切分数据在所述智能电气控制交互会话中的触发节点和终止节点。
步骤S162,基于所述触发节点前向进行的第一设定会话节点区间提取所述智能电气控制交互会话的第一目标会话数据范围,并计算所述第一目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数。
步骤S163,当所述第一目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第一设定数值时,将该前后关联的电气控制会话事件中后一个的电气控制会话事件作为所述会话切分数据再次确定的触发节点,优化所述会话切分数据。
步骤S164,基于所述终止节点后向进行的第二设定会话节点区间提取所述智能电气控制交互会话的第二目标会话数据范围,并计算所述第二目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数。
步骤S165,当所述第二目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第二设定数值时,将该前后关联的电气控制会话事件中前一个的电气控制会话事件作为所述会话切分数据再次确定的终止节点,优化所述会话切分数据。
将继续使用智能家居系统的例子,并详细描述如何对电气控制交互会话进行切分和优化。
在“张女士”晚上回家并激活“回家模式”的情况下,根据显著性评价值确定了包含解锁门、打开灯光、调节空调等一系列连续操作的会话阶段区间,识别出这些连续操作的开始和结束时间点,这两个时间点就是所说的触发节点和终止节点。
基于触发节点,向前寻找一个设定的时间区间(例如30分钟内),以捕获可能与当前会话相关联的早期事件。假设在该时间区间内,“张女士”曾经通过手机应用查看了室外摄像头的状态(前一个电气控制会话事件)。系统计算从查看摄像头到解锁门之间所有事件的响应缓冲数据的浮动参数(比如反应时间或执行延迟)。
如果这个浮动参数大于第一设定数值,表明前后事件有较强的关联性,那么会将查看摄像头的事件作为新的触发节点,从而优化会话切分数据。
类似地,基于终止节点向后寻找一个设定的时间区间来检查是否存在与会话相关的后续事件。例如,在“回家模式”结束后的20分钟内,“张女士”可能通过智能家居系统启动了洗碗机(后一个电气控制会话事件)。系统同样计算这些事件之间的响应缓冲数据的浮动参数。
如果洗碗机启动事件与“回家模式”的最后一个操作之间的浮动参数超过了第二设定数值,这表明两者之间有显著的关联性,因此系统可以考虑将洗碗机启动作为新的终止节点,进一步优化会话切分数据。
通过上述步骤,可以更准确地切分和识别电气控制交互行为模式中的显著会话,进而根据这些信息提供更加个性化和精准的服务。例如,可以根据优化后的会话切分数据自动调整日常操作流程,使其更贴合用户的实际习惯和需求。
在一种可能的实施方式中,在步骤S160中基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据之前,所述方法还包括:
步骤A110,生成各个所述会话事件空间基于显著性评价值的降序排列序列。
步骤A120,获取预置的目标会话持续参数,基于所述目标会话持续参数依据所述降序排列序列,从各个所述会话事件空间中获取至少一个会话事件空间,以使得基于所述会话事件空间所对应的会话阶段区间对所述智能电气控制交互会话进行切分的会话切分数据的全局会话持续参数,不大于所述目标会话持续参数。
步骤A130,将所述会话事件空间的显著性评价值中最小的显著性评价值,作为所述设定数值。
例如,继续使用智能家居系统的场景,但是这次将关注于如何基于显著性评价对会话事件空间进行排序和选择,进而切分会话数据并生成电气控制主题数据。
假设在一个月的时间里,收集了大量的用户与系统交互数据。每天用户回家时触发的“回家模式”,以及每天早晨离家前触发的“离家模式”,都形成了不同的会话事件空间。每个会话事件空间都有一个显著性评价值,该值反映了它在用户日常生活中的重要程度。
首先计算每个会话事件空间的显著性评价值,然后根据这些值生成一个降序排列的序列。这意味着那些最重要(显著性评价值最高)的会话事件空间将被排在最前面。
假设有一个预置的目标会话持续参数,比如“每天的用户与系统的交互不应超过2小时”。基于这个目标会话持续参数,将从降序排列序列中选择一定数量的会话事件空间,直到它们对应的会话阶段区间总和接近但不超过2小时。
这可以通过顺序遍历排列序列来实现,逐个添加会话事件空间,并累加它们各自的会话持续时间,直至总和接近2小时。这样选出的会话事件空间组合被认为是电气控制交互行为中最具代表性和重要性的部分。
在这些选出的会话事件空间中,取显著性评价值中的最小值作为设定数值。这个设定数值用于筛选出所有显著性评价值不小于它的会话事件空间,因为它们是整个数据集中最能代表电气控制交互行为模式的部分。
接下来,在这些被选出的会话事件空间所对应的会话阶段区间内,系统将进行会话切分。这意味着将基于这些显著性评价值较高的事件空间来组织和解析交互数据,生成更加精细化的会话切分数据。
通过上述步骤,将会话切分数据集成输出为电气控制主题数据。这些数据凝聚了用户最重要的行为模式和交互习惯,可用于智能家居系统优化控制策略、提供个性化服务或进行未来规划。
也即,通过以上步骤,可以深入分析用户的电气控制交互行为,识别最具显著性的操作模式,并据此调整系统设置,以便更好地满足用户需求。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器系统100。
对于一个实施例,图2示出了云服务器系统100,该云服务器系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,云服务器系统100能够作为本申请实施例中所述网关等服务器设备。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器系统100。
对于一个实施例,图2示出了云服务器系统100,该云服务器系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,云服务器系统100能够作为本申请实施例中所述网关等服务器设备。
一种可替代的实施方式中,云服务器系统100可包括具有指令114的至少一个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一种可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括至少一个输入/输出控制器,以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如,至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为云服务器系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、在线监控组件组件等。网络接口112可为云服务器系统100提供接口以依据至少一个网络通信,云服务器系统100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信,例如接入依据通信标准的无线网络,或它们的组合进行无线通信。
对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,云服务器系统100可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,云服务器系统100可具有更多或更少的组件和/或不同的架构。例如,一种可替代的实施方式中,云服务器系统100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于智能电气控制交互会话的数据分析方法,其特征在于,应用于云服务器系统,所述方法包括:
从智能电气控制交互会话中获取多个电气控制交互会话事件,并对各个所述电气控制交互会话事件进行控制信号时间序列解析,生成所述电气控制交互会话事件对应的控制信号时间序列;
基于所述电气控制交互会话事件对应的控制信号时间序列对各个所述电气控制交互会话事件进行整合,生成多个会话事件空间,所述会话事件空间的控制信号时间序列由整合成为所述会话事件空间的电气控制交互会话事件的控制信号时间序列确定;
对各个会话事件空间中的电气控制交互会话事件的控制信号时间序列进行编码得到电气控制动态响应向量,并基于所述电气控制动态响应向量确定所述会话事件空间的第一显著性参数值,所述第一显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在反馈控制过程的重要性权重;
对各个所述会话事件空间中的电气控制交互会话事件中的状态转移矩阵进行编码得到状态转移矩阵向量,并基于所述状态转移矩阵向量确定所述会话事件空间的第二显著性参数值,所述第二显著性参数值表征所述会话事件空间中各个电气控制交互会话事件在状态转移矩阵方面的重要性权重;
对所述第一显著性参数值和所述第二显著性参数值进行融合,生成所述会话事件空间的显著性评价值;
基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据。
2.根据权利要求1所述的基于智能电气控制交互会话的数据分析方法,其特征在于,所述基于所述电气控制交互会话事件对应的控制信号时间序列对各个所述电气控制交互会话事件进行整合,生成多个会话事件空间,包括:
当前后关联的两个电气控制交互会话事件均存在控制信号时间序列时,计算所述前后关联的两个电气控制交互会话事件的控制信号时间序列的特征匹配度,当所述特征匹配度大于设定匹配度时,将所述前后关联的两个电气控制交互会话事件整合为单位会话事件空间,所述单位会话事件空间的控制信号时间序列由所述前后关联的两个电气控制交互会话事件的控制信号时间序列确定;
当前后关联的两个单位会话事件空间的时序差小于第一设定时序差时,将所述前后关联的两个单位会话事件空间整合为一个候选会话事件空间;
当前后关联的两个候选会话事件空间的时序差小于第二设定时序差时,将所述前后关联的两个候选会话事件空间整合为一个会话事件空间。
3.根据权利要求2所述的基于智能电气控制交互会话的数据分析方法,其特征在于,所述对各个会话事件空间中的电气控制交互会话事件的控制信号时间序列进行编码得到电气控制动态响应向量,并基于所述电气控制动态响应向量确定所述会话事件空间的第一显著性参数值,包括:
对各个所述会话事件空间中的各个候选会话事件空间的控制信号时间序列进行编码得到电气控制动态响应向量;
基于所述电气控制动态响应向量确定所述候选会话事件空间对应的显著性标签和标签概率值,所述标签概率值为所述候选会话事件空间是所述显著性标签的概率值;
基于所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间的标签概率值,确定所述会话事件空间的第一显著性参数值。
4.根据权利要求3所述的基于智能电气控制交互会话的数据分析方法,其特征在于,所述基于所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间的标签概率值,确定所述会话事件空间的第一显著性参数值,包括:
将所述会话事件空间中显著性标签属于预置的显著性标签的候选会话事件空间输出为目标候选会话事件空间;
对所述会话事件空间中的各个所述目标候选会话事件空间的标签概率值进行均值计算,生成所述会话事件空间的第一显著性参数值。
5.根据权利要求1所述的基于智能电气控制交互会话的数据分析方法,其特征在于,所述对各个所述会话事件空间中的电气控制交互会话事件中的状态转移矩阵进行编码得到状态转移矩阵向量,并基于所述状态转移矩阵向量确定所述会话事件空间的第二显著性参数值,包括:
对各个所述电气控制交互会话事件进行系统状态数据提取,生成所述电气控制交互会话事件对应的系统状态数据;
对所述系统状态数据进行编码得到所述电气控制交互会话事件对应的状态转移矩阵向量;
基于所述状态转移矩阵向量确定所述电气控制交互会话事件对应的状态转移标签和状态转移概率值,所述状态转移概率值为所述会话事件空间是所述状态转移标签的概率值;
基于所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件的状态转移概率值,确定所述会话事件空间的第二显著性参数值。
6.根据权利要求5所述的基于智能电气控制交互会话的数据分析方法,其特征在于,所述基于所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件的状态转移概率值,确定所述会话事件空间的第二显著性参数值,包括:
将所述会话事件空间中状态转移标签属于预置的状态转移标签的电气控制交互会话事件输出为目标交互会话事件;
对所述会话事件空间中的各个所述目标交互会话事件的状态转移概率值进行均值计算,生成所述会话事件空间的第二显著性参数值。
7.根据权利要求5所述的基于智能电气控制交互会话的数据分析方法,其特征在于,在所述基于所述状态转移矩阵向量确定所述电气控制交互会话事件对应的状态转移标签和状态转移概率值之后,所述方法还包括:
将与目标电气控制交互会话事件前后关联的第一目标数量个电气控制交互会话事件输出为所述目标电气控制交互会话事件的候选范围;
统计所述目标电气控制交互会话事件的候选范围中,各个状态转移标签所对应的电气控制交互会话事件的数量;
当所述候选范围中,对应于同一状态转移标签的电气控制交互会话事件的数量不小于第二目标数量时,将所述目标电气控制交互会话事件的状态转移标签更新为所述同一状态转移标签,所述第二目标数量小于所述第一目标数量。
8.根据权利要求1-7任一项所述的基于智能电气控制交互会话的数据分析方法,其特征在于,在所述基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据之后,所述方法还包括:
获取各个所述会话切分数据在所述智能电气控制交互会话中的触发节点和终止节点;
基于所述触发节点前向进行的第一设定会话节点区间提取所述智能电气控制交互会话的第一目标会话数据范围,并计算所述第一目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数;
当所述第一目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第一设定数值时,将该前后关联的电气控制会话事件中后一个的电气控制会话事件作为所述会话切分数据再次确定的触发节点,优化所述会话切分数据;
基于所述终止节点后向进行的第二设定会话节点区间提取所述智能电气控制交互会话的第二目标会话数据范围,并计算所述第二目标会话数据范围内的所有前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数;
当所述第二目标会话数据范围内存在前后关联的电气控制会话事件之间的响应缓冲数据的浮动参数大于第二设定数值时,将该前后关联的电气控制会话事件中前一个的电气控制会话事件作为所述会话切分数据再次确定的终止节点,优化所述会话切分数据。
9.根据权利要求1-7任一项所述的基于智能电气控制交互会话的数据分析方法,其特征在于,在所述基于显著性评价值不小于设定数值的会话事件空间所对应的会话阶段区间,对所述智能电气控制交互会话进行切分生成会话切分数据,并将所述会话切分数据集成输出为电气控制主题数据之前,所述方法还包括:
生成各个所述会话事件空间基于显著性评价值的降序排列序列;
获取预置的目标会话持续参数,基于所述目标会话持续参数依据所述降序排列序列,从各个所述会话事件空间中获取至少一个会话事件空间,以使得基于所述会话事件空间所对应的会话阶段区间对所述智能电气控制交互会话进行切分的会话切分数据的全局会话持续参数,不大于所述目标会话持续参数;
将所述会话事件空间的显著性评价值中最小的显著性评价值,作为所述设定数值。
10.一种云服务器系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于智能电气控制交互会话的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030834.0A CN117556221B (zh) | 2024-01-09 | 2024-01-09 | 基于智能电气控制交互会话的数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030834.0A CN117556221B (zh) | 2024-01-09 | 2024-01-09 | 基于智能电气控制交互会话的数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556221A CN117556221A (zh) | 2024-02-13 |
CN117556221B true CN117556221B (zh) | 2024-03-26 |
Family
ID=89814966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410030834.0A Active CN117556221B (zh) | 2024-01-09 | 2024-01-09 | 基于智能电气控制交互会话的数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556221B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875108A (en) * | 1991-12-23 | 1999-02-23 | Hoffberg; Steven M. | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
CN113615239A (zh) * | 2019-02-13 | 2021-11-05 | 瑞典爱立信有限公司 | 无线时间敏感联网 |
CN113795773A (zh) * | 2019-03-08 | 2021-12-14 | 欧司朗股份有限公司 | 用于lidar传感器系统的部件,lidar传感器系统,lidar传感器装置,用于lidar传感器系统的方法和用于lidar传感器装置的方法 |
CN113949577A (zh) * | 2021-10-19 | 2022-01-18 | 广州酷风技术开发有限公司 | 一种应用于云服务的数据攻击分析方法及服务器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN113838461B (zh) * | 2021-08-20 | 2022-11-01 | 北京百度网讯科技有限公司 | 智能语音交互方法、装置、设备和计算机存储介质 |
-
2024
- 2024-01-09 CN CN202410030834.0A patent/CN117556221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875108A (en) * | 1991-12-23 | 1999-02-23 | Hoffberg; Steven M. | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
CN113615239A (zh) * | 2019-02-13 | 2021-11-05 | 瑞典爱立信有限公司 | 无线时间敏感联网 |
CN113795773A (zh) * | 2019-03-08 | 2021-12-14 | 欧司朗股份有限公司 | 用于lidar传感器系统的部件,lidar传感器系统,lidar传感器装置,用于lidar传感器系统的方法和用于lidar传感器装置的方法 |
CN113949577A (zh) * | 2021-10-19 | 2022-01-18 | 广州酷风技术开发有限公司 | 一种应用于云服务的数据攻击分析方法及服务器 |
Non-Patent Citations (2)
Title |
---|
"加强输电网可靠性的构造型启发式算法研究";李成鑫等;《四川电力技术》;20160229;第39卷(第1期);66-72 * |
"智能电网配电自动化技术的发展";曲毅等;《南方电网技术》;20130531;第7卷(第5期);56-60 * |
Also Published As
Publication number | Publication date |
---|---|
CN117556221A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saha et al. | Occupancy sensing in buildings: A review of data analytics approaches | |
CN108052528B (zh) | 一种存储设备时序分类预警方法 | |
US20210005067A1 (en) | System and Method for Audio Event Detection in Surveillance Systems | |
US7778715B2 (en) | Methods and systems for a prediction model | |
US11355138B2 (en) | Audio scene recognition using time series analysis | |
CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
CN111880856B (zh) | 语音唤醒方法、装置、电子设备及存储介质 | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN109145114B (zh) | 基于Kleinberg在线状态机的社交网络事件检测方法 | |
US9092307B2 (en) | Adaptive preventive maintenance for computing systems | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN117556221B (zh) | 基于智能电气控制交互会话的数据分析方法及系统 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
US11240641B1 (en) | Automated device grouping | |
Khargharia et al. | Probabilistic analysis of context caching in Internet of Things applications | |
KR102021138B1 (ko) | 인공지능 기반 악성 도메인 분류 방법 및 프로그램 | |
CN112053006A (zh) | 基于迁移学习的冷热电联供系统优化时间加速方法及系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN107578774A (zh) | 用于促进对时间序列模式的检测的方法和系统 | |
WO2023056786A1 (en) | Attenuation weight tracking in graph neural networks | |
WO2023113946A1 (en) | Hyperparameter selection using budget-aware bayesian optimization | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |