CN117762032A - 基于场景适应和人工智能的智能设备控制系统及方法 - Google Patents

Abstract

本申请公开了一种基于场景适应和人工智能的智能设备控制系统及方法，其获取由传感器组采集的环境信息的时间序列；提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；基于所述全时域环境模式特征向量，控制智能家居设备。这样，可以根据不同的场景智能地调整智能家居设备，提高用户的生活舒适度和便利性。

Description

基于场景适应和人工智能的智能设备控制系统及方法

技术领域

本申请涉及智能设备控制技术领域，尤其涉及一种基于场景适应和人工智能的智能设备控制系统及方法。

背景技术

随着智能设备的普及，人们对智能家居的需求也越来越高。智能家居可以通过智能设备来实现对家庭环境的自动化控制，从而提高生活舒适度和便利性。

传统的智能家居系统通常是基于规则的，即预先定义好一系列规则，当满足规则时，就会触发相应的动作。这种系统存在两个主要问题：1.规则太多，管理复杂；2.规则不灵活，无法适应不同的场景。

因此，期待一种基于场景适应和人工智能的智能设备控制系统及方法。

发明内容

本申请提供一种基于场景适应和人工智能的智能设备控制系统及方法，其获取由传感器组采集的环境信息的时间序列；提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；基于所述全时域环境模式特征向量，控制智能家居设备。这样，可以根据不同的场景智能地调整智能家居设备，提高用户的生活舒适度和便利性。

本申请还提供了一种基于场景适应和人工智能的智能设备控制方法，其包括：获取由传感器组采集的环境信息的时间序列；提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；基于所述全时域环境模式特征向量，控制智能家居设备。

在上述基于场景适应和人工智能的智能设备控制方法中，所述环境信息包括温度值、湿度值、光照强度值和声音强度值。

在上述基于场景适应和人工智能的智能设备控制方法中，提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列，包括：对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列；利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列。

在上述基于场景适应和人工智能的智能设备控制方法中，对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列，包括：基于预定时间尺度对所述环境信息的时间序列进行序列切分以得到所述环境信息的局部时间序列的序列。

在上述基于场景适应和人工智能的智能设备控制方法中，所述深度学习网络模型为基于卷积神经网络模型的环境特征提取器。

在上述基于场景适应和人工智能的智能设备控制方法中，利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列，包括：使用所述基于卷积神经网络模型的环境特征提取器分别对所述环境信息的局部时间序列的序列中的各个环境信息的局部时间序列进行处理以得到所述环境多参数时域模式特征向量的序列。

在上述基于场景适应和人工智能的智能设备控制方法中，提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量，包括：将所述环境多参数时域模式特征向量的序列通过基于转换器模块的环境模式特征上下文编码器以得到所述全时域环境模式特征向量。

在上述基于场景适应和人工智能的智能设备控制方法中，基于所述全时域环境模式特征向量，控制智能家居设备，包括：对所述全时域环境模式特征向量进行特征表达校正以得到校正后全时域环境模式特征向量；将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签；基于所述场景类别标签，控制所述智能家居设备。

在上述基于场景适应和人工智能的智能设备控制方法中，将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签，包括：使用所述分类器的多个全连接层对所述校正后全时域环境模式特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

本申请还提供了一种基于场景适应和人工智能的智能设备控制系统，其包括：环境信息的时间序列获取模块，用于获取由传感器组采集的环境信息的时间序列；局部参数关联特征提取模块，用于提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；上下文全时域环境特征提取模块，用于提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；智能家居设备控制模块，用于基于所述全时域环境模式特征向量，控制智能家居设备。

与现有技术相比，本申请提供的基于场景适应和人工智能的智能设备控制系统及方法，其获取由传感器组采集的环境信息的时间序列；提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；基于所述全时域环境模式特征向量，控制智能家居设备。这样，可以根据不同的场景智能地调整智能家居设备，提高用户的生活舒适度和便利性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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。

在附图中：图1为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的流程图。

图2为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的系统架构的示意图。

图3为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制系统的框图。

图4为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的应用场景图。

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明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

智能家居是指利用物联网、传感器、无线通讯技术等，将家庭设备、家居设施、以及各种家居设备连接到一起，实现智能化管理和控制的系统。智能家居系统可以通过智能设备如智能手机、平板电脑或语音助手进行远程控制和自动化操作，从而提高家居的舒适度、安全性和便利性。

智能家居的核心功能包括但不限于：智能安防：通过智能摄像头、门窗传感器等设备实现对家庭安全的监控和警报，可以随时随地通过手机或电脑查看家中情况。

智能照明：利用智能灯具和调光设备实现对家庭照明的远程控制和定时调节，提高能源利用效率。

智能空调和暖通：通过智能温控设备实现对室内温度的智能调节和定时控制，提高室内舒适度的同时节约能源。

智能家电：智能冰箱、洗衣机、洗碗机等家电可以实现远程控制、智能诊断和节能运行，提高生活便利性。

智能娱乐：智能音响、智能电视等设备可以实现语音控制和智能联动，提供更便捷的娱乐体验。

智能健康：智能家居设备还可以监测室内空气质量、温湿度等参数，帮助用户创造更健康的居住环境。

智能节能：通过智能家居系统的智能化管理，可以实现对能源的更有效利用，从而达到节能减排的目的。

智能家居的发展将极大地改变人们的生活方式，提高生活质量的同时也带来了一些新的挑战，如隐私安全、设备兼容性等问题需要引起重视。

传统的基于规则的智能家居系统存在一些明显的缺陷，这些缺陷限制了其在实际应用中的灵活性和效率。其中，随着智能家居设备的增多和场景的复杂化，传统基于规则的系统需要大量的规则来描述各种情况和交互，导致规则管理变得非常复杂。用户需要花费大量时间和精力来创建、维护和更新这些规则，这对于普通用户来说是一个挑战。

基于规则的系统通常是静态的，一旦设定好规则，系统就会按照这些固定的规则来执行操作，这种刚性的规则无法灵活适应不同的场景和用户需求，导致系统的响应能力受到限制。在真实的家庭环境中，各种因素相互交织，可能存在大量的特殊情况和异常情况，传统的基于规则的系统很难覆盖所有可能的情况，因此在复杂环境下表现不佳。传统基于规则的系统通常难以与其他系统进行有效整合，也难以方便地扩展新的设备和功能。由于规则繁多和复杂，用户可能需要花费大量时间来学习和设置规则，这降低了用户的体验和使用意愿。

为了解决这些问题，出现了基于场景适应和人工智能的智能设备控制系统。种系统的主要特点是可以根据不同的场景自动调整控制策略，从而提高系统智能化和灵活性。基于场景适应和人工智能的智能设备控制系统通常由以下几个部分组成：传感器网络，用于收集环境信息，如温度、湿度、光照、声音等。智能设备，用于执行控制动作，如开关灯、调节温度、播放音乐等。中央控制单元，用于处理传感器数据，分析场景，并生成控制命令。人工智能算法，用于实现场景适应和智能控制。

在本申请的一个实施例中，图1为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的流程图。图2为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的系统架构的示意图。如图1和图2所示，根据本申请实施例的基于场景适应和人工智能的智能设备控制方法，包括：110，获取由传感器组采集的环境信息的时间序列；120，提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；130，提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；140，基于所述全时域环境模式特征向量，控制智能家居设备。

在所述步骤110中，获取由传感器组采集的环境信息的时间序列，传感器的选择和部署对于获取准确的环境信息至关重要，传感器的位置、类型和采样频率都会影响数据的质量和可用性。通过准确、全面地获取环境信息时间序列，为后续步骤提供数据基础。

在所述步骤120中，提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列，在提取局部参数关联特征时，需要考虑不同参数之间的相关性，并选择合适的特征提取方法，如统计特征、频域特征等。通过提取局部参数关联特征，可以捕获环境参数之间的关联信息，形成多参数时域模式特征向量的序列，为后续分析提供更丰富的数据特征。

在所述步骤130中，提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量，在提取全时域环境特征时，需要考虑整体环境的动态变化和长期趋势，可以采用滑动窗口、时序模型等方法。通过提取全时域环境特征可以更好地捕获环境的全局特征，包括长期变化、季节性变化等，为后续的智能控制提供更全面的信息。

在所述步骤140中，基于所述全时域环境模式特征向量，控制智能家居设备，在控制智能家居设备时，需要考虑环境特征与设备控制之间的映射关系，以及控制策略的制定和优化。通过基于全时域环境模式特征向量进行智能控制，可以使智能家居设备更加智能化和自适应，提高能源利用效率和用户舒适度。通过从传感器数据中提取特征，并基于这些特征进行智能控制，可以使智能家居系统更加智能、自适应和高效。

针对上述技术问题，本申请的技术构思为通过利用传感器采集环境信息，并结合基于深度学习的人工智能技术来学习环境模式，并从中识别和分类场景类别，从而智能地控制智能家居设备。这样，可以根据不同的场景智能地调整智能家居设备，提高用户的生活舒适度和便利性。

其中，基于深度学习的人工智能技术可以学习环境模式，识别不同的场景类别，例如“起床时间”、“用餐时间”、“休闲时间”等，从而智能地调整智能家居设备的工作模式。例如，在早晨可以自动调节照明和温度，晚上可以自动关闭不需要的设备，从而提高用户的生活舒适度和便利性。通过深度学习技术学习环境模式，智能家居系统可以根据实际环境变化自适应地调整设备的工作模式，无需用户手动干预，这种自适应性可以提高系统的灵活性和适应性，使用户无需频繁调整设备，从而提高生活便利性。也就是说，在本申请一个具体的示例中，所述智能家居设备为智能照明设备，其能够根据实际环境变化自适应地调整设备的工作模式，无需用户手动干预，这种自适应性可以提高系统的灵活性和适应性，使用户无需频繁调整设备，从而提高生活便利性。

智能家居系统可以根据识别的场景类别智能地调整能源的使用，例如在用户离开家时自动关闭不必要的设备，或者根据用户习惯自动调整能源的使用模式，从而提高能源利用效率，降低能源消耗。智能化的控制和自适应性可以提高用户的生活舒适度和便利性，用户无需过多地关注家居设备的控制，可以更加智能地满足用户的需求，提升用户体验。也就是，利用传感器采集环境信息，并结合基于深度学习的人工智能技术来学习环境模式，可以使智能家居系统更加智能、自适应和高效，从而提高用户的生活品质和舒适度。

基于此，在本申请的技术方案中，首先获取由传感器组采集的环境信息的时间序列，其中，所述环境信息包括温度值、湿度值、光照强度值和声音强度值。这里，获取由传感器组采集的环境信息的时间序列来建立环境参数的数据基础。也就是，所述温度值、湿度值、光照强度值和声音强度值能够反映出当前环境的状态。应可以理解，获取环境的实时状态和变换模式可以对当前环境的场景进行识别。例如，通过分析温度、湿度和光照信息，可以判断当前是夏天还是冬天，从而为智能家居设备的控制提供依据。例如，在冬天识别到室内温度下降时，可以自动调节暖气设备的温度。

在本申请的一个实施例中，提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列，包括：对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列；利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列。

接着，基于预定时间尺度对所述环境信息的时间序列进行序列切分以得到环境信息的局部时间序列的序列。这样，将所述环境信息的时间序列拆分成多个较小的环境信息的局部时间序列的序列，可以更好地捕捉环境信息的局部模式和变化趋势。然后，使用基于卷积神经网络模型的环境特征提取器分别对所述环境信息的局部时间序列的序列中的各个环境信息的局部时间序列进行处理以得到环境多参数时域模式特征向量的序列。这里，使用基于卷积神经网络模型的环境特征提取器对环境信息的局部时间序列进行处理可以从各个环境信息的局部时间序列中提取隐含的多参数关联的时序模式特征，从而描述和刻画该时间段内的环境状态，以识别和区分不同的场景。

在本申请的一个具体实施例中，对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列，包括：基于预定时间尺度对所述环境信息的时间序列进行序列切分以得到所述环境信息的局部时间序列的序列。

应可以理解，通过对时间序列进行切分，可以获得不同时间尺度下的局部时间序列，这样做可以更好地捕获环境信息在不同时间段内的变化特征，例如白天和夜晚的温度、湿度等局部特征，有助于更准确地理解环境变化。切分后的局部时间序列可以帮助系统识别动态场景，例如一天中的不同活动时段（早晨、下午、晚上），从而更精准地调整智能家居设备以满足用户需求。针对不同的局部时间序列，可以智能地调整设备工作模式，比如在繁忙时段提供更多的照明和通风，而在安静时段降低能源消耗，这样的优化可以提高能源利用效率和用户舒适度。基于局部时间序列的特征，可以更好地适应用户的个性化需求，例如根据用户的作息习惯调整家居设备，提供更贴合用户生活方式的智能化服务。

进一步地，在本申请的一个具体实施例中，所述深度学习网络模型为基于卷积神经网络模型的环境特征提取器。其中，利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列，包括：使用所述基于卷积神经网络模型的环境特征提取器分别对所述环境信息的局部时间序列的序列中的各个环境信息的局部时间序列进行处理以得到所述环境多参数时域模式特征向量的序列。

其中。卷积神经网络模型可以有效地从多参数的时域数据中提取特征，例如温度、湿度、光照等多个环境参数的时域特征，这样可以更全面地捕获环境信息的时域特征，有助于地理解环境变化。卷积神经网络能够自动学习环境信息中的抽象特征，无需手动设计特征提取规则，这样可以更好地适应不同环境下的特征表达，提高系统的普适性和鲁棒性。

通过基于卷积神经网络模型的环境特征提取器对局部时间序列进行处理，可以识别不同环境参数的时序模式，例如温度的变化规律、光照的周期性变化等，有助于更准确地理解环境的动态变化。处理后得到的环境多参数时域模式特征向量序列可以提供更丰富的信息，有助于更全面地把握环境状态的变化，为智能控制提供更准确的依据。

接下来，将所述环境多参数时域模式特征向量的序列通过基于转换器模块的环境模式特征上下文编码器以得到全时域环境模式特征向量。也就是，通过基于转换器模块的环境模式特征上下文编码器可以将环境多参数时序模式特征向量的序列进行综合考虑，以捕捉其中所蕴含的全时域的上下文语义关联特征，从而学习到全局的环境状态变换和演变趋势。

在本申请的一个具体实施例中，提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量，包括：将所述环境多参数时域模式特征向量的序列通过基于转换器模块的环境模式特征上下文编码器以得到所述全时域环境模式特征向量。

基于转换器模块的环境模式特征上下文编码器可以捕获环境特征向量序列中的上下文关联信息，帮助系统更好地理解环境参数之间的内在关系和时序特征，从而提高对环境状态变化的理解能力。通过基于转换器模块的环境模式特征上下文编码器处理，可以得到全时域环境模式特征向量，将包含更全局和综合的环境特征，有助于对整体环境状态进行更全面的把握。基于转换器模块的环境模式特征上下文编码器可以帮助动态地表示环境特征，随着时间序列的变化而更新环境模式特征向量，从而更好地反映环境的动态变化，为智能控制提供更准确的依据。得到的全时域环境模式特征向量可以提供更丰富和精确的环境信息，有助于智能控制系统更准确地做出响应，提高控制精度和效率。

通过基于转换器模块的环境模式特征上下文编码器处理环境多参数时域模式特征向量的序列可以带来上下文关联建模、全局特征提取、环境特征的动态表示和提高智能控制精度等有益效果，从而提高智能家居系统的智能化水平和用户体验。

在本申请的一个实施例中，基于所述全时域环境模式特征向量，控制智能家居设备，包括：对所述全时域环境模式特征向量进行特征表达校正以得到校正后全时域环境模式特征向量；将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签；基于所述场景类别标签，控制所述智能家居设备。具体地，例如“起床时间”、“用餐时间”、“休闲时间”等，从而智能地调整智能家居设备的工作模式。例如，在早晨可以自动调节照明和温度，晚上可以自动关闭不需要的设备，从而提高用户的生活舒适度和便利性。

在本申请的技术方案中，所述环境多参数时域模式特征向量的序列表达所述环境信息在全局时域经由时间序列切分确定的局部时域下的局部时域内时序关联特征，而将所述环境多参数时域模式特征向量的序列通过基于转换器模块的环境模式特征上下文编码器后，所述全时域环境模式特征向量进一步表达基于局部时域间的时序特征分布的时序特征上下文关联的全局时域时序关联特征，因此，为了提升所述全时域环境模式特征向量的表达效果，考虑融合所述环境多参数时域模式特征向量的序列的局部时域内时序关联特征表示来优化所述全时域环境模式特征向量。

但是，考虑到所述全时域环境模式特征向量相对于所述环境多参数时域模式特征向量的序列具有全局-局部时序关联计算维度下的变化性，为了提升所述全时域环境模式特征向量和所述环境多参数时域模式特征向量的序列在基于分类器的类别判定下的融合效果，本申请的申请人优选地对所述全时域环境模式特征向量和所述环境多参数时域模式特征向量的序列进行融合优化，具体表示为：以如下优化公式对所述全时域环境模式特征向量和所述环境多参数时域模式特征向量的序列进行融合优化以得到校正后全时域环境模式特征向量；其中，所述优化公式为：；其中，/>是所述全时域环境模式特征向量，且/>是所述环境多参数时域模式特征向量的序列级联得到的级联特征向量，/>和/>分别为/>对应的特征集合的均值和标准差，/>和分别为/>对应的特征集合的均值和标准差，/>表示按位置相加，/>表示按位置点乘，表示特征向量的逐位置开方，且/>为以2为底的对数，/>是所述校正后全时域环境模式特征向量。

这里，为了提升所述全时域环境模式特征向量与所述环境多参数时域模式特征向量量的序列在特征融合场景下的分布一致性，考虑到传统的加权融合方式对于推断基于特征叠加叠加的语义空间演变扩散模式存在局限性，通过采用结合空间的低阶叠加融合模式和高阶叠加融合模式的方式，并通过特征统计特征交互关系来模拟演变中心和演变轨迹，以在不同演变扩散速度场的作用下来基于非同步演变重构融合场景下的语义空间演变扩散，有效地提升了到同一高维特征空间内的投射效果，实现了所述全时域环境模式特征向量与所述环境多参数时域模式特征向量量的序列的分布一致的特征融合。这样，就提升了所述全时域环境模式特征向量的表达效果，以提升其通过分类器得到的分类结果的准确性。

随后，将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签。其中，场景类别标签可以根据实际的应用场景而设定。在这里，通过分类器来将所述全时域环境模式特征向量所表达的全时域环境模式特征映射到对应的场景类别中，实现对环境场景的自动识别和分类，为智能家居设备的控制和响应提供准确的依据。

进一步地，基于所述场景类别标签，控制智能家居设备。这里，在本申请的实际应用场景中，应当为每个场景类别定义相应的智能家居设备的控制策略，例如，在睡眠场景下关闭灯光，在下厨场景下打开灯光和冰箱等等。

在本申请的一个具体实施例中，将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签，包括：使用所述分类器的多个全连接层对所述校正后全时域环境模式特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

通过分类器对校正后全时域环境模式特征向量进行处理，可以智能地识别不同的场景类别，例如"休息时间"、"工作时间"、"用餐时间"等，有助于更准确地理解用户当前所处的场景，为智能控制提供更精准的依据。通过识别不同的场景类别，可以自适应地调整家居设备的工作模式，例如在"休息时间"降低照明亮度，提高舒适度，而在"工作时间"提供更好的照明和通风，这样的自适应调整可以提高能源利用效率和用户舒适度。

基于分类结果，可以根据用户的个性化需求定制不同的场景模式，例如根据用户的作息习惯调整不同时间段的环境设置，提供更贴合用户生活方式的智能化服务。通过识别不同的场景类别，可以为用户提供更智能化的交互体验，例如在不同场景下推荐不同的音乐、调整照明和温度等，提高用户的舒适度和便利性。

将校正后全时域环境模式特征向量通过分类器进行处理，以得到场景类别标签的有益效果包括智能场景识别、自适应环境调整、个性化场景定制和智能化交互体验，从而提高智能家居系统的智能化水平和用户体验。

综上，基于本申请实施例的基于场景适应和人工智能的智能设备控制方法被阐明，其通过利用传感器采集环境信息，并结合基于深度学习的人工智能技术来学习环境模式，并从中识别和分类场景类别，从而智能地控制智能家居设备。这样，可以根据不同的场景智能地调整智能家居设备，提高用户的生活舒适度和便利性。

图3为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制系统的框图。如图3所示，所述基于场景适应和人工智能的智能设备控制系统200，包括：环境信息的时间序列获取模块210，用于获取由传感器组采集的环境信息的时间序列；局部参数关联特征提取模块220，用于提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；上下文全时域环境特征提取模块230，用于提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；智能家居设备控制模块240，用于基于所述全时域环境模式特征向量，控制智能家居设备。

基于场景适应和人工智能的智能设备控制系统通过局部参数关联特征提取模块和上下文全时域环境特征提取模块，能够对环境信息进行深入分析和提取，从而实现智能场景识别，识别出不同的家居场景，例如休息时间、工作时间、用餐时间等。基于全时域环境模式特征向量，智能家居设备控制模块能够智能地调整家居设备，使其适应当前识别出的场景，例如在休息时间调整灯光柔和、温度舒适，而在工作时间提供明亮的照明和清新的空气。

基于场景适应和人工智能的智能设备控制系统能够根据用户的习惯和偏好，定制不同的场景模式，为用户提供个性化的家居体验，例如根据用户的作息时间调整家居设备，提供更符合用户需求的智能化服务。基于场景适应和人工智能的智能设备控制系统能够根据识别出的场景，为用户提供更智能化的交互体验，例如在不同场景下推荐不同的音乐、调整照明和温度等，提高用户的舒适度和便利性。通过全时域环境模式特征向量的应用，系统能够更准确地控制智能家居设备，提高控制精度和效率，从而实现更智能化的家居环境管理。

也就是，基于场景适应和人工智能的智能设备控制系统的有益效果包括智能场景识别、自适应环境调整、个性化场景定制、智能化交互体验和提高智能控制精度，从而提高智能家居系统的智能化水平和用户体验。

本领域技术人员可以理解，上述基于场景适应和人工智能的智能设备控制系统中的各个步骤的具体操作已经在上面参考图1到图2的基于场景适应和人工智能的智能设备控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于场景适应和人工智能的智能设备控制系统200可以实现在各种终端设备中，例如用于基于场景适应和人工智能的智能设备控制的服务器等。在一个示例中，根据本申请实施例的基于场景适应和人工智能的智能设备控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于场景适应和人工智能的智能设备控制系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于场景适应和人工智能的智能设备控制系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于场景适应和人工智能的智能设备控制系统200与该终端设备也可以是分立的设备，并且该基于场景适应和人工智能的智能设备控制系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4为本申请实施例中提供的一种基于场景适应和人工智能的智能设备控制方法的应用场景图。如图4所示，在该应用场景中，首先，获取由传感器组采集的环境信息的时间序列（例如，如图4中所示意的C）；然后，将获取的环境信息的时间序列输入至部署有基于场景适应和人工智能的智能设备控制算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于场景适应和人工智能的智能设备控制算法对所述环境信息的时间序列进行处理，以控制智能家居设备。

以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于场景适应和人工智能的智能设备控制方法，其特征在于，包括：获取由传感器组采集的环境信息的时间序列；提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；基于所述全时域环境模式特征向量，控制智能家居设备。

2.根据权利要求1所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，所述环境信息包括温度值、湿度值、光照强度值和声音强度值。

3.根据权利要求2所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列，包括：对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列；利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列。

4.根据权利要求3所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，对所述环境信息的时间序列进行数据预处理以得到环境信息的局部时间序列的序列，包括：基于预定时间尺度对所述环境信息的时间序列进行序列切分以得到所述环境信息的局部时间序列的序列。

5.根据权利要求4所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，所述深度学习网络模型为基于卷积神经网络模型的环境特征提取器。

6.根据权利要求5所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，利用深度学习网络模型对所述环境信息的局部时间序列的序列进行局部时序特征提取以得到所述环境多参数时域模式特征向量的序列，包括：使用所述基于卷积神经网络模型的环境特征提取器分别对所述环境信息的局部时间序列的序列中的各个环境信息的局部时间序列进行处理以得到所述环境多参数时域模式特征向量的序列。

7.根据权利要求6所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量，包括：将所述环境多参数时域模式特征向量的序列通过基于转换器模块的环境模式特征上下文编码器以得到所述全时域环境模式特征向量。

8.根据权利要求7所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，基于所述全时域环境模式特征向量，控制智能家居设备，包括：对所述全时域环境模式特征向量进行特征表达校正以得到校正后全时域环境模式特征向量；将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签；基于所述场景类别标签，控制所述智能家居设备。

9.根据权利要求8所述的基于场景适应和人工智能的智能设备控制方法，其特征在于，将所述校正后全时域环境模式特征向量通过分类器以得到分类结果，所述分类结果用于表示场景类别标签，包括：使用所述分类器的多个全连接层对所述校正后全时域环境模式特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

10.一种基于场景适应和人工智能的智能设备控制系统，其特征在于，包括：环境信息的时间序列获取模块，用于获取由传感器组采集的环境信息的时间序列；局部参数关联特征提取模块，用于提取所述环境信息的时间序列的局部参数关联特征以得到环境多参数时域模式特征向量的序列；上下文全时域环境特征提取模块，用于提取所述环境多参数时域模式特征向量的序列的上下文全时域环境特征以得到全时域环境模式特征向量；智能家居设备控制模块，用于基于所述全时域环境模式特征向量，控制智能家居设备。