CN117930669B - 基于物联网的智能家居远程控制方法 - Google Patents

Abstract

本发明涉及数据处理领域，更具体地，本发明涉及基于物联网的智能家居远程控制方法，方法包括：采集室内温度数据，并设置初始分段序列，将初始分段序列中目标数据序列的后续数据加入目标数据序列中，计算目标数据序列的变化值并进行分类，得到多个显著分段序列，对显著分段序列中计算每一样本数据的数据特征和差异值；根据数据特征和差异值得到每一样本数据的特征程度值，进而获得最优分裂值，基于最优分裂值进行二叉树的搭建，获得异常数据的异常程度值控制调节智能家居的运行状态。本发明通过对分裂值的遍历，选择最优的分裂点将数据集划分为样本数据集，提高样本数据分裂值的评价指标结果的准确性。

Description

基于物联网的智能家居远程控制方法

技术领域

本发明一般地涉及数据处理领域。更具体地，本发明涉及基于物联网的智能家居远程控制方法。

背景技术

智能家居系统的远程控制使用户能够随时随地监控和管理家庭设备，提高生活的便捷性。同时，物联网技术的迅速发展为智能家居提供了技术基础，各种传感器、嵌入式设备和通信技术的进步使得设备之间能够互联互通，实现智能化和远程控制。而云计算的兴起也为智能家居系统提供了强大的数据存储和处理能力，使得用户能够通过云端服务实现对家居设备的远程管理和控制，如温度、照明等，提高居住舒适度。同时，智能家居系统的远程监控功能有助于提高家庭安全性，例如通过烟雾传感器及时发现火灾风险。面临能源紧缺和环境保护压力时，智能家居系统可以通过远程监控和调控，实现更有效的能源利用，降低能耗。

在对智能家居进行远程控制时，一般依据对室内相关数据进行监测来实现对智能家居的远程控制，当识别到室内相关数据发生异常时智能家居可直接采取相应手段对其进行控制，例如，当室内温度过高时，智能空调可提醒用户对室内温度进行降低或者停止其运行，以避免事故灾害的发生。

目前对室内温度数据进行异常数据识别通常会使用孤立森林算法，但是孤立森林算法中，分裂值的选取多为随机数据，此时分裂值选取的随机性会影响到异常数据识别的效率，从而会导致异常数据识别误报。

发明内容

为解决上述一个或多个技术问题，本发明提出对数据进行分析获得最优分裂阈值，以提高对异常数据的识别效率本申请没有多个方面。

基于物联网的智能家居远程控制方法，包括：采集室内温度数据，其中，所述室内温度数据基于时序进行数据采集；根据所述室内温度数据设置初始分段序列，对每一个所述初始分段序列设置固定个数的分段数据，将初始分段序列中目标数据序列的后续数据加入所述目标数据序列中，计算所述目标数据序列的方差作为目标数据序列的变化值，基于所述变化值进行分类，得到多个显著分段序列；对所述显著分段序列中每一样本数据进行最小二乘拟合，得到每一样本数据的数据特征，计算每一样本数据作为分裂值时两类样本数据集的差异值；根据所述数据特征和差异值，得到显著分段序列中每一样本数据的特征程度值，计算显著分段序列中最大的特征程度值作为分裂值的评价指标，进而获得最优分裂值，对多个所述显著分段序列进行遍历，得到每个显著分段序列对应的最优分裂值；基于所述最优分裂值进行二叉树的搭建；根据所述二叉树获得显著分段序列内的异常数据，计算所述异常数据的异常程度值，响应于异常程度值大于预设异常阈值，控制智能家居停止运行。

在一个实施例中，计算所述目标数据序列的方差作为目标数据序列的变化值，基于所述变化值进行分类，得到多个显著分段序列，包括：

所述目标数据序列的变化值满足下述关系式：

式中，表示后续数据/>加入目标数据序列/>后的变化值，/>表示目标数据序列内的数据方差，/>表示后续数据/>加入目标数据序列/>后的数据方差，/>表示归一化函数，/>表示/>与/>差值的绝对值。

响应于所述变化值大于预设变化阈值时，判定后续数据不能加入目标数据序列，将所述后续数据为起始进行下一分段，得到多个显著分段序列。

在一个实施例中，每一样本数据的数据特征，满足下述关系式：

式中，表示显著分段序列/>中样本数据/>的数据特征，/>表示样本数据/>不参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>在显著分段序列/>内出现的频率，/>表示样本数据/>在显著分段序列/>内的数值，/>表示样本数据/>在显著分段序列/>的整体数据均值，/>表示归一化函数，/>表示/>与/>差值的绝对值，表示/>与/>差值的绝对值。

在一个实施例中，计算每一样本数据作为分裂值时两类样本数据集的差异值，包括：

根据所述显著分段序列内样本数据的个数和样本数据的数据特征的信息熵作为权重，计算两类样本数据集的差异值；

所述样本数据作为分裂值时两类样本数据集的差异值，满足下列多项式：

式中，表示样本数据/>作为分裂值时显著分段序列/>中小于分裂值的样本数据集/>的信息熵，/>表示显著分段序列/>中小于分裂值的样本数据集/>的个数，/>表示样本数据/>所在显著分段序列/>中数据个数，/>表示样本数据集/>在方差变化中的权重；表示样本数据/>作为分裂值时显著分段序列/>中大于分裂值的样本数据集/>的信息熵，/>表示显著分段序列/>中大于分裂值的样本数据集/>的个数，/>表示样本数据集/>在方差变化中的权重，/>表示指数函数；/>表示样本数据/>作为分裂值时两类样本数据集/>的差异，/>表示样本数据/>所在显著分段序列/>的方差，/>表示样本数据集/>的方差，/>表示样本数据集/>的方差。

在一个实施例中，根据所述数据特征和差异值，得到显著分段序列中每一样本数据的特征程度值，包括：

所述样本数据的特征程度值，满足下述关系式：

式中，表示显著分段序列/>中第/>个样本数据的特征程度值，/>表示显著分段序列/>中第/>个样本数据的数据特征，/>表示样本数据/>作为分裂值时两类样本数据集的差异。

在一个实施例中，计算所述异常数据的异常程度值，满足下述关系式：

式中，表示当前异常数据/>的异常程度值，/>表示当前异常数据/>的数值，/>表示当前异常数据/>所处分段内其余数据/>的数值，/>表示当前异常数据/>所处分段内数据个数，/>表示归一化函数，/>表示/>与/>差值的绝对值。

在一个实施例中，根据所述异常数据的异常程度值控制调节智能家居的运行状态，包括：

响应于所述异常程度值大于预设异常阈值，则智能家居发出异常警示，控制家具停止运行。

本发明具有以下效果：

1.本发明通过对分裂值的遍历，选择最优的分裂点将数据集划分为样本数据集，使得在构建树的过程中，异常值更有可能被划分到子树的较小分支，从而在树的结构中更早被定位，有助于提高孤立森林对异常值的敏感度。

2.本发明通过获得样本数据的分裂值评价指标时，从样本数据本身以及样本数据所划分的两类样本数据集之间的差异进行分析，进行分段处理，可以更好地捕捉室内温度数据的局部异常，提高对动态变化的敏感性，有助于实现实时监测，及时发现和应对数据中的异常情况，从而使智能家居远程控制系统更可靠和智能，提高样本数据分裂值评价指标结果的准确性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是本发明实施例基于物联网的智能家居远程控制方法中步骤S1-S6的方法流程图。

图2是本发明实施例基于物联网的智能家居远程控制方法中步骤S30-S31的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来详细描述本发明的具体实施方式。

参照图1，基于物联网的智能家居远程控制方法包括步骤S1-步骤S6，具体如下：

S1：采集室内温度数据，其中，室内温度数据基于时序进行数据采集。

进一步说明，在智能家居内部安装温度传感器，按照5s（经验值）的数据作为采集间隔，采集室内温度数据，将所采集室内温度数据传输至云端，对其进行异常数据监测。当检测到室内温度异常时，将异常警示发送至用户手机端，提醒用户做出相关处理，以避免灾害的发生。

S2：根据室内温度数据设置初始分段序列，对每一个初始分段序列设置固定个数的分段数据，将初始分段序列中目标数据序列的后续数据加入目标数据序列中，计算目标数据序列的方差作为目标数据序列的变化值，基于变化值进行分类，得到多个显著分段序列。

进一步说明，例如采集室内温度数据如下：

[25.2℃, 26.5℃, 24.8℃, 23.7℃, 27.1℃, 22.9℃, 26.3℃, 25.8℃, 23.5℃, 24.6℃, 27.8℃, 22.3℃, 26.7℃, 25.4℃, 24.1℃, 23.9℃, 27.5℃, 22.7℃,25.9℃, 24.4℃]；

设置初始分段序列，其中初始分段序列中有10个分段数据：（本实施例中，以两个初始分段序列为例）；

[25.2℃, 26.5℃, 24.8℃, 23.7℃, 27.1℃, 22.9℃, 26.3℃, 25.8℃, 23.5℃, 24.6℃]：目标数据序列；

[27.8℃, 22.3℃, 26.7℃, 25.4℃, 24.1℃, 23.9℃, 27.5℃, 22.7℃, 25.9℃, 24.4℃]：后续数据序列；

将目标数据序列的后续数据27.8℃加入目标数据序列中，并计算目标数据序列的方差，得到变化值；

时序数据具有动态性，随时间的推移可能呈现不同的趋势、周期性或季节性，对整个室内温度数据进行异常监测可能掩盖了这些动态特性，通过分段处理，可以更好地捕捉室内温度数据的局部异常，提高对动态变化的敏感性，有助于实现实时监测，及时发现和应对数据中的异常情况，从而使智能家居远程控制系统更可靠和智能；

将室内温度数据分段是将处于同一变化趋势的数据分为一组，以避免算法将一些拐点数据识别为异常数据。在获取数据变化趋势的过程中，依据数据之间方差的变化来反映数据之间是否处于同一趋势。

目标数据序列的变化值满足下述关系式：

式中，表示后续数据/>加入目标数据序列/>后的变化值，/>表示目标数据序列内的数据方差，/>表示后续数据/>加入目标数据序列/>后的数据方差，/>表示归一化函数，/>表示/>与/>差值的绝对值。

响应于变化值大于预设变化阈值时，判定后续数据不能加入目标数据序列，将后续数据为起始进行下一分段，得到多个显著分段序列。

进一步说明，本实施例中，预设变化阈值为0.96，响应于变化值，则后续数据不能加入当前分段序列，则将27.8℃作为起始数据进行下一分段，得到多个显著分段序列。

进一步说明，智能家居实现远程控制过程中，需要依据室内温度数据的变化进行监测，当识别到异常数据存在时提醒用户做出相关处理以避免灾害的发生，这就对室内温度数据的异常识别有一定的效率要求。本实施例中采用孤立森林算法，选择合适的分裂值可以进一步提高孤立森林算法识别异常数据的效率，分别对每个显著分段序列进行孤立森林二叉树的搭建，并对显著分段序列进行遍历，获得每一数据可作为分裂值的评价指标，进而获得最优分裂值，在分裂值的选取时，显著分段序列中样本数据的数据特征以及样本数据作为分裂值，所分成的两类数据集之间的差异变化，都会影响到样本数据的特征程度。

S3：对显著分段序列中每一样本数据进行最小二乘拟合，得到每一样本数据的数据特征，计算每一样本数据作为分裂值时两类样本数据集的差异值。

进一步说明，样本数据作为分裂值时，样本数据在显著分段序列中出现的频率越低，则以样本数据为分裂值时可以更好的使两类数据均匀分布，避免采用出现频率较高的数据作为分裂值导致部分与分裂值相同数据无法进行分类，致使数据分布不均匀。也就是说，样本数据在显著分段序列中出现的频率越小，则样本数据越具有数据特征。

并且，样本数据在显著分段序列内离群表现越小，则样本数据的数据特征越可信。其中，样本数据在显著分段序列内的离群表现具体可依据样本数据与显著分段序列整体数据的均值差异来反映，差异越小则样本数据的离群表现越低。

参照图2，包括步骤S30-步骤S31：

S30：计算每一样本数据的数据特征，满足下述关系式：

式中，表示显著分段序列/>中样本数据/>的数据特征，/>表示样本数据/>不参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>在显著分段序列/>内出现的频率，/>表示样本数据/>在显著分段序列/>内的数值，/>表示样本数据/>在显著分段序列/>的整体数据均值，/>表示归一化函数，/>表示/>与/>差值的绝对值，表示/>与/>差值的绝对值。

进一步说明，表示样本数据/>可作为分裂值的意义，/>表示样本数据/>的数据特征的可信度。

S31：根据显著分段序列内样本数据的个数和样本数据的数据特征的信息熵作为权重，计算两类样本数据集的差异值；

进一步说明，样本数据作为分裂值将显著分段序列分为两类时，分类前后数据集的方差变小，表明样本数据作为分裂值所分成的两类数据更为集中，而异常数据通常具有较大的离群表现，此时则可以更好的将异常数据孤立出来，所分成的两类数据的之间的个数差异越大，个数较小的这一类更容易使异常点明显，并且个数较小的这一类内数据的信息熵越高，说明这一类的数据分布较为混乱，存在离群数据的可能性就越大，可以快速的将异常数据分离出来。

样本数据作为分裂值时两类样本数据集的差异值，满足下列多项式：

式中，表示样本数据/>作为分裂值时显著分段序列/>中小于分裂值的样本数据集/>的信息熵，/>表示显著分段序列/>中小于分裂值的样本数据集/>的个数，/>表示样本数据/>所在显著分段序列/>中数据个数，/>表示样本数据集/>在方差变化中的权重；表示样本数据/>作为分裂值时显著分段序列/>中大于分裂值的样本数据集/>的信息熵，/>表示显著分段序列/>中大于分裂值的样本数据集/>的个数，/>表示样本数据集/>在方差变化中的权重，/>表示指数函数；/>表示样本数据/>作为分裂值时两类样本数据集/>的差异，/>表示样本数据/>所在显著分段序列/>的方差，/>表示样本数据集/>的方差，/>表示样本数据集/>的方差。

进一步说明，样本数据的数据特征越大，并且样本数据/>作为分裂值时两类数据的差异越明显，则样本数据/>的数据特征程度值就越大，作为分裂值进行孤立森林二叉树搭建的可能性就越大；差异值越大，则样本数据越重要，样本数据可作为分裂值的意义也就越大。

S4：根据数据特征和差异值，得到显著分段序列中每一样本数据的特征程度值，计算显著分段序列中最大的特征程度值作为分裂值的评价指标，进而获得最优分裂值，对多个所述显著分段序列进行遍历，得到每个显著分段序列对应的最优分裂值。

样本数据的特征程度值，满足下述关系式：

式中，表示显著分段序列/>中第/>个样本数据的特征程度值，/>表示显著分段序列/>中第/>个样本数据的数据特征，/>表示样本数据/>作为分裂值时两类样本数据集的差异。

S5：基于最优分裂值进行二叉树的搭建。

进一步说明，显著分段序列中最大的特征程度值对应的样本数据作为显著分段序列的分裂值，进行二叉树的搭建，并对分裂值所分成的两类样本数据集执行上述步骤的操作，继续进行二叉树的分裂，直至二叉树的最大深度为5（经验值）时，停止搭建以避免数据过度拟合。

S6：根据二叉树获得显著分段序列内的异常数据，计算所述异常数据的异常程度值，响应于异常程度值大于预设异常阈值，控制智能家居停止运行。

进一步说明，设置异常数据的路径长度阈值为（/>表示当前二叉树节点的路径长度均值，/>表示路径方差，/>表示向上取整函数），当某一数据节点的路径长度超过上述阈值时，可判定当前数据为异常数据。

计算异常数据的异常程度值，满足下述关系式：

式中，表示当前异常数据/>的异常程度值，/>表示当前异常数据/>的数值，/>表示当前异常数据/>所处分段内其余数据/>的数值，/>表示当前异常数据/>所处分段内数据个数，/>表示归一化函数，/>表示/>与/>差值的绝对值。

进一步说明，异常数据的异常程度值可依据异常数据与显著分段序列内其余数据的差异累计和来反映，累计和越大则当前异常数据的异常程度越大。

响应于异常程度值大于预设异常阈值，则智能家居发出异常警示，控制家具停止运行。

进一步说明，对异常数据的异常程度值设置异常阈值，本实施例中，异常程度值（经验值）时，可认为当前异常数据的异常程度较大，智能家居可直接控制家居停止运行，当异常数据的异常程度较大时，智能家居可向用户发出预警并直接自主控制停止运行，如关闭室内的空调，以避免室内温度过高。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (4)

1.基于物联网的智能家居远程控制方法，其特征在于，包括：

采集室内温度数据，其中，所述室内温度数据基于时序进行数据采集；

根据所述室内温度数据设置初始分段序列，对每一个所述初始分段序列设置固定个数的分段数据，将初始分段序列中目标数据序列的后续数据加入所述目标数据序列中，计算所述目标数据序列的方差作为目标数据序列的变化值，基于所述变化值进行分类，得到多个显著分段序列；

对所述显著分段序列中每一样本数据进行最小二乘拟合，得到每一样本数据的数据特征，计算每一样本数据作为分裂值时两类样本数据集的差异值；

根据所述数据特征和差异值，得到显著分段序列中每一样本数据的特征程度值，计算显著分段序列中最大的特征程度值作为分裂值的评价指标，进而获得最优分裂值，对多个所述显著分段序列进行遍历，得到每个显著分段序列对应的最优分裂值；

基于所述最优分裂值进行二叉树的搭建；

根据所述二叉树获得显著分段序列内的异常数据，计算所述异常数据的异常程度值，响应于异常程度值大于预设异常阈值，控制智能家居停止运行；

计算所述目标数据序列的方差作为目标数据序列的变化值，基于所述变化值进行分类，得到多个显著分段序列，包括：

所述目标数据序列的变化值满足下述关系式：

式中，表示后续数据/>加入目标数据序列/>后的变化值，/>表示目标数据序列/>内的数据方差，/>表示后续数据/>加入目标数据序列/>后的数据方差，/>表示归一化函数，/>表示/>与/>差值的绝对值；

响应于所述变化值大于预设变化阈值时，判定后续数据不能加入目标数据序列，将所述后续数据为起始进行下一分段，得到多个显著分段序列；

计算每一样本数据作为分裂值时两类样本数据集的差异值，包括：

根据所述显著分段序列内样本数据的个数和样本数据的数据特征的信息熵作为权重，计算两类样本数据集的差异值；

所述样本数据作为分裂值时两类样本数据集的差异值，满足下列多项式：

式中，表示样本数据/>作为分裂值时显著分段序列/>中小于分裂值的样本数据集的信息熵，/>表示显著分段序列/>中小于分裂值的样本数据集/>的个数，/>表示样本数据/>所在显著分段序列/>中数据个数，/>表示样本数据集/>在方差变化中的权重；/>表示样本数据/>作为分裂值时显著分段序列/>中大于分裂值的样本数据集/>的信息熵，/>表示显著分段序列/>中大于分裂值的样本数据集/>的个数，/>表示样本数据集/>在方差变化中的权重，/>表示指数函数；/>表示样本数据/>作为分裂值时两类样本数据集的差异，/>表示样本数据/>所在显著分段序列/>的方差，/>表示样本数据集/>的方差，表示样本数据集/>的方差；

根据所述数据特征和差异值，得到显著分段序列中每一样本数据的特征程度值，包括：

所述样本数据的特征程度值，满足下述关系式：

式中，表示显著分段序列/>中第/>个样本数据的特征程度值，/>表示显著分段序列中第/>个样本数据的数据特征，/>表示样本数据/>作为分裂值时两类样本数据集/>的差异。

2.根据权利要求1所述的基于物联网的智能家居远程控制方法，其特征在于，每一样本数据的数据特征，满足下述关系式：

式中，表示显著分段序列/>中样本数据/>的数据特征，/>表示样本数据/>不参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>参与显著分段序列/>内整体数据拟合时的残差，/>表示样本数据/>在显著分段序列/>内出现的频率，/>表示样本数据/>在显著分段序列/>内的数值，/>表示样本数据/>在显著分段序列/>的整体数据均值，表示归一化函数，/>表示/>与/>差值的绝对值，表示/>与/>差值的绝对值。

3.根据权利要求1所述的基于物联网的智能家居远程控制方法，其特征在于，计算所述异常数据的异常程度值，满足下述关系式：

式中，表示当前异常数据/>的异常程度值，/>表示当前异常数据/>的数值，/>表示当前异常数据/>所处分段内其余数据/>的数值，/>表示当前异常数据/>所处分段内数据个数，/>表示归一化函数，/>表示/>与/>差值的绝对值。

4.根据权利要求1所述的基于物联网的智能家居远程控制方法，其特征在于，根据所述异常数据的异常程度值控制调节智能家居的运行状态，包括：

响应于所述异常程度值大于预设异常阈值，则智能家居发出异常警示，控制家具停止运行。