WO2020082852A1 - 控制家用电器的方法、系统及装置、家用电器 - Google Patents

控制家用电器的方法、系统及装置、家用电器 Download PDF

Info

Publication number
WO2020082852A1
WO2020082852A1 PCT/CN2019/099377 CN2019099377W WO2020082852A1 WO 2020082852 A1 WO2020082852 A1 WO 2020082852A1 CN 2019099377 W CN2019099377 W CN 2019099377W WO 2020082852 A1 WO2020082852 A1 WO 2020082852A1
Authority
WO
WIPO (PCT)
Prior art keywords
household appliances
prediction
model
household
data
Prior art date
Application number
PCT/CN2019/099377
Other languages
English (en)
French (fr)
Inventor
张龙
连园园
秦萍
彭磊
Original Assignee
珠海格力电器股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 珠海格力电器股份有限公司 filed Critical 珠海格力电器股份有限公司
Publication of WO2020082852A1 publication Critical patent/WO2020082852A1/zh

Links

Images

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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house

Definitions

  • This application relates to the field of smart home appliances, and in particular, to a method, system and device for controlling home appliances, and home appliances.
  • the embodiments of the present application provide a method, system and device for controlling household appliances, and household appliances to at least solve the technical problems that the user controls the running state of the household appliances by controlling the remote control device, the operation is cumbersome, and the user experience is poor.
  • a method for controlling a home appliance including: collecting at least one working data of a home appliance; processing at least one working data of the home appliance based on a prediction model to generate a prediction result, wherein,
  • the prediction result includes: at least one control instruction for the home appliance, wherein the prediction model is a model generated by training sample data of the home appliance; the control home appliance works based on the prediction result.
  • the method before processing at least one working data of the home appliance based on the prediction model and generating a prediction result, the method further includes: obtaining a historical database of the home appliance, where the historical database records when the home appliance works in the historical time period The generated work data; build a prediction model by training a historical database of household appliances, where the prediction model includes a deep learning model and an ARIMA model combined with wavelet transform for noise reduction.
  • historical work data of different household appliances in different time periods is acquired, and the historical work data is saved to the historical database.
  • the working data includes at least one of the following: running time, working status.
  • the target working data to which the home appliance needs to be adjusted is predicted.
  • the method further includes: detecting the operating power of the home appliance; if the operating power is less than the corresponding threshold, prohibiting the home appliance from working according to the predicted result.
  • a system for controlling household appliances including: at least one household appliance, configured to send at least one work data of the household appliance; a server, communicating with at least one household appliance, configured to be based on prediction
  • the model processes at least one working data of household appliances to generate prediction results, and feeds back the prediction results to the corresponding household appliances.
  • the prediction model is a model generated by training the sample data of household appliances; where the household appliances are based on the prediction results working.
  • the prediction result includes: at least one control instruction for the home appliance.
  • a household appliance including: a collector configured to collect at least one working data of a household appliance; a processor configured to process at least one working data of a household appliance based on a prediction model To generate a prediction result, where the prediction result includes: at least one control instruction for household appliances, wherein the prediction model is a model generated by training sample data of household appliances; the controller is configured to control household appliances to work based on the prediction results .
  • an apparatus for controlling household appliances including: a collection module configured to collect at least one working data of household appliances; a prediction module configured to perform at least one work on household appliances based on a prediction model The data is processed to generate a prediction result, where the prediction result includes: at least one control instruction for household appliances, wherein the prediction model is a model generated by training sample data of household appliances; the control module is set to control household appliances based on prediction Work as a result.
  • a storage medium includes a stored program, wherein, when the program is running, the device where the storage medium is located is controlled to perform the above-described method of controlling a home appliance.
  • a processor is provided, and the processor is configured to run a program, wherein the method for controlling a home appliance is executed when the program is executed.
  • the prediction model is a model generated by training sample data of household appliances; controlling household appliances to work based on the prediction results. It achieves the effect of automatically controlling household appliances to work by acquiring the working data of home appliances and processing according to the current working data, thereby solving the technical problems that users control the running status of home appliances by controlling remote control devices, the operation is cumbersome, and the user experience is poor .
  • FIG. 1 is a schematic flowchart of an optional method for controlling household appliances according to an embodiment of the present application
  • FIG. 2 is a schematic structural diagram of an optional system for controlling household appliances according to an embodiment of the present application
  • FIG. 3 is a schematic structural diagram of an optional household appliance according to an embodiment of the present application.
  • FIG. 4 is a schematic structural diagram of an optional apparatus for controlling household appliances according to an embodiment of the present application.
  • an embodiment of a method for controlling an electrical appliance of an electrical appliance there is provided an embodiment of a method for controlling an electrical appliance of an electrical appliance.
  • steps shown in the flowchart in the drawings can be executed in a computer system such as a set of computer-executable instructions
  • the steps shown or described may be performed in an order different from here.
  • FIG. 1 is a schematic flowchart of a method for controlling a household appliance according to an embodiment of the present application. As shown in FIG. 1, the method includes at least the following steps:
  • Step S102 Collect at least one working data of household appliances
  • the work data may be current work time information and / or work status
  • Step S104 Process at least one working data of the home appliance based on the prediction model to generate a prediction result, where the prediction result includes: at least one control instruction for the home appliance, wherein the prediction model is generated by training sample data of the home appliance Model of
  • Step S1022 Acquire a historical database of household appliances, where the historical database records work data generated when the household appliances work within a historical time period;
  • the above-mentioned history library is used to store historical data of each household appliance in a historical period in the past;
  • the historical working period refers to the specific working period of each household appliance in a day, historical work
  • the data refers to the operating status of each household appliance in different historical working time periods, for example: the air conditioner's working status from 7 to 8 pm is cooling 26 degrees.
  • a certain period of time in the past can refer to the past month or a certain season last year.
  • the above-mentioned historical time period information and working data in this time period are used to train the prediction model.
  • the current running time of the home appliance is input into the prediction model, and the target running state corresponding to the current home appliance at the current running time is output.
  • the current operating time and operating state of the home appliance are input into the prediction model, and then the target operating state to which the current operating time and operating state of the current home appliance is adjusted is output.
  • the smart home system before collecting at least one working data of the household appliance, may obtain the user's voice instruction or gesture instruction; after the smart home system obtains the user's voice instruction or gesture instruction , Triggering the collection of at least one working data of household appliances.
  • Step S1024 Construct a prediction model by training a historical database of household appliances, where the prediction model includes a deep learning model and an ARIMA model combined with wavelet transform for noise reduction.
  • the above-mentioned deep learning model is an LSTM model
  • the two models of the above-mentioned deep learning model and the ARIMA model of wavelet transform noise reduction are called hybrid models.
  • the above-mentioned hybrid model predicts the running state of household appliances and synthesizes the prediction results from different models to obtain more accurate prediction results;
  • the ARIMA model with wavelet transform for noise reduction is used to verify the prediction results. If the results are the same, the prediction result is determined to be the final prediction result. If they are not the same, the accuracy of the prediction results of the ARIMA model with LSTM or wavelet transform noise reduction can be improved by retraining the ARIMA model with LSTM or wavelet transform noise reduction.
  • Step S106 controlling the home appliance to work based on the prediction result.
  • the current working state and time information are input into the prediction model
  • historical work data of different household appliances in different time periods is acquired, and the historical work data is saved to a historical database.
  • the working data can be at least one of the following: running time, working status.
  • the above historical database can divide the data storage module according to the type of household appliances, which is convenient when the smart home system obtains the home appliance appliances on the button and reads the current working state of the household appliances.
  • the current time information the current time is Information is input into the prediction model to determine the target operating status of different household appliances, that is, to determine the prediction results.
  • the predicted data is the target working data to which household appliances need to be adjusted.
  • the operating power is less than the corresponding threshold At that time, it is forbidden for household appliances to work according to the predicted results.
  • the prediction model is a model generated by training sample data of household appliances; controlling household appliances to work based on the prediction results. It achieves the effect of automatically controlling household appliances to work by acquiring the working data of home appliances and processing according to the current working data, thereby solving the technical problems that users control the running status of home appliances by controlling remote control devices, the operation is cumbersome, and the user experience is poor .
  • FIG. 2 is a schematic structural diagram of an optional system for controlling household appliances according to an embodiment of the present application; as shown in FIG. 2, the system includes at least: at least one household appliance 22 and a server 24; wherein:
  • At least one home appliance 22 configured to send at least one work data of the home appliance
  • the server 24 communicates with at least one home appliance, and is configured to process at least one working data of the home appliance based on a prediction model, generate a prediction result, and feed back the prediction result to the corresponding home appliance, where the prediction model is a The model generated by the sample data; among them, household appliances work based on the prediction results.
  • FIG. 3 is a schematic structural diagram of a household appliance according to an embodiment of the present application.
  • the household appliance includes at least: a collector 32, a processor 34, and a controller 36; wherein:
  • the collector 32 is configured to collect at least one working data of household appliances
  • the processor 34 is configured to process at least one working data of the home appliance based on the prediction model to generate a prediction result, wherein the prediction result includes: at least one control instruction for the home appliance, wherein the prediction model is a sample by training the home appliance The model generated by the data;
  • the controller 36 is configured to control the home appliance to work based on the prediction result.
  • the apparatus includes at least: an acquisition module 42, a prediction module 44, and a control module 46; wherein:
  • the collection module 42 is configured to collect at least one working data of household appliances
  • the prediction module 44 is configured to process at least one working data of the home appliance based on the prediction model to generate a prediction result, wherein the prediction result includes: at least one control instruction for the home appliance, wherein the prediction model is a sample by training the home appliance The model generated by the data;
  • the control module 46 is configured to control the home appliance to work based on the prediction result.
  • a storage medium wherein the storage medium includes a stored program, wherein, when the program is running, the device where the storage medium is located is controlled to execute the above-mentioned method for controlling a home appliance.
  • processor configured to run a program, wherein the method for controlling the home appliance described above is executed when the program is run.
  • the disclosed technical content may be implemented in other ways.
  • the device embodiments described above are only schematic.
  • the division of units may be a division of logical functions.
  • there may be other division methods for example, multiple units or components may be combined or integrated into Another system, or some features can be ignored, or not implemented.
  • the displayed or discussed mutual coupling or direct coupling or communication connection may be indirect coupling or communication connection through some interfaces, units or modules, and may be in electrical or other forms.
  • the units described as separate components may or may not be physically separate, and the components displayed as units may or may not be physical units, that is, they may be located in one place, or may be distributed over multiple units. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units are integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or software function unit.
  • the integrated unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer-readable storage medium.
  • the technical solution of the present application may be essentially or part of the contribution to the existing technology or all or part of the technical solution may be embodied in the form of a software product, and the computer software product is stored in a storage medium , Including several instructions to enable a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods of the embodiments of the present application.
  • the aforementioned storage media include: U disk, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), mobile hard disk, magnetic disk or optical disk and other media that can store program code .
  • the embodiments of the present application can be used to control household appliances by collecting at least one working data of household appliances; processing at least one working data of household appliances based on a prediction model to generate a prediction result, by obtaining the working data of household appliances, and According to the current work data processing, the effect of automatically controlling the home appliances to work is solved, thereby solving the technical problem that the user controls the running state of the home appliances by controlling the remote control device, the operation is cumbersome, and the user experience is poor.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Selective Calling Equipment (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种控制家用电器的方法、系统及装置、家用电器。其中，该方法包括：采集家用电器的至少一个工作数据（S102）；基于预测模型对该家用电器的至少一个工作数据进行处理，生成预测结果(S104)，其中，预测结果包括：针对该家用电器的至少一个控制指令，其中，该预测模型为通过训练该家用电器的样本数据所产生的模型；控制该家用电器基于该预测结果进行工作(S106)。

Description

控制家用电器的方法、系统及装置、家用电器 技术领域
本申请涉及智能家电领域，具体而言，涉及一种控制家用电器的方法、系统及装置、家用电器。
背景技术
目前，用户对各个家电进行控制时，需要用遥控设备控制家电的开启与关闭机运行状态，操作较繁琐，较浪费人的时间跟精力，若用户无法在需要时找到遥控设备，则无法开启对应的家电设备，用户体验较差。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种控制家用电器的方法、系统及装置、家用电器，以至少解决用户通过控制遥控设备控制家电的运行状态，操作繁琐，用户体验较差的技术问题。
根据本申请实施例的一个方面，提供了一种控制家用电器的方法，包括：采集家用电器的至少一个工作数据；基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；控制家用电器基于预测结果进行工作。
可选地，在基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果之前，方法还包括：获取家用电器的历史数据库，其中，历史数据库记录了家用电器在历史时间段内工作时所产生的工作数据；通过训练家用电器的历史数据库，构建预测模型，其中，预测模型包括深度学习模型和结合小波变换降噪的ARIMA模型。
可选地，在需要控制多个家用电器的情况下，获取不同的家用电器在不同时间段内的历史工作数据，并将历史工作数据保存至历史数据库。
可选地，在需要控制多个家用电器的情况下，采集不同的家用电器的工作数据，并采用深度学习模型和ARIMA模型对不同家用电器的工作数据进行处理，预测得到不 同的家用电器的控制指令，其中，工作数据包括如下至少之一：运行时间、工作状态。
可选地，预测得到家用电器需要调节到的目标工作数据。
可选地，在采集家用电器的至少一个工作数据之后，方法还包括：检测家用电器的运行功率；如果运行功率小于对应的阈值，禁止家用电器按照预测结果进行工作。
根据本申请实施例的一个方面，提供了一种控制家用电器的系统，包括：至少一个家用电器，设置为发送家用电器的至少一个工作数据；服务器，与至少一个家用电器通信，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，并反馈预测结果至对应的家用电器，其中，预测模型为通过训练家用电器的样本数据所产生的模型；其中，家用电器基于预测结果进行工作。
可选地，预测结果包括：针对家用电器的至少一个控制指令。
根据本申请实施例的一个方面，提供了一种家用电器，包括：采集器，设置为采集家用电器的至少一个工作数据；处理器，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；控制器，设置为控制家用电器基于预测结果进行工作。
根据本申请实施例的一个方面，提供了一种控制家用电器的装置，包括：采集模块，设置为采集家用电器的至少一个工作数据；预测模块，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；控制模块，设置为控制家用电器基于预测结果进行工作。
根据本申请实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的控制家用电器的方法。
根据本申请实施例的一个方面，提供了一种处理器，处理器设置为运行程序，其中，程序运行时执行上的控制家用电器的方法。
在本申请实施例中，通过采集家用电器的至少一个工作数据；基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；控制家用电器基于预测结果进行工作。达到了通过获取家电电器的工作数据，并根据当前工作数据处理，自动控制家用电器进行工作的效果，从而解决了用户通过控制遥控设备控制家电的运行状态，操作繁琐，用户体验较差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的控制家用电器的方法的流程示意图；
图2是根据本申请实施例的一种可选的控制家用电器的系统的结构示意图；
图3是根据本申请实施例的一种可选的家用电器的结构示意图；
图4是根据本申请实施例的一种可选的控制家用电器的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合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，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，提供了一种电器设备的控制家用电器的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的控制家用电器的方法的流程示意图，如图1所示，该方法至少包括如下步骤：
步骤S102，采集家用电器的至少一个工作数据；
在本申请的一些可选的实施例中，上述工作数据可以为当前的工作时间信息、和/ 或工作状态；
步骤S104，基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；
在本申请的一个可选的实施例中，在上述步骤S104之前，还需要执行以下步骤：
步骤S1022，获取家用电器的历史数据库，其中，历史数据库记录了家用电器在历史时间段内工作时所产生的工作数据；
在本申请的一些可选的时实施例中，上述历史库用于存储各个家电在过去某一历史时间段内的历史数据；历史工作时间段指一天中各个家电具体工作的时间段，历史工作数据指各个家电在不同历史工作时间段内运行状态，例如：空调在晚上7点-8点的工作状态为制冷26度。过去某一时间段，可以指过去的一个月，也可以指去年的某个季节。
其中，上述历史时间段信息以及该时间段内的工作数据用于训练预测模型。
在本申请的一个可选的实施例中，将家用电器的当前运行时间输入预测模型，则输出当前家用电器在当前运行时间对应的目标运行状态。
在本申请的另一个可选的实施例中，将家用电器的当前运行时间以及运行状态输入预测模型，则输出当前家用电器在当前运行时间以及运行状态调整到的目标运行状态。
在本申请的一个可选的实施例中，采集家用电器的至少一个工作数据之前，智能家居系统可获取用户的语音指令，或者手势指令；在智能家居系统获取到用户的语音指令或手势指令之后，触发对家用电器的至少一个工作数据的采集。
步骤S1024，通过训练家用电器的历史数据库，构建预测模型，其中，预测模型包括深度学习模型和结合小波变换降噪的ARIMA模型。
在本申请的一些可选的实施例中，上述深度学习模型为LSTM模型，上述深度学习模型与小波变换降噪的ARIMA模型两种模型称为混合模型。
上述混合模型对家用电器的运行状态进行预测，并对来自不同模型的预测结果进行综合从而得到精确度更高的预测结果；
在本申请的一些可选的实施例中，可通过LSTM模型获取对应的预测结果之后，利用小波变换降噪的ARIMA模型对预测结果进行验证，若两者结果相同，则确定预测结 果为最终预测结果。若不相同，则可通过重新训练LSTM或小波变换降噪的ARIMA模型提高LSTM或小波变换降噪的ARIMA模型的预测结果的正确性。
步骤S106，控制家用电器基于预测结果进行工作。
在本申请的一个可选的一个实施例中，当采集家用电器的工作数据为当前工作状态时，则将当前的工作状态以及时间信息输入预测模型；
在本申请的一些可选的实施例中，在需要控制多个家用电器的情况下，获取不同的家用电器在不同时间段内的历史工作数据，并将历史工作数据保存至历史数据库。
在需要控制多个家用电器的情况下，采集不同的家用电器的工作数据，并采用深度学习模型和ARIMA模型对不同家用电器的工作数据进行处理，预测得到不同的家用电器的控制指令，其中，工作数据可以为以下至少之一：运行时间、工作状态。
上述历史数据库可根据家电类型对数据的存储模块进行区域划分，方便当智能家居系统获取家电用电器在开启按键，读取家用电器当前的工作状态之后，根据当前的时间信息，通过将当前的时间信息输入预测模型，对不同家用电器的目标运行状态确定，即对预测的结果进行确定。
预测得到的数据为家用电器需要调节到的目标工作数据。
在上述步骤在采集家用电器的至少一个工作数据之后，还需要执行以下步骤：
检测家用电器的运行功率；如果运行功率小于对应的阈值，禁止家用电器按照预测结果进行工作。
在本申请的一些可选的实施例中，当获取到用户发出的语音指令或者手势指令之后，若判断当前并没有家用电器开启，或对应的家用电器未开启时，即运行功率小于对应的阈值时，禁止家用电器按照预测结果进行工作。
在本申请实施例中，通过采集家用电器的至少一个工作数据；基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；控制家用电器基于预测结果进行工作。达到了通过获取家电电器的工作数据，并根据当前工作数据处理，自动控制家用电器进行工作的效果，从而解决了用户通过控制遥控设备控制家电的运行状态，操作繁琐，用户体验较差的技术问题。
图2是根据本申请实施例的一种可选的控制家用电器的系统的结构示意图；如图2所示，该系统至少包括：至少一个家用电器22、服务器24；其中：
至少一个家用电器22，设置为发送家用电器的至少一个工作数据；
服务器24，与至少一个家用电器通信，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，并反馈预测结果至对应的家用电器，其中，预测模型为通过训练家用电器的样本数据所产生的模型；其中，家用电器基于预测结果进行工作。
需要说明的是，图2所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图3是根据本申请实施例的一种家用电器的结构示意图，如图3所示，该家用电器至少包括：采集器32、处理器34、控制器36；其中：
采集器32，设置为采集家用电器的至少一个工作数据；
处理器34，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；
控制器36，设置为控制家用电器基于预测结果进行工作。
需要说明的是，图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图4是根据本申请实施例的一种控制家用电器的装置的结构示意图，该装置至少包括：采集模块42、预测模块44、控制模块46；其中：
采集模块42，设置为采集家用电器的至少一个工作数据；
预测模块44，设置为基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对家用电器的至少一个控制指令，其中，预测模型为通过训练家用电器的样本数据所产生的模型；
控制模块46，设置为控制家用电器基于预测结果进行工作。
需要说明的是，图4所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
根据本申请实施例的另一个方面，还提供了一种存储介质，其中，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的控制家用电器的方法。
根据本申请实施例的另一个方面，还提供了一种处理器，其中，处理器设置为运行程序，其中，程序运行时执行上述的控制家用电器的方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
工业实用性
本申请实施例可用于控制家用电器中，通过采集家用电器的至少一个工作数据；基于预测模型对家用电器的至少一个工作数据进行处理，生成预测结果，达到了通过获取家电电器的工作数据，并根据当前工作数据处理，自动控制家用电器进行工作的效果，从而解决了用户通过控制遥控设备控制家电的运行状态，操作繁琐，用户体验较差的技术问题。

Claims (12)

  1. 一种控制家用电器的方法，包括：
    采集家用电器的至少一个工作数据；
    基于预测模型对所述家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对所述家用电器的至少一个控制指令，其中，所述预测模型为通过训练所述家用电器的样本数据所产生的模型；
    控制所述家用电器基于所述预测结果进行工作。
  2. 根据权利要求1所述的方法，其中，在基于预测模型对所述家用电器的至少一个工作数据进行处理，生成预测结果之前，所述方法还包括：
    获取所述家用电器的历史数据库，其中，所述历史数据库记录了所述家用电器在历史时间段内工作时所产生的工作数据；
    通过训练所述家用电器的历史数据库，构建所述预测模型，其中，所述预测模型包括深度学习模型和结合小波变换降噪的ARIMA模型。
  3. 根据权利要求2所述的方法，其中，在需要控制多个家用电器的情况下，获取不同的家用电器在不同时间段内的历史工作数据，并将所述历史工作数据保存至所述历史数据库。
  4. 根据权利要求2所述的方法，其中，在需要控制多个家用电器的情况下，采集不同的家用电器的工作数据，并采用所述深度学习模型和所述ARIMA模型对所述不同家用电器的工作数据进行处理，预测得到不同的家用电器的控制指令，其中，所述工作数据包括如下至少之一：运行时间、工作状态。
  5. 根据权利要求1所述的方法，其中，预测得到所述家用电器需要调节到的目标工作数据。
  6. 根据权利要求1至5中任意一项所述的方法，其中，在采集家用电器的至少一个工作数据之后，所述方法还包括：
    检测所述家用电器的运行功率；
    如果所述运行功率小于对应的阈值，禁止所述家用电器按照所述预测结果进行工作。
  7. 一种控制家用电器的系统，包括：
    至少一个家用电器，用于发送所述家用电器的至少一个工作数据；
    服务器，与所述至少一个家用电器通信，用于基于预测模型对所述家用电器的至少一个工作数据进行处理，生成预测结果，并反馈所述预测结果至对应的家用电器，其中，所述预测模型为通过训练所述家用电器的样本数据所产生的模型；
    其中，所述家用电器基于所述预测结果进行工作。
  8. 根据权利要求7所述的系统，其中，所述预测结果包括：针对所述家用电器的至少一个控制指令。
  9. 一种家用电器，包括：
    采集器，用于采集家用电器的至少一个工作数据；
    处理器，用于基于预测模型对所述家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对所述家用电器的至少一个控制指令，其中，所述预测模型为通过训练所述家用电器的样本数据所产生的模型；
    控制器，用于控制所述家用电器基于所述预测结果进行工作。
  10. 一种控制家用电器的装置，包括：
    采集模块，设置为采集家用电器的至少一个工作数据；
    预测模块，设置为基于预测模型对所述家用电器的至少一个工作数据进行处理，生成预测结果，其中，预测结果包括：针对所述家用电器的至少一个控制指令，其中，所述预测模型为通过训练所述家用电器的样本数据所产生的模型；
    控制模块，设置为控制所述家用电器基于所述预测结果进行工作。
  11. 一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的控制家用电器的方法。
  12. 一种处理器，所述处理器设置为运行程序，其中，所述程序运行时执行权利要求1至6中或任意一项所述的控制家用电器的方法。
PCT/CN2019/099377 2018-10-25 2019-08-06 控制家用电器的方法、系统及装置、家用电器 WO2020082852A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811253147.6 2018-10-25
CN201811253147.6A CN111103805A (zh) 2018-10-25 2018-10-25 控制家用电器的方法、系统及装置、家用电器

Publications (1)

Publication Number Publication Date
WO2020082852A1 true WO2020082852A1 (zh) 2020-04-30

Family

ID=70330945

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/099377 WO2020082852A1 (zh) 2018-10-25 2019-08-06 控制家用电器的方法、系统及装置、家用电器

Country Status (2)

Country Link
CN (1) CN111103805A (zh)
WO (1) WO2020082852A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113518023B (zh) * 2021-09-13 2021-11-30 深圳小小小科技有限公司 家用电器的控制方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156256A1 (en) * 2006-01-02 2007-07-05 Samsung Electronics Co.; Ltd Home automation system and method utilizing outdoor environmental conditions
CN203132059U (zh) * 2013-02-17 2013-08-14 海尔集团公司 空调器控制系统
CN104267626A (zh) * 2014-09-19 2015-01-07 珠海格力电器股份有限公司 一种家用电器控制方法及系统
CN204086866U (zh) * 2014-09-19 2015-01-07 珠海格力电器股份有限公司 一种家用电器控制系统及家用电器
CN105549407A (zh) * 2015-12-30 2016-05-04 芜湖美智空调设备有限公司 家电控制方法及装置
CN106980266A (zh) * 2016-01-16 2017-07-25 国基电子（上海）有限公司 智能家电控制系统及方法
CN109086912A (zh) * 2018-07-11 2018-12-25 东北大学 一种基于lstm的智能家电用户行为预测方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013043863A1 (en) * 2011-09-20 2013-03-28 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for energy efficiency and smart buildings
CN105372999A (zh) * 2015-09-30 2016-03-02 小米科技有限责任公司 数据处理方法及装置
CN107665230B (zh) * 2017-06-21 2021-06-01 海信集团有限公司 用于智能家居控制的用户行为预测模型的训练方法及装置
CN107463106B (zh) * 2017-09-20 2020-11-27 王锐 一种智能家居系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156256A1 (en) * 2006-01-02 2007-07-05 Samsung Electronics Co.; Ltd Home automation system and method utilizing outdoor environmental conditions
CN203132059U (zh) * 2013-02-17 2013-08-14 海尔集团公司 空调器控制系统
CN104267626A (zh) * 2014-09-19 2015-01-07 珠海格力电器股份有限公司 一种家用电器控制方法及系统
CN204086866U (zh) * 2014-09-19 2015-01-07 珠海格力电器股份有限公司 一种家用电器控制系统及家用电器
CN105549407A (zh) * 2015-12-30 2016-05-04 芜湖美智空调设备有限公司 家电控制方法及装置
CN106980266A (zh) * 2016-01-16 2017-07-25 国基电子（上海）有限公司 智能家电控制系统及方法
CN109086912A (zh) * 2018-07-11 2018-12-25 东北大学 一种基于lstm的智能家电用户行为预测方法和装置

Also Published As

Publication number Publication date
CN111103805A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
EP3091537B1 (en) Noise cancellation for voice activation
CN109974235B (zh) 控制家电设备的方法、装置和家电设备
JP2019513246A (ja) ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体
CN106814639A (zh) 语音控制系统及方法
CN104009898A (zh) 家用电器及其控制方法和装置
CN108986821B (zh) 一种设置房间与设备关系的方法和设备
CN104102181A (zh) 智能家居控制方法、装置及系统
CN104469717B (zh) 短信发送方法及装置
CN111197841A (zh) 控制方法、装置、遥控终端、空调器、服务器及存储介质
JP6400834B2 (ja) 推薦装置、推薦決定方法、およびコンピュータプログラム
CN113777938A (zh) 一种家电控制方法、装置、设备及存储介质
CN112327643A (zh) 智能家居的控制方法和装置、存储介质、电子装置
CN105159475A (zh) 一种字符输入方法及装置
WO2020082852A1 (zh) 控制家用电器的方法、系统及装置、家用电器
CN103970103A (zh) 智能家居情景控制方法、系统及情景控制器
CN113405249B (zh) 用于空调器的控制方法、装置、空调器及存储介质
CN114253147A (zh) 智能设备控制方法、装置、电子设备和存储介质
CN113848747A (zh) 智能家居设备控制方法及装置
CN113900383A (zh) 智能家居设备控制方法、路由器、智能家居系统及介质
CN113194155A (zh) 一种物联网中场景智能推荐的方法及装置
CN110793209A (zh) 热水器的配置参数确定方法及装置
WO2024045501A1 (zh) 推荐信息的确定方法和装置、存储介质及电子装置
CN117075508A (zh) 设备的联动控制方法、装置及计算机设备
WO2018023523A1 (zh) 一种运动及情感识别家居控制系统
CN115731684B (zh) 无线按键开关设备的控制方法和装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19875132

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19875132

Country of ref document: EP

Kind code of ref document: A1