WO2021000790A1 - 一种智能家居控制方法及智能家居控制装置 - Google Patents

一种智能家居控制方法及智能家居控制装置 Download PDF

Info

Publication number
WO2021000790A1
WO2021000790A1 PCT/CN2020/098388 CN2020098388W WO2021000790A1 WO 2021000790 A1 WO2021000790 A1 WO 2021000790A1 CN 2020098388 W CN2020098388 W CN 2020098388W WO 2021000790 A1 WO2021000790 A1 WO 2021000790A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
strategy
database
control method
smart home
Prior art date
Application number
PCT/CN2020/098388
Other languages
English (en)
French (fr)
Inventor
岳冬
李绍斌
陈翀
罗晓宇
Original Assignee
珠海格力电器股份有限公司
珠海联云科技有限公司
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, 珠海联云科技有限公司 filed Critical 珠海格力电器股份有限公司
Priority to US17/624,152 priority Critical patent/US20220365503A1/en
Publication of WO2021000790A1 publication Critical patent/WO2021000790A1/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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • 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

  • the use of the non-matching status feature to obtain a list of household appliances capable of adjusting the status feature in the current environment and the status feature change rate of different strategies include:
  • the user demand prediction module is set to predict user demand based on the demand database and use the neural network to train the user demand model;
  • the decision-making module is set to use probability statistical algorithms to determine the optimal home appliance execution strategy that conforms to the user's habits based on the habit database and the prediction of user needs, and to intelligently control the corresponding home appliances.
  • calculating whether the relevant state content matches refers to judging whether the air quality characteristics are consistent, for example: the current indoor temperature is 25 degrees, and the general air standard temperature is 22 degrees, the difference of 3 degrees between the two is beyond the reasonable error range , You can determine "temperature” as a mismatch variable.
  • the corresponding strategy implemented refers to the control measures that each relevant household appliance needs to adopt in order to change this mismatch state.
  • home appliances include but are not limited to: (smart) air conditioners, (smart) humidifiers, (smart) dryers and other smart home appliances.
  • the decision module will refresh the habit database, if it receives the feedback of the user actively changing the strategy (for example, the user actively changing the strategy) , The decision-making module will store the received new strategy in the habit database.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Selective Calling Equipment (AREA)
  • Air Conditioning Control Device (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种智能家居控制方法及智能家居控制装置，控制方法包括以下步骤：搭建用户对家电的需求数据库及习惯数据库；依据搭建的需求数据库，利用神经网络训练不同用户的需求模型，对用户不同时间段的需求进行预测；依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法输出符合用户习惯的家电执行策略，对相应家电进行提前控制，该家居控制方法提升了日常家居生活的智能化。

Description

一种智能家居控制方法及智能家居控制装置
本公开要求于2019年7月2日提交中国专利局、申请号为201910591087.7、发明名称为“一种智能家居控制方法及智能家居控制装置”的中国专利申请的优先权，其全部内容通过引用结合在本公开中。
技术领域
本公开涉及物联网智能家居技术领域，尤其涉及一种智能家居控制方法及智能家居控制装置。
背景技术
在传统家居中，用户是家居设计的中心，家居中的装潢、布局等均根据用户喜好进行设计。在日常生活中用户根据自身需要打开窗户、打开电视、关闭窗帘等即是通过对家居状态的物理改变获得想要的家居体验。随着物联网技术的发展，物-物互连的概念深刻影响人类社会的工商业领域乃至生活起居，智能家居技术就是物联网技术与家居设计相结合的新兴技术，让家居“活”起来，更好地为用户服务。
目前，智能家居设备实质上还是由用户进行主动控制，未实现智能化，为了使得传统家电产品更加智能化、更加懂用户，需要开发一种新的智能家居控制方法以实现上述目的。
发明内容
为了解决上述技术问题，本公开提供了一种提升日常家居生活的智能化的智能家居控制方法，将用户需求、用户习惯引入家电控制中，使室内环境能够提前按照用户需求以用户日常习惯的方式进行控制。
本公开的智能家居控制方法，包括以下步骤，
搭建用户对家电的需求数据库及习惯数据库；
依据搭建的需求数据库，利用神经网络训练不同用户的需求模型，对用户不同时间段的需求进行预测；
依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法输出符合用户习惯的家电执行策略，对相应家电进行提前控制。
在一些实施方式中，所述依据对用户需求的预测以及搭建的习惯数据库，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，包括，
在无外界干预状况下，根据家电联网后读取的最新的室内空气质量标准，计算相关状态含量是否匹配并确定不匹配的状态特征及差值作为算法输入，同时在习惯数据库中进行策略匹配，
若存在相应策略，则执行相应策略对相应家电进行智能控制；
若不存在相应策略，则利用不匹配状态特征获取当前环境下能够调节该特征的家用电器列表及其不同策略的状态特征变化率，
结合差值指定可能的行动集合A(s)并基于价值迭代函数，执行最优策略a*对相应家电进行智能控制。
在一些实施方式中，所述依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，还包括，
在存在外界干预的情况下，
依据获取的用户需求信息并确定不匹配的状态特征及差值作为算法输入，
利用不匹配状态特征获取当前环境下能够调节所述状态特征的家用电器列表及其不同策略的状态特征变化率，
结合差值指定可能的行动集合A(s)并基于价值迭代函数，执行最优策略a*对相应家电进行智能控制。在一些实施方式中，所述依据对用户需求的预测以及搭建的习惯数据库，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，还包括，确定执行的策略与用户需求是否匹配，
若一段时间内未接收到用户主动改变策略的反馈，则刷新习惯数据库；
若接收到用户主动改变策略的反馈，则将接收到的新的策略存入习惯数据库。
在一些实施方式中，当习惯数据库的数据量达到一定数量级时，利用概率统计算法分析习惯数据库以学习用户的行为习惯Γ，基于Γ为用户进行决策推荐。
在一些实施方式中，所述利用不匹配状态特征获取当前环境下能够调节所述 状态特征的家用电器列表及其不同策略的状态特征变化率，包括，
利用最小二乘法对前期家电运行参数进行拟合，获取对应环境下不同策略的运行曲线；
对运行曲线行求导得到状态特征变换率并间断性更新；
结合差值指定可能的行动集合A(s)并基于价值迭代函数，输出最优策略a*对相应家电进行智能控制。
在一些实施方式中，所述价值迭代函数为，U(s)＝R(s 0)+γ*max∑ s`P(s`|s 0，a)*U(s`)＝R(s 0)+γmax[U a(s`)]，最优策略决策取决于状态效用U a(s`)，其中，控制变量s随时间的连续性为，
Figure PCTCN2020098388-appb-000001
其中s`为需求状态，s t为当下状态，a∈A(s),γ为折扣因子。
在一些实施方式中，所述的概率统计算法为贝叶斯算法。
在一些实施方式中，所述的神经网络为卷积神经网络。
在一些实施方式中，合理的差值范围为[-0.5,+0.5]。
在一些实施方式中，一定量的数据对指能够使模型预测准确度达到90％以上所需的数据对量。
在一些实施方式中，数据量达到一定数量级的指数据量达到“千”以上的数量级。
本公开还提供了一种智能家居控制装置，包括，
数据库构建模块，被设置为搭建用户对家电的需求数据库及习惯数据库；
用户需求预测模块，被设置为依据需求数据库，利用神经网络训练用户的需求模型对用户需求进行预测；
决策模块，被设置为依据习惯数据库以及对用户需求的预测，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行智能控制。
在一些实施方式中，所述智能家居控制装置还包括用户习惯矫正模块，被设置为基于价值迭代函数的控制方法对用户的坏习惯进行矫正。
与现有技术相比，本公开的智能家居控制方法以及智能家居控制装置具有以下优点：
本公开的智能家居控制方法将用户需求、用户习惯引入家电控制中，利用目前流行的神经网络对用户需求进行预测并在用户习惯的基础上采用贝叶斯算法 输出符合用户习惯的控制策略，进而提前对室内环境进行改善，提升了日常家居生活的智能化；同时将基于价值迭代函数的控制方法与基于日常习惯的方法进行互相修正，达到了抑制用户坏习惯的目的。
上述技术特征可以各种技术上可行的方式组合以产生新的实施方案，只要能够实现本公开的目的。
附图说明
在下文中将基于仅为非限定性的实施例并参考附图来对本公开进行更详细的描述。其中：
图1显示了本公开实施例的智能家居控制方法的流程图；
图2显示了本公开实施例的智能家居控制方法中决策模块算法的流程图。
具体实施方式
以下将结合说明书附图和具体实施例对本公开做进一步详细说明。需要说明的是，只要不构成冲突，本公开中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本公开的保护范围之内。
本公开的智能家居控制方法，包括以下步骤，
S101.依据获取的用户的需求及操作用户对家电的需求数据库及习惯数据库；
S102.依据搭建的需求数据库，利用神经网络训练不同用户的需求模型，对用户不同时间段的需求进行预测；此处的神经网络可以为任意的神经网络。优选的，神经网络选择卷积神经网络。
S103.依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法输出符合用户习惯的家电执行策略，对相应家电进行提前控制。优选的，概率统计算法可以选择贝叶斯算法。
其中，家电设备包括但不限于：(智能)空调、(智能)湿器、(智能)干燥器等智能家电设备。
具体的，S103包括，
S1031.在无外界干预状况下，根据家电联网后读取的最新的室内空气质量标准(即当前环境与空气质量相关的状态变量)，计算相关状态含量是否匹配，并 确定不匹配的状态特征及差值作为决策模块算法输入，同时在习惯数据库中进行策略匹配，若存在相应策略，则执行相应策略并转到S1036，若不存在相应策略，则执行S1032；
其中，与空气质量相关的状态变量，包括但不限于温度、湿度、PM2.5、VOC浓度、CO2值等参数。
其中，计算相关状态含量是否匹配是指判断各空气质量特征是否相符，例如：目前的室内温度为25度，而一般的空气标准温度为22度，两者的温差相差3度超出了合理误差范围，即可以确定“温度”为不匹配变量。而执行的相应策略是指为了改变这种不匹配状态，各个相关家电需要采取的控制手段。
其中，定义容忍度为合理差值范围，优选的，当量值变化范围处于[-0.5,+0.5]时，视为合理差值范围。
S1032.利用不匹配状态特征获取当前环境下能够调节该特征的家用电器列表及其不同策略的状态特征变化率，结合差值指定可能的行动集合A(s)并转到S1035；
其中，S1032又包括，
利用最小二乘法对前期家电运行参数进行拟合，获取对应环境下不同策略的运行曲线；
对运行曲线进行求导得到状态特征变换率并间断性更新；
结合差值指定可能的行动集合A(s)并转到S1035。
其中，状态特征变换率是指在每种控制状态下，家电改变状态特征的速度，可能的行动集合A(s)为变量，变量会随着家电的不同而发生改变。
S1033.当存在外界干预时，例如用户干预或需求改变时，依据获取的用户需求信息，如接收到的目前“热”、“潮”、“冷”等的反馈，确定不匹配的状态特征及差值作为算法输入，并转到S1032；
S1034.实时存储当前时间段(天气、季节等)-需求信息，当数据对达到一定量时，通过神经网络，优选为卷积神经网络，预测用户需求对室内空气质量进行提前调控；其中，一定量的数据对是指能够使模型预测准确度达到90％以上所需的数据对量。
S1035.基于价值迭代函数，输出最优策略a*对相应家电进行智能控制；
由于实际环境中，在设备正常工作下P(s`|s 0,a)＝1,故基于价值迭代函数：
U(s)＝R(s 0)+γ*max∑ s`P(s`|s 0，a)*U(s`)＝R(s 0)+γmax[U a(s`)]，知，最优决策取决于状态效用U a(s`)，即过程序列中获得的折扣回报之和的期望值，并结合控制变量s随时间t的连续性有：
Figure PCTCN2020098388-appb-000002
由上式选择使U a(s`)的最大的策略a*作为算法输出，对相应家电进行智能控制，其中R(s t)由下式
Figure PCTCN2020098388-appb-000003
确定。
其中，s`为需求状态，s t为当下状态，a∈A(s),γ为折扣因子，一般取0.8。
S1036.确定执行的策略与用户需求是否匹配，由用户评价所执行策略的优劣程度，若一段时间内未接收到用户主动改变策略的反馈(例如，用户10min内不主动改变策略)，则刷新习惯数据库，若接收到用户主动改变策略的反馈(例如，用户主动更改策略)，则将接收到的新的策略存入习惯数据库，当习惯数据库的数据量达到一定数量级时，利用概率统计算法，如贝叶斯算法，分析所述数据库学习用户的行为习惯Γ，基于Γ为用户进行决策推荐。
本公开还提供了一种智能家居控制装置，包括，
数据库构建模块，被设置为根据用户需求以及操作搭建用户对家电的需求数据库及习惯数据库；
其中，家电设备包括但不限于：(智能)空调、(智能)湿器、(智能)干燥器等智能家电设备。
用户需求预测模块，被设置为依据需求数据库，利用神经网络训练用户的需求模型对用户需求进行预测；此处的神经网络可以为任意的神经网络。优选的，神经网络选择卷积神经网络。
决策模块，被设置为依据习惯数据库以及对用户需求的预测，利用概率统计算法，确定符合用户习惯的最优家电执行策略，对相应家电进行智能控制。优选的，概率统计算法为贝叶斯算法。
具体的，在无外界干预状况下，
决策模块会根据家电联网后读取的最新的室内空气质量标准(即当前环境与空气质量相关的状态变量)，计算相关状态含量是否匹配，并确定不匹配的状态特征及差值作为决策模块算法输入，同时在习惯数据库中进行策略匹配，
若存在相应策略，则执行相应策略对相应家电进行智能控制；
若不存在相应策略，或存在外界干预时，
决策模块则利用不匹配状态特征获取当前环境下能够调节该特征的家用电器列表及其不同策略的状态特征变化率，
结合差值指定可能的行动集合A(s)并基于价值迭代函数，执行最优策略a*对相应家电进行智能控制。
决策模块在执行策略后，会确定执行的策略与用户需求是否匹配，
若一段时间内未接收到用户主动改变策略的反馈(例如，用户10min内不主动改变策略)，决策模块则会刷新习惯数据库，若接收到用户主动改变策略的反馈(例如，用户主动更改策略)，决策模块则将接收到的新的策略存入习惯数据库中。
当习惯数据库的数据量达到一定数量级(能够使模型预测准确度达到90％以上所需的数据对量时)，决策模块会利用概率统计算法，如贝叶斯算法，分析所述数据库学习用户的行为习惯Γ，之后基于Γ为用户进行决策推荐。
用户习惯矫正模块，会基于价值迭代函数的控制方法与用户日常习惯进行相互修正，对用户的坏习惯进行矫正。通过本公开的智能家居控制方法，将用户需求、用户习惯引入家电控制中，利用目前流行的神经网络对用户需求进行预测，提升了日常家居生活的智能化；同时利用基于价值迭代函数的控制方法与基于日常习惯的方法进行互相修正，从而达到抑制用户坏习惯的目的。
尽管在附图中以特定顺序描述了本公开实时操作，但是，这并非要去或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。可以省略某些步骤，将多个步骤合并为一个步骤或者将一个步骤分成多个步骤执行。
此外，虽然本公开所揭露的实施方式如上，但所述的内容只是为了便于理解本公开而采用的实施方式，并非用以限定本公开。任何本公开所属技术领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本公开的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

  1. 一种智能家居控制方法，包括以下步骤，
    搭建用户对家电的需求数据库及习惯数据库；
    依据搭建的需求数据库，利用神经网络训练不同用户的需求模型，对用户不同时间段的需求进行预测；
    依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法输出符合用户习惯的家电执行策略，对相应家电进行提前控制。
  2. 根据权利要求1所述的智能家居控制方法，其中，所述依据对用户需求的预测以及搭建的习惯数据库，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，包括，
    在无外界干预状况下，根据家电联网后读取的最新的室内空气质量标准，计算相关状态含量是否匹配并确定不匹配的状态特征及差值作为算法输入，在习惯数据库中进行策略匹配，
    若存在相应策略，则执行相应策略对相应家电进行智能控制；
    若不存在相应策略，则利用不匹配状态特征获取当前环境下能够调节该特征的家用电器列表及其不同策略的状态特征变化率，
    结合差值指定可能的行动集合A(s)并基于价值迭代函数，执行最优策略a *对相应家电进行智能控制。
  3. 根据权利要求2所述的智能家居控制方法，其中，所述依据搭建的习惯数据库以及对用户需求的预测，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，还包括，
    在存在外界干预的情况下，
    依据获取的用户需求信息确定不匹配的状态特征及差值作为算法输入，
    利用不匹配状态特征获取当前环境下能够调节所述状态特征的家用电器列表及其不同策略的状态特征变化率，
    结合差值指定可能的行动集合A(s)并基于价值迭代函数，执行最优策略a*对相应家电进行智能控制。
  4. 根据权利要求3所述的智能家居控制方法，其中，所述依据对用户需求的预测以及搭建的习惯数据库，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行提前控制，还包括确定执行的策略与用户需求是否匹配，
    若一段时间内未接收到用户主动改变策略的反馈，则刷新习惯数据库；
    若接收到用户改变策略的反馈，则将接收到的新的策略存入习惯数据库。
  5. 根据权利要求4所述的智能家居控制方法，其中，当习惯数据库的数据量达到一定数量级时，利用概率统计算法分析习惯数据库以学习用户的行为习惯Γ，基于Γ为用户进行决策推荐。
  6. 根据权利要求2或权利要求3所述的智能家居控制方法，其中，所述利用不匹配状态特征获取当前环境下能够调节所述状态特征的家用电器列表及其不同策略的状态特征变化率，包括，
    利用最小二乘法对前期家电运行参数进行拟合，获取对应环境下不同策略的运行曲线；
    对运行曲线进行求导得到状态特征变换率并间断性更新；
    结合差值指定可能的行动集合A(s)并基于价值迭代函数，输出最优策略a*对相应家电进行智能控制。
  7. 根据权利要求5所述的智能家居控制方法，其中，所述的概率统计算法为贝叶斯算法。
  8. 根据权利要求7所述的智能家居控制方法，其中，合理的差值范围为[-0.5,+0.5]。
  9. 一种智能家居控制装置，包括，
    数据库构建模块，被设置为搭建用户对家电的需求数据库及习惯数据库；
    用户需求预测模块，被设置为依据需求数据库，利用神经网络训练用户的需求模型对用户需求进行预测；
    决策模块，被设置为依据习惯数据库以及对用户需求的预测，利用概率统计算法确定符合用户习惯的最优家电执行策略，对相应家电进行智能控制。
  10. 根据权利要求9所述的智能家居控制装置，其中，还包括用户习惯矫正模块，被设置为基于价值迭代函数的控制方法对用户的坏习惯进行矫正。
PCT/CN2020/098388 2019-07-02 2020-06-28 一种智能家居控制方法及智能家居控制装置 WO2021000790A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/624,152 US20220365503A1 (en) 2019-07-02 2020-06-28 Method and Apparatus for Controlling Smart Home

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910591087.7 2019-07-02
CN201910591087.7A CN110456647B (zh) 2019-07-02 2019-07-02 一种智能家居控制方法及智能家居控制装置

Publications (1)

Publication Number Publication Date
WO2021000790A1 true WO2021000790A1 (zh) 2021-01-07

Family

ID=68482036

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/098388 WO2021000790A1 (zh) 2019-07-02 2020-06-28 一种智能家居控制方法及智能家居控制装置

Country Status (3)

Country Link
US (1) US20220365503A1 (zh)
CN (1) CN110456647B (zh)
WO (1) WO2021000790A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848748A (zh) * 2021-11-15 2021-12-28 苏州蓝赫朋勃智能科技有限公司 一种智能家居控制方法和智能家居系统
CN114265320A (zh) * 2021-12-03 2022-04-01 珠海格力电器股份有限公司 基于深度学习分析用户习惯的智能家居控制方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110456647B (zh) * 2019-07-02 2020-11-27 珠海格力电器股份有限公司 一种智能家居控制方法及智能家居控制装置
CN111125518B (zh) * 2019-12-10 2023-12-22 海尔优家智能科技（北京）有限公司 家电信息推荐的系统及方法
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
CN112288599B (zh) * 2020-10-29 2022-03-01 四川长虹电器股份有限公司 智慧家庭的场景服务实现方法、计算机设备及存储介质
CN113703337B (zh) * 2021-10-28 2022-02-08 深圳市北鼎晶辉科技有限公司 一种基于物联网的家电设备控制方法、系统及存储介质
CN114047708B (zh) * 2021-11-03 2024-06-07 珠海格力电器股份有限公司 家居设备控制方法、装置、电子设备及存储介质
CN116256969B (zh) * 2023-05-15 2023-08-01 威海职业学院(威海市技术学院) 一种智能家居协调优化控制方法、系统、终端及介质
CN116400601A (zh) * 2023-05-22 2023-07-07 深圳普菲特信息科技股份有限公司 一种环境变化设备场景自适应控制方法、系统和存储介质
CN116594313B (zh) * 2023-07-18 2023-10-20 合肥战聚智能科技有限公司 一种智能家居设备管理方法、系统、设备及介质
CN117348434A (zh) * 2023-11-16 2024-01-05 佛山市康利家具有限公司 基于用户生活习惯的智能家居管理系统
CN117666377B (zh) * 2024-02-01 2024-04-23 湖南麓川信息科技有限公司 一种基于物联感知的多模态数据智能推荐方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408754A (zh) * 2008-10-30 2009-04-15 中山大学 基于数据挖掘的智能家居优化系统
CN105068515A (zh) * 2015-07-16 2015-11-18 华南理工大学 一种基于自学习算法的智能家居设备语音控制方法
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
CN108536030A (zh) * 2018-06-12 2018-09-14 昆明理工大学 一种基于anfis算法的智能家居系统及其工作方法
US20190086890A1 (en) * 2017-09-15 2019-03-21 Kohler Co. User identity in household appliances
CN110456647A (zh) * 2019-07-02 2019-11-15 珠海格力电器股份有限公司 一种智能家居控制方法及智能家居控制装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117129B1 (en) * 2005-03-11 2006-10-03 Hewlett-Packard Development Company, L.P. Commissioning of sensors
CN106019951B (zh) * 2015-03-29 2021-05-18 朱保东 一种智能家居系统及其产品
US9965685B2 (en) * 2015-06-12 2018-05-08 Google Llc Method and system for detecting an audio event for smart home devices
CN105607508A (zh) * 2016-03-24 2016-05-25 重庆邮电大学 基于用户行为分析的智能家居设备控制方法及系统
US10769721B2 (en) * 2016-10-31 2020-09-08 Accenture Global Solutions Limited Intelligent product requirement configurator
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
CN109491253B (zh) * 2017-09-11 2021-12-21 安徽师范大学 一种在线学习型个性化智能家居系统及其控制方法
CN108360630B (zh) * 2018-01-29 2019-08-13 珠海格力电器股份有限公司 智能便器及电器系统
CN109344992B (zh) * 2018-08-21 2021-10-19 广东工业大学 一种融合时空因素的智能家居用户操控行为习惯建模方法
CN109660598B (zh) * 2018-11-17 2020-05-19 华中科技大学 一种物联网暂态数据的缓存替换方法及系统
CN113168140A (zh) * 2018-11-20 2021-07-23 华为技术有限公司 自学习家庭系统及自主家庭操作框架
US20200202997A1 (en) * 2018-12-19 2020-06-25 Nutrino Health Ltd. Automated method and system for generating personalized dietary and health advice or recommendations for individual users
CN109818839B (zh) * 2019-02-03 2022-02-25 三星电子（中国）研发中心 应用于智能家居的个性化行为预测方法、装置和系统
CN109947029B (zh) * 2019-04-10 2022-05-10 广东工业大学 智能家居设备的控制方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408754A (zh) * 2008-10-30 2009-04-15 中山大学 基于数据挖掘的智能家居优化系统
CN105068515A (zh) * 2015-07-16 2015-11-18 华南理工大学 一种基于自学习算法的智能家居设备语音控制方法
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
US20190086890A1 (en) * 2017-09-15 2019-03-21 Kohler Co. User identity in household appliances
CN108536030A (zh) * 2018-06-12 2018-09-14 昆明理工大学 一种基于anfis算法的智能家居系统及其工作方法
CN110456647A (zh) * 2019-07-02 2019-11-15 珠海格力电器股份有限公司 一种智能家居控制方法及智能家居控制装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848748A (zh) * 2021-11-15 2021-12-28 苏州蓝赫朋勃智能科技有限公司 一种智能家居控制方法和智能家居系统
CN114265320A (zh) * 2021-12-03 2022-04-01 珠海格力电器股份有限公司 基于深度学习分析用户习惯的智能家居控制方法及系统

Also Published As

Publication number Publication date
CN110456647B (zh) 2020-11-27
CN110456647A (zh) 2019-11-15
US20220365503A1 (en) 2022-11-17

Similar Documents

Publication Publication Date Title
WO2021000790A1 (zh) 一种智能家居控制方法及智能家居控制装置
CN105068515B (zh) 一种基于自学习算法的智能家居设备语音控制方法
CN110578994B (zh) 一种运行方法及装置
US10571870B2 (en) Intelligent control method and system, and intelligent monitoring system
CN110298487A (zh) 一种用于满足用户个性化需求的室内温度预测方法
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN106647645A (zh) 一种家居控制调节的方法及系统
CN105652677B (zh) 一种基于用户行为分析的智能家居控制方法、装置和系统
CN110186170B (zh) 热舒适度指标pmv控制方法及设备
CN111338227B (zh) 基于强化学习的电子电器控制方法及控制设备、存储介质
CN109358515A (zh) 一种家居设备控制方法、装置、控制设备及可读存储介质
CN110736244A (zh) 控制空调的方法、装置和空调
CN111461466A (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN115682312A (zh) 一种空调节能控制方法、装置、设备及可读存储介质
CN108107724A (zh) 基于遗传算法的模型预测控制参数在线优化方法
CN110687802A (zh) 一种智能家电控制方法及智能家电控制装置
CN110398029A (zh) 控制方法和计算机可读存储介质
WO2024001196A1 (zh) 家电设备的控制方法、装置、存储介质及电子装置
CN106527141A (zh) 基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法
CN113703337B (zh) 一种基于物联网的家电设备控制方法、系统及存储介质
CN116130102A (zh) 睡眠环境数据的确定方法及装置、存储介质及电子装置
CN112380761A (zh) 一种基于强化学习的建筑环境控制器和控制方法
CN112944599A (zh) 空调系统的多参数耦合控制方法及装置
CN114281192A (zh) 家居设备控制方法、装置、电子设备及存储介质
Zhang et al. Energy Efficient Operation Optimization of Building Air-conditioners via Simulator-assisted Asynchronous Reinforcement Learning

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: 20834141

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: 20834141

Country of ref document: EP

Kind code of ref document: A1