[发明专利]智能家居设备的控制方法、装置及设备

说明书

本申请公开了一种智能家居设备的控制方法，通过获取用户对智能家居设备的历史操作数据，并将历史操作数据输入预先训练完成的基于BiGRU和双层注意力机制的特征提取模型，得到目标特征向量，再据此确定用户对智能家居设备的行为预测结果，最终根据行为预测结果对智能家居设备的工作状态进行调整。可见，由于BiGRU能够挖掘深层次的用户习惯，而双层注意力机制能够为不同的操作行为赋予适当的权重，因此该模型充分学习了历史操作数据，显著提升了预测的准确性，以实现根据预测结果调整设备工作状态，大大提升了用户使用体验。此外，本申请还提供了一种智能家居设备的控制装置、设备及计算机可读存储介质，其作用与上述方法的作用相对应。

技术领域

本申请涉及智能家居设备的控制领域，特别涉及一种智能家居设备的控制方法、装置、设备及计算机可读存储介质。

背景技术

随着科学技术的发展，智能家居设备越来越普及，人们对智能家居设备的要求也越来越高。例如，用户希望智能家居设备能够根据用户生活习惯自动调整自身的工作状态，因此，如何获取用户习惯并根据用户习惯准确的预测出用户下一刻对设备的操作行为，成为研究热点。

目前，预测用户对家居设备的操作行为的方法主要有两种，一种基于机器学习实现，另一种基于深度学习实现。下面对这两种方法进行简要介绍：

一种基于机器学习的预测方法为频繁关联规则方法，其主要原理为，从用户的历史操作数据中提取频繁出现的操作行为，基于Apriori算法挖掘用户日常生活中的行为习惯，但是，该方法挖掘出频繁的操作数据不包含时间特征，因用户一天的操控行为重复率较高，若不包含时间信息，可能会导致不同时间段的操控行为混乱，且随着一年四季的变化，用户操控行为也会随之变化，使该方法预测结果误差较大。另一种基于机器学习的预测方法在上述频繁关联规则方法的基础上加入了时间间隔，然而，由于用户的操作行为属于离散性数据，和连续性的天气数据和股票数据不完全相同，因此该方法的预测精准度低。

一种基于深度学习的预测方法的原理为，采用自编码网络构建设备模型，通过逐层无监督预训练挖掘设备特征，核心控制模型采用五层的BP神经网络，根据环境数据预测设备状态，但是该模型针对的是高度制定化的家庭环境，通用性较差。另一种方法采用DBN-ANN和DBN-R挖掘用户行为习惯，并根据挖掘出的行为习惯对用户行为进行预测，然而，该方法对用户行为习惯的学习程度不充分，导致对用户行为习惯预测准确率仅为50％左右，难以满足实际需求。

可见，传统的预测用户对智能家居设备的行为的方法准确率较低，导致预测结果与用户习惯不相符，因此智能家居设备无法根据用户习惯调整自身的工作状态，用户体验较低。

发明内容

本申请的目的是提供一种智能家居设备的控制方法、装置、设备及计算机可读存储介质，用以解决传统的预测用户对智能家居设备的行为的方法准确率较低，导致智能家居设备无法实现根据用户习惯调整自身工作状态的目的，降低了用户体验的问题。

为解决上述技术问题，本申请提供了一种智能家居设备的控制方法，包括：

获取用户对智能家居设备的历史操作数据；

将所述历史操作数据输入预先训练完成的基于BiGRU和双层注意力机制的特征提取模型，得到目标特征向量；

根据所述目标特征向量，确定用户对所述智能家居设备的行为预测结果；

根据所述行为预测结果对所述智能家居设备的工作状态进行调整。

可选的，在所述将所述历史操作数据输入预先训练完成的基于BiGRU和双层注意力机制的特征提取模型，得到目标特征向量之前，还包括：

将所述历史操作数据中的操作时间由目标操作行为的发生时间点修改为所述目标操作行为到下一次操作行为之间的时间间隔。