本发明涉及空调技术领域，特别是涉及基于一种基于机器学习的空调器控制方法、控制装置，以及空调器。
背景技术：
为实现空调器控制的便利性和易用性，一般通过数据转换器类的网关来实现数据的转换，达到远程控制空调的目的。特别是利用移动端的app作为控制终端，是近些年控制器领域较为流行的趋势。移动端app通过网关与空调通信，实现空调的远程控制、操作日志记录、日程预约等功能。
通过移动端来远程控制空调，需要每次依靠用户设置相关参数或者添加日程计划实现空调的控制。为了使空调的控制更为智能化，相关技术中存在一些尝试，但是均无法提供灵活的，能适应各种环境参数变化的控制方式。例如，公开号为cn107504656a的中国专利申请提出了一种空调器自学习控制方法，通过自动采集app的开关机时间数据，并经过函数运算预测空调器的开关机时间，从而对空调器的开关机进行在自动控制。但是该方案仅仅是对开关机时间进行预测，开机后的各种运行参数仍然需要用户自行设置，智能化程度远远不能满足用户的需求。
技术实现要素：
本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一，提供一种能够自动提供空调器控制参数的手段，使提供的控制参数最大程度接近用户实用习惯。
为此，本发明第一方面的目的在于提供一种基于机器学习的空调器控制方法；第二方面的目的在于提供一种计算机可读存储介质；第三方面的目的在于提供一种计算设备；第四方面的在于提供一种基于机器学习的空调器控制装置；第五方面的目的在于提供一种空调器。
为了达到上述目的，根据本发明第一方面的实施例提出了一种基于机器学习的空调器控制方法。该方法包括：获取用户设定的空调器运行参数和设定时间；获取用户设定空调器运行参数时，所述设定时间所对应的环境参数；将多次记录的空调器运行参数作为输出，对应的环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型；根据训练后的神经网络控制模型对空调器进行控制。
在一些实施例中，所述空调器运行参数包括：空调器的运行模式、设定温度、风速、摇摆控制中的一个或多个。
在一些实施例中，所述对应的环境参数包括：室内环境温度、室外环境温度、用户的操作时间、空调器的运行时长、空调器所在位置的经纬度中的一个或多个。
在一些实施例中，所述对应的环境参数还包括室内空气湿度和室外空气湿度。
在一些实施例中，所述神经网络控制模型为多层深度信念网络模型。
在一些实施例中，所述根据训练后的神经网络控制模型对空调器进行控制包括：获取空调器当前的环境参数信息；将空调器当前的环境参数信息输入训练后的神经网络控制模型；据神经网络控制模型的输出得到空调器控制参数；以及控制空调器按照得到的空调器控制参数运行。
在一些实施例中，所述根据训练后的神经网络控制模型对空调器进行控制在空调器开机时执行，具体包括：接收空调器的一键开机指令；获取空调器当前的环境参数信息；将空调器当前的环境参数信息输入训练后的神经网络控制模型；根据神经网络控制模型的输出得到空调器控制参数；以及控制空调器开机后按照得到的空调器控制参数运行。
根据本发明第二方面的实施例提出了一种非临时性计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时，实现根据本发明第一方面实施例所述的基于机器学习的空调器控制方法。
根据本发明第三方面的实施例提出了一种计算设备，该计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，处理器执行所述应用程序时，实现根据本发明第一方面的实施例所述的基于机器学习的空调器控制方法。
本发明还提出了一种基于机器学习的空调器控制方法，用于包括服务器，客户控制端和空调器的空调器远程控制系统，包括：服务器获取客户控制端采集的用户身份信息和用户设定的空调器运行参数以及设定时间；服务器获取用户设定空调器运行参数时，所述设定时间所对应的环境参数；服务器将多次记录的空调器运行参数作为输出，对应环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型；以及服务器根据训练后的神经网络控制模型控制空调器。
在一些实施例中，服务器根据训练后的神经网络控制模型控制空调器包括：接收来自客户端的一键开机指令；获取空调器当前的环境参数信息；将空调器当前的环境参数信息输入训练后的神经网络控制模型；根据所述训练后的神经网络控制模型的输出得到空调器控制参数；以及控制空调器开机后按照所述控制参数运行。
使用本发明的基于机器学习的空调器控制方法，可实现用户控制空调器行为的自学习，提高空调控制的智能化。可以使用户在开机时不必输入控制参数，能实现一键开机，免除用户的复杂操作。甚至在此基础上，可结合多个传感器来实现空调器的完全自动控制。根据本发明的存储介质和计算设备实施时，可以实现本发明的方法，从而取得与本发明方法类似的效果。
根据本发明第四方面的实施例提出了一种基于机器学习的空调器控制装置，该装置包括：运行参数获取模块，用于获取用户设定的空调器运行参数和设定时间；环境参数获取模块，获取用户设定空调器运行参数时，所述设定时间所对应的环境参数；控制模型训练模块，用于将多次记录的空调器运行参数作为输出，对应环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型；以及控制参数输出模块，用于根据训练后的神经网络控制模型得到空调器控制参数。
在一些实施例中，所述空调器运行参数包括：空调的运行模式、设定温度、风速、摇摆控制中的一个或多个。
在一些实施例中，所述对应的环境参数包括：室内环境温度、室外环境温度、用户的操作时间、空调的运行时长、空调所在位置的经纬度中的一个或多个。
在一些实施例中，所述对应的环境参数还包括室内空气湿度和室外空气湿度。
在一些实施例中，所述神经网络控制模型为多层深度信念网络模型。
在一些实施例中，控制参数输出模块根据训练后的神经网络控制模型得到空调器控制参数包括：获取空调当前的环境参数信息；将空调当前的环境参数信息输入训练后的神经网络控制模型；以及根据神经网络控制模型的输出得到空调器控制参数。
在一些实施例中，所述装置还包括：一键启动模块，用于接收空调开机指令并确定空调开机运行参数，所述一键启动模块进一步包括：开机指令接收单元，用于接收用户输入的开机指令；开机运行参数获取单元，用于与控制参数输出模块进行通信，获取控制参数输出模块输出的空调器控制参数，并将其作为开机运行参数；以及运行控制单元，用于控制空调器根据所述开机运行参数开始运行。
根据本发明第五方面的实施例提供了一种空调器，该空调器包括根据本发明第四方面的实施例所述的基于机器学习的空调器控制装置。
使用本发明的基于机器学习的空调器控制装置，可实现用户控制空调器行为的自学习，提高空调控制的智能化。可以使用户在开机时不必输入控制参数，能实现一键开机，免除用户的复杂操作。甚至在此基础上，可结合多个传感器来实现空调器的完全自动控制。根据本发明的空调器包含基于机器学习的空调器控制装置，从而实施时刻取得与本发明控制装置类似的效果。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的基于机器学习的空调器控制方法的流程图；
图2是根据本发明一个实施例的神经网络控制模型结构示意图；
图3是根据本发明一个实施例的根据训练后的神经网络控制模型对空调器进行控制的流程示意图；
图4是根据本发明一个实施例的对空调器进行一键启动控制的流程图；
图5是根据本发明一个实施例的空调器远程控制系统结构示意图；
图6是根据本发明另一个实施例的基于机器学习的空调器控制方法的流程图；
图7是是根据本发明一个实施例的app端一键控制方法流程示意图；
图8是根据本发明一个实施例的基于机器学习的空调器控制装置的结构框图；
图9是根据本发明另一个实施例的基于机器学习的空调器控制装置的结构框图；
图10是根据本发明一个实施例的一键启动模块的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
目前，相关空调控制技术中的控制策略大都是针对单一控制参数，并且根据用户曾经输入过的控制信息进行查找的方式来进行“学习”，这种方式其实质还是机械的记录，并不是真正的学习。发明人注意到空调实际的工作环境是不断变化的，基于记录-查找的方式不可能枚举所有的工作环境参数。因此想到要设计一种智能的学习方式，来对用户的使用习惯建立更合理的数学模型，从而能应对不同的工作环境。并进一步提出了基于神经网络的机器学习方法对空调器的运行参数进行控制，使空调的自动控制能够符合用户使用习惯的整体构思。
以下参考附图对本发明的实施例进行详细的说明。
图1是根据本发明一个实施例的基于机器学习的空调器控制方法的流程图。本实施例的控制方法主要包括以下步骤s110到s140。
在步骤s110，获取用户设定的空调器运行参数和设定时间。一般来说，空调器在开机时，需要对运行参数进行初始设定，在空调器运行过程中，也可能根据环境的变化，更改空调器的运行参数，每次初始设定或者更改都可以被视为一次用户设定，连同设定发生的时间，一同被记录。设定时间的目的，主要是为了获得当时的环境参数。其中，空调器运行参数包括：空调器的运行模式、设定温度、风速、摇摆控制等，每次设定可以针对其中的一个或多个参数进行。
在步骤s120，获取用户设定空调器运行参数时，所述设定时间所对应的环境参数。所述对应的环境参数包括：室内环境温度、室外环境温度、用户的操作时间、空调器的运行时长、空调器所在位置的经纬度等。由于人的体感温度与空气湿度也有直接关系，因此，某些实施例中，所述对应的环境参数还包括室内空气湿度和室外空气湿度。
其中，室内环境温度和空气湿度可以通过空调器的温度传感器和湿度传感器测得，室外温度和空气湿度可以由设置在空调室外机上的温度传感器和湿度传感器测得。当然，上述环境参数也可以不由空调器自身来测量，而是通过通信方式从其他渠道获得。例如，对于安装有其他智能家居设备或监测系统的工作场景，室内外空气的温度和湿度等可根据其他智能设备的记录获取，室外温度，湿度等也可以从联机的服务器处根据天气预报等信息获得。而用户的操作时间作为环境参数，主要是考虑到一年中的不同季节，一天中的早晚不同，都会影响空用户对调器的设定。
在步骤s130，将多次记录的空调器运行参数作为输出，对应的环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型。
这里，神经网络控制模型的训练采取的是有监督学习的方式，训练的目的是使模型的决策机制更接近于用户的行为模式。在相同的环境下，是神经网络输出的控制参数与实际用户的控制参数更为接近。训练的样本数量将对训练后模型的精度有直接的影响，样本越多，训练效果越好，因此，根据本发明的方法，提供的控制模型将会随着用户的使用越来越精确和理想。
所述神经网络控制模型可以采用各种已知的适合有监督学习的网络结构，例如感知器模型，分类器模型，hopfield网络等基本的神经网络结构，各种相应的主流训练方法也都可以用于模型参数的确定。一个典型的神经网络控制模型结构如图2所示。其中神经网络500包括一个输入层510，一个输出层530，以及若干中间网络层520。
本发明的一个实施例中，基于多层深度信念网络模型(dbn)来建立控制模型。深度信念网络是深层神经网络(dnn)一种，可以看作是一种概率生成模型，它既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合概率分布，对先验概率和后验概率都做了评估，而判别模型仅仅而已评估了后者，因此，此类网络更适于本发明所针对的应用场景。
dbn网络可视为由多个限制玻尔兹曼机(restrictedboltzmannmachines，rbm)层组成，rbm是一种神经感知器，由一个显层和一个隐层构成，显层与隐层的神经元之间为双向全连接。将若干个rbm“串联”起来则构成了一个dbn，其中，上一个rbm的隐层即为下一个rbm的显层，上一个rbm的输出即为下一个rbm的输入。训练过程中，需要充分训练上一层的rbm后才能训练当前层的rbm，直至最后一层。关于rbm的结构和dbn的训练，在相关技术中已经有多种成熟的方法，本发明对于训练方法并没有特别的限制，在此不再赘述。
在模型训练过程中，将环境参数，例如室内环境温度、室外环境温度、用户的操作时间、空调器的运行时长、空调器所在位置的经纬度，空气湿度，空气温度等中的部分或全部作为输入。将空调器运行参数，例如空调器的运行模式、设定温度、风速、摇摆控制等中的部分或全部作为输出。根据输出向量来有监督地训练实体关系分类器，不断地调整每一层的rbm网络的权值，使其实现由输入向量到输出向量的特征映射，完成模型的训练。
输入和输出具体包括哪些参数可以由用户根据需求和应用场景自行选择。根据用户每次的设定，对模型不断进行训练。模型的精确训练需要用到大量的用户数据，因此在前期使用过程中，需要一段时间来熟悉用户的操作习惯，不断地优化模型。因而随着时间的推移，模型优化程度越高，自学习的精度也会得到提高。
在步骤s140，根据训练后的神经网络控制模型对空调器进行控制。训练完成后，当空调运行时，即可根据空调当前所处的环境，根据对应的环境参数自动调整空调的运行参数。一种具体的控制方法参见3，图3是根据本发明一个实施例的根据训练后的神经网络控制模型对空调器进行控制的流程示意图。本实施例的方法中，根据训练后的神经网络控制模型对空调器进行控制包括子步骤s141到s144。
在子步骤s141，获取空调器当前的环境参数信息。环境参数的内容和获取方式可参见结合图1和步骤s120的描述，在此不再赘述。
在子步骤s142，将空调器当前的环境参数信息输入训练后的神经网络控制模型。
在子步骤s143，根据神经网络控制模型的输出得到空调器控制参数。神经网络模型的输出是对当前环境参数下，用户可能的控制决策(即，用户可能设定的控制参数)的一种预测，因此，将神经网络控制模型的输出作为到空调器控制参数可以使空调器的运行参数更接近于用户的可能设定。
在子步骤s144，控制空调器按照得到的空调器控制参数运行。
鉴于对空调器运行参数的设定，最常发生的场景就是在空调器开机时。基本上，现在所有的空调器在开机时都会要求用户进行初始设定，而这对用户来说是非常不方便的。本发明提供了一种可令用户在开机时免于设置之繁的一键启动控制方法。图4是根据本发明一个实施例的对空调器进行一键启动控制的流程图。
参见图4与图3，一键启动控制，可以由所述根据训练后的神经网络控制模型对空调器进行控制在空调器开机时执行来实现。一键启动控制方法具体包括步骤s141’，以及到s141到s144。其中，在步骤s141’，接收空调器的一键开机指令。此指令可以由设置在空调器/空调器遥控器上的开机按钮，或者单独的一键开机按键触发；或者当空调器采用远程控制时，由来远程自控制端的一键开机操作触发。
根据空调器的不同，本发明的方法可以有不同的实现形式。当空调器采用本地控制时，步骤s110到步骤s140可以均由空调本身的控制器实现。由于神经网络的学习是基于用户每次实际的设定操作，而用户的操作的平均间隔时间一般都非常长，因此，神经网络学习的运算也不需要实时，运算负担不大，不会给空调器带来过大的额外成本支出。
而当空调器采用基于服务器的远程控制方式时，本发明的另一种实施方式是将神经网络的学习在服务器端实现。上述步骤s110到步骤s140可以在服务器端实现。
参见图5，图5是根据本发明一个实施例的空调器远程控制系统结构示意图。其中，空调器100通过网关400和云服务器200通信，可以由服务器进行远程控制。而客户控制端通过无线通信网络与服务器通信。例如，当前比较多的一种方式是，以安装在智能手机上的应用程序(app)作为客户控制端，对空调器进行控制。
图6是根据本发明另一个实施例的基于机器学习的空调器控制方法的流程图，其中示出了作为服务器端的控制方法时，对应于步骤s110到s140的更为具体的实施方式。本实施例的空调器控制方法包括步骤s210到步骤s240。
在步骤s210，服务器获取客户控制端采集的用户身份信息和用户设定的空调器运行参数以及设定时间。可以在客户控制端的app设置一个用户日志模块，对登录用户每次的设定参数进行记录，并将记录上传到服务器。
在步骤s220，服务器获取用户设定空调器运行参数时，所述设定时间所对应的环境参数。本步骤具体的细节可参见关于步骤s120的描述，只是执行主体由位于空调器本地换成了位于服务器端，这里不再赘述。
在步骤s230，服务器将多次记录的空调器运行参数作为输出，对应环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型。关于神经网络模型和其训练，可参见结合图2对步骤s130的描述，只是执行主体由位于空调器本地换成了位于服务器端，这里不再赘述。
在步骤s240，服务器根据训练后的神经网络控制模型控制空调器。关于具体的控制方式，可参见结合图3-图4对步骤s140的描述，只是执行主体由位于空调器本地换成了位于服务器端，这里不再赘述。对于服务器端的控制方法来说，将生成的控制参数发送到空调器，实现对空调器的控制。
同样，服务器端响应于来自客户控制端的一键开机指令，也可以实现一键开机功能。具体步骤可参见结合图3-图4对步骤s140的描述，不再赘述。
对空调器的一键启动控制方法在远程控制架构中有更广泛的应用前景。基于服务器的一键启动，更有利于获取更精确的环境参数，以及利用服务器的强大运算能力，构建更深层次的网络结构，以及对神经网络进行更好的训练。因为，通常来说，多层神经网络的模型精度和其层数和每层节点数是呈正相关的，亦即，模型精度和构建和训练模型所需的计算量正相关。
图7是是根据本发明一个实施例的app端一键控制方法流程示意图。首先，在学习阶段，app端执行步骤s301和步骤s302。
在步骤s301，app记录每个用户的用户操作数据，例如可以以用户日志的形式进行记录。用户操作数据包括：用户名，用户设定的空调器运行参数，以及设定时间。
在步骤s302，app将用户操作数据上传到服务器。
其中，每个用户的操作数据被分别记录，以便针对每个用户的使用习惯进行分别学习。即便是针对同一台空调器，或者是中央空调的同一个房间的局域控制，不同用户可能会有不同的控制需求，采用基于app的用户分别记录方式，可以提供更精确到用户个体的个性化的控制。这里，用户指使用app账户登录的空调使用者，一个用户对应使用一个app的登录id，一个用户可能是一个自然人，也可能是一个群体。
接下来，在服务器端，执行步骤s310到步骤s333。
在步骤s310，获取由app端上传的用户操作数据。
在步骤s320，获取对应的环境参数。
在步骤s331，将用户操作数据和环境参数输入控制模型。
在步骤s332，对控制模型进行有监督地训练。
在步骤s333，得到针对每个用户的学习后的控制模型。
通过对用户操作数据的不断学习，模型可以持续地被训练和更新。在开始阶段，由于数据量少，模型训练未完成，可以选择用户手动设定参数，待训练一段时间后再开始一键启动功能。但是，这样给用户带来不便。一种更好的方式是，根据相似条件(例如相近地理位置范围内)的其他用户训练好的模型的计算结果，作为一键控制的初值，如果用户不满意这个初值，则再自行调整；如果用户惰于进行设置，则至少在开机时也能给用户提供一个相对可接受的模式。
并且，在服务器端可以根据采集的不同用户的操作数据，在构建针对单个用户分别的神经网络控制模型之外。利用这些用户的大数据，建立针对中央空调调节范围内的神经网络综合控制模型，同时考虑能耗，空调运行时间，功率负荷等建立每个中央空调机组的控制模型，不但提供用户满意的空气调节，也同时规划更高效节能的空调主机运行方案。
此外，还可以建立针对某一地域范围内的所有用户的神经网络综合控制模型。由于空调器对空气温度的调节是个有时延和超调的过程，一般用户仅仅是凭借体感来设定控制参数，用户并不会去计算要达到其想要的控制效果所需的一个最优控制过程并据此来调节空调运行参数，所以单个用户的实际设定往往并不是当前环境参数下的最优解。通过对大量数据的建模，并将综合模型的输出，以一定比例作为训练样本加入到用户模型的训练之中，可以将相同自然环境下其他用户的经验与单独的用户共享。通过所有用户的训练，最终每个模型所能提供的控制策略可能会达到比用户自己的最初设定参数更符合其本身的需求的空气调节效果。
当客户控制端执行一键启动操作时，执行步骤s340，app端获取当前用户id，并上传到服务器。
服务器端执行步骤s341，查找用户id对应的控制模型。以及步骤s342，根据用户id对应的控制模型运算输出空调的控制参数，并将之发送到空调器。
使用本发明的基于机器学习的空调器控制方法，可实现用户控制空调器行为的自学习，提高空调控制的智能化。可以使用户在开机时不必输入控制参数，能实现一键开机，免除用户的复杂操作。甚至在此基础上，可结合多个传感器来实现空调器的完全自动控制。
为了实现上述方法，根据本发明第二方面的实施例提供了一种基于机器学习的空调器控制装置。
图8是根据本发明一个实施例的基于机器学习的空调器控制装置的结构框图。其中，空调器控制装置100包括运行参数获取模块110，环境参数获取模块120，控制模型训练模块130和控制参数输出模块140。
运行参数获取模块110用于获取用户设定的空调器运行参数和设定时间。
环境参数获取模块120获取用户设定空调器运行参数时，所述设定时间所对应的环境参数。
控制模型训练模块130用于将多次记录的空调器运行参数作为输出，对应环境参数作为输入，对神经网络控制模型进行训练，得到训练后的神经网络控制模型。
控制参数输出模块140用于根据训练后的神经网络控制模型得到空调器控制参数。
所述空调器控制装置100可以由含有处理器和存储器的计算设备实现，存储器存储有可执行程序。其中各个模块可以是程序功能模块，在被处理器执行时，实现相应的功能。对于本地控制方式的实施例，所述空调器控制装置100可以是本地空调控制器的一部分，由空调器的中央控制实现。对于远程控制架构，所述空调器控制装置100可以设置在服务器上，由服务器的处理器和存储器实现。
各个模块的功能和实现，可以参见上述方法实施例中进行的描述，对于相同的功能，方法实施例和装置实施例的具体实现方式类似，不再赘述。
图9是根据本发明另一个实施例的基于机器学习的空调器控制装置的结构框图。其中，为了实现一键控制功能，方便用户的开机操作，相对于图8的实施例，增设了一键启动模块150，用于接收空调开机指令并确定空调开机运行参数。
图10是根据本发明一个实施例的一键启动模块的结构框图。所述一键启动模块150进一步包括：开机指令接收单元151，开机运行参数获取单元152和运行控制单元153。
开机指令接收单元151用于接收用户输入的开机指令。
开机运行参数获取单元152用于与控制参数输出模块进行通信，获取控制参数输出模块输出的空调器控制参数，并将其作为开机运行参数。
运行控制单元153用于控制空调器根据所述开机运行参数开始运行。
使用本发明的基于机器学习的空调器控制方法，可实现用户控制空调器行为的自学习，提高空调控制的智能化。可以使用户在开机时不必输入控制参数，能实现一键开机，免除用户的复杂操作。甚至在此基础上，可结合多个传感器来实现空调器的完全自动控制。
本发明第三方面的实施例提供了一种空调器，其包括含有根据本发明第二方面实施例的基于机器学习的空调器控制装置。该空调器对应的是机器学习在空调器本地实现的情况，而对于在服务器端进行机器学习的实施方式，并不需要对空调器进行特别的改动，可以在现有空调器的基础上实现。
在本发明的一些实施例中还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面实施例的基于机器学习的空调器控制方法。该存储介质可以作为空调器的一部分设置在空调器上；或者当空调器可以被服务器远程控制时，该存储介质可以设置在对空调器进行控制的远程服务器上。
在本发明的一些实施例中还提出一种计算设备，该计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，处理器执行所述应用程序时，实现如上面实施例的基于机器学习的空调器控制方法。该计算设备可以由空调器的中央控制单元实现，作为空调器中央控制单元的功能中的一部分。也可以由单独的计算设备实现，与空调器的中央控制单元通信连接。还可以是设置在可与空调器进行远程通信的服务器上。该计算设备的实现可包括但不限于，计算机，专用神经网络芯片，各种可编程逻辑控制器件等。
上述使用根据本发明第二方面的基于机器学习的空调器控制装置的空调器，存储介质和计算设备，其相关部分的具体实施方式可以从相应的本发明的基于机器学习的空调器控制方法或装置的实施例中获得，并具有与相应的本发明的基于机器学习的空调器控制方法或装置相似的有益效果，在此不再赘述。
需要说明的是，在本说明书的描述中，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一个实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例的方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。