家电设备的控制方法、装置及系统与流程

本申请涉及智能家电领域，具体而言，涉及一种家电设备的控制方法、装置及系统。

背景技术：

随着对象对智能化服务要求的提高，人工智能的不断发展，家电设备的自动化控制技术也越来越成熟。但是目前家电设备一般都是根据对象预设的或者是实时控制的家电设备的运行状态进行运行，并不能根据实时的根据获取到的对象信息，对对象进行个性化的服务，对象体验较差。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请实施例提供了一种家电设备的控制方法、装置及系统，以至少解决家电设备无法根据不同的对象设置对应的运行状态，无法为对象提供个性化服务，对象体验较差的技术问题。

根据本申请实施例的一个方面，提供了一种家电设备的控制方法，包括：获取目标对象的特征信息集；将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；根据预测结果所指示的运行状态控制家电设备的运行状态。

可选地，获取目标对象的特征信息集，包括：获取与目标对象对应的文字描述信息；从文字描述信息中确定关键词，其中，关键词用于反映目标对象的特征；根据关键词确定特征信息集。

可选地，特征信息集中目标对象的特征通过以下方式确定：确定word2vector模型中的上下文窗口的大小；依据上下文窗口的大小确定与关键词关联的其他关键词，其中，其他关键词的数量与窗口的大小相等；依据关键词与其他关键词确定特征信息集中目标对象的特征。

可选地，获取目标对象的特征信息集，包括：采集至少包括目标对象的图像信息；从图像信息中提取目标对象的特征信息；依据特征信息确定目标对象的特征信息集。

可选地，图像信息中包括：多个对象；根据图像信息确定目标对象的特征信息集之前，包括：确定多个对象的优先级；从多个对象中确定优先级最高的对象为目标对象。

可选地，图像信息中包括多个目标对象；根据预测结果所指示的运行状态控制家电设备的运行状态之前，包括：获取多个目标对象的权重；依据权重和多个目标对象对应的运行状态确定家电设备的目标运行状态。

根据本申请实施例的另一个方面，提供了另一种家电设备的控制方法，包括：获取目标对象的特征信息；依据特征信息确定家电设备的目标运行状态；按照目标运行状态控制家电设备的运行状态。

根据本申请实施例的另一个方面，提供了一种家电设备的控制系统，包括：采集装置，用于获取目标对象的特征信息集；处理器，用于将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；控制器，用于根据预测结果所指示的运行状态控制家电设备的运行状态。

根据本申请实施例的另一个方面，提供了一种家电设备的控制装置，包括：采集模块，用于获取目标对象的特征信息集；处理模块，用于将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；控制模块，用于根据预测结果所指示的运行状态控制家电设备的运行状态。

根据本申请实施例的再一个方面，提供了一种存储介质，该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以上的家电设备的控制方法。

根据本申请实施例的再一个方面，提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行以上的家电设备的控制方法。

在本申请实施例中，通过获取目标对象的特征信息集；将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；根据预测结果所指示的运行状态控制家电设备的运行状态。实现了家庭设备根据对目标对象特征信息集的分析，确定目标对象对应的家电设备的运行状态，能个性化的为用户进行服务，提高用户体验的技术效果。进而解决了家电设备无法根据不同的对象设置对应的运行状态，无法为对象提供个性化服务，对象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家电设备的控制方法的流程图；

图2是根据本申请实施例的另一种家电设备的控制方法的流程图；

图3是根据本申请实施例的一种家电设备的控制系统的结构示意图；

图4是根据本申请实施例的一种家电设备的控制装置的结构示意图。

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。

图1是根据本申请实施例的一种家电设备的控制方法的流程图。

如图1所示，本申请的一个实施例提供的家电设备的控制方法至少包括步骤s102-s106：

步骤s102，获取目标对象的特征信息集。

在本申请的一些实施例中，该步骤可以通过以下方式实现，但不限于此：获取与目标对象对应的文字描述信息；从文字描述信息中确定关键词，其中，关键词用于反映目标对象的特征；根据关键词确定特征信息集。目标对象可以为人或动物。

在一个可选的实施例中，文字描述信息可以为目标对象对应的电子档案中或者图像信息的文字信息，从而从文字描述信息中确定关键词。具体的，关键词可以为目标对象的着装信息、和/或身高信息，和/或身体状态信息。也可以为在室内安装图像采集装置，通过图像采集装置对房间的场景进行拍摄，根据拍摄到的图像信息确定关键词，具体的可先对图像的rgb值进行分析，确定图像信息中对象的着装信息，和/或身高信息从而确定关键词。

特征信息集中目标对象的特征通过以下方式确定：确定word2vector模型中的上下文窗口的大小；依据上下文窗口的大小确定与关键词关联的其他关键词，其中，其他关键词的数量与窗口的大小相等；依据关键词与其他关键词确定特征信息集中所述目标对象的特征。

word2vector是一个将单词转换成向量形式的工具，可以把文本内容的处理简化为k维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。若word2vector的窗口大小为5，就是考虑前五个词语与后五个词语的关联关系。

在一个可选的实施例中，特征信息集还可以通过以下方式确定：采集至少包括目标对象的图像信息；从图像信息中提取目标对象的特征信息，并依据特征信息获取目标对象的特征信息集。具体的，可通过安装在室内的摄像头采集至少包括目标对象的图像信息，从图像信息中提取特征信息，具体地，可对图像中的目标对象通过边缘提取确定目标对象区域，对根据该区域内的rgb值确定特征信息，特征信息可以为着装颜色、和/或身高。依据特征信息获取目标对象的特征信息集可以为：根据与着装颜色、和/或身高确定包含该着装颜色、和/或身高的特征信息集。其中该特征信息集还包含其他信息，例如职业、身体状况。

另外，图像信息中可包括多个对象；根据图像信息确定目标对象的特征信息集之前，包括：确定多个对象的优先级；从多个对象中确定优先级最高的对象为目标对象。例如，摄像头采集到的图像中含有多个对象，可对图像中的对象进行分析，具体地，可对图像中的多个对象通过边缘提取确定多个对象的不同对象的区域，对根据不同对象的区域内的rgb值确定特征信息，特征信息可以为着装颜色、和/或身高，然后根据预先设定的根据不同着装颜色、和/或身高相关的优先级，选择多个对象中优先级最高的对象确定为目标对象。例如：家中只有小孩儿穿黄色衣服，预设的优先级为小孩儿最高，可将着装颜色为黄色的对象设置为目标对象。

步骤s104，将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果。

其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记。

例如：多组数据中的第1组数据为：{女孩，8岁，黄色衣服，140}，对应的家电设备的运行状态的标记为：空调温度：27度。

多组数据中的第2组数据为：{成人，28岁，黑色衣服，180}，对应的家电设备的运行状态的标记为：空调温度：26度。

其中家电设备可以为空调、空气净化器、风扇、卧室吊灯。

决策树可为gbdt(gradientboostdecisiontree，梯度提升决策树)。gbdt是一种迭代的回归决策树算法，该算法由多棵回归树组成，所有树的结论累加起来以完成预测。在gbdt中，每一次建立模型是在之前建立的模型损失函数的梯度下降方向，也就是每个新的模型的建立是为了使得之前模型的残差减少。而分类树衡量的标准是最大熵、信息增益，回归树衡量的标准是最小化均方误差。从偏差-方差分解的角度看，gbdt主要关注降低偏差，能基于泛化性能相当弱的学习器构建出很强的集成。gbdt是从弱学习算法出发，反复学习，得到一系列基本分类器，然后组合这些基本分类器，构成一个强分类器。提升方法实际采用加法模型与前向分布算法，以决策树为基函数的提升方法称为提升树，梯度提升算法是用最速下降法最小化损失函数，在分类问题上有比较好的效果。

在一个可选的实施例中，可以根据已经获取或确定的特征信息确定与该特征关联的特征信息集，例如，可以先确定可以识别用户身份的特征，然后基于该用户身份确定与用户身份对应的特征信息集。例如：可根据拍摄的图像信息中的特征信息：年纪、身高，确定特征信息集为：年纪、身高、身体状况，例如，若根据特征信息推测出的特征信息集指示当前目标用户患有眼病，则可对室内灯光的亮度进行调节，控制室内灯光的亮度为适用眼病患者的亮度。

步骤s106，根据预测结果所指示的运行状态控制家电设备的运行状态。

若目标对象指示的运行状态为空调26度，则控制空调的运行状态为26度。

在另一个可选的实施例中，图像信息中包括多个目标对象；根据预测结果所指示的运行状态控制家电设备的运行状态之前，需获取多个目标对象的权重；依据权重和多个目标对象对应的运行状态确定家电设备的目标运行状态。

例如：当目标对象中，目标对象a的权重为0.5，对应的预测结果为目标设定温度为26度，目标对象b的权重为0.3，对应的预测结果为空调运行状态为28度，目标对象c的权重为0.2，对应的预测结果为空调运行状态为25度，可根据0.5*26+0.3*28+0.2*25＝26.3，则将空调设备为26度。

在本申请实施例中，通过获取目标对象的特征信息集；将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；根据预测结果所指示的运行状态控制家电设备的运行状态。实现了家庭设备根据对目标对象特征信息集的分析，确定目标对象对应的家电设备的运行状态，能个性化的为对象进行服务，提高对象体验的技术效果。进而解决了家电设备无法根据不同的对象设置对应的运行状态，无法为对象提供个性化服务，对象体验较差的技术问题。

图2是根据本申请实施例的另一个家电设备的控制方法的流程图。

如图2所示，本申请的另一个实施例提供的家电设备的控制方法至少包括步骤s202-s206：

步骤s202，获取目标对象的特征信息；

在本申请的一些实施例中，该步骤可以通过以下方式实现，但不限于此：获取与目标对象对应的文字描述信息；从文字描述信息中确定关键词，其中，关键词用于反映目标对象的特征；根据关键词确定特征信息，其中特征信息可以为一个集合。目标对象可以为人或动物。

在一个可选的实施例中，文字描述信息可以为目标对象对应的电子档案中或者图像信息的文字信息，从而从文字描述信息中确定关键词。具体的，关键词可以为目标对象的着装信息、和/或身高信息，和/或身体状态信息。也可以为在室内安装图像采集装置，通过图像采集装置对房间的场景进行拍摄，根据拍摄到的图像信息确定关键词，具体的可先对图像的rgb值进行分析，确定图像信息中对象的着装信息，和/或身高信息从而确定关键词。

特征信息中目标对象的特征可以通过以下方式确定：确定word2vector模型中的上下文窗口的大小；依据上下文窗口的大小确定与关键词关联的其他关键词，其中，其他关键词的数量与窗口的大小相等；依据关键词与其他关键词确定特征信息中目标对象的特征。

word2vector是一个将单词转换成向量形式的工具，可以把文本内容的处理简化为k维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。若word2vector的窗口大小为5，就是考虑前五个词语与后五个词语的关联关系。

步骤s204，依据特征信息确定家电设备的目标运行状态；

在一个可选的实施例中，将特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果。

其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息和用于标记特征信息对应的家电设备的运行状态的标记。

决策树可为gbdt(gradientboostdecisiontree，梯度提升决策树)。gbdt是一种迭代的回归决策树算法，该算法由多棵回归树组成，所有树的结论累加起来以完成预测。在gbdt中，每一次建立模型是在之前建立的模型损失函数的梯度下降方向，也就是每个新的模型的建立是为了使得之前模型的残差减少。而分类树衡量的标准是最大熵、信息增益，回归树衡量的标准是最小化均方误差。从偏差-方差分解的角度看，gbdt主要关注降低偏差，能基于泛化性能相当弱的学习器构建出很强的集成。gbdt是从弱学习算法出发，反复学习，得到一系列基本分类器，然后组合这些基本分类器，构成一个强分类器。提升方法实际采用加法模型与前向分布算法，以决策树为基函数的提升方法称为提升树，梯度提升算法是用最速下降法最小化损失函数，在分类问题上有比较好的效果。

例如：多组数据中的第1组数据为：{女孩，8岁，黄色衣服，140}，对应的家电设备的运行状态的标记为：空调温度：27度。

多组数据中的第2组数据为：{成人，28岁，黑色衣服，170}，对应的家电设备的运行状态的标记为：空调温度：26度。

其中家电设备可以为空调、空气净化器、风扇、卧室吊灯。

在一个可选的实施例中，若根据特征信息确定的目标对象为眼病患者时，可对室内灯光的亮度进行调节。

步骤s206，按照目标运行状态控制家电设备的运行状态。

若目标运行状态指示的运行状态为空调26度，则控制空调的运行状态为26度。

在本申请实施例中，通过获取目标对象的特征信息；依据特征信息确定家电设备的目标运行状态；按照目标运行状态控制家电设备的运行状态。实现了家庭设备根据对目标对象特征信息集的分析，确定目标对象对应的家电设备的运行状态，能个性化的为对象进行服务，提高对象体验的技术效果。进而解决了家电设备无法根据不同的对象设置对应的运行状态，无法为对象提供个性化服务，对象体验较差的技术问题。

图3是根据本申请实施例的一种家电设备的控制系统的结构示意图。如图3所示，该系统包括：采集装置32；处理器34；控制器36。其中：

采集装置32，用于获取目标对象的特征信息集；

采集装置32可以为图像采集装置，例如：摄像头。

处理器34，用于将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；

控制器36，用于根据预测结果所指示的运行状态控制家电设备的运行状态。

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和图2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家电设备的控制装置的结构示意图。如图4所示，该系统包括：采集模块42；处理模块44；控制模块46。其中：

采集模块42，用于获取目标对象的特征信息集；

采集模块42可以为图像采集模块，例如：摄像头模块。

处理模块44，用于将特征信息集中的特征信息输入决策树预测模型进行分析，得到家电设备的运行状态的预测结果，其中，决策树预测模型为通过多组数据训练得到的，多组数据中的每组数据包括：特征信息集和用于标记特征信息集对应的家电设备的运行状态的标记；

控制模块46，用于根据预测结果所指示的运行状态控制家电设备的运行状态。

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和图2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再一个方面，提供了一种存储介质，该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以上的家电设备的控制方法。

根据本申请实施例的再一个方面，提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行以上的家电设备的控制方法。

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，例如所述单元的划分，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。

所述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。

所述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所述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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述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。