信息，该样本信息为 一段时间内使用该自助设备的不同时间段的用户量。
[0053] 102、根据预设的贝叶斯先验概率模型对该待学习的样本信息进行学习，得到学习 结果；
[0054] 在从自助设备用户使用的历史数据中获取待学习的样本信息之后，可以根据预设 的贝叶斯先验概率模型对该待学习的样本信息进行学习，得到学习结果。
[0055] 103、根据该学习结果对该贝叶斯先验概率模型进行更新；
[0056]在根据预设的贝叶斯先验概率模型对该待学习的样本信息进行学习，得到学习结 果之后，可以根据该学习结果对该贝叶斯先验概率模型进行更新。
[0057] 104、采用更新后的该贝叶斯先验概率模型对预设时间段内各个时间段的用户量 进行预测，得到该自助设备的预测用户量；
[0058] 在根据该学习结果对该贝叶斯先验概率模型进行更新之后，可以采用更新后的该 贝叶斯先验概率模型对预设时间段内各个时间段的用户量进行预测，得到该自助设备的预 测用户量。
[0059] 105、根据该预测用户量调节该自助设备各个时间段的休眠间隔时间。
[0060] 在采用更新后的该贝叶斯先验概率模型对预设时间段内各个时间段的用户量进 行预测，得到该自助设备的预测用户量之后，可以根据该预测用户量调节该自助设备各个 时间段的休眠间隔时间。
[0061] 本实施例中，首先，从自助设备用户使用的历史数据中获取待学习的样本信息，该 样本信息为一段时间内使用该自助设备的不同时间段的用户量;然后，根据预设的贝叶斯 先验概率模型对该待学习的样本信息进行学习，得到学习结果;接着，根据该学习结果对该 贝叶斯先验概率模型进行更新;再之，采用更新后的该贝叶斯先验概率模型对预设时间段 内各个时间段的用户量进行预测，得到该自助设备的预测用户量;最后，根据该预测用户量 调节该自助设备各个时间段的休眠间隔时间。在本实施例中，利用自学习的贝叶斯先验概 率模型预测用户量，并根据得到的预测用户量调节自助设备各个时间段的休眠间隔时间， 可以根据需要合理地设置自助设备各个时间段的休眠间隔时间，避免出现在用户量较多的 时候休眠间隔时间过短，自助设备反复休眠启动，而在用户流量较少时休眠间隔时间过长， 造成资源浪费的情况。
[0062] 为便于理解，下面对本发明实施例中的一种自助设备节能控制方法进行详细描 述，请参阅图2,本发明实施例中一种自助设备节能控制方法另一个实施例包括：
[0063] 201、从自助设备用户使用的历史数据中获取待学习的样本信息；
[0064]首先，可以从自助设备用户使用的历史数据中获取待学习的样本信息，该样本信 息为一段时间内使用该自助设备的不同时间段的用户量。可以理解的是，也即，可以获取一 段时间（是以24小时为整数倍）内用户开始使用该自助设备的时间点至结束使用该自助设 备的时间点之间作为待学习样本信息的一个用户量，并将待学习样本信息的用户量按时间 段进行整理，得到整理后的待学习样本信息；其中每个时间段可以为一小时或两小时或更 长的时间。
[0065]以下是以一个小时作为一个时间段对待学习样本信息和先验样本信息进行整理， 举例说明：
[0066]即得到整理后的待学习样本信息以为：
[0067] Di = {χ7 ι,χ7 2, ··· ,x7 s};
[0068] 其中，s表示第几时间段，s取值范围为24且s能被24整除；当以一个小时作为一 个时间段时，s取值:s=l 表示该时间段待学习样本信息的用户量，并且Χ\ = 0，1，2，."m〇
[0069] 而当以两个小时作为一个时间段对待学习样本信息进行整理时，s取值：s = l， 2,…，12〇
[0070] 得到整理后的先验样本信息D为：
[0071] D={xi,X2,-",Xs};
[0072] 其中，s表示第几时间段，s取值范围为以24且s能被24整除；当以一个小时为一个 时间段时，s取值:s = l，2,…，24;xs表示该时间段先验样本信息的用户量并且xs = 0，l，2^·· m；
[0073] 当以两个小时作为一个时间段对先验样本信息进行整理时，s取值：s = 1，2，…， 12。
[0074] 202、根据预设的贝叶斯先验概率模型对该待学习的样本信息进行学习，得到学习 结果；
[0075] 在从自助设备用户使用的历史数据中获取待学习的样本信息之后，可以根据预设 的贝叶斯先验概率模型对该待学习的样本信息进行学习，得到学习结果。
[0076] 需要说明的是，该贝叶斯先验概率模型可以由以下步骤预处理得到：
[0077] A、对自助设备用户使用的历史数据进行预处理，获取一天时间内不同用户使用该 自助设备的不同时间段作为样本信息；
[0078] B、按照时间段分类对该样本信息进行整理，得到对应的先验样本信息；
[0079] C、根据贝叶斯法则和该先验样本信息得到贝叶斯先验概率模型。
[0080] 需要注意的是，每次在获取到该待学习的样本信息之后，还可以将该待学习的样 本信息更新至该先验样本信息。
[0081] 203、根据该学习结果对该贝叶斯先验概率模型进行更新；
[0082]在得到学习结果之后，可以根据该学习结果对该贝叶斯先验概率模型进行更新。 [0083]需要说明的是，根据贝叶斯先验概率，对整理后的待学习样本信息进行学习；对整 理后的待学习样本信息进行学习的间隔时间可以为一天或两天或更长的时间，这需要根据 该网点的自助设备的使用量情况而定。
[0084]举例说明，假设时间间隔为一天，采用贝叶斯先验概率，对整理后的待学习样本信 息进行学习的过程进行详细说明：
[0085]如步骤201中举例说明的获取的整理后先验样本信息，可得先验样本信息总数η:
[0086] ，.
[0087]其中，当以两个小时作为一个时间段时上式的24将变为12。
[0088]则有各个时间段ATM设备用户量的贝叶斯先验概率P (Xs)有：
[0089]
[0090] 其中，当以两个小时作为一个时间段时上式的24将变为12。
[0091] 由于使用自助设备的用户是连续多变的，则每个时间段的贝叶斯先验概率模型P (xs)服从狄利克雷分布为DMc^a〗，···，€〇,则有：
[0092]
[0093]其中，Dir(w，a2,…，as)为狄利克雷分布，S表不一天时间内所述时间段的数量，Xs 表示在s时间段内所述样本信息对应的用户量，as表示s时间段内所述样本信息的数量，
[0094] 那么先验样本的概率P(D)为：
[0095] P(D)=JP(xs)P(D|xs)dxs；
[0096] 即，对待学习样本信息进行学习，由贝叶斯公式得：
[0097]
[0098] 其中P(Xs)*Xs的贝叶斯先验概率分布，P(Xs|D)为^的贝叶斯后验概率分布，将P (Xs|D)转换为狄利克雷分布…，α8+β8)，即可得学习后的贝叶斯先验概率 P7 (xs):
[0099] "
，：
[0100] 其中，当以两个小时作为一个时间段时上式的24将变为12;!^，^，···，队为整理后 的待学习样本信息中Ys时间段狄利克雷分布，Ys为更新样本中每个时间段的用户量，Ys = 0，1，2，···，πι;采用学习后的贝叶斯先验概率去更新原来的贝叶斯先验概率；
[0101 ] 整理后的先验样本信息总数η也更新为
[0102]其中，当以两个小时作为一个时间段时上式的24将变为12。
[0103] 204、采用更新后的该贝叶斯先验概率模型对预设时间段内各个时间段的用户量 进行预测，得到该自助设备的预测用户量；
[0104] 在根据该学习结果对该贝叶斯先验概率模型进行更新之后，可以采用更新后的该 贝叶斯先验概率模型对预设时间段内各个时间段的用户量进行预测，得到该自助设备的预 测用户量。下面将进行详细说明：
[0105] 采用更新后的贝叶斯先验概率对一段时间内各个时间段的用户量进行预测，其中 的一段时间可以根据对整理后的待学习样本信息的学习间隔时间而定。
[0106] 以下是对第二天预测各个时间段的用户量进行详细说明：
[0107] 根据更新后贝叶斯先验概率做出第二天的各个时间段的用户出现的概率预测，预 测出各个时间段使用自助设备的用户量。
[0108] 则根据学习后的贝叶斯先验概率Plxs)对贝叶斯先验概率模型进行进行更新，获 取更新后贝叶斯先验概率模型P (Xs)为：
[0109]
[0110] 其中，将融到^中，成为先验样本信息，当以两个小时作为一个时间段时上式的 24将变为12。