基于决策树分类算法的空调智能温控系统及方法与流程

本发明涉及智能设备控制技术领域，特别涉及基于决策树分类算法的空调智能温控系统及方法。

背景技术：

随着智能设备的普及，家用电器已经基本实现了智能化，更方便快捷的为人们的生活服务。但是现有的空调往往不能在人工做操之后在周边环境发生变化的情况下进行适度的调控，使当前环境处于最适宜的条件下，已引起空调病以及不必要的能源浪费。故而，提出这个依托分类决策树的自动温控方法，在节约能源的情况下，最大限度的使人们享受最舒适的环境，并提高设备的用户体验。

分类决策树，决策树(decisiontree)又称为判定树，是运用于分类的一种树结构。其中的每个内部结点(internalnode)代表对某个属性的一次测试，每条边代表一个测试结果，叶结点(leaf)代表某个类(class)或者类的分布(classdistribution)，最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。决策树算法有一个好处，那就是它可以产生人能直接理解的规则，这是贝叶斯、神经网络等算法没有的特性；决策树的准确率也比较高，而且不需要了解背景知识就可以进行分类，是一个非常有效的算法。决策树算法有很多变种，包括id3、c4.5、c5.0、cart等，但其基础都是类似的。

目前，暂时还未出现将分类决策树应用于智能空调内，使得空调具备自动调节温度从而提升用户使用感的方案。

技术实现要素：

本发明的目的是克服上述背景技术中不足，提供一种基于决策树分类算法的空调智能温控系统及方法，在现有的自动调节的基础上采用了分类决策树的数据分析方法，更加高效、明确的进行自动控制，从而一定程度上提高了识别准确度，提高用户体验的同时减少因过度吹空调引起的不适。

为了达到上述的技术效果，本发明采取以下技术方案：

基于决策树分类算法的空调智能温控系统，包括信息采集系统和控制处理系统，所述信息采集系统用于采集环境数据，所述环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、和/或气流速度数据；所述控制处理系统内设有分类决策树模型，控制处理系统与信息采集系统相连，控制处理系统用于对信息采集系统采集的数据输入至分类决策树模型内进行分类处理，并根据分类决策树模型的分类结果控制空调执行对应的操作。

进一步地，所述信息采集系统至少包含温度计、湿度计、红外测温计、空气质量分析装置和/或空气流动感应器。

同时，本发明还公开了一种基于决策树分类算法的空调智能温控方法，包括上述的基于决策树分类算法的空调智能温控系统，且具体包括以下步骤：

a.在控制处理系统的分类决策树模型内预置正常情况下人体感觉舒适的环境数据的阈值范围作为分类决策树模型对环境数据的调控阈值范围；所述环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、和/或气流速度数据；

b.通过信息采集系统采集环境数据并传递至控制处理系统作为待判断环境数据；

c.在控制处理系统内通过分类决策树模型对待判断环境数据进行判断处理并生成对应的调控策略；

d.控制处理系统根据调控策略控制空调执行对应的操作。

其中，所述控制处理系统内的分类决策树模型的生成步骤如下：

s101.利用大数据采集人体舒适环境下的环境数据，所述环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、和/或气流速度数据；

s102.对步骤s101中采集的环境数据进行统计，同时对统计到的环境数据进行人工分类，并由人工根据大数据信息定义各类别的环境数据的范围阈值，并分别生成训练集和测试数据集；

s103.利用所述步骤s102中得到的训练集训练分类器，并用测试数据集对训练所得的分类器进行测试，得到分类决策树模型。

具体的，所述步骤s102中对采集的环境数据进行统计时还包括根据多数服从少数的规则对进行环境数据清洗处理。且作为优选，还包括步骤s104：结合用户习惯性设置的环境数据对分类决策树模型中的各分类数据的范围阈值进行优化，得到最终的分类决策树模型。

进一步地，所述步骤a中环境温度数据调控阈值范围为环境温度不大于t2、不小于t1，湿度数据调控阈值范围为空气湿度不小于p1、不大于p2，体表温度数据调控阈值范围为体表温度不小于st1、不大于st2，空气质量数据调控阈值范围为空气质量指数不大于aqi1、气流速度数据调控阈值范围为气流速度不小于v1、不大于v2。

进一步地，所述步骤c中当待判断环境数据中的环境温度数据大于t2时，分类决策树模型输出的调控策略控制空调进行降温处理，且至少将环境温度降低至t2，当待判断环境数据中的环境温度数据小于t1时，分类决策树模型输出的调控策略控制空调进行升温处理，且至少将环境温度升高至t1；

当待判断环境数据中的空气湿度数据小于p1时，分类决策树模型输出的调控策略控制空调进行加湿处理，且至少将空气湿度升高至p1，当待判断环境数据中的空气湿度数据大于p2时，分类决策树模型输出的调控策略控制空调进行除湿处理，且至少将空气湿度降低至p2；

当待判断环境数据中的体表温度数据大于st2时，分类决策树模型输出的调控策略控制空调进行降温处理，且至少将体表温度数据降低至st2，当待判断环境数据中的体表温度数据小于st1时，分类决策树模型输出的调控策略控制空调进行升温处理，且至少将体表温度数据升高至st1；

当待判断环境数据中的空气质量指数大于aqi1时，分类决策树模型输出的调控策略控制空调进行空气净化，且至少将空气质量指数降低至aqi1；

当待判断环境数据中的气流速度数据小于v1时，分类决策树模型输出的调控策略控制空调加大风力，且至少将气流速度升高至v1，当待判断环境数据中的气流速度数据大于v2时，分类决策树模型输出的调控策略控制空调减小风力，且至少将气流速度降低至v2。

进一步地，所述环境数据的调控阈值范围可由用户自行设定或控制处理系统将用户多次设定的环境数据作为标准环境数据并设定于分类决策树模型内替代对应的环境数据的调控阈值范围。

进一步地，所述控制处理系统将用户多次设定的环境数据作为标准环境数据并设定于分类决策树模型内替代对应的环境数据的调控阈值范围时具体包括以下步骤：

s1.用户连续设定某一环境数据至某一固定值的次数超过a次时即采集用户多次自行设定的该环境数据的固定值；

s2.将该环境数据的固定值置于分类决策树模型内并作为该环境数据的标准值替代对应的环境数据的调控阈值范围。

进一步地，所述步骤b具体为：

b1.信息采集系统采集一个检测周期内的环境数据并传递至控制处理系统；所述一个检测周期为b秒，且信息采集系统每隔c秒即采集一次环境数据，其中，b＝c*n，n不小于1；

b2.控制处理系统对收到的一个检测周期内的各类环境数据进行平均值计算，并将得出的各类环境数据在一个周期内的平均值传递至分类决策树模型作为待判断环境数据。

本发明与现有技术相比，具有以下的有益效果：

利用本发明的基于决策树分类算法的空调智能温控系统及方法，可提升空调的智能化，实现空调更加高效、明确的进行自动控制，从而提高用户的使用体验，有利于提升产品的用户满意度增加产品的市场竞争力。

附图说明

图1是本发明的一个实施例中基于决策树分类算法的空调智能温控方法的整体流程示意图。

图2是本发明的一个实施例中分类决策树模型生成及基于决策树分类算法的空调智能温控系统的应用流程示意图。

图3是本发明的一个实施例中分类决策树模型的示意图。

具体实施方式

下面结合本发明的实施例对本发明作进一步的阐述和说明。

实施例：

实施例一：

基于决策树分类算法的空调智能温控系统，包括信息采集系统和控制处理系统，信息采集系统用于采集环境数据，环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、气流速度数据；控制处理系统内设有分类决策树模型，控制处理系统与信息采集系统相连，控制处理系统用于对信息采集系统采集的数据输入至分类决策树模型内进行分类处理，并根据分类决策树模型的分类结果控制空调执行对应的操作。

具体的，本实施例中，信息采集系统至少包含温度计、湿度计、红外测温计、空气质量分析装置、空气流动感应器。

使用时，可先在控制处理系统的分类决策树模型内预置正常情况下人体适宜舒适环境的环境数据范围，具体包括人体感觉舒适的情况下环境温度的范围、空气湿度的范围、体表温度的范围、最高空气质量指数、气流速度的范围。上述数据可通过大数据技术获得。

同时，由于本申请中采用了分类决策树模型，且该分类决策树模型具有自助学习的功能，在实际使用中，控制处理系统可将用户自行设定或采集用户多次设定的某一环境数据的值作为该环境数据的标准值，从而替代原出厂时预设的具体的环境数据范围。

如在出厂时在控制处理系统的分类决策树模型内预置的环境温度的范围为18℃～26℃，但是在实际使用中，用户每次都将温度调整至22℃，则控制处理系统可将分类决策树模型中的环境温度的范围由18℃～26℃更换为22℃，以便于在实际使用中，根据不同的用户进行个性化设置，以更好的满足用户的使用需求。

使用中，信息采集系统分别通过温度计、湿度计、红外测温计、空气质量分析装置、空气流动感应器采集环境中的环境温度数据、湿度数据、体表温度数据、空气质量数据、气流速度数据，并将采集的数据传递至分类决策树模型内进行判断处理，分类决策树模型根据预设的环境数据范围分别对各项环境数据进行判断，从而生成对应的调控策略，由控制处理系统根据调控策略控制空调执行对应的操作，并最终实现空调的自动控制。

实施例二

如图1所示，一种基于决策树分类算法的空调智能温控方法，包括上述的基于决策树分类算法的空调智能温控系统，且具体包括以下步骤：

a.在控制处理系统的分类决策树模型内预置正常情况下人体感觉舒适的环境数据的阈值范围作为分类决策树模型对环境数据的调控阈值范围；环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、和/或气流速度数据；

b.通过信息采集系统采集环境数据并传递至控制处理系统作为待判断环境数据；其中，信息采集系统采集的环境数据传递至控制处理系统时，控制处理系统会对收到的数据进行数据清洗(剔除脏数据)、数据分析(删除冗余数据)及数据变换处理，并最终将经过上述处理的满足数据质量要求的数据传递至分类决策树模型作为待判断环境数据；

c.在控制处理系统内通过分类决策树模型对待判断环境数据进行判断处理并生成对应的调控策略；分类决策树模型根据内设的环境数据的阈值范围对各类数据分别进行分类判别处理，并生成对应的调控策略；

d.控制处理系统根据调控策略控制空调执行对应的操作并向用户反馈结果。

具体的，步骤b中的数据变换处理具体为求取数据均值处理，具体包括：

b1.信息采集系统采集一个检测周期内的环境数据并传递至控制处理系统；一个检测周期为60秒，且信息采集系统每隔10秒即采集一次环境数据；

b2.控制处理系统对收到的一个检测周期内即60s内的各类环境数据进行平均值计算，并将得出的各类环境数据在一个周期内的平均值传递至分类决策树模型作为待判断环境数据。

如在一个检测周期内温度计供获取6次环境温度分别为：20.3℃、20.2℃、20.3℃、20.4℃、20.5℃、20.4℃，则控制处理系统对6个环境温度数据求平均值为20.35℃，即实际传入分类决策树模型进行判断的环境温度为20.35℃。

其中，如图2所示，本实施例中，控制处理系统内的分类决策树模型的生成步骤如下：

s101.深入调研，统计在人感觉舒适情况下所在环境的环境数据，环境数据至少包含环境温度数据、湿度数据、体表温度数据、空气质量数据、气流速度数据；

s102.对步骤s101中采集的环境数据进行统计并对数据进行人工分类，定义各类别的环境数据的范围阈值，并根据多数服从少数的规则进行脏数据清洗处理，得到相对最具代表性的训练集和测试数据集；

s103.利用步骤s102中得到的训练集训练分类器，并用测试数据集对训练所得的分类器进行测试，得到分类决策树模型。

s104.结合用户习惯性设置的环境数据及其他实际情况(如当前使用地理位置等)对得到的分类决策树进行剪枝并对分类决策树模型中的各分类数据的范围阈值进行优化，得到最终的最佳分类决策树模型。

具体的，在对得到的分类决策树进行剪枝处理时具体为，如本实施例中分类决策树模型中的环境数据仅分为5类即：环境温度数据、湿度数据、体表温度数据、空气质量数据、气流速度数据，若根据大数据统计出的分类决策树模型中将环境数据细分为6类如：环境温度数据、湿度数据、体表温度数据、空气质量数据、气流速度数据、空气含氧量数据，则需要对其中的空气含氧量数据进行剔除处理，从而使得空调的功能更加贴合用户的使用需求。

具体的，本实施例的步骤a中环境温度数据调控阈值范围为环境温度不大于t2、不小于t1，湿度数据调控阈值范围为空气湿度不小于p1、不大于p2，体表温度数据调控阈值范围为体表温度不小于st1、不大于st2，空气质量数据调控阈值范围为空气质量指数不大于aqi1、气流速度数据调控阈值范围为气流速度不小于v1、不大于v2。

如图3所示，在本实施例的步骤c中当待判断环境数据中的环境温度数据大于t2时，分类决策树模型输出的调控策略控制空调进行降温处理，且至少将环境温度降低至t2，当待判断环境数据中的环境温度数据小于t1时，分类决策树模型输出的调控策略控制空调进行升温处理，且至少将环境温度升高至t1；

当待判断环境数据中的空气湿度数据小于p1时，分类决策树模型输出的调控策略控制空调进行加湿处理，且至少将空气湿度升高至p1，当待判断环境数据中的空气湿度数据大于p2时，分类决策树模型输出的调控策略控制空调进行除湿处理，且至少将空气湿度降低至p2；

当待判断环境数据中的体表温度数据大于st2时，分类决策树模型输出的调控策略控制空调进行降温处理，且至少将体表温度数据降低至st2，当待判断环境数据中的体表温度数据小于st1时，分类决策树模型输出的调控策略控制空调进行升温处理，且至少将体表温度数据升高至st1；

当待判断环境数据中的空气质量指数大于aqi1时，分类决策树模型输出的调控策略控制空调进行空气净化，且至少将空气质量指数降低至aqi1；

当待判断环境数据中的气流速度数据小于v1时，分类决策树模型输出的调控策略控制空调加大风力，且至少将气流速度升高至v1，当待判断环境数据中的气流速度数据大于v2时，分类决策树模型输出的调控策略控制空调减小风力，且至少将气流速度降低至v2。

作为优选，本实施例的分类决策树模型还可实现个性化定制及自学习功能，即分类决策树模型内的环境数据的调控阈值范围可由用户自行设定或控制处理系统将用户多次设定的环境数据作为标准环境数据并设定于分类决策树模型内替代对应的环境数据的调控阈值范围。

具体的，控制处理系统将用户多次设定的环境数据作为标准环境数据并设定于分类决策树模型内替代对应的环境数据的调控阈值范围时具体包括以下步骤：

s1.用户连续设定某一环境数据至某一固定值的次数超过a次时即采集用户多次自行设定的该环境数据的固定值；

s2.将该环境数据的固定值置于分类决策树模型内并作为该环境数据的标准值替代对应的环境数据的调控阈值范围。

其中，在本实施例中为了避免出现用户误按导致错误的数据信息被设定为环境数据的调控阈值范围，为每类环境数据具体设定有调控阈值的上下调控阀值，具体如：

若本实施例中设定的环境温度数据调控阈值范围为环境温度不大于28℃、不小于18℃，且环境温度数据的调控阈值的上下调控阀值为5℃，即若用户要自行设定将环境温度的调控阈值范围升高至40℃，40℃与28℃的差值为12℃超过了环境温度数据的调控阈值的上下调控阀值5℃，则系统将判定用户的此次输入为错误输入，即不会将环境温度数据调控阈值范围设定为40℃，而继续保持原不大于28℃、不小于18℃的温度范围作为环境温度数据调控阈值范围。

通过上述内容可知，通过本发明的本发明的基于决策树分类算法的空调智能温控系统及方法，不仅可使得空调具有自动调节温度的功能，还可使得空调具有自学习及用户个性化设置的功能，从而提升了用户在使用空调时的使用体验，有利于提高产品的满意度。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。