一种空调控制方法、装置、存储介质及空调与流程

本发明涉及控制领域，尤其涉及一种空调控制方法、装置、存储介质及空调。

背景技术：

目前,许多空调都提供了睡眠模式，即专门用于睡眠时使用的一种运行模式。然而，传统的空调睡眠模式一般是通过自动检测室温和定时控制空调的运行和停止，从而达到控制室温和降低噪音的目的，睡眠模式比较单一，不够智能，仅仅根据简单的室温监测数据来控制空调的运行，没有综合考虑更多的其他相关数据，比如用户的睡眠状态等数据，具体表现为不同用户的睡眠状态不同，对室内环境的适应性不同，传统的空调无法对这些情况进行针对性处理。

技术实现要素：

本发明的主要目的在于克服上述现有技术的缺陷，提供一种空调控制方法、装置、存储介质及空调，以解决现有技术中空调的睡眠模式无法针对不同用户的睡眠状态不同，对室内环境的适应性不同的情况进行处理的问题。

本发明一方面提供了一种空调控制方法，包括：在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据；将获取的所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数；根据输出的所述空调当前的第一控制参数，控制所述空调的运行。

可选地，所述第一环境参数，包括：当前的第一室内环境温度、第一室内环境湿度、第一室外环境温度和/或第一室外环境湿度；和/或，所述第一用户状态数据，包括：当前用户的第一深睡眠时间、第一浅睡眠时间、当前第一体表温度和/或当前第一心率；和/或，所述第一控制参数，包括：目标温度、目标湿度和/或目标风速。

可选地，所述控制参数决策模型通过如下方式建立：收集所述空调工作在所述预设模式时的第二环境参数和用户的第二用户状态数据，以及与所述第二环境参数和第二用户状态数据相应的空调第二控制参数；将所述第二环境参数、所述第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型。

可选地，将所述第二环境参数、第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型，包括：将所述第二环境参数、第二用户状态数据和所述第二控制参数生成特征矩阵；将生成的所述特征矩阵输入所述预设的神经网络中进行模型训练，得到所述控制参数决策模型。

可选地，所述第二环境参数，包括：第二室内环境温度、第二室内环境湿度、第二室外环境温度和/或第二室外环境湿度；和/或，所述第二用户状态数据，包括：第二深睡眠时间、第二浅睡眠时间、第二体表温度和/或第二心率；和/或，所述第二控制参数，包括：预设温度、预设湿度和/或预设风速。

可选地，所述模型训练采用误差反向传播算法，所述模型训练的神经元激活函数采用relu函数。

本发明另一方面提供了一种空调控制装置，包括：获取单元，用于在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据；输入单元，用于将获取的所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数；控制单元，用于根据输出的所述空调当前的第一控制参数，控制所述空调的运行。

可选地，所述第一环境参数，包括：当前的第一室内环境温度、第一室内环境湿度、第一室外环境温度和/或第一室外环境湿度；和/或，所述第一用户状态数据，包括：当前用户的第一深睡眠时间、第一浅睡眠时间、当前第一体表温度和/或当前第一心率；和/或，所述第一控制参数，包括：目标温度、目标湿度和/或目标风速。

可选地：建立单元，用于建立所述控制参数决策模型，所述控制参数决策模型通过如下方式建立：收集所述空调工作在所述预设模式时的第二环境参数和用户的第二用户状态数据，以及与所述第二环境参数和第二用户状态数据相应的空调第二控制参数；将所述第二环境参数、所述第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型。

可选地，所述建立单元，将所述第二环境参数、第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型，包括：将所述第二环境参数、第二用户状态数据和所述第二控制参数生成特征矩阵；将生成的所述特征矩阵输入所述预设的神经网络中进行模型训练，得到所述控制参数决策模型。

可选地，所述第二环境参数，包括：第二室内环境温度、第二室内环境湿度、第二室外环境温度和/或第二室外环境湿度；和/或，所述第二用户状态数据，包括：第二深睡眠时间、第二浅睡眠时间、第二体表温度和/或第二心率；和/或，所述第二控制参数，包括：预设温度、预设湿度和/或预设风速。

可选地，所述模型训练采用误差反向传播算法，所述模型训练的神经元激活函数采用relu函数。

本发明又一方面提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。

本发明再一方面提供了一种空调，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。

本发明再一方面提供了一种空调，包括前述任一所述的空调控制装置。

根据本发明的技术方案，在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数，并根据输出的第一控制参数控制空调的运行，能够实时根据用户的睡眠状态，对空调的控制参数进行调整，使得室内温度、湿度环境更加符合人体睡眠规律，使用户的睡眠环境更加健康舒适。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明提供的空调控制方法的一实施例的方法示意图；

图2是根据本发明的一个具体实施方式的神经网络的结构示意图；

图3是本发明提供的空调控制装置的一实施例的结构示意图；

图4是本发明提供的空调控制装置的另一实施例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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是本发明提供的空调控制方法的一实施例的方法示意图。

如图1所示，根据本发明的一个实施例，所述空调控制方法至少包括步骤s110、步骤s120和步骤s130。

步骤s110，在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据。

所述预设模式具体可以为睡眠模式。所述第一环境参数具体可以包括当前的第一室内环境温度、第一室内环境湿度、第一室外环境温度和/或第一室外环境湿度；所述第一用户状态数据具体可以为第一用户睡眠状态数据，所述第一用户状态数据具体可以包括当前用户的第一深睡眠时间、第一浅睡眠时间、当前第一体表温度和/或当前第一心率。具体地，通过空调的环境传感器(例如温度传感器和/或湿度传感器)实时检测室、内外的温、湿度数据；通过用户穿戴的可穿戴设备(例如，智能手环)采集用户睡眠时的深睡眠时间、浅睡眠时间、体表温度和/或心率。

步骤s120，将获取的所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数。

所述控制参数决策模型用于确定所述空调的第一控制参数，即确定在当前的第一环境参数和当前用户的第一用户状态数据下的空调的最优控制参数。所述第一控制参数具体可以包括目标温度、目标湿度和/或目标风速。也就是说，将所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，可以输出所述空调在当前的第一环境参数和当前用户的第一用户状态数据的情况下的第一控制参数。

具体地，所述述控制参数决策模型通过如下方式建立：

(1)收集所述空调工作在所述预设模式时的第二环境参数和用户的第二用户状态数据，以及与所述第二环境参数和第二用户状态数据相应的空调第二控制参数。

所述第二环境参数具体可以包括第二室内环境温度、第二室内环境湿度、第二室外环境温度和/或第二室外环境湿度；所述第二用户状态数据具体可以为第二用户睡眠状态数据，所述第二用户状态数据具体可以包括第二深睡眠时间、第二浅睡眠时间、第二体表温度和/或第二心率。与所述第二环境参数和第二用户状态数据相应的空调第二控制参数通过实验获得或者根据用户的反馈获得，所述第二控制参数具体可以包括预设温度、预设湿度和/或预设风速，所述预设温度具体可以为使人体感觉舒适的温度，所述预设湿度具体可以为使人体感觉舒适的湿度，和/或所述预设风速具体可以为使人体感觉舒适的空调出风风速。例如，通过实验获得不同的环境参数和用户状态数据下的使人体感觉舒适的温度、湿度和/或空调出风风速，作为所述预设温度、预设湿度和/或预设风速，或者获取用户反馈的在不同的环境参数和用户状态数据下的感觉舒适的温度、湿度和/或空调出风风速，作为所述预设温度、预设湿度和/或预设风速。

(2)将所述第二环境参数、所述第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型。

具体地，将所述第二环境参数、第二用户状态数据和所述第二控制参数生成特征矩阵；将生成的所述特征矩阵输入所述预设的神经网络中进行模型训练，得到所述控制参数决策模型。

更具体地，先将收集到的所述第二环境参数、第二用户状态数据和所述第二控制参数作为数据样本进行预处理，即生成特征矩阵。例如，可以将数据样本根据不同的特征，每一个特征作为一列，每一个样本作为一行，生成一个特征矩阵。具体的特征矩阵可以参考下表所示(其中的具体数值仅用于说明)：

表1

在收集样本数据时，由于实际条件的限制，可能会有部分数据收集不到，因此需要对这部分缺失的数据进行处理。例如可以利用均值插补法，即利用缺失的数据所在特征列的均值来填充。此外，由于不同数据的度量单位不一样，如温度为摄氏度(℃)，睡眠时间为小时(h)，统计范围也会有差异，因此需要对数据进行归一化处理。例如，将数值缩放至0到1之间，使得各个特征的数据统一化，减少差异。

将处理得到特征矩阵输入预设的神经网络中进行模型训练。图2是根据本发明的一个具体实施方式的神经网络的结构示意图。如图2所示，为深度神经网络的结构示意图，一个神经网络主要由三部分组成，分别是输入层、隐藏层和输出层。其中输入层和输出层只有一层，而隐藏层可以有多层，深度神经网络就是有多个隐藏层的神经网络。图2所示为有两个隐藏层的神经网络。在输入层，每一个神经元x代表一个输入特征(feature)，b是一个与特征无关的偏置值。输入特征经过激活函数转换后，进入隐藏层1，同样的，隐藏层1的结果经过再次转换后进入隐藏层2，最后到达输出层，即输出各类y的概率值。

输入的样本向量可以表示为x＝(x1,x2,x3,…,xn)，对应的类别为y＝(y1,y2,…,ym)，初始化的权重矩阵为w。具体来说，样本向量x中，每一个分量代表一种特征，比如x1为室内温度，x2为室外温度，x3为室内湿度、x4为室外湿度，以此类推。类别向量y为需要输出的类别的集合，要输出几个类，就有几个分量。例如，需要输出目标温度和/或目标湿度这两个类别，那么分量y1和y2分别表示目标温度和目标湿度。权重矩阵w是一个参数矩阵，是神经网络中每一层神经元链接下一层神经元的权值的集合，在神经网络训练过程中，w是不断调整变化的，当训练完成时，w会趋于稳定的值。训练神经网络的目的，就是确定最优的权重矩阵w。

优选地，采用误差反向传播算法(backpropagation)进行上述的模型训练，神经元的激活函数选择relu(线性修正单元)，因为relu函数求梯度简单，收敛较快。每一次计算实际输出与期望输出(第二控制参数，例如预设温度、预设湿度和/或预设风速)的误差损失，根据损失结果进行反向传播，更新每一层的权重矩阵w。当算法收敛时，最终得到稳定的权重w，算法训练完成，保存最终的神经网络模型，即所述控制参数决策模型，用于进行空调当前的控制参数(即第一控制参数)的决策。

步骤s130，根据输出的所述空调当前的第一控制参数，控制所述空调运行。

将所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，将会输出所述空调当前的第一控制参数，即当前的最优控制参数，则可以根据所述第一控制参数控制所述空调的运行。例如，根据当前室内环境温度和设定温度控制空调压缩机频率，使当前室内环境温度达到目标温度，和/或，控制所述空调的风机转速达到所述目标转速，或者控制空调进行除湿或加湿，使室内环境湿度达到所述目标湿度。

图3是本发明提供的空调控制装置的一实施例的结构示意图。如图3所示，所述空调控制装置100包括：获取单元110、输入单元120和控制单元130。

获取单元110用于在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据；输入单元120用于将获取的所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数；控制单元130用于根据输出的所述空调当前的第一控制参数，控制所述空调的运行。

在所述空调工作在预设模式时，获取单元110获取当前的第一环境参数和当前用户的第一用户状态数据。所述预设模式具体可以为睡眠模式。所述第一环境参数具体可以包括当前的第一室内环境温度、第一室内环境湿度、第一室外环境温度和/或第一室外环境湿度；所述第一用户状态数据具体可以为第一用户睡眠状态数据，所述第一用户状态数据具体可以包括当前用户的第一深睡眠时间、第一浅睡眠时间、当前第一体表温度和/或当前第一心率。具体地，获取单元110通过空调的环境传感器(例如温度传感器和/或湿度传感器)实时检测室、内外的温、湿度数据；通过用户穿戴的可穿戴设备(例如，智能手环)采集用户睡眠时的深睡眠时间、浅睡眠时间、体表温度和/或心率。

输入单元120将获取的所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数。

所述控制参数决策模型用于确定所述空调的第一控制参数，即确定在当前的第一环境参数和当前用户的第一用户状态数据下的空调的最优控制参数。所述第一控制参数具体可以包括目标温度、目标湿度和/或目标风速。也就是说，将所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，可以输出所述空调在当前的第一环境参数和当前用户的第一用户状态数据的情况下的第一控制参数。

图4是本发明提供的空调控制装置的另一实施例的结构示意图。如图4所示，所述空调控制装置100还包括建立单元140。

建立单元140用于建立所述控制参数决策模型。具体地，建立单元140通过如下方式建立所述控制参数决策模型：

(1)收集所述空调工作在所述预设模式时的第二环境参数和用户的第二用户状态数据，以及与所述第二环境参数和第二用户状态数据相应的空调第二控制参数。

所述第二环境参数具体可以包括第二室内环境温度、第二室内环境湿度、第二室外环境温度和/或第二室外环境湿度；所述第二用户状态数据具体可以为第二用户睡眠状态数据，所述第二用户状态数据具体可以包括第二深睡眠时间、第二浅睡眠时间、第二体表温度和/或第二心率。与所述第二环境参数和第二用户状态数据相应的空调第二控制参数通过实验获得或者根据用户的反馈获得，所述第二控制参数具体可以包括预设温度、预设湿度和/或预设风速，所述预设温度具体可以为使人体感觉舒适的温度，所述预设湿度具体可以为使人体感觉舒适的湿度，和/或所述预设风速具体可以为使人体感觉舒适的空调出风风速。例如，通过实验获得不同的环境参数和用户状态数据下的使人体感觉舒适的温度、湿度和/或空调出风风速，作为所述预设温度、预设湿度和/或预设风速，或者获取用户反馈的在不同的环境参数和用户状态数据下的感觉舒适的温度、湿度和/或空调出风风速，作为所述预设温度、预设湿度和/或预设风速。

(2)将所述第二环境参数、所述第二用户状态数据和所述第二控制参数作为训练样本输入预设的神经网络中进行模型训练，得到所述控制参数决策模型。

具体地，将所述第二环境参数、第二用户状态数据和所述第二控制参数生成特征矩阵；将生成的所述特征矩阵输入所述预设的神经网络中进行模型训练，得到所述控制参数决策模型。

更具体地，先将收集到的所述第二环境参数、第二用户状态数据和所述第二控制参数作为数据样本进行预处理，即生成特征矩阵。例如，可以将数据样本根据不同的特征，每一个特征作为一列，每一个样本作为一行，生成一个特征矩阵。具体的特征矩阵可以参考下表所示(其中的具体数值仅用于说明)：

表1

在收集样本数据时，由于实际条件的限制，可能会有部分数据收集不到，因此需要对这部分缺失的数据进行处理。例如可以利用均值插补法，即利用缺失的数据所在特征列的均值来填充。此外，由于不同数据的度量单位不一样，如温度为摄氏度(℃)，睡眠时间为小时(h)，统计范围也会有差异，因此需要对数据进行归一化处理。例如，将数值缩放至0到1之间，使得各个特征的数据统一化，减少差异。

将处理得到特征矩阵输入预设的神经网络中进行模型训练。图2是根据本发明的一个具体实施方式的神经网络的结构示意图。如图2所示，为深度神经网络的结构示意图，一个神经网络主要由三部分组成，分别是输入层、隐藏层和输出层。其中输入层和输出层只有一层，而隐藏层可以有多层，深度神经网络就是有多个隐藏层的神经网络。图2所示为有两个隐藏层的神经网络。在输入层，每一个神经元x代表一个输入特征(feature)，b是一个与特征无关的偏置值。输入特征经过激活函数转换后，进入隐藏层1，同样的，隐藏层1的结果经过再次转换后进入隐藏层2，最后到达输出层，即输出各类y的概率值。

输入的样本向量可以表示为x＝(x1,x2,x3,…,xn)，对应的类别为y＝(y1,y2,…,ym)，初始化的权重矩阵为w。具体来说，样本向量x中，每一个分量代表一种特征，比如x1为室内温度，x2为室外温度，x3为室内湿度、x4为室外湿度，以此类推。类别向量y为需要输出的类别的集合，要输出几个类，就有几个分量。例如，需要输出目标温度和/或目标湿度这两个类别，那么分量y1和y2分别表示目标温度和目标湿度。权重矩阵w是一个参数矩阵，是神经网络中每一层神经元链接下一层神经元的权值的集合，在神经网络训练过程中，w是不断调整变化的，当训练完成时，w会趋于稳定的值。训练神经网络的目的，就是确定最优的权重矩阵w。

优选地，所述建立单元140采用误差反向传播算法(backpropagation)进行上述的模型训练，神经元的激活函数选择relu(线性修正单元)，因为relu函数求梯度简单，收敛较快。每一次计算实际输出与期望输出(第二控制参数，例如预设温度、预设湿度和/或预设风速)的误差损失，根据损失结果进行反向传播，更新每一层的权重矩阵w。当算法收敛时，最终得到稳定的权重w，算法训练完成，保存最终的神经网络模型，即所述控制参数决策模型，用于进行空调当前的控制参数(即第一控制参数)的决策。

控制单元130根据输出的所述空调当前的第一控制参数，控制所述空调的运行。

输入单元120将所述第一环境参数和第一用户状态数据输入预先建立的控制参数决策模型中，将会输出所述空调当前的第一控制参数，即当前的最优控制参数，则控制单元130可以根据所述第一控制参数控制所述空调的运行。例如，根据当前室内环境温度和设定温度控制空调压缩机频率，使当前室内环境温度达到目标温度，和/或，控制所述空调的风机转速达到所述目标转速，或者控制空调进行除湿或加湿，使室内环境湿度达到所述目标湿度。

本发明还提供对应于所述空调控制方法的一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。

本发明还提供对应于所述空调控制方法的一种空调，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。

本发明还提供对应于所述空调控制装置的一种空调，包括前述任一所述的空调控制装置。

据此，本发明提供的方案，在所述空调工作在预设模式时，获取当前的第一环境参数和当前用户的第一用户状态数据输入预先建立的控制参数决策模型中，以输出所述空调当前的第一控制参数，并根据输出的第一控制参数控制空调的运行，能够实时根据用户的睡眠状态，对空调的控制参数进行调整，使得室内温度、湿度环境更加符合人体睡眠规律，使用户的睡眠环境更加健康舒适。

本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，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。

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，作为控制装置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。

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，本发明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)执行本发明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。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。