一种热水器热水方法和装置、电子设备和存储介质与流程

1.本技术涉及智能家居设备技术领域，尤其涉及一种热水器热水方法和装置、电子设备和存储介质。


背景技术：

2.当前，智能化家居设备越来越多的进入到普通家庭当中，同时，通过智能化家居设备可以有效提高人们的生活质量。
3.在家用热水器方面，目前并没有实质的智能化应用功能，已有的技术方案只是通过热水器自身的参数进行建模判别用户的用水时间，由于所用的数据含有的信息量较少，并不能准确地预测得到用户用水时间以确定出热水器加热时间。
4.针对相关技术中存在的热水器不能准确地预测得到热水器加热时间的技术问题，目前尚未提供有效的解决方案。


技术实现要素：

5.为了解决上述热水器不能准确地预测得到热水器加热时间的技术问题，本技术提供了一种热水器热水方法和装置、电子设备和存储介质。
6.第一方面，本技术实施例提供了一种热水器热水方法，包括：
7.获取对目标对象进行检测得到的行为序列信息；
8.对所述行为序列信息进行处理，得到预计热水使用时间，其中，所述预计热水使用时间用于指示所述目标对象预计使用热水的时间；
9.根据所述预计热水使用时间，确定出热水器加热时间，其中，所述热水器加热时间为指示热水器开始进行热水的时间。
10.可选地，如前述的热水器热水方法，所述获取对目标对象进行检测得到的行为序列信息，包括
11.通过雷达传感器对目标环境进行检测，得到雷达信号；
12.根据所述雷达信号确定出位于所述目标环境中的所述目标对象；
13.对所述目标对象进行检测得到所述目标对象的动作序列数据以及位置序列数据，其中，所述行为序列信息包括所述动作序列数据以及所述位置序列数据，所述动作序列数据用于指示所述目标对象执行不同动作的先后顺序，所述位置序列数据用于指示所述目标对象在不同位置之间停留的先后顺序。
14.可选地，如前述的热水器热水方法，所述对所述行为序列信息进行处理，得到预计热水使用时间，包括：
15.对所述位置序列数据进行第一归一化操作，得到第一归一化数据；对所述动作序列数据进行第二归一化操作，得到第二归一化数据；
16.将所述第一归一化数据以及所述第二归一化数据输入预设的目标网络中，预测得到所述预计热水使用时间。
17.可选地，如前述的热水器热水方法，所述根据所述雷达信号确定出位于所述目标环境中的所述目标对象，包括：
18.根据所述雷达信号得到所述目标环境的点云数据；
19.在所述点云数据中，确定出运动的运动点；
20.对各个所述运动点进行聚类得到所述目标对象。
21.可选地，如前述的热水器热水方法，所述对所述目标对象进行跟踪得到所述目标对象的动作序列数据，包括：
22.按照在每个位置中所述目标对象对应的所有运动点，确定出每个位置对应的最大多普勒速度，最小多普勒速度和平均多普勒速度；
23.基于所述每个位置对应的最大多普勒速度，最小多普勒速度和平均多普勒速度，得到每个位置对应的特征序列；
24.按照所述每个位置对应的特征序列，以及所述目标对象在不同位置之间停留的先后顺序，得到所述动作序列数据。
25.可选地，如前述的热水器热水方法，所述根据所述预计热水使用时间，确定出热水器加热时间包括：
26.在所述预计热水使用时间距当前时间的时间差值小于或等于预设加热时长的情况下，确定所述热水器加热时间为当前时间；
27.在所述预计热水使用时间距当前时间的时间差值大于预设加热时长的情况下，确定所述热水器加热时间为所述预计热水使用时间与所述预设加热时长之差。
28.可选地，如前述的热水器热水方法，在所述对所述行为序列信息进行处理，得到预计热水使用时间之前，所述方法还包括：
29.通过雷达传感器，获取在多个历史时间段的每个历史时间段中，所述目标对象在目标环境内行动产生的历史行为序列信息，以及与每个历史时间段对应的历史热水使用时间，其中，每个所述历史行为序列信息中包括历史位置序列数据以及历史动作序列数据，针对所述每个历史时间段对应的所述历史位置序列数据以及所述历史动作序列数据，所述历史位置序列数据用于指示在所述历史时间段中，所述目标对象在不同位置之间的停留的先后关系，所述历史动作序列数据用于指示在所述历史时间段中，所述目标对象执行不同动作的先后关系；
30.根据对应于同一个所述历史时间段的所述历史位置序列数据、所述历史动作序列数据以及所述历史热水使用时间，得到一个训练数据；
31.通过多个所述训练数据对待训练网络进行训练，直至所述待训练网络满足预设精度要求为止，并得到所述目标网络。
32.第二方面，本技术实施例提供了一种热水器热水装置，包括：
33.获取模块，用于获取对目标对象进行检测得到的行为序列信息；
34.处理模块，用于对所述行为序列信息进行处理，得到预计热水使用时间，其中，所述预计热水使用时间用于指示所述目标对象预计使用热水的时间；
35.确定模块，用于根据所述预计热水使用时间，确定出热水器加热时间，其中，所述热水器加热时间为指示热水器开始进行热水的时间。
36.第三方面，本技术实施例提供了一种电子设备，包括：处理器、通信接口、存储器和
通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；
37.所述存储器，用于存放计算机程序；
38.所述处理器，用于执行所述计算机程序时，实现如前述任一项所述的方法。
39.第四方面，本技术实施例提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行如前任一项所述的方法。
40.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
41.本技术实施例提供的该方法，通过确定出目标对象的行为序列信息，并基于行为序列信息确定出目标对象的预测用水时间，进而可以更加准确地确定出热水器开始进行热水的热水器加热时间，从而可以使热水器开始热水的时间更加符合目标对象实际使用热水的需求，同时，可以有效克服相关技术中存在的热水器不能准确地预测得到热水器加热时间，进而导致热水效率低下的技术问题。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1为本技术实施例提供的一种热水器热水方法的流程示意图；
45.图2为本技术实施例另一提供的一种热水器热水方法的流程示意图；
46.图3为本技术实施例又一提供的一种热水器热水方法的流程示意图；
47.图4为本技术实施例提供的一种雷达传感器的布局示意图；
48.图5为本技术实施例提供的一种热水器热水装置的框图；
49.图6为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
50.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.根据本技术实施例的一个方面，提供了一种热水器热水方法。可选地，在本实施例中，上述热水器热水方法可以应用于由终端和服务器所构成的硬件环境中。服务器通过网络与终端进行连接，可用于为终端或终端上安装的客户端提供服务(如数据处理服务、应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器提供数据存储服务。
52.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：wifi(wireless fidelity，无线保真)，蓝牙。终端可以并不限定于为pc、手机、平板电脑等。
53.本技术实施例的热水器热水方法可以由服务器来执行，也可以由终端来执行，还
可以是由服务器和终端共同执行。其中，终端执行本技术实施例的热水器热水方法也可以是由安装在其上的客户端来执行。
54.以由服务器来执行本实施例中的热水器热水方法为例，图1为本技术实施例提供的一种热水器热水方法，包括如下所述步骤：
55.步骤s101，获取对目标对象进行检测得到的行为序列信息；
56.本实施例中的热水器热水方法可以应用于需要控制热水器开始热水的时间的场景。
57.为确定出控制热水器开始进行热水的时间，且热水是供人使用的，因此可以对人的位置进行检测，以确定出人需要使用热水的时间。
58.目标对象可以是使用热水器的一个人员。
59.可选的，可以通过图像检测装置或雷达传感器等设备对目标环境(例如，家庭环境、工作环境等等)中的人员进行检测，以得到与每个人员对应的行为序列信息。
60.目标对象的行为序列信息可以是用于指示目标对象执行各个行为的先后顺序。例如，目标对象在目标环境中各个位置的停留的先后顺序，目标对象执行不同的动作的先后顺序等等。
61.由于一般情况下，一个人员的生活作息都是有规律的，例如，在起床之后需要洗脸、洗澡(即，需要使用热水)，在进行运动之后，需要进行洗澡(即，需要使用热水)。因此，可以后期基于目标对象的行为序列信息确定出目标对象所要使用热水的时间。
62.步骤s102，对行为序列信息进行处理，得到预计热水使用时间，其中，预计热水使用时间用于指示目标对象预计使用热水的时间。
63.在获取目标对象的行为序列信息之后，可以通过预设的目标网络对该行为序列信息进行处理。
64.目标网络可以是预先训练得到的，能够预测得到预计热水使用时间的模型，且输入目标网络的以用于进行预测的数据可以是行为序列信息，也可以是对行为序列信息进行预处理后(例如，归一化处理)得到的信息。
65.在通过预设的目标网络对行为序列信息进行处理之后，即可得到预计热水使用时间。预计热水使用时间，可以是目标网络预测得到的，目标对象使用热水的时间。
66.步骤s103，根据预计热水使用时间，确定出热水器加热时间，其中，热水器加热时间为指示热水器开始进行热水的时间。
67.由于热水器热水需要一定的过程，因此，在得到预计热水使用时间之后，还需要基于该预计热水使用时间确定出热水器加热时间。
68.可选地，可以基于热水器热水的效率，确定出热水器加热时间，一般的，热水的效率越高，热水器加热时间与预计热水使用时间之间的时间间隔越短，热水的效率越低，热水器加热时间与预计热水使用时间之间的时间间隔越长。
69.在得到热水器加热时间之后，即可控制热水器在该热水器加热时间开始进行热水。
70.通过本实施例中的方法，通过确定出目标对象的行为序列信息，并基于行为序列信息确定出目标对象的预测用水时间，进而可以更加准确地确定出热水器开始进行热水的热水器加热时间，从而可以使热水器开始热水的时间更加符合目标对象实际使用热水的需
求，同时，可以有效克服相关技术中存在的热水器不能准确地预测得到热水器加热时间，进而导致热水效率低下的技术问题。
71.作为一种可选的实施例，如前述的热水器热水方法，所述步骤s101,获取对目标对象进行检测得到的行为序列信息，包括如下所述步骤：
72.步骤s201，通过雷达传感器对目标环境进行检测，得到雷达信号。
73.也就是说，本实施例中，是通过雷达传感器对目标环境进行检测，以得到目标环境中的雷达信号。
74.雷达传感器可以在目标环境中设置一个或多个，可以根据雷达传感器的检测范围以及目标环境的大小进行选择，以使一个或多个雷达传感器发出的检测信号能够覆盖目标环境。
75.例如，如图4所示的家庭环境中，可以在每个相对独立的范围(即，卧室、卫生间、厨房和客厅)分别设置一个雷达传感器。
76.步骤s202，根据雷达信号确定出位于目标环境中的目标对象。
77.在获取雷达信号之后，即可基于雷达信号确定出位于目标环境中的目标对象。
78.可选地，可以先通过雷达信号，得到在监控区域内运动的物体，并将该物体认定为运动目标；且同一时刻中，监控区域中的运动目标的数量可以为0个，也可以为一个或多个。
79.由于一般不同的人员在使用热水的习惯方面还是有一定差异的，为了解决这个问题，可以根据雷达信号对运动目标进行身份识别，当运动目标的身份与数据库中目标对象的身份相同时，则确定出目标环境中的运动目标是目标对象。可选地，可以通过增加辨别不同人员的识别算法，辨别不同人的识别算法实现身份识别，例如，通过基于摄像头的人型外观识别，或使用毫米波雷达的步态识别方法。
80.并且，可以给每个不同人员分别训练一个候选网络，以使每个候选网络都可以更准确地适配每个人员使用热水的习惯。
81.步骤s203，对目标对象进行检测得到目标对象的动作序列数据以及位置序列数据，其中，行为序列信息包括动作序列数据以及位置序列数据，动作序列数据用于指示目标对象执行不同动作的先后顺序，位置序列数据用于指示目标对象在不同位置之间停留的先后顺序。
82.在确定出目标对象之后，可以采用对目标对象进行跟踪检测的方式，以得到目标对象的动作序列数据以及位置序列数据。
83.可选地，可以预先对目标环境按照使用场景划分得到多个不同的位置，如图4所示，例如：窗户、客厅、沙发、餐桌、床、书桌、卫生间、灶台等等，此外，对于面积大于预设阈值的范围，可以进一步进行划分，得到如图所示的位置：3、5、6、7、14，以便于可以更准确的确定出位置序列数据。
84.进而，可以基于所有检测得到的雷达信息，确定出用于指示目标对象在不同位置之间停留的先后顺序的位置序列数据。例如，起床(位置1)
–
去卫生间(位置2)
–
厨房(位置3)
–
饭桌(位置4)
–
出门(位置5)，记录在各个位置的起始时间(时间-起始)，终止时间(时间-终止)和持续时间(时间-持续)。则该样本序列为：{{位置1，时间-起始1，时间-终止1，时间-持续1}，{位置2，时间-起始2，时间-终止2，时间-持续2}，{位置3，时间-起始3，时间-终止3，时间-持续3}，
…
}。
85.动作序列数据可以是用于指示目标对象执行不同动作的先后顺序的数据，例如：起床
–
去卫生间
–
下厨房
–
吃饭
–
出门；并且，可选的，每个位置可以具有一个对应的动作。
86.通过本实施例中的方法，通过对目标对象进行检测，获取目标对象的动作序列数据以及位置序列数据，进而可以通过多个维度确定出目标对象的行为序列信息，以更准确的确定出目标对象的行为。
87.作为一种可选的实施例，如前述的热水器热水方法，所述步骤s102对行为序列信息进行处理，得到预计热水使用时间，包括如下所述步骤：
88.步骤s301，对位置序列数据进行第一归一化操作，得到第一归一化数据；对动作序列数据进行第二归一化操作，得到第二归一化数据；
89.步骤s302，将第一归一化数据以及第二归一化数据输入预设的目标网络中，预测得到预计热水使用时间。
90.也就是说，输入目标网络的数据实际上是对位置序列数据进行第一归一化操作，得到第一归一化数据；对动作序列数据进行第二归一化操作，得到第二归一化数据。
91.优选的，可以使第一归一化操作以及第二归一化操作都是归一化到[0,1]之间的归一化操作，通过归一化，可以消除输入数据标量大小的影响，对于任一个特征，先设定其最大(max)和最小值(min)，当前值为x，则对x归一化执行x＝(x-min)/(max-min)。
[0092]
在得到第一归一化数据以及第二归一化数据之后，即可将第一归一化数据以及第二归一化数据输入目标网络中，预测得到预计热水使用时间。
[0093]
作为一种可选的实施例，如前述的热水器热水方法，所述步骤s202根据雷达信号确定出位于目标环境中的目标对象，包括如下所述步骤：
[0094]
步骤s401，根据雷达信号得到目标环境的点云数据。
[0095]
具体的，雷达信号即为雷达的回波信号，根据雷达检测信号对监控区域内进行扫描，得到具有几何位置信息的点云数据；点云是在和目标表面特性的海量点集合；点云数据中的各个点都有对应的三维坐标。
[0096]
步骤s402，在点云数据中，确定出运动的运动点。
[0097]
由于雷达检测装置每发射一次雷达信号，都能够得到一帧对应的点云数据，因此，对比不同帧的点云数据即可得到点云数据中静止的点和运动的点(即为运动点)。
[0098]
步骤s403，对各个运动点进行聚类得到目标对象。
[0099]
具体的，一个运动目标(如：人)一般雷达会获取多个运动点来表示这个运动目标，因此需要通过聚类算法将同一个运动目标的各个运动点聚类到一起。
[0100]
可选地，点云数据的聚类方法，该方法基于距离阈值和点数阈值，步骤如下：
[0101]
1)获取当前没有聚类的点，随机选取一个点，以此点为中心点，在剩下的点中依次选取一个点计算选取的两个点的距离，2)若距离大于距离阈值，则舍弃该点，在剩下的点中依次选取下一个点计算选取的两个点的距离；若距离小于距离阈值，则将选取的点保存下来，与之前保存的点求平均，然后使用平均值，在剩下的点中依次选取下一个点计算与平均值的距离，3)重复上述过程。直到将点云遍历一遍。每个聚类就是一个新目标。
[0102]
在聚类得到运动目标之后，即可通过对运动目标进行身份识别，并在其身份与目标对象的身份相同时，确定聚类得到目标对象。
[0103]
对目标对象的跟踪可以使用扩展卡尔曼滤波跟踪算法，对前一时刻已有目标进行
跟踪。
[0104]
如图2所示，作为一种可选的实施例，如前述的热水器热水方法，所述步骤s203对目标对象进行跟踪得到目标对象的动作序列数据，包括如下所述步骤：
[0105]
步骤s501，按照在每个位置中目标对象对应的所有运动点，确定出每个位置对应的最大多普勒速度，最小多普勒速度和平均多普勒速度。
[0106]
在每个位置中，目标对象对应的运动点会各不相同，例如，在厨房时，可能目标对象主要都是上半身在动，因此，上半身的运动点运动幅度大于下半身的运动点的运动幅度；在沙发上时，可能目标对象各个部位都动作很少或者基本不动，则各个运动点的运动幅度都很小。
[0107]
在得到每个位置中目标对象对应的所有运动点之后，由于点云数据信息包括距离(r)、方位角俯仰角(θ)和多普勒速度，因此，可以在所有运动点中计算得到多普勒速度最大的最大多普勒速度、多普勒速度最小的最小多普勒速度，以及对所有运动点的多普勒速度进行平均值计算后得到的平均多普勒速度。
[0108]
步骤s502，基于每个位置对应的最大多普勒速度，最小多普勒速度和平均多普勒速度，得到每个位置对应的特征序列；
[0109]
在得到每个位置对应的最大多普勒速度，最小多普勒速度和平均多普勒速度，即可将最大多普勒速度，最小多普勒速度和平均多普勒速度作为每个位置对应的特征序列。
[0110]
例如，在厨房的时，最大多普勒速度为d
max
，最小多普勒速度d
min
，平均多普勒速度d
aver
，则在厨房的特征序列为[d
max
，d
min
，d
aver
]。
[0111]
步骤s503，按照每个位置对应的特征序列，以及目标对象在不同位置之间停留的先后顺序，得到动作序列数据。
[0112]
在确定出每个位置对应的特征序列之后，并且可以基于目标对象在不同位置之间停留的先后顺序，对所有特征序列进行连接，即可得到动作序列数据。
[0113]
例如，不同的位置有不同的动作特征序列：[[最大多普勒速度1，最小多普勒速度1，平均多普勒速度1]，[最大多普勒速度2，最小多普勒速度2，平均多普勒速度2]，[最大多普勒速度3，最小多普勒速度3，平均多普勒速度3]，
…
]。
[0114]
作为一种可选的实施例，如前述的热水器热水方法，所述步骤s103根据预计热水使用时间，确定出热水器加热时间包括如下所述步骤：
[0115]
步骤s601，在预计热水使用时间距当前时间的时间差值小于或等于预设加热时长的情况下，确定热水器加热时间为当前时间；
[0116]
步骤s602，在预计热水使用时间距当前时间的时间差值大于预设加热时长的情况下，确定热水器加热时间为预计热水使用时间与预设加热时长之差。
[0117]
在得到预计热水使用时间之后，即已预估出目标对象预计需要使用热水的时间，由于为了节能考虑，不会一直对热水进行加热，因此，需要确定出热水器开始热水的时间。
[0118]
可以预先确定出预设加热时长，预设加热时长可以是热水器对其中的水进行加热所需的时长，进而，可以在预计热水使用时间距当前时间的时间差值小于或等于预设加热时长的情况下，确定热水器加热时间为当前时间，即立刻进行加热；在预计热水使用时间距当前时间的时间差值大于预设加热时长的情况下，确定热水器加热时间为预计热水使用时间与预设加热时长之差，即在预计热水使用时间提前预设加热时长的时候进行加热。
[0119]
例如，在预设加热时长为1小时时：
[0120]
1)预计热水使用时间-当前时间《＝1小时；
[0121]
示例性的，预测的预计热水使用时间，在1个小时内就要用，则立即开启热水器热水模式：
[0122]
2)预计热水使用时间-当前时间》1小时；
[0123]
预计热水使用时间，在1个小时后才用，则预测热水器加热时间：
[0124]
热水器加热时间＝预计热水使用时间-1小时。
[0125]
如图3所示，作为一种可选的实施例，如前述的热水器热水方法，在所述步骤s102对行为序列信息进行处理，得到预计热水使用时间之前，方法还包括如下所述步骤：
[0126]
步骤s701，通过雷达传感器，获取在多个历史时间段的每个历史时间段中，目标对象在目标环境内行动产生的历史行为序列信息，以及与每个历史时间段对应的历史热水使用时间，其中，每个历史行为序列信息中包括历史位置序列数据以及历史动作序列数据，针对每个历史时间段对应的历史位置序列数据以及历史动作序列数据，历史位置序列数据用于指示在历史时间段中，目标对象在不同位置之间的停留的先后关系，历史动作序列数据用于指示在历史时间段中，目标对象执行不同动作的先后关系。
[0127]
为了训练得到满足预设精度要求的目标网络，则需要预先采集目标对象的多组历史数据以对待训练网络进行训练。
[0128]
可选的，可以通过雷达获取在多个历史时间段的每个历史时间段中，目标对象在目标环境内行动产生的历史行为序列信息。
[0129]
类似的，历史行为序列信息中可以包括：用于指示在历史时间段中，目标对象在不同位置之间的停留的先后关系的历史位置序列数据；以及，用于指示在历史时间段中，目标对象在不同位置之间的停留的先后关系的历史位置序列数据。
[0130]
每个历史时间段的时长可以是预设时长，例如半小时，进而，可以获取每个历史时间段的历史行为序列信息，以及与每个历史时间段对应的历史热水使用时间。一般情况下，采集得到行为序列信息的时长与每个历史时间段的时长相同。
[0131]
例如，可以通过雷达传感器持续对目标对象进行跟踪检测，得到历史总时间段内的历史行为序列总信息，然后按照每个历史时间段的预设时长，对历史总时间段进行划分，得到多个历史时间段，并按照历史行为序列总信息中每个历史行为(即，历史位置和历史动作)对应的时间，得到与每个历史时间段对应的历史行为序列信息。并且可以将历史总时间段对应的历史热水使用时间作为与历史总时间段中各个历史时间段的历史热水使用时间。
[0132]
步骤s702，根据对应于同一个历史时间段的历史位置序列数据、历史动作序列数据以及历史热水使用时间，得到一个训练数据。
[0133]
在得到对应于每个历史时间段的历史位置序列数据、历史动作序列数据以及历史热水使用时间之后，即可根据对应于同一个历史时间段的历史位置序列数据、历史动作序列数据以及历史热水使用时间，得到一个训练数据。
[0134]
可选的，当在进行预测时，是采用位置序列数据对应的归一化数据以及动作序列数据对应的归一化数据作为输入数据时，也可基于历史位置序列数据得到第一历史归一化数据、基于历史动作序列数据得到第二历史归一化数据，并得到由第一历史归一化数据、第二历史归一化数据以及历史热水使用时间，组成的训练数据。其中，历史热水使用时间为标
签数据。
[0135]
步骤s703，通过多个训练数据对待训练网络进行训练，直至待训练网络满足预设精度要求为止，并得到目标网络。
[0136]
在得到训练数据之后，即可通过所有训练数据中的多个训练数据对待训练网络进行训练，直至待训练网络满足预设精度要求为止，并得到目标网络。
[0137]
进一步的，待训练网络可以是长短时记忆网络(lstm)。
[0138]
通过本实施例中的方法，可以训练得到与目标对象对应的目标网络，从而使目标网络能够更加准确地适用于目标对象进行热水器加热时间的预测，可以有效提升用户体验。
[0139]
如下所述，提供一种应用前述任一实施例的应用例：
[0140]
p11:传感器设备的设置；
[0141]
1、雷达传感器分布设置：
[0142]
如图4所示多个雷达传感器分布设置。
[0143]
2、热水器用水传感器
[0144]
当用户使用热水器热水时能够检测到用户的用水行为，且记录用水时刻，用于后续待训练lstm模型的训练。
[0145]
p12：雷达传感器获取到的数据
[0146]
雷达经过信号处理，最终可提取到点云数据，即目标对象对应的数据，每个点包含的信息有距离、方位角、仰角和多普勒速度和信噪比等。
[0147]
p13：基于雷达的目标聚类跟踪
[0148]
经过信号处理后会得到运动点的信息，根据这些运动点的信息可以计算出每个运动点在空间坐标系中的具体位置。一个运动目标(如：人)一般雷达会获取多个运动的点来表示这个运动目标，因此需要通过聚类算法将同一个运动目标的运动点聚类到一起。本发明提出一种处理点云数据的聚类方法，该方法基于距离阈值和点数阈值，步骤如下：
[0149]
1)获取当前没有聚类的点，随机选取一个点，以此点为中心点，在剩下的点中依次选取一个点计算选取的两个点的距离，2)若距离大于距离阈值，则舍弃该点，在剩下的点中依次选取下一个点计算选取的两个点的距离；若距离小于距离阈值，则将选取的点保存下来，与之前保存的点求平均，然后使用平均值，在剩下的点中依次选取下一个点计算与平均值的距离，3)重复上述过程。直到将点云遍历一遍。每个聚类就是一个新目标。
[0150]
对目标对象的跟踪可以使用扩展卡尔曼滤波跟踪算法，对前一时刻已有目标进行跟踪。
[0151]
p14：位置序列数据
[0152]
首先建立雷达检测区域中场景区域，如图4所示。需要的设备可以包括：分布式雷达、网络设备、数据库和信息处理系统。不同的场景对应不同的行为，如人在餐桌旁边对应的行为是吃饭。将家庭不同区域划分为不同的状态，如图4中的数字代表家庭(即，目标环境)中的不同的区域。可采用如下所示表采集目标对象在不同区域下对应的起始时间和终止时间以及持续的时间。
[0153]
位置区域起始时间终止时间持续时间1
ꢀꢀꢀ2ꢀꢀꢀ3ꢀꢀꢀ……ꢀꢀꢀ
[0154]
采集一段时间内不同区域的持续时间，将采集到的位置序列数据做为训练样本。
[0155]
一个位置序列如：起床(位置1)
–
去卫生间(位置2)—厨房(位置3)—饭桌(位置4)—出门(位置5)，记录在各个位置的起始时间(时间-起始)，终止时间(时间-终止)和持续时间(时间-持续)。则该样本序列为：
[0156]
{{位置1，时间-起始，时间-终止，时间-持续}，{位置2，时间-起始，时间-终止，时间-持续}，{位置3，时间-起始，时间-终止，时间-持续}，
…
}
[0157]
p15：动作序列数据的提取
[0158]
特征提取，根据每个目标下的点云数据，计算在s14中同一个位置内持续的动作特征，提取其微多普勒特征：最大多普勒速度，最小多普勒速度，平均多普勒速度。这三个特征使用目标的点云所包含信息中的多普勒速度计算得到的；由于每个目标人不止有一个点云数据，因此可以通过计算最大、最小和平均值，以得到最大多普勒速度，最小多普勒速度，平均多普勒速度。
[0159]
同一位置最终得到一个特征序列：[最大多普勒速度，最小多普勒速度，平均多普勒速度]。
[0160]
由位置序列数据中的每个位置对应的特征序列构成与位置序列数据对应的动作特征序列：[[最大多普勒速度1，最小多普勒速度1，平均多普勒速度1]，[最大多普勒速度2，最小多普勒速度2，平均多普勒速度2]，
…
]。
[0161]
p16：长短时记忆网络(lstm)预测预计热水使用时间；
[0162]
预测模型使用长短时记忆网络(lstm)，对采集到的两类时间序列数据(即，动作序列数据以及位置序列数据)进行训练和预测。
[0163]
1、数据准备与预处理：
[0164]
两类数据：位置序列数据、动作序列数据；
[0165]
数据量：每隔半小时提取上述动作序列；
[0166]
归一化：将位置序列数据、动作序列数据大小归一化到[0,1]之间。
[0167]
2、待训练lstm模型(即，待训练网络)的训练：
[0168]
训练数据：为上述每半小时内的位置序列数据、动作序列数据(即，历史行为序列信息)；
[0169]
标签：热水器用水传感器检测到的用户用加热时间(即，历史热水使用时间)。
[0170]
通过上述数据对待训练lstm模型进行训练，得到训练后lstm模型(即，目标网络)。
[0171]
从而能够在用户家里自主训练学习，具有更好的适配性。
[0172]
3、通过训练后lstm模型预测：
[0173]
提取当前半个小时内的位置序列数据、动作序列数据，输入到lstm模型中，获取预测的预计热水使用时间。
[0174]
p17：预测热水器加热时间：
[0175]
1)预计热水使用时间-当前时间《＝1小时；
[0176]
示例性的，预测的预计热水使用时间，在1个小时内就要用，则立即开启热水器热
水模式：
[0177]
2)预计热水使用时间-当前时间》1小时；
[0178]
预计热水使用时间，在1个小时后才用，则预测热水器加热时间：
[0179]
热水器加热时间＝预计热水使用时间-1小时。
[0180]
如图5所示，根据本技术另一方面的一个实施例，本技术还提供了一种热水器热水装置，包括：
[0181]
获取模块1，用于获取对目标对象进行检测得到的行为序列信息；
[0182]
处理模块2，用于对行为序列信息进行处理，得到预计热水使用时间，其中，预计热水使用时间用于指示目标对象预计使用热水的时间；
[0183]
确定模块3，用于根据预计热水使用时间，确定出热水器加热时间，其中，热水器加热时间为指示热水器开始进行热水的时间。
[0184]
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
[0185]
根据本技术的另一个实施例，还提供一种电子设备，包括：如图6所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
[0186]
存储器1503，用于存放计算机程序；
[0187]
处理器1501，用于执行存储器1503上所存放的程序时，实现上述方法实施例的步骤。
[0188]
上述电子设备提到的总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0189]
通信接口用于上述电子设备与其他设备之间的通信。
[0190]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0191]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0192]
本技术实施例还提供一种计算机可读存储介质，存储介质包括存储的程序，其中，程序运行时执行上述方法实施例的方法步骤。
[0193]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设
备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0194]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。