置，从而形成用户行为数据库。
[0027] 具体而言，信息采集模块可针对用户使用的每一台空调，采集空调器接收到的控 制指令和相应的控制时间点，例如开机指令和相应的开机时间、关机指令和相应的关机时 间，从而形成实时更新的最近N天缓存的用户行为数据库。
[0028] 举例来说，假设用户行为自学习空调系统包括空调器1和空调器2,用户在时间点 1输入向空调器1输入开机指令、在时间点2向空调器1输入溫度设定指令，并在时间点3 向空调器1输入关机指令。然后用户在时间点4向空调器2输入开机指令、并在时间点5 向空调器2输入风档设定指令，并在时间点6向空调器2输入关机指令，运样可形成如下表 1所示的用户行为数据库： W29]表 1
[0030]
[0031] 应当理解的是，W上示例仅例举了部分控制指令，用户行为数据库也可包括控制 其他控制指令。
[0032] S2:信息处理模块对用户行为数据库进行分析和处理W获取用户行为规律，并根 据用户行为规律生成用户行为模型。
[0033] 其中，用户行为模型包括每个空调器运行的时间段、每个空调器在各个时间段的 运行参数和每个空调器在各个时间段的使用概率。
[0034] 也就是说，在缓存用户行为数据库之后，可先判断用户行为数据库中是否缓存有 至少M(M大于0且小于等于脚天的有效记录，如果否，则继续缓存用户行为数据库；如果 是，则将空调器运行时间分为多个时间段，然后根据选取出的部分行为数据库，并通过统计 分析来计算出每个时间段内每个空调器的使用概率和相应地运行参数，W此作为用户行为 模型。
[0035] 举例来说，将一天内空调器的运行时间分为24个时间段，即每个小时作为一个时 间段，假设在晚八点到晚九点，空调器在运一个小时内W制冷模式运行了 54分钟，那么在 该时间段内空调器的使用概率为54/60 = 90%，并且运行模式为制冷模式。
[0036] S3:行为预测模块根据用户行为模型预测用户对每个空调器的控制行为W生成相 应控制参数，W根据相应控制参数控制对应的空调器。
[0037] 也就是说，在每个时间段，行为预测模块均可根据用户行为模型获取相应时间段 每个空调器的控制参数，并根据控制参数控制对应的空调器。
[0038] 根据本发明的一个具体实施例，如图2所示，行为预测模块根据用户行为模型预 测用户对每个空调器的控制行为W生成相应控制参数，具体包括：行为预测模块根据用户 行为模型和当前所处时间段计算当前时间段每个空调器的使用概率，并对当前时间段每个 空调器的使用概率进行判断；如果当前时间段任意一个空调器的使用概率大于或等于预设 的开机阔值，行为预测模块则生成控制该空调器开机的控制参数；如果当前时间段任意一 个空调器的使用概率小于或等于预设的关机阔值，行为预测模块则生成控制该空调器关机 的控制参数。
[0039] 如上上述，本发明实施例的控制方法，首先在用户对空调器进行控制的过程中，通 过信息采集模块对用户的控制行为进行采集和存储；然后信息处理模块对采集到的用户控 制行为进行分析W计算出各时间段每个空调器的使用概率，W形成用户行为模型；最后，在 每个时间段开始时，行为预测模块根据用户行为模型获取当前时间段每个空调器的使用概 率，并将使用概率与开机/关机阔值进行比较，并根据比较结果控制空调器开机/关机。
[0040] 由此，本发明实施例的控制方法采用机器学习与行为预测技术，通过对用户使用 空调的行为数据进行采集存储，然后基于时间进行统计分析得出用户行为规律，并根据用 户行为规律控制空调器。从而，通过周而复始的采集、处理，实现用户行为自学习，能有效预 测用户行为，使空调器智能化、实用性强，例如可W智能地打开/关闭用户想要打开/关闭 的空调器，给用户很好的便利和体验。
[0041] 下面W控制空调器开机关机为例来详细描述本发明实施例的控制方法。
[0042] 针对用户使用的每一台空调器，采集空调器接收到的开机指令和相应的开机时 间、关机指令和相应的关机时间，从而形成实时更新的最近十天缓存数据库。
[0043] 对用户使用每个空调器的时间进行划分W确定每个空调器运行的时间段例如一 个小时，信息处理模块根据最近十天缓存数据库中的至少Ξ天有效记录，通过统计分析来 计算一天内每个小时的每个空调器的使用频次，W确定一天内每个小时各空调器的使用概 率，W此作为用户使用空调器的行为模型。
[0044] 每逢整点时，行为预测模块根据用户的空调使用行为模型和当前所处时间段计算 出当前时间段各空调器的使用概率，当使用概率大于或等于预设的开机阔值例如80%时， 控制相应的空调器开机，当使用概率小于或等于预设的关机阔值例如20%时，控制相应的 空调器关机。 W45] 更具体的，如图2所示，本发明实施例的控制方法包括W下步骤：
[0046] S101 :实时采集用户使用每个空调器的行为信息并缓存，W形成用户行为数据库。
[0047] S102 :判断用户行为数据库是否缓存有至少3天的有效记录。
[0048] 如果是，则执行步骤S103 ;如果否，则返回步骤S101。
[0049]S103:对缓存的用户行为数据库进行分析，计算每个空调器在各个时间段的使用 概率，生成用户行为模型。
[0050] S104 :判断是否到每个时间段的开始时间点。
[0051] 如果是，则执行步骤S105 ;如果否，则返回步骤S101。
[0052] S105 :根据用户行为模型获取计算当前时间段每个空调器的使用概率。
[0053]S106:控制使用概率大于或等于80%的空调器开机，控制使用概率小于或等于 20 %的至调器关机。
[0054] 进一步地，根据本发明的一个实施例，用户行为自学习空调系统的控制方法还包 括：实时更新用户行为模型。 阳化5] 也就是说，在生成用户行为模型之后，可继续通过信息采集模块采集用户对空调 器的控制信息，然后通过信息处理模块修改用户行为模型，W使用户行为模型不断完善，从 而实现用户行为机器学习和自动优化。
[0056] 具体而言，在完成行为预测模块的预测控制之后，将继续信息采集模块的采集操 作，并通过信息处理模块重新计算每个空调器在各时间段的使用概率，W修改用户行为模 型。
[0057] 需要说明的是，用户可对用户行为模型中的预测结果进行调整。信息采集模块还 可采集用户对预测结果的调整指令，当采集到用户对预测结果做出调整时，信息处理模块 可判断每个空调器在各个时间段的使用概率是否出现异常，如果出现异常通过预设惩罚因 子对异常的使用概率做出惩罚，根据预设惩罚因子翻倍修正相应的使用概率，W进一步优 化用户行为模型。
[0058] 应当理解的是，上述实施例描述的空调器、通信装置和智能控制装置之间的关系 是逻辑关系，通信装置可W在物理上与空调器集成在一起，智能控制装置也可W在物理上 与空调器集成在一起，即言，在物理实现上，空调器、通信装置和智能控制装置组成的系统 可W适当调整或者改变。
[0059]另外，需要说明的是，信息采集模块缓存用户行为数据库的时长、信息处理模块计 算用户行为模型所划分的时间段、W及行为预测模块设定的开机阔值/关机阔值，均可根 据实际应用场景进行适当调整。
[0060] 综上所述，根据本发明实施例提出的用户行为自学习空调系统的控制方法，通过 信息采集模块实时采集用户对每个空调器的控制信息W形成用户行为数据库，并通过信息 处理模块对用户行为数据库进行分析和处理W获取用户行为规律，然后根据用户行为规律 生成用户行为模型，最后，行为预测模块根据用户行为模型预测用户对每个空调器的控制 行为W生成相应控制参数，W根据相应控制参数控制对应的空调器。由此，该方法通过不断 学习自动优化用户行为规律，可有效预测用户行为，并按照用户行为规律智能地控制空调 器，例如可W智能地打开/关闭用户想要打开