基于大数据的智能推送场景方法、装置、介质及终端设备与流程

本发明涉及大数据推送
技术领域：
，尤其涉及一种基于大数据的智能推送场景方法、装置、介质及终端设备。
背景技术：
：随着技术的创新和智能家居的兴起，智能家居模式逐渐被应用广泛；在实施智能家居中，人们通过设置场景模式来实现智能家居的设备控制；现今智能家居app中场景模式均是通过用户手动设置的，该方案基于用户所在app中绑定的设备来让用户进行搭配设置，从而达到联动设备的目的。然而，手动设置智能场景较为麻烦，即使是智能家居老用户，重新搭配一套最适合的智能场景方案也需要经过多次的实践去检验，而对于新手用户而言，其上手花费的时间成本更是巨大。技术实现要素：本发明提供了一种基于大数据的智能推送场景方法、装置、介质及终端设备，根据用户当前所持有的设备与历史设备数据进行校对，选择对比度最高的场景模式，以解决现有的智能家居手动场景配置麻烦的技术问题，从而通过历史大数据智能运算，推送出最佳方案，进而实现节省智能家居场景配置时间。为了解决上述技术问题，本发明实施例提供了一种基于大数据的智能推送场景方法，包括：获取智能家居历史场景模式中的历史设备数据和用户目前智能家居中的当前设备数据；将所述历史设备数据形成历史数据集并储存在数据库中；通过欧式距离算法将所述当前设备数据与数据库中的所述历史数据集进行计算校对，选择对比度最高的场景模式，得到推送场景的推送设备数据。作为优选方案，所述历史设备数据、当前设备数据和推送设备数据，均包括智能家居中的设备种类和设备数量。作为优选方案，所述欧式距离算法为：distance＝sqrt[(x1-y1)^2+(x2-y2)^2+……+(xn-yn)^2]；其中，distance为距离值；x1,x2，……xn分别为所述当前设备数据中的各设备的数量；y1，y2，……yn分别为所述历史设备数据中的各设备的数量。作为优选方案，在所述将所述历史设备数据形成历史数据集并储存在数据库中之后，还包括：将所述数据库中的历史数据集通过离线聚类算法，将相近的数据聚类成不同的簇，以实现历史数据聚类。作为优选方案，在所述得到推送场景的推送设备数据之后，还包括：当用户选择使用所述推送设备数据后，将所述推送设备数据储存在数据库中，以添加更新所述历史数据集。本发明实施例还提供了一种基于大数据的智能推送场景装置，包括：信息提取模块，用于获取智能家居历史场景模式中的历史设备数据和用户目前智能家居中的当前设备数据；数据储存模块，用于将所述历史设备数据形成历史数据集并储存在数据库中；场景推送模块，用于通过欧式距离算法将所述当前设备数据与数据库中的所述历史数据集进行计算校对，选择对比度最高的场景模式，得到推送场景的推送设备数据。作为优选方案，所述基于大数据的智能推送场景装置还包括：聚类模块，用于在所述将所述历史设备数据形成历史数据集并储存在数据库中之后，将所述数据库中的历史数据集通过离线聚类算法，将相近的数据聚类成不同的簇，以实现历史数据聚类。作为优选方案，所述基于大数据的智能推送场景装置还包括：更新模块，用于在所述得到推送场景的推送设备数据之后，当用户选择使用所述推送设备数据后，将所述推送设备数据储存在数据库中，以添加更新所述历史数据集。本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于大数据的智能推送场景方法。本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于大数据的智能推送场景方法。相比于现有技术，本发明实施例具有如下有益效果：本发明根据用户当前所持有的设备与历史设备数据进行校对，选择对比度最高的场景模式，以解决现有的智能家居手动场景配置麻烦的技术问题，从而通过历史大数据智能运算，推送出最佳方案，进而实现节省智能家居场景配置时间。附图说明图1：为本发明实施例中的基于大数据的智能推送场景方法步骤流程图；图2：为本发明实施例中的基于大数据的智能推送场景装置结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作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。请参照图1，本发明优选实施例提供了一种基于用户大数据的智能推送场景方法，包括：s1，获取智能家居历史场景模式中的历史设备数据和用户目前智能家居中的当前设备数据；在本实施例中，所述历史设备数据、当前设备数据和推送设备数据，均包括智能家居中的设备种类和设备数量。s2，将所述历史设备数据形成历史数据集并储存在数据库中；在本实施例中，在所述将所述历史设备数据形成历史数据集并储存在数据库中之后，还包括：将所述数据库中的历史数据集通过离线聚类算法，将相近的数据聚类成不同的簇，以实现历史数据聚类。s3，通过欧式距离算法将所述当前设备数据与数据库中的所述历史数据集进行计算校对，选择对比度最高的场景模式，得到推送场景的推送设备数据。在本实施例中，所述欧式距离算法为：distance＝sqrt[(x1-y1)^2+(x2-y2)^2+……+(xn-yn)^2]；其中，distance为距离值；x1,x2，……xn分别为所述当前设备数据中的各设备的数量；y1，y2，……yn分别为所述历史设备数据中的各设备的数量。在本实施例中，在所述得到推送场景的推送设备数据之后，还包括：当用户选择使用所述推送设备数据后，将所述推送设备数据储存在数据库中，以添加更新所述历史数据集。本方法的目的是提供一种基于大数据的智能场景推荐方案，利用用户设置的智能场景进行聚类，并根据用户所持有的设备进行智能场景的推荐，减少用户使用智能场景时的时间成本。并且，基于大量的数据作为支撑，本方法所提供的智能场景推荐方案是较为精准且较优的。请参照图2，相应地，本发明实施例还提供了一种基于大数据的智能推送场景装置，包括：信息提取模块、数据储存模块和场景推送模块；信息提取模块，用于获取智能家居历史场景模式中的历史设备数据和用户目前智能家居中的当前设备数据；主要作用在于为智能场景的数据集提供数据输入，其主要用于采集用户设置智能场景时所添加的设备的种类及每种设备所具有的数量。下表1中，列出某个用户设置的某个智能场景的设备种类及其数量作为举例，其中智能场景支持操作的设备包括但不限于如下设备：设备种类智能锁晾衣机智能插座智能灯泡设备数量3286表1：智能家居设备数据表数据储存模块，用于将所述历史设备数据形成历史数据集并储存在数据库中；用于存储大量的类似与上表1同等结构的数据，用于为智能场景的推荐算法提供基础的大数据集作为数据基础。场景推送模块，用于通过欧式距离算法将所述当前设备数据与数据库中的所述历史数据集进行计算校对，选择对比度最高的场景模式，得到推送场景的推送设备数据。主要用于根据目标用户所持有的设备，依托数据持久层中的数据集进行校对，其基于欧式距离计算得出：distance＝sqrt[(x1-y1)^2+(x2-y2)^2+……+(xn-yn)^2]，x1,x2，……xn分别代表用户智能锁，晾衣机，……，及若干智能设备的数量，y1，y2，……yn分别数据持久层中其它用户设定的智能场景方案中蓝牙锁，晾衣机等设备的数量。在本实施例中，所述基于大数据的智能推送场景装置还包括：聚类模块，用于在所述将所述历史设备数据形成历史数据集并储存在数据库中之后，将所述数据库中的历史数据集通过离线聚类算法，将相近的数据聚类成不同的簇，以实现历史数据聚类。鉴于数据集中的智能场景的方案数量过于庞大，此前会将智能场景数据持久层中进行离线的聚类算法，将相近的数据聚类成不同簇，该聚类算法用knn算法(k最邻近算法)进行聚类，python语言实现如下：knn.fit(datas,labels)，其中datas是用户所有智能场景数据的集合，labels代表用户使用习惯的标签的集合，用户每天都使用的智能场景，认为是频繁使用，标记为1，每天使用智能场景的次数小于1则认为是不频繁使用，标记为0。该算法则会进行训练生成聚类。从而作为推荐算法的基准校验数据簇。在本实施例中，所述基于大数据的智能推送场景装置还包括：更新模块，用于在所述得到推送场景的推送设备数据之后，当用户选择使用所述推送设备数据后，将所述推送设备数据储存在数据库中，以添加更新所述历史数据集。最后成功推荐给用户的智能场景方案中，若目标用户选中其中推荐的方案并进行使用，则智能场景数据持久层会增添一条记录，随着用户不断使用智能场景，智能场景数据持久层中的数据不断增多，从而推荐算法的结果应更加精准。本发明的技术方案具有的优点在于：1.该方案使得智能家居用户上手智能场景设置零成本上手，也使得用户无需过多的试错去抉择出最适合自己的智能场景方案。2.方案有利于企业针对多数用户的使用偏好推出更号的产品，降低企业生产、营销成本，也能够提升用户满意度。3.该方案是一套高可用的方案，在推荐算法推荐智能场景方案的同时，也会作为正反馈激励智能场景数据持久层数据的不断积累，从而让这些数据作为推荐算法的“养料”，使得数据推荐更加精准。本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于大数据的智能推送场景方法。本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于大数据的智能推送场景方法。优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡和闪存卡(flashcard)等，或所述存储器也可以是其他易失性固态存储器件。需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12