空调自动驾驶、模型训练和预测方法、装置及设备制造方法及图纸

一种空调自动驾驶、模型训练和预测方法、装置及设备，利用同一空调所在环境下的体感环境温度、调节参数和环境参数之间的关系，采用有监督机器学习的方法创建和训练预测模型来表示这种关系，实现对体感环境温度或空调调节参数的预测。进而根据预测值实现空调的自动驾驶，本公开实施例无需在用户使用区域布线，也不需要人工去更换电池，可以有效学习用户习惯性的舒适的体感环境温度，提升用户的体验。提升用户的体验。提升用户的体验。

【技术实现步骤摘要】
空调自动驾驶、模型训练和预测方法、装置及设备


[0001]本公开涉及但不限于空调
，具体涉及一种空调自动驾驶、模型训练和预测方法、装置及设备。

技术介绍

[0002]在空调的应用场景中，由于空调与建筑的融合及设计问题，通常空调的出风口和回风口的温度与室内的用户使用区域的实际温度都会存在差距。室内的用户使用区域(如卧室中床所在的区域、起居室中人的活动区域等)的温度与用户实际感受到的体感温度直接相关，文中将其称为体感环境温度。体感环境温度比空调检测的室内温度更能反映用户的真实体感温度。比如在制冷模式下，空调出风口的冷风经过室内换热、吸收室内热量后温度升高，回到空调回风口时温度较高，而空调检测的室内温度(简称为室内温度)是在回风口采集的，因而室内的用户使用区域的温度即体感环境温度通常低于室内温度，这个温差有时候会有2～3度，空调按照室内温度进行控制，会形成较大的冷感。反之在制热模式下，则会形成较大的热感。

技术实现思路

[0003]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。r/>[0004]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种体感环境温度预测模型的训练方法，包括：获取训练数据，所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到，所述体感环境温度指所述第一空调所在室内的用户使用区域的温度；以所述训练数据中的调节参数和环境参数为输入数据，以所述训练数据中的体感环境温度为目标数据，采用有监督机器学习的方式对体感环境温度的第一预测模型进行训练。2.如权利要求1所述的训练方法，其特征在于：所述调节参数包括所述第一空调的室内设定温度，或者包括所述第一空调的室内设定温度和室内设定风速；所述环境参数包括所述第一空调所在环境的室内温度，或者包括所述第一空调所在环境的室内温度和室外温度。3.如权利要求1所述的训练方法，其特征在于：所述第一预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建。4.如权利要求1所述的训练方法，其特征在于：所述获取训练数据，包括：获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间；将同一时间采集的或者采集时间之差小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据，得到多组训练数据；所述进行训练，包括：分批使用所述多组训练数据，将其中一组训练数据中的环境参数和调节参数输入所述第一预测模型时，根据所述第一预测模型输出的体感环境温度和该组训练数据中的体感环境温度的差值计算损失；及，根据所述损失优化所述第一预测模型的参数，确定所述第一预测模型的预测精度达到要求时，结束训练。5.如权利要求1所述的训练方法，其特征在于：所述训练方法应用于云服务器，所述调节参数的样本数据由所述第一空调周期性采集和上传所述云服务器，所述体感环境温度和环境参数的样本数据由温度传感器周期性采集后直接上传或通过所述第一空调上传所述云服务器；上传的所述样本数据中携带以下标识中的任意一种或更多种：用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。6.一种体感环境温度预测模型的训练装置，其特征在于，包括处理器以及存储有计算机程序的存储器，其中，所述处理器执行所述计算机程序时实现如权利要求1至5中任一所述的体感环境温度预测模型的训练方法。7.一种体感环境温度的预测方法，包括：获取第一空调的调节参数和所述第一空调的环境参数；将所述调节参数和环境参数输入体感环境温度的第一预测模型，根据所述第一预测模型的输出得到预测的体感环境温度；其中，所述体感环境温度指所述第一空调所在室内的用户使用区域的温度，所述第一预测模型按照如权利要求1至5中任一所述的体感环境温度的训练方法得到。8.如权利要求7所述的预测方法，其特征在于：
所述预测方法应用于所述第一空调，所述第一空调保存有云服务器下发的所述第一预测模型；或者所述预测方法应用云服务器，所述云服务器保存有所述第一预测模型，所述调节参数由所述第一空调周期性采集和上传所述云服务器，所述环境参数由第二温度传感器周期性采集和上传所述云服务器；上传所述调节参数和环境参数时还携带以下标识中的任意一种或更多种：用户标识、所述第一空调的标识、用于区分同一用户下不同空调的标识。9.一种体感环境温度的预测装置，其特征在于，包括，包括处理器以及存储有计算机程序的存储器，其中，所述处理器执行所述计算机程序时实现如权利要求7或8所述的体感环境温度的预测方法。10.一种空调自动驾驶方法，包括：按照如权利要求7或8所述的体感环境温度的预测方法进行预测，得到预测的体感环境温度；所述第一空调根据所述预测的体感环境温度对调节参数进行自动调节，所述调节参数包括室内设定温度和/或室内设定风速；其中，所述第一空调保存有云服务器下发的所述第一预测模型，并按照所述预测方法进行预测；或者，由云服务器按照所述预测方法进行预测，并将所述预测的体感环境温度下发给所述第一空调。11.一种空调调节参数预测模型的训练方法，包括：获取训练数据，所述训练数据基于体感环境温度、第一空调的调节参数和所述第一空调的环境参数的样本数据得到，所述体感环境温度指所述第一空调所在室内的用户使用区域的温度；以所述训练数据中的体感环境温度和环境参数为输入数据，以所述训练数据中的调节参数为目标数据，采用有监督机器学习的方式对空调调节参数的第二预测模型进行训练。12.如权利要求11所述的训练方法，其特征在于：所述调节参数包括所述第一空调的室内设定温度和/或室内设定风速；所述环境参数包括所述第一空调所在环境的室内温度，或者包括所述第一空调所在环境的室内温度和室外温度。13.如权利要求11所述的训练方法，其特征在于：所述获取训练数据，包括：获取周期性采集的所述体感环境温度、调节参数和环境参数的样本数据并记录采集时间；将同一时间采集的或者采集时间之差小于设定偏差阈值的所述体感环境温度、调节参数和环境参数的样本数据合并为一组训练数据，得到多组训练数据；所述进行训练，包括：分批使用所述多组训练数据，将其中一组训练数据中的体感环境温度和环境参数输入所述第二预测模型时，根据所述第二预测模型输出的调节参数和该组训练数据中的调节参数的差值计算损失；及，根据所述损失优化所述第二预测模型的参数，确定所述第二预测模型的预测精度达到要求时，结束训练。14.如权利要求11所述的训练方法，其特征在于：所述第二预测模型基于单层前馈神经网络、多层前馈神经网络或者卷积神经网络构建；
所述体感环境温度的样本数据通过无线或有线的第一温度传感器采集，所述第一温度传感器部署在所述用户使用区域。15.如权利要求11所述的训练方法，其特征在于：所述训练方法应用于云服务器，所述...

【专利技术属性】
技术研发人员：李元阳，刘峥，方兴，李艳艳，张珉炜，田文静，周常超，张志强，李衍铭，
申请(专利权)人：上海美控智慧建筑有限公司，
类型：发明
国别省市：