智能门锁可用天数预估方法及装置、设备、存储介质制造方法及图纸

本发明专利技术提供了智能门锁可用天数预估方法及装置、设备、存储介质，预估方法包括：获取多个基础训练集；利用多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；通过将目标门锁的开门特征数据输入至训练完成的线性回归模型确定目标门锁可使用的总天数，根据目标门锁可使用的总天数和目标门锁的当前电量预估目标门锁的剩余可使用天数。本发明专利技术能够让用户准确知晓其智能门锁的剩余可使用天数，以便于提前规划充电事宜。充电事宜。充电事宜。

【技术实现步骤摘要】
智能门锁可用天数预估方法及装置、设备、存储介质


[0001]本专利技术涉及智能门锁
，具体涉及一种智能门锁可用天数预估方法及装置、设备、存储介质。

技术介绍

[0002]目前市面上的智能门锁大多都是通过电池电压获取智能门锁的剩余电量，但用户无法获取智能门锁的剩余可使用天数，并且即使同一款智能门锁也会根据用户的使用习惯不同，导致使用天数不同，因此如何让用户准确知晓智能门锁的剩余可使用天数，提前规划充电事宜或者更换电池，成为目前亟需解决的问题。
[0003]针对上述相关技术中无法准确知晓智能门锁的剩余可使用天数的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种智能门锁可用天数预估方法及装置、设备、存储介质，用以克服相关技术中无法准确知晓智能门锁的剩余可使用天数的问题。
[0005]为了实现上述目的，本专利技术实施例的第一方面，提供一种智能门锁可用天数预估方法，包括：
[0006]获取多个基础训练集，所述基础训练集包括用户在完整使用周期内的开门特征数据以及所述完整使用周期的使用天数；所述开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数；
[0007]利用所述多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；
[0008]通过将目标门锁的开门特征数据输入至所述训练完成的线性回归模型确定所述目标门锁可使用的总天数，根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数。
[0009]本专利技术提供的智能门锁可用天数预估方法，通过多个基础训练集训练用于预估智能门锁可使用总天数的线性回归模型，能够很好地模拟由于不同用户的使用习惯不同导致其智能门锁的使用天数不同，使得训练后的线性回归模型的预估准确率更高。
[0010]可选地，在第一方面的一种可能实现方式中,在利用所述多个基础训练集训练预设线性回归模型之前，包括：
[0011]对所述基础训练集进行归一化处理，以使所述用户在完整使用周期内的开门特征数据均处于特定区间内。
[0012]本专利技术提供的智能门锁可用天数预估方法，通过对基础训练集进行归一化处理，能够将开门特征数据转换为界于某一特定区间的数据，能够避免数据间的差值过大的情况发生，从而消除量纲和数量级影响，改变变量在分析中的权重来解决不同度量的问题。
[0013]可选地，在第一方面的一种可能实现方式中,所述利用所述多个基础训练集训练
预设线性回归模型，包括：
[0014]将所述完整使用周期内的开门特征数据作为自变量，所述完整使用周期内的使用天数作为因变量；
[0015]通过多组所述自变量与所述因变量构建线性回归方程，所述线性回归方程用于表示所述线性回归模型。
[0016]本专利技术提供的智能门锁可用天数预估方法，通过将完整使用周期内的开门特征数据作为自变量，完整使用周期内的使用天数作为因变量构建线性回归方程，能够很好地反映出不同的开门特征数据决定了智能门锁的实际使用天数，也间接了反映了不同用户的使用习惯不同导致了智能门锁的使用天数不同，从而达到提高线性回归模型的预估准确率的技术效果。
[0017]可选地，在第一方面的一种可能实现方式中,所述线性回归方程，包括：
[0018]y＝ω0+ω1x1+ω2x2+ω3x3+ω4x4[0019]其中，x1表示日平均密码开门次数，x2表示日平均指纹开门次数，x3表示日平均人脸开门次数，x4表示日平均蓝牙开门次数，ω1表示日平均密码开门次数的第一特征权重，ω2表示日平均指纹开门次数的第二特征权重，ω3表示日平均人脸开门次数的第三特征权重，ω4表示日平均蓝牙开门次数的第四特征权重，y表示完成使用周期的天数。
[0020]可选地，在第一方面的一种可能实现方式中,所述利用所述多个基础训练集训练预设线性回归模型，包括：
[0021]获取所述预设线性回归模型的第一特征权重、第二特征权重、第三特征权重和第四特征权重；
[0022]基于所述第一特征权重、所述第二特征权重、所述第三特征权重和所述第四特征权重，通过所述基础训练集对所述预设线性回归模型进行迭代计算；其中，每次所述迭代计算均得到一个损失值；
[0023]当所述损失值达到预设阈值时，停止所述迭代计算，得到训练好的线性回归模型。
[0024]本专利技术提供的智能门锁可用天数预估方法，通过多个特征权重以及基础训练集对预设线性回归模型进行迭代计算，在损失值达到预设阈值时停止迭代计算，能够模拟出计算结果与真实值的差距，用于修改预设线性回归模型的各个特征权重，以指导模型训练的训练方向，从而提高线性回归模型的预估准确率。
[0025]可选地，在第一方面的一种可能实现方式中,损失值的计算过程，包括：
[0026][0027]其中，m表示样本数量，loss表示损失值，ω0表示线性回归方程的截距项，y
i
表示完成使用周期的天数，i表示基础训练数据集的编号，x
1i
表示对应编号基础训练数据集的日平均密码开门次数，x
2i
表示对应编号基础训练数据集的日平均指纹开门次数，x
3i
表示对应编号基础训练数据集的日平均人脸开门次数，x
4i
表示对应编号基础训练数据集的日平均蓝牙开门次数，ω1表示日平均密码开门次数的第一特征权重，ω2表示日平均指纹开门次数的第二特征权重，ω3表示日平均人脸开门次数的第三特征权重，ω4表示日平均蓝牙开门次数的第四特征权重。
[0028]具体地，上述特征权重包括但不限于第一特征权重、第二特征权重、第三特征权重和第四特征权重，该特征权重的种类与开门特征数据的种类有关，例如当开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数时，则特征权重包括第一特征权重、第二特征权重、第三特征权重和第四特征权重；当开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数、日平均蓝牙开门次数、日平均虹膜开门次数和日平均指静脉血开门次数时，则特征权重包括第一特征权重、第二特征权重、第三特征权重、第四特征权重、第五特征权重和第六特征权重；其中第一特征权重与日平均密码开门次数对应、第二特征权重与日平均指纹开门次数对应、第三特征权重与日平均人脸开门次数对应、第四特征权重与日平均蓝牙开门次数对应、第五特征权重与日平均虹膜开门次数对应、第六特征权重与日平均指静脉开门次数对应。
[0029]可选地，在第一方面的一种可能实现方式中,所述根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数，包括：
[0030]d＝d1*q
[0031]其中，d表示智能门锁的剩余可使用天数，d1表示总天数，q表示目标门锁的当前电量的百分比。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能门锁可用天数预估方法，其特征在于，包括：获取多个基础训练集，所述基础训练集包括用户在完整使用周期内的开门特征数据以及所述完整使用周期的使用天数；所述开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数；利用所述多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；通过将目标门锁的开门特征数据输入至所述训练完成的线性回归模型确定所述目标门锁可使用的总天数，根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数。2.根据权利要求1所述的智能门锁可用天数预估方法，其特征在于，在利用所述多个基础训练集训练预设线性回归模型之前，还包括：对所述基础训练集进行归一化处理，以使所述用户在完整使用周期内的开门特征数据均处于特定区间内。3.根据权利要求1或2所述的智能门锁可用天数预估方法，其特征在于，所述利用所述多个基础训练集训练预设线性回归模型，包括：将所述完整使用周期内的开门特征数据作为自变量，所述完整使用周期内的使用天数作为因变量；通过多组所述自变量与所述因变量构建线性回归方程，所述线性回归方程用于表示所述线性回归模型。4.根据权利要求3所述的智能门锁可用天数预估方法，其特征在于，所述线性回归方程，包括：y＝ω0+ω1x1+ω2x2+ω3x3+ω4x4其中，x1表示日平均密码开门次数，x2表示日平均指纹开门次数，x3表示日平均人脸开门次数，x4表示日平均蓝牙开门次数，ω1表示日平均密码开门次数的第一特征权重，ω2表示日平均指纹开门次数的第二特征权重，ω3表示日平均人脸开门次数的第三特征权重，ω4表示日平均蓝牙开门次数的第四特征权重，y表示完成使用周期的天数。5.根据权利要求4所述的智能门锁可用天数预估方法，其特征在于，所述利用所述多个基础训练集训练预设线性回归模型，包括：获取所述预设线性回归模型的第一特征权重、第二特征权重、第三特征权重和第四特征权重；基于所述第一特征权重、所述第二特征权重、所述第三特征权重和所述第四特征权重，通过所述基础训练集对所述预设线性回归模型进行迭代计算；其中，每次所述迭代计算均得到一个损失值；当所述损失值达到预设阈值时，停止所述迭代计算，得到训练好的线性回归模型。6.根据权利...

【专利技术属性】
技术研发人员：陈国地，祝志凌，桑胜伟，黄兴主，唐俊雄，邓业豪，
申请(专利权)人：德施曼机电中国有限公司，
类型：发明
国别省市：