[發明專利]基于深度學習的個性化空調智能學習方法

在審

• 申請號: 202011078517.4
• 申請日: 2020-10-10
• 公開（公告）號: CN112308209A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 田春岐;浦凱亮;全俊成;俞濤;鄭軍
• 申請（專利權）人: 上海晶友環境管理有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F16/215;G06Q10/04;F24F11/46;F24F11/63
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 周瓊

1.一種基于深度學習的個性化空調智能學習方法，其特征在于，包括：獲取測量對象的相關數據，相關數據包括：操作數據和環境數據；對相關數據進行清洗及處理，得到訓練數據；導入神經網絡，生成用戶個性化預測模型；用戶個性化預測模型生成測量對象的操作數據；獲取用戶對于測量對象調整后的相關數據，再次導入神經網絡，訓練優化用戶個性化預測模型。

2.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，對相關數據進行清洗包括：刪除問題數據和錯誤數據，得到清洗后的數據。

3.根據權利要求2所述的基于深度學習的個性化空調智能學習方法，其特征在于，刪除問題數據和錯誤數據包括：對于傳感器故障或系統處理故障產生的缺失數據，若其占總數據比例小于或等于15％，將所有包含缺失值的數據行刪除；若其比例大于15％，對缺失值進行填補；如果數據是布爾型數據，填補值為前十條有效數據值與后十條有效數據值的眾數；如果數據為數值型，填補值為前十條有效數據與后十條有效數據值的平均數。

4.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，對相關數據進行處理包括：將操作數據整理為符合神經網絡輸入結構的預處理數據，將預處理數據與環境數據進行綜合處理，得到訓練數據，將訓練數據導入神經網絡。

5.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，訓練生成用戶個性化預測模型包括：訓練神經網絡學習數據中包含的信息，生成用戶個性化預測模型。

6.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，操作數據包括：空調預定時間段內的空調開關狀態、空調設定溫度、空調設定模式和設定時間；環境數據包括：室內溫度、室外溫度和天氣狀況。

7.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，神經網絡為長短時記憶神經網絡，將符合神經網絡輸入結構的預處理數據集輸入至長短時記憶神經網絡中，生成用戶個性化預測模型。

8.根據權利要求7所述的基于深度學習的個性化空調智能學習方法，其特征在于，在將符合神經網絡輸入結構的預處理數據輸入神經網絡之前，設定好長短時記憶神經網絡的輸入維數以及輸出維數；根據數據規模設定神經網絡層數、一次訓練所選的樣本數、訓練輪數的具體數值；訓練開始前，需要對長短時記憶神經網絡進行隨機初始化；神經網絡由前向傳播算法得到輸出，訓練過程中由誤差反向傳播算法更新神經網絡參數值。

9.根據權利要求6所述的基于深度學習的個性化空調智能學習方法，其特征在于，通過空調溫度傳感器獲得室內溫度，通過當地的氣象信息數據獲取室外溫度和天氣狀況。

10.根據權利要求1所述的基于深度學習的個性化空調智能學習方法，其特征在于，訓練優化用戶個性化預測模型后，用戶個性化預測模型再次生成測量對象的操作數據。