[发明专利]一种个性化地暖使用习惯的自适应学习方法

权利要求书

1.一种个性化地暖使用习惯的自适应学习方法，包括：

步骤一，获取预定的测量对象进行测量得到的记录数据；步骤二，从所述记录数据中获取预定时间段的用户历史使用数据；步骤三，对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据；步骤四，将所述包含环境信息的用户使用数据输入到预定的神经网络中，并使用所述神经网络对所述包含环境信息的用户使用数据进行训练学习，生成个性化深度学习模型；步骤五，利用所述个性化深度学习模型对所述包含环境信息的用户使用数据进行预测，得到预测后的个性化用户使用习惯；步骤六，以所述个性化用户使用习惯为依据，设置下一工作时间地暖运行参数；步骤七，用户在下一工作时间使用过程中，对所述地暖运行参数调整生产新的地暖运行参数，所述新的地暖运行参数作为新的用户历史使用数据重新加入所述预定时间段的用户历史使用数据中；重复步骤一到步骤七，重新对所述用户历史使用数据进行预处理得到新的包含环境信息的用户使用数据，重新输入到所述神经网络进行学习，更新所述个性化深度学习模型，直到用户在步骤七中不再对地暖运行参数进行调整，以提高对所述个性化用户使用习惯进行预测的准确率。

2.根据权利要求1所述的方法，其特征在于，步骤一，获取预定的测量对象进行测量得到的记录数据，包括：

通过对测量对象进行连续检测，以便获得地暖的设置状态数据和所在环境的环境参数数据，其中所述预定的测量对象包括室内温度、室外温度、测量时间、地暖设置温度、地暖工作模式和地暖开关情况。

3.根据权利要求1所述的方法，其特征在于，步骤二，从所述记录数据中获取预定时间段的用户历史使用数据，包括：

获取预定时间段的地暖设置状态数据和地暖所在环境的环境参数数据，其中所述预定时间段开始时刻不晚于所述记录数据中最后一条时刻的前N小时，所述地暖设置状态数据包括设置温度、工作模式和开关情况，所述环境参数数据包括室内温度、室外温度和记录时间。

4.根据权利要求1所述的方法，其特征在于，步骤三，对所述用户历史使用数据进行预处理得到包含环境信息的用户使用数据的方法，包括：

对用户历史使用数据执行设置状态数据修正，以便得到包含环境信息的用户使用数据，其中所述的设置状态数据修正包括如果所述地暖设置状态数据在时刻A发生变化，根据时刻A开始时刻B结束的所述环境参数数据的变化，将时刻A的所述地暖设置状态数据向前拓展时间长度B-A，其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻。

5.根据权利要求1所述的方法，其特征在于，步骤四，预定的神经网络为简单长短时记忆神经网络，所述通过训练学习生成个性化深度学习模型的方法，包括：

采集所述预定时间段的用户历史使用数据组成原始数据集，所述原始用户使用中的参数包括室内温度、室外温度、时间记录、设置温度、工作模式和开关情况；

对采集到的所述原始数据集执行设置状态数据修正，得到所述包含环境信息的使用记录数据集，并对所述包含环境信息的使用记录数据集执行数据序列化，生成训练数据集；其中，所述设置状态数据修正包括根据如果所述地暖设置状态数据在时刻A发生变化，根据时刻A开始时刻B结束的所述环境参数数据的变化，将时刻A的所述地暖设置状态数据向前拓展时间长度B-A，其中所述时刻B为所述室内温度数据达到稳定的时刻或者再一次发生所述地暖设置状态数据改变的时刻；所述数据序列化包括将所述包含环境信息的使用记录数据集中的数据进行转化得到训练数据集，所述训练数据集中包含样本数、时间步长以及属性；

利用简单长短时记忆神经网络对所述训练数据集进行训练，以便生成所述个性化深度学习模型。

6.根据权利要求5所述的方法，其特征在于，所述生成的个性化深度学习模型的方法，还包括：

在模型训练之前，预先设定所述简单长短时记忆神经网络的隐藏层数、隐藏层中节点数、隐藏层激活函数和学习率，并对所述简单长短时记忆神经网络的参数进行随机初始化，其中所述隐藏层激活函数为tanh函数；

在模型训练过程中，执行前向传播，使用平均绝对误差(MAE)函数计算传播损失，并利用Adam优化算法对所述学习率进行调节，利用误差反向传播算法对模型的权值和偏置进行调节。