基于个体的智能家居场景控制方法、装置及电子设备与流程

1.本发明涉及智能家居技术领域，尤其涉及一种基于个体的智能家居场景控制方法、装置及电子设备。


背景技术：

2.在传统的智能家居系统中，家居场景的执行依赖于预先的固定设置，仅能在预先定义的前提下执行有限的场景控制，其所能提供的场景比较粗略，无法实现精准的场景控制，且无法根据时间，季节和用户个体进行个性化的调节，导致用户体验不佳，也使智能家居系统失去了其原本的存在价值。


技术实现要素：

3.本发明提供一种基于个体的智能家居场景控制方法、装置及电子设备，用以解决现有技术中上述存在的缺陷，实现针对个体的精准场景控制，提高场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
4.本发明提供一种基于个体的智能家居场景控制方法，包括：
5.确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；
6.将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
7.基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
8.根据本发明提供的一种基于个体的智能家居场景控制方法，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之前，还包括：
9.确定所述第一目标个体包括多个单独个体；
10.将各所述单独个体的决策结果进行加权处理，得到综合决策结果。
11.根据本发明提供的一种基于个体的智能家居场景控制方法，
12.所述将各所述单独个体的决策结果进行加权处理，得到综合决策结果，包括：
13.基于各所述单独个体的行为数据确定各所述单独个体的习惯数据；
14.基于所述习惯数据确定各所述单独个体的数据优先级；
15.基于各所述数据优先级对各所述单独个体的决策结果进行加权处理，得到综合决策结果。
16.根据本发明提供的一种基于个体的智能家居场景控制方法，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之后，还包括：
17.获取智能家居的场景控制的执行结果，并判断所述执行结果是否被调整；
18.在所述执行结果被调整的情况下，确定所述执行结果调整对应的第二目标个体，
并调用所述第二目标个体对应的目标模型；
19.基于所述目标模型获取所述第二目标个体所适应的目标场景；
20.其中，所述目标模型是基于所述第二目标个体的习惯数据进行训练得到的。
21.根据本发明提供的一种基于个体的智能家居场景控制方法，所述训练完成的场景决策模型的训练方法包括：
22.对智能家居的使用个体进行信息识别，得到个体信息数据，将所述个体信息数据作为所述样本训练集；
23.对所述样本训练集进行量化，得到量化信息，并对所述量化信息进行特征提取，得到量化特征信息；
24.将室内环境数据和所述量化特征信息输入至已建立的初始神经网络模型中进行训练，通过模型迭代更新调整初始神经网络模型的参数；
25.将经过目标次数迭代后的最终神经网络模型的结果数据进行存储，得到所述训练完成的场景决策模型。
26.根据本发明提供的一种基于个体的智能家居场景控制方法，还包括：
27.将所述训练完成的场景决策模型载入到决策系统，并对所述决策系统进行初始化，以使所述决策系统基于所述训练完成的场景决策模型进行第一目标个体的智能家居的场景控制。
28.根据本发明提供的一种基于个体的智能家居场景控制方法，所述个体信息数据包括个体穿戴设备、个体特征、个体习惯以及个体标识信号的至少一种，所述室内环境数据包括室内的温度、湿度、光线强度的至少一种。
29.本发明还提供一种基于个体的智能家居场景控制装置，包括：
30.确定模块，用于确定当前环境的第一目标个体，并确定所述第一目标个体的活动状态；
31.决策模块，用于将所述第一目标个体和所述活动状态输入到训练完成的场景决策模型中，得到适合所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
32.控制模块，用于基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
33.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于个体的智能家居场景控制方法。
34.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于个体的智能家居场景控制方法。
35.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于个体的智能家居场景控制方法。
36.本发明提供的基于个体的智能家居场景控制方法、装置及电子设备，通过确定当前环境的第一目标个体，对第一目标个体进行行为事件识别，得到第一目标个体的行为数据；将行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合第一目标个
体和当前环境的决策结果，训练完成的场景决策模型是将个体信息数据和当前环境数据作为样本训练集进行训练得到的；基于决策结果确定执行指令，基于执行指令进行智能家居的场景控制。本发明能够针对个体进行精准场景控制，提高场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的基于个体的智能家居场景控制方法的流程示意图之一；
39.图2是本发明提供的基于个体的智能家居场景控制方法的流程示意图之二；
40.图3是本发明提供的基于个体的智能家居场景控制方法的流程示意图之三；
41.图4是本发明提供的基于个体的智能家居场景控制装置的结构示意图；
42.图5是本发明提供的电子设备的结构示意图。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
44.首先需要说明的是，本发明提供的基于个体的智能家居场景控制方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)或个人计算机(personal computer，pc)等，本发明不作具体限定。以下以计算机执行本发明提供的基于个体的智能家居场景控制方法，对本发明的各步骤进行详细描述。
45.参照图1，本发明提供的基于个体的智能家居场景控制方法，包括但不限于以下步骤：
46.步骤110、确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；
47.步骤120、将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
48.步骤130、基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
49.可以理解的是，本实施例为用户识别与场景执行过程，即场景决策模型的应用过程。
50.首先，通过上述步骤110，确定当前环境区域有哪些个体，对第一目标个体进行行为事件识别，得到第一目标个体的行为数据，也就是确认每个个体的活动状态对应的数据，利用行为数据为场景决策提供依据。
51.第一目标个体的确定可根据穿戴设备、个人特征、使用习惯或其他标识信号进行识别。个体的行为数据可以为运动状态数据、行走状态数据、站立状态数据、躺卧状态数据等。
52.然后，通过上述步骤120，将个体的行为数据以及当前的环境数据输入到已经训练好的场景决策模型中进行场景决策，输出场景的决策结果。也就是利用一个具有场景决策功能的黑箱模型，对个体的行为数据结合环境数据进行适应度分析，从而得到适合第一目标个体和所述当前环境的决策结果。
53.训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于样本训练集以及对应的标签进行训练得到的。
54.进一步地，所述个体信息数据包括个体穿戴设备、个体特征、个体习惯以及个体标识信号的至少一种，所述室内环境数据包括室内的温度、湿度、光线强度的至少一种。
55.举例而言，若第一目标个体的行为数据为躺卧状态数据，即表示当前环境下第一目标个体可能为休息状态，此时的环境数据为灯光亮度即光线强度则需要适应地调整，决策结果即为减弱光线强度。
56.需要补充说明的是，本实施例中的场景决策模型为神经网络模型，需要利用大量个体的行为数据作为样本训练集，以及结合各类型的当前环境数据进行训练得到的。
57.最后，通过上述步骤130，利用上述步骤120得到的决策结果确定执行指令，通过执行指令进行智能家居的场景控制。
58.继续参照上述举例，当决策结果为减弱光线强度，则执行指令即为降低室内光线强度的指令，利用该指令可对光线强度进行减弱调整，从而完成智能家居的场景控制。即利用训练完成的模型得到个体的场景决策结果即可实现智能家居的场景控制，提高了场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯。
59.本发明提供的基于个体的智能家居场景控制方法，通过确定当前环境的第一目标个体，对第一目标个体进行行为事件识别，得到第一目标个体的行为数据；将行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合第一目标个体和当前环境的决策结果，训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集进行训练得到的；基于决策结果确定执行指令，基于执行指令进行智能家居的场景控制。本发明能够针对个体进行精准场景控制，提高场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
60.在一些可选的实施例中，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之前，还包括：
61.确定所述第一目标个体包括多个单独个体；
62.将各所述单独个体的决策结果进行加权处理，得到综合决策结果。
63.进一步地，所述将各所述单独个体的决策结果进行加权处理，得到综合决策结果，
包括：
64.基于各所述单独个体的行为数据确定各所述单独个体的习惯数据；
65.基于所述习惯数据确定各所述单独个体的数据优先级；
66.基于各所述数据优先级对各所述单独个体的决策结果进行加权处理，得到综合决策结果。
67.可以理解的是，本实施例为多个体的场景优先级决策处理的实施过程。
68.存在多个单独个体的情况下，比如智能家居的场景中第一目标个体为家庭中的多个用户。需要将多个决策结果进行加权处理，得到最终的决策结果。
69.举例而言，若第一个用户的行为数据为躺卧状态数据，即表示当前环境下第一目标个体的习惯数据可能为休息状态数据，此时的环境数据为灯光亮度即光线强度则需要适应地调整，决策结果即为减弱光线强度。
70.第二个用户的行为数据为坐立状态数据，即表示当前环境下的第二用户的习惯数据可能为听音乐状态数据。
71.根据第一个用户和第二个用户的习惯数据的优先级可知光线的强弱对第二各用户影响不大，也就是第二个用户的习惯数据的数据优先级较低，因此可以将第一个用户的决策结果作为优先决策进行处理。
72.本发明提供的基于个体的智能家居场景控制方法，通过设置优先级策略，根据不同个体对智能家居场景的适应程度进行优先级决策，从而能进一步地使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
73.具体地，本实施例中，根据决策结果执行智能家居的场景控制：将得到的决策结果输入到执行机构，由执行机构根据指令集合进行场景的控制。
74.在一些可选的实施例中，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之后，还包括：
75.获取智能家居的场景控制的执行结果，并判断所述执行结果是否被调整；
76.在所述执行结果被调整的情况下，确定所述执行结果调整对应的第二目标个体，并调用所述第二目标个体对应的目标模型；
77.基于所述目标模型获取所述第二目标个体所适应的目标场景；
78.其中，所述目标模型是基于所述第二目标个体的习惯数据进行训练得到的。
79.可以理解的是，本实施例为存在用户手动调整执行结果的实施方式。
80.当智能家居的场景执行后，如有用户手动对执行结果进行了调整，则要重新提取信息，调用用户对应的决策模型进行再学习和训练，使决策模型进一步向用户的真实情况拟合。
81.举例而言，当第二目标个体在躺卧状态数据下，并不是需要休息，而是躺卧看视频，此时则无需降低光线亮度，然而，利用场景决策模型得到的决策结果降低光线亮度，此时则需要根据该用户的习惯数据重新训练模型，并利用训练完成的模型进行智能家居的场景控制。
82.本发明提供的基于个体的智能家居场景控制方法，通过对手动改变执行结果的情况，利用该用户的行为习惯数据重新训练模型，并利用该模型获得该用户适应的场景，从而进一步地提高智能家居系统的适用性和准确性。
83.参照图2，本发明提供的基于个体的智能家居场景控制方法的完整流程包括以下步骤：
84.步骤210、模型载入；
85.步骤220、用户行为事件识别；
86.步骤230、单用户场景决策；
87.步骤240、判断是否为多用户；若是，执行步骤250，若否，执行步骤260；
88.步骤250、多场景融合决策；
89.步骤260、根据决策结果执行场景。
90.在一些可选的实施例中，所述训练完成的场景决策模型的训练方法包括：
91.对智能家居的使用个体进行信息识别，得到个体信息数据，将所述个体信息数据作为所述样本训练集；
92.对所述样本训练集进行量化，得到量化信息，并对所述量化信息进行特征提取，得到量化特征信息；
93.将室内环境数据和所述量化特征信息输入至已建立的初始神经网络模型中进行训练，通过模型迭代更新调整初始神经网络模型的参数；
94.将经过目标次数迭代后的最终神经网络模型的结果数据进行存储，得到所述训练完成的场景决策模型。
95.具体地，本实施例为场景决策模型的训练过程，即场景决策模型的获取过程。
96.首先，进行智能家居个体识别：通过对家庭成员穿戴设备、个人特征、使用习惯或其他标识信号进行识别，得到个体信息数据，便于区分个体，将得到的个体信息数据为精准的场景控制和模型训练的基础。
97.然后，进行个体的习惯和喜好特征提取，例如其喜好的室内温度、喜爱的热水器水温等其他可量化的信息。
98.进一步地，根据提取的量化特征信息，结合外部环境条件进行深度学习，例如使用神经网络的算法，对环境信息和个体习惯数据进行深度数据挖掘和计算，并对数据模型进行训练，通过模型迭代更新调整初始神经网络模型的参数，得到较为准确和可靠的决策模型。
99.最后，根据模型训练结果，对结果数据进行存储，并提供调用的接口，供场景控制决策模型使用。
100.参照图3，基于个体的智能家居场景控制方法的模型训练方法的完整流程包括以下步骤：
101.步骤310、收集习惯数据；
102.步骤320、量化；
103.步骤330、特征提取；
104.步骤340、模型训练；
105.步骤350、训练数据存储。
106.在一些可选的实施例中，还包括：
107.将所述训练完成的场景决策模型载入到决策系统，并对所述决策系统进行初始化，以使所述决策系统基于所述训练完成的场景决策模型进行第一目标个体的智能家居的
场景控制。
108.可以理解的是，在场景决策模型的具体应用之前，需要将训练完成的场景决策模型载入到决策系统，并对训练完成的场景决策模型进行初始化。初始化后的训练完成的场景决策模型可以进行第一目标个体的智能家居的场景控制。
109.下面对本发明提供的基于个体的智能家居场景控制装置进行描述，下文描述的基于个体的智能家居场景控制装置与上文描述的基于个体的智能家居场景控制方法可相互对应参照。
110.参照图4，图4是本发明提供的基于个体的智能家居场景控制装置，包括以下模块：
111.确定模块410，用于确定当前环境的第一目标个体，并确定所述第一目标个体的活动状态；
112.决策模块420，用于将所述第一目标个体和所述活动状态输入到训练完成的场景决策模型中，得到适合所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
113.控制模块430，用于基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
114.可以理解的是，本实施例为用户识别与场景执行过程，即场景决策模型的应用过程。
115.首先，通过上述确定模块410，确定当前环境区域有哪些个体，对第一目标个体进行行为事件识别，得到第一目标个体的行为数据，也就是确认每个个体的活动状态对应的数据，利用行为数据为场景决策提供依据。
116.第一目标个体的确定可根据穿戴设备、个人特征、使用习惯或其他标识信号进行识别。个体的行为数据可以为运动状态数据、行走状态数据、站立状态数据、躺卧状态数据等。
117.然后，通过上述决策模块420，将个体的行为数据以及当前的环境数据输入到已经训练好的场景决策模型中进行场景决策，输出场景的决策结果。也就是利用一个具有场景决策功能的黑箱模型，对个体的行为数据结合环境数据进行适应度分析，从而得到适合第一目标个体和所述当前环境的决策结果。
118.训练完成的场景决策模型是将个体信息数据和当前环境数据作为样本训练集，并基于样本训练集以及对应的标签进行训练得到的。
119.进一步地，所述个体信息数据包括个体穿戴设备、个体特征、个体习惯以及个体标识信号的至少一种，所述室内环境数据包括室内的温度、湿度、光线强度的至少一种。
120.举例而言，若第一目标个体的行为数据为躺卧状态数据，即表示当前环境下第一目标个体可能为休息状态，此时的环境数据为灯光亮度即光线强度则需要适应地调整，决策结果即为减弱光线强度。
121.需要补充说明的是，本实施例中的场景决策模型为神经网络模型，需要利用大量个体的行为数据作为样本训练集，以及结合各类型的当前环境数据进行训练得到的。
122.最后，通过上述控制模块430，利用上述决策模块420得到的决策结果确定执行指令，通过执行指令进行智能家居的场景控制。
123.继续参照上述举例，当决策结果为减弱光线强度，则执行指令即为降低室内光线强度的指令，利用该指令可对光线强度进行减弱调整，从而完成智能家居的场景控制。即利用训练完成的模型得到个体的场景决策结果即可实现智能家居的场景控制，提高了场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯。
124.本发明提供的基于个体的智能家居场景控制装置，通过确定当前环境的第一目标个体，对第一目标个体进行行为事件识别，得到第一目标个体的行为数据；将行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合第一目标个体和当前环境的决策结果，训练完成的场景决策模型是将个体信息数据和当前环境数据作为样本训练集进行训练得到的；基于决策结果确定执行指令，基于执行指令进行智能家居的场景控制。本发明能够针对个体进行精准场景控制，提高场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
125.在一些可选的实施例中，还包括加权模块，所述加权模块具体用于：
126.确定所述第一目标个体包括多个单独个体；
127.将各所述单独个体的决策结果进行加权处理，得到综合决策结果。
128.进一步地，所述将各所述单独个体的决策结果进行加权处理，得到综合决策结果，包括：
129.基于各所述单独个体的行为数据确定各所述单独个体的习惯数据；
130.基于所述习惯数据确定各所述单独个体的数据优先级；
131.基于各所述数据优先级对各所述单独个体的决策结果进行加权处理，得到综合决策结果。
132.可以理解的是，本实施例为多个体的场景优先级决策处理的实施过程。
133.存在多个单独个体的情况下，比如智能家居的场景中第一目标个体为家庭中的多个用户。需要将多个决策结果进行加权处理，得到最终的决策结果。
134.举例而言，若第一个用户的行为数据为躺卧状态数据，即表示当前环境下第一目标个体的习惯数据可能为休息状态数据，此时的环境数据为灯光亮度即光线强度则需要适应地调整，决策结果即为减弱光线强度。
135.第二个用户的行为数据为坐立状态数据，即表示当前环境下的第二用户的习惯数据可能为听音乐状态数据。
136.根据第一个用户和第二个用户的习惯数据的优先级可知光线的强弱对第二各用户影响不大，也就是第二个用户的习惯数据的数据优先级较低，因此可以将第一个用户的决策结果作为优先决策进行处理。
137.本发明提供的基于个体的智能家居场景控制装置，通过设置优先级策略，根据不同个体对智能家居场景的适应程度进行优先级决策，从而能进一步地使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。
138.在一些可选的实施例中，还包括调整调用模块，所述调整调用模块具体用于：
139.获取智能家居的场景控制的执行结果，并判断所述执行结果是否被调整；
140.在所述执行结果被调整的情况下，确定所述执行结果调整对应的第二目标个体，并调用所述第二目标个体对应的目标模型；
141.基于所述目标模型获取所述第二目标个体所适应的目标场景；
142.其中，所述目标模型是基于所述第二目标个体的习惯数据进行训练得到的。
143.可以理解的是，本实施例为存在用户手动调整执行结果的实施方式。
144.当智能家居的场景执行后，如有用户手动对执行结果进行了调整，则要重新提取信息，调用用户对应的决策模型进行再学习和训练，使决策模型进一步向用户的真实情况拟合。
145.举例而言，当第二目标个体在躺卧状态数据下，并不是需要休息，而是躺卧看视频，此时则无需降低光线亮度，然而，利用场景决策模型得到的决策结果降低光线亮度，此时则需要根据该用户的习惯数据重新训练模型，并利用训练完成的模型进行智能家居的场景控制。
146.本发明提供的基于个体的智能家居场景控制方法，通过对手动改变执行结果的情况，利用该用户的行为习惯数据重新训练模型，并利用该模型获得该用户适应的场景，从而进一步地提高智能家居系统的适用性和准确性。
147.在一些可选的实施例中，所述训练完成的场景决策模型的训练方法包括：
148.对智能家居的使用个体进行信息识别，得到个体信息数据，将所述个体信息数据作为所述样本训练集；
149.对所述样本训练集进行量化，得到量化信息，并对所述量化信息进行特征提取，得到量化特征信息；
150.将室内环境数据和所述量化特征信息输入至已建立的初始神经网络模型中进行训练，通过模型迭代更新调整初始神经网络模型的参数；
151.将经过目标次数迭代后的最终神经网络模型的结果数据进行存储，得到所述训练完成的场景决策模型。
152.具体地，本实施例为场景决策模型的训练过程，即场景决策模型的获取过程。
153.首先，进行智能家居个体识别：通过对家庭成员穿戴设备、个人特征、使用习惯或其他标识信号进行识别，得到个体信息数据，便于区分个体，将得到的个体信息数据为精准的场景控制和模型训练的基础。
154.然后，进行个体的习惯和喜好特征提取，例如其喜好的室内温度、喜爱的热水器水温等其他可量化的信息。
155.进一步地，根据提取的量化特征信息，结合外部环境条件进行深度学习，例如使用神经网络的算法，对环境信息和个体习惯数据进行深度数据挖掘和计算，并对数据模型进行训练，通过模型迭代更新调整初始神经网络模型的参数，得到较为准确和可靠的决策模型。
156.最后，根据模型训练结果，对结果数据进行存储，并提供调用的接口，供场景控制决策模型使用。
157.在一些可选的实施例中，还包括载入模块，所述载入模块具体用于：
158.将所述训练完成的场景决策模型载入到决策系统，并对所述决策系统进行初始化，以使所述决策系统基于所述训练完成的场景决策模型进行第一目标个体的智能家居的场景控制。
159.可以理解的是，在场景决策模型的具体应用之前，需要将训练完成的场景决策模型载入到决策系统，并对训练完成的场景决策模型进行初始化。初始化后的训练完成的场
景决策模型可以进行第一目标个体的智能家居的场景控制。
160.图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于个体的智能家居场景控制方法，该方法包括：
161.确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；
162.将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
163.基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
164.此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
165.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于个体的智能家居场景控制方法，该方法包括：
166.确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；
167.将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；
168.基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
169.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于个体的智能家居场景控制方法，该方法包括：
170.确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；
171.将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进
行训练得到的；
172.基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。
173.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
174.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
175.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于个体的智能家居场景控制方法，其特征在于，包括：确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。2.根据权利要求1所述的基于个体的智能家居场景控制方法，其特征在于，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之前，还包括：确定所述第一目标个体包括多个单独个体；将各所述单独个体的决策结果进行加权处理，得到综合决策结果。3.根据权利要求2所述的基于个体的智能家居场景控制方法，其特征在于，所述将各所述单独个体的决策结果进行加权处理，得到综合决策结果，包括：基于各所述单独个体的行为数据确定各所述单独个体的习惯数据；基于所述习惯数据确定各所述单独个体的数据优先级；基于各所述数据优先级对各所述单独个体的决策结果进行加权处理，得到综合决策结果。4.根据权利要求2所述的基于个体的智能家居场景控制方法，其特征在于，所述基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制之后，还包括：获取智能家居的场景控制的执行结果，并判断所述执行结果是否被调整；在所述执行结果被调整的情况下，确定所述执行结果调整对应的第二目标个体，并调用所述第二目标个体对应的目标模型；基于所述目标模型获取所述第二目标个体所适应的目标场景；其中，所述目标模型是基于所述第二目标个体的习惯数据进行训练得到的。5.根据权利要求1所述的基于个体的智能家居场景控制方法，其特征在于，所述训练完成的场景决策模型的训练方法包括：对智能家居的使用个体进行信息识别，得到个体信息数据，将所述个体信息数据作为所述样本训练集；对所述样本训练集进行量化，得到量化信息，并对所述量化信息进行特征提取，得到量化特征信息；将室内环境数据和所述量化特征信息输入至已建立的初始神经网络模型中进行训练，通过模型迭代更新调整初始神经网络模型的参数；将经过目标次数迭代后的最终神经网络模型的结果数据进行存储，得到所述训练完成的场景决策模型。6.根据权利要求1所述的基于个体的智能家居场景控制方法，其特征在于，还包括：将所述训练完成的场景决策模型载入到决策系统，并对所述决策系统进行初始化，以使所述决策系统基于所述训练完成的场景决策模型进行第一目标个体的智能家居的场景控制。
7.根据权利要求5所述的基于个体的智能家居场景控制方法，其特征在于，所述个体信息数据包括个体穿戴设备、个体特征、个体习惯以及个体标识信号的至少一种，所述室内环境数据包括室内的温度、湿度、光线强度的至少一种。8.一种基于个体的智能家居场景控制装置，其特征在于，包括：确定模块，用于确定当前环境的第一目标个体，并确定所述第一目标个体的活动状态；决策模块，用于将所述第一目标个体和所述活动状态输入到训练完成的场景决策模型中，得到适合所述当前环境的决策结果，所述训练完成的场景决策模型是将个体信息数据和室内环境数据作为样本训练集，并基于所述样本训练集以及对应的环境决策标签进行训练得到的；控制模块，用于基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于个体的智能家居场景控制方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于个体的智能家居场景控制方法。

技术总结
本发明提供一种基于个体的智能家居场景控制方法、装置及电子设备，所述方法包括：确定当前环境的第一目标个体，对所述第一目标个体进行行为事件识别，得到所述第一目标个体的行为数据；将所述行为数据和当前环境数据输入到训练完成的场景决策模型中，得到适合所述第一目标个体和所述当前环境的决策结果，所述训练完成的场景决策模型是基于所述样本训练集以及对应的环境决策标签进行训练得到的；基于所述决策结果确定执行指令，基于所述执行指令进行智能家居的场景控制。本发明能够针对个体进行精准场景控制，提高场景对用户个体的适应性，使场景的控制更加真实的还原用户喜好和习惯，提高智能家居系统的适用性和准确性。提高智能家居系统的适用性和准确性。提高智能家居系统的适用性和准确性。


技术研发人员：于卫 芦飞 王录祥 唐文成
受保护的技术使用者：苏州浪潮智能科技有限公司
技术研发日：2023.03.17
技术公布日：2023/7/22