具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一

本发明通过对用户操作智能晾衣机时生成的交互数据进行数据分析，得出用户在操作智能晾衣机时操作方式、操作时间、操作环境数据等之间的关联关系，进而构建得出用户行为习惯模型，以便根据用户对智能晾衣机的操作来预判得出用户下一步的操作行为，实现对用户对智能晾衣机的操作的智能化推荐，提高用户使用体验。

一种智能晾衣机控制方法，如图1-2所示，包括以下步骤：

步骤S1、获取多条用户操作智能晾衣机时生成的交互数据并构成数据集。

其中，每条交互数据均是由用户对智能晾衣机进行操作控制时生成的数据记录。其中，本实施例中的数据记录可包括智能晾衣机的操作数据、操作时间以及操作环境数据等。

优选地，由于智能晾衣机的控制方式不同，其所生成的交互数据也有所不同。其中，交互数据包括以下一种类型或多种类型的组合：语音交互数据、遥控交互数据和APP(application，应用)交互数据。其中，语音交互数据是指用户通过语音方式对智能晾衣机操作时生成的数据记录。遥控交互数据是指用户通过遥控设备对智能晾衣机操作时生成的数据记录。APP交互数据是指用户通过智能晾衣机绑定的智能APP对智能晾衣机操作时生成的数据记录。本发明通过收集用户对智能晾衣机操作时所生成的数据记录进行数据分析，以实现对用户的行为习惯进行分析。

具体地，智能晾衣机的操作数据可以为智能晾衣机的执行数据，其可表明用户此时的操作行为。比如，对于语音交互数据来说：

用户控制智能晾衣机下降时，智能晾衣机内的执行数据可能包括接收语音数据、对语音数据进行分析匹配、生成控制指令、向智能晾衣机的电机发送控制指令、电机控制智能晾衣机的杆向下运动、当智能晾衣机的杆运动到对应限位时停止运动等一系列执行动作的数据。

更为具体地，在存储数据集时，可将数据存储于云端或数据库等。

步骤S2、获取数据集并采用预设的数据分析法对所述数据集中的多条交互数据进行数据分析，以构建得到用户行为习惯模型。

本实施例中的用户行为习惯模型是指用户行为习惯与操作时间、操作环境等的相关性关系模型、周期性关系模型等。具体可包括：用户对智能晾衣机的下一步操作行为与用户对智能晾衣机的当前操作行为、环境因素的关系，用户对智能晾衣机的下一步操作行为与用户对智能晾衣机当前操作行为、时间因素的关系，用户在一循环周期内用户对智能晾衣机的操作变化趋势等。

本实施例通过对用户每次操作智能晾衣机时的操作行为、操作时间、操作环境以及下一步的操作行为进行相关性分析以得出用户下一步的操作行为与用户当前的操作行为、操作时间以及操作环境等之间的关联关系。这样，可根据用户的交互数据获取用户当前对智能晾衣机的操作行为、操作时间以及操作环境并与系统中的用户行为习惯模型进行分析匹配，从而可得出用户下一步对智能晾衣机的操作行为，从而快速控制智能晾衣机的动作，提升用户体验。具体比如：当通过数据分析得出：对于某个家庭用户来说，当早上9点-10点之间，天气潮湿或下雨的情况下，用户将智能晾衣机的晾衣杆上升后需要对衣物进行烘干操作，则用户会开启烘干操作；相反，当早上9点-10点之间，天气晴朗的情况下，用户将智能晾衣机的晾衣杆上升后不对智能晾衣机进行任何操作。

这样，当获取用户在早上9点-10点之间、天气潮湿或下雨时，用户当前将智能晾衣机的晾衣杆上升后，系统即可会预测得到用户下一步对智能晾衣机的操作行为，即对智能晾衣机开启烘干操作，因此，可快速自动控制智能晾衣机开启烘干操作，提升用户体验。因此，可通过采集用户每次对智能晾衣机的操作行为，并对其进行数据分析以得出用户当前操作行为、时间以及环境等与用户下一步操作行为之间的关联关系，也即构建得出用户行为习惯模型，以便快速为用户推荐下一步的操作行为，提升用户体验。

也即，本发明通过对用户每次操作智能晾衣机时智能晾衣机所生成的交互数据进行收集，并对收集到的多条交互数据进行数据相关性的分析或周期性的分析等以分析得出用户行为习惯模型，以便后续对用户的操作行为进行识别，及时对用户下一步的操作数据进行预判，方便用户使用。

其中，预设的数据分析法包括周期性分析法和相关性分析法。采用数据分析法实现对交互数据的分析，以便预判用户对智能晾衣机的操作。

步骤S3、实时获取用户当前对智能晾衣机操作时生成的交互数据，并对其与用户行为习惯模型进行匹配以预测得出用户下一步对智能晾衣机的操作。

比如，根据实时获取到的交互数据分析得出用户当前的操作行为、操作时间、操作环境数据等，然后将其与构建好的用户行为习惯模型中的数据进行一一匹配以便得出用户下一步对智能晾衣机的操作，以便推荐给用户。

另外，由于匹配结果可能不只有一个，还可对多个匹配结果进行分析，将可能性最大的匹配结果推荐给用户。

本实施例根据系统中预先建立的用户的行为习惯模型，来根据用户当前的操作行为预测用户下一步的操作行为，以便用户快速实现对智能晾衣机的控制。

步骤S4、当预测到用户下一步对智能晾衣机的操作行为时将该操作行为推荐给用户，并根据该操作行为控制智能晾衣机执行对应动作。

当预测到用户下一步对智能晾衣机的操作行为时，可通过控制智能晾衣机执行对应动作。同时，为了避免出现与用户的实际操作行为不符合的情况，本实施例还在控制智能晾衣机执行动作之前，将该操作行为推荐给用户，比如通过语音或APP的方式推荐给用户，若用户不操作或确认操作时，即可对智能晾衣机进行控制；若用户不确认操作行为时，则根据用户选择的其他操作行为来控制智能晾衣机执行对应动作或不采用任何动作，处于待机状态。

进一步地，步骤S2中还包括：对数据集中的多条交互数据进行预处理。通过对数据集中的多条交互数据进行预处理，以便提高后续对数据处理的效率。

进一步地，预处理的方式可包括数据清洗、数据集成、数据转换和数据规约中的一种或多种方式的组合。其中，本实施例中预处理的多种方式可依次顺序执行，也可无序执行，具体可根据数据处理的需求进行设置。另外，也可以选择多种数据处理方式中的一种或多种的组合，比如可依次对数据集中的多条语音交互数据进行数据清洗、数据集成、数据转换和数据规约的处理，也可任意选用数据清洗、数据集成、数据转换和数据规约中的一种、两种或三种的组合对数据集中的多条交互数据进行处理。

更为具体地，数据清洗，用于去除每条交互数据中的无效数据。也即：用户在操作智能晾衣机时所生成的交互数据可能会存在不完整数据(比如：有缺失值的数据)、不一致数据、有异常的数据等，这些数据会导致数据挖掘建模的执行效率，甚至会导致挖掘结果的偏差。因此，通过数据清洗将无效数据去除，以便后续数据的建模准确性以及数据建模的执行效率。

数据集成，用于将多个数据源合并存放在一个一致的数据存储(如数据仓库)中的过程。在数据集成时，来自多个数据源的现实世界实体的表达形式是不一样的，有可能不匹配，要考虑实体识别问题和属性冗余问题从而将源数据在最低层上加以转换、提炼和集成。也即，将来自于多个不同数据源的多条交互数据存储到同一个数据仓库中。为了使得模型建立的准确性，比如当一个家庭中有多个智能晾衣机时，本实施例可通过从多个智能晾衣机中获取交互数据；或者，为了便于数据的存储，一般采用多个存储通道来存储大量的交互数据，因此，将多个存储通道的交互数据进行数据集成处理。

数据转换，主要用于对数据进行规范化处理，将数据转换成“适当的”形式，以适用挖掘任务及算法的需要。例如对数据的单位进行同一或者改变的数据的格式如平均一天使用次数改为每多少天使用一次，这样更符合人的思维习惯。由于人的思维习惯与机器的数据记录的方式存在差别，因此，可通过将多条交互数据按照一定的规则进行转换，以便使其更符合人的思维习惯。

数据规约，用于通过属性合并来创建新属性维数，或者直接通过删除不相关的属性来减少数据维数，从而提高数据挖掘的效率、降低计算成本。属性规约的目标是寻找出最小的属性子集并确保新数据子集的概率分布尽可能地接近原来数据集的概率分布。例如要展示用户平均使用晾衣机的次数分布，可以通过分箱的方式来近似数据分布，通过计算某个区间的数据来做分析，这样就实现了压缩数据的目的。

优选地，步骤S2中的预设的数据分析法可包括周期性分析法和/或相关性分析法。其中，周期性分析法是指探索某个变量是否随着视角变化而呈现出某种周期性变化的趋势。时间尺度的选择有年度、季度、月份、周度、天和小时等时间周期。比如，通过周期性分析法来探索在一定时间段内用户在使用语音或遥控等对智能晾衣机进行操作时控制智能晾衣机的次数、操作行为、操作时间等来得出一定时间段内用户对智能晾衣机的操作所呈现的某种周期性的趋势。这样，在获取到用户在某一时间操作智能晾衣机的操作行为时，即可根据该周期性的趋势来预判得出用户对智能晾衣机的下一步操作。比如，在一天时间内，用户一般在上午9点-10点之间对智能晾衣机进行下降后停留一段时间后进行上升操作等，因此，当用户对智能晾衣机进行下降操作后即可开始计时并达到计时时间后可向用户推荐智能晾衣机上升的操作。

相关性分析法是指两个或多个具备相关性的变量元素进行分析，从而衡量两个因素的相关密切程度，相关性的元素之间需要存在一定的联系或概率才可以进行相关性分析。通过相关性分析法对数据集中的多条交互数据进行相关性分析，以分析得出连续变量之间的线性相关程度的强弱，进而得出用户控制智能晾衣机时的次数与环境数据之间的关系等、与温湿度之间的关系等。比如：当温度偏高或天气晴朗时，用户一般只是对智能晾衣机进行下降，晾晒衣物后将智能晾衣机上升，采用自然风干的方式对衣物晾干，不采用烘干的方式对衣物晾干；相反，当温度偏低或天气下雨时，用户需要对智能晾衣机进行下降操作、晾晒衣物后将智能晾衣机进行上升并开启烘干功能。

更进一步地，本实施例还包括步骤S5、将实时获取到的用户当前对智能晾衣机操作时生成的交互数据加入到数据集中；然后执行步骤S2以对用户行为习惯模型进行更新。通过对用户行为习惯模型进行实时更新，以便使得预测结果更为准确。

实施例二

基于实施例一提供的一种智能晾衣机控制方法，本发明还提供另一实施例，一种智能晾衣机控制装置，包括以下模块：

数据获取模块，用于获取多条用户操作智能晾衣机时生成的交互数据并构成数据集；

数据分析模块，用于获取所述数据集并采用预设的数据分析法对所述数据集中的交互数据进行数据分析得出用户行为习惯模型；

预测模块，用于实时获取用户当前智能晾衣机操作时生成的交互数据，并将其与所述用户行为习惯模型进行匹配以预测得出用户下一步对智能晾衣机的操作。

实施例二

基于实施例一提供的一种智能晾衣机控制方法，本发明还提供了另一实施例，一种智能晾衣机控制系统，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述计算机程序为智能晾衣机控制程序，所述处理器执行所述智能晾衣机控制程序时实现以下步骤：

数据获取步骤：获取多条用户操作智能晾衣机时生成的交互数据并构成数据集；

数据分析步骤：获取所述数据集并采用预设的数据分析法对所述数据集中的交互数据进行数据分析得出用户行为习惯模型；

预测步骤：实时获取用户当前对智能晾衣机操作时生成的交互数据，并将其与所述用户行为习惯模型进行匹配以预测得出用户下一步对智能晾衣机的操作。

进一步地，所述交互数据包括语音交互数据、遥控交互数据和APP交互数据中的一种或多种的组合；其中，所述语音交互数据为用户通过语音方式对智能晾衣机操作时生成的交互数据；所述遥控交互数据是指用户通过遥控设备对智能晾衣机操作时生成的交互数据；所述APP交互数据是指用户通过智能晾衣机绑定的APP对智能晾衣机操作时生成的交互数据。

进一步地，所述交互数据包括用户操作智能晾衣机时智能晾衣机生成的操作数据信息、操作时间和操作环境数据；

所述用户行为习惯模型包括用户对智能晾衣机的操作行为与环境因素的关系、用户对智能晾衣机的操作行为与时间因素的关系以及用户在一循环周期内用户对智能晾衣机的操作变化趋势。

进一步地，所述预设的数据分析法包括周期性分析法和相关性分析法中的一种或多种的组合。

进一步地，所述数据分析步骤具体包括：对数据集中的数据进行预处理，然后根据所述预设的数据分析法对预处理后的数据进行数据分析以得出用户行为习惯模型；所述预处理包括数据清洗、数据集成、数据转换和数据规约中的一种或多种的组合；其中：

所述数据清洗，去除包含有无效数据的交互数据；

所述数据集成，将从多个数据源获取的交互数据统一存储；

所述数据转换，对每条交互数据进行规范化处理以使得多条交互数据的数据格式转换为同一数据格式；

所述数据规约，对多条交互数据通过属性合并的方式创建新属性或删除不相关的属性。

进一步地，还包括更新步骤：将实时获取用户当前对智能晾衣机操作时生成的交互数据加入到数据集中后执行数据分析步骤以对所述用户行为习惯模型进行更新。

进一步地，所述预测步骤还包括：根据预测得出的用户下一步对智能晾衣机的操作控制所述智能晾衣机进行对应动作。

实施例三

基于本发明提供的实施例一，本发明还提供了一种实施例，一种存储介质，该存储介质为计算机可读存储介质，其上存储有计算机程序，计算机程序为智能晾衣机控制程序，该智能晾衣机控制程序被处理器执行时实现如下步骤：

数据获取步骤：获取多条用户操作智能晾衣机时生成的交互数据并构成数据集；

数据分析步骤：获取所述数据集并采用预设的数据分析法对所述数据集中的交互数据进行数据分析得出用户行为习惯模型；

预测步骤：实时获取用户当前对智能晾衣机操作时生成的交互数据，并将其与所述用户行为习惯模型进行匹配以预测得出用户下一步对智能晾衣机的操作。

进一步地，所述交互数据包括语音交互数据、遥控交互数据和APP交互数据中的一种或多种的组合；其中，所述语音交互数据为用户通过语音方式对智能晾衣机操作时生成的交互数据；所述遥控交互数据是指用户通过遥控设备对智能晾衣机操作时生成的交互数据；所述APP交互数据是指用户通过智能晾衣机绑定的APP对智能晾衣机操作时生成的交互数据。

进一步地，所述交互数据包括用户操作智能晾衣机时智能晾衣机生成的操作数据信息、操作时间和操作环境数据；

所述用户行为习惯模型包括用户对智能晾衣机的操作行为与环境因素的关系、用户对智能晾衣机的操作行为与时间因素的关系以及用户在一循环周期内用户对智能晾衣机的操作变化趋势。

进一步地，所述预设的数据分析法包括周期性分析法和相关性分析法中的一种或多种的组合。

进一步地，所述数据分析步骤具体包括：对数据集中的数据进行预处理，然后根据所述预设的数据分析法对预处理后的数据进行数据分析以得出用户行为习惯模型；所述预处理包括数据清洗、数据集成、数据转换和数据规约中的一种或多种的组合；其中：

所述数据清洗，去除包含有无效数据的交互数据；

所述数据集成，将从多个数据源获取的交互数据统一存储；

所述数据转换，对每条交互数据进行规范化处理以使得多条交互数据的数据格式转换为同一数据格式；

所述数据规约，对多条交互数据通过属性合并的方式创建新属性或删除不相关的属性。

进一步地，还包括更新步骤：将实时获取用户当前对智能晾衣机操作时生成的交互数据加入到数据集中后执行数据分析步骤以对所述用户行为习惯模型进行更新。

进一步地，所述预测步骤还包括：根据预测得出的用户下一步对智能晾衣机的操作控制所述智能晾衣机进行对应动作。

实施例四

基于实施例一，本发明还提供一实施例，一种智能晾衣机，智能晾衣机用于执行如实施例一提供的一种智能晾衣机控制方法的步骤。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。