基于数据预测的照明灯控制方法及系统

摘要

本发明公开了一种基于数据预测的照明灯控制方法及系统，该方法包括：获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的数学关系模型；根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好；在所述当前显示亮度高于所述当前显示亮度偏好对应的节能亮度范围时，根据所述目标照明灯的当前显示亮度，和所述当前显示亮度偏好，确定所述目标照明灯的功率变化指令。可见，本发明能够同时兼顾对照明灯的节能发光进行把控以及照顾用户的亮度偏好体验。

权利要求

1.一种基于数据预测的照明灯控制方法，其特征在于，所述方法包括：

获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；

将每一所述历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

根据所述第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

将每一所述历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

根据所述第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

基于多项式拟合算法，根据每一所述历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到所述操作时间点、所述照明灯传感参数和亮度调节操作之间的多项式关系模型；

将所述第一操作预测神经网络模型、所述第二操作预测神经网络模型和所述多项式关系模型，确定为所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型；

在所述目标照明灯工作时，根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好；

在所述当前显示亮度高于所述当前显示亮度偏好对应的节能亮度范围时，根据所述目标照明灯的当前显示亮度，和所述当前显示亮度偏好，确定所述目标照明灯的功率变化指令；所述功率变化指令用于将所述当前显示亮度调整至所述节能亮度范围。

2.根据权利要求1所述的基于数据预测的照明灯控制方法，其特征在于，所述历史亮度调节操作包括调节操作和操作参数，所述调节操作为亮度提高操作或亮度降低操作；所述操作参数包括操作用时、操作反复次数、控制亮度变化程度中的至少一种；和/或，所述照明灯传感参数包括所述目标照明灯的温度传感参数、图像传感参数、环境光亮度传感参数和位置传感参数中的至少一种。

3.根据权利要求1所述的基于数据预测的照明灯控制方法，其特征在于，所述根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好，包括：将当前时间点输入至所述第一操作预测神经网络模型中，以得到所述目标用户对应的第一预测亮度操作和对应的第一预测概率；

将当前照明灯传感参数输入至所述第二操作预测神经网络模型中，以得到所述目标用户对应的第二预测亮度操作和对应的第二预测概率；

将所述当前时间点和所述当前照明灯传感参数输入至所述多项式关系模型中，以得到所述目标用户对应的第三预测亮度操作；

根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作；

根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好。

4.根据权利要求3所述的基于数据预测的照明灯控制方法，其特征在于，所述根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作，包括：计算所述第一预测亮度操作和所述第二预测亮度操作之间的第一操作相似度；

计算所述第一预测亮度操作和所述第三预测亮度操作之间的第二操作相似度；

计算所述第二预测亮度操作和所述第三预测亮度操作之间的第三操作相似度；

根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级；

将所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作中所述优先级最高的操作，确定为所述目标用户对应的最终预测亮度操作。

5.根据权利要求4所述的基于数据预测的照明灯控制方法，其特征在于，所述根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级，包括：计算所述第一操作相似度和所述第二操作相似度的第一平均值，以及所述第一平均值和第一权重的乘积，得到所述第一预测亮度操作对应的优先级；所述第一权重与所述第一预测概率成正比；

计算所述第一操作相似度和所述第三操作相似度的第二平均值，以及所述第二平均值和第二权重的乘积，得到所述第二预测亮度操作对应的优先级；所述第二权重与所述第二预测概率成正比；

计算所述第二操作相似度和所述第三操作相似度的第三平均值，以及所述第三平均值和第三权重的乘积，得到所述第三预测亮度操作对应的优先级；所述第三权重在所述第三平均值高于所述第一平均值和所述第二平均值时大于1，否则小于1；所述第三权重的绝对值与平均值差值成正比；所述平均值差值为所述第三平均值与第四平均值之间的差值，所述第四平均值为所述第一平均值和所述第二平均值的平均值。

6.根据权利要求3所述的基于数据预测的照明灯控制方法，其特征在于，所述根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好，包括：根据所述最终预测亮度操作，以及预设的操作和亮度变化的对应关系模型，确定所述最终预测亮度操作对应的预测亮度变化参数；

根据所述目标照明灯的当前显示亮度和所述预测亮度变化参数，确定所述目标用户对应的当前显示亮度偏好。

7.一种基于数据预测的照明灯控制系统，其特征在于，所述系统包括：

获取模块，用于获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；

建立模块，用于根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型，具体包括：将每一所述历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

根据所述第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

将每一所述历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

根据所述第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

基于多项式拟合算法，根据每一所述历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到所述操作时间点、所述照明灯传感参数和亮度调节操作之间的多项式关系模型；

将所述第一操作预测神经网络模型、所述第二操作预测神经网络模型和所述多项式关系模型，确定为所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型；

确定模块，用于在所述目标照明灯工作时，根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好；

调整模块，用于在所述当前显示亮度高于所述当前显示亮度偏好对应的节能亮度范围时，根据所述目标照明灯的当前显示亮度，和所述当前显示亮度偏好，确定所述目标照明灯的功率变化指令；所述功率变化指令用于将所述当前显示亮度调整至所述节能亮度范围。

8.一种基于数据预测的照明灯控制系统，其特征在于，所述系统包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1‑6任一项所述的基于数据预测的照明灯控制方法。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1‑6任一项所述的基于数据预测的照明灯控制方法。

说明书

基于数据预测的照明灯控制方法及系统

技术领域

[0001] 本发明涉及灯具数据处理技术领域，尤其涉及一种基于数据预测的照明灯控制方法及系统。

背景技术

[0002] 随着照明灯在家居市场的兴起以及数据处理技术的发展，越来越多的智能照明灯也开始被研发出来，这类智能照明灯具备数据处理能力，能够为用户提供更加智能的照明服务。

[0003] 但现有技术中，智能照明灯由于其多样化的功能部件，通常较为耗电，如何实现其节能管控是一个研发重点，但现有的针对照明灯的节能管控一般仍然简单处于发光材料的选择或者发光功率的控制，没有考虑到结合算法优势和用户的历史操作记录来提高管控效果。可见，现有技术存在缺陷，亟需解决。

发明内容

[0004] 本发明所要解决的技术问题在于，提供一种基于数据预测的照明灯控制方法及系统，能够同时兼顾对照明灯的节能发光进行把控以及照顾用户的亮度偏好体验，在达到节能管控的同时提高了用户体验。

[0005] 为了解决上述技术问题，本发明第一方面公开了一种基于数据预测的照明灯控制方法，所述方法包括：

[0006] 获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；

[0007] 根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型；

[0008] 在所述目标照明灯工作时，根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好；

[0009] 在所述当前显示亮度高于所述当前显示亮度偏好对应的节能亮度范围时，根据所述目标照明灯的当前显示亮度，和所述当前显示亮度偏好，确定所述目标照明灯的功率变化指令；所述功率变化指令用于将所述当前显示亮度调整至所述节能亮度范围。

[0010] 作为一种可选的实施方式，在本发明第一方面中，所述历史亮度调节操作包括调节操作和操作参数，所述调节操作为亮度提高操作或亮度降低操作；所述操作参数包括操作用时、操作反复次数、控制亮度变化程度中的至少一种；和/或，所述照明灯传感参数包括所述目标照明灯的温度传感参数、图像传感参数、环境光亮度传感参数和位置传感参数中的至少一种。

[0011] 作为一种可选的实施方式，在本发明第一方面中，所述根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型，包括：

[0012] 将每一所述历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

[0013] 根据所述第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

[0014] 将每一所述历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

[0015] 根据所述第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

[0016] 基于多项式拟合算法，根据每一所述历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到所述操作时间点、所述照明灯传感参数和亮度调节操作之间的多项式关系模型；

[0017] 将所述第一操作预测神经网络模型、所述第二操作预测神经网络模型和所述多项式关系模型，确定为所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型。

[0018] 作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好，包括：

[0019] 将当前时间点输入至所述第一操作预测神经网络模型中，以得到所述目标用户对应的第一预测亮度操作和对应的第一预测概率；

[0020] 将当前照明灯传感参数输入至所述第二操作预测神经网络模型中，以得到所述目标用户对应的第二预测亮度操作和对应的第二预测概率；

[0021] 将所述当前时间点和所述当前照明灯传感参数输入至所述多项式关系模型中，以得到所述目标用户对应的第三预测亮度操作；

[0022] 根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作；

[0023] 根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好。

[0024] 作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作，包括：

[0025] 计算所述第一预测亮度操作和所述第二预测亮度操作之间的第一操作相似度；

[0026] 计算所述第一预测亮度操作和所述第三预测亮度操作之间的第二操作相似度；

[0027] 计算所述第二预测亮度操作和所述第三预测亮度操作之间的第三操作相似度；

[0028] 根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级；

[0029] 将所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作中所述优先级最高的操作，确定为所述目标用户对应的最终预测亮度操作。

[0030] 作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级，包括：

[0031] 计算所述第一操作相似度和所述第二操作相似度的第一平均值，以及所述第一平均值和第一权重的乘积，得到所述第一预测亮度操作对应的优先级；所述第一权重与所述第一预测概率成正比；

[0032] 计算所述第一操作相似度和所述第三操作相似度的第二平均值，以及所述第二平均值和第二权重的乘积，得到所述第二预测亮度操作对应的优先级；所述第二权重与所述第二预测概率成正比；

[0033] 计算所述第二操作相似度和所述第三操作相似度的第三平均值，以及所述第三平均值和第三权重的乘积，得到所述第三预测亮度操作对应的优先级；所述第三权重在所述第三平均值高于所述第一平均值和所述第二平均值时大于1，否则小于1；所述第三权重的绝对值与平均值差值成正比；所述平均值差值为所述第三平均值与第四平均值之间的差值，所述第四平均值为所述第一平均值和所述第二平均值的平均值。

[0034] 作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好，包括：

[0035] 根据所述最终预测亮度操作，以及预设的操作和亮度变化的对应关系模型，确定所述最终预测亮度操作对应的预测亮度变化参数；

[0036] 根据所述目标照明灯的当前显示亮度和所述预测亮度变化参数，确定所述目标用户对应的当前显示亮度偏好。

[0037] 本发明第二方面公开了一种基于数据预测的照明灯控制系统，所述系统包括：

[0038] 获取模块，用于获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；

[0039] 建立模块，用于根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型；

[0040] 确定模块，用于在所述目标照明灯工作时，根据所述目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好；

[0041] 调整模块，用于在所述当前显示亮度高于所述当前显示亮度偏好对应的节能亮度范围时，根据所述目标照明灯的当前显示亮度，和所述当前显示亮度偏好，确定所述目标照明灯的功率变化指令；所述功率变化指令用于将所述当前显示亮度调整至所述节能亮度范围。

[0042] 作为一种可选的实施方式，在本发明第二方面中，所述历史亮度调节操作包括调节操作和操作参数，所述调节操作为亮度提高操作或亮度降低操作；所述操作参数包括操作用时、操作反复次数、控制亮度变化程度中的至少一种；和/或，所述照明灯传感参数包括所述目标照明灯的温度传感参数、图像传感参数、环境光亮度传感参数和位置传感参数中的至少一种。

[0043] 作为一种可选的实施方式，在本发明第二方面中，所述建立模块根据所述历史亮度调节操作和对应的照明灯传感参数，建立所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型的具体方式，包括：

[0044] 将每一所述历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

[0045] 根据所述第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

[0046] 将每一所述历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

[0047] 根据所述第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

[0048] 基于多项式拟合算法，根据每一所述历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到所述操作时间点、所述照明灯传感参数和亮度调节操作之间的多项式关系模型；

[0049] 将所述第一操作预测神经网络模型、所述第二操作预测神经网络模型和所述多项式关系模型，确定为所述目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型。

[0050] 作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据当前时间点、当前照明灯传感参数以及所述数学关系模型，确定所述目标用户对应的当前显示亮度偏好的具体方式，包括：

[0051] 将当前时间点输入至所述第一操作预测神经网络模型中，以得到所述目标用户对应的第一预测亮度操作和对应的第一预测概率；

[0052] 将当前照明灯传感参数输入至所述第二操作预测神经网络模型中，以得到所述目标用户对应的第二预测亮度操作和对应的第二预测概率；

[0053] 将所述当前时间点和所述当前照明灯传感参数输入至所述多项式关系模型中，以得到所述目标用户对应的第三预测亮度操作；

[0054] 根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作；

[0055] 根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好。

[0056] 作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一预测亮度操作、所述第一预测概率、所述第二预测亮度操作、所述第二预测概率和所述第三预测亮度操作，确定所述目标用户对应的最终预测亮度操作的具体方式，包括：

[0057] 计算所述第一预测亮度操作和所述第二预测亮度操作之间的第一操作相似度；

[0058] 计算所述第一预测亮度操作和所述第三预测亮度操作之间的第二操作相似度；

[0059] 计算所述第二预测亮度操作和所述第三预测亮度操作之间的第三操作相似度；

[0060] 根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级；

[0061] 将所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作中所述优先级最高的操作，确定为所述目标用户对应的最终预测亮度操作。

[0062] 作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一预测概率、所述第二预测概率、所述第一操作相似度、所述第二操作相似度和所述第三操作相似度，确定所述第一预测亮度操作、所述第二预测亮度操作和所述第三预测亮度操作分别对应的优先级的具体方式，包括：

[0063] 计算所述第一操作相似度和所述第二操作相似度的第一平均值，以及所述第一平均值和第一权重的乘积，得到所述第一预测亮度操作对应的优先级；所述第一权重与所述第一预测概率成正比；

[0064] 计算所述第一操作相似度和所述第三操作相似度的第二平均值，以及所述第二平均值和第二权重的乘积，得到所述第二预测亮度操作对应的优先级；所述第二权重与所述第二预测概率成正比；

[0065] 计算所述第二操作相似度和所述第三操作相似度的第三平均值，以及所述第三平均值和第三权重的乘积，得到所述第三预测亮度操作对应的优先级；所述第三权重在所述第三平均值高于所述第一平均值和所述第二平均值时大于1，否则小于1；所述第三权重的绝对值与平均值差值成正比；所述平均值差值为所述第三平均值与第四平均值之间的差值，所述第四平均值为所述第一平均值和所述第二平均值的平均值。

[0066] 作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述目标照明灯的当前显示亮度，和所述最终预测亮度操作，确定所述目标用户对应的当前显示亮度偏好的具体方式，包括：

[0067] 根据所述最终预测亮度操作，以及预设的操作和亮度变化的对应关系模型，确定所述最终预测亮度操作对应的预测亮度变化参数；

[0068] 根据所述目标照明灯的当前显示亮度和所述预测亮度变化参数，确定所述目标用户对应的当前显示亮度偏好。

[0069] 本发明第三方面公开了另一种基于数据预测的照明灯控制系统，所述系统包括：

[0070] 存储有可执行程序代码的存储器；

[0071] 与所述存储器耦合的处理器；

[0072] 所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于数据预测的照明灯控制方法中的部分或全部步骤。

[0073] 本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于数据预测的照明灯控制方法中的部分或全部步骤。

[0074] 与现有技术相比，本发明具有以下有益效果：

[0075] 本发明可以根据目标用户的历史亮度调节操作和照明灯的传感参数来建立用户对应的预测数学模型，并在照明灯实时工作的过程中预测用户的亮度偏好，在照明灯亮度过高时实现亮度降低的调节，从而能够同时兼顾对照明灯的节能发光进行把控以及照顾用户的亮度偏好体验，在达到节能管控的同时提高了用户体验。

附图说明

[0076] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。

[0077] 图1是本发明实施例公开的一种基于数据预测的照明灯控制方法的流程示意图；

[0078] 图2是本发明实施例公开的一种基于数据预测的照明灯控制系统的结构示意图；

[0079] 图3是本发明实施例公开的另一种基于数据预测的照明灯控制系统的结构示意图。

具体实施方式

[0080] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

[0081] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。

[0082] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0083] 本发明公开了一种基于数据预测的照明灯控制方法及系统，可以根据目标用户的历史亮度调节操作和照明灯的传感参数来建立用户对应的预测数学模型，并在照明灯实时工作的过程中预测用户的亮度偏好，在照明灯亮度过高时实现亮度降低的调节，从而能够同时兼顾对照明灯的节能发光进行把控以及照顾用户的亮度偏好体验，在达到节能管控的同时提高了用户体验。以下分别进行详细说明。

[0084] 实施例一

[0085] 请参阅图1，图1是本发明实施例公开的一种基于数据预测的照明灯控制方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于数据预测的照明灯控制方法可以包括以下操作：

[0086] 101、获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数。

[0087] 具体的，历史亮度调节操作包括调节操作和操作参数。

[0088] 具体的，调节操作为亮度提高操作或亮度降低操作。

[0089] 具体的，操作参数包括操作用时、操作反复次数、控制亮度变化程度中的至少一种。

[0090] 具体的，照明灯传感参数包括目标照明灯的温度传感参数、图像传感参数、环境光亮度传感参数和位置传感参数中的至少一种。

[0091] 102、根据历史亮度调节操作和对应的照明灯传感参数，建立目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型。

[0092] 103、在目标照明灯工作时，根据目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及数学关系模型，确定目标用户对应的当前显示亮度偏好。

[0093] 104、在当前显示亮度高于当前显示亮度偏好对应的节能亮度范围时，根据目标照明灯的当前显示亮度，和当前显示亮度偏好，确定目标照明灯的功率变化指令。

[0094] 具体的，功率变化指令用于将当前显示亮度调整至节能亮度范围。

[0095] 具体的，节能亮度范围是与当前显示亮度偏好的亮度值对应的一个亮度值区间，该区间的大小可以由操作人员根据不同照明灯的节能要求或用户的亮度要求来确定，一般来说，该区间的上限与该当前显示亮度偏好的亮度值之间的差值，要小于该区间的下限与亮度值之间的差值，以使得节能亮度范围为一个中间值小于当前显示亮度偏好的亮度区间。

[0096] 可选的，功率变化指令可以由预设的亮度差值和变化指令之间的对应关系来确定，可以根据当前显示亮度和节能亮度范围内的任一亮度值的差值，以及该对应关系，确定出功率变化指令。

[0097] 可见，实施本发明实施例所描述的方法可以根据目标用户的历史亮度调节操作和照明灯的传感参数来建立用户对应的预测数学模型，并在照明灯实时工作的过程中预测用户的亮度偏好，在照明灯亮度过高时实现亮度降低的调节，从而能够同时兼顾对照明灯的节能发光进行把控以及照顾用户的亮度偏好体验，在达到节能管控的同时提高了用户体验。

[0098] 作为一种可选的实施例，上述步骤中的，根据历史亮度调节操作和对应的照明灯传感参数，建立目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型，包括：

[0099] 将每一历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

[0100] 根据第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

[0101] 将每一历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

[0102] 根据第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

[0103] 基于多项式拟合算法，根据每一历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到操作时间点、照明灯传感参数和亮度调节操作之间的多项式关系模型；

[0104] 将第一操作预测神经网络模型、第二操作预测神经网络模型和多项式关系模型，确定为目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型。

[0105] 可选的，本发明中的神经网络模型均可以为CNN结构、RNN结构或LTSM结构的神经网络预测算法模型，操作人员可以根据实际的数据场景和数据特点来选择并试验相应的模型架构，本发明不做限定。

[0106] 可选的，拟合得到多项式关系模型可以通过动态规划算法和最小二乘法来实现，在拟合得到的多项式关系模型中，操作时间点、照明灯传感参数和亮度调节操作分别由至少一个参数值来表征，并通过这些参数值之间的多项式数学关系组成该多项式关系模型。

[0107] 通过上述实施例，能够通过多个训练数据集训练得到第一操作预测神经网络模型、第二操作预测神经网络模型和多项式关系模型，以用于作为目标用户的数学关系模型来实现后续的操作预测和验证筛选，有助于预测得到准确的用户亮度偏好，有效照顾用户的亮度偏好体验。

[0108] 作为一种可选的实施例，上述步骤中的，根据目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及数学关系模型，确定目标用户对应的当前显示亮度偏好，包括：

[0109] 将当前时间点输入至第一操作预测神经网络模型中，以得到目标用户对应的第一预测亮度操作和对应的第一预测概率；

[0110] 将当前照明灯传感参数输入至第二操作预测神经网络模型中，以得到目标用户对应的第二预测亮度操作和对应的第二预测概率；

[0111] 将当前时间点和当前照明灯传感参数输入至多项式关系模型中，以得到目标用户对应的第三预测亮度操作；

[0112] 根据第一预测亮度操作、第一预测概率、第二预测亮度操作、第二预测概率和第三预测亮度操作，确定目标用户对应的最终预测亮度操作；

[0113] 根据目标照明灯的当前显示亮度，和最终预测亮度操作，确定目标用户对应的当前显示亮度偏好。

[0114] 通过上述实施例，能够通过第一操作预测神经网络模型、第二操作预测神经网络模型和多项式关系模型来预测得到第一预测亮度操作、第一预测概率、第二预测亮度操作、第二预测概率和第三预测亮度操作，以确定出准确的用户的最终预测亮度操作，有助于后续以此预测得到准确的用户亮度偏好，有效照顾用户的亮度偏好体验。

[0115] 作为一种可选的实施例，上述步骤中的，根据第一预测亮度操作、第一预测概率、第二预测亮度操作、第二预测概率和第三预测亮度操作，确定目标用户对应的最终预测亮度操作，包括：

[0116] 计算第一预测亮度操作和第二预测亮度操作之间的第一操作相似度；

[0117] 计算第一预测亮度操作和第三预测亮度操作之间的第二操作相似度；

[0118] 计算第二预测亮度操作和第三预测亮度操作之间的第三操作相似度；

[0119] 根据第一预测概率、第二预测概率、第一操作相似度、第二操作相似度和第三操作相似度，确定第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的优先级；

[0120] 将第一预测亮度操作、第二预测亮度操作和第三预测亮度操作中优先级最高的操作，确定为目标用户对应的最终预测亮度操作。

[0121] 通过上述实施例，能够通过计算第一操作相似度、第二操作相似度和第三操作相似度以确定第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的准确的优先级，有助于后续以此确定出准确的用户的最终预测亮度操作，以预测得到准确的用户亮度偏好，有效照顾用户的亮度偏好体验。

[0122] 作为一种可选的实施例，上述步骤中的，根据第一预测概率、第二预测概率、第一操作相似度、第二操作相似度和第三操作相似度，确定第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的优先级，包括：

[0123] 计算第一操作相似度和第二操作相似度的第一平均值，以及第一平均值和第一权重的乘积，得到第一预测亮度操作对应的优先级；第一权重与第一预测概率成正比；

[0124] 计算第一操作相似度和第三操作相似度的第二平均值，以及第二平均值和第二权重的乘积，得到第二预测亮度操作对应的优先级；第二权重与第二预测概率成正比；

[0125] 计算第二操作相似度和第三操作相似度的第三平均值，以及第三平均值和第三权重的乘积，得到第三预测亮度操作对应的优先级；第三权重在第三平均值高于第一平均值和第二平均值时大于1，否则小于1；第三权重的绝对值与平均值差值成正比；平均值差值为第三平均值与第四平均值之间的差值，第四平均值为第一平均值和第二平均值的平均值。

[0126] 具体的，上述第三权重的确定思路在于多项式拟合数学模型的预测在参数较多的情况下可信度较低，因此如果其预测结果与其他两个神经网络的预测结果相差较远，应有效降低其可信度，且降低程度也与相差程度成正比。

[0127] 通过上述实施例，能够通过上述平均值计算和权重确定的规则，计算第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的准确的优先级，计算得到的优先级能够有效表征不同预测操作对应的可信度和匹配度，有助于后续以此确定出准确的用户的最终预测亮度操作，以预测得到准确的用户亮度偏好，有效照顾用户的亮度偏好体验。

[0128] 作为一种可选的实施例，上述步骤中的，根据目标照明灯的当前显示亮度，和最终预测亮度操作，确定目标用户对应的当前显示亮度偏好，包括：

[0129] 根据最终预测亮度操作，以及预设的操作和亮度变化的对应关系模型，确定最终预测亮度操作对应的预测亮度变化参数；

[0130] 根据目标照明灯的当前显示亮度和预测亮度变化参数，确定目标用户对应的当前显示亮度偏好。

[0131] 可选的，操作和亮度变化的对应关系模型可以为操作人员根据经验或实验结果预先设定的具体参数之间的对应规则，也可以为通过包括有多个训练亮度操作和对应的亮度变化标注的训练数据集训练得到的神经网络预测模型，以用于预测最终预测亮度操作对应的预测亮度变化参数。

[0132] 通过上述实施例，能够通过预设的操作和亮度变化的对应关系模型，确定最终预测亮度操作对应的预测亮度变化参数，并以此确定得到准确的用户亮度偏好，以使得后续的亮度调节在有效节能管控的同时照顾用户的亮度偏好体验。

[0133] 实施例二

[0134] 请参阅图2，图2是本发明实施例公开的一种基于数据预测的照明灯控制系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：

[0135] 获取模块201，用于获取目标用户在历史时间段对于目标照明灯的历史亮度调节操作和对应的照明灯传感参数；

[0136] 建立模块202，用于根据历史亮度调节操作和对应的照明灯传感参数，建立目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型；

[0137] 确定模块203，用于在目标照明灯工作时，根据目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及数学关系模型，确定目标用户对应的当前显示亮度偏好；

[0138] 调整模块204，用于在当前显示亮度高于当前显示亮度偏好对应的节能亮度范围时，根据目标照明灯的当前显示亮度，和当前显示亮度偏好，确定目标照明灯的功率变化指令；功率变化指令用于将当前显示亮度调整至节能亮度范围。

[0139] 作为一种可选的实施例，历史亮度调节操作包括调节操作和操作参数，调节操作为亮度提高操作或亮度降低操作；操作参数包括操作用时、操作反复次数、控制亮度变化程度中的至少一种；和/或，照明灯传感参数包括目标照明灯的温度传感参数、图像传感参数、环境光亮度传感参数和位置传感参数中的至少一种。

[0140] 作为一种可选的实施例，建立模块202根据历史亮度调节操作和对应的照明灯传感参数，建立目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型的具体方式，包括：

[0141] 将每一历史亮度调节操作和对应的操作时间点，确定为第一训练数据集；

[0142] 根据第一训练数据集，训练得到能够根据时间点预测亮度调节操作的第一操作预测神经网络模型；

[0143] 将每一历史亮度调节操作和对应的照明灯传感参数，确定为第二训练数据集；

[0144] 根据第二训练数据集，训练得到能够根据照明灯传感参数预测的传感预测亮度调节操作的第二操作预测神经网络模型；

[0145] 基于多项式拟合算法，根据每一历史亮度调节操作和对应的操作时间点和照明灯传感参数，拟合得到操作时间点、照明灯传感参数和亮度调节操作之间的多项式关系模型；

[0146] 将第一操作预测神经网络模型、第二操作预测神经网络模型和多项式关系模型，确定为目标用户对应的时间点、照明灯传感参数和亮度偏好之间的数学关系模型。

[0147] 作为一种可选的实施例，确定模块203根据目标照明灯的当前显示亮度、当前时间点、当前照明灯传感参数以及数学关系模型，确定目标用户对应的当前显示亮度偏好的具体方式，包括：

[0148] 将当前时间点输入至第一操作预测神经网络模型中，以得到目标用户对应的第一预测亮度操作和对应的第一预测概率；

[0149] 将当前照明灯传感参数输入至第二操作预测神经网络模型中，以得到目标用户对应的第二预测亮度操作和对应的第二预测概率；

[0150] 将当前时间点和当前照明灯传感参数输入至多项式关系模型中，以得到目标用户对应的第三预测亮度操作；

[0151] 根据第一预测亮度操作、第一预测概率、第二预测亮度操作、第二预测概率和第三预测亮度操作，确定目标用户对应的最终预测亮度操作；

[0152] 根据目标照明灯的当前显示亮度，和最终预测亮度操作，确定目标用户对应的当前显示亮度偏好。

[0153] 作为一种可选的实施例，确定模块203根据第一预测亮度操作、第一预测概率、第二预测亮度操作、第二预测概率和第三预测亮度操作，确定目标用户对应的最终预测亮度操作的具体方式，包括：

[0154] 计算第一预测亮度操作和第二预测亮度操作之间的第一操作相似度；

[0155] 计算第一预测亮度操作和第三预测亮度操作之间的第二操作相似度；

[0156] 计算第二预测亮度操作和第三预测亮度操作之间的第三操作相似度；

[0157] 根据第一预测概率、第二预测概率、第一操作相似度、第二操作相似度和第三操作相似度，确定第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的优先级；

[0158] 将第一预测亮度操作、第二预测亮度操作和第三预测亮度操作中优先级最高的操作，确定为目标用户对应的最终预测亮度操作。

[0159] 作为一种可选的实施例，确定模块203根据第一预测概率、第二预测概率、第一操作相似度、第二操作相似度和第三操作相似度，确定第一预测亮度操作、第二预测亮度操作和第三预测亮度操作分别对应的优先级的具体方式，包括：

[0160] 计算第一操作相似度和第二操作相似度的第一平均值，以及第一平均值和第一权重的乘积，得到第一预测亮度操作对应的优先级；第一权重与第一预测概率成正比；

[0161] 计算第一操作相似度和第三操作相似度的第二平均值，以及第二平均值和第二权重的乘积，得到第二预测亮度操作对应的优先级；第二权重与第二预测概率成正比；

[0162] 计算第二操作相似度和第三操作相似度的第三平均值，以及第三平均值和第三权重的乘积，得到第三预测亮度操作对应的优先级；第三权重在第三平均值高于第一平均值和第二平均值时大于1，否则小于1；第三权重的绝对值与平均值差值成正比；平均值差值为第三平均值与第四平均值之间的差值，第四平均值为第一平均值和第二平均值的平均值。

[0163] 作为一种可选的实施例，确定模块203根据目标照明灯的当前显示亮度，和最终预测亮度操作，确定目标用户对应的当前显示亮度偏好的具体方式，包括：

[0164] 根据最终预测亮度操作，以及预设的操作和亮度变化的对应关系模型，确定最终预测亮度操作对应的预测亮度变化参数；

[0165] 根据目标照明灯的当前显示亮度和预测亮度变化参数，确定目标用户对应的当前显示亮度偏好。

[0166] 本发明实施例中的模块细节和技术效果可以参照实施例一中的表述，在此不再赘述。

[0167] 实施例三

[0168] 请参阅图3，图3是本发明实施例公开的另一种基于数据预测的照明灯控制系统的结构示意图。如图3所示，该系统可以包括：

[0169] 存储有可执行程序代码的存储器301；

[0170] 与存储器301耦合的处理器302；

[0171] 处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于数据预测的照明灯控制方法中的部分或全部步骤。

[0172] 实施例四

[0173] 本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于数据预测的照明灯控制方法中的部分或全部步骤。

[0174] 以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。

[0175] 通过以上的实施例的具体描述，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,存储介质包括只读存储器（Read‑Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read‑only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read Only  Memory，EPROM）、一次可编程只读存储器（One‑time Programmable  Read‑Only  Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically‑Erasable Programmable Read‑Only Memory，EEPROM）、只读光盘（Compact Disc Read‑Only Memory，CD‑ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

[0176] 最后应说明的是：本发明实施例公开的一种基于数据预测的照明灯控制方法及系统所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。