一种剩余洗浴时长的预测方法、装置、介质和终端

【技术领域】

本申请涉及通信技术领域，尤其涉及一种剩余洗浴时长的预测方法、装置、介质和终端。

【背景技术】

传统的储水式电热水器在使用时通常会在热水器本体或外部设备上显示电热水器内胆的热水温度；然而，由于电热水器内部储水箱是不可见的，仅凭内胆温度的提示对于许多普通用户来说仍然无法准确判断目前热水的容量或可使用的时间；这常常导致两种问题：一方面，用户可能因为担心热水不够而不敢充分使用，造成了热水和能源的浪费；另一方面，用户可能使用了过多的热水，导致热水量不足，影响了用户使用热水的体验。

【发明内容】

为了解决传统的储水式电热水器在使用时无法预报剩余热水量和洗浴时长，而影响用户使用热水的体验。

本发明提出了如下方案：一种剩余洗浴时长的预测方法，所述方法包括：

获取内胆的温度数据，确定单次采集时长；

根据单次采集时长和相邻温度数据差值，生成温度数据集，所述温度数据集至少包括训练数据集和测试数据集；

根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度数据与剩余热水量和/或剩余可洗浴时长的关系模型；

根据测试数据集，确定第一人工智能模型满足误差要求；

根据第一人工智能模型，预报剩余热水量和/或剩余可洗浴时长。

如上所述的一种剩余洗浴时长的预测方法，所述预测方法应用于储水加热装置，所述储水加热装置包括用于显示内胆温度的显示屏，所述储水加热装置上设有采集机构，所述采集机构的摄像头与所述显示屏对应设置的图像传感器；

所述获取内胆的温度数据，确定单次采集时长的步骤，包括：

根据所述图像传感器，获取显示屏上显示的内胆温度的图像信息；

根据所述图像信息，获取内胆的温度数据。

如上所述的一种剩余洗浴时长的预测方法，所述根据单次采集时长和相邻温度数据差值，生成温度数据集，所述温度数据集至少包括训练数据集和测试数据集的步骤，包括：

确定单次采集周期；

根据所述单次采集周期，生成温度数据文件夹；

根据所述单次采集时长，在所述温度数据文件夹内生成温度数据组；

根据相邻温度数据，在所述温度数据组内生成温度数据集；

根据预设缩放规则，归一化所述温度数据集。

如上所述的一种剩余洗浴时长的预测方法，所述训练数据集包括单一工况数据，所述单一工况至少包括加热工况、出水工况、注水工况和静置工况；

所述根据训练数据集，建立第一人工智能模型的步骤，包括：

根据各单一工况数据以及对应的单一工况梯度，训练第一人工智能模型，确定第一人工智能模型的初始参数；

根据混合工况数据训练第一人工智能模型，优化所述初始参数，确定第一人工智能模型的目标参数；

根据所述目标参数建立第一人工智能模型；

所述根据第一人工智能模型，预报剩余热水量和/或剩余可洗浴时长的步骤，包括：

根据实测数据，确定实际采集时长；

确定实际采集时长内的工况状态，所述工况状态包括单一工况和混合工况；

根据所述实测数据、所述工况状态和第一人工智能模型，确定剩余热水量和/或剩余可洗浴时长。

如上所述的一种剩余洗浴时长的预测方法，所述根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度与剩余热水量和/或剩余可洗浴时长的关系模型的步骤，包括：

随机引入第二人工智能模型；

根据训练数据集，训练第二人工智能模型；

判断第二人工智能模型是否完成预设训练条件，若是，则替代第二人工智能模型为第一人工智能模型，若不是则重新训练第二人工智能模型；

所述根据测试数据集，确定第一人工智能模型满足误差要求的步骤，包括：

根据测试数据集，判断第一人工智能模型是否满足预设误差条件，若是，则确定第一人工智能模型验证完成，若不是，则重新训练第二人工智能模型，再生成新的第一人工智能模型去进行验证；

检测训练第二人工智能模型的次数超过预设阈值，若超过，则重新引入另一人工智能模型去进行训练。

如上所述的一种剩余洗浴时长的预测方法，所述根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度与剩余热水量和/或剩余可洗浴时长的关系模型的步骤，具体为：

所述人工智能模型特征至少通过神经网络模型进行数据学习、训练、拟合，以得到关于温度数据与剩余可用热水量或者剩余可洗浴时长的关系模型。

一种剩余洗浴时长的预测装置，包括：

获取模块，用于获取内胆的温度数据，确定单次采集时长；

生成模块，用于根据单次采集时长和相邻温度数据差值，生成温度数据集，所述温度数据集至少包括训练数据集和测试数据集；

建立模块，用于根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度数据与剩余热水量和/或剩余可洗浴时长的关系模型；

确定模块，用于根据测试数据集，确定第一人工智能模型满足误差要求；

预报模块，用于根据第一人工智能模型，预报剩余热水量和/或剩余可洗浴时长。

如上所述的一种剩余洗浴时长的预测装置，

所述获取模块包括：

第一获取单元，用于根据所述图像传感器，获取显示屏上显示的内胆温度的图像信息；

第二获取单元，用于根据所述图像信息，获取内胆的温度数据；

所述生成模块包括：

第一确定单元，用于确定单次采集周期；

第一生成单元，用于根据所述单次采集周期，生成温度数据文件夹；

第二生成单元，用于根据所述单次采集时长，在所述温度数据文件夹内生成温度数据组；

第三生成单元，用于根据相邻温度数据差值，在所述温度数据组内生成温度数据集；

处理单元，用于根据预设缩放规则，归一化所述温度数据集；

所述建立模块包括：

第二确定单元，用于根据各单一工况数据以及对应的单一工况梯度，训练第一人工智能模型，确定第一人工智能模型的初始参数；

第三确定单元，用于根据混合工况数据训练第一人工智能模型，优化所述初始参数，确定第一人工智能模型的目标参数；

第一建立单元，用于根据所述目标参数建立第一人工智能模型；

引入单元，用于随机引入第二人工智能模型；

训练单元，用于根据训练数据集，训练第二人工智能模型；

第一判断单元，用于判断第二人工智能模型是否完成预设训练条件，若是，则替代第二人工智能模型为第一人工智能模型，若不是则重新训练第二人工智能模型；

所述确定模块包括：

第二判断单元，用于根据测试数据集，判断第一人工智能模型是否满足预设误差条件，若是，则确定第一人工智能模型验证完成，若不是，则重新训练第二人工智能模型，再生成新的第一人工智能模型去进行验证；

第二检测单元，用于检测训练第二人工智能模型的次数超过预设阈值，若超过，则重新引入另一人工智能模型去进行训练；

所述预报模块包括：

第四确定单元，用于根据实测数据，确定实际采集时长；

第五确定单元，用于确定实际采集时长内的工况状态，所述工况状态包括单一工况和混合工况；

第六确定单元，用于根据所述实测数据、所述工况状态和第一人工智能模型，确定剩余热水量和/或剩余可洗浴时长。

一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被一种剩余洗浴时长的预测装置执行时，实现一种剩余洗浴时长的预测方法。

一种计算机设备，该计算机设备包括存储器、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，其中，处理器执行所述计算机程序时实现一种剩余洗浴时长的预测方法。

本发明实施例中，先获取内胆的温度数据，再划分形成多个温度数据集，将温度数据集中的训练数据集用来建立第一人工智能模型，当测试数据集对第一人工智能模型进行验证时，所述第一人工智能模型所计算得出的剩余用水量和/或剩余可洗浴时长小于预设的误差范围，即说明验证成功，即可通过第一人工智能模型来直接预报剩余热水量和/或剩余可洗浴时长，方便用户根据自身用水需求以及剩余可用水量安排用水行为或者加热行为，保证用水需求和节省电量。

【附图说明】

为了更清楚地说明本发明实施例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性的前提下，还可以根据这些附图获取其他的附图。

图1是本发明第一实施例的一种剩余洗浴时长的预测方法流程图；

图2是图1中步骤S11的详细流程图；

图3是图1中步骤S12的详细流程图；

图4是图1中步骤S13的详细流程图一；

图5是图1中步骤S13的详细流程图二；

图6是图1中步骤S14的详细流程图；

图7是图1中步骤S15的详细流程图；

图8是本发明又一实施例的计算机设备的结构框图。

【具体实施方式】

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，众所周知的模块、单元及其相互之间的连接、链接、通信或操作没有示出或未作详细说明。并且，所描述的特征、架构或功能可在一个或一个以上实施方式中以任何方式组合。本领域技术人员应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。还可以容易理解，本文所述和附图所示的各实施方式中的模块或单元或处理方式可以按各种不同配置进行组合和设计。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取的所有其他实施例，都属于本发明保护的范围。

下述实施例中所指的对各种名词或方法的限定，除了在逻辑上无法成立的情况外，所述名词或方法通常以在实施例中公开内容的前提下可以实施的广义概念为准，在这样的理解下，所述名词或方法的各种具体的下位特定限定均应当视为本发明的发明内容，而不应当以说明书未公开该特定限定为由，对其进行狭义的理解或产生偏见性的解释。示例性的，当本发明提及云平台时，不仅包括虚拟网络服务器，还包括真实的物理设备，其不仅具有数据存储的能力，也可以具有数据运算，智能分析和推理的能力。同理，在逻辑上可以实现的前提下，方法中的各步骤的顺序是灵活多变的，对各种名词或方法的广义概念中的具体的下位特定限定，都属于本发明保护的范围。

第一实施例：

请参照图1到图7所示，本实施例提出了一种剩余洗浴时长的预测方法，包括步骤S11-S15，其中：

S11、获取内胆的温度数据，确定单次采集时长。

在本实施例中，储水式电热水器中通过内置的温度传感器或外部传感器监测电热水器内胆的温度，这些传感器可以放置在内胆的适当位置，以确保准确测量内胆的温度，单次采集时长为一个采集内胆的温度数据的时间段；

所述预测方法应用于储水加热装置，所述储水加热装置包括用于显示内胆温度的显示屏，所述储水加热装置上设有采集机构，所述采集机构的摄像头与所述显示屏对应设置的图像传感器，所述采集机构的正面为一个显示器，以显示剩余热水量或者剩余可用水时长的提示，显示器可为数码管、液晶屏、指针，所述采集机构的背面为图像传感器，所述图像传感器可为摄像头，该储水式电热水器的外置装置侧面或者四周是固定装置，可以但不限于，两个支撑脚或者磁铁或者真空吸盘等，用于固定整个装置在储水式电热水器原有温度显示器的上方，通过装置的固定结构把该装置固定在储水式电热水器原有内胆温度显示器的上方，方便装置的图像传感器通过采集原有显示器上显示的内胆温度，。

作为一种优选方案而非限定，步骤S11包括S111-S112，其中：

S111、根据所述图像传感器，获取显示屏上显示的内胆温度的图像信息。

在本实施例中，通过图像传感器，即通过摄像头对显示屏进行拍照，而且显示屏上显示的是内胆温度。

S112、根据所述图像信息，获取内胆的温度数据。

在本实施例中，得到关于内胆温度的图像信息后，通过所述采集机构的内部处理器进行识别，以通过图像信息识别出正确的内胆的温度数据。

S12、根据单次采集时长和相邻温度数据差值，生成温度数据集，所述温度数据集至少包括训练数据集和测试数据集。

在本实施例中，单次采集时长指的是一个采集时间段，而在这个采集时间段内，会通过相邻温度数据差值设置一个温度集合，比如在下午5点到下午6点这个时间段内，温度变化是55°下降到45°，根据预设的差值可分化为55°和54°、54°和53°、53°和52°……，以此类推的多个温度集合，此外将收集到的温度数据集多复制一份，原温度数据集作为训练人工智能模型，复制后那份作为验证人工智能模型。

作为一种优选方案而非限定，步骤S12包括S1211-S1215，其中：

S1211、确定单次采集周期。

在本实施例中，单次采集周期常规设置为一天。

S1212、根据所述单次采集周期，生成温度数据文件夹。

在本实施例中，在软件处理中，会通过数据库去储存在一天内采集到的温度数据，比如在六月十五日设置一个温度数据文件夹，以此类推，六月十六日的温度数据文件夹、六月十七日温度数据文件夹等。

S1213、根据所述单次采集时长，在所述温度数据文件夹内生成温度数据组。

在本实施例中，其次在单次采集周期中，即一天中会设置多个时间段，常规设置是一个小时，比如在下午5点到下午6点为一个温度数据组，在下午6点到下午7点为一个温度数据组，以此类推。

S1214、根据相邻温度数据，在所述温度数据组内生成温度数据集。

在本实施例中，在单次采集时长中，即一个钟头内，根据预设规则，将相邻温度数据组合成一个温度数据集，比如在在下午5点到下午6点内，温度变化为55°下降到45°，55°和54°、54°和53°、53°和52°等，以此类推，生成多个温度数据集。

S1215、根据预设缩放规则，归一化所述温度数据集。

在本实施例中，归一化是一种数据处理的方法，用于将不同范围、不同单位或不同量级的数据转化为统一的标准范围，使得数据在进行比较或处理时具有可比性和可解释性，将数据按照一定的规则进行线性缩放，使其数值范围映射到特定的区间，比如是[55°，54°]、[54°，53°]。

优选地，作为一种优选方案而非限定，步骤S12包括S1221-S1225，其中：

S1221、检测异常温度数据；

S1222、剔除异常温度数据；

S1223、填补因剔除而缺失的空缺温度数据。

优选地，作为一种优选方案而非限定，步骤S1223包括S12231-S12233，其中：

S12231、确定空缺温度数据相关的多个观测温度数据；

S12232、计算多个观测温度数据的平均温度数据；

S12233、替代空缺温度数据为平均温度数据。

S13、根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度数据与剩余热水量和/或剩余可洗浴时长的关系模型。

在本实施例中，所述人工智能模型特征至少通过神经网络模型进行数据学习、训练、拟合，以得到关于温度数据与剩余可用热水量或者剩余可洗浴时长的关系模型；

可以通过数据预处理和特征工程来提取温度数据的相关特征。这可能包括温度的统计指标、温度变化的趋势或周期性特征等。这些特征可以用于训练模型，并在预测过程中提供有关剩余热水量和/或剩余可洗浴时长的估计；

训练过程中，可以采用合适的机器学习算法和优化方法，例如梯度下降法或随机森林等，来优化模型的参数和损失函数，以使模型能够最佳地拟合训练数据集；

总之，建立第一人工智能模型包括训练数据集的收集和标注、特征提取、模型训练和优化等步骤；通过该模型，可以实现温度数据与剩余热水量和/或剩余可洗浴时长之间的关系建模，为普通电热水器用户提供方便、准确的热水量和可洗浴时长预测；

除此之外，仅使用训练数据集进行模型训练可能导致过拟合问题，即模型在训练数据集上表现很好，但在未见过的数据上表现较差；为了评估模型的真实性能，需要使用测试数据集的温度数据来验证模型的预测准确性，测试数据集的温度数据是在训练过程中未使用过的数据，它们与训练数据集是独立的。通过将测试数据集的温度数据输入训练好的模型，可以得到模型对剩余用水量的预测结果。然后，可以将这些预测结果与测试数据集中已知的用水量信息进行比较，以评估模型在未知数据上的性能，通过测试数据集的验证，可以判断模型是否具有良好的泛化能力，即是否能够准确预测未见过的数据。

作为一种优选方案而非限定，步骤S13包括S1311-S1313，其中：

S1311、根据各单一工况数据以及对应的单一工况梯度，训练第一人工智能模型，确定第一人工智能模型的初始参数。

在本实施例中，所述训练数据集包括单一工况数据，所述单一工况至少包括加热工况、出水工况、注水工况和静置工况，单一工况梯度是基于电热水器的运行功率，比如说加热工况的中等功率与加热工况的高等功率，不同功率下的工况所训练的初始参数也是不同的，所以在实测时，在获得温度数据集时，会根据温度数据的梯度及其他特征可以自动识别出是哪种工况，再根据第一人工智能模型中相应的初始参数计算得出准确的热水量和可洗浴时长预测值。

S1312、根据混合工况数据训练第一人工智能模型，优化所述初始参数，确定第一人工智能模型的目标参数。

在本实施例中，混合工况是连续时间内多种单一工况在不同工况梯度下组成的，比如说在单次采集时长中，出现了中等功率的加热工况和低等功率的出水工况，其对应的目标参数也是不同的，以计算得出准确的热水量和可洗浴时长预测值。

S1313、根据所述目标参数建立第一人工智能模型。

在本实施例中，当单次采集时长中只出现单一工况，那就将初始参数直接代入目标参数中，以此作为计算这个单一工况的热水量和可洗浴时长预测值的目标公式，当单次采集时长中出现了混合工况，就需要优化初始参数，以使得出能计算这个混合工况的热水量和可洗浴时长预测值的目标公式。

作为一种优选方案而非限定，步骤S13包括S1321-S1323，其中：

S1321、随机引入第二人工智能模型；

在本实施例中，第二人工智能模型可以但不限于是神经网络模型，如BP、CNN、LSTM等各种神经网络模型，也可以但不限于是其他模型，如智能模糊模型、预测模型、支持向量机等模型。

S1322、根据训练数据集，训练第二人工智能模型。

在本实施例中，第二人工智能模型特征是可以通过数据学习、训练、拟合等人工智能方法得到关于温度与剩余可用热水量或者剩余可洗浴时长的关系模型。

S1323、判断第二人工智能模型是否完成预设训练条件，若是，则替代第二人工智能模型为第一人工智能模型，若不是则重新训练第二人工智能模型。

在本实施例中，首先，将训练数据集输入第二人工智能模型，获取模型对剩余用水量的预测结果。然后，将这些预测结果与测试数据集中已知的用水量信息进行比较，以评估模型的预测准确性；可以使用各种评估指标，如均方根误差、平均绝对误差等来衡量模型的性能；

第二人工智能模型的预测准确性达到了预设的训练条件，即误差在可接受范围内，并且模型能够准确地预测未知数据的剩余用水量，那么可以将第二人工智能模型视为已完成预设训练条件。在这种情况下，第二人工智能模型可以取代第一人工智能模型，用于实际的剩余用水量预测；

如果第二人工智能模型未达到预设的训练条件，即预测准确性不足或误差较大，那么需要重新训练第二人工智能模型；重新训练可以包括调整模型的参数、优化算法或使用更大的训练数据集等方法，以改善模型的性能和预测准确性。重新训练的目的是使第二人工智能模型能够更好地满足预设的训练条件；

通过反复进行验证和训练的迭代过程，可以逐步改进第二人工智能模型，直到其满足预设的训练条件为止；一旦第二人工智能模型达到了预设的训练条件，就可以将其作为新的第一人工智能模型使用，并用于实际的剩余用水量预测任务。

S14、根据测试数据集，确定第一人工智能模型满足误差要求。

在本实施例中，测试数据集的温度数据是在训练过程中未使用过的数据，它们与训练集是独立的。通过将测试数据集的温度数据输入训练好的模型，可以得到模型对剩余用水量的预测结果。然后，可以将这些预测结果与测试数据集中已知的用水量信息进行比较，以评估模型在未知数据上的性能。

通过测试数据集的验证，可以判断模型是否具有良好的泛化能力，即是否能够准确预测未见过的数据。如果模型在测试数据集上的表现良好，则可以有信心认为该模型能够对未知数据进行准确的剩余用水量预测

作为一种优选方案而非限定，步骤S14包括S141-S142，其中：

S141、根据测试数据集，判断第一人工智能模型是否满足预设误差条件，若是，则确定第一人工智能模型验证完成，若不是，则重新训练第二人工智能模型，再生成新的第一人工智能模型去进行验证。

在本实施例中，如果将测试数据集代入第一人工智能模型所得的结果，未满足，即预测准确性不足或误差较大，那么需要重新训练第二人工智能模型；重新训练可以包括调整模型的参数、优化算法或使用更大的训练数据集等方法，以改善模型的性能和预测准确性。重新训练的目的是使第二人工智能模型能够更好地满足预设的训练条件。

S142、检测训练第二人工智能模型的次数超过预设阈值，若超过，则重新引入另一人工智能模型去进行训练。

在本实施例中，使用测试数据集验证建立的模型是否满足要求的误差条件，可以但不限于均方根、绝对误差、平均误差等。

S15、根据第一人工智能模型，预报剩余热水量和/或剩余可洗浴时长。

作为一种优选方案而非限定，步骤S15包括S151-S152，其中：

S151、确定实际采集时长内的工况状态，所述工况状态包括单一工况和混合工况。

在本实施例中，这是实际的工况状态，需要先确定好工况状态，再匹配第一人工智能模型中的对应的公式，去计算出剩余热水量和/或剩余可洗浴时长。

S152、根据所述实测数据、所述工况状态和第一人工智能模型，确定剩余热水量和/或剩余可洗浴时长。

在本实施例中，匹配第一人工智能模型中的对应的公式，去计算出剩余热水量和/或剩余可洗浴时长。

先获取内胆的温度数据，再划分形成多个温度数据集，将温度数据集中的训练数据集用来建立第一人工智能模型，当测试数据集对第一人工智能模型进行验证时，所述第一人工智能模型所计算得出的剩余用水量和/或剩余可洗浴时长小于预设的误差范围，即说明验证成功，即可通过第一人工智能模型来直接预报剩余热水量和/或剩余可洗浴时长，方便用户根据自身用水需求以及剩余可用水量安排用水行为或者加热行为，保证用水需求和节省电量

第二实施例：

本发明实施例提出了单键实现多种操作的家电设备，包括获取模块、生成模块、建立模块、确定模块和预报模块，其中：

获取模块，用于获取内胆的温度数据，确定单次采集时长；

生成模块，和获取模块连接，用于根据单次采集时长和相邻温度数据差值，生成温度数据集，所述温度数据集至少包括训练数据集和测试数据集；

建立模块，和生成模块连接，用于根据训练数据集，建立第一人工智能模型，所述第一人工智能模型至少包括温度数据与剩余热水量和/或剩余可洗浴时长的关系模型；

确定模块，和建立模块连接，用于根据测试数据集，确定第一人工智能模型满足误差要求；

预报模块，和确定模块连接，用于根据第一人工智能模型，预报剩余热水量和/或剩余可洗浴时长。

作为一种优选方案而非限定，所述获取模块包括包括第一获取单元和第二获取单元，其中：

第一获取单元，用于根据所述图像传感器，获取显示屏上显示的内胆温度的图像信息；

第二获取单元，和第一获取单元连接，用于根据所述图像信息，获取内胆的温度数据；

作为一种优选方案而非限定，所述获取模块包括第一确定单元、第一生成单元、第二生成单元、第三生成单元和处理单元，其中：

第一确定单元，用于确定单次采集周期；

第一生成单元，和第一确定单元连接，用于根据所述单次采集周期，生成温度数据文件夹；

第二生成单元，和第一生成单元连接，用于根据所述单次采集时长，在所述温度数据文件夹内生成温度数据组；

第三生成单元，和第二生成单元连接，用于根据相邻温度数据差值，在所述温度数据组内生成温度数据集；

处理单元，和第三生成单元连接，用于根据预设缩放规则，归一化所述温度数据集；

作为一种优选方案而非限定，所述建立模块包括第二确定单元、第三确定单元、第一建立单元、引入单元、训练单元和第一判断单元，其中：

第二确定单元，用于根据各单一工况数据以及对应的单一工况梯度，训练第一人工智能模型，确定第一人工智能模型的初始参数；

第三确定单元，和第二确定单元连接，用于根据混合工况数据训练第一人工智能模型，优化所述初始参数，确定第一人工智能模型的目标参数；

第一建立单元，和第三确定单元连接，用于根据所述目标参数建立第一人工智能模型；

引入单元，和第一建立单元连接，用于随机引入第二人工智能模型；

训练单元，和引入单元连接，用于根据训练数据集，训练第二人工智能模型；

第一判断单元，和训练单元连接，用于判断第二人工智能模型是否完成预设训练条件，若是，则替代第二人工智能模型为第一人工智能模型，若不是则重新训练第二人工智能模型；

作为一种优选方案而非限定，所述确定模块包括第二判断单元和第二检测单元，其中：

第二判断单元，用于根据测试数据集，判断第一人工智能模型是否满足预设误差条件，若是，则确定第一人工智能模型验证完成，若不是，则重新训练第二人工智能模型，再生成新的第一人工智能模型去进行验证；

第二检测单元，和第二判断单元连接，用于检测训练第二人工智能模型的次数超过预设阈值，若超过，则重新引入另一人工智能模型去进行训练；

作为一种优选方案而非限定，所述预报模块包括第四确定单元、第五确定单元和第六确定单元，其中：

第四确定单元，用于根据实测数据，确定实际采集时长；

第五确定单元，和第四确定单元连接，用于确定实际采集时长内的工况状态，所述工况状态包括单一工况和混合工况；

第六确定单元，和第五确定单元连接，用于根据所述实测数据、所述工况状态和第一人工智能模型，确定剩余热水量和/或剩余可洗浴时长。

先获取内胆的温度数据，再划分形成多个温度数据集，将温度数据集中的训练数据集用来建立第一人工智能模型，当测试数据集对第一人工智能模型进行验证时，所述第一人工智能模型所计算得出的剩余用水量和/或剩余可洗浴时长小于预设的误差范围，即说明验证成功，即可通过第一人工智能模型来直接预报剩余热水量和/或剩余可洗浴时长，方便用户根据自身用水需求以及剩余可用水量安排用水行为或者加热行为，保证用水需求和节省电量

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述各实施例中的一种剩余洗浴时长的预测方法。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各一种剩余洗浴时长的预测方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对相关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、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、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，其中，处理器执行程序时实现如上述各实施例中的一种剩余洗浴时长的预测方法。

该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种剩余洗浴时长的预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本发明实施例通过先获取内胆的温度数据，再划分形成多个温度数据集，将温度数据集中的训练数据集用来建立第一人工智能模型，当测试数据集对第一人工智能模型进行验证时，所述第一人工智能模型所计算得出的剩余用水量和/或剩余可洗浴时长小于预设的误差范围，即说明验证成功，即可通过第一人工智能模型来直接预报剩余热水量和/或剩余可洗浴时长，方便用户根据自身用水需求以及剩余可用水量安排用水行为或者加热行为，保证用水需求和节省电量。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。