智能门锁可用天数预估方法及装置、设备、存储介质

技术领域

本发明涉及智能门锁技术领域，具体涉及一种智能门锁可用天数预估方法及装置、设备、存储介质。

背景技术

目前市面上的智能门锁大多都是通过电池电压获取智能门锁的剩余电量，但用户无法获取智能门锁的剩余可使用天数，并且即使同一款智能门锁也会根据用户的使用习惯不同，导致使用天数不同，因此如何让用户准确知晓智能门锁的剩余可使用天数，提前规划充电事宜或者更换电池，成为目前亟需解决的问题。

针对上述相关技术中无法准确知晓智能门锁的剩余可使用天数的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种智能门锁可用天数预估方法及装置、设备、存储介质，用以克服相关技术中无法准确知晓智能门锁的剩余可使用天数的问题。

为了实现上述目的，本发明实施例的第一方面，提供一种智能门锁可用天数预估方法，包括：

获取多个基础训练集，所述基础训练集包括用户在完整使用周期内的开门特征数据以及所述完整使用周期的使用天数；所述开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数；

利用所述多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；

通过将目标门锁的开门特征数据输入至所述训练完成的线性回归模型确定所述目标门锁可使用的总天数，根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数。

本发明提供的智能门锁可用天数预估方法，通过多个基础训练集训练用于预估智能门锁可使用总天数的线性回归模型，能够很好地模拟由于不同用户的使用习惯不同导致其智能门锁的使用天数不同，使得训练后的线性回归模型的预估准确率更高。

可选地，在第一方面的一种可能实现方式中,在利用所述多个基础训练集训练预设线性回归模型之前，包括：

对所述基础训练集进行归一化处理，以使所述用户在完整使用周期内的开门特征数据均处于特定区间内。

本发明提供的智能门锁可用天数预估方法，通过对基础训练集进行归一化处理，能够将开门特征数据转换为界于某一特定区间的数据，能够避免数据间的差值过大的情况发生，从而消除量纲和数量级影响，改变变量在分析中的权重来解决不同度量的问题。

可选地，在第一方面的一种可能实现方式中,所述利用所述多个基础训练集训练预设线性回归模型，包括：

将所述完整使用周期内的开门特征数据作为自变量，所述完整使用周期内的使用天数作为因变量；

通过多组所述自变量与所述因变量构建线性回归方程，所述线性回归方程用于表示所述线性回归模型。

本发明提供的智能门锁可用天数预估方法，通过将完整使用周期内的开门特征数据作为自变量，完整使用周期内的使用天数作为因变量构建线性回归方程，能够很好地反映出不同的开门特征数据决定了智能门锁的实际使用天数，也间接了反映了不同用户的使用习惯不同导致了智能门锁的使用天数不同，从而达到提高线性回归模型的预估准确率的技术效果。

可选地，在第一方面的一种可能实现方式中,所述线性回归方程，包括：

y＝ω

其中，x

可选地，在第一方面的一种可能实现方式中,所述利用所述多个基础训练集训练预设线性回归模型，包括：

获取所述预设线性回归模型的第一特征权重、第二特征权重、第三特征权重和第四特征权重；

基于所述第一特征权重、所述第二特征权重、所述第三特征权重和所述第四特征权重，通过所述基础训练集对所述预设线性回归模型进行迭代计算；其中，每次所述迭代计算均得到一个损失值；

当所述损失值达到预设阈值时，停止所述迭代计算，得到训练好的线性回归模型。

本发明提供的智能门锁可用天数预估方法，通过多个特征权重以及基础训练集对预设线性回归模型进行迭代计算，在损失值达到预设阈值时停止迭代计算，能够模拟出计算结果与真实值的差距，用于修改预设线性回归模型的各个特征权重，以指导模型训练的训练方向，从而提高线性回归模型的预估准确率。

可选地，在第一方面的一种可能实现方式中,损失值的计算过程，包括：

其中，m表示样本数量，loss表示损失值，ω

具体地，上述特征权重包括但不限于第一特征权重、第二特征权重、第三特征权重和第四特征权重，该特征权重的种类与开门特征数据的种类有关，例如当开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数时，则特征权重包括第一特征权重、第二特征权重、第三特征权重和第四特征权重；当开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数、日平均蓝牙开门次数、日平均虹膜开门次数和日平均指静脉血开门次数时，则特征权重包括第一特征权重、第二特征权重、第三特征权重、第四特征权重、第五特征权重和第六特征权重；其中第一特征权重与日平均密码开门次数对应、第二特征权重与日平均指纹开门次数对应、第三特征权重与日平均人脸开门次数对应、第四特征权重与日平均蓝牙开门次数对应、第五特征权重与日平均虹膜开门次数对应、第六特征权重与日平均指静脉开门次数对应。

可选地，在第一方面的一种可能实现方式中,所述根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数，包括：

d＝d

其中，d表示智能门锁的剩余可使用天数，d

本发明实施例的第二方面，提供一种智能门锁可用天数预估装置，包括：

数据获取模块，用于获取多个基础训练集，所述基础训练集包括用户在完整使用周期内的开门特征数据以及所述完整使用周期的使用天数；所述开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数；

模型训练模块，用于利用所述多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；

预估模块，用于通过将目标门锁的开门特征数据输入至所述训练完成的线性回归模型确定所述目标门锁可使用的总天数，根据所述目标门锁可使用的总天数和所述目标门锁的当前电量预估所述目标门锁的剩余可使用天数。

本发明实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。

本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例1的智能门锁可用天数预估方法的流程示意图。

图2为平均总开门次数与使用天数的关系图。

图3为归一化处理后的开门特征数据的示意图。

图4为本发明实施例2的智能门锁可用天数预估装置的原理框图。

图5为本发明实施例3中计算机设备的结构图。

具体实施方式

下面将结合附图对本发明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做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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种智能门锁可用天数预估方法，如图1所示，该可用天数预估方法包括如下步骤但不限于步骤S100至步骤S300。

S100：获取多个基础训练集，基础训练集包括用户在完整使用周期内的开门特征数据以及完整使用周期的使用天数。

具体地，一个基础训练集可以包括在一个完整使用周期内采取的开门特征数据以及对应完整使用周期的使用天数，例如基础训练集1：[X

具体地，开门特征数据可以包括但不限于日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数，也可以根据其智能们锁的实际功能增加其他开门特征数据，例如日平均虹膜开门次数、日平均感应卡开门次数、日平均遥控器开门次数、日平均指静脉血开门次数。

具体地，完整使用周期可以用于表示智能门锁从满电量到0电量的整个使用周期，其使用周期长短可以由不同的开门特征数据的决定，例如当一个完整使用周期中日平均密码开门次数为4、日平均指纹开门次数为4、日平均人脸开门次数为8以及日平均蓝牙开门次数为0，其使用周期为174天；而当一个完整使用周期中日平均密码开门次数为3、日平均指纹开门次数为15、日平均人脸开门次数为1以及日平均蓝牙开门次数为1，其使用周期为205天，具体如表1所示：

表1

更具体地，通过不同的开门特征数据以及对应的使用天数，可以得到平均总开门次数与使用天数关系图，如图2所示，其横轴为使用天数，纵轴为平均总开门次数。可以得到结论：开门次数越多，智能门锁的使用天数越短。

本发明提供的智能门锁可用天数预估方法，通过多个基础训练集训练用于预估智能门锁可使用总天数的线性回归模型，能够很好地模拟由于不同用户的使用习惯不同导致其智能门锁的使用天数不同，使得训练后的线性回归模型的预估准确率更高。

S200：利用多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数。

优选地，在对预设线性回归模型进行训练之前，还包括：对基础训练集进行归一化处理，以使用户在完整使用周期内的开门特征数据均处于特定区间内。

具体地，归一化处理采取Z-Score方法，基于基础训练集的开门特征数据的均差和标准差来进行数据的标准化，具体公式如下：

其中：x

[-0.98999561 -0.9200832 0.30899583 -0.54299502][1.71022345 -0.92008320.30899583 1.5719291][0.91604137 -0.47271698 -0.69308059 -0.54299502][-1.30766844 0.42201547 -0.69308059 0.51446704]等等。

本发明提供的智能门锁可用天数预估方法，通过对基础训练集进行归一化处理，能够将开门特征数据转换为界于某一特定区间的数据，能够避免数据间的差值过大的情况发生，从而消除量纲和数量级影响，改变变量在分析中的权重来解决不同度量的问题。

优选地，步骤S200包括以下步骤：

S210：将完整使用周期内的开门特征数据作为自变量，完整使用周期内的使用天数作为因变量；

S220：通过多组自变量与因变量构建线性回归方程，线性回归方程用于表示线性回归模型。

在步骤S210-S220中，线性回归方程，包括：

y＝ω

其中，x

具体地，上述线性回归方程中的x

本发明提供的智能门锁可用天数预估方法，通过将完整使用周期内的开门特征数据作为自变量，完整使用周期内的使用天数作为因变量构建线性回归方程，能够很好地反映出不同的开门特征数据决定了智能门锁的实际使用天数，也间接了反映了不同用户的使用习惯不同导致了智能门锁的使用天数不同，从而达到提高线性回归模型的预估准确率的技术效果。

优选地，步骤S200还包括以下步骤：

获取预设线性回归模型的第一特征权重、第二特征权重、第三特征权重和第四特征权重；基于第一特征权重、第二特征权重、第三特征权重和第四特征权重，通过基础训练集对预设线性回归模型进行迭代计算；其中，每次迭代计算均得到一个损失值；当损失值达到预设阈值时，停止迭代计算，得到训练好的线性回归模型；

损失值的计算过程，包括：

其中，m表示样本数量，loss表示损失值，ω

具体地，第一特征权重、第二特征权重、第三特征权重和第四特征权重可以基于梯度下降法得到，从而可以根据上述多个特征权重，通过基础训练数据集对预设线性回归模型进行迭代计算。

具体地，由于在根据基础训练数据集对预设线性回归模型进行迭代计算过程中，每次迭代计算均得到一个损失值，将该损失值与预设阈值相比较，若是达到或是超过预设阈值时，则停止上述迭代计算，并将当前的线性回归模型作为训练的线性回归模型。其中，预设阈值可以根据实际情况进行设置，在此不做具体限定。

优选地，该预设阈值可以为损失值的最小值，可以理解为利用梯度下降法计算损失值的最小值，将损失值为最小值时的ω作为最优解，即：

令

对

得到训练完成的线性回归模型，在对测试集(测试集可以从多个基础训练集中选择)进行验证，得到预测和实际天数对比。

本发明提供的智能门锁可用天数预估方法，通过多个特征权重以及基础训练集对预设线性回归模型进行迭代计算，在损失值达到预设阈值时停止迭代计算，能够模拟出计算结果与真实值的差距，用于修改预设线性回归模型的各个特征权重，以指导模型训练的训练方向，从而提高线性回归模型的预估准确率。

S300：通过将目标门锁的开门特征数据输入至训练完成的线性回归模型确定目标门锁可使用的总天数，根据目标门锁可使用的总天数和目标门锁的当前电量预估目标门锁的剩余可使用天数。

应当理解的是，本发明实施例中的目标门锁是一种智能门锁，例如是一种具有密码开锁功能、指纹开锁功能、人脸开锁功能及蓝牙开锁功能的门锁。

具体地，把当前用户使用情况特征(即开门特征数据)输入到训练完的线性回归模型中，可以得出根据当前使用情况下预计可使用的总天数，再根据可使用的总天数和智能门锁的当前电量百分比计算出智能门锁的剩余可使用天数。

d＝d

其中，d表示智能门锁的剩余可使用天数，d

更具体地，例如：某用户的当前日平均使用指纹开锁6次，其余都为0次，即开门特征数据为(0,6,0,0)，目前剩余电量为80％。先对开门特征数据进行归一化处理得(-1.30730299,0.41513783,-0.68953841,-0.54386895)；然后将该归一化处理的开门特征数据代入训练完的线性回归模型，输出智能门锁可使用的总天数约为276天，最后再将可使用的总天数(276天)和目前剩余电量(80％)代入d＝d

实施例2

本施例提供一种智能门锁可用天数预估装置，如图4所示，包括：

数据获取模块，用于获取多个基础训练集，基础训练集包括用户在完整使用周期内的开门特征数据以及完整使用周期的使用天数；开门特征数据包括日平均密码开门次数、日平均指纹开门次数、日平均人脸开门次数以及日平均蓝牙开门次数；

模型训练模块，用于利用多个基础训练集训练预设线性回归模型，训练完成的线性回归模型的输入为用户当前使用周期内的开门特征数据，输出为智能门锁可使用的总天数；

预估模块，用于通过将目标门锁的开门特征数据输入至训练完成的线性回归模型确定目标门锁可使用的总天数，根据目标门锁可使用的总天数和目标门锁的当前电量预估目标门锁的剩余可使用天数。

优选地，智能门锁可用天数预估装置还包括：

归一化处理模块，用于对基础训练集进行归一化处理，以使用户在完整使用周期内的开门特征数据均处于特定区间内。

优选地，模型训练模块，包括：

线性回归方程构建单元，用于将完整使用周期内的开门特征数据作为自变量，完整使用周期内的使用天数作为因变量；通过多组自变量与因变量构建线性回归方程，线性回归方程用于表示线性回归模型。

优选地，线性回归方程，包括：

y＝ω

其中，x

优选地，模型训练模块，包括：

特征权重获取单元，用于获取预设线性回归模型的第一特征权重、第二特征权重、第三特征权重和第四特征权重；

迭代计算单元，用于基于第一特征权重、第二特征权重、第三特征权重和第四特征权重，通过基础训练集对预设线性回归模型进行迭代计算；其中，每次迭代计算均得到一个损失值；当损失值达到预设阈值时，停止迭代计算，得到训练好的线性回归模型。

优选地，迭代计算单元，用于通过如下方式计算损失值，包括：

其中，m表示样本数量，loss表示损失值，ω

优选地，预估模块还用于通过如下方式预估智能门锁的剩余可使用天数：

d＝d

其中，d表示智能门锁的剩余可使用天数，d

实施例3

本发明还提供一种计算机设备，如图5所示，包括存储器和处理器，存储器存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的各种实施方式提供的智能门锁可用天数预估方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的各种实施方式提供的智能门锁可用天数预估方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。