[发明专利]基于线性回归算法的家用净水器可预测更换时间的方法

权利要求书

1.一种基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，包括以下步骤：

步骤1，获取预定的测量对象进行测量，得到记录数据，包括：通过对测量对象的检测，获取净水器的设置参数以及环境的各项参数，所述测量对象包括：净水器开关时间、进水温度、进水流量、当地水质多项指标(COD、BOD、TOC、TOD等)、使用时长等；

步骤2，从步骤1获得的数据中获取预定时间段的用户历史数据；

步骤3，对步骤2获得的数据进行预处理得到包含环境信息的用户使用数据，对所述操作数据和环境数据进行清洗，删除或修正问题数据和错误数据，得到清洗后的数据，将其整理为符合神经网络输入结构的预处理数据；

步骤4，将步骤3获得的数据输入到预定的神经网络中并进行深度训练学习，生成个性化深度学习模型；

步骤5，将步骤4得到个性化深度学习模型对包含环境的用户数据进行预测，得到个性化预测的用户使用习惯；

步骤6，将步骤5个性化预测的用户使用习惯为依据，计算出净水器滤芯可用时间并在用户智能家居终端显示，提示用户滤芯剩余使用时间；

步骤7，重复步骤1至步骤6，不断从用户行为中获取新的操作数据，将新数据再次输入至神经网络进行训练，更新用户个性化预测模型，在此过程中不断提高对用户习惯预测的精准度，计算出净水器滤芯可用时间并并在用户智能家居终端显示。

2.根据权利要求1所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤1中获取预定的测量对象是净水器滤芯相关数据，获取净水器的设置参数以及相关环境的各项参数，所述的预定时间段内的操作数据包括：净水器开关状态、进水温度、累计流量、多个水质指标等。

3.根据权利要求2所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤2中，通过算法自动获取净水器滤芯的历史数据。

4.根据权利要求3所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤3中，对历史数据进行预处理，滤除重复数据、异常数据、垃圾数据。

5.根据权利要求4所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤4中，将处理后的数据输入到线性回归模型中，并对历史数据进行训练学习，生成个性化深度学习模型。

6.根据权利要求5所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的骤5中，利用步骤4生成的深度学习模型，使用包含环境的用户数据进行预测，预测出净水器剩余可用时间。

7.根据权利要求6所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤6中，以上述模型为依据，计算出净水器滤芯剩余的可用时间并显示在手机app上。

8.根据权利要求7所述的基于线性回归算法的家用净水器可预测更换时间的方法，其特征在于，所述的步骤7中，用户在下一使用周期中，对所述净水器运行参数进行调整产生新的净水器参数，所产生新的净水器参数作为新的历史数据加入上述预定时间段的历史数据中。