空调器控制方法和空调器与流程

1.本发明涉及空调器技术领域，尤其是涉及一种空调器控制方法和空调器。


背景技术：

2.相关技术中，空调通常通过单一的温度指标来调节出风温度。然而，空调器仅根据单一的温度指标并不能很好地将室内环境温度调节至人体的舒适温度，从而使用户的体感不佳，无法满足用户对舒适度的要求。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种空调器控制方法，所述空调器控制方法可以根据用户个体的头部温度来调节出风温度，实现对用户的个体化热舒适控制，满足用户个性化舒适需求。
4.本发明第一方面实施例提供一种空调器控制方法，包括：获取目标用户的头部温度；将所述头部温度输入用户个体温冷感决策树模型以确定所述目标用户的温冷感状态；根据所述目标用户的温冷感状态调整当前设定温度。
5.根据本发明实施例的空调器控制方法，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
6.本发明第二方面实施例提供一种空调器控制装置，包括：温度获取模块，用于采集目标用户的头部温度；温冷感状态确定模块，用于将所述头部温度输入用户个体温冷感决策树模型以确定所述目标用户的温冷感状态；调节模块，用于根据所述目标用户的温冷感状态调节当前设定温度。
7.根据本发明实施例的空调器控制装置，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过温冷感状态确定模块将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于调节模块根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
8.本发明第三方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被执行时实现上述实施例所述的空调器控制方法。
9.本发明第四方面实施例提供一种空调器，所述空调器包括上述实施例所述的空调器控制装置；或者，所述空调器包括：至少一个处理器；与所述至少一个处理器通信连接的存储器；其中，所述存储器中存储有可被所述至少一个处理器执行的计算机程序，所述至少一个处理器执行所述计算机程序时实现上述实施例所述的空调器控制方法。
10.根据本发明实施例提供的空调器，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
11.本发明第五方面实施例提供一种空调器，包括：压缩机、室内换热器、室外换热器、四通阀和节流元件；温度采集装置，用于采集用户的头部温度；控制器，与所述温度采集装置连接，用于根据上述实施例所述的空调器控制方法调节当前设定温度。
12.根据本发明实施例的空调器，利用用户个体温冷感决策树模型可以识别用户个体温冷感的作用，通过控制器将目标用户的头部温度输入用户个体温冷感决策树模型，以精确获知目标用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
13.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
14.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
15.图1是根据本发明一个实施例的空调器控制方法的流程图；
16.图2是根据本发明另一个实施例的空调器控制方法的流程图；
17.图3是根据本发明一个实施例的用户个体温冷感决策树模型的示意图；
18.图4是根据本发明另一个实施例的空调器控制方法的流程图；
19.图5是根据本发明一个实施例的空调器控制装置的结构图；
20.图6是根据本发明一个实施例的空调器的结构图。
具体实施方式
21.下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，下面详细描述本发明的实施例。
22.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
23.本技术中空调器通过使用压缩机、冷凝器、膨胀阀和蒸发器来执行空调器的制冷循环。制冷循环包括一系列过程，涉及压缩、冷凝、膨胀和蒸发，并向已被调节和热交换的空气供应制冷剂。
24.压缩机压缩处于高温高压状态的制冷剂气体并排出压缩后的制冷剂气体。所排出的制冷剂气体流入冷凝器。冷凝器将压缩后的制冷剂冷凝成液相，并且热量通过冷凝过程释放到周围环境。
25.膨胀阀使在冷凝器中冷凝的高温高压状态的液相制冷剂膨胀为低压的液相制冷剂。蒸发器蒸发在膨胀阀中膨胀的制冷剂，并使处于低温低压状态的制冷剂气体返回到压缩机。蒸发器可以通过利用制冷剂的蒸发的潜热与待冷却的材料进行热交换来实现制冷效果。在整个循环中，空调器可以调节室内空间的温度。
26.空调器的室外单元是指制冷循环的包括压缩机和室外热交换器的部分，空调器的室内单元包括室内热交换器，并且膨胀阀可以提供在室内单元或室外单元中。
27.室内热交换器和室外热交换器用作冷凝器或蒸发器。当室内热交换器用作冷凝器时，空调器用作制热模式的加热器，当室内热交换器用作蒸发器时，空调器用作制冷模式的冷却器。
28.根据本技术一些实施例的空调器，包括安装在室内空间中的空调器室内机。空调器室内机即上述室内单元，通过管连接到安装在室外空间中的空调器室外机即上述室外单元。空调器室外机中可设有压缩机、室外热交换器、室外风扇、膨胀器和制冷循环的类似部件，空调器室内机中也可设有室内热交换器和室内风扇。
29.相关技术中，空调通常通过单一的温度指标来设计控制舒适性空调器，或者通过采用指定的单一温度指标与指定的单一湿度指标来设计控制舒适性空调器。然而，空调器仅根据单一的温度指标和单一的湿度指标来进行调节的方式，并未完全考虑影响人体热感觉的各个因子，例如空气温度、空气相对湿度、风速、平均辐射温度、人体活动强度、衣着热阻等，用户长期停留在此空调营造的室内环境中，极易得“空调病”，因此单一的温度和单一的湿度指标调节，已无法有效地满足人们对舒适健康要求的技术问题。
30.为了解决上述问题，本发明第一方面实施例提出一种空调器控制方法，该空调器控制方法可以根据用户个体的头部温度来调节出风温度，实现对用户的个体化热舒适控制，满足用户个性化舒适需求。
31.下面参考附图描述根据本发明实施例的空调器控制方法，如图1所示，该方法至少包括步骤s1
‑
步骤s3。
32.步骤s1，获取目标用户的头部温度。
33.由于空调器已有的控制方式是以建立在普通人群基础上的平均热感觉指标作为参考，如空调器采用的pmv(predicted mean vote，人体热感觉指标)模型为基于同一环境下大多数用户的平均冷热感觉预测模型，弱化了用户个体差异的影响，因此，为满足用户个体化、差异性的热舒适需求，本发明实施例以用户个体的头部温度来判断该用户自身的热舒适需求，由此便于空调器根据用户个体的热舒适需求来执行相应的控制策略，以对该用户进行个性化热舒适控制，满足用户的个性化舒适需求。
34.在实施例中，可以在空调器上设置红外设备如红外相机，以采集目标用户的头部温度，并将采集的数据发送给空调器的控制器。
35.步骤s2，将头部温度输入用户个体温冷感决策树模型以确定目标用户的温冷感状态。
36.在实施例中，为针对家庭个体用户不同的热舒适需求，本发明实施例利用基于大数据的人工智能技术自学习用户温冷感变化规律，来建立用户个体温冷感决策树模型，实现精准识别用户个体热舒适需求的目的，从而在将用户个体温冷感决策树模型应用于空调器后，空调器根据用户个体温冷感决策树模型即可判断用户个体的热舒适需求，并进行个
性化热舒适控制，由此来满足不同用户个体差异化、个性化的舒适控制要求。
37.其中，基于大数据的人工智能技术建立用户个体温冷感决策树模型，建模流程如下。
38.1)数据采集。相较于具有物理含义的pmv模型，基于大数据的人工智能技术在预测人体热感觉方面的准确性高于常规的物理模型，且其准确性在很大程度上取决于参与训练的数据量，因此在实际应用中，随着数据量的不断增大，也会随之提升所建立的模型的准确性，因此，为使空调器可以精准识别用户的温冷感状态，对于数据的采集包括多种环境下环境状态参数的采集和不同人的体表数据的采集，其中，多种环境为多个处于不同地域、不同季节、不同天气等状态下的环境；环境状态参数包括室内环境温度、环境相对湿度、风速、服装热阻等状态参数；不同人为不同年龄层、不同性别以及不同种族等体质特征不同的采样人群；人的体表数据包括多个不同人体部位的皮肤温度、人体热感觉、人体代谢率等。由此，基于以上收集的数据建立模型训练大数据库，以利用人工智能技术自学习用户温冷感变化规律，便于在空调器上应用时可以提高识别用户个体热舒适需求的精准度。
39.2)模型训练。利用不同人体部位的皮肤温度数据构建温冷感决策树预测模型，以采集的多种环境下环境状态参数和人体热感觉、人体代谢率等参数对温冷感决策树预测模型进行模型筛选及调试优化。基于皮肤温度建立的温冷感决策树预测模型在理想情况下，可以全自动化控制，自学习用户温冷感变化规律，无需人工参与调节参数，提高建模效率。
40.3)生成模型。决策树模型在构建过程中存在不能直接通过算法进行直接优化的参数即超参数，人工参与超参数的调整选择训练的最优温冷感决策树预测模型输出，最优温冷感决策树预测模型即为所需的用户个体温冷感决策树模型。
41.4)进行预测。对最优温冷感决策树预测模型进行测试，预测得出模型准确率，以判断最优温冷感决策树预测模型的泛化程度。
42.因此，基于采集的皮肤温度、人体热感觉、室温、相对湿度、风速、代谢率、服装热阻等参数，通过以上方式形成模型训练大数据库，并利用人工智能技术自学习用户温冷感变化规律，以最终建立成可以精准识别用户个体热舒适需求的用户个体温冷感决策树模型，由此，在空调器上应用该用户个体温冷感决策树模型时，不同于空调器内所应用的针对多个用户的预测舒适模式，本发明实施例的方法通过利用用户个体温冷感决策树模型可以直接针对个体用户的温冷感进行识别预测，以精准获知用户自身的热舒适需求即温冷感状态，进而通过对该用户的预测结果生成相应的控制策略，便于将室内环境温度调节至用户个体的舒适温度，以达到用户个体最佳舒适状态的目的，满足家庭用户个体差异化、个性化的舒适调节需求。
43.此外，不同于仅以单一的温度指标作为空调器舒适性控制的参考，本发明实施例在建立用户个体温冷感决策树模型时，综合考虑不同环境下的人体体征状态参数，例如影响人体热感觉的各个因子：空气温度、空气相对湿度、风速、平均辐射温度、人体活动强度、服装热阻等来对温冷感决策树预测模型进行调试优化，由此，在空调器上应用该用户个体温冷感决策树模型时，以用户个体温冷感决策树模型来调节出风温度，可以有效满足用户个体对舒适健康的要求。
44.其中，温冷感状态可以理解为用户自身对温度的感知情况。温冷感状态可以根据实际情况进行多种状态分类，对此不做限制，如温冷感状态可以根据预测热感觉情况分为
偏冷、中性和偏热三种状态。可以理解的是，对温冷感状态的分类越多，对用户个体温冷感进行识别的结果越精确，更能提高个体用户的舒适度。
45.在实施例中，用户个体包含多个皮肤部位，在利用人工智能技术，基于大数据经不断调试及优化，最终以多个皮肤部位中的具有代表人体温冷感特征的头部部位及其对应的温度决策条件来建立形成用户个体温冷感决策树模型，具体地，以具有代表人体温冷感特征的头部部位中某几个部位处的温度决策条件进行组合，如以脸颊温度决策条件、鼻子温度决策条件、眼睛温度决策条件和额头温度决策条件，或者以耳部温度决策条件、脸颊温度决策条件、鼻子温度决策条件和眼睛温度决策条件，或者以脸颊温度决策条件、鼻子温度决策条件、额头温度决策条件、眼睛温度决策条件和耳部温度决策条件等来分别作为不同层温度决策条件，由此构成的用户个体温冷感决策树模型可以精准判断用户自身的热舒适需求即温冷感状态。进而，在应用于空调器时，控制器通过将采集的目标用户的头部温度输入用户个体温冷感决策树模型，经每一层温度决策条件的判定后即可获知该目标用户的温冷感状态。
46.具体地，空调器的控制器内预先存储用户个体温冷感决策树模型，当室内空间中存在单个用户时，空调器的控制器将获取的头部温度输入用户个体温冷感决策树模型，由用户个体温冷感决策树模型对用户个体的温冷感进行识别预测，以精确获知该用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态生成相应的控制策略，以满足用户个性化舒适需求。
47.步骤s3，根据目标用户的温冷感状态调整当前设定温度。
48.其中，当前设定温度为空调器的控制器内存储的温度。例如，当前设定温度可以为空调器的控制器对用户设定温度和环境负荷参数进行算法处理后所存储的温度；或者，在空调器运行tms(thermal and humidity management system，热湿管理系统)舒适性控制模式时，当前设定温度可以为空调器的控制器存储的当前运行舒适阶段所对应的舒适阶段目标温度，其中，tms舒适性控制模式包括沿时间顺序依次设置的初始舒适阶段、稳定舒适阶段和健康舒适阶段，不同的舒适阶段下对应不同的舒适阶段目标温度，在空调器运行某一舒适阶段时控制器会对当前运行舒适阶段的舒适阶段目标温度进行存储。
49.在实施例中，在确定目标用户的温冷感状态后，空调器即可根据该用户自身的温冷感状态生成相应的控制策略，以调节当前设定温度，使得室内环境温度调节至用户个体的舒适温度，以达到用户个体最佳舒适状态的目的，满足用户个性化舒适要求。
50.可以理解的是，为满足用户个性化舒适需求，本发明实施例的方法适用于室内空间中存在单个用户的情形，该用户作为目标用户，通过对其头部温度进行采集，以识别该用户的个体热舒适需求。也就是说，当室内空间中存在单个用户时，空调器上的红外设备可以自动采集该用户的头部温度，并按照本发明实施例以上提供的步骤s1
‑
步骤s3的控制方式运行，由此来满足用户的个性化舒适需求；而当室内空间中存在多个用户时，空调器则自动以普通的控制方式如tms舒适性控制模式运行，由此来满足每个用户的舒适需求。由此，空调器通过以上方式，既可以实现对单个家庭用户的个性化舒适需求，又可以满足普通人群的舒适要求，提高用户的使用舒适性。
51.例如，以图2为例，空调器的总体控制方式步骤如下。
52.步骤s4，空调器运行tms舒适性控制模式。
53.步骤s5，空调器采集室内环境温度和室内环境相对湿度。
54.步骤s6，空调器运行用户个性化舒适控制模式，即利用用户个体温冷感决策树模型对用户个体的温冷感状态进行识别。
55.步骤s7，在室内空间中存在多个用户时，根据室内环境温度和室内环境相对湿度计算目标温度和目标湿度，以目标温度和目标湿度控制空调器运行，以满足每个用户的舒适需求；空调器内存储有温湿度对照表例如表1所示，即对应不同的温度设有对应的默认相对湿度，在室内空间中存在单个用户时，根据目标用户的头部温度调整当前设定温度即计算目标温度，并获取与目标温度度所对应的目标湿度，以目标温度和目标湿度控制空调器运行，以使室内环境满足用户的个性化舒适需求。
56.步骤s8，空调器根据目标温度和目标湿度自动运行。
57.表1
[0058][0059][0060]
根据本发明实施例的空调器控制方法，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0061]
在一些实施例中，通过将目标用户的头部温度输入用户个体温冷感决策树模型，其中，用户个体温冷感决策树模型配置有多个温度判定分支，每个温度判定分支配置有多层温度决策条件，将头部温度依次顺序地与温度判定分支中的多层温度决策条件进行比较，以确定头部温度满足的目标温度判定分支，并获取用户个体温冷感决策树模型对应目标温度判定分支的输出值，将输出值对应的温冷感状态作为目标用户的温冷感状态。由此方式，利用用户个体温冷感决策树模型对目标用户个体的温冷感进行识别预测，以精确获知目标用户的温冷感状态，从而便于空调器根据温冷感状态生成相应的策略来满足目标用
户的舒适需求。
[0062]
其中，为便于空调器存储及记录，在对空调器内预设程序时，将不同的温冷感状态分别以不同的数值来进行表示，例如，当温冷感状态包括偏冷、中性和偏热时，可以设置以数值“1”表示偏热、以数值“0”表示中性、以数值
“‑
1”表示偏冷，或者也可以以其它的数值来表示不同的温冷感状态，对此不作限制。由此方式，在确定头部温度所满足的目标温度判定分支后，根据该目标温度判定分支的输出值即可获知目标用户的温冷感状态，如，若目标温度判定分支的输出值为1，则说明目标用户的温冷感状态为偏热。
[0063]
具体地，对于用户个体温冷感决策树模型，其包含多个温度判定分支，每个温度判定分支上包含多层温度决策条件，每层温度决策条件代表一种可能的判定结果，沿着用户个体温冷感决策树模型由起点到终点的遍历过程中，在每层温度决策条件处均会执行一次判断，针对每一层温度决策条件的不同而输出的判断结果会导致不同的温度判定分支，最终会达到某一温度判定分支的终点，每个温度判定分支的终点对应一种温冷感状态，即每个温度判定分支执行独立的温冷感判断。基于此，在输入目标用户的头部温度时，利用用户个体温冷感决策树模型的多个温度判定分支对目标用户的头部温度进行判断，以确定目标用户的头部温度所属的温度判定分支，该温度判定分支即为目标温度判定分支，根据该目标温度判定分支的输出值即可准确获知目标用户的温冷感状态，从而便于后续空调器根据温冷感状态生成相应的策略来满足目标用户的舒适需求。
[0064]
在一些实施例中，空调器的控制器可以周期性地将目标用户的头部温度输入用户个体温冷感决策树模型，并统计用户个体温冷感决策树模型输出的预设数量的输出值，通过对预设数量的输出值进行分类，以将包含输出值最多的分类中输出值对应的温冷感状态作为目标用户的温冷感状态。由此方式，通过对目标用户的温冷感状态进行多次判断，并根据经每次判断所获得的预测结果来确定目标用户的最终温冷感状态，可以提高对目标用户温冷感状态识别的精准度，提高目标用户的使用舒适性。
[0065]
也就是说，空调器可以每间隔一定时间采集一次目标用户的头部温度，并对每次采集的头部温度进行判断及存储，直至空调器的采集次数达到预设采集次数，即输出值的个数达到预设数量为止，进而对每次采集的头部温度判断后所获得的对应目标温度判定分支的输出值进行统计，将所有输出值中相同输出值数量最多的输出值对应的温冷感状态作为目标用户的温冷感状态。举例说明，以数值“1”表示偏热、以数值“0”表示中性、以数值
“‑
1”表示偏冷为例，空调器采集五次目标用户的头部温度，对每次采集的头部温度进行判断后获取的输出值依次为：1、
‑
1、0、1、1，其中，输出值为1的数量最多，因此，输出值1所对应的偏热即为目标用户的温冷感状态。由此，通过周期性对头部温度进行判断，以确定目标用户的温冷感状态，可以避免误判的问题，提高空调器对目标用户温冷感状态识别的精准度。
[0066]
需要说明的是，每次对用户温冷感状态的判断周期以空调器反馈时间为准。
[0067]
下面对将目标提取点的温度输入用户个体温冷感决策树模型，以确定目标用户的温冷感状态进行说明。
[0068]
在一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以耳部温度决策条件、脸颊温度决策条件、鼻子温度决策条件和眼睛温度决策条件对应作为每一温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条
件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括耳部温度t1、脸颊温度t2、鼻子温度t3和眼睛温度t4。
[0069]
第一温度判定分支：t1≤t11，t2≤t12，t3≤t13，输出值对应偏冷；第二温度判定分支：t1≤t11，t2≤t12，t3>t13，输出值对应中性，其中，t13>t12>t11。
[0070]
第三温度判定分支：t1≤t11，t2>t12，t1≤t14，输出值对应中性；第四温度判定分支：t1≤t11，t2>t12，t1>t14，输出值对应偏冷，其中，t14<t11。
[0071]
第五温度判定分支：t1>t11，t1≤t15，t3≤t16，输出值对应中性；第六温度判定分支：t1>t11，t1≤t15，t3>t16，输出值对应中性，其中，t15>t16>t13。
[0072]
第七温度判定分支：t1>t11，t1>t15，t4≤t17，输出值对应偏热；第八温度判定分支：t1>t11，t1>t15，t4>t17，输出值对应中性，其中，t17>t15。
[0073]
基于以上用户个体温冷感决策树模型配置的八个温度判定分支，对输入的耳部温度t1、脸颊温度t2、鼻子温度t3和眼睛温度t4的判定过程如下。
[0074]
其中，确定耳部温度t1小于或等于第一温度值t11，进一步确定脸颊温度t2小于或等于第二温度值t12，以及再进一步确定鼻子温度t3小于或等于第三温度值t13，则目标温度判定分支为第一温度判定分支，获取用户个体温冷感决策树模型对应第一温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0075]
或者，确定耳部温度t1小于或等于第一温度值t11，进一步确定脸颊温度t2小于或等于第二温度值t12，以及再进一步确定鼻子温度t3大于第三温度值t13，则目标温度判定分支为第二温度判定分支，获取用户个体温冷感决策树模型对应第二温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0076]
或者，确定耳部温度t1小于或等于第一温度值t11，进一步确定脸颊温度t2大于第二温度值t12，以及再进一步确定耳部温度t1小于或等于第四温度值t14，则目标温度判定分支为第三温度判定分支，获取用户个体温冷感决策树模型对应第三温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0077]
或者，确定耳部温度t1小于或等于第一温度值t11，进一步确定脸颊温度t2大于第二温度值t12，以及再进一步确定耳部温度t1大于第四温度值t14，则目标温度判定分支为第四温度判定分支，获取用户个体温冷感决策树模型对应第四温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0078]
或者，确定耳部温度t1大于第一温度值t11，进一步确定耳部温度t1小于或等于第五温度值t15，以及再进一步确定鼻子温度t3小于或等于第六温度值t16，则目标温度判定分支为第五温度判定分支，获取用户个体温冷感决策树模型对应第五温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0079]
或者，确定耳部温度t1大于第一温度值t11，进一步确定耳部温度t1小于或等于第五温度值t15，以及再进一步确定鼻子温度t3大于第六温度值t16，则目标温度判定分支为第六温度判定分支，获取用户个体温冷感决策树模型对应第六温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0080]
或者，确定耳部温度t1大于第一温度值t11，进一步确定耳部温度t1大于第五温度值t15，以及再进一步确定眼睛温度t4小于或等于第七温度值t17，则目标温度判定分支为第七温度判定分支，获取用户个体温冷感决策树模型对应第七温度判定分支的输出值为偏
热输出值，则目标用户的温冷感状态为偏热。
[0081]
或者，确定耳部温度t1大于第一温度值t11，进一步确定耳部温度t1大于第五温度值t15，以及再进一步确定眼睛温度t4大于第七温度值t17，则目标温度判定分支为第八温度判定分支，获取用户个体温冷感决策树模型对应第八温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0082]
具体地，图3所示，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型如下，其中，以数值“1”表示偏热、以数值“0”表示中性、以数值
“‑
1”表示偏冷为例。
[0083]
第一温度判定分支：耳部温度t1≤第一温度值t11，脸颊温度t2≤第二温度值t12，鼻子温度t3≤第三温度值t13，对应的输出值为偏冷输出值
‑
1，则目标用户的温冷感状态为偏冷。
[0084]
第二温度判定分支：耳部温度t1≤第一温度值t11，脸颊温度t2≤第二温度值t12，鼻子温度t3＞第三温度值t13，对应的输出值为中性输出值0，则目标用户的温冷感状态为中性。
[0085]
第三温度判定分支：耳部温度t1≤第一温度值t11，脸颊温度t2＞第二温度值t12，耳部温度t1≤第四温度值t14，对应的输出值为中性输出值0，则目标用户的温冷感状态为中性。
[0086]
第四温度判定分支：耳部温度t1≤第一温度值t11，脸颊温度t2＞第二温度值t12，耳部温度t1＞第四温度值t14，对应的输出值为偏冷输出值
‑
1，则目标用户的温冷感状态为偏冷。
[0087]
第五温度判定分支：耳部温度t1＞第一温度值t11，耳部温度t1≤第五温度值t15，鼻子温度t3≤第六温度值t16，对应的输出值为中性输出值0，则目标用户的温冷感状态为中性。
[0088]
第六温度判定分支：耳部温度t1＞第一温度值t11，耳部温度t1≤第五温度值t15，鼻子温度t3＞第六温度值t16，对应的输出值为中性输出值0，则目标用户的温冷感状态为中性。
[0089]
第七温度判定分支：耳部温度t1＞第一温度值t11，耳部温度t1＞第五温度值t15，眼睛温度t4≤第七温度值t17，对应的输出值为偏热输出值1，则目标用户的温冷感状态为偏热。
[0090]
第八温度判定分支：耳部温度t1＞第一温度值t11，耳部温度t1＞第五温度值t15，眼睛温度t4＞第七温度值t17，对应的输出值为中性输出值0，则目标用户的温冷感状态为中性。
[0091]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0092]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以脸颊温度决策条件、眼睛温度决策条件、鼻子温度决策条
件和额头温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有七个温度判定分支，温度判定分支配置有两层温度决策条件或者三层温度决策条件，七个温度判定分支配置如下。其中，获取的目标用户的头部温度包括脸颊温度t2、眼睛温度t4、鼻子温度t3和额头温度t5。
[0093]
第九温度判定分支：t2≤t21，t2≤t22，输出值对应中性，其中，t21>t22。
[0094]
第十温度判定分支：t2≤t21，t2>t22，t4≤t23，输出值对应偏冷；第十一温度判定分支：t2≤t21，t2>t22，t4≤t23，输出值对应中性，其中，t23>t21。
[0095]
第十二温度判定分支：t2>t21，t3≤t24，t5≤t25，输出值对应中性；第十三温度判定分支：t2>t21，t3≤t24，t5>t25，输出值对应中性，其中，t24>t25>t23。
[0096]
第十四温度判定分支：t2>t21，t3>t24，t2≤t26，输出值对应中性；第十五温度判定分支：t2>t21，t3>t24，t2>t26，输出值对应中性，其中，t26>t24。
[0097]
基于以上用户个体温冷感决策树模型配置的七个温度判定分支，对输入的脸颊温度t2、眼睛温度t4、鼻子温度t3和额头温度t5的判定过程如下。
[0098]
其中，确定脸颊温度t2小于或等于第八温度值t21，进一步确定脸颊温度t2小于或等于第九温度值t22，则目标温度判定分支为第九温度判定分支，获取用户个体温冷感决策树模型对应第九温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0099]
或者，确定脸颊温度t2小于或等于第八温度值t21，进一步确定脸颊温度t2大于第九温度值t22，以及再进一步确定眼睛温度t4小于或等于第十温度值t23，则目标温度判定分支为第十温度判定分支，获取用户个体温冷感决策树模型对应第十温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0100]
或者，确定脸颊温度t2小于或等于第八温度值t21，进一步确定脸颊温度t2大于第九温度值t22，以及再进一步确定眼睛温度t4大于第十温度值t23，则目标温度判定分支为第十一温度判定分支，获取用户个体温冷感决策树模型对应第十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0101]
或者，确定脸颊温度t2大于第八温度值t21，进一步确定鼻子温度t3小于或等于第十一温度值t24，以及再进一步确定额头温度t5小于或等于第十二温度值t25，则目标温度判定分支为第十二温度判定分支，获取用户个体温冷感决策树模型对应第十二温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0102]
或者，确定脸颊温度t2大于第八温度值t21，进一步确定鼻子温度t3小于或等于第十一温度值t24，以及再进一步确定额头温度t5大于第十二温度值t25，则目标温度判定分支为第十三温度判定分支，获取用户个体温冷感决策树模型对应第十三温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0103]
或者，确定脸颊温度t2大于第八温度值t21，进一步确定鼻子温度t3大于第十一温度值t24，以及再进一步确定脸颊温度t2小于或等于第十三温度值t26，则目标温度判定分支为第十四温度判定分支，获取用户个体温冷感决策树模型对应第十四温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0104]
或者，确定脸颊温度t2大于第八温度值t21，进一步确定鼻子温度t3大于第十一温度值t24，以及再进一步确定脸颊温度t2大于第十三温度值t26，则目标温度判定分支为第十五温度判定分支，获取用户个体温冷感决策树模型对应第十五温度判定分支的输出值为
中性输出值，则目标用户的温冷感状态为中性。
[0105]
由此，通过利用以上用户个体温冷感决策树模型配置的七个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0106]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以鼻子温度决策条件、眼睛温度决策条件和脸颊温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括鼻子温度t3、眼睛温度t4和脸颊温度t2。
[0107]
第十六温度判定分支：t3≤t31，t4≤t32，t3≤t33，输出值对应偏冷；第十七温度判定分支：t3≤t31，t4≤t32，t3>t33，输出值对应偏冷，其中，t32>t31>t33。
[0108]
第十八温度判定分支：t3≤t31，t4>t32，t3≤t34，输出值对应中性；第十九温度判定分支：t3≤t31，t4>t32，t3>t34，输出值对应中性，其中，t31>t34>t33。
[0109]
第二十温度判定分支：t3>t31，t3≤t35，t2≤t36，输出值对应中性；第二十一温度判定分支：t3>t31，t3≤t35，t2>t36，输出值对应中性，其中，t35>t36>t32。
[0110]
第二十二温度判定分支：t3>t31，t3>t35，t4≤t37，输出值对应中性；第二十三温度判定分支：t3>t31，t3>t35，t4>t37，输出值对应偏热，其中，t37>t35。
[0111]
基于以上用户个体温冷感决策树模型配置的八个温度判定分支，对输入的鼻子温度t3、眼睛温度t4和脸颊温度t2的判定过程如下。
[0112]
其中，确定鼻子温度t3小于或等于第十四温度值t31，进一步确定眼睛温度t4小于或等于第十五温度值t32，以及再进一步确定鼻子温度t3小于或等于第十六温度值t33，则目标温度判定分支为第十六温度判定分支，获取用户个体温冷感决策树模型对应第十六温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷，其中，第十四温度值小于第十五温度值，第十六温度值小于第十四温度值。
[0113]
或者，确定鼻子温度t3小于或等于第十四温度值t31，进一步确定眼睛温度t4小于或等于第十五温度值t32，以及再进一步确定鼻子温度t3大于第十六温度值t33，则目标温度判定分支为第十七温度判定分支，获取用户个体温冷感决策树模型对应第十七温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0114]
或者，确定鼻子温度t3小于或等于第十四温度值t31，进一步确定眼睛温度t4大于第十五温度值t32，以及再进一步确定鼻子温度t3小于或等于第十七温度值t34，则目标温度判定分支为第十八温度判定分支，获取用户个体温冷感决策树模型对应第十八温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性，其中，第十七温度值大于第十六温度值且小于第十四温度值。
[0115]
或者，确定鼻子温度t3小于或等于第十四温度值t31，进一步确定眼睛温度t4大于第十五温度值t32，以及再进一步确定鼻子温度t3大于第十七温度值t34，则目标温度判定分支为第十九温度判定分支，获取用户个体温冷感决策树模型对应第十九温度判定分支的
输出值为中性输出值，则目标用户的温冷感状态为中性。
[0116]
或者，确定鼻子温度t3大于第十四温度值t31，进一步确定鼻子温度t3小于或等于第十八温度值t35，以及再进一步确定脸颊温度t2小于或等于第十九温度值t36，则目标温度判定分支为第二十温度判定分支，获取用户个体温冷感决策树模型对应第二十温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性，其中，第十八温度值大于第十九温度值，第十九温度值大于第十五温度值。
[0117]
或者，确定鼻子温度t3大于第十四温度值t31，进一步确定鼻子温度t3小于或等于第十八温度值t35，以及再进一步确定脸颊温度t2t3大于第十九温度值t36，则目标温度判定分支为第二十一温度判定分支，获取用户个体温冷感决策树模型对应第二十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0118]
或者，确定鼻子温度t3大于第十四温度值t31，进一步确定鼻子温度t3大于第十八温度值t35，以及再进一步确定眼睛温度t4小于或等于第二十温度值t37，则目标温度判定分支为第二十二温度判定分支，获取用户个体温冷感决策树模型对应第二十二温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性，其中，第二十温度值大于第十八温度值。
[0119]
或者，确定鼻子温度t3大于第十四温度值t31，进一步确定鼻子温度t3大于第十八温度值t35，以及再进一步确定眼睛温度t4大于第二十温度值t37，则目标温度判定分支为第二十三温度判定分支，获取用户个体温冷感决策树模型对应第二十三温度判定分支的输出值为偏热输出值，则目标用户的温冷感状态为偏热。
[0120]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0121]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以脸颊温度决策条件、额头温度决策条件、鼻子温度决策条件和眼睛温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括脸颊温度t2、额头温度t5、鼻子温度t3和眼睛温度t4。
[0122]
第二十四温度判定分支：t2≤t41，t5≤t42，t2≤t43，输出值对应中性；第二十五温度判定分支：t2≤t41，t5≤t42，t2>t43，输出值对应偏冷，其中，t42>t41>t43。
[0123]
第二十六温度判定分支：t2≤t41，t5>t42，t3≤t44，输出值对应偏冷；第二十七温度判定分支：t2≤t41，t5>t42，t3>t44，输出值对应中性，其中，t43>t44。
[0124]
第二十八温度判定分支：t2>t41，t3≤t45，t2≤t46，输出值对应中性；第二十九温度判定分支：t2>t41，t3≤t45，t2>t46，输出值对应中性，其中，t45>t46>t42。
[0125]
第三十温度判定分支：t2>t41，t3>t45，t4≤t47，输出值对应中性；第三十一温度判定分支：t2>t41，t3>t45，t4>t47，输出值对应中性，其中，t47>t45。
[0126]
基于以上用户个体温冷感决策树模型配置的八个温度判定分支，对输入的脸颊温
度t2、额头温度t5、鼻子温度t3和眼睛温度t4的判定过程如下。
[0127]
其中，确定脸颊温度t2小于或等于第二十一温度值t41，进一步确定额头温度t5小于或等于第二十二温度值t42，以及再进一步确定脸颊温度t2小于或等于第二十三温度值t43，则目标温度判定分支为第二十四温度判定分支，获取用户个体温冷感决策树模型对应第二十四温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0128]
或者，确定脸颊温度t2小于或等于第二十一温度值t41，进一步确定额头温度t5小于或等于第二十二温度值t42，以及再进一步确定脸颊温度t2大于第二十三温度值t43，则目标温度判定分支为第二十五温度判定分支，获取用户个体温冷感决策树模型对应第二十五温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0129]
或者，确定脸颊温度t2小于或等于第二十一温度值t41，进一步确定额头温度t5大于第二十二温度值t42，以及再进一步确定鼻子温度t3小于或等于第二十四温度值t44，则目标温度判定分支为第二十六温度判定分支，获取用户个体温冷感决策树模型对应第二十六温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0130]
或者，确定脸颊温度t2小于或等于第二十一温度值t41，进一步确定额头温度t5大于第二十二温度值t42，以及再进一步确定鼻子温度t3大于第二十四温度值t44，则目标温度判定分支为第二十七温度判定分支，获取用户个体温冷感决策树模型对应第二十七温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0131]
或者，确定脸颊温度t2大于第二十一温度值t41，进一步确定鼻子温度t3小于或等于第二十五温度值t45，以及再进一步确定脸颊温度t2小于或等于第二十六温度值t46，则目标温度判定分支为第二十八温度判定分支，获取用户个体温冷感决策树模型对应第二十八温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0132]
或者，确定脸颊温度t2大于第二十一温度值t41，进一步确定鼻子温度t3小于或等于第二十五温度值t45，以及再进一步确定脸颊温度t2大于第二十六温度值t46，则目标温度判定分支为第二十九温度判定分支，获取用户个体温冷感决策树模型对应第二十九温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0133]
或者，确定脸颊温度t2大于第二十一温度值t41，进一步确定鼻子温度t3大于第二十五温度值t45，以及再进一步确定眼睛温度t4小于或等于第二十七温度值t47，则目标温度判定分支为第三十温度判定分支，获取用户个体温冷感决策树模型对应第三十温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0134]
或者，确定脸颊温度t2大于第二十一温度值t41，进一步确定鼻子温度t3大于第二十五温度值t45，以及再进一步确定眼睛温度t4大于第二十七温度值t47，则目标温度判定分支为第三十一温度判定分支，获取用户个体温冷感决策树模型对应第三十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0135]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0136]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的
用户个体温冷感决策树模型中，以眼睛温度决策条件、脸颊温度决策条件、耳部温度决策条件和鼻子温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括眼睛温度t4、脸颊温度t2、耳部温度t1和鼻子温度t3。
[0137]
第三十二温度判定分支：t4≤t51，t2≤t52，t1≤t53，输出值对应偏冷；第三十三温度判定分支：t4≤t51，t2≤t52，t1>t53，输出值对应中性，其中，t51>t52>t53。
[0138]
第三十四温度判定分支：t4≤t51，t2>t52，t3≤t54，输出值对应偏冷；第三十五温度判定分支：t4≤t51，t2>t52，t3>t54，输出值对应中性，其中，t51>t54>t52。
[0139]
第三十六温度判定分支：t4>t51，t4≤t55，t1≤t56，输出值对应中性；第三十七温度判定分支：t4>t51，t4≤t55，t1>t56，输出值对应中性，其中，t56>t55>t51。
[0140]
第三十八温度判定分支：t4>t51，t4>t55，t2≤t57，输出值对应中性；第三十九温度判定分支：t4>t51，t4>t55，t2>t57，输出值对应中性，其中，t55>t57>t51。
[0141]
基于用户个体温冷感决策树模型配置的八个温度判定分支，对输入的眼睛温度t4、脸颊温度t2、耳部温度t1和鼻子温度t3的判定过程如下。
[0142]
其中，确定眼睛温度t4小于或等于第二十八温度值t51，进一步确定脸颊温度t2小于或等于第二十九温度值t52，以及再进一步确定耳部温度t1小于或等于第三十温度值t53，则目标温度判定分支为第三十二温度判定分支，获取用户个体温冷感决策树模型对应第三十二温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0143]
或者，确定眼睛温度t4小于或等于第二十八温度值t51，进一步确定脸颊温度t2小于或等于第二十九温度值t52，以及再进一步确定耳部温度t1大于第三十温度值t53，则目标温度判定分支为第三十三温度判定分支，获取用户个体温冷感决策树模型对应第三十三温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0144]
或者，确定眼睛温度t4小于或等于第二十八温度值t51，进一步确定脸颊温度t2大于第二十九温度值t52，以及再进一步确定鼻子温度t3小于或等于第三十一温度值t54，则目标温度判定分支为第三十四温度判定分支，获取用户个体温冷感决策树模型对应第三十四温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0145]
或者，确定眼睛温度t4小于或等于第二十八温度值t51，进一步确定脸颊温度t2大于第二十九温度值t52，以及再进一步确定鼻子温度t3大于第三十一温度值t54，则目标温度判定分支为第三十五温度判定分支，获取用户个体温冷感决策树模型对应第三十五温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0146]
或者，确定眼睛温度t4大于第二十八温度值t51，进一步确定眼睛温度t4小于或等于第三十二温度值t55，以及再进一步确定耳部温度t1小于或等于第三十三温度值t56，则目标温度判定分支为第三十六温度判定分支，获取用户个体温冷感决策树模型对应第三十六温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0147]
或者，确定眼睛温度t4大于第二十八温度值t51，进一步确定眼睛温度t4小于或等于第三十二温度值t55，以及再进一步确定耳部温度t1大于第三十三温度值t56，则目标温度判定分支为第三十七温度判定分支，获取用户个体温冷感决策树模型对应第三十七温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0148]
或者，确定眼睛温度t4大于第二十八温度值t51，进一步确定眼睛温度t4大于第三十二温度值t55，以及再进一步确定脸颊温度t2小于或等于第三十四温度值t57，则目标温度判定分支为第三十八温度判定分支，获取用户个体温冷感决策树模型对应第三十八温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0149]
或者，确定眼睛温度t4大于第二十八温度值t51，进一步确定眼睛温度t4大于第三十二温度值t55，以及再进一步确定脸颊温度t2大于第三十四温度值t57，则目标温度判定分支为第三十九温度判定分支，获取用户个体温冷感决策树模型对应第三十九温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0150]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0151]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以脸颊温度决策条件、额头温度决策条件、耳部温度决策条件和鼻子温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有七个温度判定分支，温度判定分支配置有两层温度决策条件或者三层温度决策条件，七个温度判定分支配置如下。其中，获取的目标用户的头部温度包括脸颊温度t2、额头温度t5、耳部温度t4和鼻子温度t3。
[0152]
第四十温度判定分支：t2≤t61，t5≤t62，t4≤t63，输出值对应偏冷；第四十一温度判定分支：t2≤t61，t5≤t62，t4>t63，输出值对应中性，其中，t62>t61>t63。
[0153]
第四十二温度判定分支：t2≤t61，t5>t62，输出值对应中性。
[0154]
第四十三温度判定分支：t2>t61，t3≤t64，t3≤t65，输出值对应中性；第四十四温度判定分支：t2>t61，t3≤t64，t3>t65，输出值对应中性，其中，t64>t62>t65>t61。
[0155]
第四十五温度判定分支：t2>t61，t3>t64，t4≤t66，输出值对应中性；第四十六温度判定分支：t2>t61，t3>t64，t4>t66，输出值对应中性，其中，t66>t64。
[0156]
基于以上用户个体温冷感决策树模型配置的七个温度判定分支，对输入的脸颊温度t2、额头温度t5、耳部温度t4和鼻子温度t3的判定过程如下。
[0157]
其中，确定脸颊温度t2小于或等于第三十五温度值t61，进一步确定额头温度t5小于或等于第三十六温度值t62，以及再进一步确定耳部温度t4小于或等于第三十七温度值t63，则目标温度判定分支为第四十温度判定分支，获取用户个体温冷感决策树模型对应第四十温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0158]
或者，确定脸颊温度t2小于或等于第三十五温度值t61，进一步确定额头温度t5小于或等于第三十六温度值t62，以及再进一步确定耳部温度t4大于第三十七温度值t63，则目标温度判定分支为第四十一温度判定分支，获取用户个体温冷感决策树模型对应第四十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0159]
或者，确定脸颊温度t2小于或等于第三十五温度值t61，进一步确定额头温度t5大于第三十六温度值t62，则目标温度判定分支为第四十二温度判定分支，获取用户个体温冷感决策树模型对应第四十二温度判定分支的输出值为中性输出值，则目标用户的温冷感状
态为中性。
[0160]
或者，确定脸颊温度t2大于第三十五温度值t61，进一步确定鼻子温度t3小于或等于第三十八温度值t64，以及再进一步确定鼻子温度t3小于或等于第三十九温度值t65，则目标温度判定分支为第四十三温度判定分支，获取用户个体温冷感决策树模型对应第四十三温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0161]
或者，确定脸颊温度t2大于第三十五温度值t61，进一步确定鼻子温度t3小于或等于第三十八温度值t64，以及再进一步确定鼻子温度t3大于第三十九温度值t65，则目标温度判定分支为第四十四温度判定分支，获取用户个体温冷感决策树模型对应第四十四温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0162]
或者，确定脸颊温度t2大于第三十五温度值t61，进一步确定鼻子温度t3大于第三十八温度值t64，以及再进一步确定耳部温度t4小于或等于第四十温度值t66，则目标温度判定分支为第四十五温度判定分支，获取用户个体温冷感决策树模型对应第四十五温度判定分支的输出值为中性输出值，则目标用户的温冷感状态。
[0163]
或者，确定脸颊温度t2大于第三十五温度值t61，进一步确定鼻子温度t3大于第三十八温度值t64，以及再进一步确定耳部温度t4大于第四十温度值t66，则目标温度判定分支为第四十六温度判定分支，获取用户个体温冷感决策树模型对应第四十六温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0164]
由此，通过利用以上用户个体温冷感决策树模型配置的七个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0165]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以脸颊温度决策条件、鼻子温度决策条件、额头温度决策条件、眼睛温度决策条件和耳部温度决策条件对应作为每一个温度判定分支中的温度决策条件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括脸颊温度t2、鼻子温度t3、额头温度t5、眼睛温度t4和耳部温度t1。
[0166]
第四十七温度判定分支：t2≤t71，t3≤t72，t5≤t73，输出值对应偏冷；第四十八温度判定分支：t2≤t71，t3≤t72，t5>t73，输出值对应偏冷，其中，t73>t71>t72。
[0167]
第四十九温度判定分支：t2≤t71，t3>t72，t4≤t74，输出值对应中性；第五十温度判定分支：t2≤t71，t3>t72，t4>t74，输出值对应中性，其中，t74>t73。
[0168]
第五十一温度判定分支：t2>t71，t2≤t75，t1≤t76，输出值对应中性；第五十二温度判定分支：t2>t71，t2≤t75，t1>t76，输出值对应中性，其中，t75>t74，t71>t76>t72。
[0169]
第五十三温度判定分支：t2>t71，t2>t75，t5≤t77，输出值对应中性；第五十四温度判定分支：t2>t71，t2>t75，t5>t77，输出值对应中性，其中，t77>t75。
[0170]
基于以上用户个体温冷感决策树模型配置的八个温度判定分支，对输入的脸颊温度t2、鼻子温度t3、额头温度t5、眼睛温度t4和耳部温度t1的判定过程如下。
[0171]
其中，确定脸颊温度t2小于或等于第四十一温度值t71，进一步确定鼻子温度t3小
于或等于第四十二温度值t72，以及再进一步确定额头温度t5小于或等于第四十三温度值t73，则目标温度判定分支为第四十七温度判定分支，获取用户个体温冷感决策树模型对应第四十七温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0172]
或者，确定脸颊温度t2小于或等于第四十一温度值t71，进一步确定鼻子温度t3小于或等于第四十二温度值t72，以及再进一步确定额头温度t5大于第四十三温度值t73，则目标温度判定分支为第四十八温度判定分支，获取用户个体温冷感决策树模型对应第四十八温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0173]
或者，确定脸颊温度t2小于或等于第四十一温度值t71，进一步确定鼻子温度t3大于第四十二温度值t72，以及再进一步确定眼睛温度t4小于或等于第四十四温度值t74，则目标温度判定分支为第四十九温度判定分支，获取用户个体温冷感决策树模型对应第四十九温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0174]
或者，确定脸颊温度t2小于或等于第四十一温度值t71，进一步确定鼻子温度t3大于第四十二温度值t72，以及再进一步确定眼睛温度t4大于第四十四温度值t74，则目标温度判定分支为第五十温度判定分支，获取用户个体温冷感决策树模型对应第五十温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0175]
或者，确定脸颊温度t2大于第四十一温度值t71，进一步确定脸颊温度t2小于或等于第四十五温度值t75，以及再进一步确定耳部温度t1小于或等于第四十六温度值t76，则目标温度判定分支为第五十一温度判定分支，获取用户个体温冷感决策树模型对应第五十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0176]
或者，确定脸颊温度t2大于第四十一温度值t71，进一步确定脸颊温度t2小于或等于第四十五温度值t75，以及再进一步确定耳部温度t1大于第四十六温度值t76，则目标温度判定分支为第五十二温度判定分支，获取用户个体温冷感决策树模型对应第五十二温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性；
[0177]
或者，确定脸颊温度t2大于第四十一温度值t71，进一步确定脸颊温度t2大于第四十五温度值t75，以及再进一步确定额头温度t5小于或等于第四十七温度值t77，则目标温度判定分支为第五十三温度判定分支，获取用户个体温冷感决策树模型对应第五十三温度判定分支的输出值为中性输出值，则目标。
[0178]
或者，确定脸颊温度t2大于第四十一温度值t71，进一步确定脸颊温度t2大于第四十五温度值t75，以及再进一步确定额头温度t5大于第四十七温度值t77，则目标温度判定分支为第五十四温度判定分支，获取用户个体温冷感决策树模型对应第五十四温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0179]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0180]
在另一些实施例中，利用人工智能技术，基于大数据经不断调试及优化而建立的用户个体温冷感决策树模型中，以眼睛温度决策条件、脸颊温度决策条件、鼻子温度决策条件、额头温度决策条件和耳朵温度决策条件对应作为每一个温度判定分支中的温度决策条
件，由此构成的用户个体温冷感决策树模型配置有八个温度判定分支，每个温度判定分支配置有三层温度决策条件，八个温度判定分支配置如下。其中，获取的目标用户的头部温度包括眼睛温度t4、脸颊温度t2、鼻子温度t3、额头温度t5和耳部温度t1。
[0181]
第五十五温度判定分支：t4≤t81，t2≤t82，t3≤t83，输出值对应偏冷；第五十六温度判定分支：t4≤t81，t2≤t82，t3>t83，输出值对应中性，其中，t81>t82>t83。
[0182]
第五十七温度判定分支：t4≤t81，t2>t82，t5≤t84，输出值对应中性；第五十八温度判定分支：t4≤t81，t2>t82，t5>t84，输出值对应中性，其中，t84>t81。
[0183]
第五十九温度判定分支：t4>t81，t5≤t85，t5≤t86，输出值对应中性；第六十温度判定分支：t4>t81，t5≤t85，t5>t86，输出值对应中性，其中，t85>t86>t84。
[0184]
第六十一温度判定分支：t4>t81，t5>t85，t1≤t87，输出值对应中性；第六十二温度判定分支：t4>t81，t5>t85，t1>t87，输出值对应偏热，其中，t87>t85。
[0185]
基于以上用户个体温冷感决策树模型配置的八个温度判定分支，对输入的眼睛温度t4、脸颊温度t2、鼻子温度t3、额头温度t5和耳部温度t1的判定过程如下。
[0186]
其中，确定眼睛温度t4小于或等于第四十八温度值t81，进一步确定脸颊温度t2小于或等于第四十九温度值t82，以及再进一步确定鼻子温度t3小于或等于第五十温度值t83，则目标温度判定分支为第五十五温度判定分支，获取用户个体温冷感决策树模型对应第五十五温度判定分支的输出值为偏冷输出值，则目标用户的温冷感状态为偏冷。
[0187]
或者，确定眼睛温度t4小于或等于第四十八温度值t81，进一步确定脸颊温度t2小于或等于第四十九温度值t82，以及再进一步确定鼻子温度t3大于第五十温度值t83，则目标温度判定分支为第五十六温度判定分支，获取用户个体温冷感决策树模型对应第五十六温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0188]
或者，确定眼睛温度t4小于或等于第四十八温度值t81，进一步确定脸颊温度t2大于第四十九温度值t82，以及再进一步确定额头温度t5小于或等于第五十一温度值t84，则目标温度判定分支为第五十七温度判定分支，获取用户个体温冷感决策树模型对应第五十七温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0189]
或者，确定眼睛温度t4小于或等于第四十八温度值t81，进一步确定脸颊温度t2大于第四十九温度值t82，以及再进一步确定额头温度t5大于第五十一温度值t84，则目标温度判定分支为第五十八温度判定分支，获取用户个体温冷感决策树模型对应第五十八温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0190]
或者，确定眼睛温度t4大于第四十八温度值t81，进一步确定额头温度t5小于或等于第五十二温度值t85，以及再进一步确定额头温度t5小于或等于第五十三温度值t86，则目标温度判定分支为第五十九温度判定分支，获取用户个体温冷感决策树模型对应第五十九温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0191]
或者，确定眼睛温度t4大于第四十八温度值t81，进一步确定额头温度t5小于或等于第五十二温度值t85，以及再进一步确定额头温度t5大于第五十三温度值t86，则目标温度判定分支为第六十温度判定分支，获取用户个体温冷感决策树模型对应第六十温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0192]
或者，确定眼睛温度t4大于第四十八温度值t81，进一步确定额头温度t5大于第五十二温度值t85，以及再进一步确定耳部温度t1小于或等于第五十四温度值t87，则目标温
度判定分支为第六十一温度判定分支，获取用户个体温冷感决策树模型对应第六十一温度判定分支的输出值为中性输出值，则目标用户的温冷感状态为中性。
[0193]
或者，确定眼睛温度t4大于第四十八温度值t81，进一步确定额头温度t5大于第五十二温度值t85，以及再进一步确定耳部温度t1大于第五十四温度值t87，则目标温度判定分支为第六十二温度判定分支，获取用户个体温冷感决策树模型对应第六十二温度判定分支的输出值为偏热输出值，则目标用户的温冷感状态为偏热。
[0194]
由此，通过利用以上用户个体温冷感决策树模型配置的八个温度判定分支对目标用户的头部温度进行判断，可以精准获知目标用户的温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0195]
需要说明的是，在上述用户个体温冷感决策树模型中所提到的第一温度值至第五十四温度值均为基于大数据的人工智能技术经不断调试及优化后获得的，因此，用户个体温冷感决策树模型在通过以上温度值来对目标用户的温冷感状态进行判断，可以准确获知目标用户的热舒适需求，便于空调器进行个性化热舒适控制，满足目标用户的个性化舒适调节需求。
[0196]
在一些实施例中，若确定目标用户的温冷感状态为偏冷，则提高当前设定温度，也就是，空调器的控制器通过用户个体温冷感决策树模型预测用户个体温冷感为偏冷时，则发送升温信号，以在已存储的当前设定温度的基础上提高预设温度，例如，预设温度为1℃，当前设定温度为20℃，则提高后的目标温度为21℃；或者，确定目标用户的温冷感状态为中性，则维持当前设定温度，也就是，空调器的控制器通过用户个体温冷感决策树模型预测用户个体温冷感为中性时，则发送温度维持信号，以保持当前设定温度不变，例如，预设温度为1℃，当前设定温度为20℃，响应于温度维持信号，目标温度即为当前设定温度20℃；或者，确定目标用户的温冷感状态为偏热，则降低当前设定温度，也就是，空调器的控制器通过用户个体温冷感决策树模型预测用户个体温冷感为偏热时，则发送降温信号，以在已存储的当前设定温度的基础上降低预设温度，例如，预设温度为1℃，当前设定温度为20℃，则降低后的目标温度为19℃。由此，通过以上方式对当前设定温度进行调整，使空调器按照调整后的目标温度运行，以实现对用户进行个性化热舒适控制的目的，满足目标用户的个性化舒适调节需求。
[0197]
在一些实施例中，空调器处于制热模式，连续预设次数确定目标用户的温冷感状态为偏冷，则提高空调器室内风机转速；或者，空调器处于制热模式，连续预设次数确定目标用户的温冷感状态为偏热，则降低空调器室内风机转速；或者，空调器处于制冷模式，连续预设次数确定目标用户的温冷感状态为偏冷，则降低空调器室内风机转速；空调器处于制冷模式，连续预设次数确定目标用户的温冷感状态为偏热，则提高空调器室内风机转速。也就是，当空调器连续预设次数预测的用户温冷感状态均一致，则说明该用户个体冷热感较强，因此通过调整室内风机转速，以此来对用户进行个性化热舒适控制，满足目标用户的个性化舒适调节需求。
[0198]
可以理解的是，连续预设次数确定目标用户的温冷感状态为中性，则维持当前空调器室内风机转速。
[0199]
下面参考图3和图4对本发明实施例的空调器控制方法进行举例说明，详细步骤如下。
[0200]
步骤s9，空调器自动运行。
[0201]
步骤s10，利用用户个体温冷感决策树模型对用户个体进行温冷感预测。
[0202]
步骤s11，确定用户温冷感状态为中性，则保持当前设定温度tset不变。
[0203]
步骤s12，若确定用户温冷感状态为偏冷，则需提高当前设定温度；若确定用户温冷感状态为偏热，则需降低当前设定温度。
[0204]
步骤s13，根据用户的温冷感状态对控制器存储的当前设定温度进行一次更改。其中，若确定用户温冷感状态为偏冷，则控制当前设定温度+1℃；若确定用户温冷感状态为偏热，则控制当前设定温度
‑
1℃。
[0205]
步骤s14，判断是否满足tset+3＜目标温度＜tset
‑
3。若否，则说明目标温度不是由空调器根据用户个体温冷感决策树模型自动控制而获得的温度，而是用户通过遥控器自定义更改的温度，在此情况下执行步骤s15；若是，则执行步骤s16。
[0206]
步骤s15，目标温度为最大值tset
±
3。
[0207]
步骤s16，空调器根据用户个体的温冷感状态计算目标温度，即步骤s13中对当前设定温度更改后的温度。
[0208]
步骤s17，空调器根据目标温度通过温湿度对照表例如表1所示获得默认相对湿度rhset。
[0209]
步骤s18，根据目标温度以及与目标温度对应的默认相对湿度运行制冷模式。
[0210]
步骤s19，压缩机频率控制。
[0211]
步骤s20，首次进入制冷模式。
[0212]
步骤s21，判断是否满足设定温差e＞3℃。其中，设定温差e为室内环境温度与目标温度的差值的绝对值。若是，则执行步骤s22；若否，则执行步骤s23。
[0213]
步骤s22，调用现有强力制冷模式运行。
[0214]
步骤s23，以普通模式运行。
[0215]
步骤s24，风机转速控制。
[0216]
步骤s25，判断是否满足设定温差e＞2℃。若是，则执行步骤s26；若否，则执行步骤s28。
[0217]
步骤s26，以超高风1250rpm运行。需要说明的是，在此模式下首次进入中风之后，若检测e＞3℃且持续5min时，则需运行超高风。
[0218]
步骤s27，判断是否满足设定温差e≤2℃。若是，则执行步骤s28；若否，则执行步骤s26。
[0219]
步骤s28，以中风1000rpm运行。
[0220]
步骤s29，判断是否满足连续四个周期
‑
2≤δr＜2。其中，每间隔预设采样周期如5min采集一次室内瞬时采样相对湿度，δr为本次采样周期的室内瞬时采样相对湿度rhi与上一次采样周期的室内瞬时采样相对湿度rh(i
‑
1)的差值，即δr＝rhi
‑
rh(i
‑
1)。若是，则执行步骤s30；若否，则执行步骤s28。
[0221]
步骤s30，判断是否满足
‑
6≤δrh＜6。其中，δrh为本次采样周期的室内瞬时采样相对湿度rhi与默认相对湿度rhset的差值。若是，则执行步骤s29；若否，则执行步骤s31。
[0222]
步骤s31，判断是否满足δrh＞6。若是，则执行步骤s32；若否，则执行步骤s33。
[0223]
步骤s32，往风速低的风挡下调一档。
[0224]
步骤s33，判断是否满足δrh＜6。若是，则执行步骤s34。
[0225]
步骤s34，往风速高的风挡上调一档。
[0226]
由此，通过以上步骤，本发明针对家庭个体用户不同的热舒适需求，利用基于大数据的人工智能技术建立用户个体温冷感决策树模型，自学习用户温冷感变化规律，精准识别用户个体热舒适需求，从而，在应用于空调器时，便于空调器根据目标用户的头部温度进行个性化热舒适控制，满足不同用户个体差异化、个性化的舒适控制要求，同时，弥补了基于普遍人群的pmv预测舒适模型弱化了个体差异的不足，使得空调器不但满足普遍人群的舒适需求，也能够实现单个家庭用户的个性化舒适需求。
[0227]
本发明第二实施例提供一种空调器控制装置，如图5所示，空调器控制装置10包括温度获取模块1、温冷感状态确定模块2和调节模块3。
[0228]
其中，温度获取模块1用于获取目标用户的头部温度；温冷感状态确定模块2用于将头部温度输入用户个体温冷感决策树模型以确定目标用户的温冷感状态；调节模块3用于根据目标用户的温冷感状态调节当前设定温度。
[0229]
需要说明的是，本发明实施例的空调器控制装置10的具体实现方式与本发明上述任意实施例的空调器控制方法的具体实现方式类似，具体请参见关于方法部分的描述，为了减少冗余，此处不再赘述。
[0230]
根据本发明实施例的空调器控制装置10，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过温冷感状态确定模块2将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于调节模块3根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0231]
本发明第三方面实施例提供一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述实施例提供的空调器控制方法。
[0232]
本发明第四方面实施例提供一种空调器，下面描述本发明实施例的空调器。
[0233]
在本发明的一个实施例中，该空调器可以包括上述实施例提供的空调器控制装置10。即，该空调器通过空调器控制装置10对出风温度进行控制，从而实现个性化热舒适控制，满足目标用户的个性化舒适调节需求。
[0234]
在该实施例中，该空调器的具体实现方式与本发明上述任意实施例的空调器控制装置10的具体实现方式类似，具体请参见关于空调器控制装置10部分的描述，为了减少冗余，此处不再赘述。
[0235]
在本发明的另一个实施例中，空调器可包括至少一个处理器和与至少一个处理器通信连接的存储器。其中，存储器中存储有可被至少一个处理器执行的计算机程序，至少一个处理器执行计算机程序时实现上述实施例提供的空调器控制方法。
[0236]
在该实施例中，该空调器的具体实现方式与本发明上述任意实施例的空调器控制方法的具体实现方式类似，具体请参见关于空调器控制方法部分的描述，为了减少冗余，此处不再赘述。
[0237]
根据本发明实施例的空调器，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于空调器根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0238]
本发明第四方面实施例提供一种空调器，如图6所示，空调器20包括压缩机4、室内换热器5、室内风机6、室外换热器7、室外风机8、节流元件9、温度采集装置11和控制器12。
[0239]
其中，温度采集装置11用于采集用户的头部温度；控制器12与温度采集装置11连接，用于根据上述实施例提供的空调器控制方法调节当前设定温度。
[0240]
在一些实施例中，温度采集装置11可以为红外设备如红外相机。温度采集装置11可以设置于空调器的适当位置处，如室内机的控制面板上，以便于实时采集用户的头部温度。
[0241]
在该实施例中，该控制器的具体实现方式与本发明上述任意实施例的空调器控制方法的具体实现方式类似，具体请参见关于空调器控制方法部分的描述，为了减少冗余，此处不再赘述。
[0242]
根据本发明实施例的空调器20，利用用户个体温冷感决策树模型可以精准识别用户个体温冷感的作用，通过控制器12将目标用户的头部温度输入用户个体温冷感决策树模型，以获知目标用户的热舒适需求即温冷感状态，从而便于空调器20根据该用户自身的温冷感状态调整当前设定温度，使得空调器的出风温度符合用户个性化舒适需求，由此方式实现对不同用户个体差异化、个性化的舒适控制要求，提高用户个体的使用舒适性。
[0243]
根据本发明实施例的空调器的其他构成以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
[0244]
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0245]
在本说明书的描述中，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0246]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器
(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0247]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0248]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0249]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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。
[0250]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
[0251]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
[0252]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。