技术领域 [0001]本发明涉及空调技术领域，尤其涉及空调器的控制方法、空调器和计算机可读存储介质。 背景技术 [0002]随着经济技术的发展，空调器的应用越来越广泛，空调器的性能也在不断地优化。目前，空调器大多设置有睡眠模式，在用户的睡眠状态下，一般会按照预先设置的固定睡眠温度控制空调运行，然而这容易导致空调器的运行与当前环境或环境内用户的实际睡眠状态不匹配，影响用户的睡眠质量。 发明内容 [0003]本发明的主要目的在于提供一种空调器的控制方法、空调器以及计算机可读存储介质，旨在提高用户的睡眠质量。 [0004]为实现上述目的，本发明提供一种空调器的控制方法，所述空调器的控制方法包括以下步骤： [0005]获取环境温度和人体信息；所述人体信息表征空调器作用空间内处于睡眠状态的人体情况； [0006]将所述环境温度和所述人体信息输入睡眠温度预测模型，并将所述睡眠温度预测模型的输出结果作为所述空调器的目标睡眠温度；所述睡眠温度预测模型为用于预测所述目标睡眠温度的机器学习模型； [0007]根据所述目标睡眠温度控制所述空调器运行。 [0008]可选地，所述获取环境温度和人体信息的步骤之前，还包括： [0009]获取样本集； [0010]根据所述样本集训练预设神经网络模型，获得特征提取模型； [0011]采用所述特征提取模型提取所述样本集中最佳睡眠温度相关的数据特征； [0012]根据所述数据特征训练预设回归器模型，获得所述睡眠温度预测模型； [0013]其中，所述样本集包括多个预设睡眠温度以及每个预设睡眠温度对应的环境温度数据和人体睡眠数据，所述环境温度数据是对应的预设睡眠温度为最佳睡眠温度时所采集的环境温度的特征数据，所述人体睡眠数据集包括对应的预设睡眠温度为最佳睡眠温度时所采集的处于睡眠状态下人体的特征数据。 [0014]可选地，所述根据所述样本集训练预设神经网络模型，获得特征提取模型的步骤包括： [0015]按照预设比例将所述样本集划分成训练集和测试集；所述训练集和所述测试集分别包括不同的多个所述预设睡眠温度及其对应的环境温度数据和人体睡眠数据； [0016]根据所述训练集训练所述预设神经网络模型，获得所述特征提取模型； [0017]所述根据所述数据特征训练预设回归器模型，获得所述睡眠温度预测模型的步骤包括： [0018]根据所述数据特征训练所述预设回归器模型的训练结果作为待定模型； [0019]根据所述测试集校验所述待定模型的校验结果确定所述睡眠温度预测模型。 [0020]可选地，所述预设神经网络模型包括依次连接的多个子模块，每个子模块包括密集连接层和与所述密集连接层连接的转换层。 [0021]可选地，所述密集连接层包括多个第一卷积层，所述转换层包括一个第二卷积层；所述第一卷积层的卷积核尺寸为M*M，M>1；所述第二卷积层的卷积核尺寸为1*1； [0022]且/或，所述依次连接的多个子模块的输入端与第三卷积层连接，所述第三卷积层的卷积核尺寸为N*N，N>1； [0023]且/或，所述依次连接的多个子模块的输出端与池化层连接，所述池化层与多于一个全连接层连接。 [0024]可选地，所述环境温度数据包括室内环境温度数据和/或室外环境温度数据； [0025]且/或，所述状态数据包括人体属性数据、睡眠时长数据、睡眠曲线数据和/或清醒状态数据；所述睡眠曲线数据为表征人体在睡眠状态下不同时间所对应的睡眠阶段的数据。 [0026]可选地，所述环境温度包括所述室内环境温度和/或所述室外环境温度； [0027]且/或，所述人体信息包括所述人体属性信息和人体睡眠状态信息。 [0028]可选地，所述获取人体信息的步骤包括： [0029]获取所述空调器作用空间内人体图像数据； [0030]根据所述人体图像数据确定所述人体属性信息和所述人体睡眠状态信息。 [0031]可选地，所述人体睡眠状态信息包括睡眠时长信息、睡眠曲线和/或清醒状态信息，所述根据所述人体图像数据确定所述人体睡眠状态信息的步骤包括： [0032]根据所述人体图像数据确定所述空调器作用空间内人体的脸部动作信息和肢体信息； [0033]根据所述脸部动作信息和所述肢体信息确定所述睡眠时长信息、所述睡眠曲线和/或所述清醒状态信息； [0034]其中，所述睡眠曲线表征所述空调器作用空间内人体当前在睡眠状态下不同时间所对应的睡眠阶段。 [0035]此外，为了实现上述目的，本申请还提出一种空调器，所述空调器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调器的控制程序，所述空调器的控制程序被所述处理器执行时实现如上任一项所述的空调器的控制方法的步骤。 [0036]此外，为了实现上述目的，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有空调器的控制程序，所述空调器的控制程序被处理器执行时实现如上任一项所述的空调器的控制方法的步骤。 [0037]本发明提出的一种空调器的控制方法，该方法通过将环境温度和表征空调作用空间内睡眠的用户情况的人体信息，输入到机器学习模型中预测用于空调器运行控制的目标睡眠温度，从而保证用户睡眠状态下空调器运行控制所需的睡眠温度并不再是预先设置的参数，而是与实际环境情况和睡眠状态下用户的实际情况相匹配的温度，保证空调器按照目标睡眠温度运行时其送风可与当前环境和睡眠用户的实际状态精准匹配，以实现用户睡眠质量的有效提高。 附图说明 [0038]图1为本发明空调器一实施例运行涉及的硬件结构示意图； [0039]图2为本发明空调器的控制方法一实施例的流程示意图； [0040]图3为本发明空调器的控制方法另一实施例的流程示意图； [0041]图4为本发明空调器的控制方法又一实施例的流程示意图。 [0042]本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。 具体实施方式 [0043]应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 [0044]本发明实施例的主要解决方案是：获取环境温度和人体信息；所述人体信息表征空调器作用空间内处于睡眠状态的人体的情况；将所述环境温度和所述人体信息输入睡眠温度预测模型，获得所述睡眠温度预测模型的输出结果确定为所述空调器的目标睡眠温度；所述睡眠温度预测模型为用于预测所述目标睡眠温度的神经网络模型；根据所述目标睡眠温度控制所述空调器运行 [0045]由于现有技术中，空调器大多设置有睡眠模式，在用户的睡眠状态下，一般会按照预先设置的固定睡眠温度控制空调运行，然而这容易导致空调器的运行与当前环境或环境内用户的实际睡眠状态不匹配，影响用户的睡眠质量。 [0046]本发明提供上述的解决方案，旨在提高用户的睡眠质量。 [0047]在本发明实施例提出一种空调器。空调器可以是壁挂式空调、窗式空调、柜式空调、移动空调、吊顶式空调、多联机空调等任意类型的空调。 [0048]参照图1，空调器具体包括控制装置，控制装置可包括：处理器1001(例如CPU)，存储器1002等。处理器1001与存储器1002通过通信总线连接。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。 [0049]进一步的，在本实施例中，参照图1，空调器还可包括摄像头1，摄像头可用于采集空调器作用空间的图像，例如空调器作用空间内的人体图像。控制装置与摄像头1连接，以获取摄像头1采集的数据。 [0050]进一步的，空调器还可包括冷媒循环回路，冷媒循环回路包括依次连接的压缩机、第一换热器、节流装置和第二换热器，第一换热器和第二换热器中之一为设于室内的室内换热器，第一换热器和第二换热器中之另一设于室外的室外换热器。空调器还可包括对应室内换热器设置的室内风机和对应室外换热器设置的室外风机。进一步的，空调器还可包括设于出风口的导风组件，导风组件可用于调节出风口的出风量和/或出风方向。压缩机、室内风机、室外风机和/或导风组件可与上述的控制装置，控制装置可用于控制这些部件运行。 [0051]本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。 [0052]如图1所示，作为一种计算机可读存储介质的存储器1002中可以包括空调器的控制程序。在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的空调器的控制程序，并执行以下实施例中空调器的控制方法的相关步骤操作。 [0053]本发明实施例还提供一种空调器的控制方法，应用于对上述空调器的运行进行控制。 [0054]参照图2，提出本申请空调器的控制方法一实施例。在本实施例中，所述空调器的控制方法包括： [0055]步骤S10，获取环境温度和人体信息；所述人体信息表征空调器作用空间内处于睡眠状态的人体的情况； [0056]环境温度可具体包括室内环境温度和/或室外环境温度。室内环境温度可具体通过获取设于空调器回风口的第一温度传感器当前检测的温度数据得到，室外环境温度可具体通过获取设于空调器室外的第二温度传感器当前检测的温度数据得到。 [0057]人体信息可具体包括人体属性信息和/或人体睡眠状态信息。人体属性信息可具体包括用户性别和/或用户年龄等。睡眠状态信息可包括睡眠时长信息、睡眠曲线和/或清醒状态信息等。其中，睡眠时长信息可具体包括入睡总时长(从第一次入睡时开始计时)和持续睡眠时长(每次清醒后再次入睡时开始计时至下一次清醒的间隔时长或第一次入睡开始计时至清醒时的间隔时长)等。睡眠曲线表征空调作用空间内用户在睡眠状态下不同时刻所分别对应的睡眠阶段(睡眠阶段可具体包括入睡阶段、浅睡阶段、深睡阶段和清醒阶段等，可根据实际情况进行划分)。清醒状态信息可具体包括清醒时长、清醒总次数和/或出现清醒状态对应的不同特征动作分别对应的次数等。 [0058]具体的，可在空调器处于睡眠模式的状态下，获取这里的环境温度和人体信息，睡眠模式可由用户通过控制指令开启；也可在通过空调器上的检测模块检测到人体存在睡眠动作时获取这里的环境温度和人体信息。 [0059]步骤S20，将所述环境温度和所述人体信息输入睡眠温度预测模型，并将所述睡眠温度预测模型的输出结果作为所述空调器的目标睡眠温度；所述睡眠温度预测模型为用于预测所述目标睡眠温度的机器学习模型； [0060]目标睡眠温度具体为用户处于睡眠状态下空调器作用空间内室内环境所需达到的目标温度值。 [0061]睡眠温度预测模型为通过大量睡眠数据样本训练得到的机器学习模型。在本实施例中，睡眠温度预测模型为卷积神经网络模型。在其他实施例中，睡眠温度预测模型还可以是其他类型的机器学习模型，如多层感知机、残差收缩网络等。 [0062]将环境温度和人体信息作为输入参数输入到睡眠温度预测模型，睡眠温度预测模型输出的结果作为目标睡眠温度。 [0063]步骤S30，根据所述目标睡眠温度控制所述空调器运行。 [0064]以目标睡眠温度为目标调节空调器运行。具体的，可确定目标睡眠温度与当前室内环境温度之间的温差值，根据温差值控制空调器的压缩机、室内风机、室外风机和/或导风组件运行。 [0065]本发明实施例提出的一种空调器的控制方法，该方法通过将环境温度和表征空调作用空间内睡眠的用户情况的人体信息，输入到机器学习模型中预测用于空调器运行控制的目标睡眠温度，从而保证用户睡眠状态下空调器运行控制所需的睡眠温度并不再是预先设置的参数，而是与实际环境情况和睡眠状态下用户的实际情况相匹配的温度，保证空调器按照目标睡眠温度运行时其送风可与当前环境和睡眠用户的实际状态精准匹配，以实现用户睡眠质量的有效提高。 [0066]进一步的，基于上述实施例，提出本申请空调器的控制方法另一实施例。在本实施例中，参照图3，所述步骤S10之前，还包括： [0067]步骤S01，获取样本集； [0068]其中，所述样本集包括多个预设睡眠温度以及每个预设睡眠温度对应的环境温度数据和人体睡眠数据，所述环境温度数据是对应的预设睡眠温度为最佳睡眠温度时所采集的环境温度的特征数据，所述人体睡眠数据集包括对应的预设睡眠温度为最佳睡眠温度时所采集的处于睡眠状态下人体的特征数据。 [0069]具体的，这里的样本集可在当前时刻之前在空调器运行过程中进行数据采集得到，也可基于互联网获取相关的数据作为样本集。 [0070]在本实施例中，所述环境温度数据包括室内环境温度数据和/或室外环境温度数据；且/或，所述状态数据包括人体属性数据、睡眠时长数据、睡眠曲线数据和/或清醒状态数据；所述睡眠曲线数据为表征人体在睡眠状态下不同时间所对应的睡眠阶段的数据。其中，人体属性数据可具体包括用户性别和/或用户年龄等。其中，睡眠时长数据可具体包括入睡总时长(从第一次入睡时开始计时)和持续睡眠时长(每次清醒后再次入睡时开始计时至下一次清醒的间隔时长或第一次入睡开始计时至清醒时的间隔时长)等。睡眠曲线表征空调作用空间内用户在睡眠状态下不同时刻所分别对应的睡眠阶段(睡眠阶段可具体包括入睡阶段、浅睡阶段、深睡阶段和清醒阶段等，可根据实际情况进行划分)。清醒状态信息可具体包括清醒时长、清醒总次数和/或出现清醒状态对应的不同特征动作(如睁眼或起床等)分别对应的次数等。 [0071]步骤S02，根据所述样本集训练预设神经网络模型，获得特征提取模型； [0072]预设神经网络模型具体为超参数已知、模型参数待确定的神经网络模型。通过样本集训练预设神经网络模型，确定模型参数的目标值，使预设神经网络模型具有提取最佳睡眠温度相关的数据特征的能力，具有数据特征提取能力的预设神经网络模型作为特征提取模型。 [0073]步骤S03，采用所述特征提取模型提取所述样本集中最佳睡眠温度相关的数据特征； [0074]将样本集中部分或全部预设睡眠温度及其对应的数据输入到特征提取模型中，提取特征提取模型的计算结果作为最佳睡眠温度相关的数据特征进行保存。 [0075]步骤S04，根据所述数据特征训练预设回归器模型，获得所述睡眠温度预测模型。 [0076]将上述提取得到的数据特征作为预设回归器模型的输入，训练一个线性或非线性的回归器模型并保存，训练得到的回归器模型可直接作为睡眠温度预测模型，也可进行验证、调整后作为睡眠温度预测模型。 [0077]在本实施例中，按照上述方式生成睡眠温度预测模型，可保证所生成的睡眠温度预测模型可准确预测当前环境状态和睡眠用户的实际状态所匹配的目标睡眠温度，从而实现空调器运行时用户睡眠质量的有效提高。 [0078]进一步的，在本实施例中，步骤S02包括： [0079]步骤S021，按照预设比例将所述样本集划分成训练集和测试集；所述训练集和所述测试集分别包括不同的多个所述预设睡眠温度及其对应的环境温度数据和人体睡眠数据； [0080]预设比例可根据实际情况进行设置，在本实施例中，预设比例为训练集占样本集的80％、测试集占样本集的20％。在其他实施例中，预设比例为训练集占样本集的70％，测试集占样本集的30％等。 [0081]具体的，一个预设睡眠温度及其对应的环境温度数据和人体睡眠数据均出现于训练集和测试集中之一。 [0082]步骤S022，根据所述训练集训练所述预设神经网络模型，获得所述特征提取模型； [0083]预设神经网络模型具体为超参数已知、模型参数待确定的神经网络模型。通过样本集中的训练集训练预设神经网络模型，确定模型参数的目标值，使预设神经网络模型具有提取最佳睡眠温度相关的数据特征的能力，具有数据特征提取能力的预设神经网络模型作为特征提取模型。 [0084]基于步骤S21和步骤S22，步骤S04包括： [0085]步骤S041，根据所述数据特征训练所述预设回归器模型的训练结果作为待定模型； [0086]将上述提取得到的数据特征作为预设回归器模型的输入，训练一个线性或非线性的回归器模型并保存，训练得到的回归器模型可作为这里的待定模型。 [0087]步骤S042，根据所述测试集校验所述待定模型的校验结果确定所述睡眠温度预测模型。 [0088]将样本集中的测试集输入到特征提取模型中，提取特征提取模型的计算结果作为最佳睡眠温度相关的测试数据特征。 [0089]将测试数据特征输入到待定模型中，获得预测睡眠温度，基于预测睡眠温度确定待定模型的准确率作为校验结果，在准确率大于或等于设定阈值时，确定待定模型为睡眠温度预测模型；在准确率小于设定阈值时，调整所述预设神经网络模型中的超参数之后，返回执行步骤S02。 [0090]在本实施例中，通过上述方式生成睡眠温度预测模型，有利于进一步提高模型所预测得到的目标睡眠温度与环境实际情况和睡眠用户实际情况的匹配程度，从而进一步提高用户睡眠质量。 [0091]进一步的，在本实施例中，在步骤S20之前，还可包括对样本集进行预处理，以去除偏差大于阈值的数据和空白数据。空白数据可具体包括不具有对应的环境温度数据和人体睡眠数据的预设睡眠温度或不具有对应的预设睡眠温度的环境温度数据和人体睡眠数据等。 [0092]进一步的，在本实施例中，所述预设神经网络模型包括依次连接的多个子模块，每个子模块包括密集连接层和与所述密集连接层连接的转换层。 [0093]在本实施例中，所述密集连接层包括多个第一卷积层，所述转换层包括一个第二卷积层；所述第一卷积层的卷积核尺寸为M*M，M>1；所述第二卷积层的卷积核尺寸为1*1； [0094]且/或，所述依次连接的多个子模块的输入端与第三卷积层连接，所述第三卷积层的卷积核尺寸为N*N，N>1； [0095]且/或，所述依次连接的多个子模块的输出端与池化层连接，所述池化层与多于一个全连接层连接。 [0096]这里的M、N、子模块的数量可根据实际需求进行设置，可为2、3、4或5等。 [0097]例如，用由3个密集连接块和3个转换块组成的密集网络作为卷积神经网络模型。1个密集连接块后连接1个转换块作为1组，共3组。每个密集连接块包含3个3*3的卷积层每个转换块包含一个1*1的卷积层，另外在第1个密集连接块前连接1个3*3的卷积层，在最后1个转换块后连接1个全集评价池化层和3个全连接层。 [0098]在本实施例中，按照上述方式构建预设神经网络模型，有利于保证基于预设神经网络模型所构建的睡眠温度预测模型所预测得到的目标睡眠温度的准确性，有利于进一步提高睡眠用户的睡眠质量。 [0099]进一步的，基于上述任一实施例，提出本申请空调器的控制方法又一实施例。在本实施例中，参照图4，获取人体信息的步骤包括： [0100]步骤S11，获取所述空调器作用空间内人体图像数据； [0101]具体的，获取空调器上设置的摄像头所采集的视频数据，从视频数据中提取人体图像得到这里的人体图像数据。 [0102]步骤S12，根据所述人体图像数据确定所述人体属性信息和所述人体睡眠状态信息。 [0103]具体的，对人体图像数据中人体特征部位及其动作特征(如动作类型和/或动作次数等)进行分析得到这里的人体属性信息和人体睡眠状态信息。 [0104]在本实施例中，对所述人体图像数据执行人脸识别操作、姿态识别操作和动作放大操作，获得图像处理结果；根据所述图像处理结果确定所述人体属性信息和所述人体睡眠状态信息。 [0105]具体的，根据人脸识别操作的识别结果确定人体属性信息，如用户的年龄和/或性别。 [0106]进一步的，所述人体睡眠状态信息包括睡眠时长信息、睡眠曲线和/或清醒状态信息，则根据所述图像处理结果确定所述空调器作用空间内人体的脸部动作信息和肢体信息；根据所述脸部动作信息和所述肢体信息确定所述睡眠时长信息、所述睡眠曲线和/或所述清醒状态信息；其中，所述睡眠曲线表征所述空调器作用空间内人体当前在睡眠状态下不同时间所对应的睡眠阶段。 [0107]具体的，对人体图像数据采用人脸识别、姿态识别和特征部位(如鼻子或口)图像放大处理等进行解析，以得到这里的人体睡眠状态信息。 [0108]具体的，通过对人体图像数据的人脸识别确定不同时刻眼睛的睁闭状态，基于识别结果统计用户在睡眠过程中睁眼次数和睁眼时间，脸部动作信息包括这里不同时刻眼睛的睁闭状态，清醒状态信息可包括这里的睁眼次数和睁眼时间。 [0109]具体的，包括但不仅限于使用openpose、densepose、deeppose等人体姿态识别算法对人体图像数据中的人体姿态进行识别，以提取这人体图像数据中的肢体信息，通过肢体信息，统计用户在睡眠过程中的翻身次数以及起床次数和时间，清醒状态信息可包括这里的翻身次数、起床次数和起床时间等。 [0110]具体的，通过欧式视频放大算法处理人体图像数据，以放大用户的鼻，口位置微笑的运动信息，并根据放大的运功过程提出呼吸频率曲线，以睡眠曲线，还可根据呼吸频率曲线确定用户的入睡时长。 [0111]在本实施例中，通过上述方式，基于图像识别免除人工操作地便可准确地获取睡眠用户当前的睡眠状态信息，从而进一步提高后续所确定的目标睡眠温度的准确性，进一步提高用户的睡眠质量。 [0112]此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有空调器的控制程序，所述空调器的控制程序被处理器执行时实现如上空调器的控制方法任一实施例的相关步骤。 [0113]需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。 [0114]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。 [0115]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。 [0116]以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。