[0001] 本申请涉及智能通风调节领域，且更为具体地，涉及一种建筑物智能通风调节系统及方法。

[0002] 建筑物通风是指通过合理的设计和控制手段，使室内空气与室外空气进行交换，以维持室内空气的新鲜度、温度和湿度适宜，并排除室内污染物和异味，提供舒适和健康的室内环境。良好的建筑物通风可以有效减少室内空气中的有害物质、湿气和热量，改善室内空气质量，预防疾病的传播，提高人们的生活质量和工作效率。同时，合理的通风设计还可以节约能源，降低建筑物的运行成本。

[0003] 建筑物通风可以通过多种方式实现，包括人工通风和机械通风。人工通风依靠自然气流和压力差来实现空气交换，可以通过人工开启窗户和门窗等方式来控制通风效果。机械通风则通过使用通风设备，如风扇、空调系统等，主动调节室内空气流动。然而，人工通风无法提供精确的室内环境控制。机械通风则是按照固定的设置和时间表运行，无法根据实时的室内环境条件进行调节，并且，机械通风通常是集中控制的，难以满足个体用户的偏好和需求。

[0004] 因此，期望一种建筑物智能通风调节系统及方法。

[0021] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0022] 图1为根据本申请实施例的建筑物智能通风调节系统的框图。如图1所示，根据本申请实施例的建筑物智能通风调节系统100，包括：建筑物数据获取模块110，用于获取由温度传感器采集的建筑物中各个房间的室内环境温度数据、由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和建筑物中所有房间的邻接矩阵；建筑物数据提取模块120，用于从所述由温度传感器采集的建筑物中各个房间的室内环境温度数据、所述由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和所述建筑物中所有房间的邻接矩阵中提取环境参数全局关联特征矩阵和房间邻接关联特征矩阵；通风调节判断生成模块130，用于基于所述环境参数全局关联特征矩阵和所述房间邻接关联特征矩阵，判断建筑物是否需要进行通风调节。

[0023] 在上述建筑物智能通风调节系统100中，所述建筑物数据获取模块110，用于获取由温度传感器采集的建筑物中各个房间的室内环境温度数据、由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和建筑物中所有房间的邻接矩阵。如前所述，人工通风无法提供精确的室内环境控制。机械通风则是按照固定的设置和时间表运行，无法根据实时的室内环境条件进行调节，并且，机械通风通常是集中控制的，难以满足个体用户的偏好和需求。在本申请的技术方案中，通过获取温度、湿度和二氧化碳这些影响室内舒适度和空气质量的关键因素，以及提供了建筑物中房间之间的空间关联信息的邻接矩阵，以对建筑物的室内环境进行全面的监测和分析，以便进行智能化的通风调节和提高室内环境的质量和舒适度。

[0024] 在上述建筑物智能通风调节系统100中，所述建筑物数据提取模块120，用于从所述由温度传感器采集的建筑物中各个房间的室内环境温度数据、所述由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和所述建筑物中所有房间的邻接矩阵中提取环境参数全局关联特征矩阵和房间邻接关联特征矩阵。应可以理解，通过提取这些特征矩阵，可以揭示不同房间之间的环境关联性和空气流动情况。全局关联特征矩阵反映了整个建筑物内部环境参数的整体变化趋势，而房间邻接关联特征矩阵则揭示了各个房间之间的局部环境关系。这些特征矩阵的提取和分析有助于判断建筑物是否需要进行通风调节，以提供更好的室内环境质量和舒适度。

[0025] 图2为根据本申请实施例的建筑物智能通风调节系统中建筑物数据提取模块的框图。如图2所示，在本申请一个具体的实施例中，所述建筑物数据提取模块120，包括：室内环境数据特征提取单元121，用于对所述由温度传感器采集的建筑物中各个房间的室内环境温度数据和由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据进行特征提取以得到建筑物室内环境温度‑湿度关联矩阵；室内环境二氧化碳数据特征提取单元122，用于对所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据进行特征提取以得到建筑二氧化碳浓度关联特征矩阵；建筑物室内环境数据特征关联单元123，用于将所述建筑物室内环境温度‑湿度关联矩阵和所述建筑二氧化碳浓度关联特征矩阵进行特征融合以得到所述环境参数全局关联特征矩阵；建筑物邻接矩阵特征提取单元124，用于对所述建筑物中所有房间的邻接矩阵进行特征提取以得到所述房间邻接关联特征矩阵。应可以理解，对温度传感器采集的建筑物中各个房间的室内环境温度数据和湿度传感器采集的建筑物中各个房间的室内环境湿度数据进行特征提取得到的建筑物室内环境温度‑湿度关联矩阵，可以反映不同房间之间的温湿度关系，帮助理解建筑物内部的热湿交换情况。通过提取特征并建立关联矩阵，可以发现温度和湿度之间的相关性，了解室内环境的整体变化趋势和局部差异。这样的关联矩阵有助于评估建筑物内部的温湿度分布情况，为智能通风调节系统提供依据，以提高室内舒适度和节能效果。

[0026] 进一步地，对二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据进行特征提取，旨在得到建筑物二氧化碳浓度关联特征矩阵。这个特征矩阵可以揭示不同房间之间的二氧化碳浓度关系，帮助了解建筑物内部的空气质量分布情况。通过提取特征并建立关联矩阵，可以发现二氧化碳浓度的整体变化趋势和局部差异，从而评估建筑物内部的空气流通情况和通风效果。更进一步地，通过将这两个关联矩阵进行融合，可以综合考虑温度、湿度和二氧化碳浓度之间的关系，从而更全面地了解建筑物室内环境的状态。融合后的全局关联特征矩阵可以揭示不同环境参数之间的综合影响和相互作用，帮助更准确地评估室内空气质量和舒适度。

[0027] 特别地，通过提取邻接矩阵的特征，可以了解不同房间之间的空间布局和连接关系。这个邻接关联特征矩阵可以揭示房间之间的相对位置、相互依赖和交流程度，帮助理解建筑物内部的空间结构和布局。通过分析邻接关联特征矩阵，可以确定房间之间的通风传递路径、空气流动方向和可能的污染传播途径。这样的关联特征矩阵对于智能通风调节系统非常重要，可以为系统提供房间之间的空气流通模式和通风需求的参考，实现更有效的室内空气质量控制和舒适度优化。

[0028] 在本申请一个具体的实施例中，所述室内环境数据特征提取单元121，包括：将所述由温度传感器采集的建筑物中各个房间的室内环境温度数据和所述由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据分别通过基于上下文编码器模型的环境参数语义编码器以得到多个建筑物室内环境温度特征向量和多个建筑物室内环境湿度特征向量；计算所述多个建筑物室内环境温度特征向量和所述多个建筑物室内环境湿度特征向量的关联矩阵以得到所述建筑物室内环境温度‑湿度关联矩阵。应可以理解，将建筑物中各个房间的室内环境温度数据和室内环境湿度数据分别通过基于上下文编码器模型的环境参数语义编码器进行处理，旨在得到多个建筑物室内环境温度特征向量和多个建筑物室内环境湿度特征向量。这样的处理方法可以将原始的温度和湿度数据转化为具有语义信息的特征向量，更好地表达室内环境的特征和变化趋势。通过使用上下文编码器模型，可以考虑到周围房间的环境信息和相互关系，从而增强特征向量的表达能力。具体地，使用所述基于上下文编码器模型的环境参数语义编码器的嵌入层分别将所述由温度传感器采集的建筑物中各个房间的室内环境温度数据转化为温度输入向量以获得温度输入向量的序列；使用所述基于上下文编码器模型的环境参数语义编码器的转化器对所述温度输入向量的序列进行基于上下文的全局语义编码以生成所述多个建筑物室内环境温度特征向量；使用所述基于上下文编码器模型的环境参数语义编码器的嵌入层分别将所述由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据转化为湿度输入向量以获得湿度输入向量的序列；以及，使用所述基于上下文编码器模型的环境参数语义编码器的转化器对所述湿度输入向量的序列进行基于上下文的全局语义编码以生成所述多个建筑物室内环境湿度特征向量。

[0029] 进一步地，计算关联矩阵可以揭示室内温度和湿度之间的相关性和相互影响。通过计算特征向量之间的相关性，可以了解温度和湿度之间的关联程度，例如它们是否呈正相关、负相关或无关。这样的关联矩阵可以提供室内环境的综合信息，帮助理解温度和湿度之间的动态变化和相互作用。

[0030] 在本申请一个具体的实施例中，所述室内环境二氧化碳数据特征提取单元122，包括：将所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据通过所述基于上下文编码器模型的环境参数语义编码器以得到多个建筑物室内环境二氧化碳特征向量；将所述多个建筑物室内环境二氧化碳特征向量进行二维拼接以得到建筑室内环境二氧化碳特征矩阵；将所述建筑室内环境二氧化碳特征矩阵通过基于卷积神经网络的二氧化碳浓度特征提取器以得到所述建筑二氧化碳浓度关联特征矩阵。应可以理解，通过使用上下文编码器模型，可以考虑到周围房间的环境信息和相互关系，从而增强特征向量的表达能力。这样，可以将原始的二氧化碳数据转化为具有语义信息的特征向量，更好地表达室内环境的二氧化碳水平和变化趋势。具体地，使用所述基于上下文编码器模型的环境参数语义编码器的嵌入层分别将各个所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据转化为二氧化碳数据输入向量以获得二氧化碳数据输入向量的序列；使用所述基于上下文编码器模型的环境参数语义编码器的转化器对所述二氧化碳数据输入向量的序列进行基于上下文的全局语义编码以生成所述多个建筑物室内环境二氧化碳特征向量。

[0031] 进一步地，将多个建筑物室内环境二氧化碳特征向量进行二维拼接，可以将它们组合成一个更大的矩阵，其中每一行表示一个建筑物，每一列表示对应建筑物的二氧化碳特征。这样的特征矩阵可以提供一个综合的视角，展示不同建筑物之间的二氧化碳特征差异和相似性。

[0032] 更进一步地，通过应用卷积神经网络，可以从特征矩阵中提取出与建筑物二氧化碳浓度相关的抽象特征。卷积神经网络具有对空间结构的敏感性，可以捕捉到特征矩阵中的局部模式和空间关联性。通过网络的多层卷积和池化操作，可以逐渐提取出更高级的特征表示。这样的特征提取过程可以帮助发现建筑物内部的二氧化碳浓度分布特征，如高浓度区域、浓度梯度变化等，进一步理解建筑物内部的空气质量状况。通过得到建筑二氧化碳浓度关联特征矩阵，可以为智能通风调节系统提供更准确的建筑物二氧化碳浓度信息，从而实现更精细化的通风调节和空气质量管理。

[0033] 在本申请一个具体的实施例中，所述建筑物室内环境数据特征关联单元123，包括：将所述建筑物室内环境温度‑湿度关联矩阵和所述建筑二氧化碳浓度关联特征矩阵进行融合以得到环境参数关联特征矩阵；其中，所述融合公式为；Mc＝Concat[Ma,Mb]，其中，Ma表示所述建筑物室内环境温度‑湿度关联矩阵，Mb表示所述建筑二氧化碳浓度关联特征矩阵，Mc表示所述环境参数关联特征矩阵，Concat[·,·]表示级联函数。应可以理解，通过将两个特征矩阵进行适当的组合，可以将建筑物的温度、湿度和二氧化碳浓度等环境参数的信息综合起来，从而得到环境参数关联特征矩阵，融合后的特征矩阵可以提供更全面的室内环境描述，包括不同环境参数之间的关联关系和综合特征。通过分析环境参数关联特征矩阵，可以获得更深入的认识，例如温度和湿度对二氧化碳浓度的影响、不同区域之间的环境参数相互作用等。这样的综合特征矩阵可以为智能通风调节系统提供更全面的决策依据，使系统能够更准确地判断建筑物是否需要通风调节，以及如何进行调节。

[0034] 在本申请一个具体的实施例中，所述建筑物邻接矩阵特征提取单元124，包括：将所述建筑物中所有房间的邻接矩阵通过邻接矩阵特征提取器以得到房间邻接特征矩阵；将所述环境参数全局关联特征矩阵和所述房间邻接特征矩阵通过所述图神经网络以得到所述房间邻接关联特征矩阵。应可以理解，通过分析房间之间的邻接关系，可以捕捉到建筑物内部房间之间的空间布局和相对位置信息。邻接矩阵特征提取器可以对邻接矩阵进行处理，从而提取出房间之间的邻接特征。通过对邻接矩阵进行图论分析和特征提取操作，可以得到房间之间的拓扑结构、连接关系和空间距离等信息。这样的特征提取过程可以帮助理解建筑物内部房间之间的关联性和布局规律，从而更好地描述建筑物内部房间之间的关系。这样的特征矩阵可以为智能通风调节系统提供更全面的空间信息，例如不同房间之间的通风流动路径、空气传播路径等。这样的信息可以帮助系统更准确地判断建筑物内部的通风需求，以及如何进行通风调节。具体地，所述邻接矩阵特征提取器的除最后一层以外的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述邻接矩阵特征提取器的最后第二层输出拓扑特征图；以及，所述邻接矩阵特征提取器的最后一层对所述拓扑特征图进行卷积处理、沿通道维度的全局均值池化处理和激活处理以生成所述房间邻接关联特征矩阵。更为具体地，所述邻接矩阵中非对角线位置上各个位置的特征值表示对应两个房间是否存在连通关系，所述邻接矩阵中对角线位置上各个位置的特征值为1，如果对应两个房间之间不存在连通关系，则对应矩阵位置的特征值为0。

[0035] 进一步地，将环境参数全局关联特征矩阵和房间邻接特征矩阵通过图神经网络进行处理，其中节点表示建筑物内的各个房间，边表示它们之间的邻接关系，可以捕捉到房间之间的关联性和相互作用。图神经网络能够在图结构中进行信息传递和聚合，通过节点之间的连接和消息传递，可以将局部房间邻接特征融合到全局范围内。通过多层图卷积和池化操作，图神经网络可以逐渐提取出更高级的房间邻接关联特征表示。这样的处理过程可以帮助发现建筑物内不同房间之间的关联模式，如通风路径、空气流动和温度传递等。具体地，所述图神经网络通过可学习的神经网络参数来对所述环境参数全局关联特征矩阵和所述房间邻接特征矩阵进行处理以得到包含欧式距离拓扑特征和各个线程描述的语义理解特征信息的的所述房间邻接关联特征矩阵。

[0036] 在上述建筑物智能通风调节系统100中，所述通风调节判断生成模块130，用于基于所述环境参数全局关联特征矩阵和所述房间邻接关联特征矩阵，判断建筑物是否需要进行通风调节。应可以理解，环境参数全局关联特征矩阵包含了建筑物内各个房间的环境参数，如温度、湿度和空气质量等。通过分析这些参数的全局关联性，可以了解建筑物内部的整体环境状态。例如，如果整个建筑物的温度过高或空气质量下降，可能意味着需要进行通风调节以改善室内环境。房间邻接关联特征矩阵反映了建筑物内不同房间之间的邻接关系和相互作用。通过分析这些关联特征，可以了解不同房间之间的通风路径、空气流动和温度传递等情况。如果某些房间之间的邻接关系导致空气流动不畅或温度差异较大，可能需要通过通风调节来平衡室内环境。这样的判断可以帮助智能通风调节系统做出准确的决策，并采取相应的控制措施来调整建筑物的通风状态。

[0037] 图3为根据本申请实施例的建筑物智能通风调节系统中通风调节判断生成模块的框图。如图3所示，在本申请一个具体的实施例中，所述通风调节判断生成模块130，包括：建筑物室内数据融合单元131，用于将所述环境参数全局关联特征矩阵和所述房间邻接关联特征矩阵进行融合以得到建筑物通风分类特征矩阵；建筑物室内数据矩阵展开单元132，用于将所述建筑物通风分类特征矩阵进行展开以得到建筑物通风分类特征向量；优化单元133，用于对所述建筑物通风分类特征向量进行基于逆向误差分析的后向学习偏好优化以得到优化的建筑物通风分类特征向量；建筑物通风判断单元134，用于将所述优化的建筑物通风分类特征向量通过分类器以得到分类结果，所述分类结果用于判断建筑物是否需要进行通风调节。应可以理解，通过将这两个特征矩阵进行融合，可以综合考虑建筑物内部环境参数和房间之间的关联信息，得到建筑物通风分类特征矩阵。这样的特征矩阵可以提供更全面、准确的信息，用于判断建筑物是否需要进行通风调节。基于这样的特征矩阵，可以制定更智能、有效的通风策略，以实现更健康、舒适和节能的室内环境。

[0038] 进一步地，考虑到建筑物通风分类特征矩阵通常是一个多维数组，通过展开成建筑物通风分类特征向量，可以将多维数据简化为一维，从而减少计算复杂性。对于大规模数据，这种简化能显著提高处理速度。

[0039] 在本申请技术方案中，考虑到温度、湿度和二氧化碳浓度的传感器数据需要准确无误。如果传感器精度不足或受到环境干扰，可能导致原始数据的质量下降。环境参数语义编码器可能无法完全捕捉到所有与室内环境相关的细微变化，特别是对于复杂的环境动态。计算温度‑湿度关联矩阵的方法需要能够准确反映两者之间的关系。如果计算方法不当，可能导致关键信息的丢失。卷积神经网络和图神经网络在提取特征时可能无法捕捉到所有与通风需求相关的特征，特别是空间和时间上的复杂模式。在融合环境参数关联特征矩阵和房间邻接关联特征矩阵时，需要考虑不同特征的重要性和互补性。如果融合策略不当，可能导致信息丢失或特征冲突。图神经网络在处理邻接矩阵和环境参数全局关联特征矩阵时可能存在局限性，如对拓扑结构的敏感度不足。进而导致所述建筑物通风分类特征向量相对于分类器的预定类标签存在类别融洽性偏移。为了减少类别融洽性偏移，在本申请技术方案中，对所述建筑物通风分类特征向量进行基于逆向误差分析的后向学习偏好优化。

[0040] 其中，对所述建筑物通风分类特征向量进行基于逆向误差分析的后向学习偏好优化以得到优化的建筑物通风分类特征向量，包括：对所述建筑物通风分类特征向量进行基于Sigmoid函数的概率化激活以得到概率化的建筑物通风分类特征向量；对所述建筑物通风分类特征向量输入分类器以得到初始类标签概率值；计算所述概率化的建筑物通风分类特征向量中各个位置的特征值与所述初始类标签概率值之间的差值的绝对值以得到建筑物通风分类细粒度误差度量向量；以所述建筑物通风分类细粒度误差度量向量作为键向量、所述建筑物通风分类特征向量作为查询向量和值向量，将所述键向量、所述查询向量和所述值向量输入转换器结构以得到后向学习类注意力优化建筑物通风分类特征向量；计算所述建筑物通风分类细粒度误差度量向量的加和值与所述建筑物通风分类细粒度误差度量向量的长度之间的比值，并计算以所述比值为幂的自然指数函数值作为优化缩放因子；计算所述优化缩放因子与所述后向学习类注意力优化建筑物通风分类特征向量之间的乘积以得到所述优化的建筑物通风分类特征向量。

[0041] 其中，优化步骤具体表示为：

[0042]

[0043] 其中，Vc表示概率化的建筑物通风分类特征向量，P表示所述初始类标签概率值，表示按位置相减，Ve表示建筑物通风分类细粒度误差度量向量，vi表示所述建筑物通风分类细粒度误差度量向量的第i个位置的特征值，L表示所述建筑物通风分类细粒度误差度量向量的长度，T表示向量的转置， 表示向量相乘，Softmax表示归一化指数函数，⊙表示按位置点乘，V’c表示所述优化的建筑物通风分类特征向量。

[0044] 基于此，在本申请的技术方案中，对所述建筑物通风分类特征向量进行基于逆向误差分析的后向学习偏好优化，其首先对建筑物通风分类特征向量实施基于Sigmoid函数的概率化激活得到概率化的建筑物通风分类特征向量，且对所述建筑物通风分类特征向量输入分类器以获得初始类标签概率值。进而通过逆向误差分析(Backward Error Analysis)计算所述概率化的建筑物通风分类特征向量与初始类标签概率值之间的误差以生成细粒度的误差度量向量，量化了每个特征位置对分类误差的视点度量贡献。

[0045] 进而以所述建筑物通风分类细粒度误差度量向量作为键向量、所述建筑物通风分类特征向量作为查询向量和值向量，并将所述键向量、所述查询向量和所述值向量输入转换器结构以通过类Transformer架构对所述建筑物通风分类特征向量进行基于误差度量的类注意力机制后向机器学习，通过这样的方式，对所述建筑物通风分类特征向量进行逆向可解释性分析(Backward Interpretability Analysis)以使得所得到的后向学习类注意力优化建筑物通风分类特征向量相对于所述分类器的预定类标签具有后向学习敏感偏好。并进一步地计算误差度量向量的加和值与向量长度的比值，并以此比值为指数计算自然指数函数值得到的优化缩放因子对所述后向学习类注意力优化建筑物通风分类特征向量进行逆向尺度放缩优化(Backward Optimization)，这样，提高所述建筑物通风分类特征向量相对于所述分类器的预定类标签敏感偏好和鲁棒性，从而提高分类结果的精准度。

[0046] 更进一步地，通过使用分类器，可以根据优化的建筑物通风分类特征向量中的各种特征和模式，将建筑物的通风需求进行分类和归类。分类结果可以告诉建筑物是否需要进行通风调节。例如，如果分类结果显示建筑物处于需要通风的状态，那么可以采取相应的措施来开启通风系统，以改善室内空气质量和温度。相反，如果分类结果显示建筑物处于不需要通风的状态，那么可以节约能源并保持室内环境的稳定。因此，通过将优化的建筑物通风分类特征向量输入分类器并获取分类结果，可以基于这些结果来判断建筑物是否需要进行通风调节，从而实现更健康、舒适和节能的室内环境。

[0047] 综上，本申请实施例首先获取由温度传感器采集的建筑物中各个房间的室内环境温度数据、由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和建筑物中所有房间的邻接矩阵，然后利用深度学习技术，对四者进行特征提取和关联分析，最后通过分类器得到分类结果，以判断建筑物是否需要进行通风调节，进而提高室内环境的舒适性，实现节能减排和自动化控制，从而提高建筑物管理的智能化水平。

[0048] 如上所述，根据本申请实施例的所述建筑物智能通风调节系统100可以实现在各种终端设备中，例如部署有建筑物智能通风调节控制算法的服务器等。在一个示例中，根据建筑物智能通风调节系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该建筑物智能通风调节系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该建筑物智能通风调节系统100同样可以是该终端设备的众多硬件模块之一。

[0049] 替换地，在另一示例中，该建筑物智能通风调节系统100与该终端设备也可以是分立的设备，并且建筑物智能通风调节系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0050] 图4为建筑物智能通风调节方法的流程图。如图4所示，根据本申请实施例的建筑物智能通风调节方法，其包括：S110，获取由温度传感器采集的建筑物中各个房间的室内环境温度数据、由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和建筑物中所有房间的邻接矩阵；S120，从所述由温度传感器采集的建筑物中各个房间的室内环境温度数据、所述由湿度度传感器采集的建筑物中各个房间的室内环境湿度数据、所述由二氧化碳传感器采集的建筑物中各个房间的室内环境二氧化碳数据和所述建筑物中所有房间的邻接矩阵中提取环境参数全局关联特征矩阵和房间邻接关联特征矩阵；S130，基于所述环境参数全局关联特征矩阵和所述房间邻接关联特征矩阵，判断建筑物是否需要进行通风调节。

[0051] 这里，本领域技术人员可以理解，上述建筑物智能通风调节方法中的各个步骤的具体操作已经在上面参考图1至图3的建筑物智能通风调节系统的描述中得到了详细介绍，并因此，将省略其重复描述。

[0052] 图5为本申请实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器11，存储器12，总线13和通信接口14，所述处理器11、通信接口14和存储器12通过总线13连接；处理器11用于执行存储器12中存储的可执行模块，例如计算机程序。

[0053] 存储器12可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口14(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

[0054] 总线13可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

[0055] 其中，存储器12用于存储程序，所述处理器11在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器11中，或者由处理器11实现。

[0056] 处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器 (NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现成可编程门阵列(Field‑ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器12，处理器11读取存储器12中的信息，结合其硬件完成上述方法的步骤。

[0057] 对应于上述方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法的步骤。

[0058] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0059] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0060] 另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，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单元中。

[0061] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0062] 应注意到：相似的标号和字母在附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0063] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。