本申请涉及计算机技术领域，特别是涉及一种支付设备的控制方法、装置、计算机可读存储介质和计算机设备。
背景技术：
随着计算机技术的快速发展，市面上出现了智能支付设备，如在各大商超或便利店出现的自助付款机等等，智能支付设备开始逐渐替代传统的人工收银的方式，帮助人们在购物结束后进行自助支付，给人们的生活带来了极大的便利。
目前，智能支付设备大多支持的是通过扫描付款码或人脸识别的方式进行支付，因此智能支付设备需要实时扫描付款码或人脸信息，扫描功能长期处于激活状态，导致较大的资源浪费，智能支付设备损耗较大。
技术实现要素：
基于此，有必要针对目前智能支付设备需要实时扫描付款码或人脸信息导致资源浪费的技术问题，提供一种支付设备的控制方法、装置、计算机可读存储介质和计算机设备。
一种支付设备的控制方法，包括：
获取目标时间段、当前天气信息和节假日信息；
通过支付预测模型，根据所述目标时间段、所述天气信息和所述节假日信息获得支付设备在所述目标时间段内的预测支付次数；
其中，所述支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，所述多个训练样本中的每个训练样本包括在一个时间段内通过所述支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段为将一天划分为多个时间段中的任意一个时间段；
当所述预测支付次数小于预设阈值时，控制所述支付设备在所述目标时间段内进入休眠状态。
一种支付设备的控制装置，所述装置包括：
获取模块，用于获取目标时间段、天气信息和节假日信息；
预测模块，用于通过支付预测模型，根据所述目标时间段、所述天气信息和所述节假日信息获得支付设备在所述目标时间段内的预测支付次数；其中，所述支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，所述多个训练样本中的每个训练样本包括在一个时间段内通过所述支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段为将一天划分为多个时间段中的任意一个时间段；
控制模块，用于当所述预测支付次数小于预设阈值时，控制所述支付设备在所述目标时间段内进入休眠状态。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述支付设备的控制方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述支付设备的控制方法的步骤。
上述支付设备的控制方法、装置、计算机可读存储介质和计算机设备，一方面，通过支付预测模型来预测支付设备在目标时间段内的预测支付次数，在预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态，能够根据预测支付次数相应地调整支付设备的工作状态，从而节约支付设备的运行资源，延长支付设备的使用寿命。另一方面，支付预测模型是事先通过支付设备的历史支付数据训练初始神经网络模型获得的模型，充分地挖掘了历史支付数据所携带的支付规律信息，使得通过该支付预测模型的预测结果更为准确。
附图说明
图1为一个实施例中支付设备的控制方法的应用环境图；
图2为一个实施例中支付设备的控制方法的流程示意图；
图3为一个实施例中支付设备所显示的提示信息的界面示意图；
图4为一个实施例中时间段与时间序列号之间的映射关系的示意图；
图5为一个实施例中通过支付预测模型获得支付设备在目标时间段内的预测支付次数的流程示意图；
图6为一个实施例中支付预测模型的网络结构示意图；
图7为一个实施例中支付预测模型的训练步骤的流程示意图；
图8a为一个实施例中采集的支付数据的示意图；
图8b为一个实施例中训练样本的示意图；
图9为一个具体的实施例中支付设备的控制方法的流程示意图；
图10为一个实施例中支付设备的控制装置的结构框图；
图11为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中支付设备的控制方法的应用环境图。参照图1，该支付设备的控制方法应用于支付设备的控制系统，该支付设备的控制系统包括支付设备110和数据库120，支付设备110和数据库120可以通过网络连接。支付设备110具体可以是自助结账机、自助收银机等等。支付设备110可以包括支付信息采集装置1102，支付信息采集装置1102用于采集用户的支付信息，比如用于采集用户提供的付款码或人脸信息等等，支付信息采集装置1102可以是摄像头，摄像头可以是彩色相机或深度相机中的至少一种。数据库120用于存储支付设备110采集的支付数据，支付设备110的历史支付数据可用于训练初始神经网络模型获得用于对支付设备110在某一时间段内的支付次数进行预测的支付预测模型。
在一个实施例中，支付设备110可以获取目标时间段、当前天气信息和节假日信息；通过支付预测模型，根据目标时间段、天气信息和节假日信息获得支付设备在目标时间段内的预测支付次数；其中，支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，多个训练样本中的每个训练样本包括在一个时间段内通过支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段为将一天划分为多个时间段中的任意一个时间段；当预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态。支付设备110包括支付信息采集装置，当预测支付次数小于预设阈值时，支付设备110可以控制该支付信息采集装置在目标时间段内进入休眠状态。
如图2所示，在一个实施例中，提供了一种支付设备的控制方法。本实施例主要以该方法应用于上述图1中的支付设备110来举例说明。参照图2，该支付设备的控制方法具体包括如下步骤：
s202，获取目标时间段、当前天气信息和节假日信息。
其中，目标时间段是对通过支付设备进行支付的支付次数进行预测的时间范围，例如，12:00-12:30。当前天气信息是目标时间段内的天气情况是否适于外出购物的天气类别。节假日信息是目标时间段所属的今天是工作日或节假日。
本实施例中，是对一天内每个目标时间段内通过支付设备发生的支付次数进行预测，而是否会发生交易，即通过支付设备进行支付与当前目标时间段内的天气情况、今天是否为节假日有很大的联系，因此，在预测时支付设备需要获取当前天气信息和节假日信息。
在一个实施例中，支付设备可以将每天划分为多个时间段，多个时间段中的每个时间段即为目标时间段。支付设备可以一次性对各个目标时间段内的支付次数进行预测，从而确定各个目标时间段内是否会有交易发生，并在支付设备当前的系统时间包含于目标时间段时，根据预测结果控制支付设备这一天在各个目标时间段内的工作状态，工作状态包括休眠状态与激活状态中的一种。比如，可以在每天凌晨0:00时，一次性对当天各个目标时间段内的支付次数进行预测，根据各个目标时间段的预测结果控制支付设备在各个目标时间段的工作状态。
可选地，支付设备可按照预设间隔将每天均匀地划分为多个目标时间段，预设间隔可以根据实际需要进行设置，比如，可以每隔半小时进行划分，那么一天就被划分为48个目标时间段，也可以每隔一小时进行划分，那么一天就被划分为24个目标时间段。当然，也可以根据自身所在的工作环境的运营情况，将每天划分为多个不同时长的目标时间段。可以理解的是，每个目标时间段的时长越短，支付设备的工作状态被干预的次数就越多。
在一个实施例中，支付设备可以将每天划分为多个时间段，并根据支付设备当前的系统时间，确定包括当前系统时间的时间段为目标时间段。支付设备可以在当前系统时间属于一个新的目标时间段时，就对新的目标时间段内的通过该支付设备发生的支付次数进行一次预测。
目标时间段为一天内的任意一个时间段，可以理解通常这一天内各个目标时间段的天气信息是相同的。天气信息可以用是否适于外出购物来进行划分，例如，下雨、下雪、刮大风、雾霾等天气状况下通常是不适于外出购物的，此时的天气信息可以归类为“1”，而晴天、多云这类天气状况是适于人们外出购物的，此时的天气信息可以归类为“0”。支付设备可以通过网络查询天气状况后获得对应的天气信息，或者，支付设备可以根据本地的天气查询服务查询当前的天气状况后获得对应的天气信息。
节假日信息是目标时间段所属的今天为工作日或节假日。支付设备可以将今天为节假日归类为“1”，将今天为工作日归类为“0”。
s204，通过支付预测模型，根据目标时间段、天气信息和节假日信息获得支付设备在目标时间段内的预测支付次数；其中，支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，多个训练样本中的每个训练样本包括在一个时间段内通过支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段为将一天划分为多个时间段中的任意一个时间段。
支付预测模型是具备对支付设备在目标时间段内的支付次数进行预测的能力的神经网络模型。支付设备可以事先设置基于神经网络的模型结构，得到初始神经网络模型，再通过多个训练样本对初始神经网络模型进行训练，得到支付预测模型的模型参数。每个训练样本包括在一个时间段内通过支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，通过该训练样本进行训练获得的模型就具备对支付设备在目标时间段内的支付次数进行预测的能力。在需要对支付设备在各个目标时间段内的支付次数进行预测时，可以获取训练得到的模型参数，再将该模型参数导入初始神经网络模型，得到支付预测模型。
具体地，对支付设备在目标时间段内的支付次数进行预测时，可以将获取的目标时间段、天气信息和节假日信息输入至事先训练好的支付预测模型，继而通过支付预测模型基于上述信息进行预测，获得支付设备在目标时间段内的预测支付次数。
s206，当预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态。
具体地，将支付预测模型输出的预测支付次数与预设阈值进行比较，当预测支付次数小于预设阈值时，说明目标时间段内通过该支付设备上发生支付行为的可能较小，支付设备可以自动进入休眠状态。反之，在一个实施例中，上述方法还包括：当预测支付次数大于预设阈值时，控制支付设备在目标时间段内进入激活状态，也就是，当预测支付次数大于预设阈值时，说明目标时段内在通过该支付设备发生支付行为的可能性较大，支付设备可以处于激活状态。
在一个实施例中，预设阈值可以根据需要进行设置，比如可以是0，这样在预测支付次数大于0时，说明接下来在目标时间段内很可能会有用户通过该支付设备进行支付，为保证用户的购物体验，支付设备可以进入激活状态，在预测支付次数小于0时，说明接下来在目标时间段内容很可能没有用户通过该支付设备进行支付，为节约资源，减小支付设备的损耗，可以控制支付设备进入休眠状态。尤其地，由于摄像头等感光器件的老化和使用时间有关系，持续使用会加快老化减少使用寿命，所以，可以控制支付设备上的摄像头进入休眠状态，减少摄像头的开启时间，提升摄像头的使用寿命。
在一个实施例中，在控制支付设备在目标时间段内进入休眠状态的步骤之后，上述方法还包括：显示用于唤醒支付设备的提示信息；当检测到针对支付设备的唤醒触发事件时，则控制支付设备进入激活状态。
可以理解的是，支付预测模型是基于支付设备的历史支付数据生成的训练样本进行训练获得的，因此支付预测模型对当前目标时间段内的支付次数进行预测的预测结果不可能完全准确。为了保证用户使用支付设备进行支付的购物体验，支付设备可以在进入休眠状态后，显示用于唤醒支付设备的提示信息，提示用户支付设备当前处于休眠状态，无法采集用户提供的支付信息，若要通过支付设备进行支付，需要用户手动触发唤醒。进一步地，在支付设备检测到针对支付设备的唤醒触发事件时，则自动进入激活状态，支付设备可以采集用户提供的支付信息。
如图3所示，为一个实施例中支付设备在不同工作状态所显示的提示信息的界面示意图。参照图3左边，支付设备处于激活状态，提示用户“对准摄像头进行扫码”，以通过扫描付款码的方式进行支付，或者提示用户“点击刷脸”，以通过人脸识别的方式进行支付。参照图3右边，支付设备处于休眠状态，提示用户“摄像头已休眠，点击屏幕进行支付”及“点击刷脸”，当用户点击屏幕后唤醒支付设备，比如支付设备可以切换至如图3左边的界面，并进入激活状态，此时用户可以通过支付设备进行支付。
上述支付设备的控制方法，一方面，通过支付预测模型来预测支付设备在目标时间段内的预测支付次数，在预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态，能够根据预测支付次数相应地调整支付设备的工作状态，从而节约支付设备的运行资源，延长支付设备的使用寿命。另一方面，支付预测模型是事先通过支付设备的历史支付数据训练初始神经网络模型获得的模型，充分地挖掘了历史支付数据所携带的支付规律信息，使得通过该支付预测模型的预测结果更为准确。
在一个实施例中，支付设备可以将每天划分为多个时间段，多个时间段中的每个时间段与时间序列号之间一一映射。如图4所示，支付设备将每天按照半小时进行均匀划分，将每天划分为48个目标时间段，且每个目标时间段与相应的时间序列号之间一一映射，也就是用时间序列号来标识每个目标时间段。进一步地，参照图5，步骤s204，通过支付预测模型，根据目标时间段、天气信息和节假日信息获得支付设备在目标时间段内的预测支付次数，包括如下步骤s502-s508：
s502，确定与目标时间段对应的时间序列号。
具体地，支付设备可以根据时间段与时间序列号之间的映射关系，确定目标时间段对应的时间序列号。
s504，将时间序列号、天气信息和节假日信息输入至支付预测模型。
例如，目标时间段为12:00-12:30，对应的时间序列号为24，当前的天气状况是适于外出购物的天气状况，天气信息为“0”，当天是节假日，节假日信息为“1”，则输入至支付预测模型的数据可以是一个维度为3的向量，即(24,0,1)。支付设备将获取的时间序列号、天气信息和节假日信息输入至支付预测模型的输入层，通过输入层将上述信息传递至支付预测模型内部进行后续的处理。
s506，通过支付预测模型的输入层与隐藏层之间的第一连接权重，对时间序列号、天气信息和节假日信息进行变换处理，获得隐藏层特征。
s508，通过支付预测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得支付设备在时间序列号对应的目标时间段内的预测支付次数。
其中，支付预测模型包括输入层、隐藏层和输出层，输入层与隐藏层之间的连接是全连接，隐藏层与输出层之间的连接也是全连接，输入层与隐藏层之间的连接权重为第一连接权重，隐藏层与输出层之间的连接权重为第二连接权重。将输入层获取的上述信息与第一连接权重进行矩阵相乘处理，从而得到对应的隐藏层特征，再将隐藏层特征与第二连接权重进行矩阵相乘处理后融合，获得支付设备在目标时间段内的预测支付次数。
如图6所示，为一个实施例中支付预测模型的网络结构示意图。参照图6，支付预测模型是基于3×2×1的误差逆向传播算法进行训练获得的多层前馈神经网络，支付预测模型的输入层包括3个节点，隐藏层包括2个节点，输出层包括1个节点。输入层的3个节点分别用于获取目标时间段对应的时间序列号x1、当前的天气信息x2和节假日信息x3，输入层的第i个节点与隐藏层的第j个节点之间的第一连接权重可以用
在本实施例中，相对于通过人工方式去控制支付设备的工作状态而言，通过事先训练好的支付预测模型从目标时间段对应的天气信息、节假日信息内挖掘出用户在目标时间段内通过支付设备进行交易的可能性，不仅实现了自动化预测，而且准确率较高。
在一个实施例中，支付设备可以根据通过该支付设备进行的支付所对应的历史支付数据来训练模型获得支付预测模型，具体包括：获取训练样本，将训练样本输入至初始神经网络模型；通过初始神经网络模型基于当前的模型参数，根据训练样本中的时间序列号、天气信息和节假日信息获得支付设备在相应的一个时间段内的预测支付次数；根据真实支付次数与预测支付次数构建误差函数；将误差函数最小化，确定更新的模型参数；根据更新的模型参数对初始神经网络模型进行更新后，返回至获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型。
如图7所示，支付预测模型的训练步骤包括：
s702，获取训练样本，训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段与时间序列号对应。
其中，训练样本是用于进行模型训练时需要的训练数据，每个训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，训练样本的数量可以是多个，比如可以根据一周内在支付设备上进行的支付所对应的历史支付数据生成多个训练样本。需要说明的是，由于每个支付设备所在的工作环境不同，训练样本是根据处于同一个工作环境的支付设备或同一个支付设备的历史支付数据生成的，这样根据该训练样本所获得的支付预测模型可用于对相同工作环境的支付设备或同一个支付设备未来在目标时间段内的支付次数进行预测。
在一个实施例中，获取训练样本包括：采集在支付设备上发生的支付数据，支付数据包括支付发生的时间、支付发生时的天气信息和节假日信息；根据支付发生的时间，统计支付设备在各时间段内的支付次数；根据支付设备在各时间段内的支付次数、支付发生时的天气信息和节假日信息生成训练样本。
具体地，支付设备可以将每次支付行为所对应的支付数据存储到数据库中，每一条支付数据包括当次支付发生的时间、支付发生时的天气信息和节假日信息。考虑到并不是每一时刻都必定会有支付发生，并且模型若需要预测每一时刻是否有支付发生会存在运行资源浪费的问题，就可以根据支付发生的时间，统计每个时间段内的支付次数，比如可以统计每半小时内的支付次数，并根据在各个时间段内的支付次数、支付发生时的天气信息和节假日信息生成训练样本，根据该训练样本训练得到的模型就具备对每半个小时内的支付次数进行预测的能力。如图8a所示，为一个实施例中采集的支付数据的示意图。如图8b所示，为一个实施例中对支付设备的历史支付数据进行处理获得每条训练样本的示意图。
s704，将训练样本输入至初始神经网络模型。
具体地，训练样本包括模型的输入数据和参考数据，输入数据即时间序列号、天气信息和节假日信息，参考数据即真实的支付次数，输入层将输入数据传递至支付预测模型内部进行后续的处理，也就是将训练样本输入至初始神经网络模型中进行模型的训练，在训练的过程中，根据模型输出的预测支付次数与真实支付次数之间的差异不断调整模型参数。
s706，通过初始神经网络模型的输入层与隐藏层之间当前的第一连接权重，对时间序列号、天气信息和节假日信息进行变换处理，获得隐藏层特征；通过初始神经网络模型的隐藏层与输出层之间当前的第二连接权重，对各隐藏层特征进行变换处理后融合，获得支付设备在一个时间段内的预测支付次数。
搭建的初始神经网络模型包括输入层、隐藏层和输出层，输入层与隐藏层之间的连接是全连接，连接权重为第一连接权重，隐藏层与输出层之间的连接也是全连接，连接权重为第二连接权重。在训练的过程中，对于每一个训练样本都会基于模型当前的第一连接权重与第二连接权重进行运算后获得预测支付次数，此时的预测支付次数是基于当前的模型参数确定的，在训练完成之前，预测支付次数与真实支付次数之间的差异较大，但随着训练过程的深入，模型参数的不断调整，训练样本的预测支付次数与真实支付次数之间的差异会逐渐减小。
s708，根据真实支付次数与预测支付次数构建误差函数。
其中，误差函数用于评估模型根据当前的训练样本输出的预测支付次数与真实支付次数之间的差异程度，可以基于构建的差异函数来确定模型参数即第一连接权重与第二连接权重的调整方向。
在一个实施例中，可以通过以下公式得到对各个训练样本构建的误差函数：
s710，将误差函数最小化，确定更新的第一连接权重与更新的第二连接权重；根据更新的第一连接权重与更新的第二连接权重对初始神经网络模型进行更新后，返回至获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型。
具体地，对于每个训练样本对应的误差函数，取损失最小时获得的模型参数作为更新的模型参数，然后在更新的模型参数的基础上对下一个训练样本进行预测，以对模型参数继续进行训练，直至得到的模型参数使得模型是稳定的或是训练次数达到预设次数时，就结束训练。
在本实施例中，通过支付设备采集的历史支付数据生成的训练样本对模型进行训练，使得获得的支付预测模型可直接用于对该支付设备在各个时间段内的支付次数进行预测，准确性较高，具有较强的参考性。
如图9所示，在一个具体的实施例中，支付设备的控制方法具体包括以下步骤：
s902，采集在支付设备上发生的支付数据，支付数据包括支付发生的时间、支付发生时的天气信息和节假日信息；
s904，根据支付发生的时间，统计支付设备在各时间段内的支付次数；
s906，根据支付设备在各时间段内的支付次数、支付发生时的天气信息和节假日信息生成训练样本，训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段与时间序列号对应；
s908，将训练样本输入至初始神经网络模型；
s910，通过初始神经网络模型基于当前的模型参数，根据时间序列号、天气信息和节假日信息获得支付设备在相应的一个时间段内的预测支付次数；
s912，根据真实支付次数与预测支付次数构建误差函数；
s914，将误差函数最小化，确定更新的模型参数；
s916，根据更新的模型参数对初始神经网络模型进行更新后，返回至获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型；
s918，获取将每天按照预设时间间隔划分后获得的多个时间段；
s920，根据支付设备当前的时间，确定包含当前的时间的目标时间段；
s922，确定与目标时间段对应的时间序列号，获取当前天气信息和节假日信息；
s924，将时间序列号、天气信息和节假日信息输入至支付预测模型；
s926，通过支付预测模型的输入层与隐藏层之间的第一连接权重，对时间序列号、天气信息和节假日信息进行变换处理，获得隐藏层特征；
s928，通过支付预测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得支付设备在时间序列号对应的目标时间段内的预测支付次数。
s930，当预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态，并显示用于唤醒支付设备的提示信息；当检测到针对支付设备的唤醒触发事件时，则控制支付设备进入激活状态。
s932，当预测支付次数大于预设阈值时，控制支付设备在目标时间段内进入激活状态。
上述支付设备的控制方法，一方面，通过支付预测模型来预测支付设备在目标时间段内的预测支付次数，在预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态，能够根据预测支付次数相应地调整支付设备的工作状态，从而节约支付设备的运行资源，延长支付设备的使用寿命。另一方面，支付预测模型是事先通过支付设备的历史支付数据训练初始神经网络模型获得的模型，充分地挖掘了历史支付数据所携带的支付规律信息，使得通过该支付预测模型的预测结果更为准确。
图9为一个实施例中支付设备的控制方法的流程示意图。应该理解的是，虽然图9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种支付设备的控制装置1000，该装置可以通过软件、硬件或者两者的结合实现成为支付设备的全部或一部分。该装置包括获取模块1002、预测模块1004和控制模块1006，其中：
获取模块1002，用于获取目标时间段、天气信息和节假日信息；
预测模块1004，用于通过支付预测模型，根据目标时间段、天气信息和节假日信息获得支付设备在目标时间段内的预测支付次数；其中，支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，多个训练样本中的每个训练样本包括在一个时间段内通过支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段为将一天划分为多个时间段中的任意一个时间段；
控制模块1006，用于当预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态。
在一个实施例中，获取模块1002还用于获取将每天按照预设时间间隔划分后获得的多个时间段；根据支付设备当前的时间，确定包含当前的时间的目标时间段。
在一个实施例中，多个时间段中的每个时间段与时间序列号之间一一映射，预测模块1004还用于确定与目标时间段对应的时间序列号；将时间序列号、天气信息和节假日信息输入至支付预测模型；通过支付预测模型的输入层与隐藏层之间的第一连接权重，对时间序列号、天气信息和节假日信息进行变换处理，获得隐藏层特征；通过支付预测模型的隐藏层与输出层之间的第二连接权重，对各隐藏层特征进行变换处理后融合，获得支付设备在时间序列号对应的目标时间段内的预测支付次数。
在一个实施例中，上述支付设备的控制装置1000还包括显示模块，用于显示用于唤醒支付设备的提示信息；控制模块1006还用于当检测到针对支付设备的唤醒触发事件时，则控制支付设备进入激活状态。
在一个实施例中，控制模块1006还用于当预测支付次数大于预设阈值时，控制支付设备在目标时间段内进入激活状态。
在一个实施例中，上述支付设备的控制装置1000还包括训练模块，用于获取训练样本，训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，一个时间段与时间序列号对应；将训练样本输入至初始神经网络模型；通过初始神经网络模型基于当前的模型参数，根据时间序列号、天气信息和节假日信息获得支付设备在相应的一个时间段内的预测支付次数；根据真实支付次数与预测支付次数构建误差函数；将误差函数最小化，确定更新的模型参数；根据更新的模型参数对初始神经网络模型进行更新后，返回至获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型。
在一个实施例中，训练模块还用于采集在支付设备上发生的支付数据，支付数据包括支付发生的时间、支付发生时的天气信息和节假日信息；根据支付发生的时间，统计支付设备在各时间段内的支付次数；根据支付设备在各时间段内的支付次数、支付发生时的天气信息和节假日信息生成训练样本。
上述支付设备的控制装置1000，一方面，通过支付预测模型来预测支付设备在目标时间段内的预测支付次数，在预测支付次数小于预设阈值时，控制支付设备在目标时间段内进入休眠状态，能够根据预测支付次数相应地调整支付设备的工作状态，从而节约支付设备的运行资源，延长支付设备的使用寿命。另一方面，支付预测模型是事先通过支付设备的历史支付数据训练初始神经网络模型获得的模型，充分地挖掘了历史支付数据所携带的支付规律信息，使得通过该支付预测模型的预测结果更为准确。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的支付设备110。如图11所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、支付信息采集装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现支付设备的控制方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行支付设备的控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，计算机设备的支付信息采集装置可以是深度摄像头或彩色摄像头。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的支付设备的控制装置1000可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该支付设备的控制装置1000的各个程序模块，比如，图10所示的获取模块1002、预测模块1004和控制模块1006。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的支付设备的控制方法中的步骤。
例如，图11所示的计算机设备可以通过如图10所示的支付设备的控制装置1000中的获取模块1002执行步骤s202。计算机设备可通过预测模块1004执行步骤s204。计算机设备可通过控制模块1006执行步骤s206。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述支付设备的控制方法的步骤。此处支付设备的控制方法的步骤可以是上述各个实施例的支付设备的控制方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述支付设备的控制方法的步骤。此处支付设备的控制方法的步骤可以是上述各个实施例的支付设备的控制方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种支付设备的控制方法，包括：
获取目标时间段、当前天气信息和节假日信息；
通过支付预测模型，根据所述目标时间段、所述天气信息和所述节假日信息获得支付设备在所述目标时间段内的预测支付次数；
其中，所述支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，所述多个训练样本中的每个训练样本包括在一个时间段内通过所述支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段为将一天划分为多个时间段中的任意一个时间段；
当所述预测支付次数小于预设阈值时，控制所述支付设备在所述目标时间段内进入休眠状态。
2.根据权利要求1所述的方法，其特征在于，所述获取目标时间段，包括：
获取将每天按照预设时间间隔划分后获得的多个时间段；
根据所述支付设备当前的时间，确定包含所述当前的时间的目标时间段。
3.根据权利要求2所述的方法，其特征在于，所述多个时间段中的每个时间段与时间序列号之间一一映射，所述通过支付预测模型，根据所述目标时间段、所述天气信息和所述节假日信息获得支付设备在所述目标时间段内的预测支付次数，包括：
确定与所述目标时间段对应的时间序列号；
将所述时间序列号、所述天气信息和所述节假日信息输入至支付预测模型；
通过所述支付预测模型的输入层与隐藏层之间的第一连接权重，对所述时间序列号、所述天气信息和所述节假日信息进行变换处理，获得隐藏层特征；
通过所述支付预测模型的隐藏层与输出层之间的第二连接权重，对各所述隐藏层特征进行变换处理后融合，获得支付设备在所述时间序列号对应的目标时间段内的预测支付次数。
4.根据权利要求1所述的方法，其特征在于，在所述控制所述支付设备在所述目标时间段内进入休眠状态的步骤之后，所述方法还包括：
显示用于唤醒所述支付设备的提示信息；
当检测到针对所述支付设备的唤醒触发事件时，则
控制所述支付设备进入激活状态。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述预测支付次数大于预设阈值时，控制所述支付设备在所述目标时间段内进入激活状态。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述支付预测模型的训练步骤包括：
获取训练样本，所述训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段与时间序列号对应；
将所述训练样本输入至初始神经网络模型；
通过所述初始神经网络模型基于当前的模型参数，根据所述时间序列号、所述天气信息和所述节假日信息获得所述支付设备在相应的所述一个时间段内的预测支付次数；
根据所述真实支付次数与所述预测支付次数构建误差函数；
将所述误差函数最小化，确定更新的模型参数；
根据所述更新的模型参数对所述初始神经网络模型进行更新后，返回至所述获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型。
7.根据权利要求6所述的方法，其特征在于，所述获取训练样本包括：
采集在所述支付设备上发生的支付数据，所述支付数据包括支付发生的时间、支付发生时的天气信息和节假日信息；
根据所述支付发生的时间，统计所述支付设备在各时间段内的支付次数；
根据所述支付设备在各时间段内的支付次数、支付发生时的天气信息和节假日信息生成训练样本。
8.一种支付设备的控制装置，所述装置包括：
获取模块，用于获取目标时间段、天气信息和节假日信息；
预测模块，用于通过支付预测模型，根据所述目标时间段、所述天气信息和所述节假日信息获得支付设备在所述目标时间段内的预测支付次数；其中，所述支付预测模型为使用多个训练样本训练初始神经网络模型获得的模型，所述多个训练样本中的每个训练样本包括在一个时间段内通过所述支付设备进行支付的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段为将一天划分为多个时间段中的任意一个时间段；
控制模块，用于当所述预测支付次数小于预设阈值时，控制所述支付设备在所述目标时间段内进入休眠状态。
9.根据权利要求8所述的装置，其特征在于，所述获取模块还用于将每天按照预设时间间隔划分后获得的多个时间段；根据所述支付设备当前的时间，确定包含所述当前的时间的目标时间段。
10.根据权利要求9所述的装置，其特征在于，所述多个时间段中的每个时间段与时间序列号之间一一映射；所述预测模块还用于确定与所述目标时间段对应的时间序列号；将所述时间序列号、所述天气信息和所述节假日信息输入至支付预测模型；通过所述支付预测模型的输入层与隐藏层之间的第一连接权重，对所述时间序列号、所述天气信息和所述节假日信息进行变换处理，获得隐藏层特征；通过所述支付预测模型的隐藏层与输出层之间的第二连接权重，对各所述隐藏层特征进行变换处理后融合，获得支付设备在所述时间序列号对应的目标时间段内的预测支付次数。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括显示模块，用于当所述支付设备在所述目标时间段内进入休眠状态时，显示用于唤醒所述支付设备的提示信息；所述控制模块还用于当检测到针对所述支付设备的唤醒触发事件时，则控制所述支付设备进入激活状态。
12.根据权利要求8所述的装置，其特征在于，所述控制模块还用于当所述预测支付次数大于预设阈值时，控制所述支付设备在所述目标时间段内进入激活状态。
13.根据权利要求8至12任一项所述的装置，其特征在于，所述装置还包括训练模块，用于获取训练样本，所述训练样本包括支付设备在一个时间段内的真实支付次数、支付发生时的天气信息和节假日信息，所述一个时间段与时间序列号对应；将所述训练样本输入至初始神经网络模型；通过所述初始神经网络模型基于当前的模型参数，根据所述时间序列号、所述天气信息和所述节假日信息获得所述支付设备在相应的所述一个时间段内的预测支付次数；根据所述真实支付次数与所述预测支付次数构建误差函数；将所述误差函数最小化，确定更新的模型参数；根据所述更新的模型参数对所述初始神经网络模型进行更新后，返回至所述获取训练样本的步骤继续训练，直至满足训练结束条件时，获得用于预测支付次数的支付预测模型。
14.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
技术总结