当前接入云的家居设备更多将目光聚集在组网控制、控制算法等方面进行改善,而忽视了系统中的云边任务分配以及与之相关的固件代码升级拓展性、设备控制模式的改进空间。例如,在任务分配方面,计算任务过分集中在云端,边缘设备只能被动响应云端计算下发的指令;在固件代码升级拓展性方面,设备嵌入式代码通常版本固定且无法快速升级拓展,限制了设备搭载智能算法进行自主控制,从而影响云边任务分配;而在控制模式方面,因为云边任务分配不均,云端难以同时兼顾预测控制算法模型的训练与计算,使得当前设备控制算法大多采用反馈式方法,模式单一,缺乏能提前应对环境变化的预测控制功能。因此,针对上述云家居存在的不足之处,基于云边协同的计算理念,本文利用云技术、无线网络技术、嵌入式开发、Android开发等技术结合相关硬件设备,设计一种基于云的家居设备控制方法。本文所做的研究工作有:（1）针对云边任务分配不合理的问题,设计一种基于云边协同框架的家居设备控制方法。以云作为数据交互和算法模型训练的平台对不同家居设备进行实时监控、数据传递和预测控制模型训练,以边缘设备搭载算法模型实现自主预测控制。同时根据所需的传感器数据,实现云端、设备端和移动控制App监控数据同步和App远程操控等功能;（2）针对边缘设备固件代码难以快速升级拓展问题,实现云家居系统中边缘设备代码快速更新功能。通过云端服务器和手机App,基于IAP技术和Wi-Fi技术实现固件嵌入式代码的远程快速烧写。此外对代码块数据进行加密,将代码分块发送同时利用主控芯片的BKP寄存器实现代码升级中的断线续传;（3）针对家居设备控制模式单一的问题,设计一种基于时序分解和神经网络的预测控制方法。采用基于时间序列分解算法和长短期记忆神经网络组成的多维输入特征预测模型STL-MLSTM（Seasonal and Trend decomposition using Loess,Multi-input Long-Short Term Memory）进行设备的预测控制,通过对控制目标的时间序列结合环境特征和设备输出等多维输入进行预测,从预测结果中给出家居设备在下一控制周期的控制量。最后,本文通过实验证明了本文设计的预测控制方法的预测精度较高。利用相关硬件将该基于云的家居设备控制方法进行实际部署和功能测试,设备成功运行,相关功能能够正常使用,预测控制也取得了良好的效果。