CN113479032A - 驻车空调控制方法及*** - Google Patents

Abstract

本申请提供一种驻车空调控制方法及***，其特征在于，所述方法包括：获取在使用时序上连续的多个备选空调控制策略的策略特征信息；根据策略特征信息，确定各个备选空调控制策略在当前时间区间的预测调整率；根据各个备选空调控制策略调整后的预测调整率，从多个备选空调控制策略中确定出预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据目标备选空调控制策略控制驻车空调。如此，根据预测调整率确定用户最不需要执行手动调整的备选空调控制策略作为目标备选空调控制策略来控制驻车空调，可以实现有效地为用户预测空调控制策略，减少用户的手动操作。

Description

驻车空调控制方法及***

技术领域

本申请涉及驻车空调技术领域，具体而言，涉及一种驻车空调控制方法及***。

背景技术

为了提高车辆中的环境舒适度，很多车辆都配置有空调。通常的车载空调需要在发动机处于运行过程中，才能使用由发动机发电产生的电能进行工作。但是，在类似房车、大货车等特殊的车辆使用场景中，在车辆停止行驶发动机处于非工作状态时，仍然需求空调能够长时间保持运行。因此，此类车辆会安装有专门电瓶供电的驻车空调。由于驻车空调通常使用时间长，如何在长时间的使用过程中为用户提供有效的空调控制策略，减少用户的手动操作成为亟待解决的问题。

发明内容

有鉴于此，第一方面，本申请提供一种驻车空调控制方法，其特征在于，所述方法包括：

获取在使用时序上连续的多个备选空调控制策略的策略特征信息；

根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；

根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

结合第一方面，在一种可能的实现方式中，所述方法还包括：

获取所述多个备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间对应的第一预设数量个手动调整数据集合，其中，每一时间区间的手动调整数据集合包括所述备选空调控制策略在多个可调整控制项上的手动调整数据；

分别获取各个备选空调控制策略的第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合；其中，每一调整率预测不准确度集合包括所述备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每一调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值；

利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度；其中，所述调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合；所述调整率预测不准确度表示备选空调控制策略的预测调整率与实际调整率之间的差值；

通过各个备选空调控制策略在当前时间区间的调整率预测不准确度分别对各个备选空调控制策略的预测调整率进行调整。

结合第一方面，在一种可能的实现方式中，所述调整率调整模型包括第一特征提取模型和第二特征提取模型；所述利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度的步骤，包括：

根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量；

通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量；

通过所述第二特征提取模型的至少两个全连接网络，对各个可调项对应的特征向量进行特征映射，以得到所述策略特征向量；

基于所述第一特征提取模型和所述第二特征提取模型的权重，根据所述调整率差值向量和所述策略特征向量得到在当前时间区间的调整率预测不准确度。

结合第一方面，在一种可能的实现方式中，根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量的步骤，包括：

将每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每个所述可调整控制项在每一时间区间的调整率预测不准确度，除每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每个所述可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量，其中，所述数值分段是根据手动调整次数的置信度进行划分的；

将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。

结合第一方面，在一种可能的实现方式中，所述通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量的步骤，包括：

分别对各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签；

根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取所述映射标签对应的特征向量，其中，所述特征向量库为在所述调整率调整模型的训练过程中训练得到的，所述特征向量库包括所有融合的可调项和特征值对应的特征向量；

其中，针对类型为连续数值类型的所述可调项，确定所述可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对所述可调项进行归一化；将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到所述可调项和所述可调项对应的特征值对应的映射标签。

结合第一方面，在一种可能的实现方式中，所述调整率调整模型是通过如下训练过程训练得到的：

从样本数据库中获取第三预设数量的样本数据；

根据所述策略特征信息以及第二预设数量个连续时间区间中前第一预设数量个时间区间的调整率预测不准确度集合，通过所述调整率调整模型，获取每一样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度；

根据所述样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与所述样本数据中第第二预设数量个时间区间的调整率预测不准确度集合，获取所述调整率调整模型的损失值；

根据所述损失值对所述调整率调整模型的模型参数进行调整。

结合第一方面，在一种可能的实现方式中，所述获取在使用时序上连续的多个备选空调控制策略的策略特征信息的步骤，包括：

获取同一车辆中使用时序上连续的多个备选空调控制策略；

通过特征提取模型分别对每个备选空调控制策略进行特征提取，得到所述每个备选空调控制策略的第一特征向量，所述第一特征向量包括多个可调项对应的第一特征；

通过数据变化检测模型根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息，所述可调项变化信息包括所述多个可调项对应的变化特征；

通过重要程度获取模型对所述多个备选空调控制策略的可调项变化信息进行差异性检测，得到所述每个备选空调控制策略的重要程度信息，所述重要程度信息包括所述多个可调项对应的重要程度，所述重要程度表示所述可调项对所述备选空调控制策略的变化特征的影响程度；

通过注意力机制模型分别对所述每个备选空调控制策略的第一特征向量与对应的重要程度信息进行融合处理，得到所述每个备选空调控制策略的策略特征信息。

结合第一方面，在一种可能的实现方式中，所述根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息，包括：

对任意两个所述备选空调控制策略中第一个备选空调控制策略及第二个备选空调控制策略的第一特征向量中的每个第一特征进行降维处理；将所述第一个备选空调控制策略降维处理后的特征信息与所述第二个备选空调控制策略降维处理后的特征信息之间的差异特征信息，确定为所述第一个备选空调控制策略的可调项变化信息；其中，针对所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略，将预设特征信息确定为所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略的可调项变化信息；或者

对于所述每个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述备选空调控制策略使用时序上之前的至少一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息，所述融合可调项变化信息包括所述多个可调项对应的融合变化特征；其中，针对所述备选空调控制策略为所述多个备选空调控制策略中的第一个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述多个备选空调控制策略中使用时序上最后一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息；对所述融合可调项变化信息中的多个融合变化特征进行归一化处理，将归一化处理后的融合可调项变化信息作为所述重要程度信息。

结合第一方面，在一种可能的实现方式中，所述方法还包括：

获取同一数据样本中的多个样本备选空调控制策略；

通过所述特征提取模型分别对每个样本备选空调控制策略进行特征提取，得到所述每个样本备选空调控制策略的第一样本特征向量，所述第一样本特征向量包括所述多个可调项对应的第一样本特征；

通过所述数据变化检测模型根据所述多个样本备选空调控制策略的第一样本特征向量进行数据变化检测，得到所述多个样本备选空调控制策略的样本可调项变化信息，所述样本可调项变化信息包括所述多个可调项对应的样本变化特征；

通过所述重要程度获取模型将所述多个样本备选空调控制策略的样本可调项变化信息进行差异性检测，得到所述每个样本备选空调控制策略的样本重要程度信息，所述样本重要程度信息包括所述多个可调项对应的重要程度；

通过所述注意力机制模型分别对所述每个样本备选空调控制策略的第一样本特征向量与对应的样本重要程度信息进行融合处理，得到所述每个样本备选空调控制策略的样本策略特征信息；

对于任一目标可调项，根据所述多个样本备选空调控制策略的每两个样本备选空调控制策略的样本策略特征信息中，属于目标可调项的样本变化特征之间的相似程度值，确定所述目标可调项的相似程度值；

根据第一预设数量个目标可调项的相似程度值，确定所述特征提取模型的第一损失值，所述第一损失值与所述第一预设数量个目标可调项的相似程度值呈正相关关系；

根据所述第一损失值，对所述特征提取模型、所述数据变化检测模型、所述重要程度获取模型及所述注意力机制模型进行训练。

第二方面，本申请还提供一种驻车空调控制***，所述***包括：

特征提取模块，用于获取在使用时序上连续的多个备选空调控制策略的策略特征信息；

调整率确定模块，用于根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；

策略确定模块，用于根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

相对于现有技术而言，本申请具有以下有益效果：

本申请提供的一种驻车空调控制方法及***，通过各个备选空调控制策略的策略特征信息，确定各个备选空调控制策略在当前时间区间的预测调整率，从而根据所述预测调整率确定用户最不需要执行手动调整的备选空调控制策略作为目标备选空调控制策略来控制驻车空调。从而可以实现有效地为用户预测空调控制策略，减少用户的手动操作。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的驻车空调控制方法的流程示意图；

图2为本申请实施例提供的服务器的示意图；

图3为本申请实施例提供的驻车空调控制***的功能模块示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，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。

在本申请的描述中，需要说明的是，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。

请参照图1，图1为本实施例提供的一种使用在驻车空调控制***上驻车空调控制方法的示意图，该方法可以包括以下步骤。

步骤S11，获取在使用时序上连续的多个备选空调控制策略的策略特征信息。

在本实施例中，驻车空调控制***会在驻车空调运行过程中自动地使用不同的空调控制策略对驻车空调进行控制。为了能够使确定出的空调控制策略符合用户的期望，在本实施例中，驻车空调控制***可以根据历史记录的在使用时序上连续的多个备选空调控制策略来确定当前需要使用的空调控制策略。

其中，每个所述备选空调控制策略可以包括多个可调项，多个所述可调项可以包括以下多种可调项中的一种或多种的组合：与温度相关的温度可调项、与出风策略相关的出风策略可调项、与运行时间相关的运行时间可调项、与湿度相关的湿度可调项、与用电策略相关的用电策略可调项等。

步骤S12，根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率。所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值。

在本实施例中，用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数越小，表示所述备选空调控制策略在被自动使用以后，用户再次实行手动调整的次数越少，则该备选空调控制策略约符合用户的需求。

步骤S13，根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

基于上述设计，通过各个备选空调控制策略的策略特征信息，确定各个备选空调控制策略在当前时间区间的预测调整率，从而根据所述预测调整率确定用户最不需要执行手动调整的备选空调控制策略作为目标备选空调控制策略来控制驻车空调。从而可以实现有效地为用户预测空调控制策略，减少用户的手动操作。

具体地，在步骤S1获取在使用时序上连续的多个备选空调控制策略的策略特征信息，可以包括以下步骤：

步骤S111，获取同一车辆中使用时序上连续的多个备选空调控制策略。

在本实施例中，多个所述备选空调控制策略可以为在同一个车辆中的驻车空调控制***使用过的多个在时序上连续的备选空调控制策略。

步骤S112，通过特征提取模型分别对每个备选空调控制策略进行特征提取，得到所述每个备选空调控制策略的第一特征向量，所述第一特征向量包括多个可调项对应的第一特征。

步骤S113，通过数据变化检测模型根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息，所述可调项变化信息包括所述多个可调项对应的变化特征。

在本实施例中，可调项变化信息是描述备选空调控制策略中的产生了变化的信息，每个备选空调控制策略中包括变化的可调项和没有变化的可调项。

其中，针对在不同的使用时序中，不同的可调项可能发生变化。例如，根据温度的不同，可能和温度相关的可调项会发生变化，而和出风策略相关的可调项可能不会发生变化；再例如，根据车辆的朝向，被日照的方向不同，和出风策略相关的可能项可能发生变化，而和温度相关的可调项可能不会发生变化。

考虑在时序上通常可调项通常不会全部发生巨大变化，因此在本实施例中可以，根据多个备选空调控制策略的第一特征向量进行数据变化检测，识别出每个备选空调控制策略的动态信息，削弱了每个备选空调控制策略中在时序上与变化特征无关的信息，得到每个备选空调控制策略的可调项变化信息，从而使的可调项的信息符合当前时序。

步骤S114，通过重要程度获取模型对所述多个备选空调控制策略的可调项变化信息进行差异性检测，得到所述每个备选空调控制策略的重要程度信息，所述重要程度信息包括所述多个可调项对应的重要程度，所述重要程度表示所述可调项对所述备选空调控制策略的变化特征的影响程度。

在本实施例中，重要程度信息包括多个可调项对应的重要程度，重要程度表示对应的可调项对所属的备选空调控制策略的变化特征的影响程度，如果可调项上的特征对所属的备选空调控制策略的变化特征的影响程度大，则该可调项对应的重要程度大，如果可调项上的特征对所属的备选空调控制策略的变化特征的影响程度小，则该可调项对应的重要程度小。

由于多个备选空调控制策略属于同一车辆，多个备选空调控制策略中的可调项变化信息具有关联性，为了提高备选空调控制策略的特征信息的准确性，增强每个备选空调控制策略中包含的可调项变化信息，且减少备选空调控制策略中的极少调整的可调项的影响，将多个备选空调控制策略的可调项变化信息进行差异性检测，可以确定每个备选空调控制策略中影响变化特征的可调项，为备选空调控制策略的每个可调项确定对应的重要程度，从而得到重要程度信息。

步骤S115，通过注意力机制模型分别对所述每个备选空调控制策略的第一特征向量与对应的重要程度信息进行融合处理，得到所述每个备选空调控制策略的策略特征信息。

在本实施例中，策略特征信息包括多个可调项，在获取到每个备选空调控制策略的重要程度信息后，对于任一备选空调控制策略，通过将该备选空调控制策略中属于相同可调项的第一特征和重要程度进行融合，得到每个可调项的融合后的标特征，从而得到该备选空调控制策略的策略特征信息。如此，分别对每个备选空调控制策略的第一特征向量与重要程度进行融合处理，从而得到每个备选空调控制策略的策略特征信息。

在本实施例中，在获取到同一备选空调控制策略数据中多个备选空调控制策略的第一特征向量后，对多个备选空调控制策略的第一特征向量进行数据变化检测，削弱了每个备选空调控制策略中对变化特征影响较小的信息，提高了多个备选空调控制策略的可调项变化信息的准确性。然后将多个备选空调控制策略的可调项变化信息进行对比，以分析多个备选空调控制策略的可调项变化信息的关联性，确定备选空调控制策略的每个可调项对备选空调控制策略的变化特征的影响程度，从而得到每个备选空调控制策略的重要程度信息，提高了每个备选空调控制策略的重要程度信息的准确率。

具体地，在一种可能的实现方式中，步骤S13根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息时，可以对任意两个所述备选空调控制策略中第一个备选空调控制策略及第二个备选空调控制策略的第一特征向量中的每个第一特征进行降维处理；将所述第一个备选空调控制策略降维处理后的特征信息与所述第二个备选空调控制策略降维处理后的特征信息之间的差异特征信息，确定为所述第一个备选空调控制策略的可调项变化信息；其中，针对所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略，将预设特征信息确定为所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略的可调项变化信息。

在另一种可能的实现方式中，步骤S13根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息时，可以对于所述每个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述备选空调控制策略使用时序上之前的至少一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息，所述融合可调项变化信息包括所述多个可调项对应的融合变化特征；其中，针对所述备选空调控制策略为所述多个备选空调控制策略中的第一个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述多个备选空调控制策略中使用时序上最后一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息；对所述融合可调项变化信息中的多个融合变化特征进行归一化处理，将归一化处理后的融合可调项变化信息作为所述重要程度信息。

针对上述使用到的所述特征提取模型、所述数据变化检测模型、所述重要程度获取模型及所述注意力机制模型进，本实施例提供了对上述模型的训练方法，具体可以包括以下步骤。

步骤S21，获取同一数据样本中的多个样本备选空调控制策略。

步骤S22，通过所述特征提取模型分别对每个样本备选空调控制策略进行特征提取，得到所述每个样本备选空调控制策略的第一样本特征向量，所述第一样本特征向量包括所述多个可调项对应的第一样本特征。

步骤S23，通过所述数据变化检测模型根据所述多个样本备选空调控制策略的第一样本特征向量进行数据变化检测，得到所述多个样本备选空调控制策略的样本可调项变化信息，所述样本可调项变化信息包括所述多个可调项对应的样本变化特征。

步骤S24，通过所述重要程度获取模型将所述多个样本备选空调控制策略的样本可调项变化信息进行差异性检测，得到所述每个样本备选空调控制策略的样本重要程度信息，所述样本重要程度信息包括所述多个可调项对应的重要程度。

步骤S25，通过所述注意力机制模型分别对所述每个样本备选空调控制策略的第一样本特征向量与对应的样本重要程度信息进行融合处理，得到所述每个样本备选空调控制策略的样本策略特征信息。

步骤S26，对于任一目标可调项，根据所述多个样本备选空调控制策略的每两个样本备选空调控制策略的样本策略特征信息中，属于目标可调项的样本变化特征之间的相似程度值，确定所述目标可调项的相似程度值。

步骤S27，根据第一预设数量个目标可调项的相似程度值，确定所述特征提取模型的第一损失值，所述第一损失值与所述第一预设数量个目标可调项的相似程度值呈正相关关系。

步骤S28，根据所述第一损失值，对所述特征提取模型、所述数据变化检测模型、所述重要程度获取模型及所述注意力机制模型进行训练。

在本实施例中，步骤12中确定的所述预测调整率可能是不准确的，因此所述驻车空调调整方法还可以包括以下步骤：

步骤S31，获取所述多个备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间对应的第一预设数量个手动调整数据集合，其中，每一时间区间的手动调整数据集合包括所述备选空调控制策略在多个可调整控制项上的手动调整数据。

可选地，多个可调整控制项可以包括多个单体可调整控制项和由多个单体可调整控制项进行组合得到的组合可调整控制项。

步骤S32，分别获取各个备选空调控制策略的第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合。其中，每一调整率预测不准确度集合包括所述备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每一调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值。

在本实施例中，可以通过预先约定策略特征信息与第一预设数量个手动调整数据集合与第一预设数量个时间区间之后的第第二预设数量个时间区间的调整率差值之间的对应表，从而根据对应表，来确定备选空调控制策略在当前时间区间的调整率预测不准确度。可选地，也可以通过将策略特征信息与第一预设数量个手动调整数据集合输入已训练的调整率调整模型，以获取所述备选空调控制策略在当前时间区间的调整率预测不准确度。

具体地，可以根据分别获取第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合，进而根据策略特征信息与第一预设数量个调整率预测不准确度集合，来确定各个备选空调控制策略在当前时间区间的调整率预测不准确度。

其中，每个所述调整率预测不准确度集合包括备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每个所述调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值，预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与备选空调控制策略的被执行次数之间的比值。调整率预测不准确度可以定义为预测调整率与实际调整率的比值，或者预测调整率与实际调整率的差值。

在本实施例中，可以按照时间区间对调整率预测不准确度集合进行整理。例如对于一个备选空调控制策略而言，以1个小时为一个时间区间为例，可以按照调整率调整模型的需求，每个小时获取统计出每一个备选空调控制策略的多个可调整控制项的手动调整数据，并整理多个可调整控制项的调整率预测不准确度。调整率调整模型预测调整率差值还需要备选空调控制策略的策略特征信息，因此还可以从实时数据中获取各个备选空调控制策略的策略特征信息。本申请实施例中，为提升调整率调整模型的准确性，可通过新的训练数据以数据流的方式对模型进行更新，即将获取的各个备选空调控制策略的策略特征信息和相应的手动调整数据集合或者调整率预测不准确度集合一并放入样本数据库中，以对调整率调整模型进行更新训练。

步骤S33，利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度。其中，所述调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合。所述调整率预测不准确度表示备选空调控制策略的预测调整率与实际调整率之间的差值。

步骤S34，通过各个备选空调控制策略在当前时间区间的调整率预测不准确度分别对各个备选空调控制策略的预测调整率进行调整。

本申请实施例中，可以将所述调整率调整模型输出的调整率预测不准确度作为调整率调整因子，在预测调整率的基础上乘以所述调整率调整因子，以对预测调整率进行调整。

本申请实施例中，获取备选空调控制策略的策略特征信息，以及该备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间的历史手动调整数据，并根据历史手动调整数据确定历史调整率预测不准确度，从而进而根据策略特征信息与历史调整率预测不准确度，确定该备选空调控制策略在当前时间区间的调整率预测不准确度，进而通过当前时间区间的调整率预测不准确度对预测调整率进行调整，以提升预测调整率的准确性。

本申请实施例中，根据备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间的调整率预测不准确度集合，通过第一特征提取模型可以获取该备选空调控制策略的调整率差值向量。

由于手动调整次数的范围时很大的，而手动调整次数的值影响到差值的置信程度，例如手动调整次数较少时，基于该次数得到的差值的置信程度显然是很低的。因此，本申请实施例中，可以根据每一可调整控制项在每一时间区间内的手动调整次数所属的数值分段，确定每一可调整控制项在每一时间区间的调整率差值子向量。其中，数值分段是根据手动调整次数的置信度进行划分的，再将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。在进行融合时，可以先将每一个可调整控制项在第一预设数量个时间区间的调整率差值子向量进行融合，以得到每一个可调整控制项对应的调整率差值向量，再将多个可调整控制项进行组合，以得到备选空调控制策略对应的调整率差值向量。具体的，根据每一可调整控制项在每一时间区间内的手动调整次数所属的数值分段，确定对应的调整率差值子向量，可以是将每一可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每一可调整控制项在每一时间区间的调整率预测不准确度，除每一可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每一可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量。

可选地，在本实施例中，所述调整率调整模型可以包括第一特征提取模型和第二特征提取模型。步骤S33，所述利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度，可以包括以下步骤：

步骤S331，根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量。

步骤S332，通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量。

步骤S333，通过所述第二特征提取模型的至少两个全连接网络，对各个可调项对应的特征向量进行特征映射，以得到所述策略特征向量。

步骤S334，基于所述第一特征提取模型和所述第二特征提取模型的权重，根据所述调整率差值向量和所述策略特征向量得到在当前时间区间的调整率预测不准确度。

在获得第一特征提取模型获得的调整率差值向量和第二特征提取模型的顶层输出的策略特征向量之后，则可以基于第一特征提取模型和第二特征提取模型的权重，基于调整率差值向量和策略特征向量得到在当前时间区间的调整率预测不准确度。

可选地，步骤S331，根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量，可以包括以下步骤：

步骤S3311，将每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每个所述可调整控制项在每一时间区间的调整率预测不准确度，除每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每个所述可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量，其中，所述数值分段是根据手动调整次数的置信度进行划分的。

步骤S3312，将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。

在一些可能的实现方式中，步骤S332，通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量，可以包括以下步骤：

步骤S3321，分别对各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签；

步骤S3322，根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取所述映射标签对应的特征向量，其中，所述特征向量库为在所述调整率调整模型的训练过程中训练得到的，所述特征向量库包括所有融合的可调项和特征值对应的特征向量；

其中，针对类型为连续数值类型的所述可调项，确定所述可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对所述可调项进行归一化；将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到所述可调项和所述可调项对应的特征值对应的映射标签。

具体地，第二特征提取模型可以包括特征融合网络和至少两个全连接网络。其中，特征融合网络可以用于将策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量。该特征向量库可以在调整率调整模型的训练过程中一并训练得到，且该特征向量库包括所有融合的可调项和特征值对应的特征向量。为了方便查找融合的可调项和特征值对应的特征向量，可以将各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签，进而根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取映射标签对应的特征向量。其中，归一化例如可以采用计算哈希值的方式进行，通过将可调项和特征值哈希化之后进行融合，即可得到映射标签，例如可以哈希化的可调项和特征值直接进行融合，也可以采用异或融合的方式。可以确定可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对可调项进行归一化，进而将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到可调项和可调项对应的特征值对应的映射标签，已根据该映射标签从特征向量库中获取相应的特征向量。

在本实施例中，还提供了对所述调整率调整模型的训练方法，可以包括以下步骤：

步骤S91，从样本数据库中获取第三预设数量的样本数据。

步骤S92，根据所述策略特征信息以及第二预设数量个连续时间区间中前第一预设数量个时间区间的调整率预测不准确度集合，通过所述调整率调整模型，获取每一样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度。其中，若第二预设数量为x，则所述第第二预设数量个为第x个。

步骤S93，根据所述样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与所述样本数据中第第二预设数量个时间区间的调整率预测不准确度集合，获取所述调整率调整模型的损失值。

步骤S94，根据所述损失值对所述调整率调整模型的模型参数进行调整。

本申请实施例中，调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合，其中，备选空调控制策略的策略特征信息以及前第一预设数量个连续时间区间的调整率预测不准确度集合作为模型输入，第第二预设数量个连续时间区间的调整率预测不准确度集合组我诶模型验证数据。

获取样本数据后，则可以按照设定的训练参数对调整率调整模型进行多次训练，由于每一次训练过程是类似的。具体的，针对每一样本数据，可以将其包括的策略特征信息以及前第一预设数量个时间区间的调整率预测不准确度集合作为调整率调整模型的输入，获取每一样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度。

之后，还可以将模型预测的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与样本数据中第第二预设数量个时间区间的调整率预测不准确度集合进行比较，从而获取调整率调整模型的损失值。其中，第第二预设数量个时间区间的调整率预测不准确度集合可以包括多个可调整控制项的调整率预测不准确度，进行比较时，是将模型预测的备选空调控制策略的调整率预测不准确度与集合中备选空调控制策略的调整率预测不准确度进行比较。

针对每一样本数据而言，该样本的损失值可以是模型预测的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与该样本数据中备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度的差值，进而根据所有样本数据的损失值得到调整率调整模型的损失值。

模型训练的过程是对模型不断进行优化的过程，在每一次的训练过程中，为了衡量模型是否需要继续训练，损失值可以表征模型预测的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与该样本数据中备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度之间的差异度，从而损失值可以衡量当前的模型是否足够准确。根据损失值对调整率调整模型的模型参数进行调整，再通过调整后的调整率调整模型继续下一次训练。可以采用上述的批量随机梯度下降法或其他可能的模型优化方法进行模型调整。在确定调整率调整模型的损失值小于预设损失阈值后，表明当前的调整率调整模型已满足需求，则可以将该调整率调整模型投入使用。

请参照图2，图2是本申请实施例提供的服务器100的方框示意图。所述服务器100包括驻车空调控制***110、机器可读存储介质120、处理器130。

所述机器可读存储介质120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述驻车空调控制***110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述服务器100的操作***(operating system，OS)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块，例如所述驻车空调控制***110所包括的软件功能模块及计算机程序等。

其中，所述机器可读存储介质120可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。其中，机器可读存储介质120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。

所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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申请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。

请参照图3，本实施例还提供一种驻车空调控制***110，驻车空调控制***110包括至少一个可以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分，驻车空调控制***110可以包括特征提取模块111、调整率确定模块112、策略确定模块113。

特征提取模块111，用于获取在使用时序上连续的多个备选空调控制策略的策略特征信息。

本实施例中，所述特征提取模块111可用于执行图1所示的步骤S11，关于所述特征提取模块111的具体描述可参对所述步骤S11的描述。

调整率确定模块112，用于根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率。所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值。

本实施例中，所述调整率确定模块112可用于执行图1所示的步骤S12，关于所述调整率确定模块112的具体描述可参对所述步骤S12的描述。

策略确定模块113，用于根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

本实施例中，所述策略确定模块113可用于执行图1所示的步骤S13，关于所述策略确定模块113的具体描述可参对所述步骤S13的描述。

综上所述，本申请提供的一种驻车空调控制方法及***，通过各个备选空调控制策略的策略特征信息，确定各个备选空调控制策略在当前时间区间的预测调整率，从而根据所述预测调整率确定用户最不需要执行手动调整的备选空调控制策略作为目标备选空调控制策略来控制驻车空调。从而可以实现有效地为用户预测空调控制策略，减少用户的手动操作。

以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种驻车空调控制方法，其特征在于，所述方法包括：

获取在使用时序上连续的多个备选空调控制策略的策略特征信息；

根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；

根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述多个备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间对应的第一预设数量个手动调整数据集合，其中，每一时间区间的手动调整数据集合包括所述备选空调控制策略在多个可调整控制项上的手动调整数据；

分别获取各个备选空调控制策略的第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合；其中，每一调整率预测不准确度集合包括所述备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每一调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值；

利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度；其中，所述调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合；所述调整率预测不准确度表示备选空调控制策略的预测调整率与实际调整率之间的差值；

通过各个备选空调控制策略在当前时间区间的调整率预测不准确度分别对各个备选空调控制策略的预测调整率进行调整。

3.根据权利要求要求2所述的方法，其特征在于，所述调整率调整模型包括第一特征提取模型和第二特征提取模型；所述利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度的步骤，包括：

根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量；

通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量；

通过所述第二特征提取模型的至少两个全连接网络，对各个可调项对应的特征向量进行特征映射，以得到所述策略特征向量；

基于所述第一特征提取模型和所述第二特征提取模型的权重，根据所述调整率差值向量和所述策略特征向量得到在当前时间区间的调整率预测不准确度。

4.根据权利要求要求3所述的方法，其特征在于，根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量的步骤，包括：

将每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每个所述可调整控制项在每一时间区间的调整率预测不准确度，除每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每个所述可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量，其中，所述数值分段是根据手动调整次数的置信度进行划分的；

将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。

5.根据权利要求要求3所述的方法，其特征在于，所述通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量的步骤，包括：

分别对各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签；

根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取所述映射标签对应的特征向量，其中，所述特征向量库为在所述调整率调整模型的训练过程中训练得到的，所述特征向量库包括所有融合的可调项和特征值对应的特征向量；

其中，针对类型为连续数值类型的所述可调项，确定所述可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对所述可调项进行归一化；将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到所述可调项和所述可调项对应的特征值对应的映射标签。

6.根据权利要求要求2所述的方法，其特征在于，所述调整率调整模型是通过如下训练过程训练得到的：

从样本数据库中获取第三预设数量的样本数据；

根据所述策略特征信息以及第二预设数量个连续时间区间中前第一预设数量个时间区间的调整率预测不准确度集合，通过所述调整率调整模型，获取每一样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度；

根据所述样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与所述样本数据中第第二预设数量个时间区间的调整率预测不准确度集合，获取所述调整率调整模型的损失值；

根据所述损失值对所述调整率调整模型的模型参数进行调整。

7.根据权利要求要求1所述的方法，其特征在于，所述获取在使用时序上连续的多个备选空调控制策略的策略特征信息的步骤，包括：

获取同一车辆中使用时序上连续的多个备选空调控制策略；

通过特征提取模型分别对每个备选空调控制策略进行特征提取，得到所述每个备选空调控制策略的第一特征向量，所述第一特征向量包括多个可调项对应的第一特征；

通过数据变化检测模型根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息，所述可调项变化信息包括所述多个可调项对应的变化特征；

通过重要程度获取模型对所述多个备选空调控制策略的可调项变化信息进行差异性检测，得到所述每个备选空调控制策略的重要程度信息，所述重要程度信息包括所述多个可调项对应的重要程度，所述重要程度表示所述可调项对所述备选空调控制策略的变化特征的影响程度；

通过注意力机制模型分别对所述每个备选空调控制策略的第一特征向量与对应的重要程度信息进行融合处理，得到所述每个备选空调控制策略的策略特征信息。

8.根据权利要求7所述的方法，其特征在于，所述根据所述多个备选空调控制策略的第一特征向量进行数据变化检测，得到所述多个备选空调控制策略的可调项变化信息的步骤，包括：

对任意两个所述备选空调控制策略中第一个备选空调控制策略及第二个备选空调控制策略的第一特征向量中的每个第一特征进行降维处理；将所述第一个备选空调控制策略降维处理后的特征信息与所述第二个备选空调控制策略降维处理后的特征信息之间的差异特征信息，确定为所述第一个备选空调控制策略的可调项变化信息；其中，针对所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略，将预设特征信息确定为所述多个备选空调控制策略中的使用时序上最后一个备选空调控制策略的可调项变化信息；或者

对于所述每个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述备选空调控制策略使用时序上之前的至少一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息，所述融合可调项变化信息包括所述多个可调项对应的融合变化特征；其中，针对所述备选空调控制策略为所述多个备选空调控制策略中的第一个备选空调控制策略，将所述备选空调控制策略的可调项变化信息与所述多个备选空调控制策略中使用时序上最后一个备选空调控制策略的可调项变化信息进行融合处理，得到所述备选空调控制策略的融合可调项变化信息；对所述融合可调项变化信息中的多个融合变化特征进行归一化处理，将归一化处理后的融合可调项变化信息作为所述重要程度信息。

9.根据权利要求7所述的方法，其特征在于，所述方法还包括：

获取同一数据样本中的多个样本备选空调控制策略；

通过所述特征提取模型分别对每个样本备选空调控制策略进行特征提取，得到所述每个样本备选空调控制策略的第一样本特征向量，所述第一样本特征向量包括所述多个可调项对应的第一样本特征；

通过所述数据变化检测模型根据所述多个样本备选空调控制策略的第一样本特征向量进行数据变化检测，得到所述多个样本备选空调控制策略的样本可调项变化信息，所述样本可调项变化信息包括所述多个可调项对应的样本变化特征；

通过所述重要程度获取模型将所述多个样本备选空调控制策略的样本可调项变化信息进行差异性检测，得到所述每个样本备选空调控制策略的样本重要程度信息，所述样本重要程度信息包括所述多个可调项对应的重要程度；

通过所述注意力机制模型分别对所述每个样本备选空调控制策略的第一样本特征向量与对应的样本重要程度信息进行融合处理，得到所述每个样本备选空调控制策略的样本策略特征信息；

对于任一目标可调项，根据所述多个样本备选空调控制策略的每两个样本备选空调控制策略的样本策略特征信息中，属于目标可调项的样本变化特征之间的相似程度值，确定所述目标可调项的相似程度值；

根据第一预设数量个目标可调项的相似程度值，确定所述特征提取模型的第一损失值，所述第一损失值与所述第一预设数量个目标可调项的相似程度值呈正相关关系；

根据所述第一损失值，对所述特征提取模型、所述数据变化检测模型、所述重要程度获取模型及所述注意力机制模型进行训练。

10.一种驻车空调控制***，其特征在于，所述***包括：

特征提取模块，用于获取在使用时序上连续的多个备选空调控制策略的策略特征信息；

调整率确定模块，用于根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；

策略确定模块，用于根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。

Images