CN114091336A - 一种空调调节方法、装置、车辆及存储介质 - Google Patents
一种空调调节方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114091336A CN114091336A CN202111385470.0A CN202111385470A CN114091336A CN 114091336 A CN114091336 A CN 114091336A CN 202111385470 A CN202111385470 A CN 202111385470A CN 114091336 A CN114091336 A CN 114091336A
- Authority
- CN
- China
- Prior art keywords
- user
- vehicle
- air conditioner
- model
- updated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
本发明公开了一种空调调节方法、装置、车辆及存储介质。该方法包括:确定车辆使用的目标模型库,并获取车辆的用户特征;根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;基于空调调节参数调节车辆的空调。即,本发明实施例,通目标模型库和用户特征得到空调调节参数的预测模型,根据不同的环境特征预测模型可以预测对应的空调调节参数,根据空调调节参数可以调节空调,使得车辆的空调在没有参与过程条件下,根据环境特征和用户特征进行个性化的智能调节,使得空调使用感更高,用户体验度更好。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种空调调节方法、装置、车辆及存储介质。
背景技术
随着车辆高频率的使用,人们对车辆的要求越来越高,车辆空调是用户使用较为频繁的功能,适宜的车内温度、风向、风速能带来安全、舒适的驾驶体验。现有技术中空调的温度、风速、风向等都需要用户手动调整,就算具有自动调节功能,也需要用户手动输入目标值,根据目标值确定空调出风口工作向理论值,根据空调出风口工作向理论值进行自动调节到用户预设的目标值。由于需要手动设置目标值,并不能实现智能的空调调节,呈现半自动化状态,降低用户乘车的体验感。
发明内容
本发明提供一种空调调节方法、装置、车辆及存储介质,以实现车辆上电后的智能化控制空调调节参数的调节,提升用户体验感。
第一方面,本发明实施例提供了一种空调调节方法,该方法包括:
确定车辆使用的目标模型库,并获取所述车辆的用户特征;
根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
基于所述空调调节参数调节所述车辆的空调。
进一步的,确定车辆使用的目标模型库,包括:
启动车辆,接收云端发送的在线更新消息;
根据所述在线更新消息确定更新用户模型和待更新用户模型库中的已有用户模型,并根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定是否对所述待更新用户模型库进行更新;
若需要对所述待更新用户模型库进行更新,则用所述更新用户模型替换所述已有用户模型得到更新用户模型库,将所述更新用户模型库作为所述目标模型库。
进一步的,根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定是否对所述待更新用户模型库进行更新,包括:
当所述已有用户模型的误差值与所述更新用户模型的误差值的差值小于零,则确定对所述待更新用户模型库进行更新。
进一步的,基于所述空调调节参数调节所述车辆的空调之前,还包括:
根据所述环境特征中的车内温度与车外温度的差值和温差阈值,确定所述车辆的空调是否进行温差调节;
当所述差值大于所述温差阈值,则确定对所述车辆的空调进行温差调节,并确定所述车辆内是否有乘客;
当所述当前车内有乘客进行第一温差调节,当所述车内无乘客进行第二温差调节。
进一步的,所述用户模型库建立方法包括:
获取所述云端存储的用户历史数据作为训练样本,所述用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数;
将各所述用户历史特征对应的子训练样本输入回归预测模型进行训练,得到各所述用户模型,并将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中。
进一步的,在将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中之前,还包括:
根据所述用户历史特征确定所述用户历史特征对应的测试样本;
将测试样本中的环境特征输入所述用户模型,预测得到所述测试样本对应的预测空调调节参数;
将所述预测空调调节参数与所述测样本中的实际空调调节参数进行数据评估,得到误差值,将预设误差值和所述误差值进行比对;
当所述误差值小于所述预设误差值,将所述用户模型与所述用户历史特征关联存储在所述用户模型库中。
进一步的,根据用户历史特征确定所述用户历史特征对应的测试样本,包括:
获取当前时刻所述用户历史特征对应的用户历史子数据和所述子训练样本;
确定出所述用户历史子数据中与所述子训练样本未重复的数据作为所述用户历史特征对应的测试样本。
第二方面,本发明实施例还提供了一种空调调节装置,该装置包括:
特征获取模块,用于确定车辆使用的目标模型库,并获取所述车辆的用户特征;
模型匹配模块,用于根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
参数预测模块,用于获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
空调调节模块,用于基于所述空调调节参数调节所述车辆的空调。
第三方面,本发明实施例还提供了一种车辆,该车辆包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
空调,用于调节车内温度;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的空调调节方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的空调调节方法。
本发明实施例中,通过确定车辆使用的目标模型库,并获取车辆的用户特征;根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;基于空调调节参数调节车辆的空调。即,本发明实施例,解决了用户手动设置目标值的空调调节用户体验感差的问题,通目标模型库和用户特征得到空调调节参数的预测模型,利用大数据建立空调调节参数的预测模型,可以根据不同的环境特征预测模型可以预测对应的空调调节参数,根据空调调节参数可以调节空调,使得车辆的空调在没有参与过程条件下,根据环境特征和用户特征进行个性化的智能调节,使得空调使用感更高,用户体验度更好。
附图说明
图1是本发明实施例提供了空调调节方法的一个流程示意图;
图2是本发明实施例提供了空调调节方法的另一流程示意图;
图3是本发明实施例提供了空调调节装置的一个结构示意图;
图4是本发明实施例提供了车辆的一个结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的空调调节方法的一个流程示意图,该方法可以由本发明实施例提供的空调调节装置来执行,该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中,该装置可以集成在电子设备中,电子设备比如可以是服务器。以下实施例将以该装置集成在电子设备中为例进行说明,参考图1,该方法具体可以包括如下步骤:
步骤110、确定车辆使用的目标模型库,并获取车辆的用户特征;
示例地,车辆可以理解为用户当前使用的车辆,也可以是装有空调的电子设备。目标模型库可以理解为当前车辆使用的预测不同用户的空调调节参数的预测模型库,根据云端数据确定当前预测误差最小的车辆对应的用户模型库;目标模型库可以是车辆安装的同一类型空调的用户模型库,也可以是具有不同类型空调调节参数转化表的用户模型库,当目标模型库为同一类型空调的用户模型库,需要在确定目标模型库之前,根据不同类型空调对应的模型库中匹配,该类型空调对应的用户模型库,再根据云端在线数据确定该类型对应的目标模型库;目标模型库为具有不同类型空调调节参数转化表的用户模型库,当根据用户特征在目标模型库匹配得到目标模型,在目标模型根据环境特征预测,环境特征对应的空调调节参数,根据每个目标模型中的不同类型空调调节参数转化表,将空调调节参数转化为该空调类型对应的空调调节参数。车辆的用户特征可以理解为根据车辆内传感器获得图像或声音识别出来的用户身体信息,可以是用户体态特征、年龄、性别等,用户的体态特征包括胖瘦和身高等。
具体实现中,车辆上电后,通过车辆上的网设备,将网络上的最新数据从云端更新到车辆上的网设备,或通过车辆上的网络设备实时从云端获取车辆对应的在线数据,根据该在线数据可以重新训练用户特征对应的更新用户模型对已有用户模型进行替换,更新待更新用户模型库,将更新用户模型库作为目标模型库。但在线数据的重新训练用户可以根据需求进行选择,避免在用户对当前用户模型库满意时,进行更新影响用户体感。确定车辆使用的目标模型库,并获取根据车辆上安装采集设备获取车辆的用户特征,可以根据用户特征在目标模型库中确定出用户特征对应的目标模型。
步骤120、根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;
具体实现中,目标模型库中存储有不同用户特征对应的用户模型,根据传感器设备获取到的用户特征,在车辆使用的目标模型库中匹配用户特征对应的用户模型。如果可以在目标模型库中匹配用户特征对应的用户模型作为目标模型,根据用户特征对应的目标模型预测空调调节参数;如果根据目标模型中匹配不到用户特征对应的用户模型,可以根据用户特征从云端获取用户特征对应的在线数据,训练对应的用户模型作为目标模型,并将训练的用户模型与用户特征存储在目标模型库中。当从云端没有获取用户特征对应的在线数据,可以根据目标数据库中的用户特征的相似度,选择相似度最高的用户模型作为目标模型。
步骤130、获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;
示例地,车辆的环境特征可以理解为根据车内的传感器获取到的环境信息和车辆信息或者通过车辆内的网络设备获取到的环境信息和车辆信息,车辆信息包括车龄、行驶公里数、保养信息和空调信息等,环境信息包括车内温度、车外温度、车内湿度、车外湿度、车外风速、车内风速、降雨信息和光照程度等。环境特征对应的空调调节参数可以理解为用于将当前车内的环境特征调节至用户需求的空调运行参数的空调调节参数,即将当前车内的环境特征调节至当前用户需求对应的空调运行参数的空调需要调节的参数信息。空调调节参数可以是空调温度、风速和风向等。
具体实现中,根据车内外的传感器获取到的环境信息和车辆信息或者通过车辆内的网络设备获取到的环境信息和车辆信息,根据环境信息和车辆信息确定出车辆的环境特征,将该环境特征输入用户特征对应的目标模型,根据用户特征对应的目标模型预测环境特征对应的空调调节参数,以便于根据空调调节参数对车辆的空调进行参数调节,达到用户个性需求。
步骤140、基于空调调节参数调节车辆的空调。
具体实现中,根据环境信息和车辆信息确定出车辆的环境特征,将该环境特征输入用户特征对应的目标模型,根据用户特征对应的目标模型预测环境特征对应的空调调节参数,根据云端上不同用户历史数据训练得到用户特征对应的用户模型,并根据用户模型得到环境特征对应的空调调节参数,将根据空调调节参数对车辆的空调进行参数调使得车辆的空调当前的使用参数到达用户的个性需求,智能化的根据用户特征对车辆的空调进行调节,整个过程减少车上用户的参与,提升用户体验感。
本发明实施例中,通过确定车辆使用的目标模型库,并获取车辆的用户特征;根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;基于空调调节参数调节车辆的空调。即,本发明实施例,解决了用户手动设置目标值的空调调节用户体验感差的问题,通目标模型库和用户特征得到空调调节参数的预测模型,利用大数据建立空调调节参数的预测模型,可以根据不同的环境特征预测模型可以预测对应的空调调节参数,根据空调调节参数可以调节空调,使得车辆的空调在没有参与过程条件下,根据环境特征和用户特征进行个性化的智能调节,使得空调使用感更高,用户体验度更好。
下面进一步描述本发明实施例提供的空调调节方法,如图2所示,该方法具体可以包括如下步骤:
步骤210、启动车辆,接收云端发送的在线更新消息;
具体实现中,在线更新消息可以理解为云端实时接收的各车辆的使用实际数据,车辆的使用数据包括车辆使用过程中的环境信息、车辆信息和车辆的空调参数,根据云端的车辆的使用实际数据对待更新用户模型库进行数据更新。启动车辆,车辆的网络设备正常工作,车辆的网络设备接收云端发送的在线更新消息,以便于根据云端数据实时对车辆上用户模型库进行实时更新。
步骤220、根据在线更新消息确定更新用户模型和待更新用户模型库中的已有用户模型,并根据已有用户模型的误差值与更新用户模型的误差值的差值,确定是否对待更新用户模型库进行更新;
示例地,更新用户模型可以理解为根据在线更新消息中用户对应的最新的用户历史数据训练出的用户特征对应的最新用户模型,用于对用户特征对应的已有用户模型进行实时更新,得到最适合用户的空调调节参数预测模型。待更新用户模型库可以理解为在接收到云端发送的在线更新消息将车辆内的原有用户模型对应的用户模型库。已有用户模型可以理解为在接收在线更新消息之前待更新的用户模型库中的用户模型。已有用户模型的误差值可以理解为使用已有用户模型预测的空调调节参数与实际空调调节参数之间的误差值,该误差值小于用户模型库存入的预设误差值。更新用户模型的误差值可以理解为使用更新用户模型预测的空调调节参数与实际空调调节参数之间的误差值。
具体实现中,根据在线更新消息中的中用户对应的最新的用户历史数据训练出的用户特征对应的更新用户模型,将该用户特征对应的更新用户模型和已有用户模型库进行精准度对比,使用已有用户模型的误差值与更新用户模型的误差值的差值,确定是否对待更新模型库进行更新,根据该差值的大小确定是都对待更新用户模型库是否进行更新,以便于利用更新用户模型替换已有用户模型对待更新用户模型库进行更新,确定车辆的用户精准的用户模型库。
进一步的,根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定是否对所述待更新用户模型库进行更新,包括:
当所述已有用户模型的误差值与所述更新用户模型的误差值的差值小于零,则确定对所述待更新用户模型库进行更新。
具体实现中,将该用户特征对应的更新用户模型和已有用户模型库进行精准度对比,使用已有用户模型的误差值与更新用户模型的误差值的差值,确定是否对待更新模型库进行更新,根据该差值的大小确定是都对待更新用户模型库是否进行更新,当差值小于零时,则说明更新用户模型的预测精准度大于已有用户模型的预测精准度,可以利用更新用户模型替代已有用户模型,以便于更新待更新用户模型获得精准的用户模型库。
步骤230、若需要对待更新用户模型库进行更新,则用更新用户模型替换已有用户模型得到更新用户模型库,将更新用户模型库作为目标模型库。
具体实现中,当差值小于零时,则说明更新用户模型的预测精准度大于已有用户模型的预测精准度,需要对待更新用户模型库进行更新,则可以利用更新用户模型替代已有用户模型,以便于更新待更新用户模型获得精准的用户模型库,并将用更新用户模型替换已有用户模型得到更新用户模型库,将更新用户模型库作为目标模型库,利用精准的用户模型库进行用户特征匹配得到用户特征对应的目标模型,预测环境特征对应的空调调节参数。
步骤240、获取车辆的用户特征,根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;
步骤250、获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;
步骤260、基于空调调节参数调节车辆的空调。
进一步的,基于所述空调调节参数调节所述车辆的空调之前,还包括:
根据所述环境特征中的车内温度与车外温度的差值和温差阈值,确定所述车辆的空调是否进行温差调节;
当所述差值大于所述温差阈值,则确定对所述车辆的空调进行温差调节,并确定所述车辆内是否有乘客;
当所述当前车内有乘客进行第一温差调节,当所述车内无乘客进行第二温差调节。
示例地,车内温度与车外温度的差值可以理解为当前环境特征中车辆内外的温度差,温差阈值可以理解为根据车内外温差值调节的需求进行初次温度调节预设选择的温差调节模式对应的阈值,用于选择空调参数调节的模式。第一温差调节可以理解为根据确定出的空调调节参数进行的温和和舒适调节模式,调节速度较缓的调节模式,风速变化较慢、风向避免对用户直吹和温度变化较慢。第二温差调节可以理解为确定出的空调调节参数进行快速调节模式的调节模式,风速变化较快、风向不用躲避用户和温度变化快速。
具体实现中,根据环境特征中的车内温度和车外温度确定出车内外的差值,并根据需求预设的温差阈值,将车内外的差值与温差阈值进行对比,如果车内外的差值大于温差阈值,则进行车辆的空调的温差调节,并根据车辆内的传感器设备采集的信息确定车辆内是都有乘客,当车辆内有乘客进行第一温差调节,进行温差调节,避免车辆内乘客因为空调调节感到不适;当车辆内无乘客进行第二温差调节,促使车辆内能快速调节到用户需要的空调参数。
进一步的,所述用户模型库建立方法包括:
获取所述云端存储的用户历史数据作为训练样本,所述用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数;
将各所述用户历史特征对应的子训练样本输入回归预测模型进行训练,得到各所述用户模型,并将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中。
示例地,用户历史数据可以理解为根据用户特征对应的云端历史数据,该用户历史数据为车辆在使用过程中实际数据,用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数。训练样本可以理解为预设时间段内的不同用户特征对应的用户历史数据。车辆的用户历史特征可以理解为车辆在使用过程的每个用户历史特征。车辆的历史环境特征可以理解为车辆内的每个用户历史特征对应的历史环境特征。车辆的历史空调调节参数可以理解为每个用户历史特征在对应的各历史环境特征实际使用的历史空调调节参数。回归预测模型可以理解为根据用户特征对应的各历史环境特征实际使用的历史空调参数,使用回归预测算法训练同一用户特征对应的不同环境特征对应的实际使用的历史空调调节参数,得到用户历史特征对应的用户模型,比如:使用xgboost回归预测算法进行训练的训练样本。子训练样可以理解为同一用历史户特征对应的环境特征和环境特征对应的实际空调调节参数。
具体实现中,获取云端存储的用户历史数据作为训练样本,用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数;将各用户历史特征对应的子训练样本输入回归预测模型进行训练,得到各用户模型,并将各用户模型与用户历史特征关联存储至所述用户模型库中。
进一步的,在将所述用户模型与所述车辆的用户历史特征关联存储至所述用户模型库中之前,还包括:
根据所述用户历史特征确定所述用户历史特征对应的测试样本;
将测试样本中的环境特征输入所述用户模型,预测得到所述测试样本对应的预测空调调节参数;
将所述预测空调调节参数与所述测样本中的实际空调调节参数进行数据评估,得到误差值,将预设误差值和所述误差值进行比对;
当所述误差值小于所述预设误差值,将所述用户模型与所述用户历史特征关联存储在所述用户模型库中。
示例地,测试样本可以理解为检测训练的预测模型的精确度的样本数据。预测空调调节参数可以理解为根据测试样本中的环境特征输入预测模型得到的空调调节参数。预设误差可以理解为根据用户预测需求设置的数据评估方法对应的误差值,用于评价训练出的预测模型是否可以作为用户模型与用户特征关联存储在用户模型库中。
具体实现中,根据用户历史特征从用户历史数据中选择用户特征对应的测试样本,将测试样本中的环境特征输入用户模型,预测得到测试样本对应的预测空调调节参数,用于与测试样本中的实际空调参数进行比对,将预测空调调节参数与测试样本中的实际空调调节参数输入数据评估算法进行数据评估,得到预测空调调节参数与测试样本中的实际空调调节参数之间的误差值,并将预设误差值和误差值进行比对,确定出该误差值是否已经满足预测差值条件,来将训练出的用户模型与用户历史特征关联存储在用户模型库中,当误差值小于预设误差值,将用户模型与用户历史特征关联存储在用户模型库中。
进一步的,根据用户历史特征确定所述用户历史特征对应的测试样本,包括:
获取当前时刻所述用户历史特征对应的用户历史子数据和所述子训练样本;
确定出所述用户历史子数据中与所述子训练样本未重复的数据作为所述用户历史特征对应的测试样本。
具体实现中,用户历史子数据可以理解为同一用户特征对应的用户历史数据中的部分用户历史数据。根据用户历史特征从用户历史子数据中选择用户特征对应的测试样本,对用户历史子数据和子训练样本求非交集,确定出用户历史子数据中与子训练样本未重复的数据作为用户历史特征对应的测试样本,也可以进一步的根据用户历史子数据中与子训练样本未重复数据中,时间较为近的进行测试,以便于获得用户的最新喜好。
本发明实施例中,通过确定车辆使用的目标模型库,并获取车辆的用户特征;根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;基于空调调节参数调节车辆的空调。即,本发明实施例,解决了用户手动设置目标值的空调调节用户体验感差的问题,通目标模型库和用户特征得到空调调节参数的预测模型,利用大数据建立空调调节参数的预测模型,可以根据不同的环境特征预测模型可以预测对应的空调调节参数,根据空调调节参数可以调节空调,使得车辆的空调在没有参与过程条件下,根据环境特征和用户特征进行个性化的智能调节,使得空调使用感更高,用户体验度更好。
图3是本发明实施例提供的空调调节装置的结构示意图,如图3所示,该空调调节装置包括:
特征获取模块310,用于确定车辆使用的目标模型库,并获取所述车辆的用户特征;
模型匹配模块320,用于根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
参数预测模块330,用于获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
空调调节模块340,用于基于所述空调调节参数调节所述车辆的空调。
一实施例中,所述特征获取模块310确定车辆使用的目标模型库,包括:
启动车辆,接收云端发送的在线更新消息;
根据所述在线更新消息确定更新用户模型和待更新用户模型库中的已有用户模型,并根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定否对所述待更新用户模型库进行更新;
若需要对所述待更新用户模型库进行更新,则用所述更新用户模型替换所述已有用户模型得到更新用户模型库,将所述更新用户模型库作为所述目标模型库。
一实施例中,所述特征获取模块310根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定否对所述待更新用户模型库进行更新,包括:
当所述已有用户模型的误差值与所述更新用户模型的误差值的差值小于零,则确定对所述待更新用户模型库进行更新。
一实施例中,所述空调调节模块340基于所述空调调节参数调节所述车辆的空调之前,还包括:
根据所述环境特征中的车内温度与车外温度的差值和温差阈值,确定所述车辆的空调是否进行温差调节;
当所述差值大于所述温差阈值,则确定对所述车辆的空调进行温差调节,并确定所述车辆内是否有乘客;
当所述当前车内有乘客进行第一温差调节,当所述车内无乘客进行第二温差调节。
一实施例中,所述用户模型库建立方法包括:
获取所述云端存储的用户历史数据作为训练样本,所述用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数;
将各所述用户历史特征对应的子训练样本输入回归预测模型进行训练,得到各所述用户模型,并将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中。
一实施例中,在将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中之前,还包括:
根据所述用户历史特征确定所述用户历史特征对应的测试样本;
将测试样本中的环境特征输入所述用户模型,预测得到所述测试样本对应的预测空调调节参数;
将所述预测空调调节参数与所述测样本中的实际空调调节参数进行数据评估,得到误差值,将预设误差值和所述误差值进行比对;
当所述误差值小于所述预设误差值,将所述用户模型与所述用户历史特征关联存储在所述用户模型库中。
一实施例中,根据用户历史特征确定所述用户历史特征对应的测试样本,包括:
获取当前时刻所述用户历史特征对应的用户历史子数据和所述子训练样本;
确定出所述用户历史子数据中与所述子训练样本未重复的数据作为所述用户历史特征对应的测试样本。
本发明装置实施例中,通过确定车辆使用的目标模型库,并获取车辆的用户特征;根据用户特征在目标模型库中匹配,得到用户特征对应的目标模型;获取车辆的环境特征,并将环境特征输入目标模型,预测得到环境特征对应的空调调节参数;基于空调调节参数调节车辆的空调。即,本发明实施例,解决了用户手动设置目标值的空调调节用户体验感差的问题,通目标模型库和用户特征得到空调调节参数的预测模型,利用大数据建立空调调节参数的预测模型,可以根据不同的环境特征预测模型可以预测对应的空调调节参数,根据空调调节参数可以调节空调,使得车辆的空调在没有参与过程条件下,根据环境特征和用户特征进行个性化的智能调节,使得空调使用感更高,用户体验度更好。
图4为本发明实施例提供的一种车辆的结构示意图。图4示出了适于用来实现本发明实施方式的示例性车辆12的框图。图4显示的车辆12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,车辆12以通用计算设备的形式表现。车辆12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16及空调)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
车辆12典型地包括多种计算机***可读介质。这些介质可以是任何能够被车辆12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。车辆12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
车辆12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该车辆12交互的设备通信,和/或与使得该车辆12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,车辆12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与车辆12的其它模块通信。应当明白,尽管图中未示出,可以结合车辆12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的空调调节方法,该方法包括:
确定车辆使用的目标模型库,并获取所述车辆的用户特征;
根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
基于所述空调调节参数调节所述车辆的空调。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的空调调节方法,该方法包括:确定车辆使用的目标模型库,并获取所述车辆的用户特征;
根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
基于所述空调调节参数调节所述车辆的空调。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种空调调节方法,其特征在于,包括:
确定车辆使用的目标模型库,并获取所述车辆的用户特征;
根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
基于所述空调调节参数调节所述车辆的空调。
2.根据权利要求1所述的方法,其特征在于,确定车辆使用的目标模型库,包括:
启动车辆,接收云端发送的在线更新消息;
根据所述在线更新消息确定更新用户模型和待更新用户模型库中的已有用户模型,并根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定是否对所述待更新用户模型库进行更新;
若需要对所述待更新用户模型库进行更新,则用所述更新用户模型替换所述已有用户模型得到更新用户模型库,将所述更新用户模型库作为所述目标模型库。
3.根据权利要求2所述的方法,其特征在于,根据所述已有用户模型的误差值与所述更新用户模型的误差值的差值,确定是否对所述待更新用户模型库进行更新,包括:
当所述已有用户模型的误差值与所述更新用户模型的误差值的差值小于零,则确定对所述待更新用户模型库进行更新。
4.根据权利要求1所述的方法,其特征在于,基于所述空调调节参数调节所述车辆的空调之前,还包括:
根据所述环境特征中的车内温度与车外温度的差值和温差阈值,确定所述车辆的空调是否进行温差调节;
当所述差值大于所述温差阈值,则确定对所述车辆的空调进行温差调节,并确定所述车辆内是否有乘客;
当所述当前车内有乘客进行第一温差调节,当所述车内无乘客进行第二温差调节。
5.根据权利要求2所述的方法,其特征在于,所述用户模型库建立方法包括:
获取所述云端存储的用户历史数据作为训练样本,所述用户历史数据包括车辆的用户历史特征、车辆的历史环境特征和车辆的历史空调调节参数;
将各所述用户历史特征对应的子训练样本输入回归预测模型进行训练,得到各所述用户模型,并将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中。
6.根据权利要求5所述的方法,其特征在于,在将各所述用户模型与所述用户历史特征关联存储至所述用户模型库中之前,还包括:
根据所述用户历史特征确定所述用户历史特征对应的测试样本;
将测试样本中的环境特征输入所述用户模型,预测得到所述测试样本对应的预测空调调节参数;
将所述预测空调调节参数与所述测样本中的实际空调调节参数进行数据评估,得到误差值,将预设误差值和所述误差值进行比对;
当所述误差值小于所述预设误差值,将所述用户模型与所述用户历史特征关联存储在所述用户模型库中。
7.根据权利要求6所述的方法,其特征在于,根据用户历史特征确定所述用户历史特征对应的测试样本,包括:
获取当前时刻所述用户历史特征对应的用户历史子数据和所述子训练样本;
确定出所述用户历史子数据中与所述子训练样本未重复的数据作为所述用户历史特征对应的测试样本。
8.一种空调调节装置,其特征在于,包括:
特征获取模块,用于确定车辆使用的目标模型库,并获取所述车辆的用户特征;
模型匹配模块,用于根据所述用户特征在所述目标模型库中匹配,得到所述用户特征对应的目标模型;
参数预测模块,用于获取所述车辆的环境特征,并将所述环境特征输入所述目标模型,预测得到所述环境特征对应的空调调节参数;
参数调节模块,用于基于所述空调调节参数调节所述车辆的空调。
9.一种车辆,其特征在于,所述车辆包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
空调,用于调节车内温度;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的空调调节方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的空调调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385470.0A CN114091336A (zh) | 2021-11-22 | 2021-11-22 | 一种空调调节方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385470.0A CN114091336A (zh) | 2021-11-22 | 2021-11-22 | 一种空调调节方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091336A true CN114091336A (zh) | 2022-02-25 |
Family
ID=80302679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111385470.0A Pending CN114091336A (zh) | 2021-11-22 | 2021-11-22 | 一种空调调节方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091336A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115729290A (zh) * | 2022-11-23 | 2023-03-03 | 重庆长安汽车股份有限公司 | 汽车的座舱内气候调节方法及装置 |
CN116048161A (zh) * | 2023-03-01 | 2023-05-02 | 江苏芳香季纺织科技有限公司 | 一种加热穿戴设备智能温度调节控制方法 |
WO2024093736A1 (zh) * | 2022-10-31 | 2024-05-10 | 长城汽车股份有限公司 | 一种空调调节方法、服务器、终端及*** |
-
2021
- 2021-11-22 CN CN202111385470.0A patent/CN114091336A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024093736A1 (zh) * | 2022-10-31 | 2024-05-10 | 长城汽车股份有限公司 | 一种空调调节方法、服务器、终端及*** |
CN115729290A (zh) * | 2022-11-23 | 2023-03-03 | 重庆长安汽车股份有限公司 | 汽车的座舱内气候调节方法及装置 |
CN116048161A (zh) * | 2023-03-01 | 2023-05-02 | 江苏芳香季纺织科技有限公司 | 一种加热穿戴设备智能温度调节控制方法 |
CN116048161B (zh) * | 2023-03-01 | 2023-11-17 | 江苏芳香季纺织科技有限公司 | 一种加热穿戴设备智能温度调节控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091336A (zh) | 一种空调调节方法、装置、车辆及存储介质 | |
CN108346430B (zh) | 对话***、具有对话***的车辆以及对话处理方法 | |
JP7213943B2 (ja) | 車載機器の音声処理方法、装置、機器及び記憶媒体 | |
CN110648661A (zh) | 对话***、车辆和用于控制车辆的方法 | |
US10991368B2 (en) | Dialogue system and dialogue processing method | |
CN110503948B (zh) | 对话***和对话处理方法 | |
CN110717462B (zh) | 数字仪表读数识别方法、装置、设备和介质 | |
JP6475426B2 (ja) | 意図推定装置、及び、モデルの学習方法 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN110503947B (zh) | 对话***、包括其的车辆和对话处理方法 | |
CN114913197B (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN114880569A (zh) | 车辆的推荐控制方法、装置、电子设备、***和存储介质 | |
CN112466289A (zh) | 语音指令的识别方法、装置、语音设备和存储介质 | |
CN111242733B (zh) | 车辆功能控制方法、装置、设备和存储介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN111385659B (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
JP2021148971A (ja) | 音声認識方法及び音声認識装置 | |
KR102426492B1 (ko) | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 | |
CN115904075A (zh) | 车辆配置改进方法、***、设备和存储介质 | |
CN114801632A (zh) | 一种悬架高度调节方法、装置、设备及存储介质 | |
CN114005195A (zh) | 一种续驶里程的显示方法、装置、车辆及存储介质 | |
CN109783608B (zh) | 目标假设的确定方法、装置、可读存储介质和电子设备 | |
CN113791841A (zh) | 一种执行指令确定方法、装置、设备及存储介质 | |
CN111653271A (zh) | 一种样本数据获取、模型训练方法、装置及计算机设备 | |
EP4343643A1 (en) | Information processing device, program, and information processing method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |