CN101452259A - 位置范围设定装置,移动物体内的装置的控制方法和控制器,汽车空气调节器及其控制方法 - Google Patents

Abstract

一种位置范围设定装置，包括：位置信息获取单元，用于获取指示移动物体的位置信息；道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；地段确定单元，用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联；存储单元，用于将多条所述位置信息和所述道路地段信息分别存储为已学习数据；聚类单元，用于将包括在所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类内或第二聚类内；以及位置范围设定单元，用于从包括在所述第一聚类内的所述道路地段信息为所述移动物体的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述移动物体的位置确定第二范围。

Description

位置范围设定装置，移动物体内的装置的控制方法和控制器，汽车空气调节器及其控制方法

技术领域

本发明涉及一种位置范围设定装置，用于控制安装在移动物体内的装置的控制方法和控制器，和汽车空气调节器和控制此汽车空气调节器的控制方法，本发明更具体地涉及一种用于安装在移动物体内的装置并根据移动物体的位置自动优化安装在移动物体内的装置的设定的控制方法和控制器，和根据车辆的位置优化车辆内部的空气调节装置的汽车空气调节器和用于此空气调节器的控制方法。

背景技术

通常，汽车空气调节器通过参照诸如温度设定、外部温度、内部温度和太阳辐射的各种参数自动确定从所选的空气出口排放的被调节空气的温度、空气流量等。然而，人类对温度的敏感度人与人之间不同(有人对热敏感、而有人则对冷敏感)。因此，被调节空气的被自动确定的温度、空气流量等可能对每一个车里面的人不是最优的。在那种情况下，车里面的人可以通过操作操作面板调节空气调节器，以升高或降低温度设定，或者增加或减小空气流量。考虑到此，日本未审查专利公开No.2000-293204公开了一种空气调节器，学习控制件(learning control)并入所述空气调节器内，当车里面的人通过操作操作面板已经改变了诸如温度设定或空气流量时，所述学习控制件通过使用相关参数校正用于确定被调节空气的温度或空气流量的关系方程式。

然而，因为车辆里面的人对温度的敏感度彼此不同，因此他/她不总是改变空气调节器的设定。例如，由于在具体情形下的外部环境因素，车里面的人可以改变设定。例如，如果在驾驶车辆之前车里面的人刚刚锻炼完，车里面的人则可能想将温度设定得比正常温度低。此外，当车辆到达总是发生交通堵塞的地方时，车里面的人可以将空气调节器的空气入口模式设定到室内空气再循环模式，以防止排放气体流入到车辆内部。然而，日本未审查专利公开No.2000-293204中公开的空气调节器不能够区别车里面的人是否已经改变了空气调节器的设定，由于具体情形下的外部环境因素，或是因为由空气调节器自动调节的设定值没有与车里面的人对温度的敏感度相匹配。因此，在以上公开的空气调节器的情况下，难以自动优化空气调节温度等以适合诸如上述的具体情形。

另一方面，日本未审查专利公开No.2000-62431公开了一种汽车气候控制系统，所述汽车气候控制系统通过将指示车辆当前位置的数据增加到学习数据而可以在温度控制学习和其它学习之间进行区别。此汽车气候控制系统通过参照日期和时间以及车辆的位置确定温度控制学习是否执行。然而，日本未审查专利公开No.2000-62431没有公开优化空气调节温度等，以适合诸如上述的具体情形。

如果将空气调节温度等优化到具体情形，则必须准确地识别每一种具体情形。因此，在日本未审查专利公开No.2000-62431中公开的汽车气候控制系统的情况下，例如，必需确定日期和时间范围以及在其内将被执行温度控制学习的车辆的位置范围。然而，因为日期和时间范围以及车辆的位置范围基于车辆驾驶员而变化，因此难以提前设定这些范围。具体地，如果希望根据具体道路地段优化空气调节器设定，则问题是这种具体道路地段的长度可能延伸数公里。当根据具体情形自动控制除空气调节器之外的其它车辆安装装置时，也可以发生类似的问题。因此，需要提供一种用于确定对应于这种具体情形的位置范围的方法。

发明内容

本发明的一个目的是提供一种能够准确确定对应于特定情形的移动物体的位置范围的位置范围设定装置，并且还提供了一种用于安装在移动物体内的装置的控制方法和控制器，以及汽车空气调节器和用于此汽车空气调节器的控制方法。

本发明的另一目的是提供一种控制方法，一种用于安装在移动物体内的装置的控制器，可以自动学习匹配具体情形的优化设定的汽车空气调节器和用于此汽车空气调节器的控制方法。

根据本发明的一方面，提供了一种位置范围设定装置。所述位置范围设定装置包括：位置信息获取单元，用于获取指示移动物体的位置信息；道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；地段确定单元，用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联；存储单元，用于将多条位置信息和道路地段信息分别存储为已学习数据；聚类单元(clustering unit)，用于将位置信息与其相关联的多条道路地段信息聚类到至少第一聚类内或第二聚类内；以及位置范围设定单元，用于从包括在第一聚类内的道路地段信息为移动物体的位置确定第一范围，并用于从包括在第二聚类内的道路地段信息为移动物体的位置确定第二范围。

因为根据本发明的位置范围设定装置通过根据道路地段信息执行聚类而确定移动物体的位置范围，所以可以检查获取的移动物体位置是否与道路上的特定地段相匹配。当获取的移动物体位置与道路上的特定地段相匹配时，位置范围设定装置可以准确地区分特定地段与其它区域。

根据本发明的另一方面，提供了一种用于安装在移动物体内的装置的控制器。所述控制器包括：位置信息获取单元，用于获取指示移动物体的位置的位置信息；道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；地段确定单元，用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联；存储单元，用于将多条位置信息和道路地段信息分别存储为已学习数据；学习单元，用于通过使用已学习数据构造概率模型，位置信息被输入到所述概率模型内以计算特定设定操作的推荐概率；控制信息校正单元，用于通过将指示移动物体的当前位置的当前位置信息输入到由学习单元构造的概率模型内而计算推荐概率，并用于根据推荐概率校正与用户设定操作有关的设定信息或控制信息，以实现特定设定操作；以及控制单元，用于根据校正的设定信息或控制信息控制装置。学习单元包括：聚类子单元，用于将包括在已学习数据内的多条道路地段信息聚类到至少第一聚类或第二聚类内；位置范围设定子单元，用于从包括在第一聚类内的道路地段信息为移动物体的位置确定第一范围，并用于从包括在第二聚类内的道路地段信息为移动物体的位置确定第二范围；以及概率模型构造子单元，用于通过为包含在第一范围内的移动物体位置确定推荐概率，和为包含在第二范围内的移动物体位置确定推荐概率而构造概率模型。

因为根据本发明的控制器最佳地确定对应于特定情形的移动物体的位置范围，并且根据结果构造用于计算概率的概率模型，当移动物体到达对应于特定情形的位置时，安装在移动物体内的装置可以被自动控制，以匹配特定情形。具体地，因为控制器通过根据道路地信息段执行聚类而确定移动物体的位置范围，所以即使当需要调节安装在移动物体内的装置的特定情形在道路的特定地段上发生时，控制器仍可以通过区分特定地段与其它区域而控制安装在移动物体内的装置。

根据本发明的又一方面，提供了一种汽车空气调节器。所述汽车空气调节器包括：空气调节单元，用于将调节空气供应到车辆内；位置信息获取单元，用于获取指示车辆的位置的位置信息；道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；地段确定单元，用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联；存储单元，用于将多条位置信息和道路地段信息分别存储为已学习数据；学习单元，用于通过使用以学习数据构造概率模型，位置信息被输入到所述概率模型内以计算车辆里面的人执行特定设定操作的推荐概率；控制信息校正单元，用于通过将指示车辆的当前位置的当前位置信息输入到由学习单元构造的概率模型内而计算推荐概率，并用于根据推荐概率校正与车里面的人的设定操作有关的设定信息或控制信息，以实现特定设定操作；以及空气调节控制单元，用于根据校正的设定信息或控制信息控制空气调节单元。学习单元包括：聚类子单元，用于将包括在已学习数据内的多条道路地段信息聚类到至少第一聚类或第二聚类内；位置范围设定子单元，用于从包括在第一聚类内的道路地段信息为车辆的位置确定第一范围，并用于从包括在第二聚类内的道路地段信息为车辆的位置确定第二范围；以及概率模型构造子单元，用于通过为包含在第一范围内的车辆位置确定推荐概率，和为包含在第二范围内的车辆位置确定推荐概率而构造概率模型。

因为根据本发明的空气调节器最佳地确定对应于特定情形的车辆的位置范围，并且根据结果构造用于计算概率的概率模型，当车辆到达对应于特定情形的位置时，空气调节器设定可以被自动优化为特定情形。具体地，因为空气调节器通过根据道路地段信息执行聚类而确定车辆的位置范围，所以即使当需要调节空气调节器设定的特定情形在道路的特定地段上发生时，空气调节器仍可以通过将用于此特定地段的空气调节器设定与用于其它区域的空气调节器设定区分而优化用于此特定地段的空气调节器设定。

这里，特定设定操作涉及，例如，用于改变空气调节器的操作状态的操作，如改变温度设定或空气流量设定，将空气调节器设定到内部空气再循环模式，或者启动或停止除霜器。设置信息涉及，例如，用于调节汽车空气调节器的操作的信息，如温度设定、空气流量、内部/外部空气吸入量、各种空气出口之间的调节空气的流速等。此外，控制信息涉及，例如，根据设定信息确定和并用于控制空气调节单元的各种部件的操作的信息，如调节空气的温度、鼓风机的转数、和空气混合门的开度。

优选地，在上面的装置，控制器、或空气调节器中，位置范围设定单元(子单元)通过识别包括在第一聚类内的道路地段信息的识别信息指示第一范围。

这样，当通过识别道路地段信息的识别信息指示第一范围时，只有在道路上的特定地段可以容易地与其它区域区分开。因此，如果特定地段具有延伸数公里的长度，或者如果其不是直线地段，第一范围则可以容易地与其它区域区分开。更进一步，即使在其内具有相互平行的多条道路的地段(例如，高速路和普通道路)内，也可以将一个与另一个区分开。

优选地，在上面的装置，控制器或空气调节器中，聚类单元(子单元)从包括在已学习数据内的多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且聚类子单元将与不包括在所述至少一个第三聚类内的位置信息相关联的道路地段信息聚类到第一聚类或第二聚类内。

因为相对靠近彼此间隔的移动物体或车辆位置被直接聚类，并且根据道路地段信息聚类剩余的已学习数据，所以可以独立区分对应于诸如公园内的停车场的相对窄的范围和诸如道路的延伸长距离的范围。

根据本发明的一方面，提供了一种用于使用在控制器内的控制方法，所述控制器具有：存储单元；控制信息校正单元，且所述控制信息校正单元具有与特定设定操作相关联的至少一个概率模型，所述控制信息校正单元用于通过将位置信息输入到概率模型内而计算用户执行特定设定操作的推荐概率，并用于根据推荐概率校正与用户的设定操作有关的设定信息或控制信息，以实现特定设定操作；和控制单元，用于根据校正的设定信息或控制信息控制安装在移动物体内的装置。

所述控制方法包括：用于获取位置信息的步骤；用于获取指示道路的特定地段的道路地段信息的步骤；用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联的步骤；用于将多条位置信息和道路地段信息分别作为已学习数据存储到存储单元内的步骤；地段聚类步骤，用于将包含在存储在存储单元内的已学习数据内的多条道路地段信息聚类到至少第一聚类或第二聚类内；位置范围设定步骤，用于从包括在第一聚类内的道路地段信息为移动物体的位置确定第一范围，并用于从包括在第二聚类内的道路地段信息为移动物体的位置确定第二范围；以及用于通过为包含在第一范围内的移动物体位置确定推荐概率，和为包含在第二范围内的移动物体位置确定推荐概率而构造概率模型的步骤。

根据本发明的又一方面，提供了一种用于汽车空气调节器的控制方法，所述汽车空气调节器具有：空气调节单元，用于将调节空气供应到车辆内；位置信息获取单元，用于获取指示车辆的位置的位置信息；道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；地段确定单元，用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联；存储单元，用于将多条位置信息和道路地段信息分别存储为已学习数据；学习单元，用于通过使用已学习数据构造位置信息被输入到其内的概率模型，以计算车辆里面的人执行特定设定操作的推荐概率；控制信息校正单元，用于通过将指示车辆的当前位置的当前位置信息输入到由学习单元构造的概率模型内而计算推荐概率，并用于根据推荐概率校正与车里面的人的设定操作有关的设定信息或控制信息，以实现特定设定操作；以及空气调节控制单元，用于根据校正的设定信息或控制信息控制空气调节单元。所述控制方法包括以下步骤：用于获取位置信息的步骤；用于获取指示道路的特定地段的道路地段信息的步骤；用于使位置信息与对应于由位置信息指示的位置的道路地段信息相关联的步骤；用于将多条位置信息和道路地段信息分别作为已学习数据的步骤存储到存储单元内的步骤；地段聚类步骤，用于将包含在存储在存储单元内的已学习数据内的多条道路地段信息聚类到至少第一聚类或第二聚类内；位置范围设定步骤，用于从包括在第一聚类内的道路地段信息为车辆的位置确定第一范围，并用于从包括在第二聚类内的道路地段信息为车辆的位置确定第二范围；以及用于通过为包含在第一范围内的车辆位置确定推荐概率，和为包含在第二范围内的车辆位置确定推荐概率而构造概率模型的步骤。

优选地，在上面的方法中的任一个中，位置范围设定步骤通过识别包括在第一聚类内的道路地段信息的识别信息指示第一范围。

优选地，上述方法中的任一个进一步包括位置聚类步骤，用于从包括在已学习数据内的多条位置信息中将对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且地段聚类步骤将与不包括在所述至少一个第三聚类内的位置信息相关联的道路地段信息聚类到第一聚类或第二聚类内。

在本发明的以上方面中的任一方面中，位置范围设定单元(子单元)或位置范围设定步骤确定第一范围，以含有包括在第一聚类内的所有已学习数据，但不含有包括在第二聚类内的任何已学习数据，并确定第二范围，以含有包括在第二聚类内的所有已学习数据，但不含有包括在第一聚类内的任何已学习数据。

附图说明

参照以下详细说明并结合附图将更好地理解本发明的这些和其它特征和优点，其中：

图1是示出了根据本发明的汽车空气调节器的总体结构图；

图2是汽车空气调节器内的控制器的功能方框图；

图3是示出了具体情形的一个示例的图表；

图4是示出了用于在汽车自动空气调节器内自动调节设定值的概率模型的一个示例的图形结构的图表；

图5A-5C是示出了用于图4中所示的概率模型的输入节点的条件概率表的图表；

图5D是示出了用于图4中所示的概率模型的输出节点的条件概率表的图表；

图6A-6B是根据本发明的汽车空气调节器的已学习信息聚类过程的流程图；

图7A-7C是示出了其中执行具体设定操作的当前位置的分布的一个示例的图表；

图8A-8D是示出了每一个均具有形成概率模型的基础的图形结构的标准模式的图表；

图9A-9B是示出了根据本发明的汽车空气调节器的控制操作的流程图；

图10是示出了根据本发明的汽车空气调节器的控制操作的流程图；以及

图11是本发明所应用的汽车音频控制装置的功能性方框图。

具体实施方式

以下参照附图说明根据本发明的装置和方法。然而，应该注意的是本发明不被此处所给出的说明所限制，但是包括在所附权利要求中描述的发明和它们的等价物。

以下说明根据本发明的汽车空气调节器。

根据本发明的汽车空气调节器基于根据具体情形已经掌握的至少一个概率模型而估计将被车辆里面的人执行的空气调节器设定操作，并自动执行空气调节器设定。更具体地，在生成概率模型中，汽车空气调节器参照具体道路地段确定对应于具体情形的车辆位置范围；然后，根据结果，构造用于计算概率的概率模型，以使得可以自动执行匹配具体情形的空气调节器设定。

图1是示出了汽车空气调节器1的总体结构图。如图1中所示，汽车空气调节器1包括主要包含机械部件的空气调节单元10，和用于控制空气调节单元10的控制器60。

首先，以下说明空气调节单元10的制冷循环R的结构。汽车空气调节器1的制冷循环R由闭路形成，所述闭路包括以顺时针方向顺序布置的压缩机11、冷凝器15、接收器16、膨胀阀17和蒸发器18。压缩机11压缩制冷剂，并将其变成高压气体。压缩机11装配有用于连接和断开经由带12从汽车发动机13传送的动力的电磁离合器14。冷凝器15冷却从压缩机11排放的高温、高压制冷剂气体，并将其变成液体。接收器16存储液态制冷剂。为了防止冷却性能下降，接收器16清除包含在液态制冷剂内的气泡，并只将完全液态化的制冷器供应给膨胀阀17。膨胀阀17使液态制冷剂经历绝热膨胀，从而将其变为流到蒸发器18内的低温、低压制冷剂。蒸发器18在低温、低压制冷剂与强制流动通过蒸发器18的空气之间执行热交换，从而冷却空气。

接下来，以下说明空气调节单元10内的空气调节壳体20内的结构。鼓风机21位于蒸发器18的上游侧。鼓风机是由驱动电机22驱动的离心式鼓风机。内部/外部空气切换箱23位于鼓风机21的吸入侧。由内部/外部空气伺服电机24驱动的内部/外部空气切换门25安装在内部/外部空气切换箱23内。内部/外部空气切换门25在内部空气入口26和外部空气入口27之间被操作。通过内部空气入口26或外部空气入口27吸入的空气穿过内部/外部空气切换箱23，并被鼓风机21输送到蒸发器18。这里，通过调节鼓风机21的旋转速度可以调节从汽车空气调节器1将被输送的空气量。

空气混合门28和加热器芯体29以这样的顺序布置在蒸发器18的下游侧。用于冷却汽车发动机13的冷却剂循环穿过加热器芯体29，以加热穿过加热器芯体29的空气。绕过加热器芯体29的旁路通道30形成于空气调节壳体20的内部。空气混合门28通过温度控制伺服电机31而转动，并调节穿过通过加热器芯体29的通道32的热空气与穿过旁路通道30的冷空气之间的空气流量比，以使得被控制到期望温度的空气从空气出口排放。

脚部层面出口(foot-level outlet)34、面部层面出口(face-level outlet)35、和除霜器出口36设在空气混合区间33的下游侧，其中已调节的空气通过所述脚部层面出口34、面部层面出口35、和除霜器出口36吹入到乘客室内，穿过旁路通道30的冷空气和穿过通过加热器芯体29的通道32的热空气在所述混合区间33内混合在一起。用于打开和闭合相应出口的脚部层面门37、面部层面门38、和除霜器门39设在相应的出口上。脚部层面出口34用于将调节的空气吹入到驾驶员的座椅或乘客座椅的脚部层面。面部层面出口35用于将调节的空气从前面板吹向驾驶员的座椅或乘客座椅。另一方面，除霜器出口36用于将调节的空气吹向挡风玻璃。门37、38和39由模式伺服电机40驱动。

接下来说明一起用作汽车空气调节器1内的信息获取单元的各种传感器。内部温度传感器51与仪表面板内的吸气器或类似物一起安装在方向盘附近的位置处，以测量乘客室内部的温度T_r。外部温度传感器52安装在车辆前端处的冷凝器15的前侧的散热器格栅内，以测量乘客室外部的温度T_am。此外，太阳传感器53安装在挡风玻璃附近的位置处的乘客室内，以测量进入乘客室的太阳辐射S的强度(量)。太阳传感器53由光电二极管或类似物构造而成。

还设置这样的传感器作为用于测量离开蒸发器18的空气的温度(蒸发器出口温度)的蒸发器出口温度传感器，用于测量流到加热器芯体29内的发动机冷却剂的温度的加热器入口冷却剂温度传感器，和用于测量循环通过制冷循环R的制冷剂的压力的压力传感器。此外，用于摄影就座在驾驶员的座椅或其它座椅内的车里面的人的面部的至少一个车内照相机(in-carcamera)54安装在乘客室内部，所述至少一个车内照相机54还用作车里面的人的信息获取单元。此外，安装外部照相机55，用于观察车辆的外部。

空气调节器1从导航系统56获取指示车辆的当前位置以及前进方向的位置信息，和指示对应于由位置信息指示的车辆的位置的具体道路地段的道路地段信息。出于此目的，导航系统56包括用于获取位置信息的位置信息获取单元，用于获取指示具体道路地段的道路地段信息的道路信息获取单元，和用于使位置信息和道道路地段信息相关联的地段确定单元。

位置信息获取单元检测装配有空气调节器1的车辆的正确位置和前进方向。出于此目的，位置信息获取单元包括诸如地磁传感器、陀螺仪和距离传感器的传感器，和GPS接收器。地磁传感器用于获取绝对方位，而陀螺仪用于检测相对方位。距离传感器用于根据车辆速度脉冲信号计算从起点的移动距离。另一方面，GPS接收器根据从形成GPS(全球定位系统)的GPS卫星接收的信息获得车辆当前位置的纬度和经度。通过结合这些条信息，位置信息获取单元检测车辆的当前位置和前进方向。地磁传感器、陀螺仪、距离传感器和GPS接收器在现有技术中为已知的，因此，这里将不对其进行详细讨论。通过结合从各种传感器获取的信息而检测车辆的位置和前进方向的方法在现有技术中也是已知的，并且这里不对其进行详细讨论。

道路信息获取单元获取包括用于包围车辆的当前位置的区域的道路信息的道路地图，并将道路地图发送给控制器60。出于此目的，道路信息获取单元包括，例如，具有地图信息记录在其上的诸如HDD的磁记录介质或诸如DVD或CD的磁光记录介质，和用于读出记录介质的设备。这里，道路信息包括指示交叉点的节点和指示连接在各个交叉点之间的线路(link)。这些节点和线路对应于指示特定道路地段的道路地段信息。每一个节点与用于节点的识别信息、节点的位置、用于连接到节点的线路的识别信息等相关联。每一个线路与用于线路的识别信息、线路的位置和长度、道路的类型(例如，普通道路或高速路)、与单行交通相关的信息等相关联。这里，道路信息获取单元可以被构造成经由无线电通信网路从外部服务器获取地图信息。

每当从位置信息获取单元获取位置信息时，地段确定单元通过比较位置信息与从道路信息获取单元获取的道路信息执行地图匹配，并确定是否具有匹配由位置信息指示的车辆位置的道路。如果确定有匹配的道路，地段确定单元则使对应于车辆位置的位置信息与指示匹配车辆位置的道路的道路地段信息(即，线路或节点)相关联。因为已知的方法可以用于地图匹配，所以这里将不详细说明地图匹配。如果确定没有匹配的道路，地段确定单元则不使对应于车辆位置的位置信息与任何道路地段信息相关联。

汽车空气调节器1从车辆操作装置57还获取各种操作信息，如节流阀开度、方向盘角度、刹车踏板位置、动力窗口开度(power window opening)、和雨刷，转弯信号，或汽车音频打开/关闭状态，以及车辆速度和车辆行为信息。汽车空气调节器1进一步从车辆安装的时钟58获取诸如当前日期和时间的时间信息。此外，心电图扫描仪检测传感器、心跳/呼吸传感器、体温传感器、皮肤温度传感器、或类似物可以安装在驾驶员的座椅等内，以使得汽车空气调节器1可以获取与车里面的人相关的生理信息。

这样，导航系统56、车辆操作装置57、和车辆所安装的时钟58也用作信息获取单元。

图2是汽车空气调节器1内的控制器60的功能方框图。

控制器60包括：未示出的一个或多个微型计算机，每一个微型计算机包括CPU、ROM、RAM等，以及它们的外围设备；存储单元61，所述存储单元61由可电变存储器或类似物构造而成；和通信单元62，用于根据诸如控制区域网络(CAN)的汽车通信标准而执行与各种传感器、导航系统56、车辆操作装置57等的通信。

控制器60进一步包括匹配单元63、控制信息校正单元64、空气调节控制单元65、和学习单元66，且每一个均通过在微型计算机上执行的计算机程序实施为功能模块。

控制器60从各种传感器、导航系统、车辆操作装置等获取诸如感测信息、位置信息、和车辆行为信息的状态信息，并将它们暂时地存储到RAM内。控制器60还将从A/C操作面板59获取的操作信号暂时地存储到RAM内。然后，控制器60根据状态信息和操作信号控制空气调节单元10。例如，控制器60控制电磁离合器14，以打开和关闭压缩机11，或者控制器60控制驱动电机22，以调节鼓风机21的旋转速度。此外，控制器60控制内部/外部空气伺服电机24、温度控制伺服电机31、和模式伺服电极40，以调节各种门的开度。通过执行这些控制操作，控制器60调节各种空气出口之间的调节空气的比、空气总量、和调节空气的温度，以使得使乘客室内部的温度尽可能地接近由车里面的人设定的温度。这里，为了确定调节空气的温度、空气流量等，控制器60将指定状态信息输入到可适用的概率模型内，并估计车里面的人执行特定操作(例如，降低温度设定，将空气流量设定到最大，将空气调节器设定到内部空气再循环模式等)的概率。如果概率大于预定阀值，控制器60则自动执行特定操作。

控制器60以周期的时间间隔存储状态信息。可选地，每当车里面的人操作汽车空气调节器1时，控制器60存储所执行的操作的种类和在操作时所获得的各种信息。当已经将这些信息存储预定次数时，控制器60通过统计学生成概率模型。以下说明用于执行以上操作的功能模块。

当打开发动机开关时，匹配单元63根据由车内照相机54捕捉的图像和与在汽车空气调节器1内预先注册的注册用户有关的匹配信息执行车里面的人的匹配和认证，并确定车里面的人是否与注册用户中的任何一个匹配。当发现注册用户与车里面的人匹配时，匹配单元63从存储单元61检索匹配的注册用户的身份信息(ID)和与注册用于相关联的个人信息。

这里，匹配单元63例如根据以下方法执行车里面的人的匹配和认证。匹配单元63二进制化(binarize)由车内照相机54捕捉的图像，并检测图像内的边缘，以识别对应于车里面的人的面部的区域。然后，匹配单元63通过这种边缘检测方法在如此识别的面部区域内检测诸如眼睛、鼻子、嘴唇等特征，并提取代表特征大小、相对彼此的位置关系等的一组特征量。接下来，匹配单元63比较这组提取的特征量和从注册用户获得的并预先存储在存储单元61内的那组特征量，并通过使用例如校正计算方法计算匹配度。如果如此得到的最高匹配度大于预定阀值，匹配单元则认证车里面的人为匹配产生最高匹配度的注册用户。以上匹配方法只是一个示例，并且将被理解的是匹配单元63通过使用其它已知的匹配方法执行车里面的人的匹配和认证。例如，匹配单元63可以使用在日本未审查专利公开No.2005-202786中提出的、用于汽车应用的面部认证系统。匹配单元63也可以用使用除图像认证之外的方法。例如，匹配单元63可以被构造成通过使用智能按键系统(smart key system)执行车里面的人的匹配和认证。此外，匹配单元63可以被构造成通过结合智能按键系统与图像认证而执行车里面的人的匹配和认证，如日本未审查专利公开No.2005-67353中所公开的车辆小偷防护设备。此外，车辆匹配单元63可以使用用于读出手掌或手指纹理图案或指纹的传感器，用于车里面的人的认证。

控制信息校正单元64根据概率模型确定空气调节器1的设定参数，即，诸如设定温度T_set或空气流量W的车里面的人可设定的设定信息是否应该被自动调节。更具体地，控制信息校正单元64具有与特定设定操作相关联的至少一个概率模型，并通过将状态信息输入到概率模型内而计算特定设定操作的推荐概率(recommended probability)。然后，根据推荐概率和与概率模型相关联的校正信息，控制信息校正单元64校正与特定设定操作相关的设定信息。这里，与概率模型相关的校正信息涉及在由概率模型定义的校正中的校正之后的设定信息的值，或者涉及将被加到设定信息或被设定信息相乘以将设定信息校正到期望值的校正量。

在本发明的实施例中，贝叶斯网络用作概率模型。贝叶斯网络模拟多个事件中的概率的因果关系。此外，贝叶斯网络是由有向非循环图代表的网络，在所述有向非循环图中，通过条件概率获得每一个节点之间的传播(propagation)。对于贝叶斯网络的细节，参照由Yoichi Motomura和Hirotoshi Iwasaki著，2006年7月由Tokyo Denki大学出版社出版的第一版的“Bayesian Network Technology”，或参照由Kazuo Shigemasu等人著，2006年7月的Baifukan第一版的“Introduction to Bayesian Networks”，或参照由Morio Onoe翻译，2001年7月的Shin Gijutsu Communications第一版的“Pattern Recognition”。

在本实施例中，为在汽车空气调节器1内注册的每一位用户生成概率模型。此外，为每一种设定操作(例如，降低或升高设定温度Tset，调节空气流量W，将空气调节器设定到内部空气再循环模式等)生成概率模型。通过使每一种概率模型的结构信息与对应的用户信息和设定操作相关联而将每一种概率模型的结构信息存储在存储单元61内。更具体地，为每一种概率模型定义示出形成概率模型的节点之间的连接的图形结构，给予输入节点的输入信息的类型，和每一个节点的条件概率表(CPT)，并将它们存储在存储单元61内。此外，也为每一种概率模型定义了用户认证号(ID)、唯一地对应于设定操作的种类的设定操作号k、和通过设定操作和其校正值(例如，当将设定温度T_set降低3℃时为((T_set，-3)，当将空气流量设定到最大值W_max时为(W，W_max)，等)而将被校正的设定参数，并通过使它们与概率模型相关联而将它们存储在存储单元61内。

控制信息校正单元64从存储单元61检索与被匹配单元63识别为与车里面的人相匹配的注册用户相关联的一个或多个概率模型。控制信息校正单元64将指定状态信息输入到所检索的概率模型中的每一个中，并获得车里面的人执行与概率模型相关联的设定操作的推荐概率。更具体地，控制信息校正单元64获得执行相对于概率模型被唯一识别并由与概率模型一起存储在存储单元61内的设定操作号k指定的设定操作的概率。可以通过使用例如置信传播方法(belief propagation method)计算概率。当如此获得的概率大于或等于第一阀值Th1(例如，Th1＝0.9)(这表示几乎确定车里面的人将执行此设定操作)时，控制信息校正单元64自动执行此设定操作。更具体地，控制信息校正单元64通过使用与概率模型相关联的设定参数的校正值，即，通过使用相对于概率模型唯一定义并与此概率模型一起存储在存储单元61内的设定参数的校正值校正此设定操作的设定参数值，校正此设定操作的设定参数值。

另一方面，当获得的概率小于第一阀值Th1，但是不小于第二阀值Th2(例如，Th2＝0.6)(这表示车里面的人非常有可能将执行此设定操作)时，控制信息校正单元64在A/C操作面板59上，或者在导航系统56或类似物的显示单元上显示设定操作的种类以通知车里面的人。控制信息校正单元64因此询问车里面的人是否应该执行设定操作，或不执行设定操作。当车里面的人通过A/C操作面板或类似物通过执行用于批准执行设定操作的操作(例如，通过按下指定操作按钮)而做出反应时，控制信息校正单元64执行设定操作。控制信息校正单元64可以被构造成通过A/C操作面板59或导航系统56通过语音通知车里面的人设定操作的种类。此外，麦克风可以连接到汽车空气调节器1，而语音识别程序可以并入控制器60内，以使得控制信息校正单元64可以通过响应于车里面的人的声音而确定是执行设定操作还是不执行设定操作。

以下将作为示例说明使设定温度T_set降低3℃的情况。这里，将第一阀值Th1设为0.9，而将第二阀值Th2设为0.6。

图3示出了这样一种特定情形的一个示例。在这里所示的情形中，假设车里面的人(Mr.A)总是在星期日下午在锻炼公园内玩网球，此后他大约在下午4点钟左右驾车回家。在这种情形下假设Mr.A更喜欢设定汽车空气调节器，以便温度比平常更低。在其它情形中，例如，当他工作后驾车回家时，他不执行此设定操作。

图4示出了用于概率模型的一个示例的图形结构，所述概率模型用于自动调节汽车空气调节器1的设定参数。在图4中所示的概率模型101中，三个输入节点102、103、104连接到输出节点105。星期几(X₁)、时间段(X₂)、和当前位置(X₃)作为状态信息被给予相应的输入节点102、103、104。输出节点105输出被降低3℃的设定温度T_set的概率。

图5A-5D示出了用于图4中所示的概率模型内的各个节点的CPT106-109。CPT106-108分别对应于输入节点102-104。CPT106-108每一个均提供输入状态信息的先验概率。CPT109对应于输出节点105，并提供分配给给予相应的输入节点的各种信息值的条件概率的分布。

当给予各个的输入节点的所有信息是已知的，即，当星期几是星期六(X₁＝1)，时间段是白天(X₂＝1)，以及当前位置是公园(X₃＝1)时，例如，从图5D可以看到被降低3℃的设定温度T_set的概率P(P(X₄＝1|X₁＝1，X₂＝1，X₃＝1))为0.95。因为这里获得的推荐概率大于第一阀值Th1，所以控制信息校正单元64校正设定参数，以将设定温度T_set降低3℃。

另一方面，当星期几是星期六(X₁＝1)，并且时间段是白天(X₂＝1)，但是因为例如给导航系统56的动力没有打开所以不可以确定当前位置时，例如，那么对于当前位置在公园内的情况来说，通过使用图5C中所示的先验概率P(X₃)如下计算P(X₄＝1|X₁＝1，X₂＝1，X₃)：

P(X₄＝1|X₁＝1，X₂＝1，X₃)

＝P(X₄＝1|X₁＝1，X₂＝1，X₃＝1)·P(X₃＝1)

+P(X₄＝1|X₁＝1，X₂＝1，X₃＝0)·P(X₃＝0)

＝0.95·0.15+0.55·0.85＝0.61

因为获得的概率小于第一阀值Th1，但是大于第二阀值Th2，所以控制信息校正单元64经由A/C操作面板或类似物询问车里面的人是否应该将设定温度T_set降低3℃。

进一步，当星期几是星期一(X₁＝0)，时间段是夜间(X₂＝0)，并且当前位置为办公室(X₃＝0)，从图5可以看出被降低3℃的设定温度T_set的概率P(X₄＝1|X₁＝0，X₂＝0，X₃＝0)是0.1。因为获得的概率不仅小于第一阀值Th1，而且小于第二阀值Th2，所以控制信息校正单元64不改变设定温度T_set，也不询问车里面的人是否改变设定温度T_set。

在上面的示例中，出于简化，已经说明了作为具有两层网络结构的概率模型，但是概率模型可以由包括中间层的三层或更多层的网络结构构造而成。此外，给予各个输入节点的状态信息的分类不限于以上示例。后面将结合学习单元66说明状态信息的分类。

当与相同操作组(根据操作种类，例如，温度设定校正、空气流量改变、内部/外部空气选择、空气流量比设定等，分类所述组)相关联的概率模型多于一个时，即，当输出校正特定设定参数的概率的概率模型多于一个时，控制信息校正单元64根据这些概率模型中的每一个计算概率。这里的特定设定参数包括空气流量设定、内部/外部空气选择、和空气流量比设定那些设定参数。控制信息校正单元64通过从获得的概率中选择最大概率而执行以上操作。例如，考虑具有与空气流量设定相关联的概率模型M1(用于将空气流量W设定到最大值)和M2(用于将空气流量设定到中间水平)的情况。在这种情况下，控制信息校正单元64根据概率模型M1获得被设定到最大值的空气流量W的概率P_M1，并根据概率模型M2计算被设定到中间水平的空气流量W的概率P_M2。如果P_M1>P_M2，则控制信息校正单元64比较P_M1与阀值Th1和Th2，以确定是否将空气流量W设定到最大值。相反，如果P_M2>P_M1，则控制信息校正单元64比较P_M2与阀值Th1和Th2，以确定是否将空气流量W设定到中间水平。

为了便于理解，在以上的示例中，概率模型M1和M2已经被描述为与不同的设定操作相关联。然而，概率模型M1和M2可以与相同的设定操作(例如，都用于将空气流量设定到最大值)相关联。例如，这对应于车里面的人可以在两个或多个不同的情形(例如，一个是时间段是白天并且天气晴朗，而另一个是车里面的人在从体育俱乐部回家的路上)中执行相同的操作。如果生成对应于相应的情形的概率模型，概率模型则将与属于相同操作组的设定操作相关联。

当诸如设定温度T_set与空气流量W的设定参数如上所述必需校正时，控制信息校正单元64暂时将校正的设定参数存储在控制器60的RAM内，以使得参数可以被控制器60内的各种单元使用。

空气调节控制单元65从RAM读出每一个设定参数的值和从每一个传感器获得的感测信息，并根据读出值控制空气调节单元10。出于此目的，空气调节控制单元65包括温度调节子单元651、压缩机控制子单元652、空气出口控制子单元653、空气入口控制子单元654和空气流量(或空气流量值)设定子单元655。当将被控制信息校正单元64校正的设定参数存储在RAM内时，空气调节控制单元65通过从RAM检索被控制信息校正单元64校正的设定参数而使用此校正的参数。

温度调节子单元651根据设定温度T_set和来自于温度传感器和太阳传感器53的测量信号，确定从空气出口将被排放的调节空气的出口温度(空气调节温度T_ao)。然后，温度调节子单元651确定空气混合门28的开度，以使得调节空气的温度基本上空气调节温度T_ao一样。温度调节子单元651将控制信号发送给温度控制伺服电机31，所述温度控制伺服电机31然后将空气混合门28移动到如此确定的位置。例如，根据通过外部温度T_am、太阳辐射量S等校正内部温度T_r与设定温度T_set的差获得的值作为输入，且使空气混合门28的开度作为输出的数学关系式确定空气混合门28的开度。温度调节子单元651以预定时间间隔(例如，每5秒钟)确定空气混合门28的开度。用于以上述方式控制空气混合门28的、测量值与空气混合门28的开度之间的数学关系式表示如下：

T_ao＝k_setT_set-k_rT_r-k_amT_am-k_sS+C

Do＝aT_ao+b

Do表示空气混合门28的开度。此外，系数k_set、k_r、k_am、k_s、C、a和b为常值，而T_set、T_r、T_am和S分别表示设定温度、内部温度、外部温度和太阳辐射量。当设定温度T_set被控制信息校正单元64校正时，温度调整子单元651使用校正的设定温度T_set。当穿过加热器芯体29的通道32闭合时，(即，当仅提供冷空气时)，空气混合门28的开度Do为0％，而当旁路通道30闭合时(即，当仅提供加热的空气时)，空气混合门28的开度为100％。在温度控制方程中的系数k_set，k_r，k_am，k_s和C和用于得到空气混合门的开度的数学关系中的a和b被设定为用于每一位注册用户的温度控制参数，并包括在注册用户的个人设定信息中。

温度调节子单元651可以被构造成通过使用其它已知的控制方法，如繁琐的控制方法或使用神经网络的控制方法，确定空气调节温度T_ao和空气混合门28的开度。循环的空气调节温度T_ao存储在存储单元61内，以使得其可以被控制器60的其它构成单元所引用。

压缩机控制子单元652根据由温度调节子单元651获得的空气调节温度(出口空气温度)T_ao以及设定温度T_set，蒸发器出口温度等控制压缩机11的打开/关闭操作。当操作空气调节器1以使乘客室凉快或运行除霜器时，压缩机控制子单元652通常通过操作压缩机11而使制冷循环R运行。然而，当蒸发器出口温度下降到接近蒸发器18结霜的温度的水平时，压缩机控制子单元652关闭压缩机11，以防止蒸发器18结霜。然后，当蒸发器出口温度增加高达一定水平时，压缩机控制子单元652重新打开压缩机11。可以使用诸如可变容量控制方法的已知方法执行压缩机11的控制，因此，这里不说明控制方法的细节。

空气出口控制子单元653根据由车里面的人从A/C操作面板59设定的空气流量比值、由温度调节子单元651确定的空气调节温度T_ao、设定温度T_set等确定各种空气出口之间的调节空气的空气流量比。然后，空气出口控制子单元653确定脚部层面门37、面部层面门38、和除霜器门39的开度，以匹配如此确定的空气流量比。空气出口控制子单元653根据定义空气流量比设定值、空气调节温度T_ao、设定温度T_set等与各个门37-39的开度之间的关系的数学关系式确定各个门37-39的开度。这些数学关系式被预定义并且并入在控制器60内将被执行的计算机程序内。这里，空气出口控制子单元653可以通过使用其它已知的方法确定各个门37-39的开度。空气出口控制子单元653控制模式伺服电机40，以使得门37-39移动到分别确定的位置。

当空气流量比设定值或设定温度T_set被控制信息校正单元64校正时，空气出口控制子单元653通过使用校正的设定值或设定温度T_set确定各个门37-39的开度。

空气入口控制子单元654根据从A/C控制面板59获取的空气入口设定和根据设定温度T_set、空气调节温度T_ao、内部温度T_r等确定汽车空气调节器1通过内部空气入口26吸入的空气与通过外部空气入口27吸入的空气之间的比。空气入口控制子单元654根据定义入口空气比相对于外部温度T_am、内部温度T_r与设定温度T_set之间的差等的关系的数学关系式确定内部/外部空气切换门25的开度。这种数学关系式被预定义并且并入在控制器60内将被执行的计算机程序内。这里，空气入口控制子单元654通过使用其它已知的方法确定内部/外部空气切换门25的开度。空气入口控制子单元654控制内部/外部空气伺服电机24并使内部/外部空气切换门25转动，以实现获得的入口空气比。当入口设定值或设定温度T_set被控制信息校正单元64校正时，空气入口控制子单元654通过使用校正的入口设定值或设定温度T_set确定内部/外部空气切换门25的开度。

空气流量设定子单元655根据从A/C控制面板59获取的空气流量W，和根据设定温度T_set、空气调节温度T_ao、内部温度T_r、外部温度T_am、和太阳辐射量S确定鼓风机21的旋转速度。然后，空气流量设定子单元655将控制信号发送给驱动电机22，以使得鼓风机21在如此确定的旋转速度下旋转。例如，当空气流量设定处于手动设定模式时，空气流量设定子单元655确定鼓风机21的旋转速度，以使得其与从A/C控制面板59获取的空气流量W相匹配。另一方面，当空气流量设定处于自动设定模式时，空气流量设定子单元655根据定义空气流量W相对于内部温度T_r，空气调节温度T_ao等的关系的空气流量控制方程确定鼓风机21的旋转速度。可选地，空气流量设定子单元655可以使用直接定义空气流量W相对于设定温度T_set和空气调节信息(内部温度T_r、外部温度T_am、和太阳辐射量S)的关系的空气流量控制方程。这样，空气流量设定子单元655可以使用各种已知的空气流量控制方法。这样的空气流量控制方程被预定义并且并入在控制器60内将被执行的计算机程序内。可选地，可以预先构造定义空气调节信息与空气流量W之间的关系的映射表，并且空气流量设定子单元655可以根据通过参照映射表确定对应于测量的空气调节信息的空气流量W的映射表控制而确定鼓风机21的旋转速度。空气流量设定子单元655也可以通过使用其它已知的方法确定鼓风机21的旋转速度。当空气流量W或设定温度T_set被控制信息校正单元64校正时，空气流量设定子单元655通过使用校正的空气流量W或设定温度T_set确定鼓风机21的旋转速度。

当车里面的人操作汽车空气调节器1时，学习单元66确定是否生成新的概率模型，或确定是否更新现有的概率模型。当确定需要生成或更新概率模型时，学习单元66生成或更新概率模型。出于此目的，学习单元66包括已学习信息积累子单元661、聚类子单元(clustering subunit)662、位置范围设定子单元663、概率模型构造子单元664、和概率模型估计子单元665。以下详细说明包括在学习单元66内的各种子单元。

已学习信息积累子单元661使获取的状态信息与被车里面的人执行的设定操作相关联。然后，已学习信息积累子单元661将状态信息作为需要构造用于估计将被车里面的人执行的设定操作的概率模型的已学习信息存储在存储单元61内。

通常，当乘客室内的空气调节状态对车里面的人来说不舒服时，车里面的人改变汽车空气调节器1的设定。因此，当车里面的人经常改变汽车空气调节器1的设定时，可能有必要构造用于估计将被车里面的人执行的设定操作的概率模型。然而，对于构造适当的概率模型来说，采集充足量量的数据以做成统计地校正估计将变得必需。考虑到此，每当改变汽车空气调节器1的设定时，已学习信息积累子单元661将获取的状态信息(诸如外部温度T_am的空气调节信息，诸如车辆的当前位置的位置信息，诸如车辆的速度的车辆行为信息、诸如心率的生理信息)作为已学习信息D_Ak存储在存储单元61内。通过使已学习信息D_Ak与设定操作号k和车里面的人的ID相关联而将其存储。可选地，从不论汽车空气调节器1的设定操作如何而以周期时间间隔采集的状态信息中，已学习信息积累子单元661可以取出在最接近于设定改变操作的时间的时刻或就在设定改变操作的时间之前或之后被取样的状态信息，并可以通过使所述状态信息与设定操作号k和车里面的人的ID相关联而将所述状态信息作为已学习信息D_Ak存储到存储单元61内。此外，已学习信息积累子单元661可以不论汽车空气调节器1的设定操作如何而在周期时间间隔(例如，每5秒钟)取样状态信息，并可以通过使在每一个取样时刻所取样的状态信息与对应于当前设定状态(例如，空气流量最大值)的设定操作号k和车里面的人的ID相关联而将所取样的状态信息存储到存储单元61内。可选地，从以周期时间间隔采集的状态信息中，已学习信息积累子单元661可以以周期时间间隔(例如，每1分钟或每5分钟)取样状态信息，并可以通过使如此取样的状态信息与对应于当前的设定状态的设定操作号k和车里面的人的ID相关联而将如此取样的状态信息存储到存储单元61内。学习单元66可以使用以周期时间间隔这样采集的状态信息用于构造概率模型。

此外，已学习信息积累子单元661将特定的车里面的人A已经执行对应于设定操作号k的设定操作α(例如，用于将设定温度降低3℃的操作、用于将空气流量W设定到最大值的操作、或者用于将空气入口模式设定到内部空气再循环模式的操作)的次数i_Ak存储在存储单元61内。以上已学习信息D_Ak例如由以下方程表示：

其中，d_ijk表示状态信息中的每一条的值。这里i表示已经执行操作的次数i_Ak。另一方面，为了方便，j是赋给状态信息中的每一个值的状态项目号；在本实施例中，内部温度T_r被赋值为j＝1，外部温度T_am被赋值为j＝2，而太阳辐射量S被赋值为j＝3。然后，位置信息、车辆行为信息、生理信息等被赋值j＝4以及j的后续值。此外，k代表设定操作号。与位置信息相关联的道路地段信息也作为已学习信息与位置信息一起存储在存储单元61内。

已学习信息D_Ak和已经执行操作的次数i_Ak存储在用于每一个注册用户和用于每一个设定操作的存储单元61内。

聚类子单元622从包括在已学习数据D_Ak中的各种状态信息中选择不能预先被分类成多个类别的位置信息，并对此位置信息执行聚类，以构造用于概率模型的每一个节点的CPT。然后，位置范围设定子单元663根据由聚类子单元662得到的多个聚类确定车辆位置的类别。

例如，存在其可能的值不能被限制到给定模式或其值连续变化的信息的情况，例如，车辆的当前位置信息，被用作给予概率模型的输入节点的状态信息。为了构造取这种信息作为输入参数的PCT，如何分类输入状态信息的值变成重要的问题。例如，考虑到构造对应于用于如图3的示例中所示的在做完体育运动之后，车里面的人进入停在公园的停车场内的车辆的特定情形中将设定温度降低3℃的设定操作的概率模型的情况。在这种情况下，为了使用车辆位置信息作为给予概率模型的输入节点的各种状态信息中的一种，重要的是通过至少区分车辆位于公园的停车场内的情况与车辆位于其它地方的情况而分类车辆的位置信息。类似地，考虑到构造对应于用于当车辆沿某一国道的特定路段行驶时，将空气入口模式设定到内部空气再循环模式的设定操作的概率模型的情况。在这种情况下，为了使用车辆位置信息作为给予概率模型的输入节点的各种状态信息中的一种，重要的是区分车辆沿国道的特定路段行驶的情况与车辆位于其它地方的情况。如这两个示例中所示，车辆位置信息不仅按照位置不同，而且按照其涵盖车辆位于公园的停车场的情况与车辆在国道上行驶的情况的范围而不同；因此，很明显车辆位置信息不可以根据这些特定情形而预先分类。

考虑到上述，聚类子单元662在两个阶段首先通过将信息分类成窄范围聚类，然后通过将其分类成宽范围聚类而对车辆位置信息执行聚类。然后，聚类子单元662确定车辆位置的类别，以使其不仅能够说明对应于特定情形的车辆位置在窄范围内分布的情况，而且能够说明其在宽的范围内分布的情况。具体地，在宽范围聚类阶段，聚类子单元662对与存储为已学习信息的位置信息相关联的道路地段信息执行聚类。通过如此做法，当在道路的特定地段发生特定情形时，聚类子单元662可以区分特定地段与其它区域。

以下参照流程图说明由聚类子单元662和位置范围设定子单元663所执行的过程。

图6A和图6B是示出了聚类过程的操作流程图。

首先，如图6A中所示，聚类子单元662从已学习信息D_Ak提取位置信息，并计算由每一对位置信息指示的车辆位置之间的欧几里得距离Ud_ij(步骤S201)。在本实施例中，欧几里得距离Ud_ij代表车辆位置之间的线性距离。接下来，聚类子单元662检查欧几里得距离的最小值Ud_ijmin是否小于或等于第一距离Td₁(步骤S202)。如果在步骤S202中欧几里得距离的最小值Ud_ijmin小于或等于第一距离Td₁，聚类子单元662则将产生最小值的这对位置信息聚集(或分组)到一个聚类中(步骤S203)。这里，第一距离Td₁可以被设为例如300m。这之后，控制返回到步骤S201。聚类子单元662再次实施步骤S201。在这种情况下，聚类子单元662根据最近毗邻法计算一个聚类与另一个聚类之间的欧几里得距离。即，两个聚类C₁和C₂之间的欧几里得距离D(C₁，C₂)由以下方程表示：

$D(C_1,C_2)=\underset{x\∈C_1,y\∈C_2}{\min }U{d}_{\mathrm{xy}}$

其中x和y是分别包含在聚类C₁和C₂内的位置信息，而Ud_xy代表x与y之间的欧几里得距离。这里，每一条位置信息可以自身被认为是其内所包含的位置信息的条数为1的聚类。

另一方面，如果在步骤S202中欧几里得距离的最小值Ud_ijmin大于第一距离Td₁时，聚类子单元662则根据包含在聚类内的位置信息的条数选择两个最大的聚类C₁和C₂，并分别标记所选择的聚类C₁和C₂(步骤S204)。这里，如果含有两条或更多条以上位置信息的聚类只有一个，聚类子单元662则可以只选择含有较多条数的位置信息的聚类。同样地，当没有含有两条或更多条的位置信息的聚类时，聚类子单元662不选择任何聚类。

接下来，从没有包括在聚类C₁和C₂内的位置信息中，聚类子单元662选择与道路地段信息相关联的位置信息(步骤S205)。然后，对于每一条道路地段信息，聚类子单元662获得与道路地段信息相关联的位置信息的条数，并将此数存储在存储单元61内(步骤S206)。这之后，如图6B中所示，使用迪杰斯特算法(Dijkstra’s alogorithm)，聚类子单元662确定由含有关联的位置信息的道路地段信息指示的特定道路地段之间的最短路线，并沿最短路线计算由道路地段信息指示的特定道路地段之间的距离Ld_ij(步骤S207)。这里，当确定由道路地段信息指示的特定道路地段之间最短路线时，聚类子单元662可以使用除迪杰斯特算法之外的其它最短路线确定技术。可选地，聚类子单元662可以根据通过考虑道路宽度、沿每一段道路地段的拥挤度等计算的线路成本而确定由道路地段信息指示的特定道路地段之间的最短路线，并可以代替由道路地段信息指示的特定道路地段之间的距离Ld_ij而使用沿最短路线获得线路成本的总和。

接下来，聚类子单元662检查由道路地段信息指示的特定道路地段之间的距离的最小值Ld_ijmin是否小于或等于第二距离Td₂(步骤S208)。如果在步骤S208中最小值Ld_ijmin小于或等于第二距离Td₂，聚类子单元662则将产生最小值的这对道路地段信息聚集到一个聚类中(步骤S209)。这里，第二距离Td₂可以被设为例如1.5km。这之后，聚集子单元662使控制返回到步骤S207。然后，聚类子单元662再次实施步骤S207。在这种情况下，聚类子单元662沿由包含在聚类内的道路地段信息指示的特定道路地段之间的最短路线计算每一对聚类之间的距离Ld_ij。

另一方面，如果在步骤S208中由道路地段信息指示的特定道路地段之间的距离的最小值Ld_ijmin大于第二距离Td₂时，聚类子单元662则根据包含在聚类内的位置信息条数从在步骤S205到S209中获得的道路地段信息聚类中选择两个最大的聚类，并分别标记所选择的聚类C₃和C₄(步骤S210)。通过参照与道路地段信息相关联的位置信息的条数而获得包含在每一个聚类内的位置信息条数。然后，聚类子单元662将不包括在聚类C₁到C₄中的任何一个聚类中的位置信息聚集到一个聚类C₅中(步骤S211)。这里，如果含有两条或更多条位置信息的聚类只有一个，聚类子单元662则可以只选择含有较多条数的位置信息的聚类。同样地，当没有含有两条或更多条位置信息的聚类时，聚类子单元662不选择任何聚类。

位置范围设定子单元663根据纬度和经度确定对应于在步骤S201到S204中执行的窄范围聚类内获得的每一个聚类的车辆位置范围(步骤S212)。更具体地，位置范围设定子单元663根据纬度和经度计算相应的聚类C₁和C₂的形心(centroid)G₁和G₂，并获得从相应的形心G₁和G₂到包含在各个聚类C₁和C₂内的最远位置的距离r₁和r₂。然后，位置范围设定子单元663将对应于相应的聚类C₁和C₂的位置信息值的范围确定为以相应的形心G₁和G₂为中心的半径r₁和r₂的圆形区域。可选地，位置范围设定子单元663可以从包含在各个聚类C₁和C₂内的位置信息获得北、南、西和东方向上的端点，并可以将对应每一个聚类的车辆位置范围确定为由如此获得的端点定义的线界定的矩形区域。

接下来，位置范围设定子单元663确定对应于在步骤S205到S210中执行的宽范围聚类内获得的每一个聚类的车辆位置范围(步骤S213)。更具体地，位置范围设定子单元663通过包括在各个聚类C₃和C₄内的道路地段信息的识别信息，指示对应于通过聚类道路地段信息获得的各个聚类C₃和C₄的车辆位置范围。即，当与位置信息相关联的道路地段信息(节点或线路)的识别信息与包括在聚类C₃(或C₄)内的任何一条道路地段信息中的识别信息相匹配时，此位置信息包括在对应于聚类C₃(或C₄)的车辆位置范围内。这之后，对应于聚类C₅的车辆位置信息被设定为不包括在聚类C₁到C₄中的任何一个聚类内的范围。

最后，位置范围设定子单元663将定义对应于各个聚类的位置信息值的范围的数据(例如，为各个C₁和C₂聚类获得的形心G₁和G₂和半径r₁和r₂，和包含在相应的聚类C₃和C₄内的道路地段信息的识别信息)存储到存储单元61内。

以下参照作为示例的情况说明由聚类子单元662执行的过程，所述情况是：对包括在与用于将汽车空气调节器1设定到内部空气再循环模式的设定操作相关的已学习信息中的车辆位置信息(操作点)执行聚类。在本示例中，第一距离Td₁设为300m，而第二距离Td₂设为1.5km。

图7A示出了操作点的分布的示意图。在图7A中，区域701和702表示在诸如公司、公园、家里或类似地方的这样的地方的停车场，并且每一个区域的直径为300米或更小。连接在区域701和702之间的多个箭头表示每一个均由一个线路代表的特定道路地段。通常，对应于交叉点或类似物的节点位于每一对相邻线路之间，但为了简化说明，这里省略了这些节点。此外，点721-726每一个均表示操作点，在所述操作点处，车里面的人执行用于将汽车空气调节器1设定到内部空气再循环模式的设定操作。图7B和图7C是各个区域701和702的放大图，并且包含在每一个区域内的多个点表示操作点。

在这种情况下，聚类子单元662首先执行窄范围聚类(步骤S201-S204)，通过所述窄范围聚类，位于各个区域701和702内的操作点被分别分类为属于聚类C₁和C₂。这从每一个区域701和702的直径不大于第一距离Td₁的事实中是显而易见的，因此，在每一个区域内的任何一对操作点之间的距离小于第一距离Td₁。

接下来，没有通过窄范围聚类被分类为属于聚类中的任何一个的操作点根据它们相关联的道路地段信息被聚类。示出连接在区域701与702之间的线路中的四个线路711、712、714和718作为分别与三个操作点(721到723)、一个操作点(724)、一个操作点(725)、和一个操作点(726)相关联的线路。从而，在这四个线路上执行宽范围聚类(步骤S205到S210)。

聚类子单元662例如通过计算包含在连接在一对线路之间的最短路线内的线路的长度的和计算每一对线路之间的距离。因此，因为线路711与712彼此相邻，所以线路711和712之间的距离为0。另一方面，线路712和714之间的距离等于线路713的长度，而线路714和718之间的距离等于线路715到717的长度的总和。因此，聚类子单元622将线路711和712分类为属于同一类。如果线路713的长度小于为1.5km的第二距离Td₂，聚类子单元622则将线路714分类为属于与线路711和712相同的聚类。然而，如果线路713的长度大于1.5km，聚类子单元622则将线路714分类为与含有线路711和712的聚类不同的聚类。类似地，如果线路715到717的长度的总和小于1.5km，聚类子单元622则将线路718分类成属于与线路714相同的聚类。然而，如果长度的总和大于1.5km时，聚类子单元则622将线路718分类成与含有线路714的聚类不同的聚类。

这样，聚类子单元622和位置范围设定子单元663可以设定车辆的位置，以匹配车辆在国道上行驶的情形，或车辆位于公司停车场的情形。具体地，在当车辆沿道路的特定地段行驶时车里面的人执行特定设定操作的情况下，聚类子单元662可以区分特定地段与其它区域。因此，即使在其内例如高速路平行于普通道路的地段的情况下，只有当车辆在高速路上行驶时车里面的人才对汽车空气调节器1执行特定设定操作，聚类子单元662和位置范围设定子单元663通过在高速路与普通道路之间进行区分而设定车辆位置范围。

此外，在步骤S205中和随后的步骤中，聚类子单元662可以对所有数据重新执行聚类。在这种情况下，如果包含在窄范围聚类C₁或C₂内的任何区域部分或完全重叠包含在宽范围聚类C₃或C₄内的区域时，聚类子单元662给予聚类中的任一个优选权，并从另一聚类消除重叠区域。

在上面的示例中，已经在两个阶段，窄范围聚类阶段和宽范围聚类阶段执行了聚类，但是聚类子单元662可以在三个或更多个阶段内执行聚类，并且可以在每一个阶段内选择含有较大量数据的一个或两个聚类。可选地，阶段数量或将在每一个阶段内形成的聚类数量可以不预先确定，并且当多于一半的数据已经包含在指定的聚类条数(如，5条)内时，聚类子单元662可以终止聚类，并可以将剩余数据聚集(或分组)到一个聚类内。

此外，聚类子单元662可以通过使用包含在位置信息内的所有或一些信息计算欧几里德距离。例如，当以指示纬度和经度以及车辆的前进方向的三维信息形式给出位置信息时，聚类子单元662不仅可以通过使用纬度和经度，并且也可以通过使用前进方向，而不是仅仅使用如以前所述的纬度和经度，计算每一个车辆位置之间的欧几里德距离。当还通过使用方向聚类位置信息时，则即使当基于车辆的前进方向而将被做出的空气调节设定在同一条道路上不同时，学习单元66可以构造用于自动执行空气调节设定的概率模型，所述空气调节设定基于前进方向而不同。可选地，在窄范围聚类的情况下，聚类子单元662可以执行聚类，以使得在刚刚将点火开关关闭之前取样的数据包括在聚类内，因为通过参照点火开关的打开/关闭信息可以区分停放车辆的情形与其它情形。此外，如果位置信息包括指示车辆所位于的地方的纬度的纬度信息，聚类子单元662则可以通过还使用纬度信息而聚类位置信息。

此外，当可以使用指示车辆的位置信息的其它信息时，位置范围设定子单元663通过使用这些信息可以确定车辆位置的范围。例如，当显示与位置信息相关联的设施(例如，便利店、餐馆等)相关联的相邻区域信息或Gbook信息可以从与位置信息有关的导航系统获取时，控制器60内的位置范围设定子单元663通过使用这些信息可以确定对应于每一个聚类的车辆位置的范围。更具体地，当包含在聚类内的所有数据代表相同的设施(例如，公司停车场)时，位置范围设定子单元663通过使用指示包含在此设施内的范围的信息，而不是通过使用前面所述的形心和半径，或者通过使用除形心和半径之外的信息，可以确定对应于此聚类的车辆位置的范围。通过将这些信息增加到前面获得的车辆位置范围，位置范围设定子单元663可以更准确地分类位置信息。

对于具有预定图形结构的多个标准模型的每一个来说，概率模型构造子单元664根据已学习信息和由位置范围设定子单元663确定的车辆位置的类别通过为包含在每一个标准模型内的节点生成CPT而构造试验概率模型。

为了构造可以说明各种情形的试验概率模型，将必须构造含有大量节点的非常大的概率模型。然而，这种概率模型的学习将需要非常长的计算时间，并且用于学习所需的硬件资源将是巨大的。因此，在本实施例中，可能与设定操作具有尤其紧密关系的数据从状态信息中被选作为输入给输入节点的参数，并生成15种标准模型，所述15种标准模型中的每一种均具有两层图形结构，在所述两层图形结构中，根据对于输入参数的组合的条件概率获得被执行的设定操作的概率。然而，标准模型的数量不限于15个。可以根据所获得的状态信息的种类的数量或者根据将被学习的设定操作的种类适当地优化标准模型的数量。每一个标准模型可以被构造成仅取出一个输入参数或取出所有可获得的状态信息作为输入参数。此外，标准模型不限于两层图形结构，而是基于组成控制器60的CPU的容量可以被构造成具有三层或更多层的图形结构。

如此生成的标准模型被存储在存储单元61内。然后，概率模型构造子单元664通过确定包含在标准模型内的每一个节点之间的条件概率而为每一个标准模型构造试验概率模型。即，利用试验概率模型，根据用作输入参数的状态信息值的类别，确定执行与试验概率模型相关联的设定操作的概率。

以下参照附图给出详细说明。

图8A-8D是示出了15个标准模型中的四个作为示例。图8A-8D中所示的标准模型501-504是每一个均包括输入节点和输出节点的两层结构的贝叶斯网络。给予输入节点的参数在各个标准模型501-504之间不同。

从自存储单元61内检索的已学习信息D_Ak，概率模型构造子单元664为每一个节点计数用于状态信息值的每一个类别的相应的数n。然后，概率模型构造子单元664用事件总数N除以此数n，以确定先验概率以及条件概率的值。这里，如果已经通过聚类子单元662和位置范围设定子单元663获得作为输入参数的车辆位置的类别，概率模型构造子单元664则从存储单元61检索类别，即每一个聚类的形心和半径，或包含在每一个聚类内的道路地段信息的识别信息，并根据此类别分类状态信息。另一方面，对于尚未聚类的任何输入参数，概率模型构造子单元664根据预定类别分类其状态信息。以下通过作为示例的图8B的标准模型502给出说明。这里，已学习信息D_Ak包括30个数据组，在分配给输入节点中的一个的所述30个数据组中的车辆的当前位置信息被检查。这里假设已经通过聚类子单元662将当前位置信息聚类到5个类别内，即，国道(公司附近)，国道(家附近)、公司停车场、体育俱乐部停车场和其它。在这种情况下，概率模型构造子单元664检查包含在当前位置信息的纬度和经度或与此位置信息相关联的道路地段信息的识别信息，并将其确定到聚类内，即，确定当前位置信息落入到哪一个聚类内，即，落入到哪一个位置范围内。如果当前位置是国道(公司附近)的次数(y₁₁＝0)为8，当前位置是国道(家附近)的次数(y₁₁＝1)是6，当前位置是公司停车场的次数(y₁₁＝2)是6，当前位置是体育俱乐部的次数(y₁₁＝3)是5，以及当前位置是某一其它地方的次数(y₁₁＝4)是5，则用于当前位置信息的先验概率P(y₁₁)分别给出为P(y₁₁＝0)＝0.27，P(y₁₁＝1)＝0.2，P(y₁₁＝2)＝0.2，P(y₁₁＝3)＝0.17，以及P(y₁₁＝4)＝0.17。类似地，对于输出节点，概率模型构造子单元664对于这些值的每一个组合在已学习信息D_Ak中的发生次数进行计数，所述值为给予各个输入节点或亲代节点(parent node)的状态信息，即，当前位置(y₁₁)，星期几(Y₁₂)、和时间段(y₁₃)，所呈现的值，并且通过用数据总数，即30，除以此次数而获得条件概率。这样，通过获得先验概率和条件概率，概率模型构造子单元664确定用于每一个节点的CPT。

如果考虑到用于学习的数据量不充足，概率模型构造子单元664可以使用β分布估计概率分布，并使用其构造CPT。如果输入信息值的组合中的一些不存在于已学习信息D_Ak中，即，如果有未观察到的数据，概率模型构造子单元664则估计未观察到的数据的概率分布，并根据估计的分布通过计算期望值而计算对应的条件概率。对于这种条件概率的学习，可以使用由Kazuo Shigemasu等人编写的、2006年7月Baifukan第一版的“Introduction to Bayesian Networks”第35-38、85-87页所述的方法。

用类似的方法，概率模型构造子单元664根据给予各个输入节点的信息为输出节点生成显示条件概率分布的CPT。在初始状态中，设定CPT，以使得值等于所有状态。

概率模型估计子单元665通过将信息准则施加到由概率模型构造子单元664构造的所有试验概率模型而选择具有最合适的图形结构的试验概率模型。

在本实施例中，AIC(Akaike的信息准则)用作信息准则。根据概率模型最大对数概似法(maximum logarithmic likelihood)和参数数量的可以使用以下方程获得AIC：

AIC_m＝-21_m(θ_m|X)+2k_m

这里，AIC_m是用于概率模型M的AIC。此外，θ_m代表概率模型M的一组参数，1_m(θ_m|X)代表在概率模型M中的给定数据X的最大对数概似值，而k_m代表概率模型M的参数的数量。这里，1_m(θ_m|X)可以通过以下过程计算。首先，概率模型估计子单元665从已学习数据D_Ak为在每一个节点处变化的亲代节点的每一个组合获得事件的频率。然后，概率模型估计子单元665使事件的频率乘以条件概率的对数值。最后，概率模型估计子单元665总和结果值，以计算1_m(θ_m|X)。另一方面，k_m通过将在每一个节点处变化的亲代节点的组合数量加在一起而获得。

当为所有的概率模型获得AIC时，概率模型估计子单元665选择产生最小AIC值的试验概率模型。

对于概率模型的选择(换句话说，图形结构的学习)，概率模型估计子单元665可以使用其它信息准则，如贝叶斯信息准则(BIC)、Takeuchi信息准则(TIC)、或最小说明长度(MDL)。此外，概率模型估计子单元665可以通过使这些信息准则计算方程的符号反向而使用这些信息准则的任何一个。在那种情况下，概率模型估计子单元665选择产生最大AIC值的试验概率模型。

概率模型估计子单元665将选择的试验概率模型存储在存储单元61内，并增加此模型作为概率模型，以被控制信息校正单元64使用。然后，概率模型估计子单元665获取车里面的人的ID和与已学习信息D_Ak相关联的设定操作号k，并通过使车里面的人的ID和与已学习信息D_Ak相关联的设定操作号k与增加的概率模型相关联而将它们存储在存储单元61内。此外，概率模型估计子单元665根据设定操作号k识别将根据概率模型将被校正的设定参数和将被使用的校正值，并通过使得它们与概率模型相关联而将它们存储在存储单元61内。设定操作号k、将被校正的设定参数以及将被使用的校正值之间的对应关系以查找表格的形式预先限定并且被保持在存储单元61中。

以下参照图9A、9B和图10说明根据本发明的汽车空气调节器1的空气调节操作。根据并入控制器60内的计算机程序由控制器60执行空气调节操作。

首先，如图9A中所示，当发动机开关打开时，控制器60启动汽车空气调节器1。然后，控制器60经由通信单元62从传感器、导航系统56、车辆操作装置57等获取各种状态信息(步骤S101)。此后，以周期时间间隔(例如，每5秒钟)获取各种状态信息。控制器60还从存储单元61获取各种设定信息。接下来，控制器60内的匹配单元63执行车里面的人的匹配和认证(步骤S102)。然后，控制器60从存储单元61检索识别为匹配车里面的人的注册用户的个人设定信息(步骤S103)。

接下来，控制器60确定车里面的人是否已经对汽车空气调节器1执行了任何设定操作(步骤S104)。这里，当从A/C操作面板59检索到操作信号时，控制器60确定已经执行了设定操作。如果车里面的人还没有执行任何设定操作，控制器60内的控制信息校正单元64则从与车里面的人相关联的用于校正与操作组中的任一个有关的设定操作(例如，设定温度T_set)的概率模型M_Aqk中选择其当前设定将被改变的概率模型(步骤S105)。概率模型M_Aqk代表被构造成用于由设定操作号k识别和被车里面的人A执行的设定操作的q-th概率模型。接下来，控制信息校正单元64将观察到状态信息输入到选择的概率模型内。控制信息校正单元64然后计算执行与概率模型相关联的设定操作的概率(步骤S106)。然后，从为与设定参数相关联的同一操作组中的设定操作计算的概率中，控制信息校正单元64选择最高概率作为推荐概率P。

接下来，如图9B中所示，控制信息校正单元64比较推荐概率P与第一预定值Th1(步骤S107)。如果推荐概率P大于或等于第一预定值Th1(例如，0.9)，控制信息校正单元64则根据与产生推荐概率P的概率模型(以下称为选择的概率模型)相关联的校正信息校正汽车空气调节器1的相应的设定参数(步骤S108)。另一方面，如果推荐概率P小于第一预定值Th1，控制信息校正单元64则比较推荐概率P与第二预定值Th2(例如，0.6)(步骤S109)。如果推荐概率P大于或等于第二预定值Th2，控制信息校正单元64则在显示面板59或类似物的显示区上显示对应于与选择的概率模型相关联的设定操作号k的设定操作，并因此询问车里面的人是否应该执行设定操作(步骤S110)。当车里面的人批准执行设定操作时，控制信息校正单元64根据与选择的概率模型相关联的校正信息校正设定参数(步骤S108)。另一方面，当车里面的人没有批准时，控制信息校正单元64不校正设定参数。换句话说，控制器60不执行与和选择的概率模型相关联的设定操作有关的设定操作。同样地，如果在步骤S109中推荐概率P小于第二预定值Th2，控制信息校正单元64则不校正设定参数。

之后，控制信息校正单元64通过检查是否已经对于所有的概率模型计算了概率而确定所有的设定参数是否都已经被调节(步骤S111)。如果存在对于其尚未计算概率的任何概率模型，即，如果存在尚未检查设定操作是否被校正的任何操作组，控制器60使控制返回到步骤S105。另一方面，如果对于所有的概率模型已经计算了概率，那么控制器内的空气调节控制单元65根据当需要时校正的设定参数调节空气混合门的开度、鼓风机的转数、和每一个空气出口门的开度，从而实现达到期望的空气调节温度、空气流量等(步骤S112)。

如图10中所示，当在步骤S104中确定的是车里面的人已经对汽车空气调节器1执行了设定操作，控制器60则通过参照设定信号识别已经执行了哪一个设定操作(步骤S113)。然后，控制器60内的学习单元66通过使在设定操作之前或之后的预定时间周期期间(例如，在设定操作之前和之后的10秒钟)获取的状态信息与对应于设定操作的设定操作号k和已经执行设定操作的次数i_Ak相关联，而将此状态信息作为已学习信息D_Ak的元素存储到存储单元61内(步骤S114)。

随后，学习单元66确定操作次数i_Ak是否等于预定次数n1*j(j＝1、2、3)(步骤S115)。预定次数n1例如是10。如果确定的是i_Ak＝n1*j，学习单元66内的聚类子单元662则对已学习信息D_Ak中的位置信息执行聚类，所述已学习信息D_Ak通过使其与车里面的人和设定操作号k相关联而将存储在存储单元61内。然后，位置范围设定子单元663确定对应于由聚类获得的每一个聚类的车辆位置范围。这里，根据如图6的流程图中所示的过程执行已学习信息的聚类。

之后，学习单元66通过使用已学习信息D_Ak为该设定操作构造概率模型M_Aqk(步骤S117)。更具体地，如上所述，学习单元66内的概率学习子单元664通过为每一个标准模型生成CPT而构造试验概率模型。然后，学习单元66内的概率模型估计子单元665为每一个试验概率模型计算信息准则，并且产生最小信息准则值的试验概率模型被选择为将被使用的概率模型M_Aqk。学习单元66然后通过使概率模型M_Aqk与车里面的人的ID等相关联而将概率模型M_Aqk存储在存储单元61内。另一方面，如果在步骤S115中i_Ak不等于n1*j，学习单元66则使控制转到步骤S118。

接下来，学习单元66确定操作次数i_Ak是否等于预定次数n2(例如，n2＝30)(步骤S119)。如果i_Ak不等于n2，则学习单元66使i_Ak增加1(步骤S119)，并如图所示将控制转到步骤S112。另一方面，如果在步骤S118中i_Ak＝n2，学习单元66则删除已学习信息D_Ak(步骤S210)，所述已学习信息D_Ak通过其与车里面的人和设定操作号k相关联而被存储在存储单元61内。

此外，确定的是当前存储在存储单元61内的概率模型M_Aqk为建立的一个概率模型，并且此后，不对该概率模型M_Aqk执行更新。学习单元66将标志信息附加给建立的概率模型M_Aqk，以表示该概率模型将不被更新。例如，学习单元通过使更新的标志f与概率模型相关联而将其存储在存储单元61内。学习单元66可以通过检查标志的状态而确定是否允许更新或不允许更新；即，如果设1′，则禁止更新(重写)，而如果设0′，则允许更新。学习单元66将i_Ak初始化到0。之后，学习单元66使控制转到步骤S112。

预定次数n2大于n1，并且对应于被认为足够构造准确统计的概率模型的数据数。可以实验或经验地优化预定数n1和n2。

在上面的流程图中的步骤S115中，学习单元66可以通过检查自从上次构造与同一设定操作相关联的概率模型起是否已经过去第一预定时间(例如，一周或一个月)，而不是通过比较操作次数i_Ak与预定次数n1*j(j＝1，2，3)，确定是否构造概率模型。在那种情况下，当已经过去预定时间时，学习单元66构造概率模型。换句话说，学习单元66继续实施从步骤S116到S120的过程。为了根据过去的时间确定是否构造概率模型，控制器60通过使概率模型的构造时间和日期与概率模型相关联而将概率模型的构造时间和日期预先存储到存储单元61内。当计算过去的时间时，学习单元66从存储单元61获取与设定操作α有关的概率模型中最近的概率模型相关联的构造的时间和日期，并通过获得获取时间与当前时间之间的差而计算过去时间。

此外，当学习单元66根据过去时间确定是否构造概率模型时，在步骤S118中，学习单元66可以比较过去的时间与比第一预定时间长的第二预定时间(例如，四周或六个月)。然后，当过去的时间比第二预定时间长时，学习单元删除已学习信息D_Ak，并更新更新标志f。

之后，汽车空气调节器1重复从步骤S101到S120的过程，直到结束操作。

如上所述，在生成概率模型中，当车里面的人执行特定设定操作时，根据本发明的汽车空气调节器根据道路地段确定车辆的位置范围，并根据结果构造用于计算概率的概率模型；因此，即使当在特定道路地段内执行特定设定操作时，可以自动实现最佳的空气调节器设定。

本发明不限于以上特定实施例。例如，在上面的实施例中，虽然聚类子单元662可以被描述为仅仅对道路地段信息在宽范围聚类内执行聚类，但是聚类子单元662也可以被构造成对道路地段信息在窄范围聚类内执行聚类。此外，可以通过使用其它的分层聚类技术，如最远毗邻法、组平均法，或沃德法，而不是通过使用上述的最近毗邻法，对道路地段信息执行聚类。可选地，聚类子单元622可以通过使用诸如k-手段方法的非分层聚类技术而对道路地段信息执行聚类。此外，在上面的实施例中，位置信息获取单元、道路信息获取单元、以及地段确定单元已经被说明为并入导航系统内，但是这些单元可以与导航系统独立设置。

学习单元66也可以对其值连续变化(如时间信息)的信息执行聚类，并确定其值的范围。

此外，车辆里面的人不限于车辆驾驶员。如果设置被做成识别谁已经对汽车空气调节器执行了设定操作，本发明则可以有利地应用于除驾驶员之外的任何车里面的人操作空气调节器的情况。例如，当汽车空气调节器具有两个A/C操作面板59时，其中一个为驾驶员，而另一个为乘客时，控制器60则通过检查哪一个A/C控制面板59已经被操作而可以确定哪一个车里面的人，驾驶员或乘客已经操作了空气调节器。可选地，如日本未审查专利公开No.2002-29239中所述，诸如红外线温度传感器的车内操作人员检测传感器可以设在A/C操作面板59上，以使得控制器60可以确定哪一个车里面的人，驾驶员或乘客已经操作了空气调节器。

当乘客已操作了空气调节器时，控制器60根据由车内照相机捕捉的图像数据以与当执行驾驶员的匹配与认证相同的方式执行乘客的匹配与认证，并且控制器60通过使当操作时诸如各种传感器值的状态信息与乘客相关联而不是与驾驶员相关联而存储此状态信息。

此外，当车里面的人被限于特定的人时，或者当仅仅为期望被驾驶车辆的任何人执行的设定操作的种类构造概率模型时，可以省略匹配单元63。在这种情况下，使用相同的概率模型和用于概率模型的学习的相同的学习信息，而不管车内操作人员是谁。

此外，当已经获取状态信息时，用于构造概率模型和用于使用概率模型设定操作的状态信息可以包括与设定汽车空气调节器相关的信息(如，设定温度，空气流量等)。

在上面的实施例中，将被控制信息校正单元64校正的参数已经被描述为与诸如温度设定、空气流量设定等设定操作有关的参数，所述温度设定、空气流量设定等可以从A/C操作面板59直接设定。然而，控制信息校正单元64可以被构造成使用概率模型校正与用于控制空气调节单元10的各种部件的控制信息相关的参数，如使用温度控制方程计算的空气调节温度T_ao、使用空气流量控制方程计算的鼓风机21的转数、空气混合门28的开度等。

在上面的实施例中，对于概率模型的构造来说，具有预定图形结构的标准模型已经被预先生成；然而，代替生成这样的标准模型，学习单元66可以通过使用K2算法或遗传算法(genetic algorithm)搜索图形结构。例如，当使用遗传算法时，多个因子(gene)被生成为每一个用作表示节点之间的连接存在或不存在的元素。然后，学习单元66通过使用前述信息准则计算每一个因子的适合度。之后，学习单元66选择适合度值大于预定值的因子，并执行这些操作为交叉和突变，以继续下一个因子的生成。学习单元66多次重复这些操作，并选择具有最佳适合度的因子。学习单元66使用由选择的因子说明的图形结构构造概率模型。学习单元66可以使这些算法中任一个与从标准模型构造概率模型的方法结合。

在上面的实施例中，贝叶斯网络已经被用作概率模型，但是也可以代替使用诸如隐马尔可夫模型的其它概率模型。

本发明可以应用于任何类型的空气调节器，不管其是前面单一型、左/右独立型、后面独立型、四座椅独立型、或上/下独立型。当将本发明应用于独立型的空气调节器时，可以安装多个内部温度传感器和太阳传感器。

可以将本发明应用于除空气调节装置之外的其它装置。也可以将本发明应用于控制装置，所述控制装置获取多种状态信息，将状态信息输入到与特定控制操作相关联的概率模型内，获得被执行特定控制操作的推荐概率，并当推荐概率大于预定值时执行特定控制操作。例如，可以将本发明应用于汽车音频控制装置。图11示出了本发明所用于的汽车音频控制装置600的功能方框图。在图11中，控制装置600与图2中所示的汽车空气调节器1不同在于包括音频控制单元650而不是包括空气调节控制单元65。控制装置600内的其它单元的功能与图2中所示的汽车空气调节器1的控制器60内相应的单元的功能相同。

这里假设每当车辆靠近可以接收用于交通信息的AM无线电广播的点时，车里面的人执行操作以将无线电广播调频到AM广播。在这种情况下，控制装置600从导航系统(未示出)经由通信单元62获取指示车里面的人已经执行调频操作的操作点的位置信息和位置信息所关联的道路地段信息，并将它们作为已学习信息存储到存储单元61内。此外，控制装置600从汽车音频操作单元(未示出)获取指示车里面的人已经执行的设定操作的种类的信号。控制装置600还可以经由通信单元62获取诸如时间信息的其它信息。然后，控制装置600内的学习单元66根据本发明构造用于自动执行调频操作的概率模型。出于此目的，聚类子单元662对积累为已学习信息的操作点执行聚类，即，如前面所述，根据每一个操作点之间的距离执行窄范围聚类，或者根据操作点与其关联的特定道路地段执行宽范围聚类。然后，位置范围设定子单元663通过根据操作点的坐标值或者根据与操作点其相关联的特定道路地段的识别信息确定对应于每一个聚类的操作点的值的范围，确定在其处将执行调频操作的点的范围。然后，根据车辆位置信息，概率模型构造子单元664生成用于计算将无线电广播调频到AM广播的概率的概率模型。通过将周期获得的位置信息输入到如此生成的概率模型内，控制信息校正单元64得到被执行调频操作的概率。然后，当此概率超过预定阀值时，控制信息校正单元64校正汽车音频设定信息，以实现用于将无线电广播调频到交通信息广播AM台的设定操作。音频控制单元650根据如此校正的设定信息将无线电广播调频到AM台。这样，当车辆靠近在其处可以接收交通信息AM广播的点时，汽车音频控制装置自动地调频到AM广播台。

本发明也可以用于用于控制车辆的各种部件(如，动力窗、钥匙锁、前灯、危险报警灯、门镜、燃料盖、遮阳棚顶、雨刷、自适应控制器(ACC)、自适应可变悬挂件(AVS)、变速调挡等)的控制装置。本发明也可以应用于诸如刹车控制、节流开度控制、方向盘控制等的车辆驱动控制系统。当将本发明应用于这些装置时，应该将图2中所示的控制器60内的空气调节控制单元65改变成匹配将被控制的装置的控制单元，如在汽车音频控制装置的情况。

更进一步，可以将本发明应用于便携式电话；在这种情况下，如果用户靠近特定地方时用户总是执行特定操作，则便携式电话可以被做成当用户达到特定地方时自动执行特定操作。

如上所述，在本发明的保护范围内，本领域的技术人员可以做各种变型。

Claims (15)

1.一种位置范围设定装置，包括：

位置信息获取单元，用于获取指示移动物体的位置的位置信息；

道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；

地段确定单元，用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联；

存储单元，用于将多条所述位置信息和所述道路地段信息分别存储为已学习数据；

聚类单元，用于将包括在所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类内或第二聚类内；以及

位置范围设定单元，用于从包括在所述第一聚类内的所述道路地段信息为所述移动物体的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述移动物体的位置确定第二范围。

2.根据权利要求1所述的位置范围设定装置，其中，所述位置范围设定单元通过识别包括在所述第一聚类内的所述道路地段信息的识别信息指示所述第一范围。

3.根据权利要求1或2所述的位置范围设定装置，其中，所述聚类单元从包括在所述已学习数据内的所述多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且所述聚类单元将与不包括在所述至少一个第三聚类内的位置信息相关联的所述道路地段信息聚类到所述第一聚类或所述第二聚类内。

4.一种用于安装在移动物体内的装置的控制器，包括：

位置信息获取单元，用于获取指示所述移动物体的位置的位置信息；

道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；

地段确定单元，用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联；

存储单元，用于将多条所述位置信息和所述道路地段信息分别存储为已学习数据；

学习单元，用于通过使用所述已学习数据构造概率模型，所述位置信息被输入到所述概率模型内以计算特定设定操作的推荐概率；

控制信息校正单元，用于通过将指示所述移动物体的当前位置的当前位置信息输入到由所述学习单元构造的所述概率模型内而计算所述推荐概率，并用于根据所述推荐概率校正与用户设定操作有关的设定信息或控制信息，以实现所述特定设定操作；以及

控制单元，用于根据所述校正的设定信息或控制信息控制所述装置，其中：

所述学习单元包括：

聚类子单元，用于将包括在所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类或第二聚类内；

位置范围设定子单元，用于从包括在所述第一聚类内的所述道路地段信息为所述移动物体的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述移动物体的位置确定第二范围；以及

概率模型构造子单元，用于通过为包含在所述第一范围内的移动物体位置确定所述推荐概率，和为包含在所述第二范围内的移动物体位置确定所述推荐概率，而构造所述概率模型。

5.根据权利要求4所述的控制器，其中，所述位置范围设定子单元通过识别包括在所述第一聚类内的所述道路地段信息的识别信息指示所述第一范围。

6.根据权利要求4或5所述的控制器，其中，所述聚类子单元从包括在所述已学习数据内的所述多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且所述聚类子单元将与不包括在所述至少一个第三聚类内的位置信息相关联的所述道路地段信息聚类到所述第一聚类或所述第二聚类内。

7.一种汽车空气调节器，包括：

空气调节单元，用于将调节空气供应到车辆内；

位置信息获取单元，用于获取指示所述车辆的位置的位置信息；

道路信息获取单元，用于获取指示道路的特定地段的道路地段信息；

地段确定单元，用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联；

存储单元，用于将多条所述位置信息和所述道路地段信息分别存储为已学习数据；

学习单元，用于通过使用所述已学习数据构造概率模型，所述位置信息被输入到所述概率模型内以计算车辆里面的人执行特定设定操作的推荐概率；

控制信息校正单元，用于通过将指示所述车辆的当前位置的当前位置信息输入到由所述学习单元构造的所述概率模型内而计算所述推荐概率，并用于根据所述推荐概率校正与所述车里面的人的设定操作有关的设定信息或控制信息，以实现所述特定设定操作；以及

空气调节控制单元，用于根据所述校正的设定信息或控制信息控制所述空气调节单元，其中：

所述学习单元包括：

聚类子单元，用于将包括在所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类或第二聚类内；

位置范围设定子单元，用于从包括在所述第一聚类内的所述道路地段信息为所述车辆的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述车辆的位置确定第二范围；以及

概率模型构造子单元，用于通过为包含在所述第一范围内的车辆位置确定所述推荐概率，和为包含在所述第二范围内的车辆位置确定所述推荐概率，而构造所述概率模型。

8.根据权利要求7所述的汽车空气调节器，其中，所述位置范围设定子单元通过识别包括在所述第一聚类内的所述道路地段信息的识别信息指示所述第一范围。

9.根据权利要求7或8所述的汽车空气调节器，其中，所述聚类子单元从包括在所述已学习数据内的所述多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且所述聚类子单元将与不包括在所述至少一个第三聚类内的位置信息相关联的所述道路地段信息聚类到所述第一聚类或所述第二聚类内。

10.一种用于控制器的控制方法，所述控制器用于控制安装在移动物体内的装置，所述控制器具有：存储单元；控制信息校正单元，且所述控制信息校正单元具有与特定设定操作相关联的至少一个概率模型，所述控制信息校正单元用于通过将指示所述移动物体的位置的位置信息输入到所述概率模型内而计算用户执行所述特定设定操作的推荐概率，并用于根据所述推荐概率校正与所述用户的设定操作有关的设定信息或控制信息，以实现所述特定设定操作；和控制单元，用于根据所述校正的设定信息或控制信息控制所述装置，所述控制方法包括：

用于获取所述位置信息的步骤；

用于获取指示道路的特定地段的道路地段信息的步骤；

用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联的步骤；

用于将多条所述位置信息和所述道路地段信息分别作为已学习数据存储到所述存储单元内的步骤；

地段聚类步骤，用于将包括在存储在所述存储单元内的所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类或第二聚类内；

位置范围设定步骤，用于从包括在所述第一聚类内的所述道路地段信息为所述移动物体的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述移动物体的位置确定第二范围；以及

用于通过为包含在所述第一范围内的移动物体位置确定所述推荐概率，和为包含在所述第二范围内的移动物体位置确定所述推荐概率，而构造所述概率模型的步骤。

11.根据权利要求10所述的控制方法，其中，所述位置范围设定步骤通过识别包括在所述第一聚类内的道路地段信息的识别信息指示所述第一范围。

12.根据权利要求10或11所述的控制方法，进一步包括位置聚类步骤，用于从包括在所述已学习数据内的所述多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且其中

所述地段聚类步骤将与不包括在所述至少一个第三聚类内的位置信息相关联的所述道路地段信息聚类到所述第一聚类或所述第二聚类内。

13.一种用于汽车空气调节器的控制方法，所述汽车空气调节器具有：用于将调节空气供给到车辆内的空气调节单元；存储单元；控制信息校正单元，且所述控制信息校正单元具有与特定设定操作相关联的至少一个概率模型，所述控制信息校正单元用于通过将指示所述车辆的位置的位置信息输入到所述概率模型内而计算车里面的人执行所述特定设定操作的推荐概率，并用于根据所述推荐概率校正与所述车里面的人的设定操作有关的设定信息或控制信息，以实现所述特定设定操作；和空气调节控制单元，用于根据所述校正的设定信息或控制信息控制所述空气调节单元，所述控制方法包括以下步骤：

用于获取所述位置信息的步骤；

用于获取指示道路的特定地段的道路地段信息的步骤；

用于使所述位置信息与对应于由所述位置信息指示的位置的所述道路地段信息相关联的步骤；

用于将多条所述位置信息和所述道路地段信息分别作为已学习数据存储到所述存储单元内的步骤；

地段聚类步骤，用于将包括在存储在所述存储单元内的所述已学习数据内的所述多条道路地段信息聚类到至少第一聚类或第二聚类内；

位置范围设定步骤，用于从包括在所述第一聚类内的所述道路地段信息为所述车辆的位置确定第一范围，并用于从包括在所述第二聚类内的所述道路地段信息为所述车辆的位置确定第二范围；以及

用于通过为包含在所述第一范围内的车辆位置确定所述推荐概率，和为包含在所述第二范围内的车辆位置确定所述推荐概率，而构造所述概率模型的步骤。

14.根据权利要求13所述的控制方法，其中，所述位置范围设定步骤通过识别包括在所述第一聚类内的道路地段信息的识别信息指示所述第一范围。

15.根据权利要求13或14所述的控制方法，进一步包括位置聚类步骤，用于从包括在所述已学习数据内的所述多条位置信息中将相对彼此的距离不大于预定值的位置信息聚类到至少一个第三聚类内，并且其中

所述地段聚类步骤将与不包括在所述至少一个第三聚类内的位置信息相关联的所述道路地段信息聚类到所述第一聚类或所述第二聚类内。

Images