CN109849851B - 雨刮器控制方法及系统 - Google Patents

Abstract

本公开提供了一种雨刮器控制方法，该雨刮器控制方法包括：获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作。本公开还提供了一种雨刮器控制系统。

Description

雨刮器控制方法及系统

技术领域

本公开实施例涉及智能汽车技术领域，特别涉及一种雨刮器控制方法及系统。

背景技术

雨刮器是汽车常用的车身附件，主要用来在雨天刮除挡风玻璃上的雨水，也用于洗涤挡风玻璃。在下雨天，它的作用无可替代。但目前，开车过程中，车主需要一边看路，一边手动打开汽车雨刮器刮雨，非常不方便，车主视线范围受限、注意力分散，不利于行车安全。

发明内容

本公开实施例旨在至少解决上述现有技术中存在的技术问题之一，提供一种雨刮器控制方法及系统。

第一方面，本公开实施例提供一种雨刮器控制方法，该雨刮器控制方法包括：

步骤S1、获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；

步骤S2、将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；

步骤S3、根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作。

在一些实施例中，所述步骤S1之前还包括：

步骤S011、获取特定用户群体的第一历史样本数据集，所述第一历史样本数据集包括第一设定数量个第一历史特征数据及其对应的第一历史速度档位，每个所述第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据；

步骤S012、采用预设聚类算法，对所述第一设定数量个第一历史特征数据进行聚类，生成第二设定数量个第一簇，每个第一簇包括至少一个第一历史特征数据；

步骤S013、针对每个第一簇，根据该第一簇中的所有第一历史特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位；

步骤S014、根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型；

步骤S015、若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型。

在一些实施例中，所述步骤S012包括：

步骤S012A、设置聚类簇数K＝第二设定数量；

步骤S012B、从第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中随机选择第二设定数量K个第一历史特征数据作为第二设定数量K个当前均值向量{μ₁，μ₂，μ₃，…μ_K}，其中，D表示第一历史样本数据集，X_m表示第m个第一历史特征数据，μ_K表示第K个当前均值向量；

步骤S012C、将第一簇划分初始化为

其中，

表示空集，i＝1，2，…，K；

步骤S012D、令j＝0，j≤m，m等于第一设定数量；

步骤S012E、将j进行加1处理；

步骤S012F、分别计算第一历史特征数据X_j与各个当前均值向量μ_i的距离d_ji，其中，

步骤S012G、根据距离第一历史特征数据X_j最近的当前均值向量确定第一历史特征数据X_j的簇标记λ_j，其中，λ_j＝argmin_{i∈{1，2，3...，K}}d_ji；

步骤S012H、将第一历史特征数据X_j划入相应的第一簇

步骤S012I、判断当前j是否大于或等于m，若否，则跳转至步骤S012E，若是，则执行步骤S012J；

步骤012J、针对每个当前第一簇C_i，根据该当前第一簇C_i中所有的第一历史特征数据，计算出该当前第一簇C_i对应的新的均值向量μ′_i，其中，

其中，C_i表示该当前第一簇，|C_i|表示该当前第一簇C_i中的第一历史特征数据的总数量，X表示该当前第一簇C_i中的第一历史特征数据；

步骤S012K、依次判断每个新的均值向量μ′_i是否等于对应的所述当前均值向量μ_i，若均判断为是，则执行步骤S012L，否则，以新的均值向量μ′_i作为对应的当前均值向量μ_i并执行步骤S012D；

步骤S012L、输出当前第一簇划分C＝{C₁，C₂，C₃，…，C_K}。

在一些实施例中，所述步骤S013包括：针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

在一些实施例中，所述步骤S013包括：

步骤S013A、针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果；

步骤S013B、针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

在一些实施例中，所述步骤S1之前还包括：

步骤S021、获取所述用户的第二历史样本数据集，所述第二历史样本数据集包括第三设定数量个第二历史特征数据及其对应的第二历史速度档位，每个所述第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据；

步骤S022、采用预设聚类算法，对所述第三设定数量个第二历史特征数据进行聚类，生成第四设定数量个第二簇，每个第二簇包括至少一个第二历史特征数据；

步骤S023、针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位；

步骤S024、根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

第二方面，本公开实施例提供一种雨刮器控制系统，该雨刮器控制系统包括数据获取模块、数据处理模块和控制模块；

其中，所述数据获取模块用于获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；

所述数据处理模块用于将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；

所述控制模块用于根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作。

在一些实施例中，该雨刮器控制系统还包括模型训练模块，所述模型训练模块用于执行如下步骤：

获取特定用户群体的第一历史样本数据集，所述第一历史样本数据集包括第一设定数量个第一历史特征数据及其对应的第一历史速度档位，每个所述第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据；

采用预设聚类算法，对所述第一设定数量个第一历史特征数据进行聚类，生成第二设定数量个第一簇，每个第一簇包括至少一个第一历史特征数据；

针对每个第一簇，根据该第一簇中的所有第一历史特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位；

根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型；

若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型。

在一些实施例中，所述模型训练模块具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

在一些实施例中，所述模型训练模块具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果；针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

在一些实施例中，该雨刮器控制系统还包括模型训练模块，所述模型训练模块用于执行如下步骤：

获取所述用户的第二历史样本数据集，所述第二历史样本数据集包括第三设定数量个第二历史特征数据及其对应的第二历史速度档位，每个所述第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据；

采用预设聚类算法，对所述第三设定数量个第二历史特征数据进行聚类，生成第四设定数量个第二簇，每个第二簇包括至少一个第二历史特征数据；

针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位；

根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

本公开实施例所提供的雨刮器控制方法及系统，基于预先训练好的当前雨刮器分类模型，当下雨时或者大雾天气时，采集用户的当前特征数据，输入至预设的的当前雨刮器分类模型，从而获得符合用户的当前特征数据的雨刮器的当前速度档位，并控制雨刮器以当前速度档位进行工作，无需用户手动操作雨刮器，从而能够便于用户行车，不影响用户视线可见范围及用户注意力，有利于用户行车安全。

附图说明

附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其他特征和优点对本领域技术人员将变得更加显而易见，在附图中：

图1为本公开实施例提供的一种雨刮器控制方法的流程图；

图2为步骤S2中的当前雨刮器分类模型的一种训练流程图；

图3为图2中步骤S012的一种具体实施方式的流程图；

图4为图2中步骤S013的一种具体实施方式的流程图；

图5为图2中步骤S014的一种具体实施方式的流程图；

图6为步骤S2中的当前雨刮器分类模型的另一种训练流程图；

图7为图6中步骤S024的一种具体实施方式的流程图；

图8为本公开实施例提供的一种雨刮器控制系统的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本公开实施例的技术方案，下面结合附图和具体实施方式对本公开实施例所提供的雨刮器控制方法及系统进行详细描述。

图1为本公开实施例提供的一种雨刮器控制方法的流程图，如图1所示，该雨刮器控制方法包括：

步骤S1、获取用户的当前特征数据，当前特征数据包括当前行车数据及对应的当前环境数据。

在本公开实施例中，当前行车数据包括当前车速，当前环境数据包括当前降雨量、当前雾度、当前湿度中任意一种或组合。在一些实施例中，当前环境数据还包括当前风速、当前光照强度中的任意一种或组合。

在本公开实施例中，用户驾驶的车辆上安装有多个当前特征数据采集装置，多个当前特征数据采集装置包括车速采集装置、降雨量采集装置、湿度采集装置、雾度采集装置。在一些实施例中，多个当前特征数据采集装置还可以包括光照采集装置和风速采集装置。例如，以上采集装置以传感器的形式设置。

其中，车辆上的车速采集装置用于采集车辆的当前车速，降雨量采集装置用于采集车辆当前所处环境的当前降雨量，湿度采集装置用于采集车辆当前所处环境的当前湿度，雾度采集装置用于采集车辆当前所处环境的当前雾度，光照采集装置用于采集车辆当前所处环境的当前光照强度，风速采集装置用于采集车辆当前所处环境的当前风速。

在本公开实施例中，雨刮器控制方法可基于车辆中的行车电脑实现，还可以基于其他设备、终端或者系统实现。在本公开实施例中，各采集装置可以按照预设时间间隔采集相应数据，并上传至行车电脑。

在本公开实施例中，步骤S1之前还包括：

步骤S001、获取当前环境数据。

其中，当前环境数据与前述当前环境数据相同，具体可参见前述的描述。

步骤S002、根据当前环境数据判断当前环境是否属于雨刮器应开启的环境。

一般而言，雨刮器通常在降雨、雾度大、湿度大等导致挡风玻璃能见度低、模糊的环境下开启，在步骤S002中，通过采集车辆当前所处环境的当前环境数据来判断车辆当前的环境是否属于雨刮器应开启的环境(例如降雨环境、大雾环境等)。当判断出当前环境属于雨刮器应开启的环境时，则执行步骤S1，否则，结束流程。当判断出雨刮器应开启的环境时，表明车辆雨刮器需要开启，故执行步骤S1，否则，表明当前车辆所处的环境下无需开启雨刮器，故结束流程。

步骤S2、将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位。

其中，当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系。在本公开实施例中，在步骤S2中，基于预设的当前雨刮器分类模型，根据当前特征数据确定当前特征数据所属的特征数据范围，从而基于预设的特征数据范围与雨刮器的速度档位的对应关系确定出该特征数据范围所对应的速度档位，即该当前特征数据对应的雨刮器的速度档位。

图2为步骤S2中的当前雨刮器分类模型的一种训练流程图，如图2所示，在一些实施例中，在步骤S1之前，预设的当前雨刮器分类模型可通过以下训练方法进行训练：

步骤S011、获取特定用户群体的第一历史样本数据集，第一历史样本数据集包括第一设定数量个第一历史特征数据及其对应的第一历史速度档位，每个第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据。

在本公开实施例中，第一历史行车数据包括第一历史车速和雨刮器的第一历史速度档位，第一历史环境数据包括第一历史降雨量、第一历史雾度、第一历史湿度中任意一种或组合。在一些实施例中，第一历史环境数据还包括第一历史风速、第一历史光照强度中的任意一种或组合。

具体而言，特定用户群体中每个用户所驾驶的车辆上均安装有多个历史特征数据采集装置，该多个历史特征数据采集装置包括但不限于车速采集装置、降雨量采集装置、湿度采集装置、雾度采集装置、光照采集装置、风速采集装置和雨刮器控制装置，其中，车速采集装置用于采集对应车辆的第一历史车速，雨刮器控制装置用于采集对应车辆的雨刮器的第一历史速度档位，降雨量采集装置用于采集对应车辆所处环境的第一历史降雨量，雾度采集装置用于采集对应车辆所处环境的第一历史雾度，湿度采集装置用于采集对应车辆所处环境的第一历史湿度，风速采集装置用于采集对应车辆所处环境的第一历史风速，光照采集装置用于采集对应车辆所处环境的第一历史光照强度。

例如，上述数据的采集工作可以选择针对某一地区(例如降雨较频繁的地区)，针对某一特定用户群体(例如，一定性别、一定年龄范围、使用一定车型的用户群体)，进行预定数量个(例如10个)雨天环境的数据采集。例如，针对特定用户群体中的用户A，采集用户A在某一个下雨天气时的第一历史特征数据，第一历史特征数据包括用户A在该下雨天驾车时车辆的第一历史行车数据及该车辆所处环境的第一历史环境数据，并采集用户A所开启的雨刮器的第一历史速度档位。其中，每个第一历史特征数据(含第一历史行车数据及对应的第一历史环境数据)及对应的第一历史速度档位作为一组有效的第一历史特征数据。经过10个雨天环境的数据采集工作后，对所有采集的数据进行预处理和清洗，当有效的第一历史特征数据的数量达到第一设定数量个时，执行步骤S012，例如第一设定数量为1000或者2000等，具体可根据实际情况而定。

步骤S012、采用预设聚类算法，对第一设定数量个第一历史特征数据进行聚类，生成第二设定数量个第一簇，每个第一簇包括至少一个第一历史特征数据。

图3为图2中步骤S012的一种具体实施方式的流程图，如图3所示，在一些实施例中，步骤S012包括：

步骤S012A、设置聚类簇数K＝第二设定数量。

其中，第二设定数量K可以根据实际雨刮器的速度档位的数进行设定，例如，车辆出厂时，雨刮器具有4个速度档位，则将第二设定数量K设置为4。为了最终的雨刮器分类模型的准确输出，第二设定数量K还可以设置为更大的数，例如，10或者15。在本公开实施例中，对于第二设定数量K的具体值不作限制，可以根据实际需求设定。

步骤S012B、从第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中随机选择第二设定数量K个第一历史特征数据作为第二设定数量K个当前均值向量{μ₁，μ₂，μ₃，…μ_K}。

其中，D表示第一历史样本数据集，X_m表示第m个第一历史特征数据，μ_K表示第K个当前均值向量。在确定聚类簇数K后，从第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中随机选择第二设定数量K个第一历史特征数据作为第二设定数量K个当前均值向量{μ₁，μ₂，μ₃，…，μ_K}。其中，由于所选择的K个当前均值向量对最后的聚类结果和运行时间都有很大的影响，因此一般而言，所选择的K个当前均值向量中，任意两个当前均值向量需要具有一定差距，例如，假设每个当前均值向量为二维坐标系中的一个点，则任意两个点之间需要有一定的距离。

步骤S012C、将第一簇划分初始化为

其中，

表示空集，i＝1，2，…，K。

不难理解，在本公开实施例中，聚类簇数为K个，即第一簇的数量自然也为K，

可以理解为，在未进行聚类分析之前，每个第一簇，初始时均为空集，即

可以理解的是，第一簇C_i对应的当前均值向量为μ_i，例如，第一簇C₁对应的当前均值向量为μ₁，第一簇C₂对应的当前均值向量为μ₂，第一簇C₃对应的当前均值向量为μ₃，依次类推。

步骤S012D、令j＝0，j≤m，m等于第一设定数量。

步骤S012E、将j进行加1处理。

步骤S012F、分别计算第一历史特征数据X_j与各个当前均值向量μ_i的距离d_ji，其中，

例如，j＝1，针对X₁，根据公式：

其中i＝1，2，…，K，分别计算出X₁与当前均值向量μ₁的距离d₁₁，X₁与当前均值向量μ₂的距离d₁₂，X₁与当前均值向量μ₃的距离d₁₃，…，X₁与当前均值向量μ_K的距离d_1k。

步骤S012G、根据距离第一历史特征数据X_j最近的当前均值向量确定第一历史特征数据X_j的簇标记λ_j，其中，λ_j＝argmin_{i∈{1，2，3...，K}}d_ji。

在步骤S012G中，针对当前j和当前X_j，基于计算出的X_j与当前均值向量μ₁的距离d_j1，X_j与当前均值向量μ₂的距离d_j2，X_j与当前均值向量μ₃的距离d_j3，…，X_j与当前均值向量μ_K的距离d_jK，确定出距离X_j最近的当前均值向量μ_i，根据该当前均值向量μ_i确定X_j的簇标记λ_j，其中，λ_j＝i。例如，j＝1，针对X₁，计算出的d₁₁，d₁₂，d₁₃，…，d_1K中，d₁₃最小，则d₁₃对应的当前均值向量为μ₃，即μ₃为距离X₁最近的当前均值向量，则确定出X₁的簇标记为λ_j＝3。

步骤S012H、将第一历史特征数据X_j划入相应的第一簇

例如，j＝1，针对X₁，当确定出X₁的簇标记λ_j＝3时，则将X₁划入相应的第一簇C₃，此时，第一簇C₃由空集变成C₃＝{X1}。

步骤S012I、判断当前j是否大于或等于m，若否，则跳转至步骤S012E，若是，则执行步骤S012J。

当判断出当前j大于或等于m时，表明当前针对第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中的所有第一历史特征数据，已完成一次聚类，故执行步骤S012J，以更新当前均值向量。当判断出当前j小于m时，表明当前针对第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中的所有第一历史特征数据，还未完成一次聚类，故重复执行步骤S012E，以对下一个第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中的下一个第一历史特征数据进行聚类。

步骤012J、针对每个当前第一簇C_i，根据该当前第一簇C_i中所有的第一历史特征数据，计算出该当前第一簇C_i对应的新的均值向量μ′_i，其中，

其中，C_i表示该当前第一簇，|C_i|表示该当前第一簇C_i中的第一历史特征数据的总数量，X表示该当前第一簇C_i中的第一历史特征数据。在步骤S012J中，针对每个当前第一簇C_i，将该当前第一簇C_i中所有的第一历史特征数据X进行求和，并将求和结果

除以该该当前第一簇C_i中的第一历史特征数据的总数|C_i|，得到该当前第一簇C_i对应的新的均值向量μ′_i。

例如，假设第一簇C₁包括3个第一历史特征数据X₁、X₂、X₃，则第一簇C₁对应的新的均值向量

依此类推，采用公式

依次计算出第一簇C₂对应的新的均值向量μ′₂，第一簇C₃对应的新的均值向量μ′₃，…，第一簇CK对应的新的均值向量μ′_K。

步骤S012K、依次判断每个新的均值向量μ′_i是否等于对应的所述当前均值向量μ_i，若均判断为是，则执行步骤S012L，否则，以新的均值向量μ′_i作为对应的当前均值向量μ_i并执行步骤S012D。

不难理解，在未执行步骤012J之前，当前第一簇C_i对应的当前均值向量为μ_i，在执行步骤012J之后，当前第一簇C_i对应的当前均值向量为μ′_i。

在步骤S012K中，将K个新的均值向量μ′_i与K个当前均值向量μ_i一一对应比较，当比较结果均为相同时，即判断出所有的当前第一簇C_i对应的当前均值向量μ_i都没有发生变化，则执行步骤S012L，输出当前第一簇划分C；否则，判断出K个当前均值向量μ_i中，至少部分当前均值向量μ_i发生变化，因此，以新的均值向量μ′_i作为对应的当前均值向量μ_i，即将当前K个当前均值向量μ_i更新为K个新的均值向量μ′_i，并执行步骤S012D，继续进行下一轮聚类，直至K个当前均值向量μ_i不再发生变化，即聚类结果保持不变。

步骤S012L、输出当前第一簇划分C＝{C₁，C₂，C₃，…，C_K}。

其中，C₁，C₂，C₃，…，C_K表示K个第一簇，每个第一簇中包括至少一个第一历史特征数据。

步骤S013、针对每个第一簇，根据该第一簇中的所有第一特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位。

在一些实施例中，步骤S013包括：针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

例如，针对第一簇C₁，假设该第一簇C₁包括第一历史特征数据X₁、第一历史特征数据X₂、第一历史特征数据X₃、第一历史特征数据X₄、第一历史特征数据X₅、第一历史特征数据X₆、第一历史特征数据X₇和第一历史特征数据X₈，其中，第一历史特征数据X₁对应的第一历史速度档位为S1，第一历史特征数据X₂对应的第一历史速度档位为S1，第一历史特征数据X₃对应的第一历史速度档位为S1，第一历史特征数据X₄对应的第一历史速度档位为S2，第一历史特征数据X₅对应的第一历史速度档位为S1，第一历史特征数据X₆对应的第一历史速度档位为S3，第一历史特征数据X₇对应的第一历史速度档位为S1，第一历史特征数据X₈对应的第一历史速度档位为S1。可见，第一历史速度档位为S1出现的次数最多，则将该第一历史速度档位为S1作为该第一簇C₁对应的速度档位。

图4为图2中步骤S013的一种具体实施方式的流程图，如图4所示，在一些实施例中，步骤S013包括：

步骤S013A、针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果。

例如，雨刮器的速度档位包括1档、2档、3档和4档，针对第一簇C₁，第一簇C₁中的所有第一历史特征数据对应的第一历史速度档位分别为2、3、3、3、3、3、3、3、3、4，则将该第一簇C₁中的所有第一历史特征数据对应的第一历史速度档位进行求和的求和结果为2+3+3+3+3+3+3+3+3+4＝30。

步骤S013B、针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

在步骤S013B中，当求和结果为第一历史特征数据的总数量的倍数时，该对应的求和结果除以该第一簇中的第一历史特征数据的总数量的结果即为该第一簇对应的速度档位。例如，假设上述步骤S013A中计算出的第一簇C₁对应的求和结果为30，该第一簇C₁中的所有第一历史特征数据的总数量为10，则该对应的求和结果除以该第一簇中的第一历史特征数据的总数量的结果为30/10＝3，即该第一簇对应的速度档位为3。

在步骤S013B中，当求和结果不为第一历史特征数据的总数量的倍数时，按照“四舍五入”原则，对该对应的求和结果除以该第一簇中的第一历史特征数据的总数量的结果进行取整，取整结果即为该第一簇对应的速度档位。例如，假设上述步骤S013A中计算出的第一簇C₁对应的求和结果为36，该第一簇C₁中的所有第一历史特征数据的总数量为10，则该对应的求和结果36除以该第一簇中的第一历史特征数据的总数量10的结果为36/10＝3.6，按照四舍五入原则对该结果进行取整，得到的取整结果为4，即该第一簇对应的速度档位为4。

步骤S014、根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型。

图5为图2中步骤S014的一种具体实施方式的流程图，如图5所示，在一些实施例中，步骤S014包括：

步骤S014A、针对每个第一簇，根据该第一簇中所有的第一历史特征数据，确定出该第一簇对应的特征数据范围。

在一些实施例中，针对每个第一簇，根据该第一簇中所有的第一历史特征数据中，以最小的第一历史特征数据作为该第一簇对应的特征数据范围的最小值，以最大的第一历史特征数据作为该第一簇对应的特征数据范围的最大值，从而确定出该第一簇对应的特征数据范围。

步骤S014B、基于每个第一簇对应的特征数据范围及对应的速度档位，建立各特征数据范围与速度档位的对应关系。

在确定出各第一簇对应的特征数据范围后，基于每个第一簇对应的特征数据范围及对应的速度档位，生成各特征数据范围与速度档位的对应关系。换言之，每个第一簇对应一个特征数据范围与速度档位的对应关系。

例如，针对第一簇C₁，假设第一簇C₁对应的速度档位为S1，第一簇C₁包括的所有第一历史特征数据中，第一历史特征数据X₁最小，第一历史特征数据X₁₀₀最大，则该第一簇C₁对应的特征数据范围为X₁至X₁₀₀(含X₁和X₁₀₀)，那么该第一簇C₁对应的特征数据范围与速度档位的对应关系为：X₁至X₁₀₀与S1的对应关系。依此类推，可以理解，当某一个特征数据X属于X₁至X₁₀₀的范围时，则该特征数据X对应的雨刮器的速度档位即为S1。

步骤S014C、根据各特征数据范围与速度档位的对应关系，生成所述特定用户群体对应的雨刮器分类模型。

其中，该雨刮器分类模型的输入变量为特征数据，输出变量为速度档位，雨刮器分类模型包括各特征数据范围与速度档位的对应关系。

步骤S015、若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型。

在一些应用中，对于汽车生产厂商而言，其拥有海量的用户使用数据，汽车厂商可以通过上述步骤S011至步骤S015所示的雨刮器分类模型的训练方法，可以针对特定用户群体，训练出适合的用于实现雨刮器自动控制的参数(雨刮器分类模型)，作为其生产的汽车出厂时的缺省值，保存在至汽车的行车电脑中。例如，A厂针对上海地区使用其生产的B款车的25-35岁男性用户，A厂的后台系统可以通过采集该特定用户群体的第一历史样本数据集，并采用上述步骤S011至步骤S015的训练方法，训练出B款车的一组相应的参数C，而用户小王作为上海地区25-35岁男性，刚购买了B款车，则用户小王的汽车的行车电脑可以直接使用参数C控制雨刮器。此种情况下，可以理解，上述步骤S011至步骤S015可以基于汽车厂商的后台系统实现。

在一些应用中，用户小王的汽车的行车电脑还可以通过A厂的后台系统，获取特定用户群体的第一历史样本数据集，并采用上述步骤S011至步骤S015的训练方法，训练出适用于本车的雨刮器分类模型。此种情况下，可以理解，上述步骤S011至步骤S015也可以基于用户的汽车的行车电脑实现。

图6为步骤S2中的当前雨刮器分类模型的另一种训练流程图，如图6所示，在一些实施例中，在步骤S1之前，预设的当前雨刮器分类模型还可通过以下训练方法进行训练：

步骤S021、获取用户的第二历史样本数据集，第二历史样本数据集包括第三设定数量个第二历史特征数据及其对应的第二历史速度档位，每个第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据。

以前述小王为例，当前述小王使用一段时间后，如果觉得参数C不能满足其个性化需求，则可向行车电脑提出训练个性化参数D的需求。此时，参数D(雨刮器分类模型)训练初期需要在雨季天气驾车时密集采集样本数据。

在本公开实施例中，第二历史行车数据包括第二历史车速和雨刮器的第二历史速度档位，第二历史环境数据包括第二历史降雨量、第二历史雾度、第二历史湿度中任意一种或组合。在一些实施例中，第二历史环境数据还包括第二历史风速、第二历史光照强度中的任意一种或组合。

具体而言，用户小王所驾驶的车辆上安装有多个历史特征数据采集装置，该多个历史特征数据采集装置包括但不限于车速采集装置、降雨量采集装置、湿度采集装置、雾度采集装置、光照采集装置、风速采集装置和雨刮器控制装置，其中，车速采集装置用于采集对应车辆的第二历史车速，雨刮器控制装置用于采集对应车辆的雨刮器的第二历史速度档位，降雨量采集装置用于采集对应车辆所处环境的第二历史降雨量，雾度采集装置用于采集对应车辆所处环境的第二历史雾度，湿度采集装置用于采集对应车辆所处环境的第二历史湿度，风速采集装置用于采集对应车辆所处环境的第二历史风速，光照采集装置用于采集对应车辆所处环境的第二历史光照强度。

上述数据的采集工作可以按照设定时间间隔(如2分钟)进行，也可以按照事件触发，事件包括但不限于：雨刮器换挡、车速超过一定门限、光照低于一定门限等。其中，每个第二历史特征数据(含第二历史行车数据及对应的第二历史环境数据)及对应的第二历史速度档位作为一组有效的第二历史特征数据。针对用户小王所驾驶的车辆，经过预定数量个(例如10个)雨天环境的数据采集后，对所有采集的数据进行预处理和清洗，当有效的第二历史特征数据的数量达到第三设定数量个时，执行步骤S022及后续步骤，例如第三设定数量为1000或者2000等，具体可根据实际情况而定，从而训练用户小王所需的个性化参数D(雨刮器分类模型)。

步骤S022、采用预设聚类算法，对第三设定数量个第二历史特征数据进行聚类，生成第四设定数量个第二簇，每个第二簇包括至少一个第二历史特征数据。

在一些实施例中，步骤S022可以采用上述步骤S012的具体实施方式实现，关于步骤S022的具体实施方式具体可参照上述步骤S012的具体实施方式(即步骤S012A至步骤S012L)的描述，只要将步骤S012的具体实施方式中，“第一历史样本数据集”替换为“第二历史样本数据集”，“第一历史特征数据”替换为“第二历史特征数据”，“第二设定数量”替换为“第四设定数量”，“第一设定数量”替换为“第三设定数量”，“第一簇”替换为“第二簇”，即可，此处不再赘述。

步骤S023、针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位。

在一些实施例中，步骤S023包括：针对每个第二簇，将该第二簇中的所有第二历史特征数据对应的第二历史速度档位中，出现次数最多的第二历史速度档位确定为该第二簇对应的速度档位。

关于步骤S023的具体描述可参照上述对步骤S013的描述，只要将步骤S013的具体实施方式中，“第一历史样本数据集”替换为“第二历史样本数据集”，“第一历史特征数据”替换为“第二历史特征数据”，“第二设定数量”替换为“第四设定数量”，“第一设定数量”替换为“第三设定数量”，“第一簇”替换为“第二簇”，即可，此处不再赘述。

步骤S024、根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

图7为图6中步骤S024的一种具体实施方式的流程图，如图7所示，在一些实施例中，步骤S024包括：

步骤S024A、针对每个第二簇，根据该第二簇中所有的第二历史特征数据，确定出该第二簇对应的特征数据范围。

在一些实施例中，针对每个第二簇，根据该第二簇中所有的第二历史特征数据中，以最小的第二历史特征数据作为该第二簇对应的特征数据范围的最小值，以最大的第二历史特征数据作为该第二簇对应的特征数据范围的最大值，从而确定出该第二簇对应的特征数据范围。

步骤S024B、基于每个第二簇对应的特征数据范围及对应的速度档位，建立各特征数据范围与速度档位的对应关系。

在确定出各第二簇对应的特征数据范围后，基于每个第二簇对应的特征数据范围及对应的速度档位，生成各特征数据范围与速度档位的对应关系。换言之，每个第二簇对应一个特征数据范围与速度档位的对应关系。

步骤S024C、根据各特征数据范围与速度档位的对应关系，生成所述用户对应的当前雨刮器分类模型。

其中，该当前雨刮器分类模型的输入变量为特征数据，输出变量为速度档位，当前雨刮器分类模型包括各特征数据范围与速度档位的对应关系。

在步骤S024中，其具体实施方式可参照上述对步骤S014的描述，只要将步骤S014的具体实施方式中，“第一历史样本数据集”替换为“第二历史样本数据集”，“第一历史特征数据”替换为“第二历史特征数据”，“第二设定数量”替换为“第四设定数量”，“第一设定数量”替换为“第三设定数量”，“第一簇”替换为“第二簇”，即可，此处不再赘述。

步骤S3、根据雨刮器的当前速度档位，控制雨刮器以当前速度档位进行工作。

在本公开实施例中，行车电脑基于当前特征数据和预设的当前雨刮器分类模型，得到当前速度档位后，根据雨刮器的当前速度档位，控制雨刮器以当前速度档位进行工作。

本公开实施例所提供的雨刮器控制方法，主要适用于降雨较多较频繁的地区，如中国南方绝大多数地区，年均降雨天数在100天以上的地区。对降雨天数较少甚至常年不降雨的地区，雨刮器的使用机会稀少，手工使用雨刮器即可。

本公开实施例所提供的雨刮器控制方法，通过结合下雨天气、雾天、湿度较大情况时特定用户群体使用雨刮器的习惯或者车主自身使用雨刮器的习惯，对特定用户群体或者车主自身使用雨刮器的数据(第一历史特征数据、第二历史特征数据)进行聚类分析，根据聚类结果将每个簇定义为一个类，然后再基于这些簇的成员和每个簇对应的速度档位，训练出雨刮器分类模型。当下雨或者下雾时，用户无需手动调整控制雨刮器工作，行车电脑即可基于预设的雨刮器分类模型和采集的当前特征数据，得到雨刮器的当前速度档位，并自动调整控制雨刮器以该符合用户习惯的当前速度档位进行工作，从而扩大车主视线可见范围，有利于行车安全。

本公开实施例所提供的雨刮器控制方法的技术方案中，基于预先训练好的当前雨刮器分类模型，当下雨时或者大雾天气时，采集用户的当前特征数据，输入至预设的的当前雨刮器分类模型，从而获得符合用户的当前特征数据的雨刮器的当前速度档位，并控制雨刮器以当前速度档位进行工作，无需用户手动操作雨刮器，从而能够便于用户行车，不影响用户视线可见范围及用户注意力，有利于用户行车安全。

图8为本公开实施例提供的一种雨刮器控制系统的结构示意图，如图8所示，该雨刮器控制系统包括数据获取模块21、数据处理模块22和控制模块23。

其中，数据获取模块21用于获取用户的当前特征数据，当前特征数据包括当前行车数据及对应的当前环境数据；数据处理模块22用于将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；控制模块23用于根据雨刮器的当前速度档位，控制雨刮器以当前速度档位进行工作。

在一些实施例中，该雨刮器控制系统还包括模型训练模块24，模型训练模块24用于执行如下步骤：

步骤S011、获取特定用户群体的第一历史样本数据集，所述第一历史样本数据集包括第一设定数量个第一历史特征数据及其对应的第一历史速度档位，每个所述第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据；

步骤S012、采用预设聚类算法，对所述第一设定数量个第一历史特征数据进行聚类，生成第二设定数量个第一簇，每个第一簇包括至少一个第一历史特征数据；

步骤S013、针对每个第一簇，根据该第一簇中的所有第一历史特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位；

步骤S014、根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型；

步骤S015、若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型。

在一些实施例中，模型训练模块24具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

在一些实施例中，模型训练模块24具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果；针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

在一些实施例中，模型训练模块24用于执行如下步骤：

步骤S021、获取所述用户的第二历史样本数据集，所述第二历史样本数据集包括第三设定数量个第二历史特征数据及其对应的第二历史速度档位，每个所述第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据；

步骤S022、采用预设聚类算法，对所述第三设定数量个第二历史特征数据进行聚类，生成第四设定数量个第二簇，每个第二簇包括至少一个第二历史特征数据；

步骤S023、针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位；

步骤S024、根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

在一些实施例中，雨刮器控制系统包括行车电脑，行车电脑包括前述数据获取模块21、数据处理模块22和控制模块23。

在一些实施例中，行车电脑还包括模型训练模块24。在一些实施例中，模型训练模块24可以为汽车厂商的后台系统，在训练出用户所需模型后，将模型保存于用户车辆的行车电脑中。

本公开实施例所提供的雨刮器控制系统的技术方案中，基于预先训练好的当前雨刮器分类模型，当下雨时或者大雾天气时，采集用户的当前特征数据，输入至预设的的当前雨刮器分类模型，从而获得符合用户的当前特征数据的雨刮器的当前速度档位，并控制雨刮器以当前速度档位进行工作，无需用户手动操作雨刮器，从而能够便于用户行车，不影响用户视线可见范围及用户注意力，有利于用户行车安全。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (8)

1.一种雨刮器控制方法，其特征在于，包括：

步骤S1、获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；

步骤S2、将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；

步骤S3、根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作；

所述步骤S1之前还包括：

步骤S011、获取特定用户群体的第一历史样本数据集，所述第一历史样本数据集包括第一历史特征数据及其对应的第一历史速度档位，所述第一历史特征数据的数量为第一设定数量，每个所述第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据；

步骤S012、采用预设聚类算法，对所述第一设定数量个第一历史特征数据进行聚类，生成第一簇，所述第一簇的数量为第二设定数量，每个第一簇包括至少一个第一历史特征数据；

步骤S013、针对每个第一簇，根据该第一簇中的所有第一历史特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位；

步骤S014、根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型；

步骤S015、若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型。

2.根据权利要求1所述的雨刮器控制方法，其特征在于，所述步骤S012包括：

步骤S012A、设置聚类簇数K＝第二设定数量；

步骤S012B、从第一历史样本数据集D＝{X₁，X₂，X₃，…，X_m}中随机选择第二设定数量K个第一历史特征数据作为第二设定数量K个当前均值向量{μ₁，μ₂，μ₃，…μ_K}，其中，D表示第一历史样本数据集，X_m表示第m个第一历史特征数据，μ_K表示第K个当前均值向量；

步骤S012C、将第一簇划分初始化为

其中，

表示空集，i＝1，2，…，K；

步骤S012D、令j＝0，j≤m，m等于第一设定数量；

步骤S012E、将j进行加1处理；

步骤S012F、分别计算第一历史特征数据X_j与各个当前均值向量μ_i的距离d_ji，其中，

步骤S012G、根据距离第一历史特征数据X_j最近的当前均值向量确定第一历史特征数据X_j的簇标记λ_j，其中，λ_j＝argmin_{i∈{1，2，3...，K}}d_ji；

步骤S012H、将第一历史特征数据X_j划入相应的第一簇

步骤S012I、判断当前j是否大于或等于m，若否，则跳转至步骤S012E，若是，则执行步骤S012J；

步骤012J、针对每个当前第一簇C_i，根据该当前第一簇C_i中所有的第一历史特征数据，计算出该当前第一簇C_i对应的新的均值向量μ′_i，其中，

其中，C_i表示该当前第一簇，|C_i|表示该当前第一簇C_i中的第一历史特征数据的总数量，X表示该当前第一簇C_i中的第一历史特征数据；

步骤S012K、依次判断每个新的均值向量μ′_i是否等于对应的所述当前均值向量μ_i，若均判断为是，则执行步骤S012L，否则，以新的均值向量μ′_i作为对应的当前均值向量μ_i并执行步骤S012D；

步骤S012L、输出当前第一簇划分C＝{C₁，C₂，C₃，…，C_K}。

3.根据权利要求1所述的雨刮器控制方法，其特征在于，所述步骤S013包括：针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

4.根据权利要求1所述的雨刮器控制方法，其特征在于，所述步骤S013包括：

步骤S013A、针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果；

步骤S013B、针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

5.一种雨刮器控制方法，其特征在于，包括：

步骤S1、获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；

步骤S2、将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；

步骤S3、根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作；

所述步骤S1之前还包括：

步骤S021、获取所述用户的第二历史样本数据集，所述第二历史样本数据集包括第二历史特征数据及其对应的第二历史速度档位，所述第二历史特征数据的数量为第三设定数量，每个所述第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据；

步骤S022、采用预设聚类算法，对所述第三设定数量个第二历史特征数据进行聚类，生成第二簇，所述第二簇的数量为第四设定数量，每个第二簇包括至少一个第二历史特征数据；

步骤S023、针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位；

步骤S024、根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

6.一种雨刮器控制系统，其特征在于，包括数据获取模块、数据处理模块和控制模块；

其中，所述数据获取模块用于获取用户的当前特征数据，所述当前特征数据包括当前行车数据及对应的当前环境数据；

所述数据处理模块用于将当前特征数据输入预设的当前雨刮器分类模型，得到雨刮器的当前速度档位，所述当前雨刮器分类模型包括各预设的特征数据范围与雨刮器的速度档位的对应关系；

所述控制模块用于根据雨刮器的当前速度档位，控制雨刮器以所述当前速度档位进行工作；

所述系统还包括模型训练模块，所述模型训练模块用于执行如下步骤：

获取特定用户群体的第一历史样本数据集，所述第一历史样本数据集包括第一历史特征数据及其对应的第一历史速度档位，所述第一历史特征数据的数量为第一设定数量，每个所述第一历史特征数据包括第一历史行车数据和对应的第一历史环境数据；

采用预设聚类算法，对所述第一设定数量个第一历史特征数据进行聚类，生成第一簇，所述第一簇的数量为第二设定数量，每个第一簇包括至少一个第一历史特征数据；

针对每个第一簇，根据该第一簇中的所有第一历史特征数据对应的第一历史速度档位，确定出该第一簇对应的速度档位；

根据每个第一簇对应的速度档位及该第一簇中所有的第一历史特征数据，生成所述特定用户群体对应的雨刮器分类模型；

若所述用户属于该特定用户群体，则将所述特定用户群体对应的雨刮器分类模型作为该用户对应的当前雨刮器分类模型；

或者，

所述模型训练模块用于执行如下步骤：

获取所述用户的第二历史样本数据集，所述第二历史样本数据集包括第二历史特征数据及其对应的第二历史速度档位，所述第二历史特征数据的数量为第三设定数量，每个所述第二历史特征数据包括第二历史行车数据和对应的第二历史环境数据；

采用预设聚类算法，对所述第三设定数量个第二历史特征数据进行聚类，生成第二簇，所述第二簇的数量为第四设定数量，每个第二簇包括至少一个第二历史特征数据；

针对每个第二簇，根据该第二簇中的所有第二历史特征数据对应的第二历史速度档位，确定出该第二簇对应的速度档位；

根据每个第二簇对应的速度档位及该第二簇中所有的第二历史特征数据，生成所述用户对应的当前雨刮器分类模型。

7.根据权利要求6所述的雨刮器控制系统，其特征在于，所述模型训练模块具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位中，出现次数最多的第一历史速度档位确定为该第一簇对应的速度档位。

8.根据权利要求6所述的雨刮器控制系统，其特征在于，所述模型训练模块具体用于针对每个第一簇，将该第一簇中的所有第一历史特征数据对应的第一历史速度档位进行求和，得到对应的求和结果；针对每个第一簇，基于将对应的求和结果除以该第一簇中的第一历史特征数据的总数量得到的结果，得到该第一簇对应的速度档位。

Images