CN110293818A - 车载空调控制方法和装置 - Google Patents

Abstract

本文描述了车载空调的控制方法和装置。该方法包括：获取车辆的实时数据；根据车辆的实时数据和环境数据确定车载空调设置；根据预定条件修正车载空调设置；以及基于修正后的车载空调设置控制车载空调。

Description

车载空调控制方法和装置

技术领域

本公开涉及车联网的技术领域，具体涉及基于学习模型和预定条件的车载空调控制方法和装置。

背景技术

车载空调是当下汽车电子中不可或缺的一部分，并且随着车联网的普及，越来越多的汽车将传感器数据上传到云端。现有的车载空调控制算法仅依赖传感器所采集的环境数据和内置规则，针对不同驾驶人员的反馈几乎相同。然而，每个人对于温度的要求是不同的，例如在相同环境因素下，体重较重的驾驶员可能会比较轻的驾驶员需要更低的空调温度设置。当前车载空调大体上通过传感器收集的温度等数据，结合预先设定的各项指标对空调进行自动控制，无法实现智能控制。

发明内容

有鉴于此，本公开提供了一种基于学习模型和预定条件的车载空调控制方法和装置。

根据本公开的第一方面，提供了一种车载空调的控制方法，包括：获取车辆的实时数据；根据车辆的实时数据和环境数据确定车载空调设置；根据预定条件修正车载空调设置；以及基于修正后的车载空调设置控制车载空调。

在一些实施例中，预定条件包括车辆实时数据和/或环境数据与车载空调的设置之间的对应关系的集合。

在一些实施例中，对应关系包括下述项中的一个或多个：在车辆实时数据指示车辆正在启动时，车载空调设置为外循环；在环境数据指示细颗粒物PM 2.5大于预定阈值时，车载空调设置为内循环；在车辆实时数据指示车辆行驶缓慢时，车载空调设置为内循环；以及在车辆实时数据指示车载空调处于制冷模式时，车载空调设置为风向向上并保持预定时间段。

在一些实施例中，环境数据包括车辆自采环境数据和不同于车辆终端的第三方环境数据中的至少一种。

在一些实施例中，根据车辆的实时数据和环境数据确定车载空调设置包括：基于车辆离线数据和相对应的离线环境数据训练学习模型，并根据学习模型和车载实时数据、环境数据来确定车载空调设置。

在一些实施例中，经预先训练的学习模型预先基于车辆离线数据和相对应的离线环境数据以及用户先前针对空调设置的反馈进行训练。

在一些实施例中，环境数据包括地区、气温、空气质量、风力等级、空气湿度等中的一个或多个。

根据本公开的第二方面，提供了一种车载空调的控制方法，包括：获取车辆实时数据和相对应的环境数据；基于车辆实时数据和相对应的环境数据，利用经预先训练的学习模型对车载空调的设置进行预测；基于预定条件对车载空调的设置进行判断；以及向车载终端发送车载空调设置。

在一些实施例中，响应于接收来自车载终端的针对车载空调设置的请求进行对车载空调设置的预测。

根据本公开的第三方面，提供了一种车载空调的控制装置，包括：获取模块，获取车辆的实时数据；确定模块，根据车辆的实时数据和环境数据确定车载空调设置；修正模块，根据预定条件修正车载空调设置；以及控制模块，基于修正后的车载空调设置控制车载空调。

根据本公开的第四方面，提供了一种车载空调的控制装置，包括：获取模块，被配置为获取车辆实时数据和相对应的环境数据；预测模块，被配置为基于车辆实时数据和相对应的环境数据，利用经预先训练的学习模型对车载空调的设置进行预测；判断模块，被配置为基于预定条件对车载空调的设置进行判断；以及发送模块，被配置为向车载终端发送车载空调设置。

根据本公开的第五方面，提供了一种计算机程序指令的非瞬时性计算机可读介质，当由处理器执行计算机程序指令使处理器执行上述方面中的方法。

根据本公开的第六方面，提供了一种计算设备，包括处理器和其上存储计算机程序的存储器，计算机程序被配置成当在处理器上执行时使处理器执行上述方面中的方法。

根据下文描述的实施例，本公开的这些和其它优点将变得清楚，并且参考下文描述的实施例来阐明本公开的这些和其它优点。

本公开通过分析汽车上传至云端的数据，并结合外界温度、湿度、空气质量等环境数据以及基础人物画像数据等，建立学习模型，从车内温度、空调风力、空调风向、循环方式、空调模式等对人体影响较大的维度上对车载空调进行个性化设置，从而实现了根据用户习惯针对不同用户进行不同的个性化设置。经将经过学习模型训练后的空调设置结合预定条件进行验证和修改，进一步使得所得出的空调设置更符合预定条件。由此，本发明降低了手动调节空调的频率，提高了空调使用的智能性，并根据不同用户进行了个性化设置，引导用户正确使用车载空调。

附图说明

现在将更详细地并且参考附图来描述本公开的实施例，其中：

图1图示了根据本公开实施例的应用场景示意图；

图2a图示了根据本公开实施例的对车载空调进行控制的一种控制消息传递场景示意图；

图2b图示了根据本公开实施例的对车载空调进行控制的另一种控制消息传递场景示意图；

图3图示了根据本公开实施例的车载空调控制的架构示意图；

图4图示了根据本公开实施例的学习模型拓扑示意图；

图5图示了根据本公开实施例的预定条件的示意图；

图6图示了根据本公开实施例的车载空调控制方法的示意图；

图7图示了根据本公开实施例的车载空调控制装置的示意图；

图8图示了根据本公开另一实施例的车载空调控制方法的示意图；

图9图示了根据本公开另一实施例的车载空调控制装置的示意图；以及

图10图示了一个示例系统，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备。

具体实施方式

下面的说明提供用于充分理解和实施本公开的各种实施例的特定细节。本领域的技术人员应当理解，本公开的技术方案可以在没有这些细节中的一些的情况下被实施。在某些情况下，并没有示出或详细描述一些熟知的结构和功能，以避免不必要地使对本公开的实施例的描述模糊不清。在本公开中使用的术语以其最宽泛的合理方式来理解，即使其是结合本公开的特定实施例被使用的。

首先，对本公开的实施例中涉及的部分用语进行说明，以便于本领域技术人员理解：

车联网IOV：是以车内网、车载自组网和车载移动互联网为基础，依据特定通信协议和数据传输标准，通过车与一些事物（车、路、行人、家庭和因特网等）之间的互联互通。从而实现车辆和交通管理的智能化，以及为驾驶者提供动态信息服务的泛在网络。

T盒（T-Box）：车联网系统中的智能车载终端，直接与汽车CAN（CA控制器局域网络（Controller Area Network））总线通信，获取车身状态、车况信息，并将这些参数上传到TSP（汽车远程服务提供商）平台，也可以接收后台下发的指令，并回传执行结果。

Kafka：指的是一种分布式消息中间件，可用于服务间解耦和消息缓存。Kafka可以运行在单台服务器上，也可以在后台服务器上部署形成集群。其提供了发布和订阅功能，使用者可以将数据发送给Kafka，也可以从Kafka中读取数据以进行后续处理。Kafka具有高吞吐量、低延迟、高容错的特点。

HDFS：指的是Hadoop分布式文件系统，其是被设计为适合于在通用硬件上运行的分布式文件系统。HDFS具有高容错性的特点，并被设计用来部署在低廉的硬件上。它提供高吞吐量以访问应用程序的数据，适合具有超大数据集的应用程序。HDFS可以实现以流形式访问文件系统中的数据。

数据清洗：指的是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，以及提供数据的一致性。在本文中主要用于构建模型需要的输入矩阵，对汽车空调的开关选项进行数值化。

特征工程：本质是一项工程活动，其目的是最大限度从原始数据中提取特征以供算法和模型使用。特征工程指的是从原始数据转换为特征向量的过程。

Spark Streaming：一种开源的分布式流处理框架，可以用于伪实时计算。

Tensor Flow：是谷歌提出的一种基于数据流编程的深度学习框架，广泛应用于各种类型的机器学习算法的编程实现中。

VIN码：车辆识别号码或车架号码，是一组由英数组成的、用于汽车上的一组独一无二的号码，可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。

图1图示了根据本公开实施例的一种应用场景100的示意图。在对联网的机动车的车载空调进行控制的情况下，如101所指示的，机动车的车载终端（例如，T盒）将车辆数据（例如，空调数据）上报给云端。如102所指示的，云端利用经预先训练的学习模型计算出当前空调的各设置选项。如103所指示的，云端将计算出的空调的各设置选项下发到机动车上的车载终端。如本领域技术人员所理解的，在另一种应用场景中，机动车的车载终端（例如，T盒）也可以获取车辆数据（例如，空调数据），并利用并入车载终端自身的经预先训练的学习模型计算出上述当前空调的各设置选项。然后由车载终端将计算出的空调的各设置选项发送给CAN总线以便对车载空调进行控制。

图2a图示了根据本公开实施例的对车载空调进行控制的控制消息传递示意图。具体地，云端利用来自车载终端的车辆数据和来自不同于车辆终端的第三方服务器的其他数据（诸如，天气数据和司机和/或乘客画像等）计算出空调设置值。云端然后将计算出的空调设置发送给车载终端（例如，T盒），车载终端将该空调设置消息传送给机动车的CAN总线201，进而对车载空调进行控制。在另一实施例中，如本领域技术人员应理解的，也可以由云端直接对车载空调进行控制。图2b图示了根据本公开实施例的对车载空调进行控制的另一种控制消息传递示意图。具体地，车载终端利用车辆数据和来自第三方服务器的其他数据（诸如，天气数据和司机和/或乘客画像等）计算出空调设置值。车载终端将该空调设置消息传送给机动车的CAN总线201，进而对车载空调进行控制。如本领域技术人员应理解的，来自不同于车辆终端的第三方服务器的数据也可以是由车辆终端自身采集的。比如，天气数据是由在车辆终端上安装的天气传感器自采的。

图3图示了根据本公开实施例的一种车载空调调节的架构示意图300。该对车载空调调节的架构主要涉及数据采集、数据清洗（包括特征工程）、学习模型训练和学习模型下发等。架构的整体工作流程如下：

首先，进行离线模型训练的数据采集和数据存储：通过机车端的采集程序定时地将车载空调的各项开关状态同步到云端的接收服务端。在一个实施例中，采用Kafka集群302来采集数据，Kafka集群302将接收的数据定时存入Hadoop集群HDFS 3073中。定时地（例如每日一次，原因在于车辆数据一般按日进行存储）将Kafka集群202的数据同步到HDFS集群HDFS 3073文件系统中。在一个实施例中，将数据存储为文本形式。在另一实施例中，对数据进行压缩，采用snappy或其他压缩算法，存储为parquet或其他文件格式，以减小存储成本。同时利用程序从第三方服务接口301定时获取各地的天气信息以及司机和/或乘客画像信息。在一个优选实施例中，精确到区一级（例如，北京市朝阳区）的天气，并存入不同主题的Kafka集群。如本领域技术人员应理解的，来自不同于车辆终端的第三方服务器的数据也可以是由车辆终端自身采集的。比如，天气数据是由在车辆终端上安装的天气传感器自采的。数据采样频率可以基于事件驱动或固定时间间隔采样一次（例如，时间间隔可以为1分钟，或其他固定时间间隔）。

接下来，借助分布式框架spark 3071清洗数据，提取出训练学习模型所需要的输入矩阵，以及对学习模型进行训练303以构建学习模型。数据清洗主要是用来构建学习模型所需要的输入矩阵，以针对空调开关选项进行数值化。例如表1中分类数据（例如空调型号、空调模式等）已经进行了一定的编码。例如右空调1表示开、0表示关。针对多个车辆的所有数据，需要以VIN码为主key，按照时间顺序排序。在一个实施例中，每5分钟存在一条记录。如果5分钟内，同一VIN码有多条数据，则以字段为维度，取该多条数据中出现次数最多的值作为该5分钟粒度的输出值（例如，同一VIN码的一个选项，上报了100条数据，其中80条为0，20条为1，则取该选项为0和1中出现次数较多的0）。

VIN码	空调型号	左空调	右空调	后空调	空调模式	空调温度	空调风量	其他数据
									ACBDF	0	0	1	1	0	16	5
ACGDH	1	0	0	1	1	20	3
									HSJHFU	0	0	1	1	2	25	2

表1 经数值化的空调开关选项示例。

根据VIN码找到该车辆的司机车主数据信息（即车主画像）和乘车人的相关信息（即乘客画像）。车主画像和乘客画像都属于用户画像的一种，用户画像又称用户角色，是一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像是通过若干项重要用户特征所勾勒的。表2示意性示出了在一个实施例中的车主画像和乘车人信息。如表2所示出的，车主画像主要包括性别、籍贯、常住地、年龄、乘客数等主要特征。在一个实施例中，乘客画像主要包括性别、籍贯、常住地、年龄等主要特征。如本领域技术人员所理解的，乘客的信息可以为空，在这种情况下仅获取车主画像即可。

性别

籍贯

常住地

年龄

乘客数

乘客信息

其他

M

广东深圳

深圳

35

0

……

……

F

浙江杭州

杭州

20

1

……

……

表2 车主数据信息和乘车人数据信息示例。

表3示意性示出了来自第三方服务接口的外界环境数据的信息。如本领域技术人员所理解的，除表中所示出的项目之外，还可以包括其他环境数据项目。此外，来自不同于车辆终端的第三方服务器的数据也可以是由车辆终端自身采集的。比如，天气数据是由在车辆终端上安装的天气传感器自采的。

气温

地区

空气质量

风力

空气湿度

PM 2.5

其他

25

温州

良

3F

90%

……

……

表3 外界环境数据的示例。

类似地，也需要对环境数据进行编码处理。环境数据包括分类数据和连续数据两种类型。例如空气质量优、良等为分类数据；温度、湿度等为连续数据。如本领域技术人员所理解的，也可以对连续数据进行离散化处理。最后，将上述空调开关选项数据、车主数据和乘车人数据以及外界环境数据进行合并处理，从而构成完整的学习模型的输入数据。所输出的是在时间序列上下一个时刻的数据。

然后，对学习模型进行训练。在一个实施例中，学习模型采用DNN结构，考虑到模型的输出是一组包含多种属性的向量，可以将它们看成多输入多输出模型。此外，学习模型采用除深度神经网络DNN之外的其他模型，如卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM等。

最后，进行线上预测：利用流处理框架，实时提取输入输出，并根据前一步骤中的离线模型进行空调设置的预测，以及将预测的结果存储在缓存中。线上模型的输入数据需要借助于流处理，例如Spark Streaming 303的计算框架按照每5分钟的粒度计算出模型需要的输入矩阵，进而预测下一时刻空调的各项数据。在一个实施例中，缓存可以为Redis或Mysql。结合环境因素和车载空调条件，调整输出值，并下发到车载终端306对空调进行智能调节。

图4示意性示出了根据本公开实施例的一种学习模型拓扑示意图。图4中首先利用融合层404对车辆数据401、基础人物画像数据402和环境数据403进行合并，经过共享参数层Dense 1的处理得到Dense 12、Dense 22和Dense 23。在一个实施例中，融合层404可以仅对车辆数据401和环境数据403进行合并，而不考虑基础人物画像数据402。通过学习模型得到输出1、输出2和输出3（这里所示的3项输出仅是示例性的，实际输出项与所设定的空调设置的维度相对应）。对于分类性数据（如空调型号、空调模式、性别、空气质量等），其损失函数选取交叉熵函数。对于连续数值数据的损失函数，选择均方误差函数MSE为损失函数。对各个损失函数加权，得到最终的损失函数为：

（1）。

如本领技术人员所理解的，在需要更强计算能力的情况下，通常需要GPU机器进行加速。在一个实施例中，可以将学习模型拆分为温度模型、风力模型等通过传统机器学习模型进行预测。在另一种实施例中，也可以采集车辆用户对下发的空调设置的反馈数据，并将该反馈数据作为接下来对该学习模型的空调设置进行调整的数据来源之一。例如，响应于用户经常（或者在一些特定条件下）不采用云端下发给车辆终端的某个或某些维度上的空调设置，那么通过将该反馈提供给云端，将根据用户的反馈来控制该空调设置。比如，经预先训练的学习模型预先基于车辆离线数据和相对应的离线环境数据以及用户先前针对空调设置的反馈进行训练。此外，学习模型采用除深度神经网络DNN之外的其他模型，如卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM等。

图5图示了根据本公开实施例的预定条件的示意图。该条件包括车辆实时数据和/或相对应的环境数据与车载空调的设置之间的对应关系的集合。在一个示例中，条件可以例如是下述项中的一项或多项：外界空气质量较差（例如，PM 2.5＞阈值）时，调整为内循环模式；堵车/行车缓慢时，调整为内循环模式（目的是保证司机和乘客的健康）；在制冷模式时，调整为风向向上并保持一段时间（原因在于按照冷空气下层原理，向上吹风可以迅速完成车内外换气）；以及在启动车辆时，设置为外循环（目的在于打开车窗迅速完成换气）等。如本领域技术人员所已知的，也可以采用其他预定条件，并且图中仅是示意性的，不一定按照条件所示出的顺序来依次执行。

图6图示了根据本公开实施例的车载空调控制方法600的示意图。该控制方法可以在云端服务器利用经预先训练的学习模型计算当前空调的各设置选项的情况下由云端服务器执行，也可以在车载终端自身利用经预先训练的学习模型计算上述当前空调的各设置选项时由车载终端执行。在步骤601中，首先获取车辆实时数据。来自车辆终端的实时数据包括车载空调中的一个或多个的相应状态（例如，开/关）。在步骤602中，根据所述车辆的实时数据和环境数据确定车载空调设置。环境数据主要包括地区、气温、空气质量、风力等级、空气湿度等中的一个或多个。在一个实施例中，根据车辆的实时数据和环境数据确定车载空调设置包括：基于车辆离线数据和相对应的离线环境数据训练学习模型，并根据学习模型和车载实时数据、环境数据来确定车载空调设置。经训练的学习模型是预先基于获取的来自多个车辆终端的离线数据和环境数据进行训练的，来自多个车辆终端的离线数据和来自第三方服务接口的离线数据被定时存储到Hadoop分布式文件系统HDFS中。该学习模型用于在至少一个维度上对空调设置进行预测。其中借助实时流处理框架根据来自车辆终端的实时数据和来自第三方服务接口的实时数据提取出学习模型所需要的输入矩阵。在一个实施例中，流处理框架可以为Spark流处理或Jstorm流处理。至少一个维度的空调设置包括车内温度、空调风力、空调风向、循环方式、空调模式中的一个或多个。在一个实施例中，通过数据清洗来利用来自多个车辆终端的数据和第三方服务接口的数据构建学习模型的输入矩阵。在步骤603中，根据预定条件修正车载空调设置。预定条件包括车辆实时数据和/或环境数据与车载空调的设置之间的对应关系的集合。上述对应关系包括下述项中的一个或多个：在车辆实时数据指示车辆正在启动时，车载空调设置为外循环；在环境数据指示细颗粒物PM 2.5大于预定阈值时，车载空调设置为内循环；在车辆实时数据指示车辆行驶缓慢时，车载空调设置为内循环；以及在车辆实时数据指示车载空调处于制冷模式时，车载空调设置为风向向上并保持预定时间段。在步骤604中，基于修正后的车载空调设置控制所述车载空调。

图7图示了根据本公开实施例的车载空调控制装置700的示意图。车载空调控制装置700包括获取模块701、确定模块702、修正模块703和控制模块704。获取模块701被配置为获取车辆的实时数据。确定模块702被配置为根据所述车辆的实时数据和环境数据确定车载空调设置。修正模块703被配置为根据预定条件修正所述车载空调设置。控制模块704被配置为基于所述修正后的车载空调设置控制所述车载空调。

图8图示了根据本公开另一实施例的车载空调控制方法的示意图。在步骤801中获取车辆实时数据和相对应的环境数据。来自车辆终端的实时数据包括车载空调中的一个或多个的相应状态（例如，开/关）。环境数据主要包括地区、气温、空气质量、风力等级、空气湿度等中的一个或多个。在步骤802中，基于所述车辆实时数据和所述相对应的环境数据，利用经预先训练的学习模型对所述车载空调的设置进行预测。在步骤803中，基于预定条件对所述车载空调的设置进行判断。经训练的学习模型是预先基于获取的来自多个车辆终端的离线数据和环境数据进行训练的，来自多个车辆终端的离线数据和来自第三方服务接口的离线数据被定时存储到Hadoop分布式文件系统HDFS中。该学习模型用于在至少一个维度上对空调设置进行预测。其中借助实时流处理框架根据来自车辆终端的实时数据和来自第三方服务接口的实时数据提取出学习模型所需要的输入矩阵。在一个实施例中，流处理框架可以为Spark流处理或Jstorm流处理。至少一个维度的空调设置包括车内温度、空调风力、空调风向、循环方式、空调模式中的一个或多个。在一个实施例中，通过数据清洗来利用来自多个车辆终端的数据和第三方服务接口的数据构建学习模型的输入矩阵。在步骤804中，向车载终端发送所述车载空调设置，以便由车载终端对车载空调进行设置。

图9图示了根据本公开另一实施例的车载空调控制装置900的示意图。车载空调控制装置900包括获取模块901、预测模块902、判断模块903和发送模块904。获取模块901被配置为被配置为获取车辆实时数据和相对应的环境数据。预测模块902被配置为基于所述车辆实时数据和所述相对应的环境数据，利用经预先训练的学习模型对所述车载空调的设置进行预测。判断模块903配置为基于预定条件对所述车载空调的设置进行判断。发送模块904被配置为向车载终端发送所述车载空调设置。

如本领域技术人员所理解的，神经网络仅仅是机器学习中的一种算法结构，优点在于省略掉传统机器学习大量的特征工程工作，使得模型的编码以及训练变得简洁，但缺点也很明显，由于本身的复杂性，他需要更强的计算力，往往需要GPU机器进行加速；倘若计算力有限，该部分可被拆分为温度模型、风力模型等，通过传统机器学习进行预测。

图10图示了示例系统1000，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备1010。计算设备1010可以是例如服务提供商的服务器、与客户端（例如，客户端设备）相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。上面关于图7或图9的用于车载空调控制的装置700或900可以采取计算设备1010的形式。替换地，用于车载空调控制的装置700或900可以以车载空调控制的应用1016的形式被实现为计算机程序。

如图示的示例计算设备1010包括彼此通信耦合的处理系统1011、一个或多个计算机可读介质1012以及一个或多个I/O接口1013。尽管未示出，但是计算设备1010还可以包括系统总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。

处理系统1011代表使用硬件执行一个或多个操作的功能。因此，处理系统1011被图示为包括可被配置为处理器、功能块等的硬件元件1014。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件1014不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（IC））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质1012被图示为包括存储器/存储装置1015。存储器/存储装置1015表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置1015可以包括易失性介质（诸如随机存取存储器（RAM））和/或非易失性介质（诸如只读存储器（ROM）、闪存、光盘、磁盘等）。存储器/存储装置1015可以包括固定介质（例如，RAM、ROM、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。计算机可读介质1012可以以下面进一步描述的各种其他方式进行配置。

一个或多个I/O接口1013代表允许用户向计算设备1010输入命令和信息并且可选地还允许使用各种输入/输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）等等。输出设备的示例包括显示设备（例如，监视器或投影仪）、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1010可以以下面进一步描述的各种方式进行配置以支持用户交互。

计算设备1010还包括车载空调控制的应用1016。车载空调控制应用1016可以例如是关于图7或图9描述的700或900的软件实例，并且与计算设备1010中的其他元件相组合地实现本文描述的技术。

本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备1010访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘（DVD）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备1010的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指以这样的方式对信号中的信息进行编码来设置或改变其特征中的一个或多个的信号。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。

如前所述，硬件元件1014和计算机可读介质1012代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑器件（CPLD）以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1014体现的一个或多个指令和/或逻辑。计算设备1010可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件1014，可以至少部分地以硬件来实现将模块实现为可由计算设备1010作为软件执行的模块。指令和/或功能可以由一个或多个制品（例如，一个或多个计算设备1010和/或处理系统1011）可执行/可操作以实现本文所述的技术、模块和示例。

在各种实施方式中，计算设备1010可以采用各种不同的配置。例如，计算设备1010可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备1010还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备1010还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。

本文描述的技术可以由计算设备1010的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台1022而在“云端”1020上全部或部分地实现。

云端1020包括和/或代表用于资源1024的平台1022。平台1022抽象云端1020的硬件（例如，服务器）和软件资源的底层功能。资源1024可以包括在远离计算设备1010的服务器上执行计算机处理时可以使用的应用和/或数据。资源1024还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。

平台1022可以抽象资源和功能以将计算设备1010与其他计算设备连接。平台1022还可以用于抽象资源的分级以提供遇到的对于经由平台1022实现的资源1024的需求的相应水平的分级。因此，在互连设备实施例中，本文描述的功能的实现可以分布在整个系统1000内。例如，功能可以部分地在计算设备1010上以及通过抽象云端1020的功能的平台1022来实现。

应当理解，为清楚起见，参考不同的功能模块对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能模块的功能性可以被实施在单个模块中、实施在多个模块中或作为其它功能模块的一部分被实施。例如，被说明成由单个模块执行的功能性可以由多个不同的模块来执行。因此，对特定功能模块的参考仅被视为对用于提供所描述的功能性的适当模块的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个模块中，或者可以在物理上和功能上被分布在不同的模块和电路之间。

将理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、或部件，但是这些设备、元件、或部件不应当由这些术语限制。这些术语仅用来将一个设备、元件、或部件与另一个设备、元件、或部件相区分。

尽管已经结合一些实施例描述了本公开，但是其不旨在被限于在本文中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且不定冠词“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。

Claims (13)

1.一种车载空调的控制方法，包括：

获取车辆的实时数据；

根据所述车辆的实时数据和环境数据确定车载空调设置；

根据预定条件修正所述车载空调设置；以及

基于所述修正后的车载空调设置控制所述车载空调。

2.根据权利要求1所述的控制方法，其中所述预定条件包括所述车辆实时数据和/或所述环境数据与所述车载空调设置之间的对应关系的集合。

3.根据权利要求2所述的控制方法，其中所述对应关系包括下述项中的一个或多个：

在所述车辆实时数据指示所述车辆正在启动时，所述车载空调设置为外循环；

在所述环境数据指示细颗粒物PM 2.5大于预定阈值时，所述车载空调设置为内循环；

在所述车辆实时数据指示所述车辆行驶缓慢时，所述车载空调设置为内循环；以及

在所述车辆实时数据指示所述车载空调处于制冷模式时，所述车载空调设置为风向向上并保持预定时间段。

4.根据权利要求1所述的控制方法，其中所述环境数据包括所述车辆自采环境数据和不同于车辆终端的第三方环境数据中的至少一种。

5.根据权利要求1所述的控制方法，其中所述根据所述车辆的实时数据和环境数据确定车载空调设置包括：基于车辆离线数据和相对应的离线环境数据训练学习模型，并根据所述学习模型和所述车载实时数据、环境数据来确定所述车载空调设置。

6.根据权利要求1所述的控制方法，其中所述经预先训练的学习模型预先基于车辆离线数据和相对应的离线环境数据以及用户先前针对空调设置的反馈进行训练。

7.根据权利要求1-6中任一项所述的控制方法，其中所述环境数据包括地区、气温、空气质量、风力等级、空气湿度等中的一个或多个。

8.一种车载空调的控制方法，包括：

获取车辆实时数据和相对应的环境数据；

基于所述车辆实时数据和所述相对应的环境数据，利用经预先训练的学习模型对所述车载空调的设置进行预测；

基于预定条件对所述车载空调的设置进行判断；以及

向车载终端发送所述车载空调设置。

9.根据权利要求8所述的控制方法，还包括：

响应于接收来自车载终端的针对车载空调设置的请求进行所述对车载空调设置的预测。

10.一种车载空调的控制装置，包括：

获取模块，被配置为获取车辆的实时数据；

确定模块，被配置为根据所述车辆的实时数据和环境数据确定车载空调设置；

修正模块，被配置为根据预定条件修正所述车载空调设置；以及

控制模块，被配置为基于所述修正后的车载空调设置控制所述车载空调。

11.一种车载空调的控制装置，包括：

获取模块，被配置为获取车辆实时数据和相对应的环境数据；

预测模块，被配置为基于所述车辆实时数据和所述相对应的环境数据，利用经预先训练的学习模型对所述车载空调的设置进行预测；

判断模块，被配置为基于预定条件对所述车载空调的设置进行判断；以及

发送模块，被配置为向车载终端发送所述车载空调设置。

12.一种计算机程序指令的非瞬时性计算机可读介质，当由处理器执行所述计算机程序指令使所述处理器执行根据权利要求1-9中任一项所述的方法。

13.一种计算设备，包括处理器和其上存储计算机程序的存储器，所述计算机程序被配置成当在所述处理器上执行时使所述处理器执行权利要求1-9中任一项所述的方法。