CN110968341B - 一种设置空调参数的方法和装置 - Google Patents

Abstract

本申请公开了一种设置空调参数的方法和装置，该方法包括：获取M个空调样本数据；确定其中的N类影响因素数据，并利用特征递归消除算法获得重要度排名；根据重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，智能学习训练获得P个空调参数设置模型；根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，确定目标空调参数设置模型；根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据设置空调参数。实现对空调参数自动设置，简化用户设置操作；采用特征递归消除算法和加权峰度聚类算法将多个空调样本数据进行聚类，自主学习不同聚类簇，建立更为精确的模型，实现空调参数精确设置。

Description

一种设置空调参数的方法和装置

技术领域

本申请涉及车辆自动控制技术领域，尤其涉及一种设置空调参数的方法和装置。

背景技术

目前，大多数汽车上都配置有车载空调，以便调节车内的温度、湿度等，给驾驶员和乘员提供舒适的车内环境。现有技术中，车载空调均需要驾驶员或乘员，即，用户，通过人为设置操作调整车载空调的出风温度、出风模式、出风风量、内外循环进风状态以及制冷开关状态等空调参数设置数据，直至空调出风使得用户感觉处于舒适的状态。

发明人经过研究发现，由于人体感受温度受人体体质、空气与人体之间对流以及风向、风速、湿度、光照等因素影响，人体感受温度与实际车内温度有较大区别，需要多次调整空调参数设置数据才使得用户感觉处于舒适的状态，用户操作过于繁琐，特别是行车过程中进行操作存在安全隐患；而且不同用户人体感受温度受人体体质间差异的影响，不同用户在相同环境下对空调出风的需求并不一致，不能满足不同用户的差异需求；甚至，大多数用户对车载空调的了解是局限性的，调整得到的空调参数设置数据并不合理，既降低了车内环境的舒适性，还增加了安全风险。

发明内容

本申请所要解决的技术问题是，提供一种设置空调参数的方法和装置，简化了用户设置操作，实现对空调参数自动设置，解除了行车时用户手动操作带来的安全隐患；也避免了由于对空调不了解导致的舒适性降低；建立更为精确的模型，实现空调参数精确设置。

第一方面，本申请实施例提供了一种设置空调参数的方法，该方法包括：

获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2；

确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2；

根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2；

根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；

根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。

优选的，所述用户数据包括用户身份数据和用户生理特征数据，所述气候数据包括车外温度数据、车内温度数据、车内湿度数据、阳光强度数据、天气类型数据、风力数据和空气质量数据；所述车辆数据包括车速数据和动力能源状态数据、车窗开启状态数据、车门开启状态数据、天窗开启状态数据和发动机启动状态数据；所述用户操作数据为出风温度设置数据、出风风量设置数据、出风模式设置数据、内外循环设置数据、压缩机设置数据、自动运行设置数据、前除霜设置数据或后除雾设置数据。

优选的，所述利用特征递归消除算法获得所述N类影响因素数据的重要度排名，包括：

K＝N时，基于对K-1类影响因素数据进行分析，获得K类影响因素数据中除K-1类影响因素数据之外的影响因素数据的影响程度，直至获得K类影响因素数据中各类影响因素数据的影响程度；

确定K类影响因素数据中影响程度最大的一类影响因素数据并剔除，令K＝N-1，返回执行对K-1类影响因素数据进行分析步骤，直至K＝1；

根据所述K类影响因素数据中影响程度最大的一类影响因素数据，获得所述N类影响因素数据的重要度排名，K∈[1，N]。

优选的，所述根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，包括：

根据所述M个空调样本数据，确定P个目标聚类中心和N个峰度；

根据所述M个空调样本数据、所述P个目标聚类中心和所述N个峰度，采用加权峰度-重要度距离公式计算获得所述M个空调样本数据与所述P个目标聚类中心的距离；

根据所述M个空调样本数据与所述P个目标聚类中心的距离，确定所述M个空调样本数据所属的聚类簇，获得P个聚类簇；

若所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合，将所述P个聚类簇的P个聚类中心确定为所述P个目标聚类中心，返回执行计算距离步骤；

其中，所述加权峰度-重要度距离公式为：

所述x_Ri表示第M个空调样本数据的影响因素数据中第i个特征，所述a表示所述x_Ri对应的峰度，所述c_Si表示第S个目标聚类中心的影响因素数据中第i个特征，所述r表示所述x_Ri对应的重要度排名。

优选的，所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合是指P个聚类簇的P个聚类中心与所述P个目标聚类中心之间的预设距离大于预设阈值。

优选的，所述根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，包括：

根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个聚类簇中确定所述当前空调相关数据对应的目标聚类簇；

根据所述目标聚类簇，从所述P个空调参数设置模型中确定对应的目标空调参数设置模型。

优选的，所述人工智能学习算法是根据所述聚类簇的数据类型、数据数量选择的，所述人工智能学习算法包括决策树、随机森林或者深度神经网络算法；所述目标空调参数设置数据不同，对应的N类影响因素数据的重要度排名、P个聚类簇和目标空调参数设置模型均不同。

优选的，还包括：

获取预设时间段的空调训练数据，所述空调样本数据包括预设时间段的用户数据、气候数据、车辆数据和空调参数设置数据；

根据所述影响因素的重要度排名，利用加权峰度聚类算法确定所述预设时间段的空调训练数据对应的聚类簇，选择对应的人工智能学习算法，再次训练更新所述P个空调参数设置模型。

优选的，所述P个空调参数设置模型存储在汽车中或者存储在服务器中，所述P个空调参数设置模型存储在汽车中是指所述P个空调参数设置模型集成在空调控制器中或者作为独立模块存储在车辆中。

第二方面，本申请实施例提供了一种设置空调参数的装置，该装置包括：

第一获取单元，用于获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2；

第一获得单元，用于确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2；

第二获得单元，用于根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2；

第二确定单元，用于根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；

获得设置单元，用于根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，获取M个包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据的空调样本数据，M≥2；确定M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得N类影响因素数据的重要度排名，N≥2；根据N类影响因素数据的重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，P≥2；根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，从P个空调参数设置模型中确定目标空调参数设置模型，当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。可见，根据多个空调样本数据通过人工智能学习算法自主训练学习用户数据、用户操作和使用空调的习惯得到模型，并根据当前空调相关数据预测目标空调参数设置数据，简化了用户设置操作，实现对空调参数自动设置，解除了行车时用户手动操作带来的安全隐患；也避免了由于对空调不了解导致的舒适性降低；尤其采用特征递归消除算法和加权峰度聚类算法将多个空调样本数据进行聚类，自主学习不同聚类簇数据，建立更为精确的模型，实现空调参数精确设置。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种设置空调参数的方法的流程示意图；

图3为本申请实施例提供的一种设置空调参数的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

一般地，车载空调均需要驾驶员或乘员，即，用户，通过改变汽车上的仪表台区域或中控区域的物理按键状态，或者触碰娱乐触摸屏上的软开关，或者语音，或者手势识别等人为设置操作调整车载空调的出风温度、出风模式、出风风量、内外循环进风状态以及制冷开关状态等空调参数设置数据，直至空调出风使得用户感觉处于舒适的状态。

发明人经过研究发现，由于人体感受温度受人体体质、空气与人体之间对流以及风向、风速、湿度、光照等因素影响，人体感受温度与实际车内温度有较大区别，按照一般的方式需要多次调整空调参数设置数据才使得用户感觉处于舒适的状态，用户操作过于繁琐，特别是行车过程中进行操作分散了注意力容易存在安全隐患；而且不同用户人体感受温度受人体体质间差异的影响，不同用户在相同环境下对空调出风的需求并不一致，会有较大差异，即使车辆开发工程师针对车载空调进行了大量的路试标定工作，仍然不能满足不同用户的差异需求和使用习惯；甚至，大多数用户对车载空调的了解是局限性的，调整得到的空调参数设置数据并不合理，并不能正确使用空调，例如，用户调整空调参数设置数据后车内空气湿度较大，用户出现会胸闷、呼吸不畅的现象，或者车内空气湿度较小，引起用户皮肤干裂，严重引起抵抗力下降等其他生理疾病；又如，用户调整空调参数设置数据后车内CO2浓度过高，引起驾驶员身体不适；再如，夏季为去除车内起雾，用户调整空调参数设置数据使用除雾模式，导致外玻璃起雾。上述这些既降低了车内环境的舒适性，还增加了驾驶安全风险。

为了解决这一问题，在本申请实施例中，获取M个包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据的空调样本数据，M≥2；确定M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得N类影响因素数据的重要度排名，N≥2；根据N类影响因素数据的重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，P≥2；根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，从P个空调参数设置模型中确定目标空调参数设置模型，当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。可见，根据多个空调样本数据通过人工智能学习算法自主训练学习用户数据、用户操作和使用空调的习惯得到模型，并根据当前空调相关数据预测目标空调参数设置数据，简化了用户设置操作，实现对空调参数自动设置，解除了行车时用户手动操作带来的安全隐患；也避免了由于对空调不了解导致的舒适性降低；尤其采用特征递归消除算法和加权峰度聚类算法将多个空调样本数据进行聚类，自主学习不同聚类簇数据，建立更为精确的模型，实现空调参数精确设置。

举例来说，若空调参数设置模型存储在服务器中，训练获得空调参数设置模型和利用该模型获得预测数据控制空调出风的执行主体一致，则本发明的执行主体是服务器，本发明实施例的场景之一，可以是应用到如图1所示的场景中。该场景中服务器101、空调控制器102、车载空调103。服务器101获取M个空调样本数据，空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和针对车载空调103的用户操作数据，M≥2；服务器101确定M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得N类影响因素数据的重要度排名，N≥2；服务器101根据N类影响因素数据的重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，P≥2；服务器101根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，从P个空调参数设置模型中确定目标空调参数设置模型，当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；服务器101根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据，向空调控制器102发送目标空调参数设置数据，以控制完成空调参数设置，目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。

可以理解的是，在上述应用场景中，虽然将本发明实施方式的动作描述由服务器101执行，但是，本发明在执行主体方面不受限制，只要执行了本发明实施方式所公开的动作即可。

可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中设置空调参数的方法和装置的具体实现方式。

示例性方法

参见图2，示出了本申请实施例中一种设置空调参数的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2。

为了解决现有技术中，由于人体感受温度与实际车内温度有较大区别，从而需要多次调整空调参数设置数据才使得用户感觉处于舒适的状态，存在用户操作过于繁琐问题，特别是，行车过程中进行操作存在安全隐患的问题，本发明实施例选择记录表示用户身份和生理特征的数据，以及表示用户操作和使用习惯的数据，基于人工智能学习，自主学习用户操作和使用空调的习惯，以便后续在使用空调时可以自动预测空调参数设置数据。

在上述在学习训练之前需要预先实时收集存储用户使用空调时的相关数据，作为空调样本数据。空调样本数据的收集应该以一年为最短周期，即，经历春夏秋冬四个完整季节，以全国车辆范围为覆盖范围，以十万台车辆为样本数量。对于互联网汽车而言，该数据可以存储在云端，也可以存储在空调控制器中，对于非联网汽车而言，该数据存储在空调控制器中；在学习训练时，首先应该获取上述空调样本数据才能进行后续步骤。按照实际应用情况，该数据是指历史时刻的用户数据、气候数据、车辆数据和用户操作数据，四者之间存在对应关系。

其中，所述用户数据是指识别出的代表用户身份的数据，例如，指纹数据、脸部数据、声纹数据、虹膜数据等，以及检测到的用户的生理特征数据，例如，体温、心跳、血压、体脂、基础代谢率等；所述气候数据是指在可能会影响用户操作的一些车内外环境的数据，例如，车外温度数据、车内温度数据、车内湿度数据、阳光强度数据、天气类型数据、风力数据和空气质量数据等等；所述车辆数据是指影响空调出风的一些车辆相关数据，例如，车速数据和维持空调出风动力能源状态数据、车窗开启状态数据、车门开启状态数据、天窗开启状态数据和发动机启动状态数据等等；所述用户操作数据是指用户对空调参数进行设置操作之后产生的空调参数设置数据，例如，出风温度设置数据、出风风量设置数据、出风模式设置数据、内外循环设置数据、压缩机设置数据、自动运行设置数据、前除霜设置数据或后除雾设置数据等等。其中，所述用户数据用于识别不同的用户操作数据，且不同的身体状态下，即，用户生理数据不同时对空调出风的需求不同。

步骤202：确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2。

可以理解的是，M个空调样本数据在因果属性上大体上可以分为两种数据，一种是影响因素数据，另一种是影响结果数据，其中，用户数据、气候数据和车辆数据归属于影响因素数据，用户操作数据归属于影响结果数据。其中，由于影响因素数据可以是用户数据、气候数据和车辆数据，用户数据包括用户身份数据和用户生理特征数据等，所述气候数据包括车外温度数据、车内温度数据、车内湿度数据、阳光强度数据、天气类型数据、风力数据和空气质量数据等；所述车辆数据包括车速数据和动力能源状态数据、车窗开启状态数据、车门开启状态数据、天窗开启状态数据和发动机启动状态数据等，则认为M个空调样本数据包括N类影响因素数据。

需要说明的是，对于M个空调样本数据包括N类影响因素数据而言，每类影响因素数据产生的影响程度不一样，存在轻重之分。在本实施例中，需要明确N类影响因素数据中每类影响因素数据的重要度排名，一类影响因素数据的影响程度越大，其重要度排名越靠前。任意一类影响因素数据都可以作为目标类影响因素数据，通过对除目标类影响因素数据之外的其他影响因素数据的分析可以得到该目标类影响因素数据的影响程度，找到N类影响因素数据中影响程度最大的一类影响因素数据(即，N类影响因素数据中影响程度第一的一类影响因素数据)并剔除。继续采用上述方法找到剩余N-1类影响因素数据中影响程度最大的一类影响因素数据(即，N类影响因素数据中影响程度第二的一类影响因素数据)并剔除，……，继续直至采用上述方法找到剩余2类影响因素数据中影响程度最大的一类影响因素数据(即，N类影响因素数据中影响程度第N-1的一类影响因素数据)，根据上述影响程度自然可以得到N类影响因素数据的重要度排名。

因此，在本实施例的一些实施方式中，所述步骤203例如可以包括以下步骤：

K＝N时，步骤A：基于对K-1类影响因素数据进行分析，获得K类影响因素数据中除K-1类影响因素数据之外的影响因素数据的影响程度，直至获得K类影响因素数据中各类影响因素数据的影响程度；

步骤B：确定K类影响因素数据中影响程度最大的一类影响因素数据并剔除，令K＝N-1，返回执行步骤A-步骤B，直至K＝1；

步骤C：根据所述K类影响因素数据中影响程度最大的一类影响因素数据，获得所述N类影响因素数据的重要度排名，K∈[1，N]。

步骤203：根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2。

需要说明的是，M个空调样本数据实际上是一段历史时间内空调样本数据，例如，一年内的空调样本数据，其中，某些个空调样本数据可能相似度较高，即，M个空调样本数据可以聚类形成多个聚类簇。具体放聚类方法可以是：首先，基于M个空调样本数据可以预先设定P个目标聚类中心，基于M个空调样本数据包括N类影响因素数据可以通过均值不等式得到N个峰度，然后，采用利用设定的加权峰度-重要度距离公式，可以计算得到M个空调样本数据中每个空调样本数据与所述P个目标聚类中心中每个目标聚类中心的距离，对于任意一个空调样本数据，选定P个距离中的最小距离确定该空调样本数据所属的聚类簇，最终将M个空调样本数据聚类为P个聚类簇。这P个聚类簇具有新聚类中心，只有新聚类中心和之前的聚类中心相重合时，才认为聚类得到P个聚类簇是准确的，不需要在进行聚类；当新聚类中心和之前的聚类中心不重合时，需要继续以新聚类中心进行距离计算重新聚类，直至得到的聚类簇对应的新聚类中心和之前的聚类中心重合为止。

因此，在本实施例的一些实施方式中，所述步骤203例如可以包括以下步骤：

步骤D：根据所述M个空调样本数据，确定P个目标聚类中心和N个峰度。

步骤E：根据所述M个空调样本数据、所述P个目标聚类中心和所述N个峰度，采用加权峰度-重要度距离公式计算获得所述M个空调样本数据与所述P个目标聚类中心的距离。

其中，所述加权峰度-重要度距离公式为：

所述x_Ri表示第R个空调样本数据的影响因素数据中第i个特征，所述a表示所述x_Ri对应的峰度，所述c_Si表示第S个目标聚类中心的影响因素数据中第i个特征，所述r表示所述x_Ri对应的重要度排名。

步骤F：根据所述M个空调样本数据与所述P个目标聚类中心的距离，确定所述M个空调样本数据所属的聚类簇，获得P个聚类簇。

步骤G：若所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合，将所述P个聚类簇的P个聚类中心确定为所述P个目标聚类中心，返回执行计算距离步骤。

需要说明的是，P个聚类簇的P个聚类中心是计算P个聚类簇中每个聚类簇中所包含的空调样本数据的平均值得到的。

还需要说明的是，上述两个聚类中心重合所表达的意思是两个聚类中心之间的距离相差不太大。因此，在本实施例的一些实施方式中，所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合是指P个聚类簇的P个聚类中心与所述P个目标聚类中心之间的预设距离大于预设阈值。

需要说明的是，在将所述M个空调样本数据聚类为P个聚类簇之后，需要分别对上述P个聚类簇进行自主学习用户操作和使用空调的习惯，需要基于上述P个聚类簇，选择合理的机器学习/深度人工智能学习算法，搭建模型，将上述P个聚类簇分别作为训练数据训练机器学习/深度人工智能学习算法，使之成为能够学习用户操作和空调使用习惯算法，最终训练获得对应的P个空调参数设置模型。具体地，根据上述P个聚类簇的数据类型、数据数量选择合理的机器学习/深度人工智能学习算法，所述人工智能学习算法例如可以为决策树Decision Tree、或者随机森林Random Forest，或者深度神经网络Deep Neural Networ等等。

还需要说明的是，步骤201-步骤203和后续步骤204-步骤205的执行主体是一致的，即，训练获得P个空调参数设置模型和利用其中空调参数设置模型获得预测数据设置空调参数的执行主体一致。

其中，训练获得的P个空调参数设置模型需要进行存储以便后续预测数据，存储位置有多种选择。对于互联网汽车而言，训练获得的P个空调参数设置模型既可以存储在汽车中，也可以存储在服务器中；对于非互联网汽车而言，训练获得的P个空调参数设置模型可以存储在汽车中。其中，将所述P个空调参数设置模型存储在汽车中至少有两种存储位置可以选择，一种是将所述P个空调参数设置模型集成在汽车的空调控制器中；另一种是将所述P个空调参数设置模型作为独立模块存储在汽车中。也就是说，本发明实施例的执行主体可以是服务器、空调控制器、或者汽车中单独的模块。

步骤204：根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据。

需要说明的是，当前空调相关数据是指当前时刻影响因素数据，即当前时刻的用户数据、气候数据和车辆数据。同理，通过相同的加权峰度聚类算法可以得到当前空调相关数据属于上述P个聚类簇中的一个聚类簇，即，目标聚类簇，从而可以从P个空调参数设置模型找到该目标聚类簇对应的空调参数设置模型，即，目标空调参数设置模型。因此，在本实施例的一些实施方式中，所述步骤203例如可以包括以下步骤：

步骤H：根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个聚类簇中确定所述当前空调相关数据对应的目标聚类簇；

步骤I：根据所述目标聚类簇，从所述P个空调参数设置模型中确定对应的目标空调参数设置模型。

步骤205：根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。

可以理解的是，目标空调参数设置数据可以为上述任意一个空调参数设置数据，当所述目标空调参数设置数据不同时，对应的N类影响因素数据的重要度排名、P个聚类簇和目标空调参数设置模型均不同，也就是对于不同的目标空调参数设置数据，都需要重新进行步骤202-步骤205。

需要说明的是，还可以将使用空调参数设置模型后一段时间内的空调相关数据作为训练数据继续进行自主学习训练，这样获得的模型更准确，之后预测的数据更精确。在本实施例的一些实施方式中，在所述步骤203之后，例如还可以包括：获取预设时间段的空调训练数据，所述空调样本数据包括预设时间段的用户数据、气候数据、车辆数据和空调参数设置数据；根据所述影响因素的重要度排名，利用加权峰度聚类算法确定所述预设时间段的空调训练数据对应的聚类簇，选择对应的人工智能学习算法，再次训练更新所述P个空调参数设置模型。

通过本实施例提供的各种实施方式，获取M个包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据的空调样本数据，M≥2；确定M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得N类影响因素数据的重要度排名，N≥2；根据N类影响因素数据的重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，P≥2；根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，从P个空调参数设置模型中确定目标空调参数设置模型，当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。可见，根据多个空调样本数据通过人工智能学习算法自主训练学习用户数据、用户操作和使用空调的习惯得到模型，并根据当前空调相关数据预测目标空调参数设置数据，简化了用户设置操作，实现对空调参数自动设置，解除了行车时用户手动操作带来的安全隐患；也避免了由于对空调不了解导致的舒适性降低；尤其采用特征递归消除算法和加权峰度聚类算法将多个空调样本数据进行聚类，自主学习不同聚类簇数据，建立更为精确的模型，实现空调参数精确设置。

示例性装置

参见图3，示出了本申请实施例中一种设置空调参数的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

第一获取单元301，用于获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2；

第一获得单元302，用于确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2；

第二获得单元303，用于根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2；

第一确定单元304，用于根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；

获得设置单元305，用于根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。

可选的，所述用户数据包括用户身份数据和用户生理特征数据，所述气候数据包括车外温度数据、车内温度数据、车内湿度数据、阳光强度数据、天气类型数据、风力数据和空气质量数据；所述车辆数据包括车速数据和动力能源状态数据、车窗开启状态数据、车门开启状态数据、天窗开启状态数据和发动机启动状态数据；所述用户操作数据为出风温度设置数据、出风风量设置数据、出风模式设置数据、内外循环设置数据、压缩机设置数据、自动运行设置数据、前除霜设置数据或后除雾设置数据。

可选的，所述第一获得单元302包括：

K＝N时，第一获得子单元，用于基于对K-1类影响因素数据进行分析，获得K类影响因素数据中除K-1类影响因素数据之外的影响因素数据的影响程度，直至获得K类影响因素数据中各类影响因素数据的影响程度；

确定剔除返回子单元，用于确定K类影响因素数据中影响程度最大的一类影响因素数据并剔除，令K＝N-1，返回进入第一获得子单元，直至K＝1；

第二获得子单元，用于根据所述K类影响因素数据中影响程度最大的一类影响因素数据，获得所述N类影响因素数据的重要度排名，K∈[1，N]。

可选的，所述第二获得单元303包括：

第一确定子单元，用于根据所述M个空调样本数据，确定P个目标聚类中心和N个峰度；

第三获得子单元，用于根据所述M个空调样本数据、所述P个目标聚类中心和所述N个峰度，采用加权峰度-重要度距离公式计算获得所述M个空调样本数据与所述P个目标聚类中心的距离；

第四获得子单元，用于根据所述M个空调样本数据与所述P个目标聚类中心的距离，确定所述M个空调样本数据所属的聚类簇，获得P个聚类簇；

返回子单元，用于若所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合，将所述P个聚类簇的P个聚类中心确定为所述P个目标聚类中心，返回执行计算距离步骤；

其中，所述加权峰度-重要度距离公式为：

所述x_Ri表示第R个空调样本数据的影响因素数据中第i个特征，所述a表示所述x_Ri对应的峰度，所述c_Si表示第S个目标聚类中心的影响因素数据中第i个特征，所述r表示所述x_Ri对应的重要度排名。

可选的，所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合是指P个聚类簇的P个聚类中心与所述P个目标聚类中心之间的预设距离大于预设阈值。

可选的，所述第一确定单元304包括：

第二确定子单元，用于根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个聚类簇中确定所述当前空调相关数据对应的目标聚类簇；

第三确定子单元，用于根据所述目标聚类簇，从所述P个空调参数设置模型中确定对应的目标空调参数设置模型。

可选的，所述人工智能学习算法是根据所述聚类簇的数据类型、数据数量选择的，所述人工智能学习算法包括决策树、随机森林或者深度神经网络算法。

可选的，还包括：

第二获取单元，用于获取预设时间段的空调训练数据，所述空调样本数据包括预设时间段的用户数据、气候数据、车辆数据和空调参数设置数据；

更新单元，用于根据所述影响因素的重要度排名，利用加权峰度聚类算法确定所述预设时间段的空调训练数据对应的聚类簇，选择对应的人工智能学习算法，再次训练更新所述多个空调参数设置模型。

可选的，所述P个空调参数设置模型存储在汽车中或者存储在服务器中，所述P个空调参数设置模型存储在汽车中是指所述P个空调参数设置模型集成在空调控制器中或者作为独立模块存储在车辆中。

通过本实施例提供的各种实施方式，获取M个包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据的空调样本数据，M≥2；确定M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得N类影响因素数据的重要度排名，N≥2；根据N类影响因素数据的重要度排名，利用加权峰度聚类算法将M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，P≥2；根据当前空调相关数据、N类影响因素数据的重要度排名和加权峰度聚类算法，从P个空调参数设置模型中确定目标空调参数设置模型，当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；根据当前空调相关数据和目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据。可见，根据多个空调样本数据通过人工智能学习算法自主训练学习用户数据、用户操作和使用空调的习惯得到模型，并根据当前空调相关数据预测目标空调参数设置数据，简化了用户设置操作，实现对空调参数自动设置，解除了行车时用户手动操作带来的安全隐患；也避免了由于对空调不了解导致的舒适性降低；尤其采用特征递归消除算法和加权峰度聚类算法将多个空调样本数据进行聚类，自主学习不同聚类簇数据，建立更为精确的模型，实现空调参数精确设置。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (8)

1.一种设置空调参数的方法，其特征在于，包括：

获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2；所述用户数据包括用户身份数据和用户生理特征数据；

确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2；

根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2；

根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；

根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据；

其中，所述利用特征递归消除算法获得所述N类影响因素数据的重要度排名，包括：

K＝N时，基于对K-1类影响因素数据进行分析，获得K类影响因素数据中除K-1类影响因素数据之外的影响因素数据的影响程度，直至获得K类影响因素数据中各类影响因素数据的影响程度；

确定K类影响因素数据中影响程度最大的一类影响因素数据并剔除，令K＝N-1，返回执行对K-1类影响因素数据进行分析步骤，直至K＝1；

根据所述K类影响因素数据中影响程度最大的一类影响因素数据，获得所述N类影响因素数据的重要度排名，K∈[1，N]；

所述利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，包括：

根据所述M个空调样本数据，确定P个目标聚类中心和N个峰度；

根据所述M个空调样本数据、所述P个目标聚类中心和所述N个峰度，采用加权峰度-重要度距离公式计算获得所述M个空调样本数据与所述P个目标聚类中心的距离；

根据所述M个空调样本数据与所述P个目标聚类中心的距离，确定所述M个空调样本数据所属的聚类簇，获得P个聚类簇；

若所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合，将所述P个聚类簇的P个聚类中心确定为所述P个目标聚类中心，返回执行计算距离步骤；

其中，所述加权峰度-重要度距离公式为：

所述x_Ri表示第M个空调样本数据的影响因素数据中第i个特征，所述a表示所述x_Ri对应的峰度，所述c_Si表示第S个目标聚类中心的影响因素数据中第i个特征，所述r表示所述x_Ri对应的重要度排名。

2.根据权利要求1所述的方法，其特征在于，所述气候数据包括车外温度数据、车内温度数据、车内湿度数据、阳光强度数据、天气类型数据、风力数据和空气质量数据；所述车辆数据包括车速数据和动力能源状态数据、车窗开启状态数据、车门开启状态数据、天窗开启状态数据和发动机启动状态数据；所述用户操作数据为出风温度设置数据、出风风量设置数据、出风模式设置数据、内外循环设置数据、压缩机设置数据、自动运行设置数据、前除霜设置数据或后除雾设置数据。

3.根据权利要求1所述的方法，其特征在于，所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合是指P个聚类簇的P个聚类中心与所述P个目标聚类中心之间的预设距离大于预设阈值。

4.根据权利要求1所述的方法，其特征在于，所述根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，包括：

根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个聚类簇中确定所述当前空调相关数据对应的目标聚类簇；

根据所述目标聚类簇，从所述P个空调参数设置模型中确定对应的目标空调参数设置模型。

5.根据权利要求1所述的方法，其特征在于，所述人工智能学习算法是根据所述聚类簇的数据类型、数据数量选择的，所述人工智能学习算法包括决策树、随机森林或者深度神经网络算法；所述目标空调参数设置数据不同，对应的N类影响因素数据的重要度排名、P个聚类簇和目标空调参数设置模型均不同。

6.根据权利要求1所述的方法，其特征在于，还包括：

获取预设时间段的空调训练数据，所述空调样本数据包括预设时间段的用户数据、气候数据、车辆数据和空调参数设置数据；

根据所述影响因素的重要度排名，利用加权峰度聚类算法确定所述预设时间段的空调训练数据对应的聚类簇，选择对应的人工智能学习算法，再次训练更新所述P个空调参数设置模型。

7.根据权利要求1所述的方法，其特征在于，所述P个空调参数设置模型存储在汽车中或者存储在服务器中，所述P个空调参数设置模型存储在汽车中是指所述P个空调参数设置模型集成在空调控制器中或者作为独立模块存储在车辆中。

8.一种设置空调参数的装置，其特征在于，包括：

第一获取单元，用于获取M个空调样本数据，所述空调样本数据包括历史时刻的用户数据、气候数据、车辆数据和用户操作数据，M≥2；所述用户数据包括用户身份数据和用户生理特征数据；

第一获得单元，用于确定所述M个空调样本数据中的N类影响因素数据，利用特征递归消除算法获得所述N类影响因素数据的重要度排名，N≥2；

第二获得单元，用于根据所述N类影响因素数据的重要度排名，利用加权峰度聚类算法将所述M个空调样本数据聚类为P个聚类簇，选择对应的人工智能学习算法，训练获得P个空调参数设置模型，所述P≥2；

第二确定单元，用于根据当前空调相关数据、所述N类影响因素数据的重要度排名和加权峰度聚类算法，从所述P个空调参数设置模型中确定目标空调参数设置模型，所述当前空调相关数据包括当前时刻的用户数据、气候数据和车辆数据；

获得设置单元，用于根据当前空调相关数据和所述目标空调参数设置模型，获得目标空调参数设置数据完成空调参数设置，所述目标空调参数设置数据包括目标出风温度设置数据、目标出风风量设置数据、目标出风模式设置数据、目标内外循环设置数据、目标压缩机设置数据、目标自动运行设置数据、目标前除霜设置数据或目标后除雾设置数据；

其中，所述第一获得单元，具体用于：

K＝N时，基于对K-1类影响因素数据进行分析，获得K类影响因素数据中除K-1类影响因素数据之外的影响因素数据的影响程度，直至获得K类影响因素数据中各类影响因素数据的影响程度；

确定K类影响因素数据中影响程度最大的一类影响因素数据并剔除，令K＝N-1，返回执行对K-1类影响因素数据进行分析步骤，直至K＝1；

根据所述K类影响因素数据中影响程度最大的一类影响因素数据，获得所述N类影响因素数据的重要度排名，K∈[1，N]；

所述第二获得单元，具体用于：

根据所述M个空调样本数据，确定P个目标聚类中心和N个峰度；

根据所述M个空调样本数据、所述P个目标聚类中心和所述N个峰度，采用加权峰度-重要度距离公式计算获得所述M个空调样本数据与所述P个目标聚类中心的距离；

根据所述M个空调样本数据与所述P个目标聚类中心的距离，确定所述M个空调样本数据所属的聚类簇，获得P个聚类簇；

若所述P个聚类簇的P个聚类中心与所述P个目标聚类中心不重合，将所述P个聚类簇的P个聚类中心确定为所述P个目标聚类中心，返回执行计算距离步骤；

其中，所述加权峰度-重要度距离公式为：

所述x_Ri表示第M个空调样本数据的影响因素数据中第i个特征，所述a表示所述x_Ri对应的峰度，所述c_Si表示第S个目标聚类中心的影响因素数据中第i个特征，所述r表示所述x_Ri对应的重要度排名。