CN111890873A - 智能启动车内空调和/或空气净化设备的方法和系统 - Google Patents

Abstract

本发明涉及一种智能启动车内空调和/或空气净化设备的方法和系统，该方法包括如下步骤：获取车辆历史出行数据，从车辆历史出行数据中提取车辆启动的历史数据，所述车辆启动的历史数据包括每次车辆启动的时间和车辆启动时的位置信息；基于车辆启动的历史数据准备训练样本；基于训练样本进行模型训练，并预测车辆的启动时间；在所预测的车辆启动时间前，向车辆发送启动车内空调和/或空气净化设备的指令。本发明还提供了一种采用上述方法启动车内空调和/或空气净化设备的智能启动车内空调和/或空气净化设备的系统。

Description

智能启动车内空调和/或空气净化设备的方法和系统

技术领域

本发明涉及一种车辆系统，特别是一种智能启动车内空调和/或空气净化设备的方法和系统。

背景技术

现有技术的汽车，为了让使用者在车内具有良好的司乘体验，在车内都设置有空调系统，以调节车内温度，保持人体舒适的温度。但汽车空调系统的开启，需要通过内部仪表台控制面板的相关按钮操作或多功能显示屏幕操作才能实现。随着电动汽车技术的快速发展，汽车空调系统目前需要用户通过车机或者APP前端手动开启空调或手动设置开启空调的时间。现有功能存在弊端，有时候用户可能因为出门时间紧促或忘记设置空调开启，将导致用户可能需要在车内经历在汽车空调达到预期温度前的寒冷或炎热的煎熬。虽然有部分汽车配置了自动启动空调系统的功能，但其操作仅限于在设定时间或区域内的自动开启，无法达到根据车主驾驶习惯和出行情况自动实现空调系统的开启和关闭。

发明内容

本发明所要解决的技术问题是针对现有技术的上述问题，提供一种智能启动车内空调和/或空气净化设备的方法和系统。

为了实现上述目的，本发明提供了一种智能启动车内空调和/或空气净化设备的方法，其中，包括如下步骤：

获取车辆历史出行数据，从所述车辆历史出行数据中提取车辆启动的历史数据，所述车辆启动的历史数据包括每次车辆启动的时间和车辆启动时的位置信息；

基于所述车辆启动的历史数据准备训练样本；

基于所述训练样本进行模型训练，并预测车辆的启动时间；

在所预测的车辆启动时间前，向车辆发送启动车内空调和/或空气净化设备的指令。

上述的智能启动车内空调和/或空气净化设备的方法，其中，还包括：对所述车辆启动时的位置信息进行聚类分析，删除噪声点，以获取规律数据，并排除非规律出行对预测结果造成的干扰。

上述的智能启动车内空调和/或空气净化设备的方法，其中，所述预测车辆的启动时间包括：将预测概率高于指定限值的时刻汇总，得到预测出行图谱。

上述的智能启动车内空调和/或空气净化设备的方法，其中，当车辆接收到启动车辆空调和/或空气净化设备的指令时，检测车辆高压电池状态SOC和车内温度，当所述高压电池状态SOC高于指定限值，且所述车内温度超出限定值时，执行所述指令，启动车辆空调和/或空气净化设备；否则不执行所述指令。

上述的智能启动车内空调和/或空气净化设备的方法，其中，如果所述车辆空调和/或空气净化设备启动后设定时间内未检测到用户进入所述车辆，则自动关闭所述车辆空调和/或空气净化设备。

上述的智能启动车内空调和/或空气净化设备的方法，其中，还包括：

在根据所述启动车内空调和/或空气净化设备的指令启动所述车内空调和/或空气净化设备后，如果未在预设时间内启动车辆则记为一次预测失败；如果连续n次预测失败，则进入静默监控程序，停止向所述车辆发送空调和/或空气净化设备启动命令。

上述的智能启动车内空调和/或空气净化设备的方法，其中当再次成功预测后，恢复正常运行。

上述的智能启动车内空调和/或空气净化设备的方法，其中，还包括如下步骤：

使用车辆位置信息优化预测结果，当接近预测的车辆启动时间时，检测车辆停放位置，如果所述车辆停放位置不在规律区域内，则不发送启动车内空调/空气净化设备的指令。

上述的智能启动车内空调和/或空气净化设备的方法，其中，所述训练样本包括正样本和负样本，所述正样本为车辆启动的历史数据，所述负样本为车辆不启动或低概率启动的历史数据。

上述的智能启动车内空调和/或空气净化设备的方法，其中，所述负样本采用如下步骤添加：从所述正样本中起始日期0时开始每隔m分钟增加一个样本，训练目标值考虑该时间点附近是否有所述正样本，距离所述正样本越近则所述负样本的训练目标值越接近1，所述正样本的训练目标值均为1。

上述的智能启动车内空调和/或空气净化设备的方法，其中，还包括：

在根据所预测的车辆启动时间向车辆发送启动车内空调和/或空气净化设备的指令之前，向用户的移动设备推送通知，提醒用户即将启动车内设备；

上述的智能启动车内空调和/或空气净化设备的方法，其中，还包括：

用户可以通过移动设备关闭或暂停基于预测的车辆启动时间的车内设备的自动预启动，或者手动更改系统预测的车辆启动时间；系统根据用户手动更改后的车辆启动时间预启动相应的车内设备。

上述的智能启动车内空调和/或空气净化设备的方法，其中，所述车辆启动时间包括日期、星期和时刻，所述启动时的位置信息为车辆启动时所停放位置的GPS经纬度。

为了更好地实现上述目的，本发明还提供了一种智能启动车内空调和/或空气净化设备的系统，其中，采用上述的智能启动车内空调和/或空气净化设备的方法启动车内空调和/或空气净化设备。

本发明的技术效果在于：

本发明应用机器学习算法对车辆的历史数据进行分析，并结合车辆当前的位置信息，预测驾驶员下次用车时间，根据车内温度、电池电量确定是否提前开启车内空调设备。同时，用户将通过手机应用接收到相应的推送消息。整个分析、预测过程是自动进行的，不需要用户做任何提前的设置。同时本发明还具有智能纠错功能，避免了由于驾驶员用车规律的改变导致的连续空调误启动。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明一实施例的标注停车位置规律点和异常点；

图2为本发明一实施例的聚类算法原理示意图；

图3为本发明一实施例的神经网络算法原理示意图；

图4为本发明一实施例的获得车辆出发时刻概率分布图的流程图；

图5为本发明一实施例的预测纠错步骤流程图；

图6为本发明一实施例的智能启动车内空调的系统框图。

附图标记列表：

1 新能源车辆

2 车辆后台服务器

3 数据存储服务器

4 算法服务器

5 手机应用

具体实施方式

下面结合附图对本发明的结构原理和工作原理作具体的描述：

本发明的智能启动车内空调和/或空气净化设备的方法，能够通过对车辆使用的历史数据的分析，确定车辆的出行规律，找到车辆高密度的出发位置和时间，结合车辆当前的位置信息，预测未来车辆启动的时间，并可以根据所预测的车辆启动时间提前向车辆发送车内设备(例如空调和/或空气净化设备等)开启的指令，当车辆收到指令后，可以按照设定的时间在人员进入车辆前提前开启车内设备，车内设备(例如空调和/或空气净化设备等)启动后可以自动调节车内的温度、湿度、空气洁净度等。根据本发明实施例的方法具体可包括如下步骤：

步骤S100、获取车辆历史出行和/或使用数据，这是系统进行学习和预测的基本前提。例如可以从所述车辆历史出行数据中提取车辆启动的历史数据，车辆启动的历史数据可以包括每次车辆启动的时间和车辆启动时的位置信息，所述车辆启动时间可以包括例如日历日期、星期几和时刻三个信息，所述启动时的位置信息指车辆启动时所停放的位置，即为车辆启动时所停放位置的GPS经纬度；如果两次车辆启动的时间间隔短于指定限值，则可以将后一组数据删除，以排除干扰。处理后的数据格式示例如表1所示：

表1数据格式示例1：

步骤S200、对车辆启动时的停车位置聚类分析，删除噪声点，以获取规律数据，并排除非规律出行对预测结果造成的干扰。

例如，可以分析车辆启动时的位置，根据数据点密度确定数据点为规律出行数据或噪声点，参见图1，图1为本发明一实施例的标注停车位置规律点和异常点。图中2个虚线圆圈A、B包围的区域为有规律的出行数据，其它区域为噪声点。可以将与噪声点相对应的启动信息数据删除，得到如表2所示的数据示例。

表2数据格式示例2

根据本发明的一个实施例，可以采用DBSCAN聚类算法对车辆GPS数据进行自动分组，并删除噪声数据。参见图2，图2为本发明一实施例的聚类算法原理示意图。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。参见图2，图2中A,B,C,N均为车辆GPS坐标点。其DBSCAN算法描述如下：

DBSCAN对用户定义的参数很敏感，细微的不同都可能导致差别很大的结果，而参数的选择无规律可循，只能靠经验确定。本实施例中DBSCAN需要二个参数：扫描半径(eps)和最小包含点数(minPts)。例如，输入包含n个对象车辆出发位置的GPS坐标(经度，维度)，半径eps＝2km，最少数目MinPts>3。首先，检测数据库中尚未检查过的对象，从数据库中任选一个未被访问(unvisited)的点开始，如果该点未被处理(未被归为某个簇或者标记为噪声)，则检查其邻域，找出与其距离在eps之内(包括eps)的所有附近点；如果抽出的点是核心点，则找出所有从该点密度可达的对象，形成一个簇，即附近点的数量≥minPts，则当前点与其附近点形成一个簇，将其中的所有点加入候选集，并且出发点被标记为已访问(visited)。然后递归，以相同的方法处理该簇内所有未被标记为已访问(visited)的点，从而对簇进行扩展。如果抽出的点是边缘点(非核心对象)，即附近点的数量<minPts，则该点暂时被标记作为噪声点，并跳出本次循环，寻找下一个点。如果簇充分地被扩展，即簇内的所有点被标记为已访问，当前候选集为空，然后用同样的算法去处理未被访问的点。重复上述过程，直至所有的点都被处理，即所有对象都归入了某个簇或标记为噪声。

如图2所示，任选一个未被访问的点如A点开始，找出与其距离在半径eps之内(即eps≤2)的所有附近点，例如图2中B、C点，而N点由于与A点距离在半径eps之外，则不是目标点。如果附近点的数量≥minPts，则当前点A与其附近点形成一个簇，即图2中的A点及与其以双向箭头连接的点，并且出发点A被标记为已访问的点。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<minPts，则该点暂时被标记作为噪声点，即图2中的B、C点。如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。最终输出所有生成的簇，即达到密度要求的中心点坐标位置(经度，维度)。

步骤S300、基于车辆启动的历史数据准备训练样本。根据本发明的实施例，所述训练样本可以包括正样本和负样本。所述正样本可以为车辆启动的历史数据，因此这些训练样本的训练目标均为“1”，即车辆100％启动。为保证训练过程的合理性，可以增加负样本，即车辆不启动(或低概率启动)时的训练样本。其中，所述负样本可以采用如下步骤添加：从所述正样本中起始日期0时开始每隔m分钟(该时间间隔可以根据服务器处理速度和对精度的要求调整)增加一个样本，训练目标值考虑该时间点附近是否有所述正样本，距离所述正样本越近则所述负样本的训练目标值越接近1，所述正样本的训练目标值均为1。例如：从正样本中起始日期0时开始每隔10分钟增加一个样本，训练目标值考虑该时间点附近是否有正样本，如距离正样本越近则训练目标值越接近“1”。

表3训练样本示例

步骤S400、基于训练样本进行模型训练，并预测车辆的启动时间。例如，可以使用所述历史数据样本训练神经网络模型，并对未来一段时间(例如下周)的出行情况(例如车辆出发或启动的时间)进行预测，将预测概率高于指定限值的时刻汇总，得到预测出行图谱，如表4所示。

表4预测的下周出行图谱

参见图3及图4，图3为本发明一实施例的神经网络算法示意图，图4为本发明一实施例的获得车辆出发时刻概率分布图的流程图。神经网络算法的输入为训练样本，输出为训练目标/预测值，具有很高的预测精度。根据本发明的一个实施例，在使用神经网络对数据进行训练时，可以以训练数据的正样本和负样本作为输入数据。正样本数据可以是前述使用DBSCN算法对车辆停车位置进行聚类分析，删除噪声点后的数据，即车辆启动的历史数据样本，即车辆启动的历史样本中的出发时间，出发时间例如可以按周一到周日进行划分；负样本即车辆不启动(或低概率启动)时的训练样本。神经网络工具箱获得上述输入数据进行训练后，输出结果即车辆出发时刻的概率分布图。如图3所示，根据本发明的一个实施例的神经网络算法的具体训练过程如下：

1.输入层的每个节点，都要与隐含层每个节点做点对点的计算，计算采用加权求和激活函数；

2.利用隐含层计算出的每个值，再用相同的方法，和输出层进行计算；

3.起初输入层的数值通过网络计算分别传播到隐含层，再以相同的方式传播到输出层，最终的输出值和样本值作比较，计算出误差，这个过程称为前向传播；

4.利用前向传播最后输出的结果来计算误差的偏导数(前向传播后求偏导)；

5.再用这个偏导数和前面的隐含层进行加权求和；

6.如此一层一层的向后传下去(隐含层间偏导加权求和)；

7.直到输入层(不计算输入层)(也就是第一隐含层到输入层的偏导加权求和)；

8.最后利用每个节点求出的偏导数来更新权重，最终输出结果即车辆出发时刻的概率分布图。

步骤S500、根据预测的车辆出行/启动时间(例如预测出行图谱)，在所预测的车辆启动时间前，向车辆发送启动车内设备(例如空调和/或空气净化设备等)的指令。例如，可以在预测的车辆出行时间之前的一段时间(例如1分钟、3分钟或5分钟等，该时间段的长度可以由系统预设或根据用户设定)向车辆发送启动车内设备(例如空调和/或空气净化设备等)的指令。

根据本发明的一个实施例，可以使用车辆位置信息优化预测结果。例如，接近预测的车辆启动时间时，检测车辆位置，如果车辆位置不在规律区域内，代表当前车辆位置与之前规律不一致，则不发送启动车内设备(例如空调和/或空气净化设备等)的指令。如果车辆位置与之前的规律一致，则在预测的车辆启动时间前发送指令启动车内设备。

步骤S600、车辆响应。当车辆接收到启动车内设备(例如空调和/或空气净化设备等)的指令或请求后，启动相应车内设备。根据本发明的一个实施例，当车辆接收到启动车辆设备(例如空调和/或空气净化设备)的指令/请求时，检测车辆高压电池状态(例如SOC，State of Charge，荷电状态)和车内温度，只有当所述高压电池的SOC高于指定限值(例如10％)，且所述车内温度超出限定值时，才执行所述指令/请求；否则不执行所述指令/请求，不激活相应的车内设备。

根据本发明的另一个实施例，也可以在临近预测的车辆出行时间时，在车辆端检测车辆高压电池状态(例如SOC)和车内温度，并将车辆高压电池状态(例如SOC)和车内温度发送至后台服务器端；在后台判断车辆高压电池的SOC是否高于指定限值(例如10％)，及车内温度是否超出限定温度值；只有当车辆高压电池的SOC高于指定限值，且所述车内温度超出限定值时，后台服务器才向车辆发送启动车内设备(例如空调和/或空气净化设备)的指令，否则不发送该指令。

根据本发明的一个实施例，如果所述车辆空调/空气净化设备启动后设定时间(如5分钟或15分钟)内未检测到用户进入所述车辆，则自动关闭所述车辆空调/空气净化设备。根据本发明的一个实施例，还可以包括预测纠错步骤。参见图5，图5为本发明一实施例的预测纠错步骤流程图。本实施例中，还可包括如下步骤：步骤S700、软件纠错。在根据所述启动车内空调和/或空气净化设备的指令启动所述车辆空调和/或空气净化设备后，如果驾驶员未在期望的预设时间(例如15分钟)内启动车辆，则记为一次预测失败，连续n次(例如3次)预测失败，则进入静默监控程序(即软件只在后台运算但停止向车辆发送空调和/或空气净化设备启动指令)，停止向所述车辆发送空调/空气净化设备启动命令，以避免由于用车规律调整所导致的连续空调和/或空气净化设备误启动。只有当再次成功预测驾驶员行为后恢复正常运行。

参见图6，图6为本发明一实施例的智能启动车内空调的系统框图。该智能启动车内空调的系统，采用上述智能启动车内空调的方法启动车内空调/空气净化设备。车辆1(例如可以是新能源汽车)的实时数据通过网络(例如4G/5G网络)经车辆后台服务器2存储至数据存储服务器3，算法服务器4可以调用数据存储服务器3中的数据进行分析和预测，并将预测结果发送至车辆后台服务器2，车辆后台服务器2可以根据预测结果通过网络(例如4G/5G网络)向车辆1发送启动车内设备(例如空调和/或空气净化设备等)的指令，调用车辆API接口控制车内附件设备。根据图6所示的实施例，算法部分均在算法服务器4中运行。

根据本发明的一个实施例，在根据所预测的车辆启动时间向车辆发送启动车内设备的指令之前，还可以向用户的移动设备(例如手机应用5的APP)推送通知，提醒用户即将启动车内设备。用户在接收到通知后，可以选择接受或者取消车内设备的自动预启动，或者更改车内设备与启动的时间。

根据本发明的一个实施例，用户可以通过移动设备(例如手机应用5的APP)关闭或暂停根据所预测的车辆启动时间的车内设备的自动预启动，或者手动更改系统预测的车辆启动时间，从而使得系统根据更改后的车辆启动时间预启动相应的车内设备。

根据本发明的一个实施例，还可以设置在特定时间段(例如在节假日期间或者在用户设定的时间段)不激活车内设备的自动预启动。

根据本发明的其它实施例，车辆后台服务、数据存储服务及算法服务也可以在运行在同一服务器中。

本发明应用机器学习算法对车辆的历史数据进行分析，并结合车辆当前的位置信息，预测驾驶员下次用车时间，根据车内温度、电池电量确定是否提前开启车内空调设备。用户可以通过手机应用接收到相应的推送消息。整个分析、预测过程是自动进行的，不需要用户做任何提前的设置。有效提升了驾驶员在使用车辆时的舒适感，尤其在夏天和冬天的时候，车内的温度与室外温度接近(例如冬天约-20℃，夏天约40℃)，但是人体的适宜温度约20～25℃，因此空调没有预开启时车内的温度很不舒适，本发明能够最大程度提升车辆使用时的舒适感。本发明还具有智能纠错功能，避免了由于驾驶员用车规律的改变导致的连续空调误启动。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (14)

1.一种智能启动车内空调和/或空气净化设备的方法，其特征在于，包括如下步骤：

获取车辆历史出行数据，从所述车辆历史出行数据中提取车辆启动的历史数据，所述车辆启动的历史数据包括每次车辆启动的时间和车辆启动时的位置信息；

基于所述车辆启动的历史数据准备训练样本；

基于所述训练样本进行模型训练，并预测车辆的启动时间；

在所预测的车辆启动时间前，向车辆发送启动车内空调和/或空气净化设备的指令。

2.如权利要求1所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，还包括：对所述车辆启动时的位置信息进行聚类分析，删除噪声点，以获取规律数据，并排除非规律出行对预测结果造成的干扰。

3.如权利要求1所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，所述预测车辆的启动时间包括：将预测概率高于指定限值的时刻汇总，得到预测出行图谱。

4.如权利要求1所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，当车辆接收到启动车辆空调和/或空气净化设备的指令时，检测车辆高压电池状态SOC和车内温度，当所述高压电池状态SOC高于指定限值，且所述车内温度超出限定值时，执行所述指令，启动车辆空调和/或空气净化设备；否则不执行所述指令。

5.如权利要求4所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，如果所述车辆空调和/或空气净化设备启动后设定时间内未检测到用户进入所述车辆，则自动关闭所述车辆空调和/或空气净化设备。

6.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，还包括：

在根据所述启动车内空调和/或空气净化设备的指令启动所述车内空调和/或空气净化设备后，如果未在预设时间内启动车辆则记为一次预测失败；如果连续n次预测失败，则进入静默监控程序，停止向所述车辆发送空调和/或空气净化设备启动命令。

7.如权利要求6所述的智能启动车内空调和/或空气净化设备的方法，其特征在于当再次成功预测后，恢复正常运行。

8.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，还包括如下步骤：

使用车辆位置信息优化预测结果，当接近预测的车辆启动时间时，检测车辆停放位置，如果所述车辆停放位置不在规律区域内，则不发送启动车内空调/空气净化设备的指令。

9.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，所述训练样本包括正样本和负样本，所述正样本为车辆启动的历史数据，所述负样本为车辆不启动或低概率启动的历史数据。

10.如权利要求9所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，所述负样本采用如下步骤添加：从所述正样本中起始日期0时开始每隔m分钟增加一个样本，训练目标值考虑该时间点附近是否有所述正样本，距离所述正样本越近则所述负样本的训练目标值越接近1，所述正样本的训练目标值均为1。

11.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，还包括：

在根据所预测的车辆启动时间向车辆发送启动车内空调和/或空气净化设备的指令之前，向用户的移动设备推送通知，提醒用户即将启动车内设备。

12.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，还包括：

用户通过移动设备关闭或暂停基于预测的车辆启动时间的车内设备的自动预启动，或者手动更改系统预测的车辆启动时间；系统根据用户手动更改后的车辆启动时间预启动相应的车内设备。

13.如权利要求1-5中任意一项所述的智能启动车内空调和/或空气净化设备的方法，其特征在于，所述车辆启动时间包括日期、星期和时刻，所述启动时的位置信息为车辆启动时所停放位置的GPS经纬度。

14.一种智能启动车内空调和/或空气净化设备的系统，其特征在于，采用上述权利要求1-13中任意一项所述的智能启动车内空调和/或空气净化设备的方法启动车内空调和/或空气净化设备。

Images