CN112560173A - 一种基于深度学习的车辆耐候性温度预测方法及装置 - Google Patents
一种基于深度学习的车辆耐候性温度预测方法及装置 Download PDFInfo
- Publication number
- CN112560173A CN112560173A CN202011423713.0A CN202011423713A CN112560173A CN 112560173 A CN112560173 A CN 112560173A CN 202011423713 A CN202011423713 A CN 202011423713A CN 112560173 A CN112560173 A CN 112560173A
- Authority
- CN
- China
- Prior art keywords
- temperature
- deep learning
- vehicle
- measuring point
- training data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习的车辆耐候性温度预测方法及装置,属于神经网络技术领域,解决了现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。方法包括:获取训练数据,训练数据包括大气环境参数及其对应的车辆测点温度;对大气环境参数及其对应的车辆测点温度进行归一化处理,得到归一化的训练数据样本;构建深度学习预测模型,并将归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;获取待预测数据样本,并基于训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。实现了车辆测点温度的预测,提高了预测效率和精度。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于深度学习的车辆耐候性温度预测方法及装置。
背景技术
乘用车作为一种使用频率较高的户外交通工具,在服役期内会遭遇阳光暴晒、高温、潮湿、雨水、气候骤变等各种气候环境,从而产生老化、腐蚀等失效现象,不仅影响消费者对汽车的观感和使用舒适性,还会影响到汽车的使用寿命,严重时可导致汽车功能失效,对消费者生命和财产的安全形成隐患。
乘用车耐候性是指乘用车在使用过程中耐受自然环境中的阳光、雨水、气温变化等环境因素综合破坏作用的能力,通常以将整车静置于标准湿热自然暴露试验场和(或)干热自然暴露试验场试1年后的缺陷数量及缺陷程度作为衡量乘用车耐候性的依据,是乘用车耐用性的重要标志。
现有的车辆耐候性温度预测方法基于对乘用车的零部件进行耐候性测试得到,这种方法效率较低且温度预测结果精度较低。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于深度学习的车辆耐候性温度预测方法及装置,用以解决现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。
一方面,本发明实施例提供了一种基于深度学习的车辆耐候性温度预测方法,包括下述步骤:
获取训练数据,所述训练数据包括大气环境参数及其对应的车辆测点温度;
对所述大气环境参数及其对应的车辆测点温度进行归一化处理,得到归一化的训练数据样本;
构建深度学习预测模型,并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;
获取待预测数据样本,并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。
进一步,所述大气环境参数包括:大气瞬时温度、相对瞬时湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱辐射量总辐射、5°分光谱辐射量红外线、5°分光谱辐射量可见光5°分光谱辐射量紫外辐射、45°分光谱辐射量总辐射、45°分光谱辐射量红外线、45°分光谱辐射量紫外辐射、45°分光谱辐射量可见光、降水量、降水时数和直接辐照量中的至少一个。
进一步,所述车辆测点温度包括:前保险杠中部温度、顶棚内饰板后部温度、右外后视镜壳温度、副驾驶座垫温度、仪表板中部温度、后保险杠右侧温度、左A柱内部上护板温度、右B柱外部盖板温度和右前门内饰板上表面温度中的至少一个。
进一步,基于下述公式对大气环境参数及其对应的车辆测点温度进行归一化处理:
式中,xnor为归一化后的样本数据,x为当前样本数据,xmean为样本数据的均值,xmean为样本数据的标准差。
进一步,所述深度学习预测模型包括;
时序特征提取网络,用于对所述训练数据样本进行特征提取,得到训练数据样本对应的时间尺度下的大气环境特征;
全局特征提取网络,用于对所述训练数据样本进行特征提取,得到训练数据样本对应的全局尺度下的大气环境特征;
融合层,用于对所述时序特征提取网络输出的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合,得到融合特征;
第一全连接层,用于对所述融合层输出的融合特征进行特征分类,得到车辆测点温度的预测值。
进一步,所述时序特征提取网络包括三个依次连接的长短时记忆层。
进一步,所述全局特征提取网络包括压平全连接层和残差层,其中,
所述压平全连接层,用于对所述训练数据样本进行浅层特征提取,得到全局尺度下的初级特征;
所述残差层,用于对所述压平全连接层输出的全局尺度下的初级特征进行深度特征提取,得到全局尺度下的大气环境特征。
进一步,所述残差层包括两个依次连接的残差全连接层,每一所述残差全连接层包括依次连接的归一化层、激活层和第二全连接层。
进一步,对所述深度学习预测模型进行模型训练的过程中,基于所述车辆测点温度的预测值与车辆测点温度的真实值计算得到损失函数;当所述损失函数小于阈值门槛时,得到训练好的深度学习预测模型,其中,损失函数的计算公式如下:
式中,Lsr为损失函数,N为样本数目,T预测为车辆测点温度的预测值,T真实为车辆测点温度的真实值。
另一方面,本发明实施例提供了一种一种基于深度学习的车辆耐候性温度预测装置,包括:
训练数据样本获取模块,用于获取训练数据,所述训练数据包括大气环境参数及其对应的车辆测点温度;
归一化模块,用于对所述大气环境参数及其对应的车辆测点温度均进行归一化处理,得到归一化的训练数据样本;
模型构建与训练模块,用于构建深度学习预测模型,并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;
预测模块,用于获取待预测数据样本,并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、一种基于深度学习的车辆耐候性温度预测方法,首先对采集的大气环境参数及其对应的车辆测点温度均进行归一化,并根据归一化后的大气环境参数及车辆测点温度建立训练数据样本,接着,构建深度学习预测模型,并将归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型,最后利用训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。使用深度学习预测模型提高了车辆测点温度的预测效率,该方法简单易行,易于实施,保证了车辆测点温度的预测值的精度。
2、利用传感器采集相应的大气环境参数,并利用温度传感器采集车辆相应测点的温度,为后续构建训练数据样本并进行深度学习预测模型的模型训练提供了技术支撑和依据,具有重要的意义。
3、通过归一化的方法,将大气环境参数和车辆测点温度限制在一定的范围内,从而消除奇异数据带来的不良影响,有利于提高温度预测结果的精度。
4、通过深度学习预测模型,将时序特征提取网络和全局特征提取网络结合起来,从时间尺度和全局尺度对输入的训练样本数据进行特征提取,并通过融合层将提取的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合,得到融合特征,最后通过两个第一全连接层进行分类,得到车辆测点温度的预测值。通过提取不同特征下的大气环境参数,有利于提高最终获得的车辆测点温度的预测值的精确度。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为一个实施例中基于深度学习的车辆耐候性温度预测方法流程图;
图2为一个实施例中深度学习预测模型结构图;
图3为另一个实施例中基于深度学习的车辆耐候性温度预测装置结构图;
附图标记:
100-训练数据样本获取模块,200-归一化模块,300-模型构建与训练模块,400-预测模块。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
现有的车辆耐候性温度预测方法基于对乘用车的零部件进行耐候性测试得到,这种方法效率较低且温度预测结果精度较低。为此,本申请提出了一种基于深度学习的车辆耐候性温度预测方法及装置,首先利用对采集的大气环境参数及其对应的车辆测点温度均进行归一化,并根据归一化后的大气环境参数及车辆测点温度建立训练数据样本,接着,构建深度学习预测模型,并将归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型,最后利用训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。使用深度学习预测模型提高了车辆测点温度预测的效率,该方法简单易行,易于实施,保证了车辆测点温度的预测值的精度。
本发明的一个具体实施例,公开了一种基于深度学习的车辆耐候性温度预测方法,如图1所示,包括下述步骤S1~S4。
步骤S1、获取训练数据,所述训练数据包括大气环境参数及其对应的车辆测点温度。具体来说,通常采集过去6小时的大气环境参数和车辆测点温度作为训练数据,且每五分钟采集一组数据。其中,大气环境参数包括:大气瞬时温度、相对瞬时湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱辐射量总辐射、5°分光谱辐射量红外线、5°分光谱辐射量可见光5°分光谱辐射量紫外辐射、45°分光谱辐射量总辐射、45°分光谱辐射量红外线、45°分光谱辐射量紫外辐射、45°分光谱辐射量可见光、降水量、降水时数和直接辐照量中的至少一个。详细地,利用温度传感器采集大气瞬时温度,利用湿度计采集相对瞬时湿度,利用风速传感器采集瞬时风速,利用辐照传感器采集辐射量。
车辆测点温度包括:前保险杠中部温度、顶棚内饰板后部温度、右外后视镜壳温度、副驾驶座垫温度、仪表板中部温度、后保险杠右侧温度、左A柱内部上护板温度、右B柱外部盖板温度和右前门内饰板上表面温度中的至少一个。这些车辆测点温度均通过在车辆的相应位置放置温度传感器采集得到。
利用传感器采集相应的大气环境参数,并利用温度传感器采集车辆相应测点的温度,为后续构建训练数据样本并进行深度学习预测模型的模型训练提供了技术支撑和依据,具有重要的意义。
步骤S2、对大气环境参数及其对应的车辆测点温度进行归一化处理,得到归一化的训练数据样本。基于下述公式对大气环境参数及其对应的车辆测点温度进行归一化处理:
式中,xnor为归一化后的样本数据,x为当前样本数据,xmean为样本数据的均值,xmean为样本数据的标准差。
具体来说,利用上述归一化公式分别对大气环境参数和车辆测点温度进行归一化处理,得到归一化的大气环境参数和归一化的车辆测点温度,并利用归一化的大气环境参数和归一化的车辆测点温度构建得到训练数据样本,利用该训练数据样本对深度学习预测模型进行模型训练。通过归一化的方法,将大气环境参数和车辆测点温度限制在一定的范围内,从而消除奇异数据带来的不良影响,有利于提高温度预测结果的精度。
步骤S3、构建深度学习预测模型,并将归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型。具体来说,本申请通过时序特征提取网络和全局特征提取网络两层网络的组合结构,从不同的角度提取训练数据的特征,以将提取的特征进行融合得到融合特征,最后利用第一全连接层对融合层输出的融合特征进行特征分类,得到车辆测点温度的预测值。
优选地,如图2所示的深度学习预测模型结构图,深度学习预测模型包括;
时序特征提取网络,用于对训练数据样本进行特征提取,得到训练数据样本对应的时间尺度下的大气环境特征,其中,时序特征提取网络包括三个依次连接的长短时记忆层,第一个长短时记忆层用于对输入的待训练数据样本进行浅层特征提取,得到时间尺度下较具体的初级特征;第二个长短时记忆层用于对第一个长短时记忆层输出的初级特征进行特征提取,得到时间尺度下更加概括的中级特征;第三个长短时记忆层用于对第二个长短时记忆层输出的中级特征继续进行特征提取,得到时间尺度下更加抽象的深度特征,即训练数据样本对应的时间尺度下的大气环境特征。具体来说,长短时记忆层包括多个神经元,每个神经元均由输入、遗忘门和输出组成,其中,一个神经元对应一组待训练参量,待训练参量包括遗忘门权重、遗忘门偏置、输入权重、输入偏置、输出权重和输出偏置,在模型训练的过程中可对遗忘门权重、遗忘门偏置、输入权重、输入偏置、输出权重和输出偏置等训练参数进行训练,以得到最佳参数。
全局特征提取网络,用于对训练数据样本进行特征提取,得到训练数据样本对应的全局尺度下的大气环境特征;全局特征提取网络包括压平全连接层和残差层,其中,压平全连接层,用于对训练数据样本进行浅层特征提取,得到全局尺度下的初级特征;残差层,用于对压平全连接层输出的全局尺度下的初级特征进行深度特征提取,得到全局尺度下的大气环境特征。本实施例中的残差层包括两个依次连接的残差全连接层,其中,第一个残差全连接层用于对压平全连接层输出的全局尺度下的初级特征继续进行特征提取,得到全局尺度下具有更加概括的中级特征;第二个残差全连接层用于对第一个残差全连接层输出的中级特征继续进行特征提取,得到全局尺度下更加抽象的深度特征,即训练数据样本对应的全局尺度下的大气环境特征。详细地,残差全连接层包括依次连接的归一化层、激活层和第二全连接层,其中,归一化层用于对输入的数据进行归一化处理。
融合层,用于对时序特征提取网络输出的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合,得到融合特征;
第一全连接层,用于对融合层输出的融合特征进行特征分类,得到车辆测点温度的预测值。这里的第一全连接层包括两个全连接层。
通过深度学习预测模型,将时序特征提取网络和全局特征提取网络结合起来,从时间尺度和全局尺度对输入的训练样本数据进行特征提取,并通过融合层将提取的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合,得到融合特征,最后通过两个第一全连接层进行特征分类,得到车辆测点温度的预测值。通过提取不同特征下的大气环境参数,有利于提高最终获得的车辆测点温度的预测值的精确度。
优选地,对深度学习预测模型进行模型训练的过程中,基于车辆测点温度的预测值与车辆测点温度的真实值计算得到损失函数;当损失函数小于阈值门槛时,得到训练好的深度学习预测模型,其中,损失函数的计算公式如下:
式中,Lsr为损失函数,N为样本数目,T预测为车辆测点温度的预测值,T真实为车辆测点温度的真实值。
在进行模型训练之前,先将训练数据样本划分为训练样本和验证样本,其中,训练样本占训练数据样本的80%,用于对深度学习预测模型进行训练;验证样本占训练数据样本的20%,用于对深度学习预测模型进行验证,得到训练好的深度学习预测模型。其中,在利用训练样本进行训练的过程中,采用平均绝对误差作为目标函数,并通过车辆测点温度的预测值与车辆测点温度的真实值计算损失函数,当损失函数小于阈值门槛时,对应得到训练好的深度学习预测模型。其中,阈值门槛依据实际情况由人为设定得到。通过采用训练数据样本对深度学习预测模型进行训练,得到训练好的深度学习预测模型,为后期进行待预测数据样本对应的车辆测点温度的预测提供了技术支撑和依据。
步骤S4、获取待预测数据样本,并基于训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。具体来说,通过传感器采集大气环境参数,并对大气环境参数进行归一化处理得到归一化的大气环境参数,过去6小时的所有的大气环境参数的组合即为待预测数据样本,接着将该待预测数据样本输入步骤S3得到的训练好的深度学习预测模型,即可得到车辆测点温度的预测值。
与现有技术相比,本实施例提供的一种基于深度学习的车辆耐候性温度预测方法,首先对通过传感器采集的大气环境参数及其对应的车辆测点温度均进行归一化处理,得到训练数据样本,接着,利用训练数据样本对深度学习预测模型进行模型训练,得到训练好的深度学习预测模型,最后利用训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值,提高了车辆测点温度预测的效率和车辆测点温度的精度。
本发明的另一个具体实施例,公开了一种基于深度学习的车辆耐候性温度预测装置,如图3所示,包括:训练数据样本获取模块100,用于获取训练数据,训练数据包括大气环境参数及其对应的车辆测点温度;归一化模块200,用于对大气环境参数及其对应的车辆测点温度均进行归一化处理,得到归一化的训练数据样本;模型构建与训练模块300,用于构建深度学习预测模型,并将归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;预测模块400,用于获取待预测数据样本,并基于训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。
由于该实施例中的基于深度学习的车辆耐候性温度预测装置与前述实施例中的基于深度学习的车辆耐候性温度预测方法的实现原理相同,故这里不再赘述。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的车辆耐候性温度预测方法,其特征在于,包括下述步骤:
获取训练数据,所述训练数据包括大气环境参数及其对应的车辆测点温度;
对所述大气环境参数及其对应的车辆测点温度进行归一化处理,得到归一化的训练数据样本;
构建深度学习预测模型,并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;
获取待预测数据样本,并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。
2.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述大气环境参数包括:大气瞬时温度、相对瞬时湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱辐射量总辐射、5°分光谱辐射量红外线、5°分光谱辐射量可见光5°分光谱辐射量紫外辐射、45°分光谱辐射量总辐射、45°分光谱辐射量红外线、45°分光谱辐射量紫外辐射、45°分光谱辐射量可见光、降水量、降水时数和直接辐照量中的至少一个。
3.根据权利要求2所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述车辆测点温度包括:前保险杠中部温度、顶棚内饰板后部温度、右外后视镜壳温度、副驾驶座垫温度、仪表板中部温度、后保险杠右侧温度、左A柱内部上护板温度、右B柱外部盖板温度和右前门内饰板上表面温度中的至少一个。
5.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述深度学习预测模型包括;
时序特征提取网络,用于对所述训练数据样本进行特征提取,得到训练数据样本对应的时间尺度下的大气环境特征;
全局特征提取网络,用于对所述训练数据样本进行特征提取,得到训练数据样本对应的全局尺度下的大气环境特征;
融合层,用于对所述时序特征提取网络输出的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合,得到融合特征;
第一全连接层,用于对所述融合层输出的融合特征进行特征分类,得到车辆测点温度的预测值。
6.根据权利要求5所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述时序特征提取网络包括三个依次连接的长短时记忆层。
7.根据权利要求5所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述全局特征提取网络包括压平全连接层和残差层,其中,
所述压平全连接层,用于对所述训练数据样本进行浅层特征提取,得到全局尺度下的初级特征;
所述残差层,用于对所述压平全连接层输出的全局尺度下的初级特征进行深度特征提取,得到全局尺度下的大气环境特征。
8.根据权利要求7所述的基于深度学习的车辆耐候性温度预测方法,其特征在于,所述残差层包括两个依次连接的残差全连接层,每一所述残差全连接层包括依次连接的归一化层、激活层和第二全连接层。
10.一种基于深度学习的车辆耐候性温度预测装置,其特征在于,包括:
训练数据样本获取模块,用于获取训练数据,所述训练数据包括大气环境参数及其对应的车辆测点温度;
归一化模块,用于对所述大气环境参数及其对应的车辆测点温度均进行归一化处理,得到归一化的训练数据样本;
模型构建与训练模块,用于构建深度学习预测模型,并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练,得到训练好的深度学习预测模型;
预测模块,用于获取待预测数据样本,并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测,得到车辆测点温度的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423713.0A CN112560173B (zh) | 2020-12-08 | 2020-12-08 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011423713.0A CN112560173B (zh) | 2020-12-08 | 2020-12-08 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560173A true CN112560173A (zh) | 2021-03-26 |
CN112560173B CN112560173B (zh) | 2021-08-17 |
Family
ID=75059724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011423713.0A Active CN112560173B (zh) | 2020-12-08 | 2020-12-08 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560173B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408740A (zh) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
CN113792474A (zh) * | 2021-07-19 | 2021-12-14 | 中国电器科学研究院股份有限公司 | 一种汽车部件在相近自然环境下的温度预测方法 |
CN114323672A (zh) * | 2021-11-19 | 2022-04-12 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575641A (zh) * | 2013-10-23 | 2014-02-12 | 中国电器科学研究院有限公司 | 一种利用氙灯试验控制汽车内饰部件耐候性质量的方法 |
CN106323856A (zh) * | 2016-09-13 | 2017-01-11 | 中国电器科学研究院有限公司 | 利用玻璃下限温试验箱评价汽车内饰件耐候性能的方法 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108674121A (zh) * | 2018-03-30 | 2018-10-19 | 温州长江汽车电子有限公司 | 一种乘用汽车的多温区车内温度控制系统及其控制方法 |
WO2019048085A1 (en) * | 2017-09-08 | 2019-03-14 | Ecole polytechnique fédérale de Lausanne (EPFL) | OPTIMIZING THE FORM OF TECHNICAL DEVICES THROUGH GRADIENT DESCENT USING CONVOLUTION NEURAL NETWORK REPRESENTATIVES |
CN110398320A (zh) * | 2019-07-09 | 2019-11-01 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测定位方法及系统 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN111062080A (zh) * | 2019-12-20 | 2020-04-24 | 哈尔滨工业大学 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
CN111105023A (zh) * | 2019-11-08 | 2020-05-05 | 中国科学院深圳先进技术研究院 | 数据流重构方法及可重构数据流处理器 |
EP3667664A1 (en) * | 2018-12-13 | 2020-06-17 | Hyundai Motor Company | Noise data artificial intelligence apparatus and pre-conditioning method for identifying source of problematic noise |
CN111562499A (zh) * | 2020-06-09 | 2020-08-21 | 温州长江汽车电子有限公司 | 一种新能源汽车锂动力电池热管理模拟方法 |
-
2020
- 2020-12-08 CN CN202011423713.0A patent/CN112560173B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575641A (zh) * | 2013-10-23 | 2014-02-12 | 中国电器科学研究院有限公司 | 一种利用氙灯试验控制汽车内饰部件耐候性质量的方法 |
CN106323856A (zh) * | 2016-09-13 | 2017-01-11 | 中国电器科学研究院有限公司 | 利用玻璃下限温试验箱评价汽车内饰件耐候性能的方法 |
WO2019048085A1 (en) * | 2017-09-08 | 2019-03-14 | Ecole polytechnique fédérale de Lausanne (EPFL) | OPTIMIZING THE FORM OF TECHNICAL DEVICES THROUGH GRADIENT DESCENT USING CONVOLUTION NEURAL NETWORK REPRESENTATIVES |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108674121A (zh) * | 2018-03-30 | 2018-10-19 | 温州长江汽车电子有限公司 | 一种乘用汽车的多温区车内温度控制系统及其控制方法 |
EP3667664A1 (en) * | 2018-12-13 | 2020-06-17 | Hyundai Motor Company | Noise data artificial intelligence apparatus and pre-conditioning method for identifying source of problematic noise |
CN110398320A (zh) * | 2019-07-09 | 2019-11-01 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测定位方法及系统 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN111105023A (zh) * | 2019-11-08 | 2020-05-05 | 中国科学院深圳先进技术研究院 | 数据流重构方法及可重构数据流处理器 |
CN111062080A (zh) * | 2019-12-20 | 2020-04-24 | 哈尔滨工业大学 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
CN111562499A (zh) * | 2020-06-09 | 2020-08-21 | 温州长江汽车电子有限公司 | 一种新能源汽车锂动力电池热管理模拟方法 |
Non-Patent Citations (2)
Title |
---|
TIEN-YUN LEE: "Prediction of Car Cabin Temperature Using Arti cial Neural Network", 《INTERNATIONAL MASTER"S PROGRAM IN COMPUTATIONAL MECHANICS》 * |
杨诚: "特种车辆油气弹簧漏气故障的识别与预测", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408740A (zh) * | 2021-05-28 | 2021-09-17 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
CN113408740B (zh) * | 2021-05-28 | 2023-08-01 | 联合汽车电子有限公司 | 转子温度的计算方法、装置、设备和存储介质 |
CN113792474A (zh) * | 2021-07-19 | 2021-12-14 | 中国电器科学研究院股份有限公司 | 一种汽车部件在相近自然环境下的温度预测方法 |
CN114323672A (zh) * | 2021-11-19 | 2022-04-12 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
CN114323672B (zh) * | 2021-11-19 | 2023-08-11 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112560173B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560173B (zh) | 一种基于深度学习的车辆耐候性温度预测方法及装置 | |
CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
Mba et al. | Application of artificial neural network for predicting hourly indoor air temperature and relative humidity in modern building in humid region | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
CN111639748A (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN112465243B (zh) | 一种空气质量预报方法及系统 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
CN111288973B (zh) | 海表流速获取方法、装置、计算机设备和存储介质 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN111461413A (zh) | 一种公路路面使用性能检测系统 | |
CN112036658A (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
Botha | Probabilistic models of design wind loads in South Africa | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
CN110059972A (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |