CN112744050A - 模型训练方法、空调控制方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供一种模型训练方法、空调控制方法、装置、设备及存储介质，方法包括：根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；保存训练好的预测模型，以供线上服务器调用各参数的预测模型，对当前接入线上服务器的用户进行参数预测，并输出各参数的预测模型得到的参数值至车载终端，以使车载终端按照参数值配置空调。这样，可以使得预测得到的参数值更符合用户实际喜好，从而达到更好的空调参数个性化定制效果。

Description

模型训练方法、空调控制方法、装置、设备及存储介质

技术领域

本申请涉及智能控制技术领域，具体而言，涉及一种模型训练方法、空调控制方法、装置、设备及存储介质。

背景技术

汽车空调系统是实现对车厢内空气进行制冷、加热、换气和空气净化的装置。它可以为乘车人员提供舒适的乘车环境，降低驾驶员的疲劳强度，提高行车安全。空调装置已成为衡量汽车功能是否齐全的标志之一。

目前，车载空调的控制方式通常是利用计算比较电路，通过传感器信号及预调信号控制调节机构工作，自动调节温度和风量。

但是，尽管现有车载空调具有自动调节能力，但是其调节方式是按照固定的控制程序进行的固定的控制，并不能满足不同人的需求，不能根据不同车主的个人喜好，设定私人定制化的空调控制参数，从而用户体验较差。

发明内容

本申请实施例的目的在于提供一种模型训练方法、空调控制方法、装置、设备及存储介质，用以解决现有技术不能满足不同人的需求，不能根据不同车主的个人喜好，设定私人定制化的空调控制参数，从而用户体验并不良好的技术问题。

本申请实施例提供了一种空调控制方法，应用于线上服务器中，所述方法包括：在接收到用户的空调启用信息时，获取当前环境信息，并根据所述空调启用信息中所述用户的标识信息，确定所述用户对应的各参数的标签化数据和用户画像数据；调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值；将各参数值输出至车载终端，以使所述车载终端按照所述参数值配置空调。

在上述实现过程中，通过结合用户标签化数据、用户画像数据和当前环境信息，进行各参数的预测，这样得到的参数值，可以更贴合于用户的实际使用习惯。此外，本申请中预测模型保存在本地服务器上，线上服务器仅通过调用实现实时预测，这就使得对于预测模型的训练以及后期的更新迭代，可以不影响线上预测的进行，从而保证用户的体验。

进一步地，调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值，包括：构造各参数对应的预测实例，所述预测实例中包括预测模型的操作函数以及预测模型的模型文件；调用预测函数将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测实例中；所述预测实例基于所述模型文件执行所述预测模型的操作函数，得到各参数对应的预测模型输出的参数值。

本申请实施例还提供了一种模型训练方法，应用于本地服务器中，所述方法包括：根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；保存训练好的预测模型。

在上述实现过程中，通过利用空调的各类参数对应的各用户的历史数据，进行数据标签化，从而得到各用户的标签化数据和用户画像数据，进而结合各参数对应的各用户的标签化数据、用户画像数据和历史数据，进行各参数对应的模型的训练，这样得到的模型，可以更真实准确的模拟出用户的实际使用习惯。由于结合了用户标签化数据和用户画像数据，可以实现对于不同用户的更准确的区分和模拟，从而使得模型的预测效果更好，能够更符合用户实际喜好，从而达到更好的空调参数个性化定制效果。此外，本申请中预测模型在本地训练，线上服务器通过调用实现实时预测，这就使得对于模型的训练以及后期的更新迭代，可以不影响线上预测的进行，从而保证用户的体验。

进一步地，所述方法还包括：在接收到用户反馈的不满意反馈信息时，根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练。

在上述实现过程中，通过利用用户反馈的不满意反馈信息中，携带的用户设定的参数值，对相应预测模型进行更新迭代，从而可以保持预测模型的可靠性。

进一步地，在根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练之前，所述方法还包括：确定当前接收到的用户反馈的不满意反馈信息的数量，满足预设模型更迭条件。

在实际应用中，本申请实施例中的预测模型是面向所有用户的，并非是针对单一用户设计的。因此，预测模型只需要能满足大多数用户的需求即可，若每收到一次不满意反馈信息即进行一次预测模型的更新迭代，那么对于本地服务器而言，运算成本无疑是非常高的。而通过上述实现过程，即可在保证大多数人的需求可以被满足的同时，有效降低运输成本，节约计算资源。

进一步地，在训练得到训练好的预测模型之后，保存训练好的预测模型之前，所述方法还包括：采用预设的评价指标评价所述预测模型，并将所述训练好的预测模型推送至所述线上服务器进行模型实测，接收实测过程中用户的反馈信息；确定基于所述评价指标对所述预测模型评价通过，且接收到的实测过程中用户的不满意反馈信息的数量，满足预设的模型通过条件；若基于所述评价指标对所述预测模型评价不通过，或接收到的实测过程中用户的不满意反馈信息的数量，未满足预设的模型通过条件，则继续对所述预测模型进行训练。

在上述实现过程中，通过结合线上评价指标评价的方式和线下实测的方式对预测模型进行综合评价，从而可以保证预测模型面向广大用户时，可以具有良好的服务用户的能力，保证预测的可靠性。

本申请实施例还提供了一种模型训练装置，应用于本地服务器中，包括：预处理模块、第一处理模块和保存模块；所述预处理模块，用于根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；所述第一处理模块，用于将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；所述保存模块，用于保存训练好的预测模型，以供线上服务器调用各参数的预测模型，对当前接入所述线上服务器的用户进行参数预测，并输出各参数的预测模型得到的参数值至车载终端，以使所述车载终端按照所述参数值配置空调。

本申请实施例还提供了一种空调控制装置，应用于线上服务器中，包括：确定模块、第二处理模块和输出模块；所述确定模块，用于在接收到用户的空调启用信息时，获取当前环境信息，并根据所述空调启用信息中所述用户的标识信息，确定所述用户对应的各参数的标签化数据和用户画像数据；所述第二处理模块，用于调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值；所述输出模块，用于将各参数值输出至车载终端，以使所述车载终端按照所述参数值配置空调。

本申请实施例还提供了一种电子设备，包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现上述任一种的空调控制方法或模型训练方法。

本申请实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的空调控制方法或模型训练方法。

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中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本申请实施例提供的一种空调控制方法的交互示意图；

图2为本申请实施例提供的一种空调控制系统的示意图；

图3为本申请实施例提供的一种较具体的空调控制系统的示意图；

图4为本申请实施例提供的一种应用于本地服务器中的模型训练装置的结构示意图；

图5为本申请实施例提供的一种应用于在线服务器中的空调控制装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

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描述。

实施例一：

为了解决现有技术不能满足不同人的需求，不能根据不同车主的个人喜好，设定私人定制化的空调控制参数，从而用户体验并不良好的技术问题，本申请实施例中提供了一种分别应用于本地服务器的模型训练方法和线上服务器上的空调控制方法。

参见图1和图2所示，图1为本申请实施例中提供的一种本地服务器、线上服务器和车载终端的交互流程示意图，包括：

S101：本地服务器根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据。

在本申请实施例中，可以搭建大数据平台，从而利用大数据平台对用户历史以来的对于空调的参数配置以及当时的环境信息(比如当时的室内外温度、空气质量、车内含氧量、车内湿度、车主健康信息等信息)等进行采集和保存，从而在需要进行训练模型时，得以具有历史数据的数据源。

需要说明的是，本申请实施例中的参数是指车辆上空调所需配置的各种参数，比如出风量、温度、湿度、除霜功能是否开启、新风功能是否开启、过滤功能是否开启的等。

还需要说明的是，本申请实施例中的用户可以是以车辆为单位构建的对象。在实际应用过程中，可以从每一个辆车上收集数据，并为每一辆车建档(比如以车牌号或车架号等作为唯一表示进行建档)，实现以车辆为单位的数据管理。

此外，在本申请实施例中用户也可以是以用户账号为单位构建的对象。此时，即需要用户先在车辆上登录自身的账号，从而实现基于账号的数据管理。

在本申请实施例中，本地服务器是指工程师可以进行操作的服务器，从而可以在其上实现各参数对应的预测模型的训练。

需要说明的是，标签化数据是基于各用户的历史数据得到的各类标签。比如，对于出风量这一参数对应的用户的历史数据，假设一历史数据为出风量为30，假设设定出风量在0至40内的对应“低风速”这一标签，那么则可以根据这一数据得到一标签化数据“低风速”。而用户画像数据则是根据用户的各标签化数据进行汇总得到，进而得到的可展示用户偏好的数据，比如，假设对于出风量这一参数，得到用户A的100个标签化数据，其中95个标签化数据均为“低风速”，假设设定当某一种标签的占比超过90％时，即对应“极度偏好XXX”(XXX为占比超过90％的标签)这一用户画像数据，那么即可以得到用户画像数据“极度偏好低风速”。

值得注意的是，在本申请实施例中，本地服务器可以从大数据平台获取到各参数对应各用户的历史数据，进而利用各种已有的数据标签化技术，从各用户的历史数据抽象出各用户的标签化数据，并基于各用户的标签化数据得到各用户的用户画像数据。

S102：将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息中的环境信息，输入至各参数对应的预测模型中进行模型训练。

在本申请实施例中，各类参数分别对应设置有一个预测模型，已通过各预测模型实现各参数的参数值的预测。比如，对于出风量、温度、湿度、除霜功能是否开启、新风功能是否开启、过滤功能是否开启的等参数会分别设置一个预测模型。

应理解，对于需进行数据采集和模型训练的参数，可以由工程师根据实际需要进行选定，并不限制于以上于出风量、温度、湿度、除霜功能是否开启、新风功能是否开启、过滤功能是否开启的等参数中的一种或多种。

还需要说明的是，在本申请实施例中，预测模型可以采用各种回归模型或分类模型实现。各参数采用何种模型，可以由工程师根据各参数的实际需求选择。比如对于出风量、温度、湿度等参数可以选用各种回归模型实现参数值预测，而对于除霜功能是否开启、新风功能是否开启、过滤功能是否开启的等参数值仅有两种(即仅包括开启与关闭两种参数值)的参数，则可以采用分类模型实现。

当然，前述预测模型的选型仅为一种可行示例，在实际应用中对于出风量、温度、湿度等可以具有多种参数值的参数也可以采用分类模型实现，而对于除霜功能是否开启、新风功能是否开启、过滤功能是否开启的等仅具有两种参数值的参数，也可以采用回归模型实现。

在本申请实施例中，在得到各参数对应各用户的历史数据、标签化数据和用户画像数据后，可以对这些数据进行划分，形成各参数对应训练集和测试集。

在本申请实施例中，可以按照7:3的比例划分出各参数对应训练集和测试集。当各参数对应各用户的历史数据、标签化数据和用户画像数据充足时，也可以采用更低比例进行划分，比如可以按照1:1的比例划分出各参数对应训练集和测试集。

需要注意的是，在本申请实施例中，可以采用有监督的学习方法实现对于各参数的预测模型的训练。为此，可以对训练集和测试集的各数据进行打标，即标注出训练集和测试集的各数据实际对应的参数值，从而保证训练效果。

S103：保存训练好的预测模型。

在本申请实施例中，可以采用预设的评价指标评价训练出的预测模型。比如采用准确率、召回率、F1值等指标评价方法实现对于各参数的预测模型的评价，从而在评价通过后，再保存训练好的预测模型。

但是需要理解的是，本申请实施例中训练出的各参数的预测模型将同时面向所有接入线上服务器的用户，因此要求各训练好的预测模型具有足够的可靠性。

为此，在本申请实施例中，还可以在采用预设的评价指标评价训练出的预测模型的同时，通过将待评价的预测模型推送给线上服务器，进行模型实测(即在小范围内面向特定用户采用这些待评价的预测模型进行参数值预测，也称内侧)，进而接收实测过程中用户的反馈信息，从而在基于评价指标对预测模型进行评价时，评价结果为通过，且接收到的实测过程中用户的不满意反馈信息的数量，也满足预设的模型通过条件时，才保存该训练好的预测模型。否则，就继续进行模型训练，直至通过前述两种评价为止。

而考虑到进行模型实测需要用户实际参与，成本较高，因此在本申请实施例中，可以先采用预设的评价指标评价训练出的预测模型。在基于评价指标的评价过程中，评价结果为通过时，再才将待评价的预测模型推送给线上服务器，进行模型实测。若在基于评价指标的评价过程中，评价结果即为不通过，那么则可以直接继续进行模型训练，避免进行无用的模型实测。

在本申请实施例中，模型通过条件可以由工程师根据实际需要进行设置。比如，可以设置模型通过条件为不满意反馈信息的数量占总的反馈信息的数量的比例低于预设值，比如低于80％。

S104：线上服务器在接收到用户的空调启用信息时，获取当前环境信息，并根据空调启用信息中该用户的标识信息，确定用户对应的各参数的标签化数据和用户画像数据。

在本申请实施例中，当前环境信息可以由车辆携带在空调启用信息中发送给线上服务器。

在本申请实施例中，在车辆接入线上服务器或用户账户登录后，车辆使用者开启空调功能时，线上服务器即接收到车辆发来的空调启用信息。此时，即可根据空调启用信息中用户的标识信息(比如车牌、车架号或用户账号等)，从而从数据平台中提取出该标识对应的标签化数据和用户画像数据。

S105：调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值。

在本申请实施例中，可以构造各参数对应的预测实例，在预测实例中包括预测模型的操作函数以及预测模型的模型文件。进而调用预测函数将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测实例中。此时，预测实例即可以基于模型文件执行预测模型的操作函数，得到各参数对应的预测模型输出的参数值。

S106：将各参数值输出至车载终端。

S107：车载终端按照该参数值配置空调。

需要注意的是，在本申请实施例中，可以通过车载终端反馈车辆使用者的满意情况。

示例性的，在车载终端按照该参数值配置空调后，若车辆使用者进行了空调的参数调整，比如将温度从28度调为了16度，那么则车载终端可自动将其操作协同参数调整时的环境信息一起上报至线上服务器。

在本申请实施例中，可以将车载终端反馈的这些信息作为不满意反馈信息，从而反馈给本地服务器，从而使得本地服务器根据用户设定的参数值和当时的环境信息，对该参数值对应的参数的预测模型进行新的模型更迭训练。

此外，在本申请实施例中，在车辆使用者调整了参数值后，还可以提供选项供用户选择是否是因不满意自动配置的参数值而从新进行的相关参数的调整，从而使得车辆使用者得以反馈不满意反馈信息和满意反馈信息。

进而，本地服务器在当前接收到的针对任一参数的用户反馈的不满意反馈信息的数量，满足预设模型更迭条件时，才基于接收到的该参数的各不满意反馈信息，更新训练集，重新对该参数的预测模型进行新的模型更迭训练。

需要理解的是，在本申请实施例中，车载终端可以实时反馈最新的环境信息，从而使得线上服务器不断进行参数值预测，从而实现对于空调的实时动态调整，从而满足用户的实际使用需求。

需要说明的是，上述本地服务器执行的过程即为本申请实施例中所提供的模型训练方法的实现过程，而线上服务器指向的过程即为本申请实施例中所提供的空调控制方法的实现过程。

需要理解的是，在本申请实施例中，本地服务器和在线服务器可以为不同的服务器，但是也可以为同一个服务器。

本申请实施例所提供的方案，通过利用空调的各类参数对应的各用户的历史数据，进行数据标签化，从而得到各用户的标签化数据和用户画像数据，进而结合各参数对应的各用户的标签化数据、用户画像数据和历史数据，进行各参数对应的模型的训练，这样得到的模型，可以更真实准确的模拟出用户的实际使用习惯。由于结合了用户标签化数据和用户画像数据，可以实现对于不同用户的更准确的区分和模拟，从而使得模型的预测效果更好，能够更符合用户实际喜好，从而达到更好的空调参数个性化定制效果。此外，本申请中预测模型在本地训练，线上服务器通过调用实现实时预测，这就使得对于模型的训练以及后期的更新迭代，可以不影响线上预测的进行，从而保证用户的体验。

实施例二：

本实施例在实施例一的基础上，以一种具体的空调控制过程为例，为本申请做进一步示例说明。

参见图3所示，本实施例中包括大数据平台、车载终端、线上服务器和本地服务器。

大数据平台采用hive、ES、spark等技术，对车辆的数据进行采集，存储和管理，形成以车牌为用户标识，采集的数据与用户标识相关联的数据管理机制。

本实施例中，假设配置了出风量、温度、除霜功能这三种参数的预测模型，分别对应图3中的预测模型1、预测模型2和预测模型3。

本地服务器从大数据平台中筛选出出风量、温度、除霜功能对应的历史数据，包括用户历史以来的对于空调的出风量、温度和除霜功能配置，以及当时的环境信息(比如当时的室内外温度、空气质量、车内含氧量、车内湿度、车主健康信息等信息)。

本地服务器对各参数的历史信息进行标签化处理，得到出风量、温度和除霜功能分别对应的各用户的标签化数据和用户画像数据。

对出风量、温度和除霜功能的各用户的标签化数据、用户画像数据和历史数据中的环境信息进行训练集和测试集划分，并按照历史数据中的配置信息进行打标。

将出风量的训练集输入至预测模型1中，将温度的训练集输入至预测模型2中，将除霜功能的训练集输入至预测模型3中，得到训练好的预测模型1至3，并分别使用出风量的测试集对训练好的预测模型1进行测试，使用温度的测试集对训练好的预测模型3进行测试，使用除霜功能的测试集对训练好的预测模型3进行测试。测试通过后，保存预测模型1至3。

线上服务器调用预测模型1至3进行当前接入的各用户的出风量设置值、温度设置值、除霜功能开启与否的预测，输出预测结果至车载终端。

车载终端按照线上服务器发来的出风量设置值、温度设置值、除霜功能控制参数值(假设为开启)，设置空调的出风量、温度，并开启除霜功能。

通过上述方案，可以实现对于不同用户的更准确的区分和模拟，从而使得模型的预测效果更好，能够更符合用户实际喜好，从而达到更好的空调参数个性化定制效果。

实施例三：

基于同一发明构思，本申请实施例中还提供了一种模型训练装置100和空调控制装置200。请参阅图4和图5所示，图4示出了采用图1所示的方法中，本地服务器所执行的步骤的模型训练装置，图5示出了采用图1所示的方法中，线上服务器所执行的步骤的空调控制装置。应理解，装置100和装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置100和装置200包括至少一个能以软件或固件的形式存储于存储器中或固化在装置100、装置200的操作系统中的软件功能模块。具体地：

参见图4所示，装置100应用于本地服务器中，包括：预处理模块101、第一处理模块102和保存模块103。其中：

所述预处理模块101，用于根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；

所述第一处理模块102，用于将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；

所述保存模块103，用于保存训练好的预测模型，以供线上服务器调用各参数的预测模型，对当前接入所述线上服务器的用户进行参数预测，并输出各参数的预测模型得到的参数值至车载终端，以使所述车载终端按照所述参数值配置空调。

在本申请实施例的一种可行实施方式中，所述第一处理模块102还用于，在接收到用户反馈的不满意反馈信息时，根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练。

在上述可行实施方式中，所述第一处理模块102还用于，在根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练之前，确定当前接收到的用户反馈的不满意反馈信息的数量，满足预设模型更迭条件。

在本申请实施例中，所述第一处理模块102还用于，在训练得到训练好的预测模型之后，保存训练好的预测模型之前，采用预设的评价指标评价所述预测模型，并将所述训练好的预测模型推送至所述线上服务器进行模型实测，接收实测过程中用户的反馈信息；确定基于所述评价指标对所述预测模型评价通过，且接收到的实测过程中用户的不满意反馈信息的数量，满足预设的模型通过条件；若基于所述评价指标对所述预测模型评价不通过，或接收到的实测过程中用户的不满意反馈信息的数量，未满足预设的模型通过条件，则继续对所述预测模型进行训练。

参见图5所示，装置200应用于线上服务器中，包括：确定模块201、第二处理模块202和输出模块203。其中：

所述确定模块201，用于在接收到用户的空调启用信息时，获取当前环境信息，并根据所述空调启用信息中所述用户的标识信息，确定所述用户对应的各参数的标签化数据和用户画像数据；

所述第二处理模块202，用于调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值；

所述输出模块203，用于将各参数值输出至车载终端，以使所述车载终端按照所述参数值配置空调。

在本申请实施例中，所述第二处理模块202具体用于，构造各参数对应的预测实例，所述预测实例中包括预测模型的操作函数以及预测模型的模型文件；调用预测函数将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测实例中；所述预测实例基于所述模型文件执行所述预测模型的操作函数，得到各参数对应的预测模型输出的参数值。

需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。

实施例四：

本实施例提供了一种电子设备，参见图6所示，其包括处理器601、存储器602以及通信总线603。其中：

通信总线603用于实现处理器601和存储器602之间的连接通信。

处理器601用于执行存储器602中存储的一个或多个程序，以实现上述实施例一和/或实施例二中本地服务器或在线服务器所执行的步骤。

可以理解，图6所示的结构仅为示意，电子设备还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。比如，图6还可以具有通信模组等部件。

本实施例还提供了一种计算机可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card，安全数码卡)卡、MMC(Multimedia Card，多媒体卡)卡等，在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一和/或实施例二中本地服务器或在线服务器所执行的方法。在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

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。

在本文中，多个是指两个或两个以上。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种空调控制方法，其特征在于，应用于线上服务器中，所述方法包括：

在接收到用户的空调启用信息时，获取当前环境信息，并根据所述空调启用信息中所述用户的标识信息，确定所述用户对应的各参数的标签化数据和用户画像数据；

调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值；

将各参数值输出至车载终端，以使所述车载终端按照所述参数值配置空调。

2.如权利要求1所述的空调控制方法，其特征在于，调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值，包括：

构造各参数对应的预测实例，所述预测实例中包括预测模型的操作函数以及预测模型的模型文件；

调用预测函数将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测实例中；

所述预测实例基于所述模型文件执行所述预测模型的操作函数，得到各参数对应的预测模型输出的参数值。

3.一种模型训练方法，其特征在于，应用于本地服务器中，所述方法包括：

根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；

将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；

保存训练好的预测模型。

4.如权利要求3所述的模型训练方法，其特征在于，所述方法还包括：

在接收到用户反馈的不满意反馈信息时，根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练。

5.如权利要求4所述的模型训练方法，其特征在于，在根据所述不满意反馈信息中携带的环境信息以及用户设定的参数值，对该参数值所属参数对应的预测模型中进行模型更迭训练之前，所述方法还包括：

确定当前接收到的用户反馈的不满意反馈信息的数量，满足预设模型更迭条件。

6.如权利要求3-5任一项所述的模型训练方法，其特征在于，在训练得到训练好的预测模型之后，保存训练好的预测模型之前，所述方法还包括：

采用预设的评价指标评价所述预测模型，并将所述训练好的预测模型推送至所述线上服务器进行模型实测，接收实测过程中用户的反馈信息；

确定基于所述评价指标对所述预测模型评价通过，且接收到的实测过程中用户的不满意反馈信息的数量，满足预设的模型通过条件；

若基于所述评价指标对所述预测模型评价不通过，或接收到的实测过程中用户的不满意反馈信息的数量，未满足预设的模型通过条件，则继续对所述预测模型进行训练。

7.一种模型训练装置，其特征在于，应用于本地服务器中，包括：预处理模块、第一处理模块和保存模块；

所述预处理模块，用于根据各参数对应各用户的历史数据，进行数据标签化，得到各参数对应的各用户的标签化数据和各用户的用户画像数据；

所述第一处理模块，用于将各参数对应的各用户的标签化数据、用户画像数据和历史数据中的环境信息，输入至各参数对应的预测模型中进行模型训练；

所述保存模块，用于保存训练好的预测模型。

8.一种空调控制装置，其特征在于，应用于线上服务器中，包括：确定模块、第二处理模块和输出模块；

所述确定模块，用于在接收到用户的空调启用信息时，获取当前环境信息，并根据所述空调启用信息中所述用户的标识信息，确定所述用户对应的各参数的标签化数据和用户画像数据；

所述第二处理模块，用于调用本地服务器中保存的各参数对应的训练好的预测模型，将各参数的当前环境信息、标签化数据和用户画像数据分别输入至各参数对应的预测模型中，得到各参数对应的预测模型输出的参数值；

所述输出模块，用于将各参数值输出至车载终端，以使所述车载终端按照所述参数值配置空调。

9.一种电子设备，其特征在于，包括：处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1或2所述的空调控制方法，或实现如权利要求3至6任一项所述的模型训练方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1或2所述的空调控制方法，或实现如权利要求3至6任一项所述的模型训练方法。

Images