CN112801202A - 车窗的起雾预测方法、系统、电子设备及存储介质 - Google Patents

车窗的起雾预测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112801202A
CN112801202A CN202110185004.1A CN202110185004A CN112801202A CN 112801202 A CN112801202 A CN 112801202A CN 202110185004 A CN202110185004 A CN 202110185004A CN 112801202 A CN112801202 A CN 112801202A
Authority
CN
China
Prior art keywords
fogging
parameters
future
time
parameter
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
Application number
CN202110185004.1A
Other languages
English (en)
Other versions
CN112801202B (zh
Inventor
丁家俊
龚启伟
牛立娟
袁熙娟
胡文涛
褚秉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanfeng Automotive Trim Systems Co Ltd
Original Assignee
Yanfeng Automotive Trim Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanfeng Automotive Trim Systems Co Ltd filed Critical Yanfeng Automotive Trim Systems Co Ltd
Priority to CN202110185004.1A priority Critical patent/CN112801202B/zh
Publication of CN112801202A publication Critical patent/CN112801202A/zh
Application granted granted Critical
Publication of CN112801202B publication Critical patent/CN112801202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车窗的起雾预测方法、系统、电子设备及存储介质，方法包括根据获取的特征参数预测对应的实时起雾参数，所述特征参数包括车辆参数、人员参数、环境参数及路况参数中的至少一种；根据所述实时起雾参数预测未来起雾参数；根据所述未来起雾参数判断所述车窗在未来是否起雾。本发明中，无需新增设备，通过车内已有的设备可以直接获取特征参数，通过直接获取的特征数据，可以预测能够反映车窗温度及湿度的实时起雾参数。通过实时起雾参数可以能够预测反应未来起雾趋势的未来起雾参数，从而对未来车窗的起雾情况进行及时、准确的预测。

Description

车窗的起雾预测方法、系统、电子设备及存储介质
技术领域
本发明涉及车窗起雾监测领域，特别涉及一种车窗的起雾预测方法、系统、电子设备及存储介质。
背景技术
车窗起雾是让不少驾驶员头疼的问题，其不仅影响到了驾驶员的正常驾驶，还可能会对驾驶员及车内乘客造成安全隐患。
而起雾一般有以下两点原因，原因之一在于：在空气湿度一定的情况下，车窗温度低于露点温度时，就会在车窗表面形成结露，也就是我们经常看到的前挡风玻璃起雾现象。原因之二在于：在车窗两侧出现一定的温差，温度低的表面水分饱和、蒸汽压低于周围环境的蒸汽压时，水汽就会向玻璃表面聚集，以微小的水珠形式渗析出来而形成雾汽。
传统的方式一般通过人为观察的方式来判断车窗是否起雾，在车窗起雾时，则操作车载设备来去除雾，这种方式缺少智能型，且在紧急情况下，可能存在车主对车窗起雾的状况来不及反应，来不及操作车载设备除雾的情况发生。
随着信息技术的发展，新出现了一种对于起雾状况的预测方法，即通过将传感器直接测得的车窗温度、湿度等参数输入至提前训练好的模型中以对当前的车窗起雾情况进行预测。而这种模型也是通过将传感器直接获得的历史车窗温度、湿度以等参数以及对应的车窗起雾程度输入至循环神经模型中进行训练得到的模型。通过这种方式能够对车窗起雾的情况进行智能化预测，但是缺点在于：第一、在这种方式下，需要对当前获得的温度、参数等进行实时计算，这样得到的实时的起雾状况会有延迟，即当预测出当前起雾情况时，这种起雾情况可能已经发生了；第二、用于测量温度及湿度的传感器一般装在仪表盘的下方，此处获得的温度或者湿度难以真实反应车窗及车窗周围的空气的温度及湿度，或者其反应的温度及湿度会有一定的滞后性；第三、这种方式需要对车辆同时安装温度传感器及湿度传感器，成本较高。
发明内容
本发明要解决的技术问题是为了克服现有技术中预测车窗起雾的方法具有滞后性且预测成本较高的缺陷，提供一种能够及时预测车窗起雾且预测成本较低的车窗的起雾预测方法、系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供了一种车窗的起雾预测方法，所述起雾预测方法包括：
根据获取的特征参数预测对应的实时起雾参数，所述特征参数包括车辆参数、人员参数、环境参数及路况参数中的至少一种；
根据所述实时起雾参数预测未来起雾参数；
根据所述未来起雾参数判断所述车窗在未来是否起雾。
较佳地，所述根据获取的特征参数预测对应的实时起雾参数的步骤包括：
根据获取的若干特征参数预测若干对应的实时起雾参数，并由所述若干对应的实时起雾参数构成起雾参数时间序列；
所述根据所述实时起雾参数预测未来起雾参数的步骤包括：根据所述起雾参数时间序列预测未来起雾参数。
较佳地，所述起雾参数包括内车窗和/或外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种。
较佳地，所述根据获取的特征参数预测对应的实时起雾参数的步骤包括：
将获取的特征参数输入至参数预测模型中以获取对应的实时起雾参数，所述参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。
较佳地，若所述根据所述未来起雾参数判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不一致，则利用历史获取的特征参数及对应预测的实时起雾参数对所述参数预测模型进行分析、验证和/或更新。
较佳地，所述根据所述起雾参数时间序列预测未来起雾参数的步骤包括：
将所述起雾参数时间序列输入至起雾预测模型中以获取所述未来起雾参数，所述起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试所述第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。
较佳地，当所述判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不相符时，将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对所述起雾预测模型进行分析、验证和/或更新。
较佳地，当判断所述车窗在未来会起雾时，所述起雾预测方法还包括：
根据所述未来起雾参数计算起雾厚度；
根据所述起雾厚度计算雾的能见度；
根据所述雾的能见度以及所述车窗的本体的能见度计算车窗能见度。
较佳地，所述根据所述未来起雾参数计算起雾厚度的步骤中，根据第一公式计算未来的起雾厚度tf，所述第一公式为：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示所述目标液体的摩尔体积，RH表示所述车窗周围的相对湿度，R表示通用气体常数，Ta表示所述车窗周围的温度，λ表示目标常数。
较佳地，所述起雾预测方法还包括：根据起雾风险参数确定对应的起雾风险等级，所述起雾风险参数包括所述车窗能见度、所述车辆的当前车速及预计起雾时间中的至少一种。
较佳地，所述根据起雾风险参数确定对应的起雾风险等级的步骤后还包括：
根据所述未来起雾风险等级进行对应的起雾预防操作。
本发明还提供了一种车窗的起雾预测系统，所述起雾预测系统包括：实时参数预测模块、未来参数预测模块及起雾判断模块；
所述实时参数预测模块用于根据获取的特征参数预测对应的实时起雾参数，所述特征参数包括车辆参数、人员参数、环境参数及路况参数中的至少一种；
所述未来参数预测模块用于根据所述实时起雾参数预测未来起雾参数；
所述起雾判断模块用于根据所述未来起雾参数判断所述车窗在未来是否起雾。
较佳地，所述实时参数预测模块用于根据获取的若干特征参数预测若干对应的实时起雾参数，并由所述若干对应的实时起雾参数构成起雾参数时间序列；
所述未来参数预测模块用于根据所述起雾参数时间序列预测未来起雾参数。
较佳地，所述起雾参数包括内车窗和/或外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种。
较佳地，所述实时参数预测模块用于将获取的特征参数输入至参数预测模型中以获取对应的实时起雾参数，所述参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。
较佳地，所述起雾判断模块还用于若所述根据所述未来起雾参数判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不一致，则利用历史获取的特征参数及对应预测的实时起雾参数对所述参数预测模型进行分析、验证和/或更新。
较佳地，所述未来参数预测模块用于将所述起雾参数时间序列输入至起雾预测模型中以获取所述未来起雾参数，所述起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试所述第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。
较佳地，所述未来参数预测模块还用于当所述判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不相符时，将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对所述起雾预测模型进行分析、验证和/或更新。
较佳地，所述起雾预测系统还包括起雾厚度计算模块、第一能见度计算模块及第二能见度计算模块，所述起雾判断模块还用于当判断所述车窗在未来会起雾时调用所述起雾厚度计算模块；
所述起雾厚度计算模块用于根据所述未来起雾参数计算起雾厚度；
所述第一能见度计算模块用于根据所述起雾厚度计算雾的能见度；
所述第二能见度计算模块用于根据所述雾的能见度以及所述车窗的本体的能见度计算车窗能见度。
较佳地，所述第一能见度计算模块用于根据第一公式计算未来的起雾厚度tf，所述第一公式为：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示所述目标液体的摩尔体积，RH表示所述车窗周围的相对湿度，R表示通用气体常数，Ta表示所述车窗周围的温度，λ表示目标常数。
较佳地，所述起雾预测系统还包括：风险等级确定模块，用于根据起雾风险参数确定对应的起雾风险等级，所述起雾风险参数包括所述车窗能见度、所述车辆的当前车速及预计起雾时间中的至少一种。
较佳地，所述起雾预测系统还包括起雾预防模块，用于根据所述未来起雾风险等级进行对应的起雾预防操作。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的车窗的起雾预测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上一项所述的车窗的起雾预测方法。
本发明的积极进步效果在于：本发明中，无需新增设备，通过车内已有的设备可以直接获取特征参数，通过直接获取的特征数据，可以预测能够反映车窗温度及湿度的实时起雾参数。通过实时起雾参数可以能够预测反应未来起雾趋势的未来起雾参数，从而对未来车窗的起雾情况进行及时、准确的预测。
本发明中，利用包括多为大数据的特征参数、实时起雾参数、未来起雾参数，可以提供全行程的起雾预报，实现全行程不起雾。
本发明中，根据当前车速、预计起雾时间以及车窗能见度确定未来起雾风险等级，克服了现有技术中对起雾风险等级定义较粗，且没有考虑起雾趋势的缺陷。本发明智能化程度高，根据起雾原理，量化了起雾趋势(起雾参数时间序列)和等级，并根据不同的未来起雾风险等级生成提示信息进行提醒，以及进行对应的预防措施，从而防止因起雾导致的行车事故。
本发明中，无需一直打开空调或者其他的防雾车辆设备，对不同场景进行了最优计算，只有在满足一定条件时才会自动控制对应的车辆设备运行来进行起雾预防，节省能源，降低车内噪声，提高了本发明的经济性。
本发明中，设置了反馈回路，在起雾预测结果不准时，可以上报车内实际特征参数和对应预测的起雾参数，自动实现大数据模型的更新和优化。
附图说明
图1为本发明实施例1的车窗的起雾预测方法的流程图。
图2为本发明实施例1中部分特征参数来源及测量采样方式的示意图。
图3为本发明实施例1中露点表的整体示意图。
图4为本发明实施例1中露点表的局部示意图。
图5为本发明实施例1中参数预测模型的训练流程图。
图6为本发明实施例1中起雾预测模型的训练流程图。
图7为本发明实施例1中时间序列的具体形式的示意图。
图8为本发明实施例1中进行起雾预防的流程图。
图9为本发明实施例1中起雾风险参数与起雾风险等级的对应关系示意图。
图10为本发明实施例1中在驾驶前的进行起雾预测及预防的流程图。
图11为本发明实施例1中在驾驶中的进行起雾预测及预防的流程图。
图12为本发明实施例1中在驾驶后对模型进行更新的流程图。
图13为本发明实施例2的车窗的起雾预测系统的模块示意图。
图14为本发明实施例2的车窗的起雾预测系统的部分模块示意图。
图15为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本发明提供了一种车窗的起雾预测方法，如图1所示，该起雾预测方法包括：
步骤101、根据获取的特征参数预测对应的实时起雾参数。
其中，特征参数可以通过传感器直接获取、可以通过终端设备获取、也可以联网获取。具体的获取方式可以根据实际需求进行选择，其中，特征参数为可能会影响内车窗或外车窗的湿度或温度的参数，具体的特征参数包括车辆参数、人员参数、环境参数及路况参数等等，其中，车辆参数包括一些车辆本身的参数以及与车辆运行相关的参数，如：车辆的车速、雨刷的档位、车厢型号等等；人员参数包括人员的数量、人员的类型，如：车内成人的数量、车内儿童的数量等等；环境参数包括车外环境参数以及车内环境参数，如车外温度、车内温度、车外光照强度等等；路况参数包括行车路线中的特殊路况，如桥梁、隧道等等。
图2示出了在一种具体的实施方式中的部分特征参数，对应的参数来源以及测量的采样方式，如，对于车内实时温度，可以通过车内温度传感器直接采样获取，又如，对于车内儿童人数，可以通过座舱摄像头进行识别。
应当理解，本实施例中，特征参数的类型以及数量可以根据实际情况进行选择，本实施例中所列举的特征参数的类型以及数量不应当成为对本实施例的限制。
本实施例中，可以根据预设的特征参数与实时起雾参数的对应关系，根据当前获取的特征参数来获取对应的实时起雾参数，也可以通过预先训练好的模型，由当前获取的特征参数预测对应的实时起雾参数。
其中，实时起雾参数包括内车窗的：周边温度、周边湿度、表面温度及表面湿度，以及外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种，其中实时起雾参数的类型和数量可以根据实际情况进行选择，如，最终想要预测的为内车窗的起雾情况，则实时起雾参数可以选择内车窗的周边温度、周边湿度、表面温度及表面湿度；如，最终想要预测的为外车窗的起雾情况，则实时起雾参数可以选择外车窗的周边温度、周边湿度、表面温度及表面湿度；如最终想同时预测内车窗和外车窗的起雾情况，则可以同时获取以上起雾参数。
本实施例中，无需新增设备，通过车内已有的设备(如温度传感器、摄像头、联网终端)可以直接获取特征参数，通过直接获取的特征数据，可以预测能够反映车窗温度及湿度的实时起雾参数。本实施例与现有技术在进行起雾预测时，通常需要额外增加湿度传感器的方案相比，大大节约了成本，提高了经济性；并且通过传感器直接获取的特征参数来预测实时起雾参数，避免了现有技术中通过传感器直接获取的实时起雾参数(如：设置在仪表盘下的温度传感器)无法真实且及时地反映车窗的温度及湿度的缺陷，提高了实时起雾参数的数据准确性，进一步也避免了实时起雾参数获取的滞后性。
步骤102、根据实时起雾参数预测未来起雾参数。
其中，可以根据预设的实时起雾参数与未来起雾参数的对应关系，根据当前预测的实时起雾参数来进一步获取对应的未来起雾参数，也可以通过预先训练好的模型，由当前预测的实时起雾参数进一步预测对应的未来起雾参数。
步骤103、根据未来起雾参数判断车窗在未来是否起雾。
具体的，步骤103可以根据预设的未来起雾参数的不同范围与车窗是否起雾的结果的对应关系来判断车窗在未来是否起雾，如当内车窗温度位于第一温度范围、内车窗湿度位于第一湿度范围、玻璃温度位于第一玻璃温度范围、玻璃湿度位于第一玻璃湿度范围时内车窗会起雾，则当预测的未来起雾参数满足前述范围时，则判断内车窗在未来会起雾。
应当理解，外车窗起雾判断的原理可以参照内车窗，此处便不再赘述。
图3示出了露点表，本实施例中，在一种具体实施方式下，可以根据露点表来判断内车窗在未来是否起雾，为了更好的说明本实施例，下面截取该露点表中的部分内容(图4)对本实施例进行说明：
如：当未来起雾参数中的车内温度，即内车窗周边温度为10度左右，未来起雾参数中的车内相对湿度，即内车窗周边湿度为95左右，则此时，当未来起雾参数中的内车窗表面温度超过9.2度时，则表明未来内车窗会起雾；
又如：当未来起雾参数中的车内温度，即内车窗周边温度为11度左右，未来起雾参数中的车内相对湿度，即内车窗周边湿度为95左右，则此时，当未来起雾参数中的内车窗表面温度超过10.2度时，则表明未来内车窗会起雾。
同理，外车窗起雾的判断方式可以参考上述内车窗的判断方式，此处便不再赘述。
本实施例中，可以根据实时起雾参数预测未来一定时间的起雾参数，进一步根据未来起雾参数判断车窗在未来是否起雾，一方面，可以及时预测车窗在未来的起雾情况，避免起雾预测的滞后性，另一方面，也可以提醒用户提前对车窗未来的起雾情况进行预防，避免用户来不及对当前的起雾情况进行回应，从而影响用户驾驶安全的情况发生。
本实施例中，通过包括路况参数的特征参数来预测实时起雾参数，可以在一些特殊路况的情况下(如：当车辆进入隧道时，内车窗可能会快速起雾)，及时预测到未来的起雾情况，从而避免在车辆高速运行的情况下，突然的起雾对驾驶员以及车内乘客的人身安全造成威胁。
在一种优选的实施方式中，步骤102具体包括：根据获取的若干特征参数预测若干对应的实时起雾参数，并由若干对应的实时起雾参数构成起雾参数时间序列，在这种情况下步骤103具体包括：根据起雾参数时间序列预测未来起雾参数。
基于时间的连续性，前后时间车窗的起雾情况也具有密切的关联性，本实施例中，由按时间顺序排列的实时起雾参数构成起雾参数时间序列预测未来起雾参数，可以更好地预测能反应未来真实起雾情况的未来起雾参数。
在一种优选的实施方式中，步骤101具体通过将特征参数输入至参数预测模型中来获取对应的直接起雾参数。
其中，参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。具体的，测试的特征参数及测试的实时起雾参数可以利用一定数量的测试车辆，通过传感器、联网、终端设备等直接获取测试的特征参数及测试的实时起雾参数。
图5示出了一种具体实施方式中的模型训练方式，由采集的测试车辆的特征参数作为原始数据。由于特征空间不易确定特征值的线性或非线性影响，本实施例采用支持向量回归模型，通过调整线性核函数和非线性核函数及其参数来实现。
通过采集的实时起雾参数，再对原始数据，即特征参数进行打标签，打完标签的数据作为训练样本存入样本库，并对样本进行预处理：包括清理,归一化和PCA(PrincipalComponent Analysis主成分分析法)等。
在训练模型时，本实施例采用支持向量机回归，将带有标签的数据集输入支持向量机回归模型，使用MSE(均方误差)或R2 Score(一种决定系数评价标准)作为评价指标，通过网格搜索方法，得到最优参数。
在验证模型时，本实施例采用Shuffle Split(随机排列交叉)验证，随机生成3组，验证集比例0.2。
在测试模型时，本实施例采用5％样本空间进行模型测试。
在误差小于误差阈值β后，则认为模型训练成功，得到参数预测模型。之后，则可以部署模型，如：可以将参数预测模型部署到智能座舱、部署到控制器、部署到其他的终端设备、部署到与车可以交互的云端或者其他设备中等等。
本实施例中，若步骤103的判断结果与实际起雾结果不一致，则可以利用历史获取的特征参数及对应预测的实时起雾参数对参数预测模型进行分析、验证和/或更新。
由于现有技术对起雾的预测方法，在出厂后，就不会进行升级了，除非去刷机，这样无疑增加了预测成本以及实施难度，而本实施例中，设置了反馈回路，即预测结果与实际起雾结果不一致时，可以利用车辆终端反馈的实际数据，对参数预测模型进行分析、验证和/或更新，从而可以以低成本的方式自动实现基于大数据的参数预测模型的更新和优化，进一步提高了起雾预测的准确性。
在一种优选的实施方式中，步骤102具体通过将起雾参数时间序列输入至起雾预测模型中以获取未来起雾参数。
其中，起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。具体的，测试的第一实时起雾参数及测试的第二未来起雾参数可以利用一定数量的测试车辆，通过传感器、联网、终端设备等直接获得。
本实施例中优选训练时间序列模型以更好地反应起雾情况随着时间的变化，以预测未来起雾的趋势。其中，本实施例具体采用ARIMA(整合移动平均自回归模型)模型进行训练，可以使时间序列中最新的数据具有更大的影响权重，更好的通过连续的时间反应未来起雾趋势。图6示出了一种具体实施方式中的模型训练方式：
通过连续自动采集测试车辆的实时起雾参数，即内车窗、外车窗的周围温度，周围湿度，表面温度、表面湿度作为样本数据存入样本库。
如图7所示，读取样本库中的每一列特征数据作为一个时间序列(时间序列1～5)，进行判断，判断其是否为平稳时间序列，若平稳则直接进入步模型识别及定阶；若不平稳则进行数据处理，处理后才能进入模型识别及定阶。通过自相关和偏自相关函数，并结合AIC(赤池信息准则)或BIC(贝叶斯信息准则)对建立的模型进行模型识别和定阶。
完成模型识别和定阶后，进入模型的参数(p,d,q)估计阶段。
完成参数估计后，对拟合的模型进行适应性检验。如果拟合模型通过检验，则开始进行预测阶段。若模型检验不通过，则重新进行模型识别和检验，重新选择模型。
选择适应性高的拟合模型，作为起雾预测模型。
本实施例中，通过对时间序列模型进行训练得到起雾预测模型，由此，更好地反应前后时间点起雾情况的变化趋势，如当前车辆位于隧道中，前2秒的时候，车辆刚进入隧道，而前5分钟的时候车辆还未进入隧道，则时间序列中前两秒的实时起雾参数所占得权重相对于前5分钟的实时起雾参数所站的权重更高，因此，其更能反映当前及未来的起雾情况，通过采用时间序列模型，本实施例可以得到更能及时且准确预测未来起雾情况的起雾预测模型。
本实施例中，若步骤103的判断结果与实际起雾结果不一致，则可以将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对起雾预测模型进行分析、验证和/或更新。
本实施例中当预测结果与实际起雾结果不一致时，可以利用车辆终端反馈的实际数据，对参数预测模型进行分析、验证和/或更新，从而可以以低成本的方式自动实现基于大数据的起雾预测模型的更新和优化，进一步提高了起雾预测的准确性。
本实施例中，当步骤103中判断出车窗在未来会起雾时，该起雾预测方法还可以进一步包括根据未来起雾参数确定车窗能见度的步骤，具体的，该步骤可以包括：
步骤104、根据未来起雾参数计算起雾厚度。
具体的，可以根据下述公式计算未来的起雾厚度tf：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示目标液体的摩尔体积，RH表示车窗周围的相对湿度，R表示通用气体常数，Ta表示车窗周围的温度，λ表示目标常数。
其中，在一般情况下，目标液体为水，但是不排除在特殊情况下可以采用其他的液体作为目标液体，目标液体可以根据实际情况进行选择，RH、Ta即为未来起雾参数中的车窗周边的湿度及温度，具体使用内车窗、外车窗还是二者均使用可以根据具体情况进行选择。
步骤105、根据起雾厚度计算雾的能见度。
步骤106、根据雾的能见度以及车窗的本体的能见度计算车窗能见度。
具体的，步骤105及106可以根据下述公式计算未来的车窗的能见度T：
T＝(1-rg)2*e-βg*tg*(1-rf)2*e-βf*tf
其中，(1-rg)2*e-βg*tg表示车窗的本体的能见度(在一种具体实施方式中，为玻璃，在其他具体实施方式中，也可以根据车窗的本体的不同材料来获取对应材料的能见度)，(1-rf)2*e-βf*tf表示雾的能见度，其中，rg与rf分别表示车窗的本体的反射率及雾的反射率，βg与βf分别表示车窗的本体的吸收率及雾的吸收率，tg与tf分别表示车窗的本体的介质厚度及雾的介质厚度。
本实施例中，可以通过预测的未来起雾参数计算出更准确、更能反映未来真实情况的起雾厚度，通过起雾厚度可以计算雾的能见度，从而可以基于雾的能见度以及车窗的本体的能见度计算车窗能见度，据此，可以判断未来起雾的严重程度，以更好地防止交通事故的发生。
本实施例中，如图8所示，步骤106后还可以进一步包括：
步骤201、获取未来起雾风险参数。
其中，未来起雾风险参数为可能会威胁到驾驶员的驾驶安全的参数，其可以根据实际情况进行选择，在一种具体的实施方式中，起雾风险参数包括车窗能见度、车辆的车速及预计起雾时间等等。
其中，车辆的车速为车辆的当前的车速，预计起雾时间为当判断车窗在未来会起雾时，对应的预测起雾时间。应当理解，预计起雾时间既可以是未来的时间点，也可以是未来的一段时间，如，当前时刻为t0，预计起雾时间可以是未来的时间点t1，也可以是未来的一段时间t1-t2。
步骤202、根据未来起雾风险参数获取对应的未来起雾风险等级。
其中，可以预设起雾风险参数与起雾风险等级的对应关系，在车辆行驶的过程中，可以根据当前获取的起雾风险参数及前述对应关系来获取对应的未来起雾风险等级。
为了更好的理解本实施例，下面以起雾风险参数包括车窗能见度、车辆的车速及预计起雾时间这三种参数为例，对起雾风险等级的获取方式进行举例说明：
如图9所示，本实施例根据预先对测试车辆的测试实验结果设置了三种能见度等级：当车窗能见度位于第一能见度范围时，能见度等级为H1，当车窗能见度位于第二能见度范围时，能见度等级为H2，当车窗能见度位于第三能见度范围时，能见度等级为H3；本实施例还预先设置了三种车速等级，当车速位于第一车速范围时，车速等级为V1，当车速位于第二车速范围时，车速等级为V2，当车速位于第三车速范围时，车速等级为V3；本实施例还预先设置了三种预计起雾时间等级，当预计起雾时间位于第一预计起雾时间范围时，预计起雾时间等级为T1，当预计起雾时间位于第二预计起雾时间范围时，预计起雾时间等级为T2，当预计起雾时间位于第三预计起雾时间范围时，预计起雾时间等级为T3。
其中，其中T1>T2>T3，时间越短代表紧急程度越高，H1>H2>H3，能见度等级越低代表起雾的规模越大，V1<V2<V3，车速越快代表危险程度越高，表格中的Low表示未来起雾风险等级低，表格中的Medium表示未来起雾风险等级中，表格中的High表示未来起雾风险等级高，表格中的Super表示未来起雾风险等级高严重。如，当能见度等级为H1，车速的等级为V3，预计起雾时间的等级为T3时，对应的未来起雾风险等级为中。
应当理解，在实际情况中，对起雾风险参数类型的选择，对各起雾风险参数不同区间的划分，区间数量的选择，起雾风险参数与起雾风险等级的对应关系，以及起雾风险的数量及类型都可以根据实际情况或者对测试车辆的实际测试情况进行选择，前述具体举例不应当成为对本实施例的限制。
本实施例中，可以根据获取的起雾风险参数获取对应的未来起雾风险等级，以便于用户或者车辆自动根据不同的未来起雾风险等级进行不同的起雾预防操作，这种方式也增加了起雾预测结果的丰富程度，以及提高了起雾预测及预防的智能性。
应当理解，在另一实施例中，也可以不执行步骤203。
步骤203、根据未来起雾风险等级进行对应的起雾预防操作。
本实施例中，可以预先预设起雾风险等级与具体的起雾预防操作的对应关系，在实际使用的过程中，则可以根据当前预测的未来起雾风险等级对未来起雾进行预防。如，在起雾风险等级较低的情况下，则可以仅仅提示用户未来会起雾，用户可以根据提示信息，自行决定要不要开启相关车辆设备，而当风险等级较高的情况下，则可以自动开启对应的车辆设备以进行起雾预防。
本实施例中，根据起雾风险等级进行对应的起雾预防操作，既克服了需要用户完全自主启动起雾设备去除车窗上的雾的不便捷性、低智能性以及低安全性的缺陷，又避免了需要保持空调打开，才能自动进行起雾预防的高成本性的缺陷。
本实施例中，在一种具体的实施方式中，步骤203包括根据未来起雾风险等级控制对应的车辆设备运行以进行未来起雾预防。在这种方式下，可以通过全自动的方式控制车辆设备的运行以对不同起雾风险等级的起雾状况进行防御，进一步提高了本实施例的智能性。
如，在起雾风险等级较低时可以仅仅控制车窗开启来进行未来起雾预防，而在起雾风险等级较高时可以控制车辆除湿装置的开启以及空调的开启来进行未来起雾预防，应当理解，风险等级与车辆设备的对应关系可以根据实际需求进行选择。
在另一种情况下，步骤203包括当未来起雾风险等级大于或等于干预阈值时，才执行根据未来起雾风险等级控制对应的车辆设备运行的步骤，这种方式下，只有在起雾风险等级大于或等于干预阈值时才会自动执行根据未来起雾风险等级控制对应的车辆设备运行的步骤，而在起雾风险等级小于干预阈值时，则不会自动控制对应车辆设备运行。这种情况下，当风险程度较低时，一般不会对用户的安全性造成影响，用户可以自行决定是否要进行起雾预防，如可以采用一些较为简单的方式：如打开车窗，即可达到除雾的目的，而当起雾风险等级较高时，则会自动控制对应车辆设备的运行来达到自动除雾的目的，这样也避免了现有技术中某些智能车辆只要预测到了起雾就会自动开启除湿器或者空调来除雾，而造成的噪声干扰，影响用户正常驾驶体验的缺陷。
由于不同的车辆可能具有不同的车辆设备，因此，本实施例的步骤203可以具体包括：获取车辆的型号、根据型号获取起雾风险等级与车辆设备的对应关系，并且根据该对应关系控制对应的车辆设备运行。
应当理解，即便不同车辆型号的车具有相同的车辆设备，也可以根据不同的车辆型号设置不同的起雾风险等级与车辆设备的对应关系，从而为不同车辆型号的车提供个性化车辆预防需求。
本实施例中的车辆设备为可以对车窗起雾进行预防或去除的设备、模块或者车载系统，如除湿装置、冷风装置、车窗开启系统、外循环系统、内循环系统、车窗清洁系统等等。
本实施例中，为了进一步进行起雾预防，步骤203还可以进一步包括根据未来起雾风险等级输出对应类型的提醒信息的步骤。
在一种具体的实施方式中提醒信息的内容包括起雾预测时间、未来起雾风险等级以及与未来起雾风险等级对应的起雾预防措施等等，应当理解，提醒信息的具体实现方式可以根据实际情况进行选择。
为了更好的理解本实施例，下面通过一具体实例来对本实施例进行说明：
当预测到的未来起雾风险等级较低时，可以发出语音、显示或者其他能够引起用户注意的信息来提醒用户起雾预测时间；当未来起雾风险等级中等或中等以上时，在发出提醒用户起雾预测时间的提醒信息后，若间隔一预设时间，没有监测到用户对应的起雾预防措施时，则可以进一步发出提醒用户未来起雾风险等级的提醒信息，若间隔一预设时间后，仍然没有监测到用户对应的预防起雾措施，则可以更进一步发出提醒用户与未来起雾风险等级对应的起雾预防措施的提醒信息。
本实施例中，可以根据未来起雾风险等级输出对应类型的提醒信息，用户在开车的过程中，则可以根据提醒信息的具体内容进行对应的起雾预防操作，从而在预防起雾风险的同时，使用户更容易接受，进一步提高了用户的体验度。
为了更好的理解本实施例中的整体方案，下面通过一具体实例对本实施例进行说明：
图10、11及12分别为在驾驶前、驾驶中及驾驶后根据本实施例中的方案进行的起雾预测以及预防。
如图10所示，在驾驶前，若判断用户需要驾驶车辆，则获取用户的驾驶目的地及行车路线，具体的，可以根据大数据统计的用户驾驶车辆的日期、时间、地点来计算出每天、或特定日期驾驶车辆的时间、车辆的地点等，在当前日期和/或地点和/或时间符合计算出的对应的日期、地点及时间时，则认为用户需要驾驶车辆，而后还可以进一步根据前述统计的大数据来获取用户的驾驶目的地以及行车路线。
在参数检测阶段，由于此时车辆还未行驶，因此此时的特征参数偏向于获取诸如环境参数、车辆参数及人员参数等即便车辆未在行驶状态下，也易影响车窗的温度及湿度的参数。
之后可以进行参数检测，即将获取的车辆当前的特征参数输入至训练好的参数预测模型中。接着，进行起雾判断，即通过参数预测模型可以输出实时起雾参数，通过将由实时起雾参数输入至起雾预测模型，可以获取未来起雾参数。
根据未来起雾参数一方面可以判断在未来一段时间内车窗是否会起雾，如果会起雾则可以根据未来起雾情况进一步判断未来起雾风险等级，并且基于起雾风险等级向用户提供对应的进行起雾预防的干预措施建议，进一步的还可以根据前述干预措施建议自动控制对应的车辆设备进行起雾预防，以及进一步向用户发送提醒信息来对未来起雾状况进行预防。
自此，驾驶前阶段完成。
如图11所示，在驾驶中，可以根据驾驶中实时获取的特征参数来循环进行未来起雾预测与预防。
在参数检测阶段，由于此时，车辆已在行驶中，可能由于不同的路况影响到车窗的起雾情况，如，在桥梁上行驶、在隧道内行驶、在海边行驶与在常规路边的起雾预测情况可能不同，因此，此时的特征参数进一步包括了路况参数，以更有效的预测未来真实的起雾情况。
之后可以通过将特征参数输入至参数预测模型中来获取实时起雾参数。由于在驾驶过程中，基于时间的连续性，前后时间车窗的起雾情况也具有密切的关联性，本实施例中，由按时间顺序排列的实时起雾参数构成起雾参数时间序列预测未来起雾参数，可以更好地预测能反应未来真实起雾情况的趋势的未来起雾参数，以进一步预测未来一定时间范围的未来起雾风险，根据未来起雾风险可以提出对应的干预措施建议，根据干预措施建议可以自动控制对应的车辆设备进行起雾预防，以及进一步向用户发送提醒信息来对未来起雾状况进行预防。
此外，无论是在驾驶前还是在驾驶中，均可以进一步采集用户对干预措施的建议和反馈，并将其进行存储，如当起雾预测结果与真实起雾结果不相符合时，可以存储真实获取的数据及基于获取的数据预测的数据。
如图12所示，在驾驶后，可以根据用户反馈的存储的数据进行算法模型的迭代优化，从而可以生成新的参数预测模型和/或新的起雾预测模型，在将前述新的模型更新至车辆。
实施例2
本实施例提供了一种车窗的起雾预测系统，如图13所示，所述起雾预测系统包括：实时参数预测模块301、未来参数预测模块302及起雾判断模块303。
其中，特征参数可以通过传感器直接获取、可以通过终端设备获取、也可以联网获取。具体的获取方式可以根据实际需求进行选择，其中，特征参数为可能会影响内车窗或外车窗的湿度或温度的参数，具体的特征参数包括车辆参数、人员参数、环境参数及路况参数等等，其中，车辆参数包括一些车辆本身的参数以及与车辆运行相关的参数，如：车辆的车速、雨刷的档位、车厢型号等等；人员参数包括人员的数量、人员的类型，如：车内成人的数量、车内儿童的数量等等；环境参数包括车外环境参数以及车内环境参数，如车外温度、车内温度、车外光照强度等等；路况参数包括行车路线中的特殊路况，如桥梁、隧道等等。
图2示出了在一种具体的实施方式中的部分特征参数，对应的参数来源以及测量的采样方式，如，对于车内实时温度，可以通过车内温度传感器直接采样获取，又如，对于车内儿童人数，可以通过座舱摄像头进行识别。
应当理解，本实施例中，特征参数的类型以及数量可以根据实际情况进行选择，本实施例中所列举的特征参数的类型以及数量不应当成为对本实施例的限制。
本实施例中，可以根据预设的特征参数与实时起雾参数的对应关系，根据当前获取的特征参数来获取对应的实时起雾参数，也可以通过预先训练好的模型，由当前获取的特征参数预测对应的实时起雾参数。
其中，实时起雾参数包括内车窗的：周边温度、周边湿度、表面温度及表面湿度，以及外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种，其中实时起雾参数的类型和数量可以根据实际情况进行选择，如，最终想要预测的为内车窗的起雾情况，则实时起雾参数可以选择内车窗的周边温度、周边湿度、表面温度及表面湿度；如，最终想要预测的为外车窗的起雾情况，则实时起雾参数可以选择外车窗的周边温度、周边湿度、表面温度及表面湿度；如最终想同时预测内车窗和外车窗的起雾情况，则可以同时获取以上起雾参数。
本实施例中，无需新增设备，通过车内已有的设备(如温度传感器、摄像头、联网终端)可以直接获取特征参数，通过直接获取的特征数据，可以预测能够反映车窗温度及湿度的实时起雾参数。本实施例与现有技术在进行起雾预测时，通常需要额外增加湿度传感器的方案相比，大大节约了成本，提高了经济性；并且通过传感器直接获取的特征参数来预测实时起雾参数，避免了现有技术中通过传感器直接获取的实时起雾参数(如：设置在仪表盘下的温度传感器)无法真实且及时地反映车窗的温度及湿度的缺陷，提高了实时起雾参数的数据准确性，进一步也避免了实时起雾参数获取的滞后性。
所述未来参数预测模块302用于根据所述实时起雾参数预测未来起雾参数。
其中，未来参数预测模块302可以根据预设的实时起雾参数与未来起雾参数的对应关系，根据当前预测的实时起雾参数来进一步获取对应的未来起雾参数，也可以通过预先训练好的模型，由当前预测的实时起雾参数进一步预测对应的未来起雾参数。
所述起雾判断模块303用于根据所述未来起雾参数判断所述车窗在未来是否起雾。
具体的，起雾判断模块303可以用于根据预设的未来起雾参数的不同范围与车窗是否起雾的结果的对应关系来判断车窗在未来是否起雾，如当内车窗温度位于第一温度范围、内车窗湿度位于第一湿度范围、玻璃温度位于第一玻璃温度范围、玻璃湿度位于第一玻璃湿度范围时内车窗会起雾，则当预测的未来起雾参数满足前述范围时，则判断内车窗在未来会起雾。
应当理解，外车窗起雾判断的原理可以参照内车窗，此处便不再赘述。
图3示出了露点表，本实施例中，在一种具体实施方式下，可以根据露点表来判断内车窗在未来是否起雾，为了更好的说明本实施例，下面截取该露点表中的部分内容(图4)对本实施例进行说明：
如：当未来起雾参数中的车内温度，即内车窗周边温度为10度左右，未来起雾参数中的车内相对湿度，即内车窗周边湿度为95左右，则此时，当未来起雾参数中的内车窗表面温度超过9.2度时，则表明未来内车窗会起雾；
又如：当未来起雾参数中的车内温度，即内车窗周边温度为11度左右，未来起雾参数中的车内相对湿度，即内车窗周边湿度为95左右，则此时，当未来起雾参数中的内车窗表面温度超过10.2度时，则表明未来内车窗会起雾。
同理，外车窗起雾的判断方式可以参考上述内车窗的判断方式，此处便不再赘述。
本实施例中，可以根据实时起雾参数预测未来一定时间的起雾参数，进一步根据未来起雾参数判断车窗在未来是否起雾，一方面，可以及时预测车窗在未来的起雾情况，避免起雾预测的滞后性，另一方面，也可以提醒用户提前对车窗未来的起雾情况进行预防，避免用户来不及对当前的起雾情况进行回应，从而影响用户驾驶安全的情况发生。
本实施例中，通过包括路况参数的特征参数来预测实时起雾参数，可以在一些特殊路况的情况下(如：当车辆进入隧道时，内车窗可能会快速起雾)，及时预测到未来的起雾情况，从而避免在车辆高速运行的情况下，突然的起雾对驾驶员以及车内乘客的人身安全造成威胁。
在一种优选的实施方式中，所述实时参数预测模块301用于根据获取的若干特征参数预测若干对应的实时起雾参数，并由所述若干对应的实时起雾参数构成起雾参数时间序列，对应的所述未来参数预测模块302用于根据所述起雾参数时间序列预测未来起雾参数。
基于时间的连续性，前后时间车窗的起雾情况也具有密切的关联性，本实施例中，由按时间顺序排列的实时起雾参数构成起雾参数时间序列预测未来起雾参数，可以更好地预测能反应未来真实起雾情况的未来起雾参数。
在一种优选的实施方式中，所述实时参数预测模块301用于将获取的特征参数输入至参数预测模型中以获取对应的实时起雾参数。
其中，参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。具体的，测试的特征参数及测试的实时起雾参数可以利用一定数量的测试车辆，通过传感器、联网、终端设备等直接获取测试的特征参数及测试的实时起雾参数。
图5示出了一种具体实施方式中的模型训练方式，由采集的测试车辆的特征参数作为原始数据。由于特征空间不易确定特征值的线性或非线性影响，本实施例采用支持向量回归模型，通过调整线性核函数和非线性核函数及其参数来实现。
通过采集的实时起雾参数，再对原始数据，即特征参数进行打标签，打完标签的数据作为训练样本存入样本库，并对样本进行预处理：包括清理,归一化和PCA等。
在训练模型时，本实施例采用支持向量机回归，将带有标签的数据集输入支持向量机回归模型，使用MSE或R2 Score作为评价指标，通过网格搜索方式，得到最优参数。
在验证模型时，本实施例采用Shuffle Split验证，随机生成3组，验证集比例0.2。
在测试模型时，本实施例采用5％样本空间进行模型测试。
在误差小于误差阈值β后，则认为模型训练成功，得到参数预测模型。之后，则可以部署模型，如：可以将参数预测模型部署到智能座舱、部署到控制器、部署到其他的终端设备、部署到与车可以交互的云端或者其他设备中等等。
本实施例中，所述起雾判断模块303还可以用于若所述根据所述未来起雾参数判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不一致，则利用历史获取的特征参数及对应预测的实时起雾参数对所述参数预测模型进行分析、验证和/或更新。
由于现有技术对起雾的预测方式，在出厂后，就不会进行升级了，除非去刷机，这样无疑增加了预测成本以及实施难度，而本实施例中，设置了反馈回路，即预测结果与实际起雾结果不一致时，可以利用车辆终端反馈的实际数据，对参数预测模型进行分析、验证和/或更新，从而可以以低成本的方式自动实现基于大数据的参数预测模型的更新和优化，进一步提高了起雾预测的准确性。
在一种优选的实施方式中，所述未来参数预测模块302用于将所述起雾参数时间序列输入至起雾预测模型中以获取所述未来起雾参数。
其中，起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。具体的，测试的第一实时起雾参数及测试的第二未来起雾参数可以利用一定数量的测试车辆，通过传感器、联网、终端设备等直接获得。
本实施例中优选训练时间序列模型以更好地反应起雾情况随着时间的变化，以预测未来起雾的趋势。其中，本实施例具体采用ARIMA模型进行训练，可以使时间序列中最新的数据具有更大的影响权重，更好的通过连续的时间反应未来起雾趋势。图6示出了一种具体实施方式中的模型训练方式：
通过连续自动采集测试车辆的实时起雾参数，即内车窗、外车窗的周围温度，周围湿度，表面温度、表面湿度作为样本数据存入样本库。
如图7所示，读取样本库中的每一列特征数据作为一个时间序列(时间序列1～5)，进行判断，判断其是否为平稳时间序列，若平稳则直接进入步模型识别及定阶；若不平稳则进行数据处理，处理后才能进入模型识别及定阶。通过自相关和偏自相关函数，并结合AIC或BIC对建立的模型进行模型识别和定阶。
完成模型识别和定阶后，进入模型的参数(p,d,q)估计阶段。
完成参数估计后，对拟合的模型进行适应性检验。如果拟合模型通过检验，则开始进行预测阶段。若模型检验不通过，则重新进行模型识别和检验，重新选择模型。
选择适应性高的拟合模型，作为起雾预测模型。
本实施例中，通过对时间序列模型进行训练得到起雾预测模型，由此，更好地反应前后时间点起雾情况的变化趋势，如当前车辆位于隧道中，前2秒的时候，车辆刚进入隧道，而前5分钟的时候车辆还未进入隧道，则时间序列中前两秒的实时起雾参数所占得权重相对于前5分钟的实时起雾参数所站的权重更高，因此，其更能反映当前及未来的起雾情况，通过采用时间序列模型，本实施例可以得到更能及时且准确预测未来起雾情况的起雾预测模型。
本实施例中，所述未来参数预测模块302还可以用于当所述判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不相符时，将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对所述起雾预测模型进行分析、验证和/或更新。
本实施例中当预测结果与实际起雾结果不一致时，可以利用车辆终端反馈的实际数据，对参数预测模型进行分析、验证和/或更新，从而可以以低成本的方式自动实现基于大数据的起雾预测模型的更新和优化，进一步提高了起雾预测的准确性。
本实施例中，所述起雾预测系统还可以包括起雾厚度计算模块304、第一能见度计算模块305及第二能见度计算模块306，起雾判断模块303还用于当判断所述车窗在未来会起雾时调用起雾厚度计算模块304。
起雾厚度计算模块304用于根据所述未来起雾参数计算起雾厚度。
具体的，可以根据下述公式计算未来的起雾厚度tf：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示目标液体的摩尔体积，RH表示车窗周围的相对湿度，R表示通用气体常数，Ta表示车窗周围的温度，λ表示目标常数。
其中，在一般情况下，目标液体为水，但是不排除在特殊情况下可以采用其他的液体作为目标液体，目标液体可以根据实际情况进行选择，RH、Ta即为未来起雾参数中的车窗周边的湿度及温度，具体使用内车窗、外车窗还是二者均使用可以根据具体情况进行选择。
第一能见度计算模块305用于根据所述起雾厚度计算雾的能见度。
第二能见度计算模块306用于根据所述雾的能见度以及所述车窗的本体的能见度计算车窗能见度。
具体的，第一能见度计算模块305及第二能见度计算模块306可以用于根据下述公式计算未来的车窗的能见度T：
T＝(1-rg)2*e-βg*tg*(1-rf)2*e-βf*tf
其中，(1-rg)2*e-βg*tg表示车窗的本体的能见度(在一种具体实施方式中，为玻璃，在其他具体实施方式中，也可以根据车窗的本体的不同材料来获取对应材料的能见度)，(1-rf)2*e-βf*tf表示雾的能见度，其中，rg与rf分别表示车窗的本体的反射率及雾的反射率，βg与βf分别表示车窗的本体的吸收率及雾的吸收率，tg与tf分别表示车窗的本体的介质厚度及雾的介质厚度。
本实施例中，可以通过预测的未来起雾参数计算出更准确、更能反映未来真实情况的起雾厚度，通过起雾厚度可以计算雾的能见度，从而可以基于雾的能见度以及车窗的本体的能见度计算车窗能见度，据此，可以判断未来起雾的严重程度，以更好地防止交通事故的发生。
本实施例中，如图14所示，该起雾预测系统还可以进一步包括：风险参数获取模块401及风险等级确定模块402，其中，风险参数获取模块401用于获取未来起雾风险参数，未来起雾风险参数为可能会威胁到驾驶员的驾驶安全的参数，其可以根据实际情况进行选择，在一种具体的实施方式中，起雾风险参数包括车窗能见度、车辆的车速及预计起雾时间等等。
其中，车辆的车速为车辆的当前的车速，预计起雾时间为当判断车窗在未来会起雾时，对应的预测起雾时间。
风险等级确定模块402用于根据起雾风险参数确定对应的起雾风险等级，其中，可以预设起雾风险参数与起雾风险等级的对应关系，在车辆行驶的过程中，可以根据当前获取的起雾风险参数及前述对应关系来获取对应的未来起雾风险等级。
为了更好的理解本实施例，下面以起雾风险参数包括车窗能见度、车辆的车速及预计起雾时间这三种参数为例，对起雾风险等级的获取方式进行举例说明：
如图9所示，本实施例根据预先对测试车辆的测试实验结果设置了三种能见度等级：当车窗能见度位于第一能见度范围时，能见度等级为H1，当车窗能见度位于第二能见度范围时，能见度等级为H2，当车窗能见度位于第三能见度范围时，能见度等级为H3；本实施例还预先设置了三种车速等级，当车速位于第一车速范围时，车速等级为V1，当车速位于第二车速范围时，车速等级为V2，当车速位于第三车速范围时，车速等级为V3；本实施例还预先设置了三种预计起雾时间等级，当预计起雾时间位于第一预计起雾时间范围时，预计起雾时间等级为T1，当预计起雾时间位于第二预计起雾时间范围时，预计起雾时间等级为T2，当预计起雾时间位于第三预计起雾时间范围时，预计起雾时间等级为T3。
其中，其中T1>T2>T3，时间越短代表紧急程度越高，H1>H2>H3，能见度等级越低代表起雾的规模越大，V1<V2<V3，车速越快代表危险程度越高，表格中的Low表示未来起雾风险等级低，表格中的Medium表示未来起雾风险等级中，表格中的High表示未来起雾风险等级高，表格中的Super表示未来起雾风险等级高严重。如，当能见度等级为H1，车速的等级为V3，预计起雾时间的等级为T3时，对应的未来起雾风险等级为中。
应当理解，在实际情况中，对起雾风险参数类型的选择，对各起雾风险参数不同区间的划分，区间数量的选择，起雾风险参数与起雾风险等级的对应关系，以及起雾风险的数量及类型都可以根据实际情况或者对测试车辆的实际测试情况进行选择，前述具体举例不应当成为对本实施例的限制。
本实施例中，可以根据获取的起雾风险参数获取对应的未来起雾风险等级，以便于用户或者车辆自动根据不同的未来起雾风险等级进行不同的起雾预防操作，这种方式也增加了起雾预测结果的丰富程度，以及提高了起雾预测及预防的智能性。
在一种具体的实施方式中，本实施例中的起雾预测系统还可以进一步包括：起雾预防模块403，用于根据所述未来起雾风险等级进行对应的起雾预防操作。
本实施例中，可以预先预设起雾风险等级与具体的起雾预防操作的对应关系，在实际使用的过程中，则可以根据当前预测的未来起雾风险等级对未来起雾进行预防。如，在起雾风险等级较低的情况下，则可以仅仅提示用户未来会起雾，用户可以根据提示信息，自行决定要不要开启相关车辆设备，而当风险等级较高的情况下，则可以自动开启对应的车辆设备以进行起雾预防。
本实施例中，根据起雾风险等级进行对应的起雾预防操作，既克服了需要用户完全自主启动起雾设备去除车窗上的雾的不便捷性、低智能性以及低安全性的缺陷，又避免了需要保持空调打开，才能自动进行起雾预防的高成本性的缺陷。
本实施例中，在一种具体的实施方式中，所述起雾预防模块403具体用于根据未来起雾风险等级控制对应的车辆设备运行以进行未来起雾预防。在这种方式下，可以通过全自动的方式控制车辆设备的运行以对不同起雾风险等级的起雾状况进行防御，进一步提高了本实施例的智能性。
如，在起雾风险等级较低时可以仅仅控制车窗开启来进行未来起雾预防，而在起雾风险等级较高时可以控制车辆除湿装置的开启以及空调的开启来进行未来起雾预防，应当理解，风险等级与车辆设备的对应关系可以根据实际需求进行选择。
在另一种情况下，起雾预防模块403用于当未来起雾风险等级大于或等于干预阈值时，才执行根据未来起雾风险等级控制对应的车辆设备运行的步骤，这种方式下，只有在起雾风险等级大于或等于干预阈值时才会自动执行根据未来起雾风险等级控制对应的车辆设备运行的步骤，而在起雾风险等级小于干预阈值时，则不会自动控制对应车辆设备运行。这种情况下，当风险程度较低时，一般不会对用户的安全性造成影响，用户可以自行决定是否要进行起雾预防，如可以采用一些较为简单的方式：如打开车窗，即可达到除雾的目的，而当起雾风险等级较高时，则会自动控制对应车辆设备的运行来达到自动除雾的目的，这样也避免了现有技术中某些智能车辆只要预测到了起雾就会自动开启除湿器或者空调来除雾，而造成的噪声干扰，影响用户正常驾驶体验的缺陷。
由于不同的车辆可能具有不同的车辆设备，因此，本实施例中的系统还包括型号获取模块404以及型号匹配模块405，所述型号获取模块404用于获取车辆的型号，所述型号匹配模块405用于根据所述型号获取起雾风险等级与车辆设备的对应关系，所述起雾预防模块403还用于根据所述对应关系控制对应的车辆设备运行。
应当理解，即便不同车辆型号的车具有相同的车辆设备，也可以根据不同的车辆型号设置不同的起雾风险等级与车辆设备的对应关系，从而为不同车辆型号的车提供个性化车辆预防需求。
本实施例中的车辆设备为可以对车窗起雾进行预防或去除的设备、模块或者车载系统，如除湿装置、冷风装置、车窗开启系统、外循环系统、内循环系统、车窗清洁系统等等。
本实施例中，为了进一步进行起雾预防，所述起雾预防模块403还用于根据所述未来起雾风险等级输出对应类型的提醒信息。
在一种具体的实施方式中提醒信息的内容包括起雾预测时间、未来起雾风险等级以及与未来起雾风险等级对应的起雾预防措施等等，应当理解，提醒信息的具体实现方式可以根据实际情况进行选择。
为了更好的理解本实施例，下面通过一具体实例来对本实施例进行说明：
当预测到的未来起雾风险等级较低时，起雾预防模块403可以发出语音、显示或者其他能够引起用户注意的信息来提醒用户起雾预测时间；当未来起雾风险等级中等或中等以上时，在发出提醒用户起雾预测时间的提醒信息后，若间隔一预设时间，没有监测到用户对应的起雾预防措施时，则可以进一步发出提醒用户未来起雾风险等级的提醒信息，若间隔一预设时间后，仍然没有监测到用户对应的预防起雾措施，则可以更进一步发出提醒用户与未来起雾风险等级对应的起雾预防措施的提醒信息。
本实施例中，起雾预防模块403可以根据未来起雾风险等级输出对应类型的提醒信息，用户在开车的过程中，则可以根据提醒信息的具体内容进行对应的起雾预防操作，从而在预防起雾风险的同时，使用户更容易接受，进一步提高了用户的体验度。
实施例3
本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1中的起雾预测方法。
图15示出了本实施例的硬件结构示意图，如图15所示，电子设备9具体包括：
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中起雾预测方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1中起雾预测方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中起雾预测方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (24)

1.一种车窗的起雾预测方法，其特征在于，所述起雾预测方法包括：
根据获取的特征参数预测对应的实时起雾参数，所述特征参数包括车辆参数、人员参数、环境参数及路况参数中的至少一种；
根据所述实时起雾参数预测未来起雾参数；
根据所述未来起雾参数判断所述车窗在未来是否起雾。
2.如权利要求1所述的车窗的起雾预测方法，其特征在于，所述根据获取的特征参数预测对应的实时起雾参数的步骤包括：
根据获取的若干特征参数预测若干对应的实时起雾参数，并由所述若干对应的实时起雾参数构成起雾参数时间序列；
所述根据所述实时起雾参数预测未来起雾参数的步骤包括：根据所述起雾参数时间序列预测未来起雾参数。
3.如权利要求1所述的车窗的起雾预测方法，其特征在于，所述起雾参数包括内车窗和/或外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种。
4.如权利要求1所述的车窗的起雾预测方法，其特征在于，所述根据获取的特征参数预测对应的实时起雾参数的步骤包括：
将获取的特征参数输入至参数预测模型中以获取对应的实时起雾参数，所述参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。
5.如权利要求4所述的车窗的起雾预测方法，其特征在于，若所述根据所述未来起雾参数判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不一致，则利用历史获取的特征参数及对应预测的实时起雾参数对所述参数预测模型进行更新。
6.如权利要求2所述的车窗的起雾预测方法，其特征在于，所述根据所述起雾参数时间序列预测未来起雾参数的步骤包括：
将所述起雾参数时间序列输入至起雾预测模型中以获取所述未来起雾参数，所述起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试所述第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。
7.如权利要求6所述的车窗的起雾预测方法，其特征在于，当所述判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不相符时，将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对所述起雾预测模型进行更新。
8.如权利要求1所述的车窗的起雾预测方法，其特征在于，当判断所述车窗在未来会起雾时，所述起雾预测方法还包括：
根据所述未来起雾参数计算起雾厚度；
根据所述起雾厚度计算雾的能见度；
根据所述雾的能见度以及所述车窗的本体的能见度计算车窗能见度。
9.如权利要求8所述的车窗的起雾预测方法，其特征在于，
所述根据所述未来起雾参数计算起雾厚度的步骤中，根据第一公式计算未来的起雾厚度tf，所述第一公式为：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示所述目标液体的摩尔体积，RH表示所述车窗周围的相对湿度，R表示通用气体常数，Ta表示所述车窗周围的温度，λ表示目标常数。
10.如权利要求8所述的车窗的起雾预测方法，其特征在于，所述起雾预测方法还包括：根据起雾风险参数确定对应的起雾风险等级，所述起雾风险参数包括所述车窗能见度、所述车辆的当前车速及预计起雾时间中的至少一种。
11.如权利要求10所述的车窗的起雾预测方法，其特征在于，所述根据起雾风险参数确定对应的起雾风险等级的步骤后还包括：
根据所述未来起雾风险等级进行对应的起雾预防操作。
12.一种车窗的起雾预测系统，其特征在于，所述起雾预测系统包括：实时参数预测模块、未来参数预测模块及起雾判断模块；
所述实时参数预测模块用于根据获取的特征参数预测对应的实时起雾参数，所述特征参数包括车辆参数、人员参数、环境参数及路况参数中的至少一种；
所述未来参数预测模块用于根据所述实时起雾参数预测未来起雾参数；
所述起雾判断模块用于根据所述未来起雾参数判断所述车窗在未来是否起雾。
13.如权利要求12所述的车窗的起雾预测系统，其特征在于，所述实时参数预测模块用于根据获取的若干特征参数预测若干对应的实时起雾参数，并由所述若干对应的实时起雾参数构成起雾参数时间序列；
所述未来参数预测模块用于根据所述起雾参数时间序列预测未来起雾参数。
14.如权利要求12所述的车窗的起雾预测系统，其特征在于，所述起雾参数包括内车窗和/或外车窗的周边温度、周边湿度、表面温度及表面湿度中的至少一种。
15.如权利要求12所述的车窗的起雾预测系统，其特征在于，所述实时参数预测模块用于将获取的特征参数输入至参数预测模型中以获取对应的实时起雾参数，所述参数预测模型基于测试的特征参数以及测试的实时起雾参数进行模型训练获得。
16.如权利要求15所述的车窗的起雾预测系统，其特征在于，所述起雾判断模块还用于若所述根据所述未来起雾参数判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不一致，则利用历史获取的特征参数及对应预测的实时起雾参数对所述参数预测模型进行更新。
17.如权利要求13所述的车窗的起雾预测系统，其特征在于，所述未来参数预测模块用于将所述起雾参数时间序列输入至起雾预测模型中以获取所述未来起雾参数，所述起雾预测模型基于测试的若干第一实时起雾参数构成的起雾参数时间序列，以及在测试所述第一实时起雾参数之后测试的第二未来起雾参数进行模型训练获得。
18.如权利要求17所述的车窗的起雾预测系统，其特征在于，所述未来参数预测模块还用于当所述判断所述车窗在未来是否起雾的步骤的判断结果与实际起雾结果不相符时，将由历史获取的若干特征参数预测的若干实时起雾参数构成的起雾参数时间序列，以及对应预测的未来起雾参数对所述起雾预测模型进行更新。
19.如权利要求12所述的车窗的起雾预测系统，其特征在于，所述起雾预测系统还包括起雾厚度计算模块、第一能见度计算模块及第二能见度计算模块，所述起雾判断模块还用于当判断所述车窗在未来会起雾时调用所述起雾厚度计算模块；
所述起雾厚度计算模块用于根据所述未来起雾参数计算起雾厚度；
所述第一能见度计算模块用于根据所述起雾厚度计算雾的能见度；
所述第二能见度计算模块用于根据所述雾的能见度以及所述车窗的本体的能见度计算车窗能见度。
20.如权利要求19所述的车窗的起雾预测系统，其特征在于，
所述第一能见度计算模块用于根据第一公式计算未来的起雾厚度tf，所述第一公式为：
tf＝γ*Vm*RH/(R*Ta)*e-λ
其中，γ表示目标液体的表面张力，Vm表示所述目标液体的摩尔体积，RH表示所述车窗周围的相对湿度，R表示通用气体常数，Ta表示所述车窗周围的温度，λ表示目标常数。
21.如权利要求19所述的车窗的起雾预测系统，其特征在于，所述起雾预测系统还包括：风险等级确定模块，用于根据起雾风险参数确定对应的起雾风险等级，所述起雾风险参数包括所述车窗能见度、所述车辆的当前车速及预计起雾时间中的至少一种。
22.如权利要求21所述的车窗的起雾预测系统，其特征在于，所述起雾预测系统还包括起雾预防模块，用于根据所述未来起雾风险等级进行对应的起雾预防操作。
23.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11任一项所述的车窗的起雾预测方法。
24.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11任一项所述的车窗的起雾预测方法。
CN202110185004.1A 2021-02-10 2021-02-10 车窗的起雾预测方法、系统、电子设备及存储介质 Active CN112801202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110185004.1A CN112801202B (zh) 2021-02-10 2021-02-10 车窗的起雾预测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110185004.1A CN112801202B (zh) 2021-02-10 2021-02-10 车窗的起雾预测方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112801202A true CN112801202A (zh) 2021-05-14
CN112801202B CN112801202B (zh) 2024-03-05

Family

ID=75815081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110185004.1A Active CN112801202B (zh) 2021-02-10 2021-02-10 车窗的起雾预测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112801202B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334382A (zh) * 2019-05-09 2019-10-15 电子科技大学 一种基于循环神经网络的汽车车窗起雾状况预测方法
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
CN111252070A (zh) * 2018-11-14 2020-06-09 丰田自动车株式会社 环境状态估计装置、环境状态估计方法和环境状态估计程序
CN111784023A (zh) * 2019-08-08 2020-10-16 沈阳工业大学 一种短时邻近雾能见度预测方法
CN112053004A (zh) * 2020-09-14 2020-12-08 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
CN111252070A (zh) * 2018-11-14 2020-06-09 丰田自动车株式会社 环境状态估计装置、环境状态估计方法和环境状态估计程序
CN110334382A (zh) * 2019-05-09 2019-10-15 电子科技大学 一种基于循环神经网络的汽车车窗起雾状况预测方法
CN111784023A (zh) * 2019-08-08 2020-10-16 沈阳工业大学 一种短时邻近雾能见度预测方法
CN111784022A (zh) * 2019-08-08 2020-10-16 沈阳工业大学 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法
CN112053004A (zh) * 2020-09-14 2020-12-08 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置

Also Published As

Publication number Publication date
CN112801202B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
EP3428031B1 (en) Driver assist design analysis system
US10606276B2 (en) User data-based autonomous vehicle system
CN107918311B (zh) 多传感器降水分级设备和方法
CN109572550B (zh) 一种行车轨迹预测方法、系统、计算机设备及存储介质
EP3926582A1 (en) Model generating apparatus, method, and program, and prediction apparatus
CN109255341B (zh) 障碍物感知错误数据的提取方法、装置、设备及介质
US20160371977A1 (en) Apparatus, systems, and methods for providing intelligent vehicular systems and services
US11267481B2 (en) Driver assist design analysis system
Xie et al. Maneuver-based driving behavior classification based on random forest
US10274338B2 (en) Risk situations for vehicle occupants based on data provided by vehicle sensors and contextual information
JP7354295B2 (ja) 車両信号を処理して挙動危険性の測度を計算するための装置及び方法
CN113176096A (zh) 车辆工况的检测
CN109191788B (zh) 驾驶员疲劳驾驶判断方法、存储介质及电子设备
CN108081916A (zh) 车载空气净化器的启动方法及装置
CN112801202B (zh) 车窗的起雾预测方法、系统、电子设备及存储介质
CN112836888B (zh) 车窗起雾的预防方法、预防系统、电子设备及存储介质
CN106651133B (zh) 一种使用手机实现基于adas的用户驾驶行为评分方法
KR102470520B1 (ko) 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법
CN110334382B (zh) 一种基于循环神经网络的汽车车窗起雾状况预测方法
CN115031994B (zh) 一种车辆耐久试验方法和系统
CN111080977A (zh) 基于公交车内部环境变化的自适应阈值动态设定方法以及装置
CN109903566A (zh) 一种气象预警的方法、装置及计算设备
CN116767089B (zh) 一种汽车水温异常识别与告警监控方法及装置
US11443623B1 (en) Real time traffic crash severity prediction tool
CN117601859B (zh) 一种用于防止车辆发生碰撞的预警系统及方法

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