CN113552802B - 重卡智能空调控制方法及系统 - Google Patents

Abstract

本公开实施例提供一种重卡智能空调控制方法及系统，具体考虑到热力监测对象的时空域特征、对象温度变化曲线数据以及重卡模拟环境场景的环境场景温度变化数据，从而考虑到热力监测对象在时间和空间维度上的采集参数变化特征、热力监测对象本身的对象温度变化特征以及重卡模拟环境场景的环境场景温度变化特征，结合初始重卡智能空调控制模型进行模型训练后，在应用阶段可以结合重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和重卡实际环境场景的环境场景温度变化数据预测对应的目标智能空调控制策略，并根据目标智能空调控制策略调节重卡智能空调的工作状态，提高重卡智能空调的工作状态控制的精度。

Description

重卡智能空调控制方法及系统

技术领域

本公开涉及空调控制技术领域，具体而言，涉及一种重卡智能空调控制方法及系统。

背景技术

重卡是重型卡车的简称，包括各种专用车、自卸车、货车以及一些越野车。随着重卡汽车工业的发展及生活水平的提高，对重卡舒适度的追求也越来越高，重卡空调系统的舒适性能越来越成为广大用户选择重卡品牌的重要因素。目前，重卡空调系统通常是采用的传统的固定工作状态控制模式，由用户根据自身的需求选择合适的工作状态控制模式进行空调工作状态控制，此种控制方式过于单一，难以有效适应实际环境，导致控制精度较低。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种重卡智能空调控制方法及系统。

第一方面，本公开提供一种重卡智能空调控制方法，应用于重卡智能空调控制系统，所述方法包括：

获取多个重卡模拟环境场景的热力图数据，对所述热力图数据进行处理得到该热力图数据的热力监测对象的热力单元信息，对所述热力监测对象的热力单元信息进行时空域特征提取得到所述热力监测对象的时空域特征；

获取所述热力监测对象的对象温度变化曲线数据和所述重卡模拟环境场景的环境场景温度变化数据，将所述热力监测对象的时空域特征、对象温度变化曲线数据以及所述重卡模拟环境场景的环境场景温度变化数据进行融合后作为训练样本数据，并获取针对所述训练样本数据的训练智能空调控制策略，将所述训练样本数据和对应的训练智能空调控制策略输入到初始重卡智能空调控制模型中进行训练，获得训练后的目标重卡智能空调控制模型；

获取目标重卡车的重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据，将所述重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据输入所述目标重卡智能空调控制模型得到所述目标重卡车的重卡智能空调的目标智能空调控制策略，并根据所述目标智能空调控制策略调节所述重卡智能空调的工作状态。

第二方面，本公开实施例还提供一种重卡智能空调控制系统，所述重卡智能空调控制系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现前述的重卡智能空调控制方法。

根据上述任意一个方面，本公开提供的实施方式中，相较于传统的固定工作状态控制模式而言，本申请具体考虑到热力监测对象的时空域特征、对象温度变化曲线数据以及重卡模拟环境场景的环境场景温度变化数据，从而考虑到热力监测对象在时间和空间维度上的采集参数变化特征、热力监测对象本身的对象温度变化特征以及重卡模拟环境场景的环境场景温度变化特征，结合初始重卡智能空调控制模型进行模型训练后，在应用阶段可以结合重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和重卡实际环境场景的环境场景温度变化数据预测对应的目标智能空调控制策略，并根据目标智能空调控制策略调节重卡智能空调的工作状态，提高重卡智能空调的工作状态控制的精度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，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它相关的附图。

图1为本公开实施例提供的重卡智能空调控制方法的流程示意图；

图2为本公开实施例提供的用于实现上述的重卡智能空调控制方法的重卡智能空调控制系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围的情况下，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本发明中所使用的术语仅用于描述特定的示例性实施例，并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本发明说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本发明说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是，附图并不是按比例绘制的。

本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。

下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本公开一种实施例提供的重卡智能空调控制方法的流程示意图，下面对该重卡智能空调控制方法进行详细介绍。

步骤S110，获取多个重卡模拟环境场景的热力图数据，对所述热力图数据进行处理得到该热力图数据的热力监测对象的热力单元信息，对所述热力监测对象的热力单元信息进行时空域特征提取得到所述热力监测对象的时空域特征。

本实施例中，重卡模拟环境场景可以是基于一些模拟装置模拟产生的环境场景，例如可以模拟场景其中的湿度、温度、风向、风速等参数，在此过程中，可以获得由多个热力监测对象(例如重卡车中的司机、乘客、中控设备等)的热力单元信息组成的热力图数据，热力图数据可以反映多个热力监测对象在重卡模拟环境场景中的时空域特征，也即在时间和空间上的采集参数变化特征。

步骤S120，获取所述热力监测对象的对象温度变化曲线数据和所述重卡模拟环境场景的环境场景温度变化数据，将所述热力监测对象的时空域特征、对象温度变化曲线数据以及所述重卡模拟环境场景的环境场景温度变化数据进行融合后作为训练样本数据，并获取针对所述训练样本数据的训练智能空调控制策略，将所述训练样本数据和对应的训练智能空调控制策略输入到初始重卡智能空调控制模型中进行训练，获得训练后的目标重卡智能空调控制模型。

步骤S130，获取目标重卡车的重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据，将所述重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据输入所述目标重卡智能空调控制模型得到所述目标重卡车的重卡智能空调的目标智能空调控制策略，并根据所述目标智能空调控制策略调节所述重卡智能空调的工作状态。

如此设计，相较于传统的固定工作状态控制模式而言，本申请具体考虑到热力监测对象的时空域特征、对象温度变化曲线数据以及重卡模拟环境场景的环境场景温度变化数据，从而考虑到热力监测对象在时间和空间维度上的采集参数变化特征、热力监测对象本身的对象温度变化特征以及重卡模拟环境场景的环境场景温度变化特征，结合初始重卡智能空调控制模型进行模型训练后，在应用阶段可以结合重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和重卡实际环境场景的环境场景温度变化数据预测对应的目标智能空调控制策略，并根据目标智能空调控制策略调节重卡智能空调的工作状态，提高重卡智能空调的工作状态控制的精度。

一种参考示例中，针对步骤S120中将所述训练样本数据和对应的训练智能空调控制策略输入到初始重卡智能空调控制模型中进行训练，获得训练后的目标重卡智能空调控制模型的具体实现过程，可以通过以下步骤实现。

步骤S210，通过初始重卡智能空调控制模型对所述训练样本数据中每个以时空域单位进行区分的训练样本子数据进行特征浮动变量提取，得到特征浮动变量集。

例如，可以通过初始重卡智能空调控制模型的特征浮动变量提取函数分析训练样本数据中每一训练样本子数据的特征浮动变量，得到特征浮动变量集。

步骤S220，根据所述特征浮动变量集，将所述训练样本子数据作为训练特征单元生成训练特征关系导图。

本实施例中，所述训练特征关系导图为体现训练特征单元及其关联的训练特征单元之间的训练关系的一种知识图谱形式。

一种参考示例中，在步骤S220中，可以包括下述的步骤S221-S233，详细介绍如下。

步骤S221，在所述特征浮动变量集中，选取每一训练样本子数据对应的特征浮动变量，并基于训练样本子数据的特征浮动变量，计算所述训练样本子数据之间的特征浮动变量代价值。

步骤S222，基于所述特征浮动变量代价值，在训练样本数据中选取训练样本子数据的关联训练样本子数据，得到训练样本子数据的关联训练样本数据。

步骤S223，根据所述关联训练样本数据，将训练样本子数据作为训练特征单元生成训练特征关系导图。

一种参考示例中，计算训练样本子数据之间的特征浮动变量代价值的可以通过但不限于欧氏距离、曼哈顿距离、信息熵、皮尔森相关性系数等方式来计算任意不同的两个特征浮动变量之间的变量损失信息，从而得到各个不同的训练样本子数据之间的特征浮动变量代价值。

其中，根据关联训练样本数据，生成训练特征关系导图的一种参考示例可以是：首先获取训练样本子数据与对应的关联训练样本数据中的训练样本子数据之间的时空域级联关系，得到训练样本子数据的关联训练样本子数据，然后，根据关联训练样本子数据，将训练样本子数据作为训练特征单元生成参考特征关系导图，并对参考特征关系导图进行关系去噪优化，得到训练特征关系导图。

其中，关联训练样本子数据可以为表征训练样本子数据与关联训练样本数据中的训练样本子数据之间的关联性、时空域级联关系等信息。得到关联训练样本子数据的例如可以是：在特征浮动变量代价值中选取训练样本子数据与对应的关联训练样本数据中的训练样本子数据之间的目标特征浮动变量代价值，对所述目标特征浮动变量代价值进行级联，以得到训练样本子数据与关联训练样本数据中训练样本子数据之间的时空域级联关系，基于时空域级联关系，确定训练样本子数据的关联训练样本子数据。

其中，对目标特征浮动变量代价值进行级联，以得到训练样本子数据与关联训练样本数据中训练样本子数据之间的时空域级联关系的方法可以是：对目标特征浮动变量代价值进行级联，得到级联后的特征浮动变量代价值，并对级联后的特征浮动变量代价值进行时空域关系整理，根据时空域关系整理信息，确定训练样本子数据之间的时空域级联关系。

步骤S230，基于所述训练特征关系导图对所述训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据。

一种参考示例中，针对步骤S230，可以将训练样本子数据的训练智能空调控制策略在训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息，基于遍历循环模拟后的模拟智能空调控制策略信息，对训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据。例如，一种参考示例中，上述的具体实现方法可以包括下述的步骤S231和S232的内容，详细介绍如下。

步骤S231、将训练样本子数据的训练智能空调控制策略在训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

其中，遍历循环模拟后的模拟智能空调控制策略信息可以是将训练智能空调控制策略对应的智能空调控制策略组在训练特征关系导图中遍历循环模拟后的得到智能空调控制策略组的信息。

其中，将训练样本子数据的训练智能空调控制策略进行遍历循环模拟的一种参考示例如下：

首先，根据训练样本子数据的训练智能空调控制策略，生成训练样本数据对应的训练智能空调控制策略信息，然后，通过预设的遍历循环模拟模式，将训练智能空调控制策略在训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

具体的实现方式如下述(一)和(二)的步骤。

(一)根据训练样本子数据的训练智能空调控制策略，生成训练样本数据对应的训练智能空调控制策略信息。

例如，所述训练样本数据对应的训练智能空调控制策略信息可以为将训练样本数据中各个所述训练样本子数据的训练智能空调控制策略进行信息融合得到的智能空调控制策略组。

(二)通过预设的遍历循环模拟模式，将训练智能空调控制策略信息在训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

例如，可以根据所述训练特征关系导图确定训练样本子数据之间的演变关系变量，获取演变关系变量对应的预设对应空调状态特征，并基于预设对应空调状态特征，对训练样本子数据的训练智能空调控制策略特征进行策略特征映射，将策略特征映射后的训练智能空调控制策略特征进行级联，得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

例如，根据所述训练特征关系导图确定训练样本子数据之间的演变关系变量可以是：在训练特征关系导图中确定训练特征单元之间的时空域级联关系，根据时空域级联关系，确定训练特征单元的训练特征单元损失值，将训练特征单元损失值转换为演变关系变量，训练特征单元损失值越小，相应的训练样本子数据的演变关系变量越大。

其中，将策略特征映射后的训练智能空调控制策略特征进行级联，从而得到训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息例如可以是：可以将策略特征映射后的训练智能空调控制策略特征进行级联，得到新的智能空调控制策略团，根据新的智能空调控制策略团，对智能空调控制策略组进行策略参数调整，得到策略参数调整后的智能空调控制策略组作为遍历循环模拟后的模拟智能空调控制策略信息。

一种参考示例中，上述步骤S231例如可以通过以下步骤实现。

(1)将所述训练特征关系导图中的各所述训练特征单元按照各训练特征单元之间的训练特征相关度进行特征单元分团，得到多个训练特征单元团，其中每个训练特征单元团对应形成一个子关系导图。其中，每个训练特征单元团可以包括两个或两个以上的训练特征单元。相应地，训练特征相关度较高的不同训练特征单元可以被划分到一个相同的训练特征单元团中。

(2)基于每个所述训练特征单元团对应的子关系导图，针对所述子关系导图中的每个训练特征单元，执行以下步骤：

分别以所述训练特征单元作为遍历循环模拟起始成员以及目标策略关联目标，在所述子关系导图中进行遍历循环模拟，根据所述目标策略关联目标的控制策略索引信息所述子关系导图中的各个其它训练特征单元进行控制策略关联，得到各个其它训练特征单元对应的关联控制策略；其中，控制策略关联的方式可以是按照预设的策略索引传递策略将所述目标策略关联目标对应的智能空调控制策略传递到其它的训练特征单元中，实现控制策略关联；

根据各个训练特征单元对应的关联控制策略以及各个训练特征单元对应的训练智能空调控制策略，计算得到各个所述训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度；

根据各个所述训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度，得到与所述目标策略关联目标对应的策略关联相关度集，进而得到所述子关系导图中的各个训练特征单元分别对应的策略关联相关度集；其中，所述策略关联相关度集可以包括每个所述训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度；

根据各所述子关系导图中的各个训练特征单元分别对应的策略关联相关度集，确定目标训练特征单元，其中所述目标训练特征单元为对应的策略关联相关度集的策略关联相关度均值小于预设相关度阈值的训练特征单元；可以理解，确定的目标训练特征单元可以表征通过控制策略关联后较多的其它训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度较低，则可以确定目标训练特征单元的训练智能空调控制策略可能存在误差损失的情况；

将所述目标训练特征单元对应的训练智能空调控制策略根据所述目标训练特征单元所在的子关系导图中的其它训练特征单元对应的训练智能空调控制策略进行索引更新；如此，在所述目标训练特征单元的训练智能空调控制策略可能存在误差损失的情况，可以通过对应的子关系导图中的其它训练特征单元(与所述目标训练特征单元的关联度符合实际应用场景条件)的训练智能空调控制策略进行优化；

根据索引更新后的各个训练特征单元对应的智能空调控制策略得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

步骤S232、基于遍历循环模拟后的模拟智能空调控制策略信息，对训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据。

例如，可以在遍历循环模拟后的模拟智能空调控制策略信息中分析训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征，根据遍历循环模拟后的智能空调控制策略特征，确定训练样本子数据对应的遍历循环模拟后的智能空调控制策略，基于遍历循环模拟后的智能空调控制策略，对训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本子数据。

其中，在遍历循环模拟后的模拟智能空调控制策略信息中分析出训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征例如可以是：以训练样本子数据TR-i为例，在所述智能空调控制策略组中选取第TR-i行各个智能空调控制策略进行组合，可得到训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征；或者，也可以对对象进行策略特征映射后再组合，得到训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征。

在分析出训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征之后，即可确定训练样本子数据对应的遍历循环模拟后的智能空调控制策略，例如可以是：可以在遍历循环模拟后的智能空调控制策略特征中选取智能空调控制策略的优先等级最高的控制策略索引信息目标，在遍历循环模拟后的智能空调控制策略特征中确定控制策略索引信息目标的训练特征单元的特征节点，获取训练特征单元的特征节点对应的目标智能空调控制策略，将目标智能空调控制策略作为训练样本子数据对应的遍历循环模拟后的智能空调控制策略。例如，以控制策略索引信息目标的位于第TY-j列为例，可将第TY-j列对应的智能空调控制策略TY-j作为训练样本子数据对应的遍历循环模拟后的智能空调控制策略。

在得到训练样本子数据对应的遍历循环模拟后的智能空调控制策略后，即可对训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据，优化例如可以是：可以将遍历循环模拟后的智能空调控制策略与对应的训练样本子数据的训练智能空调控制策略进行匹配，当遍历循环模拟后的智能空调控制策略与训练智能空调控制策略不匹配时，确定训练样本子数据为待进行策略参数调整的目标训练样本子数据，将目标训练样本子数据的训练智能空调控制策略根据对应的遍历循环模拟后的智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据。

其中，对于确定待进行策略参数调整的目标训练样本子数据而言，训练智能空调控制策略信息在训练特征关系导图上的模拟智能空调控制策略信息进行遍历循环模拟后，智能空调控制策略组C级联了各个训练样本子数据本身的初始模拟智能空调控制策略信息以及在特征浮动变量维度上其对应的关联训练样本子数据的模拟智能空调控制策略信息。如果智能空调控制策略组中对应某个训练数据子样本的智能空调控制策略特征中优先级最高的目标对应的智能空调控制策略与该训练数据子样本的训练智能空调控制策略不匹配，表示相应的重卡智能空调控制模型学习到的特征浮动变量维度中，存在与该训练数据子样本高度关联的其它训练数据子样本但智能空调控制策略却差异较大。基于此，可以确定该训练数据子样本的智能空调控制策略可能存在需要优化的部分，需进行智能空调控制策略的优化。在优化时，可把进行模拟智能空调控制策略信息遍历循环模拟后的智能空调控制策略组中相对应的智能空调控制策略作为对一个训练数据子样本在后续的模型训练过程的新智能空调控制策略，如此反复进行迭代优化即可得到策略参数调整后的训练样本数据。

步骤S240，通过所述策略参数调整后的训练样本数据对所述初始重卡智能空调控制模型进行模型优化更新，以基于训练后的目标重卡智能空调控制模型调节所述重卡智能空调的工作状态。

例如，针对上述步骤S240，可以通过下述步骤S241和S252实现，示例性介绍如下。

步骤S241、通过策略参数调整后的训练样本数据对初始重卡智能空调控制模型进行模型优化更新。

例如，可首先基于策略参数调整后的训练样本数据中的特征浮动变量和对应的训练智能空调控制策略，对初始重卡智能空调控制模型进行模型优化更新，通过初始重卡智能空调控制模型对策略参数调整后的训练样本数据中的训练样本子数据进行特征浮动变量提取，基于目标特征浮动变量集，对训练样本子数据的智能空调控制策略进行策略参数调整，返回执行基于策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，对初始重卡智能空调控制模型进行模型优化更新的步骤，直至初始重卡智能空调控制模型满足模型收敛要求，得到训练后的目标重卡智能空调控制模型。例如，下面通过下述步骤实现。

a、基于策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，对初始重卡智能空调控制模型进行模型优化更新。

例如，可以根据策略参数调整后的训练样本数据中训练样本子数据的智能空调控制策略，确定训练样本子数据的策略预测代价值，基于策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量，确定训练样本子数据的特征浮动变量代价值，将策略预测代价值和特征浮动变量代价值进行权重融合，并根据权重融合后的代价值对初始重卡智能空调控制模型进行模型优化更新。

本实施例中，确定训练样本子数据的策略预测代价值例如可以是：将训练样本子数据的训练智能空调控制策略与遍历循环模拟后的智能空调控制策略进行匹配，确定初始重卡智能空调控制模型进行预测的预测代价值，进而得到策略预测代价值。

其中，确定训练样本子数据的特征浮动变量代价值例如可以是：根据策略参数调整后的训练样本数据中训练样本子数据的智能空调控制策略，对训练样本子数据进行划分，得到每一控制策略索引信息应的训练样本数据，基于训练样本数据中训练样本子数据的特征浮动变量，计算训练样本数据对应的目标特征浮动变量，将训练样本子数据的特征浮动变量和训练样本数据对应的目标特征浮动变量进行损失计算，得到训练样本子数据的特征浮动变量代价值。

其中，计算训练样本数据对应的目标特征浮动变量例如可以是：计算训练样本数据中训练样本子数据的特征浮动变量的特征浮动核心变量，将该特征浮动核心变量作为训练样本数据对应的目标特征浮动变量。

在计算完训练样本数据对应的目标特征浮动变量之后，即可将训练样本子数据的特征浮动变量和训练样本数据对应的目标特征浮动变量进行损失计算，得到训练样本子数据的特征浮动变量代价值。相应例如可以是：根据训练样本子数据的特征浮动变量，计算训练样本数据中训练样本子数据之间的变量差异，得到第一变量差异，基于训练样本数据对应的目标变量差异，计算训练样本数据之间的变量差异，得到第二变量差异，计算第一变量差异和第二变量差异之间的差异参数，得到第三变量差异，并将第三变量差异与预设的基准特征浮动变量特征进行特征聚合，得到特征聚合后的特征浮动变量特征，当特征聚合后的特征浮动变量特征与预设的特征浮动变量特征的相关度达到设定相关度时，根据特征聚合后的特征浮动变量特征计算得到训练样本子数据的特征浮动变量代价值。例如，可以将所述特征聚合后的特征浮动变量特征通过量化解析比较后得到所述对应的代价值。

其中，将策略预测代价值和特征浮动变量代价值进行权重融合，并根据权重融合后的特征浮动变量代价值对初始重卡智能空调控制模型进行模型优化更新，迭代更新的方式例如可以是：获取策略预测代价值和特征浮动变量代价值对应的预设对应空调状态特征，根据预设对应空调状态特征，分别对策略预测代价值和特征浮动变量代价值进行策略特征映射，并将策略特征映射后的策略预测代价值和特征浮动变量代价值进行权重融合，根据权重融合后得到的代价值对初始重卡智能空调控制模型的网络指标进行迭代更新，以对初始重卡智能空调控制模型进行迭代训练。又例如，可以直接将策略预测代价值和特征浮动变量代价值进行权重融合，并根据权重融合后得到的代价值对初始重卡智能空调控制模型的网络指标进行迭代更新，以对初始重卡智能空调控制模型进行迭代训练。

b、通过初始重卡智能空调控制模型对策略参数调整后的训练样本数据中的训练样本子数据进行特征浮动变量提取，得到目标特征浮动变量集。

例如，可以通过初始重卡智能空调控制模型的特征浮动变量提取层分析策略参数调整后的训练样本数据中每一训练样本子数据的特征浮动变量，得到特征浮动变量集。

c、基于目标特征浮动变量集，对训练样本子数据的智能空调控制策略进行策略参数调整。

例如，可以根据目标特征浮动变量集，将训练样本子数据作为训练特征单元生成目标训练特征关系导图，将训练样本子数据的智能空调控制策略在目标训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到训练样本子数据的目标遍历循环模拟后的模拟智能空调控制策略信息，基于目标遍历循环模拟后的模拟智能空调控制策略信息对训练样本子数据的智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据，具体的智能空调控制策略优化的方式可以见上文中的相关内容，此处不再赘述。

d、迭代执行上述a-c的步骤，直至初始重卡智能空调控制模型满足模型收敛要求，得到训练后的目标重卡智能空调控制模型。

步骤S242、通过训练后的目标重卡智能空调控制模型调节所述重卡智能空调的工作状态。

由此设计，在获取训练样本数据后，通过初始重卡智能空调控制模型对训练样本数据中的训练样本子数据进行特征浮动变量提取，得到特征浮动变量集，然后，根据特征浮动变量集，将训练样本子数据作为训练特征单元生成训练特征关系导图，然后，基于训练特征关系导图对训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据，然后，通过策略参数调整后的训练样本数据对初始重卡智能空调控制模型进行模型优化更新，以基于训练后的目标重卡智能空调控制模型调节所述重卡智能空调的工作状态。如此，可以根据特征浮动变量集生成训练特征关系导图，利用训练样本子数据的时空域特征部分进行学习和训练，提高训练后的目标重卡智能空调控制模型的模型性能，进而提高后续重卡智能空调控制的精度。

图2示出了本公开实施例提供的用于实现上述的重卡智能空调控制方法的重卡智能空调控制系统100的硬件结构意图，如图2所示，重卡智能空调控制系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在一些实施例中，重卡智能空调控制系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，重卡智能空调控制系统100可以是分布式的系统)。在一些实施例中，重卡智能空调控制系统100可以是本地的，也可以是远程的。例如，重卡智能空调控制系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，重卡智能空调控制系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，重卡智能空调控制系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以储存重卡智能空调控制系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的重卡智能空调控制方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述重卡智能空调控制系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上重卡智能空调控制方法。

应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。

同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。

本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (8)

1.一种重卡智能空调控制方法，其特征在于，应用于重卡智能空调控制系统，所述方法包括：

获取多个重卡模拟环境场景的热力图数据，对所述热力图数据进行处理得到该热力图数据的热力监测对象的热力单元信息，对所述热力监测对象的热力单元信息进行时空域特征提取得到所述热力监测对象的时空域特征；

获取所述热力监测对象的对象温度变化曲线数据和所述重卡模拟环境场景的环境场景温度变化数据，将所述热力监测对象的时空域特征、对象温度变化曲线数据以及所述重卡模拟环境场景的环境场景温度变化数据进行融合后作为训练样本数据，并获取针对所述训练样本数据的训练智能空调控制策略，将所述训练样本数据和对应的训练智能空调控制策略输入到初始重卡智能空调控制模型中进行训练，获得训练后的目标重卡智能空调控制模型；

获取目标重卡车的重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据，将所述重卡实际环境场景对应的热力监测对象的时空域特征、对象温度变化曲线数据和所述重卡实际环境场景的环境场景温度变化数据输入所述目标重卡智能空调控制模型得到所述目标重卡车的重卡智能空调的目标智能空调控制策略，并根据所述目标智能空调控制策略调节所述重卡智能空调的工作状态；

其中，所述将所述训练样本数据和对应的训练智能空调控制策略输入到初始重卡智能空调控制模型中进行训练，获得训练后的目标重卡智能空调控制模型的步骤，包括：

通过初始重卡智能空调控制模型对所述训练样本数据中每个以时空域单位进行区分的训练样本子数据进行特征浮动变量提取，得到特征浮动变量集；

根据所述特征浮动变量集，将所述训练样本子数据作为训练特征单元生成训练特征关系导图；

基于所述训练特征关系导图对所述训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据；

通过所述策略参数调整后的训练样本数据和对应的训练智能空调控制策略对所述初始重卡智能空调控制模型进行模型优化更新，以基于训练后的目标重卡智能空调控制模型调节所述重卡智能空调的工作状态；

其中，所述基于所述训练特征关系导图对所述训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据，包括：

将所述训练样本子数据的训练智能空调控制策略在所述训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息；

基于所述遍历循环模拟后的模拟智能空调控制策略信息，对所述训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据；

其中，所述将所述训练样本子数据的训练智能空调控制策略在所述训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息，包括：

将所述训练特征关系导图中的各所述训练特征单元按照各训练特征单元之间的训练特征相关度进行特征单元分团，得到多个训练特征单元团，其中每个训练特征单元团对应形成一个子关系导图；

基于每个所述训练特征单元团对应的子关系导图，针对所述子关系导图中的每个训练特征单元，分别以所述训练特征单元作为遍历循环模拟起始成员以及目标策略关联目标，在所述子关系导图中进行遍历循环模拟，根据所述目标策略关联目标的控制策略索引信息所述子关系导图中的各个其它训练特征单元进行控制策略关联，得到各个其它训练特征单元对应的关联控制策略；

根据各个训练特征单元对应的关联控制策略以及各个训练特征单元对应的训练智能空调控制策略，计算得到各个所述训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度；

根据各个所述训练特征单元对应的训练智能空调控制策略与关联控制策略之间的相关度，得到与所述目标策略关联目标对应的策略关联相关度集，进而得到所述子关系导图中的各个训练特征单元分别对应的策略关联相关度集；

根据各所述子关系导图中的各个训练特征单元分别对应的策略关联相关度集，确定目标训练特征单元，其中所述目标训练特征单元为对应的策略关联相关度集的策略关联相关度均值小于预设相关度阈值的训练特征单元；

将所述目标训练特征单元对应的训练智能空调控制策略根据所述目标训练特征单元所在的子关系导图中的其它训练特征单元对应的训练智能空调控制策略进行索引更新；

根据索引更新后的各个训练特征单元对应的智能空调控制策略得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息；

所述基于所述遍历循环模拟后的模拟智能空调控制策略信息，对所述训练样本子数据的训练智能空调控制策略进行策略参数调整，得到策略参数调整后的训练样本数据，包括：

在所述遍历循环模拟后的模拟智能空调控制策略信息中分析出所述训练样本子数据对应的遍历循环模拟后的智能空调控制策略特征；

在所述遍历循环模拟后的智能空调控制策略特征中选取智能空调控制策略的优先等级最高的控制策略索引信息目标；

在所述遍历循环模拟后的智能空调控制策略特征中确定所述控制策略索引信息目标的训练特征单元的特征节点；

获取所述训练特征单元的特征节点对应的目标智能空调控制策略，将所述目标智能空调控制策略作为所述训练样本子数据对应的遍历循环模拟后的智能空调控制策略；

将所述遍历循环模拟后的智能空调控制策略与对应的训练样本子数据被配置的训练智能空调控制策略进行匹配；

当所述遍历循环模拟后的智能空调控制策略与训练智能空调控制策略不匹配时，确定所述训练样本子数据为待进行策略参数调整的目标训练样本子数据；

将所述目标训练样本子数据的训练智能空调控制策略根据对应的遍历循环模拟后的智能空调控制策略进行策略参数调整，得到所述策略参数调整后的训练样本数据。

2.根据权利要求1所述的重卡智能空调控制方法，其特征在于，所述将所述训练样本子数据的训练智能空调控制策略在所述训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息，包括：

根据所述训练样本子数据的训练智能空调控制策略，生成所述训练样本数据对应的训练智能空调控制策略信息；

通过预设的遍历循环模拟模式，将所述训练智能空调控制策略信息在所述训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

3.根据权利要求2所述的重卡智能空调控制方法，其特征在于，所述训练智能空调控制策略信息包括各所述训练样本子数据对应的训练智能空调控制策略特征，所述通过预设的遍历循环模拟模式，将所述训练智能空调控制策略信息在所述训练特征关系导图的训练特征单元之间进行遍历循环模拟，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息，包括：

根据所述训练特征关系导图确定所述训练样本子数据之间的演变关系变量；

获取所述演变关系变量对应的预设对应空调状态特征，并基于所述预设对应空调状态特征，对所述训练样本子数据的训练智能空调控制策略特征进行策略特征映射；

将策略特征映射后的训练智能空调控制策略特征进行级联，得到所述训练样本子数据对应的遍历循环模拟后的模拟智能空调控制策略信息。

4.根据权利要求1-3任意一项所述的重卡智能空调控制方法，其特征在于，所述根据所述特征浮动变量集，将所述训练样本子数据作为训练特征单元生成训练特征关系导图，包括：

在所述特征浮动变量集中选取每一训练样本子数据对应的特征浮动变量，并基于所述训练样本子数据的特征浮动变量，计算所述训练样本子数据之间的特征浮动变量代价值；

基于所述特征浮动变量代价值，在所述训练样本数据中选取所述训练样本子数据的关联训练样本子数据，得到所述训练样本子数据的关联训练样本数据；

根据所述关联训练样本数据，将所述训练样本子数据作为训练特征单元生成训练特征关系导图；

其中，所述根据所述关联训练样本数据，将所述训练样本子数据作为训练特征单元生成训练特征关系导图，包括：

获取所述训练样本子数据与对应的关联训练样本数据中的训练样本子数据之间的时空域级联关系，得到所述训练样本子数据的关联训练样本子数据；

根据所述关联训练样本子数据，将所述训练样本子数据作为训练特征单元生成参考特征关系导图，并对所述参考特征关系导图进行关系去噪优化，得到所述训练特征关系导图；

其中，所述获取所述训练样本子数据与所述关联训练样本数据中的训练样本子数据之间的时空域级联关系，得到所述训练样本子数据的关联训练样本子数据，包括：

在所述特征浮动变量代价值中选取所述训练样本子数据与对应的关联训练样本数据中训练样本子数据之间的目标特征浮动变量代价值；

对所述目标特征浮动变量代价值进行级联，以得到所述训练样本子数据与所述关联训练样本数据中的训练样本子数据之间的时空域级联关系；

基于所述时空域级联关系，确定所述训练样本子数据的关联训练样本子数据。

5.根据权利要求1-3任意一项所述的重卡智能空调控制方法，其特征在于，所述通过所述策略参数调整后的训练样本数据和对应的训练智能空调控制策略对所述初始重卡智能空调控制模型进行模型优化更新，包括：

基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，对所述初始重卡智能空调控制模型进行模型优化更新；

通过所述初始重卡智能空调控制模型对所述策略参数调整后的训练样本数据中的训练样本子数据进行特征浮动变量提取，得到目标特征浮动变量集；

基于所述目标特征浮动变量集，对所述训练样本子数据的智能空调控制策略进行策略参数调整；

迭代执行上述步骤，直至所述初始重卡智能空调控制模型满足模型收敛要求，得到训练后的目标重卡智能空调控制模型。

6.根据权利要求5所述的重卡智能空调控制方法，其特征在于，所述基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，对所述初始重卡智能空调控制模型进行模型优化更新，包括：

基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，确定所述训练样本子数据的策略预测代价值；

基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量，确定所述训练样本子数据的特征浮动变量代价值；

将所述策略预测代价值和特征浮动变量代价值进行权重融合，并根据权重融合后的代价值对所述初始重卡智能空调控制模型进行模型优化更新；

其中，所述基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量，确定所述训练样本子数据的特征浮动变量代价值，包括：

基于所述策略参数调整后的训练样本数据中训练样本子数据的特征浮动变量和对应的训练智能空调控制策略，对所述训练样本子数据进行集划分，得到每一控制策略索引信息应的训练样本数据；

基于所述训练样本数据中训练样本子数据的特征浮动变量，计算所述训练样本数据对应的目标特征浮动变量；

将所述训练样本子数据的特征浮动变量和训练样本数据对应的目标特征浮动变量进行损失计算，得到所述训练样本子数据的特征浮动变量代价值。

7.根据权利要求6所述的重卡智能空调控制方法，其特征在于，所述将所述训练样本子数据的特征浮动变量和训练样本数据对应的目标特征浮动变量进行损失计算，得到所述训练样本子数据的特征浮动变量代价值，包括：

根据所述训练样本子数据的特征浮动变量，计算所述训练样本数据中训练样本子数据之间的变量差异，得到第一变量差异；

基于所述训练样本数据对应的目标变量差异，计算所述训练样本数据之间的变量差异，得到第二变量差异；

计算所述第一变量差异和第二变量差异之间的差异参数，得到第三变量差异，并将所述第三变量差异与预设的基准特征浮动变量特征进行特征聚合，得到特征聚合后的特征浮动变量特征；

当所述特征聚合后的特征浮动变量特征与预设的特征浮动变量特征的相关度达到设定相关度时，根据所述特征聚合后的特征浮动变量特征得到所述训练样本子数据的特征浮动变量代价值。

8.一种重卡智能空调控制系统，其特征在于，所述重卡智能空调控制系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-7中任意一项的重卡智能空调控制方法。

Images