CN115973174A - 用于车辆的车厢智能健康管理的方法和设备 - Google Patents

Abstract

本发明涉及车内环境的监测与控制领域。本发明提供一种用于车辆的车厢智能健康管理的方法，所述方法包括以下步骤：S1：获取车厢内的与用户的健康状态相关的健康水平信息；S2：获取用户对至少一个车机功能的操作偏好数据；以及，S3：分析在确定时间段内用户对至少一个车机功能的操作偏好数据与所述健康水平信息的关联性，将分析的结果呈现给用户。本发明还涉及一种用于车辆的车厢智能健康管理的设备和一种计算机程序产品。本发明旨在将用户在车厢内的碎片化操作行为整合，并建立与车内环境健康的关联，由此使用户不仅能够全面了解车厢内的环境健康水平，而且也知悉自身用车习惯对这种健康水平的影响。

Description

用于车辆的车厢智能健康管理的方法和设备

技术领域

本发明涉及一种用于车辆的车厢智能健康管理的方法、一种用于车辆的车厢智能健康管理的设备和一种计算机程序产品。

背景技术

随着车辆智能化进程不断深入，车辆搭载的多种人机交互功能为驾驶员的安全驾驶和舒适性提升做出了贡献。然而目前环境污染现象逐渐加重，并且车辆用户在车内停留时间越来越长，因此车厢内的环境健康问题同样值得引起重视。

为了解决这一问题，现有技术中提出对车内空气质量进行实时监测，并以语音提示指导用户采取相关操作来改善车内空气水平。还已知一种车内空气环境的控制方法，在该方法中根据车辆所处环境调用对应的气味控制策略，并根据气味控制策略控制车载空气调节设备，从而能够根据场景智能地对车内空气进行处理。

但是目前给出的上述解决方案仍存在诸多不足，特别是，这些已知监测方案只能简单地实现室内环境参数的采集和汇报，却无法让用户知晓自己在车辆中的哪些操作习惯对车内环境健康产生了何种影响。此外，面对个体化程度极高的用户群体，统一制定的调节措施也无法精准地满足不同用户的偏好。

在这种背景下，期待提供一种改进的车厢智能健康管理方案，以结合每个用户各异的操作习惯对车厢内的环境健康进行全面且综合的智能分析。

发明内容

本发明的目的在于提供一种用于车辆的车厢智能健康管理的方法、一种用于车辆的车厢智能健康管理的设备和一种计算机程序产品，以至少解决现有技术中的部分问题。

根据本发明的第一方面，提供一种用于车辆的车厢智能健康管理的方法，所述方法包括以下步骤：

S1：获取车厢内的与用户的健康状态相关的健康水平信息；

S2：获取用户对至少一个车机功能的操作偏好数据；以及

S3：分析在确定时间段内用户对至少一个车机功能的操作偏好数据与健康水平信息的关联性，将分析的结果呈现给用户。

本发明尤其包括以下技术构思：通过将用户在车厢内的碎片化操作行为整合，并建立与车内环境健康的联系，使车辆用户不仅能够了解车厢内的环境健康水平，而且也更加了解自身用车习惯对这种健康水平的影响。由此，赋予了所监测的各项健康指标上下文含义，使得车辆不再是一个点对点载体，而是承载着与用户之间的沟通和交互功能。

可选地，以原始传感器信号和/或对原始传感器信号的分级结果的形式获取健康水平信息。

在此，尤其实现以下技术优点：通过记录原始传感器信号，允许以简单的方式实现车厢内部环境监测，因此能够实现与此相关的较小能耗或将资源用于其他功能的可能性。通过对原始传感器信号的分级处理，则能够更明确传达车厢健康水平的优劣状态及其波动变化，有利于后续的关联性分析以及数据呈现。

可选地，健康水平信息包括环境水平信息和生物水平信息，所述环境水平信息尤其包括车厢内的温度、车厢内的空气质量、车厢内的花粉浓度、车厢内的紫外线指数、车厢内的氧浓度和车厢内的湿度，所述生物水平信息尤其包括用户的红外生命体征、注意力集中度和视觉疲劳度。

在此，尤其实现以下技术优点：车厢健康水平不仅体现在环境因素上，而且还能够从用户的身体及精神状态反映出来。因此，通过了解这两方面信息，可以更全面、有效地分析车厢内的健康水平。

可选地，所述操作偏好数据包括：在相应外部环境条件下，用户对至少一个车机功能的激活次数、使用时长、使用频率、使用时间段、运行模式、运行温度、运行角度和运行强度。

在此，尤其实现以下技术优点：通过对车上已有功能数据的提取，使得车上原有软硬件成为积极主动的数据接收源及分析源，能够让用户充分了解自身对车机功能的操作习惯和操作规律。

可选地，所述步骤S3包括：

预先为每个车机功能的不同运行状态分配对健康水平信息的影响分数；

统计每个车机功能在用户的操作偏好数据情况下得到的累积影响分数；以及

基于累积影响分数确定所述关联性。

在此，尤其实现以下技术优点：由此使得每个车机功能的不同运行状态与健康水平之间的关联性得以量化，可以利用统计结果更有效地分析不同因素对健康水平的影响程度，从而更有针对性地制定调节策略。

可选地，所述步骤S3包括：

针对不同的车机功能，呈现用户的操作偏好数据对健康水平信息的正向贡献程度和/或负向贡献程度。

在此，尤其实现以下技术优点：由此能够让用户知道自己的哪些操作行为使车厢健康水平劣化，又有哪些操作习惯能够对健康水平产生积极影响并因此能够被保留。因此，这种指导性信息有利于让用户在未来的用车阶段更有针对性地调整自身操作行为。

可选地，所述步骤S3包括：

单独地呈现用户对每个车机功能的操作偏好数据与健康水平信息的关联性；和/或

协同地呈现用户对多个车机功能的操作偏好数据与健康水平信息的关联性。

在此，尤其实现以下技术优点：单独的呈现方式能够更清晰地反映每个操作行为对特定健康指标的影响，从而实现具体操作行为可控。协同的呈现方式则还考虑到不同车机功能或车机功能的不同运行状态之间的逻辑关联和时间关联，因此能够以融合的方式反映多种交互功能的共同作用，便于后续的更精准调节。

可选地，所述步骤S3包括：以不同的时间维度呈现所述关联性，其中，尤其以日、周、月、季度和/或年形式的时间维度呈现所述关联性。

在此，尤其实现以下技术优点：在不同时间维度上的记录和呈现方式能够反映出用户行为习惯以及车厢内健康水平随时间的变化并且使这种变化可视化。由此，便于让用户了解自身操作行为的短期和长期特性，能够在未来的行为规划上纳入时间因素。

可选地，所述方法还包括以下步骤：

根据确定时间段内的操作偏好数据和健康水平信息生成用于至少一个车机功能的调节策略；以及

将所述调节策略呈现给用户和/或以所述调节策略自动调节至少一个车机功能。

在此，尤其实现以下技术优点：在制定未来的调节策略或生成合理化建议时，不仅旨在让车厢内的健康水平稳定在合理范围内，同时还兼顾了用户对各种车机功能的使用习惯和偏好。因此，在车辆中为用户提供了量身打造的健康管理方案，提高了用户满意度。

可选地，仅当接收到用户对所述调节策略的确认的情况下，才以所述调节策略自动调节至少一个车机功能。

在此，尤其实现以下技术优点：由此留给用户充分的自主选择空间，改善了用户体验。

可选地，借助用户的操作偏好数据和车厢内的健康水平信息训练用户对至少一个车机功能的使用习惯模型，借助经训练的使用习惯模型预测：在相应外部环境条件下使车厢内的健康水平信息满足预设条件的操作偏好数据，基于所预测的操作偏好数据生成对至少一个车机功能的调节策略。

在此，尤其实现以下技术优点：通过建立自学习模型，能够让车机调节系统模拟用户脑中的感知机制，从而预测出满足健康要求并且同时尽可能符合用户预期的调节方式，这能够在一定程度上减少车辆用户对车机功能的手动操作过程，使其更专注于驾驶行为。

可选地，在借助用户的操作偏好数据和车厢内的健康水平信息训练使用习惯模型之前，该使用习惯模型已经基于大数据、尤其借助确定地理区域和/或确定季节和/或确定性别和/或确定年龄的用户群体的众包操作偏好数据以及相应的众包健康水平信息进行了预训练。

在此，尤其实现以下技术优点：通过事先借助大数据预训练机器学习模型，可以在充分利用历史积累的先验知识的基础上快速建立参数模型的初始框架，然后再基于具体用户习惯及偏好对该参数模型进行微调，从而加快了训练算法的收敛进程。由于参数模型的整体框架已被估计出，而只需在细节上校准，由此极大地缩减了初始学习阶段的时间开销，提高了用户满意度。此外，相同地区、季节、文化背景、性别等因素下的用户群体可能在操作习惯上存在共性，通过聚类的训练方式可以使输出结果更好地匹配于用户习惯。

可选地，以第一模式和/或第二模式生成所述调节策略，在第一模式中，基于用户的操作偏好数据对用户的使用习惯进行分类，根据分类的结果调取预定义的调节策略，在第二模式中，检查预定义的调节策略与用户的使用习惯之间是否存在偏差，响应于所述偏差修正预定义的调节策略以减小所述偏差。

在此，尤其实现以下技术优点：通过预存储调节策略并直接按照用户习惯进行归类，可以快速定位出适合的调节策略，同时也可以节省反复调整的时间开销，这尤其对于操作习惯相对稳定的用户是有利的。通过反馈的学习方式，则可以更有针对性地执行调节过程，由此使调节策略在迭代过程中不断贴近于用户期望，这尤其对于操作习惯随机性较强的用户是有利的。

可选地，通过记录用户对调节策略的反馈事件来确定是否存在所述偏差，所述反馈事件包括：用户对至少一个车机功能的运行状态的手动调整。

在此，尤其实现以下技术优点：用户手动干预的次数和程度能够反映出其对目前应用的自动调节策略的满意度，因此这种反馈事件可以重新作为补充训练数据来更新机器学习模型的内部参数，从而使最终得到的训练结果不断优化。

可选地，所述方法还包括以下步骤：针对用户的身份在云端和/或在本地存储所述调节策略，当识别出相应用户的身份时，从云端和/或从本地调取对应的调节策略。

在此，尤其实现以下技术优点：通过这种调取过程，可以在下一个使用循环时直接针对用户身份应用相匹配的自动调节策略或直接基于上一次的训练结果进行再训练，而无须从零开始进行自适应过程，提高了用户满意度。

根据本发明的第二方面，提供一种用于车辆的车厢智能健康管理的设备，所述设备用于执行根据本发明的第一方面所述的方法，所述设备包括：

第一获取模块，其配置成能够获取车厢内的与用户的健康状态相关的健康水平信息；

第二获取模块，其配置成能够获取用户对至少一个车机功能的操作偏好数据；以及

分析模块，其配置成能够分析在确定时间段内用户对至少一个车机功能的操作偏好数据与健康水平信息的关联性，并将分析的结果呈现给用户。

根据本发明的第三方面，提供一种计算机程序产品，其中，所述计算机程序产品包括计算机程序，所述计算机程序用于在被计算机执行时实施根据本发明的第一方面所述的方法。

附图说明

下面，通过参看附图更详细地描述本发明，可以更好地理解本发明的原理、特点和优点。附图包括：

图1示出了根据本发明的一个示例性实施例的用于车辆的车厢智能健康管理的设备的框图；

图2示出了根据本发明的一个示例性实施例的车辆的电子电气架构的示意图；

图3示出了根据本发明的一个示例性实施例的用于车辆的车厢智能健康管理的方法的流程图；

图4示出了图3中的方法的一个方法步骤的示例性实施例的流程图；

图5示出了图3中的方法的一个方法步骤的示例性实施例的流程图；

图6示出了图3中的方法的一个方法步骤的示例性实施例的流程图；

图7示出了根据一个示例性实施例的用于向用户展示车厢健康分析结果的说明性用户界面；以及

图8示出了根据一个示例性实施例的用于向不同用户展示调节策略的说明性用户界面。

具体实施方式

为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白，以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不是用于限定本发明的保护范围。

图1示出了根据本发明的一个示例性实施例的用于车辆的车厢智能健康管理的设备的框图。设备1包括第一获取模块10、第二获取模块20和分析模块30。

第一获取模块10用于获取车厢内的与用户的健康状态相关的健康水平信息。在此，第一获取模块10例如可以构造成通信接口，并因此能够从车辆上部署的多种传感器接收实时测量的原始传感器信号。此外，第一获取模块10也可以接收原始传感器信号的分级结果并将其看作是健康水平信息。也能够想到的是，第一获取模块10例如直接构造成传感器并包括相关的处理单元，因此可以直接借助其检测车厢内的各种信号并提供健康水平信息。在本发明的意义上，原始传感器信号例如表示：可由传感器直接测量得到的绝对传感器参数，这例如包括温度、空气质量指数、湿度、空气中确定气体的含量等。分级评价结果例如表示：借助阈值或其他评价指标对原始传感器信号进行预处理后的结果。例如，当收集了一段时间内的车内空气质量指数之后，可借助空气质量阈值对其进行分类，由此得到该段时间内的空气优劣状态。

第二获取模块20用于获取用户对至少一个车机功能的操作偏好数据。在此，第二获取模块20例如同样可以构造成通信接口，并因此能够从车辆上的各种软件和硬件接收数据，以便将其用于对用户操作行为的分析。

分析模块30连接到第一获取模块10和第二获取模块20，以便分别接收用户的操作偏好数据以及车厢内的健康水平信息。为了便于功能划分，分析模块30进一步包括报告生成单元31和策略生成单元32。在报告生成单元31中，例如能够提取出确定时间段内的操作偏好数据和健康水平信息并分析两者之间的关联性。在策略生成单元32中，例如能够根据历史的操作偏好数据以及健康水平信息生成用于至少一个车机功能的调节策略或合理化建议。在该示例性实施例中，分析模块30还连接到外部环境传感器41和用户身份输入装置42，由此可以结合车辆外部的实时环境变化来输出合适的调节策略，并允许根据用户身份来调取对应的调节策略。此外，分析模块30例如还与用户的移动终端260通信连接，从而能够将分析的结果以车厢智能分析报告的形式呈现给用户。此外，分析模块30例如还与车辆的至少一个执行机构50通信连接，从而可以按照所生成的调节策略控制至少一个执行机构的运行。

图2示出了根据本发明的一个示例性实施例的车辆的电子电气架构的示意图。

电子电气架构200包括车辆总线201以及多个域控制器210、220、230，这些域控制器210、220、230通信地耦合到车辆总线201上。在此，车辆总线201例如包括LIN总线、CAN总线、Ethernet总线、FlexRay总线等。

用于车身域的域控制器210例如连接到多个车身内饰和外饰模块，这例如包括车窗模块211、氛围灯模块212、座椅调整模块213、空调模块214。通过这种域控制器210例如能够从分散布置在车身上的传感器/执行器收集各个车机功能的运行参数，从而能够了解用户在使用车机功能过程中产生的操作偏好数据。

用于底盘域的域控制器220例如连接到车辆底盘与悬架模块，以便收集与车辆的驾驶行为以及充电状态相关的操作偏好数据。

此外在车辆总线201上还连接有多个室内传感器202、203、204，这些室内传感器202、203、204用于采集车厢内的健康水平信息并将其反馈到车辆总线上。例如，可以借助PM2.5传感器202检测车厢内的PM2.5浓度，可以借助空气湿度传感器203检测车厢内的空气湿度，并且可以借助红外传感器204检测用户的生命体征。

集成化域控制器230例如用于集中处理来自其他域控制器210、220以及室内传感器的数据并对其进行整合。根据一个实施例，根据本发明的用于车厢智能健康管理的设备1可以布置车辆内部，并因此布置在该集成化域控制器230中，从而能够在那里分析确定时间段内的操作偏好数据与健康水平信息之间的关联性，并且还能够由此生成用于至少一个车机功能的调节策略。

在车辆总线201上还连接有智能天线模块240，从而允许将集成化域控制器230整合的传感器数据发送到云端250进行分析处理。根据一个实施例，根据本发明的用于车厢智能健康管理的设备1'也可以布置在车辆外部，并因此布置在云端250，因此无须在车辆本地执行健康智能分析，节省了车辆中的软/硬件开销。在云端250完成这种分析之后，可以由云端将分析的结果输出到用户的移动终端260上，从而例如通过人机界面呈现给用户。

然而在设备1直接布置在车辆本地的情况下，也可以借助智能天线模块240将分析后的车厢智能健康报告输出到用户的移动终端260，从而便于用户了解自己的使用习惯与车厢健康的关系，也便于用户远程开启或关闭相应的车机功能。

图3示出了根据本发明的一个示例性实施例的用于车辆的车厢智能健康管理的方法流程图。

在步骤S1中，获取车厢内的与用户的健康状态相关的健康水平信息。在此，健康水平信息例如包括环境水平信息和生物水平信息。环境水平信息理解为潜在影响车内用户的健康状态的至少一个室内环境参数，这尤其包括车厢内的温度、车厢内的空气质量、车厢内的花粉浓度、车厢内的紫外线指数、车厢内的氧浓度、车厢内的紫外线强度和车厢内的湿度。生物水平信息理解为用户在车厢内停留期间的能够反映健康状态的生物学参数，这尤其包括用户的红外生命体征、注意力集中度和视觉疲劳度。作为示例，可以以原始传感器信号和/或对原始传感器信号的分级结果的形式获取健康水平信息。

在步骤S2中，获取用户对至少一个车机功能的操作偏好数据。在本发明的意义上，操作偏好数据例如理解为：已经配备在车辆上的多种硬件及软件在不同用户的操作行为下产生的不同运行状态。这种操作偏好数据例如包括：在确定的外部环境条件下，用户对至少一个车机功能(例如预通风、预空调、内外循环、A/C空调、车窗、车门、天窗、座椅、氛围灯等)的激活次数、使用时长、使用频率、使用时间段、运行模式、运行温度、运行角度和运行强度。

在步骤S3中，分析在确定时间段内用户对至少一个车机功能的操作偏好数据与健康水平信息的关联性，将分析的结果呈现给用户。

作为示例，可以针对车厢内的不同区域(例如驾驶舱、副驾驶舱、后排车厢)单独地分析关联性。作为另一示例，也可以针对整个车厢区域在整体地分析关联性。

作为示例，可以针对不同车机功能呈现用户的操作偏好数据对健康水平信息的正向贡献程度和/或负向贡献程度，并按照正向或负向贡献程度的大小对不同车机功能下的操作偏好数据排序，由此能够让用户更清晰地看出自己的哪些操作习惯给车厢内的健康水平造成了最显著影响。在此，正向贡献例如表示：特定车机功能在操作偏好数据下的运行状态或运行规律能够使健康水平信息向满足预设条件或达到合格标准的方向变化。例如，在恶劣天气下关闭车窗并开启车辆内循环对车厢内的空气质量提升做出了正向贡献。负向贡献表示：特定车机功能在操作偏好数据下的运行状态或运行规律能够使健康水平信息向偏离预设条件或违反合格标准的方向变化。例如，在恶劣天气下开启车窗并频繁开启车辆外循环对车厢内的空气质量提升做出了负向贡献。

作为示例，可以单独地呈现用户对每个车机功能的操作偏好数据与健康水平信息的关联性。这例如意味着，当以车厢内的氧浓度为健康指标时，例如可以向用户呈现其“开车窗的次数和时间”以及“开外循环的次数和时间”分别对车厢内氧浓度的影响情况。

作为另一示例，也可以协同地呈现用户对多个车机功能的操作偏好数据与健康水平信息的关联性。这例如意味着，当以车厢内的氧浓度为健康指标时，例如可以向用户呈现其“开车窗的次数和时间”以及“开外循环的次数和时间”的共同作用下对氧浓度的影响情况。在执行这种融合分析时，还有利地考虑到不同车机功能的运行状态之间的相互抵消作用或相互促进作用。

作为另一示例，还可以单独地呈现每个车机功能与一种健康水平信息的关联性，也可以同时呈现每个车机功能与多种健康水平信息的关联性。

作为另一示例，可以以不同的时间维度呈现所述关联性。例如，可以以小时、日、周、月、季度和/或年形式的时间维度呈现所述关联性。

在步骤S4中，还可以根据确定时间段内的操作偏好数据以及健康水平信息生成用于至少一个车机功能的调节策略，并请求用户对这种调节策略的确认。

作为示例，可以直接根据由历史数据得出的相关性对用户操作行为给出合理化建议。例如，如果用户之前习惯在长时间驾驶期间很少开启空调或内/外循环功能，使得车厢内的氧气浓度持续处于低水平，这种操作习惯会对驾驶注意力等造成不利影响，因此可以基于这种分析结果向用户建议：建议在今后的长时间驾驶期间适当摇下车窗或开启内/外循环。

作为另一示例，还可以结合当前或未来一段时间的车辆外部环境信息(例如天气、温度、紫外线强度、花粉扩散情况、空气质量情况)生成用于至少一个车机功能的自动调节策略。

在接下来的步骤S5中，可以判断是否收到用户对调节策略的确认操作。

如果收到用户确认，则可以在步骤S6中应用该调节策略，并实现对至少一个车机功能的自动调节。

如果在确定时间段内未收到用户确认或者收到了用户拒绝接受的信息，则可以在步骤S7中不采用所推荐的调节策略并因此继续保持手动的调节模式。

图4示出了图3中的方法的一个方法步骤S3的示例性实施例的流程图。该方法步骤S3示例性地包括步骤S30-S32。

在步骤S30中，预先为每个车机功能的不同运行状态分配对健康水平信息的影响分数。在此，这例如可以借助人工标注过程来完成，然而也可以基于特定的数学模型得到。作为示例，在冬季针对健康水平信息“室内温度合适”，可以为天窗功能的状态“单次开启天窗”分配分数“-1”，为状态“天窗开启1分钟”分配分数“-1”，为空调功能的状态“单次开启空调制暖”分配分数“+1”，为状态“空调制暖开启1分钟”分配分数“+1”，为座椅加热功能的状态“单次开启座椅加热”分配分数“+1”，以此类推。

在步骤S31中，统计每个车机功能在用户的操作偏好数据情况下得到的累积影响分数。在此，例如针对一个月的时间，统计到用户一共开启了十次空调制暖，并且平均时长为30分钟，由此针对“空调功能”例如得到累积的分数“40”。

在步骤S32中，基于累积影响分数确定操作偏好数据与健康水平信息的关联性。作为示例，可以直接以累积分数的形式显示关联性大小，分值越大，则关联性越大。作为另一示例，也可以额外设置不同的分级阈值并将所得的累积影响分数与每个分级阈值进行比较，以便定性地得出操作偏好数据与健康水平信息的关联性大小。值得注意的是，上述实施例仅介绍了操作偏好数据与一种健康水平信息(或者说一个健康指标)的关联性。然而也可能的是，综合地分析操作偏好数据与多种健康水平信息的关联性。例如，针对第一健康水平信息“室内温度合适”，用户对空调功能的操作偏好数据的累积分数为“40”，而针对第二健康指标“室内空气质量优秀”，用户对空调功能的操作偏好数据的累积分数只有“5”。因此有意义的是，针对所有类型的健康水平信息，对确定车机功能对应的累积分数取平均或进行加权处理，由此可以得到用户的操作偏好数据与车厢内的整体健康水平的关联性。

图5示出了图3中的方法的一个方法步骤S4的示例性实施例的流程图。该方法步骤S4示例性地包括步骤S40-S43。

在步骤S40中，例如可以针对确定地理区域和/或确定季节和/或确定性别和/或确定年龄的车辆用户群体，以众包的方式收集众包操作偏好数据以及相应的众包健康水平信息。这尤其可以借助基于大数据的共享云平台来实现。例如，北京地区与上海地区相比，由于地理位置差异而存在较显著的气候差别，因此这两种地区的用户在使用空调、通风、座机加热等车机功能的习惯上同样会存在差别。在这种情况下，有意义的是，针对北京和上海地区用户单独收集相关数据并用于后续分析。

在步骤S41中，可以借助所收集的数据建立针对至少一个车机功能的使用习惯模型并对其进行预训练。在此，例如利用基于大数据的操作偏好数据以及健康水平信息作为训练数据，建立机器学习模型的输入-输出映射。这样做的目的是，使机器学习模型能够模拟人脑中对各种环境因素的感知，并形成各种感知与健康水平之间的逻辑关联，从而例如当将给定的外部环境信息(例如车辆外部温度、湿度、空气质量等)输入到模型中之后，可以自动输出对至少一个车机功能的调节策略，这种输出结果一方面考虑到该群体用户针对这种环境因素或身体状态的期望操作行为(例如将空调调节到一个预设温度或开启车窗)，同时该输出结果还考虑到了用户的操作行为对车厢内的健康水平的影响，因此通过不断的迭代训练过程，能够使模型在用户舒适度与车厢内的健康水平之间寻求平衡，在尽可能兼顾两者的情况下求取出最终的调节策略。作为示例，可以针对不同地理区域、季节、性别和/或年龄的用户群体建立和预训练出不同的使用习惯模型并将这些使用习惯模型预存储在云平台中，以便于在不同场景下被调用。

在步骤S42中，借助特定用户的操作偏好数据和健康水平信息对步骤S41中建立的初步使用习惯模型进行再训练。为了使预训练的模型能够更精准地匹配于个体用户习惯，可以借助单个用户数据对该模型的内核函数或内部参数进行微调。作为示例，基于特定地区和季节的大数据分析预训练出使用习惯模型，以适应来自同一地区和季节的用户的“共同行为”，例如基于大数据预编程空调在春天和室外温度达到30度以上时自动调整到24度，而这个24度是基于10万用户在此期间的空调调节操作生成的。然后利用个体用户的行为差异来具体地调整这种“共同行为”，例如，如果特定用户觉得24度太热了，手动调节成22度，那么在2-3次手动调节之后，“人工大脑”就会重新学习并记住22度而不是24度。

在S43中，利用经训练的使用习惯模型预测操作偏好数据并由此生成调节策略。在此，例如将确定的外部环境信息和/或当前的车厢内部健康水平信息输入到使用习惯模型中，于是，该使用习惯模型可以在综合考虑多种制约因素之间的逻辑关联的情况下输出预测的操作偏好数据，这种预测的操作偏好数据尤其能够使车厢内健康水平信息满足预设条件。

图6示出了图3中的方法的一个方法步骤S4的示例性实施例的流程图。该方法步骤S4示例性地包括步骤S401-S409。

在步骤S401中，录入用户身份信息。这例如可以借助确定的用户信息采集模块(例如人脸识别模块、语音识别模块、身份信息键入模块、身份标识识别模块和/或虹膜识别模块)来实现。

在步骤S402中，按照用户身份对用户进行初步分类。作为示例，可以根据用户身份识别出用户购买的车型或调取出历史的保养记录和维护记录，由此估计出用户的消费力等级。作为另一示例，可以根据用户身份识别出用户的年龄和性别，由此估计出大致的身体强健程度。作为另一示例，可以根据用户身份调取出用户对特定车辆功能的付费情况或购买版本，由此能够了解用户对车辆附加功能的使用权限。

在步骤S403中，根据初步分类的结果判断用户属于A组还是B组。在此，A组例如表示购买“低级版”车厢健康管理功能的用户群体，B组例如表示购买“高级版”车厢健康管理功能的用户群体。相比于“低级版”的车厢健康管理功能，“高级版”的功能例如能够实现自动调节策略与用户操作习惯的更良好适配，提供了更加符合自身操作风格或偏好的自动化方案，并且包含更多类型的健康参数记录。

如果判断出用户身份属于A组，则例如可以以第一模式生成调节策略。于是，在步骤S404中可以记录一段时间的操作偏好数据并基于此对用户的使用习惯进行分类。

接下来，可以在步骤S405中根据分类结果从云平台或本地调取针对确定使用习惯类别预存储的调节策略。例如，如果判断出用户对空调的使用习惯为“偏好暖”，则可以从该组调用针对空调功能的调节策略，相反，可以从“偏好冷”的数据库中调用针对空调功能的另一调节策略。

如果判断出属于B组，则例如可以以第二模式生成调节策略。于是，可以在步骤S406中从云端数据库或系统后台获取一个预设的调节策略。这种调节策略例如可以在研发阶段针对该车型建立并默认存储的。

然后在步骤S407中，可以实时地检查该预设的调节策略与用户的使用习惯之间是否存在偏差。为了能够识别出这种偏差，可以记录用户对调节策略的反馈事件，这种反馈事件包括：用户对至少一个车机功能的运行状态的手动调整。可以理解的是，如果用户对当前应用的调节策略满意，或者说认为当前的调节策略符合其个人的操作习惯，则用户一般不会对自动调节过程进行人工干预。相反，如果用户不满意当前的自动调节策略，则会通过手动调节(例如超控)的方式干预自动调节过程。通过记录这种反馈事件的发生次数和频率，可以确定调节策略与用户的使用习惯之间的偏差。在此还可能的是，基于反馈事件确定至少一个车机功能的调节策略的修正趋势方向。

如果判断出存在偏差，则可以在步骤S408中修正当前的预设调节策略，以减小所述偏差。例如，如果用户手动改变了当前的出风口方向，则可以将这种出风口方向存储为新的操作偏好数据，并基于此生成新的调节策略。

如果判断出不存在偏差，则可以在步骤S409中将预设的调节策略确定并存储为最终的调节策略，以便在下次用户使用车辆期间直接调用该调节策略。

在此应注意的是，虽然在该示例中第一和第二调节的生成过程彼此独立地进行，但是还能够想到第一模式作为基础调节模式在第二模式之前进行。此外，两种模式的其他组合实施方式也是可能的。

图7示出了根据一个示例性实施例的用于向用户展示车厢健康分析结果的说明性用户界面。在此示出的用户界面例如可以是用户的移动终端的一部分，借助该移动终端可以接收来自车厢智能健康管理设备的数据和分析报告，同时，借助该移动终端也可以将用户的输入指令传递给该设备或传递给车辆上的各软/硬件执行机构。

如图7左侧所示，在该用户界面上示出一种示例性健康水平信息与多种操作偏好数据的关联性。在示例中，向用户呈现的是过去一个月内(例如2月份)的车厢内空气质量情况，这种健康水平信息例如以曲线图的形式示出。在该曲线图下方分别示出了用户对不同车机功能的操作偏好数据以及该操作偏好数据与健康水平信息的关联性。

例如，针对车辆的预通风功能，示出了过去一个月内的驾车次数为20次，而在此期间使用预通风功能的次数为5次，综合计算出该操作偏好数据对上述健康水平信息的贡献度为+10。

针对车窗功能，在不同分析维度上示出了操作偏好数据。在此例如分别示出了过去一个月内开启车窗的次数和总时长(或平均单次时长)，同时还示出了这种车机功能对健康水平信息的总贡献度。

此外，还分别针对内循环和A/C空调功能示出过去一个月内的操作偏好数据以及相应的贡献度。

在图7右侧示出针对分析结果生成的合理化建议。在此，例如根据对历史数据的分析发现用户有几天的频繁开车窗和天窗行为造成车厢内的整体空气质量较差，因此可以向用户建议：上个月空气质量不好，发现您开车窗和天窗频繁造成室内空气质量较差，这对健康有不利影响。

作为开车窗和天窗行为的替代方案，可以同时建议客户：建议您减少开车窗和天窗次数，并多使用预通风功能和内循环功能，这样同样能够在长时间驾驶期间阻隔污浊气体并保证室内空气清洁。

图8示出了根据一个示例性实施例的用于向不同用户展示调节策略的说明性用户界面。

在此例如针对两个用户A、B分别示出了根据本发明的方法生成的调节策略。健康分析结果表明，这两个用户对环境具有不同的感知，这导致他们在对车机功能的使用习惯和操作偏好上存在差异。例如，针对相同的外部环境因素“外部空气温度34度，夏天，空气中午污染，花粉浓度低，紫外线强度较强”，用户A偏好的室内温度是“22度”、喜欢开启天窗和车窗，而用户B则偏好的室内温度是“25度”、内空气循环，并且需要防晒。

在图8左侧示出针对用户A的调节策略：今天空气质量较差且紫外线强度较强，车内温度按您喜欢的22度作为目标温度，同时为您收起天窗遮阳帘并关闭车窗、天窗。可以看出，虽然根据历史收集的操作偏好数据能够得出，用户A经常喜欢开车窗和天窗。但是由于训练出的使用习惯模型同时还考虑到车厢内的健康水平，因此最终生成的调节策略在兼顾用户行为偏好的同时，仍部分地有悖于用户的原始习惯，以确保在整体上良好的车厢健康水平。

在图8右侧示出针对用户B的调节策略：今天空气质量较差且紫外线强度较强，车内温度按您喜欢的25度作为目标温度，同时为您关闭车窗天窗，开启遮阳帘。可以看出，面临相同的外部环境条件，由于用户A和用户B的个体操作习惯不同，所制定的调节策略也存在差异。

同时，在图8中的用户界面中还示出向用户的确认请求，由此确保仅当接收到用户确认的情况下才开启自动调节模式。

尽管这里详细描述了本发明的特定实施方式，但它们仅仅是为了解释的目的而给出的，而不应认为它们对本发明的范围构成限制。在不脱离本发明精神和范围的前提下，各种替换、变更和改造可被构想出来。

Claims (17)

1.一种用于车辆的车厢智能健康管理的方法，所述方法包括以下步骤：

S1：获取车厢内的与用户的健康状态相关的健康水平信息；

S2：获取用户对至少一个车机功能的操作偏好数据；以及

S3：分析在确定时间段内用户对至少一个车机功能的操作偏好数据与所述健康水平信息的关联性，将分析的结果呈现给用户。

2.根据权利要求1所述的方法，其中，以原始传感器信号和/或对原始传感器信号的分级结果的形式获取健康水平信息。

3.根据权利要求1或2所述的方法，其中，所述健康水平信息包括环境水平信息和生物水平信息，所述环境水平信息尤其包括车厢内的温度、车厢内的空气质量、车厢内的花粉浓度、车厢内的紫外线指数、车厢内的氧浓度和车厢内的湿度，所述生物水平信息尤其包括用户的红外生命体征、注意力集中度和视觉疲劳度。

4.根据权利要求1至3中任一项所述的方法，其中，所述操作偏好数据包括：在相应外部环境条件下，用户对至少一个车机功能的激活次数、使用时长、使用频率、使用时间段、运行模式、运行温度、运行角度和运行强度。

5.根据权利要求1至4中任一项所述的方法，其中，所述步骤S3包括：

预先为每个车机功能的不同运行状态分配对健康水平信息的影响分数；

统计每个车机功能在用户的操作偏好数据情况下得到的累积影响分数；以及

基于所述累积影响分数确定所述关联性。

6.根据权利要求1至5中任一项所述的方法，其中，所述步骤S3包括：

针对不同的车机功能，呈现用户的操作偏好数据对健康水平信息的正向贡献程度和/或负向贡献程度。

7.根据权利要求1至6中任一项所述的方法，其中，所述步骤S3包括：

单独地呈现用户对每个车机功能的操作偏好数据与健康水平信息的关联性；和/或

协同地呈现用户对多个车机功能的操作偏好数据与健康水平信息的关联性。

8.根据权利要求1至7中任一项所述的方法，其中，所述步骤S3包括：

以不同的时间维度呈现所述关联性，其中，尤其以日、周、月、季度和/或年形式的时间维度呈现所述关联性。

9.根据权利要求1至8中任一项所述的方法，其中，所述方法还包括以下步骤：

根据确定时间段内的操作偏好数据和健康水平信息生成用于至少一个车机功能的调节策略；以及

将所述调节策略呈现给用户和/或以所述调节策略自动调节至少一个车机功能。

10.根据权利要求9所述的方法，其中，仅当接收到用户对所述调节策略的确认的情况下，才以所述调节策略自动调节至少一个车机功能。

11.根据权利要求9或10所述的方法，其中，借助用户的操作偏好数据和车厢内的健康水平信息训练用户对至少一个车机功能的使用习惯模型，借助经训练的使用习惯模型预测：在相应外部环境条件下使车厢内的健康水平信息满足预设条件的操作偏好数据，基于所预测的操作偏好数据生成对至少一个车机功能的调节策略。

12.根据权利要求11所述的方法，其中，在借助用户的操作偏好数据和车厢内的健康水平信息训练所述使用习惯模型之前，所述使用习惯模型已经基于大数据、尤其借助确定地理区域和/或确定季节和/或确定性别和/或确定年龄的用户群体的众包操作偏好数据以及相应的众包健康水平信息进行了预训练。

13.根据权利要求9至12中任一项所述的方法，其中，以第一模式和/或第二模式生成所述调节策略，在第一模式中，基于用户的操作偏好数据对用户的使用习惯进行分类，根据分类的结果调取预定义的调节策略，在第二模式中，检查预定义的调节策略与用户的使用习惯之间是否存在偏差，响应于所述偏差修正预定义的调节策略以减小所述偏差。

14.根据权利要求13所述的方法，其中，通过记录用户对调节策略的反馈事件来确定是否存在所述偏差，所述反馈事件包括：用户对至少一个车机功能的运行状态的手动调整。

15.根据权利要求9至14中任一项所述的方法，其中，所述方法还包括以下步骤：

针对用户的身份在云端和/或在本地存储所述调节策略，当识别出相应用户的身份时，从云端和/或从本地调取对应的调节策略。

16.一种用于车辆的车厢智能健康管理的设备(1)，所述设备(1)用于执行根据权利要求1至15中任一项所述的方法，所述设备(1)包括：

第一获取模块(10)，其配置成能够获取车厢内的与用户的健康状态相关的健康水平信息；

第二获取模块(20)，其配置成能够获取用户对至少一个车机功能的操作偏好数据；以及

分析模块(30)，其配置成能够分析在确定时间段内用户对至少一个车机功能的操作偏好数据与健康水平信息的关联性，并将分析的结果呈现给用户。

17.一种计算机程序产品，其中，所述计算机程序产品包括计算机程序，所述计算机程序用于在被计算机执行时实施根据权利要求1至15中任一项所述的方法。

Images