CN116373536A - 车载空调控制方法、装置及可读存储介质 - Google Patents
车载空调控制方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN116373536A CN116373536A CN202310274293.1A CN202310274293A CN116373536A CN 116373536 A CN116373536 A CN 116373536A CN 202310274293 A CN202310274293 A CN 202310274293A CN 116373536 A CN116373536 A CN 116373536A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- feature vector
- air conditioner
- conditioner control
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 203
- 238000011217 control strategy Methods 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 description 16
- 230000003993 interaction Effects 0.000 description 15
- 238000004378 air conditioning Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/88—Optimized components or subsystems, e.g. lighting, actively controlled glasses
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
本申请公开了一种车载空调控制方法、装置及可读存储介质,涉及空调控制技术领域,用于得到表现更加优异的空调控制策略,以提升乘客的使用体验感。该方法包括:获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据;确定待处理车辆数据的特征向量;特征向量包括第一特征向量以及第二特征向量;基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
Description
技术领域
本申请涉及空调控制技术领域,具体涉及一种车载空调控制方法、装置及可读存储介质。
背景技术
近年来,随着机器学习技术的发展,基于机器学习算法的车载空调系统发展迅速。通过机器学习算法调整车载空调,可以减少驾驶员的手动操作,减少交通事故的发生概率。
然而现有的基于机器学习算法的车载空调系统,通常需要传感器提取车内当前的环境信息(如温度、湿度等),并将提取到的环境信息输入预先训练好的机器学习模型,进而输出空调控制策略。但是,由于车内当前的各种环境信息之前彼此孤立,而现有的机器学习模型也仅依靠各环境信息本身的特征进行预测,无法充分利用环境信息的隐含特征,进而导致得到的空调控制策略表现不佳,降低乘客的体验感。
发明内容
本申请的目的之一在于提供一种车载空调控制方法、装置及可读存储介质,致力于得到表现更加优异的空调控制策略,以提升乘客的使用体验感。
根据本申请涉及的第一方面,提供一种车载空调控制方法,该方法包括:获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据;车辆数据用于反映车辆运行状态以及车辆内外环境;待处理车辆数据具有时序性;确定待处理车辆数据的特征向量;特征向量包括第一特征向量以及第二特征向量;第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况;基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
根据上述技术手段,本申请获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据。由于车辆数据用于反映车辆运行状态以及车辆内外环境,因此得到的待处理车辆数据可以反映出一段时间内车辆运行状态以及车辆内外环境的变化,且待处理车辆数据具有时序性。由于待处理车辆数据中不仅包括数据本身的信息,还包括时间顺序下数据的变化信息。因此本申请可以确定待处理车辆数据的第一特征向量以及第二特征向量,其中,第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况。进一步的,本申请基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。相较于现有技术在使用机器学习模型时仅关注数据本身的特征(即数值特征),本申请不仅关注数据本身的特征,还关注各数据之间的联系,挖掘出隐含的时序特征,从而可以得出表现更加优异的空调控制策略,进而提升了乘客的体验感。
进一步的,根据当前车辆数据以及历史车辆数据得到待处理车辆数据,包括:按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,得到第一数据;对历史车辆数据进行清洗,得到第二数据;第二数据具有连续性;将第一数据与第二数据进行拼接,得到待处理车辆数据。
根据上述技术手段,为了得到待处理车辆数据,本申请按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,使得到的第一数据具有时序性。进一步的,本申请对历史车辆数据进行清洗,得到第二数据。经过清洗可以对历史车辆数据进行排重、补缺等,进而使得到的第二数据具有连续性。如此,本申请将第一数据与第二数据进行拼接,得到的待处理车辆数据,不仅具有时序性,且数据完整、连续,方便后续的特征提取。
进一步的,确定待处理车辆数据的特征向量,包括:将待处理车辆数据进行聚类,得到多个数据集合;一个数据集合中各数据之间的相似度大于或者等于预设阈值;分别对各数据集合进行特征提取,得到初始特征向量;对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量。
根据上述技术手段,为了方便对待处理车辆数据进行特征提取,本申请将待处理车辆数据进行聚类,得到多个数据集合,其中,一个数据集合中各数据之间的相似度大于或者等于预设阈值。进一步的,本申请仅需对各数据集合进行特征提取即可,减轻了处理压力。且对于得到的初始特征向量并不直接使用,而是对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量,使得提取到的特征更加细腻。
进一步的,对初始特征向量进行第一变换,得到第一特征向量,包括:将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。
根据上述技术手段,本申请将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。由于深度交叉网络利用残差网络的思想实现对特征的显式建模,从而可以获得更具有解释性的高阶特征交叉。同时由于时间序列特征的加入,使得深度交叉网络可以更加关注于特征最近时刻的变化。
进一步的,对初始特征向量进行第一变换,得到第一特征向量,包括:将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。
根据上述技术手段,本申请将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。由于多层感知器对不同特征之间的交互进行建模,因此多层感知器专注于当前时刻下各个特征的交互。
第二方面,提供了一种车载空调控制装置,装置包括获取单元、确定单元以及处理单元;获取单元,用于获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据;车辆数据用于反映车辆运行状态以及车辆内外环境;待处理车辆数据具有时序性;确定单元,用于确定待处理车辆数据的特征向量;特征向量包括第一特征向量以及第二特征向量;第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况;处理单元,用于基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
可选的,获取单元,具体用于:按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,得到第一数据;对历史车辆数据进行清洗,得到第二数据;第二数据具有连续性;将第一数据与第二数据进行拼接,得到待处理车辆数据。
可选的,确定单元,具体用于:将待处理车辆数据进行聚类,得到多个数据集合;一个数据集合中各数据之间的相似度大于或者等于预设阈值;分别对各数据集合进行特征提取,得到初始特征向量;对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量。
可选的,确定单元,具体用于:将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。
可选的,确定单元,具体用于:将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。
第三方面,提供了一种车辆,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,处理器执行程序,以实现如上述第一方面的车载空调控制方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述第一方面的车载空调控制方法。
由此,本申请的上述技术特征具有以下有益效果:
(1)本申请获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据。由于车辆数据用于反映车辆运行状态以及车辆内外环境,因此得到的待处理车辆数据可以反映出一段时间内车辆运行状态以及车辆内外环境的变化,且待处理车辆数据具有时序性。由于待处理车辆数据中不仅包括数据本身的信息,还包括时间顺序下数据的变化信息。因此本申请可以确定待处理车辆数据的第一特征向量以及第二特征向量,其中,第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况。进一步的,本申请基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。相较于现有技术在使用机器学习模型时仅关注数据本身的特征(即数值特征),本申请不仅关注数据本身的特征,还关注各数据之间的联系,挖掘出隐含的时序特征,从而可以得出表现更加优异的空调控制策略,进而提升了乘客的体验感。
(2)本申请按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,使得到的第一数据具有时序性。进一步的,本申请对历史车辆数据进行清洗,得到第二数据。经过清洗可以对历史车辆数据进行排重、补缺等,进而使得到的第二数据具有连续性。如此,本申请将第一数据与第二数据进行拼接,得到的待处理车辆数据,不仅具有时序性,且数据完整、连续,方便后续的特征提取。
(3)本申请将待处理车辆数据进行聚类,得到多个数据集合,其中,一个数据集合中各数据之间的相似度大于或者等于预设阈值。进一步的,本申请仅需对各数据集合进行特征提取即可,减轻了处理压力。且对于得到的初始特征向量并不直接使用,而是对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量,使得提取到的特征更加细腻。
(4)本申请将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。由于深度交叉网络利用残差网络的思想实现对特征的显式建模,从而可以获得更具有解释性的高阶特征交叉。同时由于时间序列特征的加入,使得深度交叉网络可以更加关注于特征最近时刻的变化。
(5)本申请将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。由于多层感知器对不同特征之间的交互进行建模,因此多层感知器专注于当前时刻下各个特征的交互。
需要说明的是,第二方面至第四方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果,此处不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1为本申请实施例提供的一种车载空调控制系统的结构示意图;
图2为本申请实施例提供的一种空调控制装置的逻辑模块组成示意图;
图3为本申请实施例提供的一种车载空调控制方法的流程示意图;
图4为本申请实施例提供的一种特征自嵌入模块中连续型特征自离散的示意图;
图5为本申请实施例提供的一种深度交叉网络的结构示意图;
图6为本申请实施例提供的一种多层感知器的结构示意图;
图7为本申请实施例提供的一种空调控制装置的结构示意图;
图8为本申请实施例提供的一种车辆的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。
还应当理解的是,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素和/或组件的存在或添加。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
此外,本申请的各实施例之间涉及的动作、术语等均可以相互参考,不予限制。本申请的实施例中各个设备之间交互的消息名称或消息中的参数名称等只是一个示例,具体实现中也可以采用其他的名称,不予限制。
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
近年来,随着机器学习技术的发展,基于机器学习算法的车载空调系统发展迅速。通过机器学习算法调整车载空调,可以减少驾驶员的手动操作,减少交通事故的发生概率。
然而现有的基于机器学习算法的车载空调系统,通常需要传感器提取车内当前的环境信息(如温度、湿度等),并将提取到的环境信息输入预先训练好的机器学习模型,进而输出空调控制策略。但是,由于车内当前的各种环境信息之前彼此孤立,而现有的机器学习模型也仅依靠各环境信息本身的特征进行预测,无法充分利用环境信息的隐含特征,进而导致得到的空调控制策略表现不佳,降低乘客的体验感。
鉴于此,本申请实施例提供一种车载空调控制方法,获取当前时刻的当前车辆数据以及所述当前时刻之前预设时间段的历史车辆数据,并根据所述当前车辆数据以及所述历史车辆数据得到待处理车辆数据;所述车辆数据用于反映车辆运行状态以及车辆内外环境;所述待处理车辆数据具有时序性;确定所述待处理车辆数据的特征向量;所述特征向量包括第一特征向量以及第二特征向量;所述第一特征向量用于反映所述车辆运行状态随时间变化的情况以及所述车辆内外环境随时间变化的情况;所述第二特征向量用于反映所述当前时刻下所述车辆运行状态与所述车辆内外环境之间的关联情况;基于所述第一特征向量、所述第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照所述车载空调控制策略控制所述车载空调。
下面结合说明书附图对本申请实施例提供的方法进行详细说明。
图1示出了本申请实施例提供的一示例性应用场景图。如图1所示,本申请实施例提供的车载空调控制方法可以适用于车载空调控制系统10。车载空调控制系统10包括车载空调控制装置(以下简称空调控制装置)11以及车辆12。其中,空调控制装置11与车辆12连接。空调控制装置11与车辆12之间可以采用有线方式连接,也可以采用无线方式连接,本公开实施例对此不作限定。
车辆12中安装有车载空调,车辆12可以通过空调控制装置11控制车载空调,进而对车内温度进行调节。
空调控制装置11用于获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据。空调控制装置11还用于确定待处理车辆数据的特征向量,基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
可选的,空调控制装置11包括数据预处理模块、时间序列特征模块、原始传感器特征模块、特征自嵌入模块、时间序列特征嵌入向量模块、原始传感器特征嵌入向量模块、深度交叉网络模块、多层感知器模块以及车载空调调整模块。各逻辑模块之间的协作处理的方式参考图2,各逻辑模块通过图2所示的协助方式,可以实现上述空调控制装置11的功能。
图3是根据一些示例性实施例示出的一种地址数据处理方法的流程示意图。在一些实施例中,上述地址数据处理方法可以应用到如图1所示的数据处理装置、电子设备,也可以应用到其他类似设备。
如图3所示,本公开实施例提供的车载空调控制方法,包括下述S201-S203。
S201、空调控制装置获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据。
其中,车辆数据用于反映车辆运行状态以及车辆内外环境;待处理车辆数据具有时序性。例如,车辆数据可以为车速、车载空调运行参数、车辆位置、车内温度、车内湿度中的一个或者多个。
作为一种可能的实现方式,空调控制装置通过传感器获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据。空调控制装置按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,得到第一数据;空调控制装置对历史车辆数据进行清洗,得到第二数据;第二数据具有连续性。进一步的,空调控制装置将第一数据与第二数据进行拼接,得到待处理车辆数据。
示例性的,空调控制装置可以通过数据预处理模块实现S201。具体的,数据预处理模块负责对原始的传感器数据进行处理,一是确保数据的唯一性,可能由于传输或其他多方面的原因,原始数据中会存在重复的属于内容,因此需要对数据进行去重,进而保证数据的唯一性;二是对数据缺失值的处理,由于传感器数据来自不同的通道,因此不能完全保证同一时刻内可以获取到所有需要的传感器数据,空调控制装置可以按照时间顺序对缺失值进行填充,即向前搜索N条数据,若为连续值则按照平均值填充,若为离散值则按照众数填充。
S202、空调控制装置确定待处理车辆数据的特征向量。
其中,特征向量包括第一特征向量以及第二特征向量;第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况。
作为一种可能的实现方式,空调控制装置将待处理车辆数据进行聚类,得到多个数据集合;其中,一个数据集合中各数据之间的相似度大于或者等于预设阈值。空调控制装置分别对各数据集合进行特征提取,得到初始特征向量。进一步的,空调控制装置对初始特征向量进行第一变换,得到第一特征向量,空调控制装置对初始特征向量进行第二变换,得到第二特征向量。
可选的,空调控制装置将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。
可选的,空调控制装置将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。
需要说明的,由于待处理车辆数据中即蕴含时间序列特征,又蕴含原始传感器特征,因此待处理车辆数据分别经过时间序列特征模块以及原始传感器特征模块,传输至特征自嵌入模块,进行特征提取。进一步的,特征自嵌入模块负责对机器学习模型所接受的特征进行映射,生成后续模块所需要的特征嵌入向量(Feature Embedding Vector)。其中原始的离散型特征往往以One-hot编码表示,随后通过特征嵌入矩阵转化为特征嵌入向量。而对于连续型特征需要对其进行离散化处理,连续型特征的离散化可以加快模型的迭代速度,提升模型的鲁棒性,同时提升模型的非线性表达能力。而特征自嵌入模块可以捉连续型特征和嵌入向量之间的关系,通过自动的多箱离散,模块可以自动对连续型特征进行建模,并得到最后的特征嵌入向量。
示例性的,如图4所示,示出了特征自嵌入模块中连续型特征自离散的示意图。其中,x为连续型特征(即待处理车辆数据对应的特征),可以被表示为:x=[x1,x2,...,xn,Δx1,Δx2,...,Δxm]
其中xi是原始的连续型特征,Δxi是数据预处理模块构造的时间序列特征。
空调控制装置两层带有短接的神经网络使得特征分散到Hi桶中,这一过程可以被描述为:
hj=LeakyReLU(wjxj)
原始的离散型特征可以直接通过嵌入矩阵转化为特征向量,ei∈Rd是转化后的第i个特征的嵌入向量,d是特征嵌入向量的长度。因此,最终特征嵌入模块输出的特征嵌入向量可以表示为:
e=[e1,e2,...,em+k]
其中e表示原始输入有m个连续型特征,k个离散型特征,最后得到m+k个特征嵌入向量。
图5是深度交叉网络的结构示意图,特征自嵌入模块输出的特征嵌入向量e被送入深度交叉网络,那么第l+1层深度交叉网络的计算过程可以被描述为:
xl+1=x0⊙(Wlxl+bl)+xl
其中Wl是第l层的可学习的参数,其中X0即为特征嵌入向量e,经过多次计算后就得到了最后的输出向量。
图6是多层感知器的结构示意图,假设该网络共有l层那么前推计算过程可以被描述为:
z(1)=σ(W(1)e+b(1))
…
z(l)=σ(W(l)z(l-1)+b(l))
其中z(l),W(l),b(l)分别是第l层的输出、权重矩阵和偏置值,σ是激活函数。
可以理解的,待处理车辆数据的特征提取主要包括显式特征交互和隐式特征交互两部分,其中显示特征交互部分采用深度交叉网络(Deep Cross Network,DCN),DCN利用残差网络的思想实现对特征的显式建模,从而获得更具有解释性的高阶特征交叉。隐式特征交互部分采用塔式的多层感知器(Multilayer Perceptron,MLP)对不同特征之间的交互进行建模,从而隐式地捕捉高阶特征交叉。同时由于时间序列特征的加入,使得DCN可以更加关注于特征最近时刻的变化,从而令MLP专注于当前时刻下各个特征的交互。
S203、空调控制装置基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
作为一种可能的实现方式,空调控制装置将第一特征向量以及第二特征向量输入预先训练好的车载空调控制模型,得到车载空调控制策略。进一步的,空调控制装置按照车载空调控制策略控制车载空调。
示例性的,空调控制装置可以通过车载空调调整模块实现S203。具体的,车载空调调整模块负责将特征交互模块中的显式特征交互和隐式特征交互两部分的抽象预测结果转化为实际的空调操作,对于空调吹风模式等分类问题车载空调调整模块输出不同分类结果的概率取值,对于空调温度等回归问题车载空调调整模块输出模型预测的具体数值。
在实际应用中,车载空调调整模块负责将最后的深度交叉网络和多层感知器的结果转化为具体的操作,对于吹风模式等分类问题,这一过程可以被描述为:
对于回归问题需要进行额外处理,这一过程可以描述为:
本申请实施例提供的技术方案至少带来以下有益效果:(1)本申请获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据。由于车辆数据用于反映车辆运行状态以及车辆内外环境,因此得到的待处理车辆数据可以反映出一段时间内车辆运行状态以及车辆内外环境的变化,且待处理车辆数据具有时序性。由于待处理车辆数据中不仅包括数据本身的信息,还包括时间顺序下数据的变化信息。因此本申请可以确定待处理车辆数据的第一特征向量以及第二特征向量,其中,第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况。进一步的,本申请基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。相较于现有技术在使用机器学习模型时仅关注数据本身的特征(即数值特征),本申请不仅关注数据本身的特征,还关注各数据之间的联系,挖掘出隐含的时序特征,从而可以得出表现更加优异的空调控制策略,进而提升了乘客的体验感。
(2)本申请按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,使得到的第一数据具有时序性。进一步的,本申请对历史车辆数据进行清洗,得到第二数据。经过清洗可以对历史车辆数据进行排重、补缺等,进而使得到的第二数据具有连续性。如此,本申请将第一数据与第二数据进行拼接,得到的待处理车辆数据,不仅具有时序性,且数据完整、连续,方便后续的特征提取。
(3)本申请将待处理车辆数据进行聚类,得到多个数据集合,其中,一个数据集合中各数据之间的相似度大于或者等于预设阈值。进一步的,本申请仅需对各数据集合进行特征提取即可,减轻了处理压力。且对于得到的初始特征向量并不直接使用,而是对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量,使得提取到的特征更加细腻。
(4)本申请将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。由于深度交叉网络利用残差网络的思想实现对特征的显式建模,从而可以获得更具有解释性的高阶特征交叉。同时由于时间序列特征的加入,使得深度交叉网络可以更加关注于特征最近时刻的变化。
(5)本申请将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。由于多层感知器对不同特征之间的交互进行建模,因此多层感知器专注于当前时刻下各个特征的交互。
上述实施例主要从装置(设备)的角度对本申请实施例提供的方案进行了介绍。可以理解的是,为了实现上述方法,装置或设备包含了执行各个方法流程相应的硬件结构和/或软件模块,这些执行各个方法流程相应的硬件结构和/或软件模块可以构成一个物料信息的确定装置。本领域技术人员应该很容易意识到,结合本文中所发明的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对装置或设备进行功能模块的划分,例如,装置或设备可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,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。
图7是根据一示例性实施例示出的空调控制装置的结构示意图。参照图7所示,本申请实施例提供的空调控制装置30包括获取单元301、确定单元302以及处理单元303。
获取单元301,用于获取当前时刻的当前车辆数据以及当前时刻之前预设时间段的历史车辆数据,并根据当前车辆数据以及历史车辆数据得到待处理车辆数据;车辆数据用于反映车辆运行状态以及车辆内外环境;待处理车辆数据具有时序性;确定单元302,用于确定待处理车辆数据的特征向量;特征向量包括第一特征向量以及第二特征向量;第一特征向量用于反映车辆运行状态随时间变化的情况以及车辆内外环境随时间变化的情况;第二特征向量用于反映当前时刻下车辆运行状态与车辆内外环境之间的关联情况;处理单元303,用于基于第一特征向量、第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照车载空调控制策略控制车载空调。
可选的,获取单元301,具体用于:按照时间先后顺序,对当前车辆数据以及历史车辆数据进行排序,得到第一数据;对历史车辆数据进行清洗,得到第二数据;第二数据具有连续性;将第一数据与第二数据进行拼接,得到待处理车辆数据。
可选的,确定单元302,具体用于:将待处理车辆数据进行聚类,得到多个数据集合;一个数据集合中各数据之间的相似度大于或者等于预设阈值;分别对各数据集合进行特征提取,得到初始特征向量;对初始特征向量进行第一变换,得到第一特征向量;对初始特征向量进行第二变换,得到第二特征向量。
可选的,确定单元302,具体用于:将初始特征向量输入预设的深度交叉网络,以通过深度交叉网络对初始特征向量进行第一变换,输出第一特征向量。
可选的,确定单元302,具体用于:将初始特征向量输入预设的多层感知器,以通过多层感知器对初始特征向量进行第二变换,输出第二特征向量。
图8是本申请提供的一种车辆的结构示意图。如图8,该车辆40可以包括至少一个处理器401以及用于存储处理器可执行指令的存储器402其中,处理器401被配置为执行存储器402中的指令,以实现上述实施例中的车载空调控制方法。
另外,车辆40还可以包括通信总线403以及至少一个通信接口404。
处理器401可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线403可包括一通路,在上述组件之间传送信息。
通信接口404,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器401相连接。存储器也可以和处理器401集成在一起。
其中,存储器402用于存储执行本申请方案的指令,并由处理器401来控制执行。处理器401用于执行存储器402中存储的指令,从而实现本申请方法中的功能。
作为一个示例,结合图7,空调控制装置30中的获取单元301、确定单元302以及处理单元303实现的功能与图8中的处理器401的功能相同。
在具体实现中,作为一种实施例,处理器401可以包括一个或多个CPU,例如图8中的CPU0和CPU1。
在具体实现中,作为一种实施例,车辆40可以包括多个处理器,例如图8中的处理器401和处理器407。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,车辆40还可以包括输出设备405和输入设备406。输出设备405和处理器401通信,可以以多种方式来显示信息。例如,输出设备405可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备406和处理器401通信,可以以多种方式接受用户对象的输入。例如,输入设备406可以是鼠标、键盘、触摸屏设备或传感设备等。
本领域技术人员可以理解,图8中示出的结构并不构成对车辆40的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
另外,本申请还提供一种计算机可读存储介质,当计算机可读存储介质中的指令由车辆的处理器执行时,使得车辆能够执行如上述实施例所提供的车载空调控制方法。
另外,本申请还提供一种计算机程序产品,包括计算机指令,当计算机指令在车辆上运行时,使得车辆执行如上述实施例所提供的车载空调控制方法。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
Claims (10)
1.一种车载空调控制方法,其特征在于,所述方法包括:
获取当前时刻的当前车辆数据以及所述当前时刻之前预设时间段的历史车辆数据,并根据所述当前车辆数据以及所述历史车辆数据得到待处理车辆数据;所述车辆数据用于反映车辆运行状态以及车辆内外环境;所述待处理车辆数据具有时序性;
确定所述待处理车辆数据的特征向量;所述特征向量包括第一特征向量以及第二特征向量;所述第一特征向量用于反映所述车辆运行状态随时间变化的情况以及所述车辆内外环境随时间变化的情况;所述第二特征向量用于反映所述当前时刻下所述车辆运行状态与所述车辆内外环境之间的关联情况;
基于所述第一特征向量、所述第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照所述车载空调控制策略控制所述车载空调。
2.根据权利要求1所述的车载空调控制方法,其特征在于,所述根据所述当前车辆数据以及所述历史车辆数据得到待处理车辆数据,包括:
按照时间先后顺序,对所述当前车辆数据以及所述历史车辆数据进行排序,得到第一数据;
对所述历史车辆数据进行清洗,得到第二数据;所述第二数据具有连续性;
将所述第一数据与所述第二数据进行拼接,得到所述待处理车辆数据。
3.根据权利要求1所述的车载空调控制方法,其特征在于,所述确定所述待处理车辆数据的特征向量,包括:
将所述待处理车辆数据进行聚类,得到多个数据集合;一个数据集合中各数据之间的相似度大于或者等于预设阈值;
分别对各所述数据集合进行特征提取,得到初始特征向量;
对所述初始特征向量进行第一变换,得到所述第一特征向量;
对所述初始特征向量进行第二变换,得到所述第二特征向量。
4.根据权利要求3所述的车载空调控制方法,其特征在于,对所述初始特征向量进行第一变换,得到所述第一特征向量,包括:
将所述初始特征向量输入预设的深度交叉网络,以通过所述深度交叉网络对所述初始特征向量进行第一变换,输出所述第一特征向量。
5.根据权利要求3所述的车载空调控制方法,其特征在于,对所述初始特征向量进行第一变换,得到所述第一特征向量,包括:
将所述初始特征向量输入预设的多层感知器,以通过所述多层感知器对所述初始特征向量进行第二变换,输出所述第二特征向量。
6.一种车载空调控制装置,其特征在于,所述装置包括获取单元、确定单元以及处理单元;
所述获取单元,用于获取当前时刻的当前车辆数据以及所述当前时刻之前预设时间段的历史车辆数据,并根据所述当前车辆数据以及所述历史车辆数据得到待处理车辆数据;所述车辆数据用于反映车辆运行状态以及车辆内外环境;所述待处理车辆数据具有时序性;
所述确定单元,用于确定所述待处理车辆数据的特征向量;所述特征向量包括第一特征向量以及第二特征向量;所述第一特征向量用于反映所述车辆运行状态随时间变化的情况以及所述车辆内外环境随时间变化的情况;所述第二特征向量用于反映所述当前时刻下所述车辆运行状态与所述车辆内外环境之间的关联情况;
所述处理单元,用于基于所述第一特征向量、所述第二特征向量以及预先训练好的车载空调控制模型,得到车载空调控制策略,并按照所述车载空调控制策略控制所述车载空调。
7.根据权利要求6所述的车载空调控制装置,其特征在于,所述获取单元,具体用于:
按照时间先后顺序,对所述当前车辆数据以及所述历史车辆数据进行排序,得到第一数据;
对所述历史车辆数据进行清洗,得到第二数据;所述第二数据具有连续性;
将所述第一数据与所述第二数据进行拼接,得到所述待处理车辆数据。
8.根据权利要求6所述的车载空调控制装置,其特征在于,所述确定单元,具体用于:
将所述待处理车辆数据进行聚类,得到多个数据集合;一个数据集合中各数据之间的相似度大于或者等于预设阈值;
分别对各所述数据集合进行特征提取,得到初始特征向量;
对所述初始特征向量进行第一变换,得到所述第一特征向量;
对所述初始特征向量进行第二变换,得到所述第二特征向量。
9.一种车辆,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的车载空调控制方法。
10.一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,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的车载空调控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274293.1A CN116373536A (zh) | 2023-03-20 | 2023-03-20 | 车载空调控制方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274293.1A CN116373536A (zh) | 2023-03-20 | 2023-03-20 | 车载空调控制方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116373536A true CN116373536A (zh) | 2023-07-04 |
Family
ID=86972350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310274293.1A Pending CN116373536A (zh) | 2023-03-20 | 2023-03-20 | 车载空调控制方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116373536A (zh) |
-
2023
- 2023-03-20 CN CN202310274293.1A patent/CN116373536A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021093435A1 (zh) | 语义分割网络结构的生成方法、装置、设备及存储介质 | |
CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
EP4064130A1 (en) | Neural network model update method, and image processing method and device | |
CN111819580A (zh) | 用于密集图像预测任务的神经架构搜索 | |
CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
US20240020541A1 (en) | Model training method and apparatus | |
CN113449859A (zh) | 一种数据处理方法及其装置 | |
DE102022119386A1 (de) | Verfahren und einrichtung zum durchführen einer dichten vorhersage unter verwendung von transformatorblöcken | |
JP2022078310A (ja) | 画像分類モデル生成方法、装置、電子機器、記憶媒体、コンピュータプログラム、路側装置およびクラウド制御プラットフォーム | |
CN111222046B (zh) | 服务配置方法、用于服务配置的客户端、设备及电子设备 | |
US20240135174A1 (en) | Data processing method, and neural network model training method and apparatus | |
US20220327363A1 (en) | Neural Network Training Method and Apparatus | |
EP4401007A1 (en) | Neural network acquisition method, data processing method and related device | |
WO2023160060A1 (zh) | 一种模型优化方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN112699074A (zh) | 用于配置和操作神经网络的技术 | |
CN112949477A (zh) | 基于图卷积神经网络的信息识别方法、装置及存储介质 | |
CN116843901A (zh) | 医学图像分割模型训练方法和医学图像分割方法 | |
CN117132890A (zh) | 一种基于Kubernetes边缘计算集群的遥感图像目标检测方法和系统 | |
CN112784905A (zh) | 数据样本扩充的方法、装置和电子设备 | |
CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116373536A (zh) | 车载空调控制方法、装置及可读存储介质 | |
CN116108363A (zh) | 基于标签引导的不完备多视图多标签分类方法和系统 |
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 |