CN116729062A - 一种车载空调除雾控制方法及系统 - Google Patents
一种车载空调除雾控制方法及系统 Download PDFInfo
- Publication number
- CN116729062A CN116729062A CN202310742867.3A CN202310742867A CN116729062A CN 116729062 A CN116729062 A CN 116729062A CN 202310742867 A CN202310742867 A CN 202310742867A CN 116729062 A CN116729062 A CN 116729062A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- user
- probability
- ignition time
- defogging
- 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 40
- 238000012937 correction Methods 0.000 claims abstract description 78
- 241001123248 Arma Species 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 50
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000925 erythroid effect Effects 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
- B60S1/00—Cleaning of vehicles
- B60S1/02—Cleaning windscreens, windows or optical devices
- B60S1/54—Cleaning windscreens, windows or optical devices using gas, e.g. hot air
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
本申请提供一种车载空调除雾控制方法及系统,包括基于预先训练的ARMA模型,预测用户的点火时间以及点火概率值,基于车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户在若干时间段内的点火时间概率模型,基于点火时间概率模型,对点火时间及概率值进行预测误差校正,获得点火时间修正值及概率修正值,若概率修正值大于第一阈值且当前时刻处于点火时间修正值之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。本申请充分利用大数据以及时序预测算法为用户提供智能除雾功能,可以实现提前为用户开启智能除雾,减少用户车机等待时间,提高用户体验和驾驶安全性。
Description
技术领域
本申请涉及车载空调技术领域,具体涉及一种车载空调除雾控制方法及系统。
背景技术
随着智能网联汽车的快速发展,越来越多的车载功能可以在车子未启动时就可提前开启,最为典型的即是用户可以通过手机远程与车端TBOX通信,由TBOX控制提前开启车载空调,使得在某些特殊的场景,如炎热的夏天,用户不需要像过往一样启动车子后再手动打开空调,再花费几分钟等待车内温度适宜,从而一定程度上提高了用车体验。
类似地,在汽车空调除雾功能方面,用户可以通过手机提前开启空调的除雾功能,也可以上车后在车端直接开启空调除雾;然而,这两种方式都是用户的主动操作行为,依然不够智能化。
如果能够提前预测用户的用车时间,并根据监测的天气数据来判断是否需要进行除雾操作,从而在用户用车前几分钟主动为用户打开空调除雾功能,将为用户节省一定的除雾时间并提高行车安全,从而大大提高用户的用车体验。
有鉴于此,本申请致力于提供一种智能除雾方法,以弥补上述现有技术中有关智能网联汽车在空调除雾方面的不足。
发明内容
为了解决现有技术中的不足,本申请提出一种车载空调除雾控制方法及系统,综合用户历史用车数据的统计分析以及时序预测分析结果获得一个置信度更高的用户点火用车时间,通过分析接近该点火用车时间的车内外环境数据以及用户的历史除雾操作习惯,定量计算车载空调除雾推荐值,实现为用户提供智能化的除雾操作推荐,提高用户的用车体验。
为实现上述目的,本申请提供的一种车载空调除雾控制方法,包括:
基于预先训练的ARMA模型,预测用户u的点火时间T0以及在所述点火时间T0进行点火启动车辆的概率值m(u),其中,所述预先训练的ARMA模型基于所述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
基于所述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,所述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
基于所述点火时间概率模型,对所述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
优选地,所述若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能,具体包括:
若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,所述环境数据包括用于计算车内外两侧的温度差或湿度差,所述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,所述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
优选地,所述方法还包括:
所述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;
基于所述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,所述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
在获取车内、外两侧的环境数据后,根据所述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
优选地,基于所述点火时间概率模型,对所述ARMA模型预测的用户第二天的点火时间T0及概率值m(u)进行预测误差校正,获得用户第二天的点火时间修正值T1及概率修正值m’(u),具体包括:
根据所述点火时间T0,选取一个点火时间最接近的点火时间概率模型,并确定所述点火时间概率模型的第一高斯分位区间;
若所述点火时间T0早于第一高斯分位区间,此时点火时间修正值T1等于点火时间T0,概率修正值m’(u)=a*m(u);
若所述点火时间T0处于第一高斯分位区间,则点火时间修正值T1等于所述第一高斯分位区间的起始时间点,第二概率值m’(u)=m(u);
若所述点火时间T0晚于第一高斯分位区间,则点火时间修正值T1等于所述第一高斯分位区间的结束时间点,第二概率值m’(u)=a*m(u);
上述参数a表示点火时间概率模型对ARMA模型预测的修正因子。
优选地,所述构建ARMA模型,基于所述车辆点火时间数据,对ARMA模型进行训练拟合,具体包括:
对所述车辆点火时间数据进行预处理,所述预处理具体包括对缺失值和异常值的处理、数据清洗、属性构造、周期性分析;
对预处理后的车辆点火时间数据进行平稳性检验和白噪声检验;
构建ARMA模型,根据自相关函数图像和偏自相关函数图像确定ARMA模型的自回归项阶数p和移动平均项阶数q,使用预处理后的车辆点火时间数据对ARMA模型进行训练拟合;其中,
在训练ARMA模型过程中,计算ARMA模型的预测结果与车辆真实点火时间之间的均方误差,若该均方误差大于设定的阈值,则以车辆真实点火时间为指标,使点火时间距离当前时间越近的车辆点火时间权重越高,点火时间距离当前时间越远的车辆点火时间权重越低,通过调节相应的权重,再次输入数据对ARMA模型进行训练拟合,若该均方误差小于设定的阈值,完成对ARMA模型的训练。
为实现上述目的,本申请还提供一种车载空调除雾控制系统,所述控制系统包括:
时间序列预测模块,用于基于预先训练的ARMA模型,预测用户u的点火时间T0以及在所述点火时间T0进行点火启动车辆的概率值m(u),其中,所述预先训练的ARMA模型基于所述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
历史点火数据统计模块,用于基于所述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,所述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
点火时间修正模块,用于基于所述点火时间概率模型,对所述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
第一除雾控制模块,用于若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
优选地,所述控制系统还包括:
环境影响因子模块,用于若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,所述环境数据包括用于计算车内外两侧的温度差或湿度差,所述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
第二除雾控制模块,用于若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,所述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
优选地,所述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;
所述控制系统还包括:
历史除雾统计模块,用于基于所述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,所述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
第三除雾控制模块,用于在获取车内、外两侧的环境数据后,根据所述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
相比于现有技术,本申请的有益效果是:
基于预先训练的ARMA模型,预测获得用户的点火用车时间及其概率值,再通过对用户的历史用车点火时间数据进行基于概率密度函数的统计分析,计算用户用车时间的高斯分布,得到用户典型的点火时间概率模型,基于点火时间概率模型对ARMA模型的预测结果进行误差修正,从而获得更高精度的用户点火用车时间及其概率值,再根据预测结果前检测的车内外环境数据,最终计算获得用户除雾需求的推荐值F(u),根据推荐值F(u)的大小来判断是否需要提前控制空调开启除雾功能,本申请充分利用大数据以及时序预测算法为用户提供智能除雾功能,可以实现提前为用户开启智能除雾,减少用户车机等待时间,提高用户体验和驾驶安全性。
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。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请一实施例示出的车载空调除雾控制方法的流程示意图。
图2是根本本申请又一实施例示出的车载空调除雾控制方法的流程示意图。
图3是根据本申请另一实施例示出的车载空调除雾控制方法的流程示意图。
图4是根据本申请一实施例示出的车载空调除雾控制系统的示意框图。
图5是根据本申请又一实施例示出的车载空调除雾控制系统的示意框图。
图6是根据本申请又一实施例示出的车载空调除雾控制系统的示意框图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限值本发明构思的范围,而是通过特定实施例为本领域计算书人员说明本发明的概念。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
需要说明的是,本发明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,以便这里描述的本发明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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参见附图1,其示出了本申请一实施例提供的一种车载空调除雾控制方法,该控制方法具体包括如下步骤:
步骤S110,基于预先训练的ARMA模型,预测用户u的点火时间T0以及在上述点火时间T0进行点火启动车辆的概率值m(u),其中,上述预先训练的ARMA模型基于上述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
ARMA模型,全称自回归滑动平滑模型(Autoregressive moving average model,ARMA),它是由自回归模型(Autoregressive model,AR)和移动平均模型(Moving average,MA)结合而成,是一种经典的时间序列预测分析方法,ARMA模型表达式可以是:
其中,参数yt表示预测的时间点,参数p和q分别表示自回归项阶数和移动平均项阶数,ri与θi分别表示自回归模型和移动平均模型的模型参数,参数xt-i表示前i期滞后值,∈t-i表示前i期扰动项,u表示p期滞后值的均值与q期扰动值的均值相加。
可选地,在对ARMA模型进行训练拟合之前,需要先对车辆点火时间数据进行预处理,通常,预处理具体可以包括对车辆点火时间数据的缺失值和异常值进行处理、数据清洗、周期性分析;
具体地,对车辆点火时间数据的缺失值和异常值的处理,可以包括对于个别日期存在数据缺失的情况,需要对这些日期进行数据填充,即将这些日期对应的车辆点火时间数据置为0,同时对于个别日期存在数据异常的情况,同样可以将这些日期对应的车辆点火时间数据置为0;
同时,上述对车辆点火时间数据的数据清洗,即对历史使用数据中无效的数据进行滤除,保留关键的点火时间数据;而周期性分析可以是以一个星期作为周期,分析车辆点火时间是否存在周期性变化;
优选地,为了提高ARMA模型的预测精度,还可以对预处理后的车辆点火时间数据进行平稳性检验和白噪声检验,其中,平稳性检验可以采用诸如ADF检验法的时间序列平稳性检验,即可以要求统计量对应的概率值P>0.05时通过检验,否则车辆的点火时间数据不平稳,需要先进行差分运算后再进行ADF检验,直到车辆的点火时间数据为平稳的随机时间序列为止;而白噪声检验可以是采用常规的Ljung-Box检验,例如,要求统计量对应的概率值P<0.05,则确定车辆的历史点火时间数据为非白噪声数据。
可选地,在对ARMA模型进行训练拟合前,需要先确定ARMA模型的自回归项阶数p和移动平均项阶数q的取值,例如,可以采用低阶向高阶的逐步试探法来确定ARMA模型的自回归项阶数p和移动平均项阶数q,并通过赤池信息量准则(AIC准则)进行衡量:
AIC=2k-2ln(L)
其中,参数k是模型参数个数,L是似然函数。
当从一组可供选择的模型中选择最佳模型时,通常选择AIC(p,q)最小,拟合效果最优的模型作为确定模型,从而确定出ARMA模型的阶数。
优选地,在对ARMA模型进行训练拟合的过程中,需要计算ARMA模型的预测结果与车辆真实点火时间之间的均方误差,若该均方误差大于设定的阈值,则以车辆真实点火时间为指标,使点火时间距离当前时间越近的车辆点火时间权重越高,点火时间距离当前时间越远的车辆点火时间权重越低,通过调节相应的权重,再次输入数据对ARMA模型进行训练拟合,若该均方误差小于设定的阈值,则完成对ARMA模型的训练。
此时,将预处理后的用户历史点火时间数据导入确定阶数的ARMA模型中进行拟合,即可获得ARMA模型的其余参数,即参数ri、θi和u。
另外,在上述步骤S110中,上述第一预设时间段可以是以天或月为单位的、用于反映近期一段时间内用户用车数据的时间段;
作为一种方式,上述用户历史用车数据,可以包括车辆的点火时间,该点火时间可以从车端的总线数据中获取。
如此,例如可以选择使用用户在最近一个月的点火时间数据,以供后续分析用户在每天的各个时间段内的点火启动车辆的概率分布情况。
需要说明的是,ARMA模型的预测结果的精度高低,与用于训练拟合的历史用车数据以及ARMA模型阶数的确定方法均有关联,如果不对ARMA模型的预测结果加以修正,将无法保证后期进行空调除雾控制的真实可靠性。
步骤S120,基于上述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,上述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
具体地,上述车辆点火时间数据,可表征用户在第一预设时间段内的用车情况,而针对某一时间段的用户历史行为数据,采用概率密度函数进行的数学统计分析,是用于分析用户行为的经典数学方法,其获得的概率分析结果通常可以高斯分布的形式表示;具体地,概率密度函数可以采用如下表达式:
上式中,参数a和b可表示第一预设时间段内用于分析用户用车概率的两个随机时间点,参数x可表示在上述两个随机时间点内用户历史点火时间数据占第一预设时间段内全部点火时间数据的比值,通过计算上述积分公式,即可通过概率密度函数统计出用户在第一预设时间段内用户点火时间概率的高斯分布。
可选地,在获得用户在第一预设时间段内用户点火时间概率的高斯分布,可以根据高斯分析结果,进一步获得用户典型的点火时间概率模型,例如,可以通过上述用户点火时间概率的高斯分布,获得用户在每日早上7:00~7:30、11:30~12:00以及17:30~18:00等若干时间段的点火启动车辆的概率分布处于95%之上,由此可根据这一结果形成用户在若干时间段内的点火时间概率模型,该点火时间概率模型用于表征用户在不同时间段点火启动车辆的概率分布。
步骤S130,基于上述点火时间概率模型,对上述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
作为一种方式,考虑到任何时序预测模型都存在一定的预测误差,如果不对该预测误差加以修正,基于该时序预测模型最终进行的行为处理也将很大概率偏离用户的实际需求;因此,本实施例采用统计分析与时序预测相结合的方式来提高对用户在未来一段时间,如第二天用车点火时间的预测精度,也就是说,基于历史数据的统计分析结果,来对基于历史数据的时序预测结果加以修正,例如,用户的点火时间概率模型显示用户在早上7:00~7:30进行点火启动车子的概率处于95%高斯分位区间,而此时基于ARMA时序预测模型预测的结果是用户将以80%的概率在第二天早上6:30点火启动车子,此时,考虑到统计分析结果与ARMA时序预测结果在点火启动时间上有出入,为了提高ARMA模型的预测精度,本实施例基于统计分析结果对ARMA时序预测结果加以修正,具体而言,可采用如下方式进行ARMA时序预测结果的预测误差校正:
首先,根据ARMA模型预测获得的点火时间T0,选取一个点火时间最接近的点火时间概率模型,并确定上述点火时间概率模型的第一高斯分位区间;例如,当ARMA模型预测结果是用户第二天的点火时间T0为6:30、7:10或8:00时,此时根据步骤S140获得的用户在若干时间段内的点火时间概率模型,选取一个点火时间最接近的点火时间概率模型,例如,可选取7:00~7:30这一时间段的点火时间概率模型,并确定上述点火时间概率模型的第一高斯分位区间,例如,该第一高斯分位区间具体可以是用户行为特征高斯分布的95%高斯分位区间,即表明通过概率密度函数的统计分析可知,用户在7:00~7:30这一时间段进行点火启动车子的概率置信度为95%;
若上述点火时间T0早于第一高斯分位区间,此时点火时间修正值T1等于点火时间T0,概率修正值m’(u)=a*m(u);
若上述点火时间T0处于第一高斯分位区间,则点火时间修正值T1等于上述第一高斯分位区间的起始时间点,第二概率值m’(u)=m(u);
若上述点火时间T0晚于第一高斯分位区间,则点火时间修正值T1等于上述第一高斯分位区间的结束时间点,第二概率值m’(u)=a*m(u)。
上述参数a表示点火时间概率模型对ARMA模型预测的修正权重值。
经过上述处理,可以对ARMA模型的预测结果,包括用户的点火时间和对应的点火概率值进行预测误差校正,从而对用户第二天的点火时间行为进行更加精确的预测。
步骤S140,若上述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
可选地,在获得了精度更高的用户点火时间T1及其概率修正值m’(u),且上述概率修正值m’(u)大于第一阈值后,可以在当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
上述第一阈值可以是用户根据历史经验自定义的数值,例如可以设定第一阈值为0.8,即只有当最终用户在T1时刻进行点火启动车辆的概率值大于0.8时,才需要为用户提供提前开启空调除雾功能。
具体地,上述第二预设时间段,可以是以分钟为单位的较短时间段,比如,经过上述步骤S130最终确定用户用车点火时间是7:00,此时可以在距离7:00较短的一个时间段,如6:50分为用户开启空调除雾功能。
可选地,参见附图2,在执行上述步骤S140时,还可以具体包括:
S1401,若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,上述环境数据包括用于计算车内外两侧的温度差或湿度差,上述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
S1402,若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,上述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
上述步骤将车内外环境数据考虑到车载空调的智能除雾控制中,该环境数据包括用于计算车内外两侧的温度差或湿度差,具体地,只有在车内外两侧的温度差或湿度差达到一定差异时,前车窗玻璃的起雾会影响用户的正常驾驶,因此,可以在点火时间修正值T1之前的第二预设时间段内,例如,经过上述步骤S130最终确定用户用车点火时间是7:00,此时可以在距离7:00较短的一个时间段,如6:50分获取车内、外两侧的温度差t,由于车内外温差是影响车窗起雾的直接因素之一,因此,可以根据上述温度差t,确定用户除雾需求的环境影响因子p(t);
作为示例性的,当车内外存在上述温度差t,表征用户点火用车时,车窗可能处于起雾状况,此状态即需要对车窗进行提前除雾操作,因此可以令上述环境影响因子p(t)=A+B*t,其中,参数A和B可以是人为定义的常数,例如,可以取A=0.2,B=0.5;
同理,当获取的是车内外的湿度数据时,也可以按照与上述技术构思相同或类似的方式来确定环境影响因子p(t)以及推荐值F(u),在此不与赘述。
当上述推荐值F(u)高于一预设值时,表明当用户点火用车时,车窗必将处于起雾状况,此时需要向车载系统发送控制指令,控制空调开启除雾功能,以实现当用户用车时,空调除雾操作已经开启,从而更加保障用户的行车安全。
可选地,在上述步骤S140中,还可以在向车载系统发送控制指令之前,通过手机APP等软件远程询问并提醒用户是否开启空调除雾,若是,则向车载系统发送控制指令,控制空调开启除雾功能。
在上述技术方案中,通过对用户的历史用车点火时间数据进行ARMA模型预测,获得了用户未来的点火用车时间及其概率值,再通过对用户的历史用车点火时间数据进行基于概率密度函数的统计分析,计算用户用车时间的高斯分布,得到用户典型的点火时间概率模型,再基于点火时间概率模型对ARMA模型的预测结果进行误差修正,从而获得更高精度的用户第二天点火用车时间及其概率值,再根据预测结果前检测的车内外环境数据,最终计算获得用户除雾需求的推荐值F(u),根据推荐值F(u)的大小来判断是否需要提前控制空调开启除雾功能,本实施例充分利用大数据以及时序预测算法为用户提供智能除雾功能,可以实现提前为用户开启智能除雾,减少用户车机等待时间,提高用户体验和驾驶安全性。
优选地,上述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;
参见附图3,上述步骤S140还可进一步包括:
S1401’,基于上述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,上述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
S1402’,若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,上述环境数据包括用于计算车内外两侧的温度差或湿度差,上述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
S1403’,根据上述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
具体地,上述车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息等可以通过CAN总线数据或埋点数据获得。
与步骤S120的思路类似,上述步骤进一步基于用户的历史除雾操作数据,包括车内外温度、车内外湿度、空调除雾开启数据,通过采用概率密度函数的统计分析方法,获得用户历史的开启空调除雾操作与车内外温度差或湿度差之间的高斯分布以及用户历史除雾操作概率模型,该用户历史除雾操作概率模型可以表征用户在不同车内外温度差或湿度差下打开空调除雾的概率,即表征用户的除雾操作习惯。
如此,在获取到车内外温度差值或湿度差值后,即可通过上述历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),在将该概率值r(u)考虑进推荐值F(u)的计算表达式后,最终得出的车载空调除雾控制方法,将更加符合不同用户的历史行为习惯,从而提供了更优的用户体验感。
参见附图4,本申请进一步提供一种对应上述车载空调除雾控制方法的车载空调除雾控制系统500,上述控制系统500包括:
时间序列预测模块510,用于基于预先训练的ARMA模型,预测用户u的点火时间T0以及在上述点火时间T0进行点火启动车辆的概率值m(u),其中,上述预先训练的ARMA模型基于上述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
历史点火数据统计模块520,用于基于上述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,上述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
点火时间修正模块530,用于基于上述点火时间概率模型,对上述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
第一除雾控制模块540,用于若上述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
在可选的实施例中,参见附图5,上述控制系统500进一步包括:
环境影响因子模块550,用于若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,上述环境数据包括用于计算车内外两侧的温度差或湿度差,上述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
第二除雾控制模块560,用于若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,上述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
在优选的实施例中,上述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;参见附图6,上述控制系统500进一步包括:
历史除雾统计模块570,用于基于上述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,上述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
第三除雾控制模块580,用于在获取车内、外两侧的环境数据后,根据上述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
可选地,在上述第一除雾控制模块540或第二除雾控制模块560或第三除雾控制模块580发送控制指令前,可以远程询问并提醒用户是否开启空调除雾,若是,则向车载系统发送控制指令,控制空调开启除雾功能。
作为另一种方式,上述第一除雾控制模块540或第二除雾控制模块560或第三除雾控制模块580可以通过APP或短信的方式进行远程询问提醒。
进一步地,本申请还提供一种计算机可读介质,上述计算机可读介质存储程序或指令,上述程序或指令使计算机执行前述记载的车载空调除雾控制方法的步骤。
同时,本申请还提供一种终端设备,该终端设备包括至少一个处理单元、以及至少一个存储单元,其中,上述存储单元存储有计算机程序,当上述程序被上述处理单元执行时,使得上述处理单元执行前述记载的车载空调除雾控制方法的步骤。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,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公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车载空调除雾控制方法,其特征在于,具有如下步骤:
基于预先训练的ARMA模型,预测用户u的点火时间T0以及在所述点火时间T0进行点火启动车辆的概率值m(u),其中,所述预先训练的ARMA模型基于所述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
基于所述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,所述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
基于所述点火时间概率模型,对所述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
2.一种根据权利要求1所述控制方法,其特征在于,所述若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能,具体包括:
若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,所述环境数据包括用于计算车内外两侧的温度差或湿度差,所述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,所述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
3.一种根据权利要求2所述控制方法,其特征在于,所述方法还包括:
所述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;
基于所述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,所述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
在获取车内、外两侧的环境数据后,根据所述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
4.一种根据权利要求1-3任一项所述的控制方法,其特征在于,基于所述点火时间概率模型,对所述ARMA模型预测的用户第二天的点火时间T0及概率值m(u)进行预测误差校正,获得用户第二天的点火时间修正值T1及概率修正值m’(u),具体包括:
根据所述点火时间T0,选取一个点火时间最接近的点火时间概率模型,并确定所述点火时间概率模型的第一高斯分位区间;
若所述点火时间T0早于第一高斯分位区间,此时点火时间修正值T1等于点火时间T0,概率修正值m’(u)=a*m(u);
若所述点火时间T0处于第一高斯分位区间,则点火时间修正值T1等于所述第一高斯分位区间的起始时间点,第二概率值m’(u)=m(u);
若所述点火时间T0晚于第一高斯分位区间,则点火时间修正值T1等于所述第一高斯分位区间的结束时间点,第二概率值m’(u)=a*m(u);
上述参数a表示点火时间概率模型对ARMA模型预测的修正因子。
5.一种根据权利要求1-3任一项所述的控制方法,其特征在于,所述构建ARMA模型,基于所述车辆点火时间数据,对ARMA模型进行训练拟合,具体包括:
对所述车辆点火时间数据进行预处理,所述预处理具体包括对缺失值和异常值的处理、数据清洗、属性构造、周期性分析;
对预处理后的车辆点火时间数据进行平稳性检验和白噪声检验;
构建ARMA模型,根据自相关函数图像和偏自相关函数图像确定ARMA模型的自回归项阶数p和移动平均项阶数q,使用预处理后的车辆点火时间数据对ARMA模型进行训练拟合;其中,
在训练ARMA模型过程中,计算ARMA模型的预测结果与车辆真实点火时间之间的均方误差,若该均方误差大于设定的阈值,则以车辆真实点火时间为指标,使点火时间距离当前时间越近的车辆点火时间权重越高,点火时间距离当前时间越远的车辆点火时间权重越低,通过调节相应的权重,再次输入数据对ARMA模型进行训练拟合,若该均方误差小于设定的阈值,完成对ARMA模型的训练。
6.一种车载空调除雾控制系统,其特征在于,所述控制系统包括:
时间序列预测模块,用于基于预先训练的ARMA模型,预测用户u的点火时间T0以及在所述点火时间T0进行点火启动车辆的概率值m(u),其中,所述预先训练的ARMA模型基于所述用户u在第一预设时间段的历史用车数据中的车辆点火时间数据训练获得;
历史点火数据统计模块,用于基于所述车辆点火时间数据,通过概率密度函数统计用户历史用车时间的高斯分布,得到用户u在若干时间段内的点火时间概率模型,所述点火时间概率模型用于表征用户u在若干时间段内点火启动车辆的概率分布;
点火时间修正模块,用于基于所述点火时间概率模型,对所述点火时间T0及概率值m(u)进行预测误差校正,获得点火时间修正值T1及概率修正值m’(u);
第一除雾控制模块,用于若所述概率修正值m’(u)大于第一阈值且当前时刻处于点火时间修正值T1之前的第二预设时间段内,向车载系统发送控制指令,控制车载空调开启除雾功能。
7.一种根据权利要求6所述的控制系统,其特征在于,所述控制系统还包括:
环境影响因子模块,用于若当前时刻处于点火时间修正值T1之前的第二预设时间段内,获取车内、外两侧的环境数据,所述环境数据包括用于计算车内外两侧的温度差或湿度差,所述温度差或湿度差用于确定用户u开启空调除雾操作的环境影响因子p(t);
第二除雾控制模块,用于若用户开启空调除雾操作的推荐值F(u)大于第二阈值,向车载系统发送控制指令,控制车载空调开启除雾功能,所述推荐值F(u)的计算公式为:
F(u)=m’(u)+p(t)。
8.一种根据权利要求6所述的控制系统,其特征在于,所述用户历史用车数据还包括车内温度、车外温度、车内湿度、车外湿度、空调除雾开启信息;
所述控制系统还包括:
历史除雾统计模块,用于基于所述用户历史用车数据的车内温度、车外温度、车内湿度、车外湿度和空调除雾开启信息数据,通过概率密度函数计算用户开启空调除雾操作与车内外温度差或湿度差之间的高斯分布,得到用户历史除雾操作概率模型,所述历史除雾操作概率模型用于表征用户在不同车内外温度差或湿度差下打开空调除雾的概率分布;
第三除雾控制模块,用于在获取车内、外两侧的环境数据后,根据所述环境数据以及历史除雾操作概率模型确定用户打开空调除雾的概率值r(u),并通过如下公式计算推荐值F(u):
F(u)=m’(u)+p(t)+r(u)。
9.一种计算机可读介质,其特征在于,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1-5任一所述方法的步骤。
10.一种终端设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1-5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742867.3A CN116729062A (zh) | 2023-06-21 | 2023-06-21 | 一种车载空调除雾控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742867.3A CN116729062A (zh) | 2023-06-21 | 2023-06-21 | 一种车载空调除雾控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116729062A true CN116729062A (zh) | 2023-09-12 |
Family
ID=87916639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742867.3A Pending CN116729062A (zh) | 2023-06-21 | 2023-06-21 | 一种车载空调除雾控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116729062A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784617A (zh) * | 2024-02-26 | 2024-03-29 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
-
2023
- 2023-06-21 CN CN202310742867.3A patent/CN116729062A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784617A (zh) * | 2024-02-26 | 2024-03-29 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
CN117784617B (zh) * | 2024-02-26 | 2024-05-10 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108725136B (zh) | 车载空调调节方法、系统、设备及存储介质 | |
TWI626615B (zh) | 資訊提供裝置及儲存提供程式的資訊之非暫態電腦可讀媒體 | |
CN107060565B (zh) | 车窗管理 | |
CN108749596B (zh) | 车机端启动方法、系统及装置 | |
CN116729062A (zh) | 一种车载空调除雾控制方法及系统 | |
US9376117B1 (en) | Driver familiarity adapted explanations for proactive automated vehicle operations | |
CN108701065B (zh) | 控制设备、程序更新方法和计算机程序 | |
DE102007009895A1 (de) | Steuergerät zur Steuerung einer Fahrzeugeinheit | |
CN113071497B (zh) | 一种驾驶场景判断方法、装置、设备及存储介质 | |
CN111305695B (zh) | 用于控制车辆的方法和装置 | |
CN111890873A (zh) | 智能启动车内空调和/或空气净化设备的方法和系统 | |
CN111026066A (zh) | 车辆控制方法和装置 | |
CN112145020A (zh) | 窗户的控制方法、装置、设备及存储介质 | |
CN111797755A (zh) | 一种汽车乘员情绪识别方法及电子设备 | |
WO2022245916A1 (en) | Device health code broadcasting on mixed vehicle communication networks | |
US20220335292A1 (en) | Information processing device, information processing method, and program | |
CN113059982A (zh) | 一种车辆温度调节的方法及装置 | |
US11662217B2 (en) | Predictive cleanliness function for vehicle-sharing fleet | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
CN109146694B (zh) | 电子装置、用户车险优惠级别确定方法及存储介质 | |
CN114066076A (zh) | 一种基于多租户的网约车预测方法及装置 | |
CN117485265B (zh) | 车载终端控制方法、装置及车载终端 | |
US20240169601A1 (en) | Home and Vehicle Repair Diagnostics | |
CN115081545B (zh) | 司机轮换识别方法以及识别模型构建方法 | |
CN114228637B (zh) | 一种车辆断电保护方法、装置、存储介质及设备 |
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 |