CN117301795A - 控制车辆空调的方法、装置、电子设备和车辆 - Google Patents

控制车辆空调的方法、装置、电子设备和车辆 Download PDF

Info

Publication number
CN117301795A
CN117301795A CN202311264119.5A CN202311264119A CN117301795A CN 117301795 A CN117301795 A CN 117301795A CN 202311264119 A CN202311264119 A CN 202311264119A CN 117301795 A CN117301795 A CN 117301795A
Authority
CN
China
Prior art keywords
air conditioner
historical
determining
vehicle
driving data
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
Application number
CN202311264119.5A
Other languages
English (en)
Inventor
王阳
李树慧
栗羽峰
梁田峰
许猛
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.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor 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 Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202311264119.5A priority Critical patent/CN117301795A/zh
Publication of CN117301795A publication Critical patent/CN117301795A/zh
Pending legal-status Critical Current

Links

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
    • B60H1/00971—Control systems or circuits characterised by including features for locking or memorising of control modes
    • 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

本申请提供了一种控制车辆空调的方法、装置、电子设备和车辆，该方法应用于车辆领域，该方法包括：获取空调在当前时刻之前的第一时长的历史工作参数集；对历史工作参数集进行状态转移预测处理，得到预测结果；根据预测结果结合环境参数，确定预测结果能否作为空调当前的目标工作参数；在预测结果能作为目标工作参数时，将预测结果确定为目标工作参数；在预测结果不能作为目标工作参数时，根据车辆的历史行车数据和实时行车数据，确定目标工作参数；基于目标工作参数控制空调运行。该方法能够在对车辆空调进行控制时，兼顾到车辆行驶过程中环境参数的变化，达到了对车辆空调的合理化控制和精确的控制，提高了用户的乘坐体验。

Description

控制车辆空调的方法、装置、电子设备和车辆
技术领域
本申请涉及车辆控制领域，并且更具体地，涉及车辆控制领域中一种控制车辆空调的方法、装置、电子设备和车辆。
背景技术
在用户驾驶车辆过程中，车内温度过高或者过低都可能会影响用户的乘坐体验。为了保证乘坐的舒适性，车辆可以通过车辆中的空调为用户提供舒适的乘坐环境。
一种可能的实现方式中，车辆空调的控制过程可以通过用户的使用习惯来实现。
上述结合用户的使用习惯，对空调的控制过程，无法有效结合当前空调的使用环境，无法达到智能化的控制过程。
综上，如何合理准确地控制车辆空调成为了亟需解决的问题。
发明内容
本申请提供了一种控制车辆空调的方法、装置、电子设备和车辆，该方法能够在对车辆空调进行控制时，兼顾到车辆行驶过程中环境参数的变化，达到了对车辆空调的合理化控制和精确的控制，提高了用户的乘坐体验。
第一方面，提供了一种控制车辆空调的方法，该方法包括：获取空调在当前时刻之前的第一时长的历史工作参数集；对该历史工作参数集进行状态转移预测处理，得到预测结果；根据该预测结果结合环境参数，确定该预测结果能否作为该空调当前的目标工作参数；在该预测结果能作为该空调当前的目标工作参数的情况下，将该预测结果确定为该空调当前的目标工作参数；在该预测结果不能作为该空调当前的目标工作参数的情况下，根据该车辆的历史行车数据和实时行车数据，确定该空调当前的目标工作参数；基于该空调当前的目标工作参数控制该空调运行。
上述技术方案中，在需要对车辆中的空调控制时，本申请提出了一种控制车辆空调的方法，获取空调在当前时刻之前的第一时长的历史工作参数集。对历史工作参数集进行状态转移预测处理，得到预测结果。上述历史工作参数集能够反映用户使用空调的习惯和喜好，通过对历史工作参数集进行状态转移预测处理，得到预测结果，能够保证在确定预测结果时兼顾到用户的历史行为习惯。进一步，通过预测结果结合环境参数，确定预测结果是否能作为空调当前的目标工作参数。若是，则将预测结果作为空调当前的目标工作参数。若否，则根据车辆的历史行车数据和实时行车数据，确定空调当前的目标工作参数。上述结合环境参数确定预测结果是否可用，能够在控制空调时考虑到环境参数的影响，使得空调的控制过程更加符合当前的环境状况，保证了控制过程的精度。
结合第一方面，在某些可能的实现方式中，该环境参数包括前次环境温度和实时环境温度，该根据该预测结果结合环境参数，确定该预测结果能否作为该空调当前的目标工作参数，包括：确定该前次环境温度和该实时环境温度之间的温度差值；根据该预测结果结合该温度差值，确定该预测结果能否作为空调当前的目标工作参数。
上述技术方案中，具体在确定预测结果能否作为空调当前的目标工作参数时，环境参数主要为前次环境温度和实时环境温度。首先确定前次环境温度和实时环境温度之间的温度差值，根据预测结果结合温度差值，确定预测结果能否作为空调当前的目标工作参数。温度差值能够反映实时环境温度和前次环境温度的差异。因此基于预测结果结合温度差值，判断预测结果能否作为空调当前的目标工作参数时，能够考虑环境温差对预测结果的影响。
结合第一方面和上述实现方式，在某些可能的实现方式中，该根据该预测结果结合该温度差值，确定该预测结果能否作为该空调当前的目标工作参数，包括：在该预测结果与该历史工作参数集中的前次工作参数相同，且该温度差值小于预设差值的情况下，确定该预测结果能作为该空调当前的目标工作参数；在该预测结果与该前次工作参数不同，或该温度差值大于或等于该预设差值的情况下，确定该预测结果不能作为该空调当前的目标工作参数。
上述技术方案中，在预测结果与历史工作参数集中的前次工作参数相同，且温度差值小于预设差值时，说明本次空调的使用环境和前一次的使用环境大致相同，这种情况下，可以将预测结果确定为目标工作参数。
在预测结果与前次工作参数不同，或者，温度差值大于或等于预设差值的情况下，说明预测结果和前次工作参数相差较大，或者，实时环境温度和前次环境温度差异较大，本次空调的使用环境不同于前次空调的使用环境，不能将前次工作参数确定为目标工作参数。
上述确定预测结果能否用于控制空调时，能够考虑到环境温差的影响，保证了空调使用的合理性和准确性。
结合第一方面和上述实现方式，在某些可能的实现方式中，该根据该历史行车数据和该实时行车数据，确定该空调当前的目标工作参数，包括：确定该历史行车数据和该实时行车数据之间的相似度；根据该相似度，从该历史行车数据中确定出与该实时行车数据之间相似度最大的目标历史行车数据；确定该空调当前的目标工作参数为该目标历史行车数据。
上述技术方案中，在预测结果不能作为空调当前的目标工作参数时，在确定空调当前的目标工作参数时，可以计算历史行车数据和实时行车数据之间的相似度，从中选择出最大相似度对应的目标历史行车数据作为空调当前的目标工作参数。上述计算相似度的方式能够实现实时行车数据和历史行车数据之间的匹配，选择最大相似度对应的目标历史行车数据作为空调当前的目标工作参数，能够保证优先选择与实时行车数据最接近的历史行车数据控制空调，保证了空调控制过程中的准确性。
结合第一方面和上述实现方式，在某些可能的实现方式中，该历史行车数据包括车辆运行参数，该确定该历史行车数据和该实时行车数据之间的相似度，包括：根据该车辆运行参数及与该空调的历史工作参数之间的相关度，确定出目标车辆运行参数；从该历史行车数据中确定出该车辆在该当前时刻之前的第二时长的目标行车数据；从该目标行车数据中确定出该目标车辆运行参数对应的历史车辆运行数值，以及从该实时行车数据中确定出该目标车辆运行参数对应的实时车辆运行数值；对该历史车辆运行数值和该实时车辆运行数值进行相似度匹配，确定该历史车辆运行数值和该实时车辆运行数值之间的相似度。
上述技术方案中，具体提出了一种如何确定历史行车数据和实时行车数据之间的相似度的方案。其中，历史行车数据包括车辆运行参数，结合车辆运行参数及与空调的历史工作参数之间的相关度，确定目标车辆运行参数。相关度用于表示车辆运行参数与空调的历史工作参数之间的相关性，或者车辆运行参数对空调的历史工作参数的影响。因此，上述通过相关度，能够筛选出对空调使用影响较大的目标车辆运行参数。此外，对于不同的车辆或者不同的用户而言，由于使用习惯的差异，对应的历史行车数据不同。上述过程还能够保证对于不同的历史行车数据，个性化地求解出对不同车辆的空调在使用过程中，车辆运行参数对空调使用的影响。进一步从历史行车数据中挑选当前时刻之前的第二时长的局部行车数据—即目标行车数据，目标行车数据可以认为是车辆临近期的历史行车数据。结合目标车辆运行参数，从目标行车数据中确定出目标车辆运行参数对应的历史车辆运行数值，以及从实时行车数据中确定目标车辆运行参数对应的实时车辆运行数值。无论是历史车辆运行数值还是实时车辆运行数值，对应的都是对空调使用影响较大的车辆运行数值。对历史车辆运行数值和实时车辆运行数值进行相似度匹配，能够了解历史车辆运行数值和实时车辆运行数值之间的差异性，以确定空调当前的目标工作参数。
结合第一方面和上述实现方式，在某些可能的实现方式中，该根据该相似度，从该历史行车数据中确定出与该实时行车数据之间相似度最大的目标历史行车数据，包括：根据该相似度，对该历史车辆运行数值进行筛选处理，确定出与该实时车辆运行数值之间相似度最大的目标历史车辆运行数值；以及，该确定该空调当前的目标工作参数为该目标历史行车数据，包括：从该目标历史行车数据中确定出该目标历史车辆运行数值对应的该空调的工作参数；确定该空调当前的目标工作参数为该目标历史车辆运行数值对应的该空调的工作参数。
上述技术方案中，在确定目标历史行车数据时，主要是根据相似度，对历史行车数据中的历史车辆运行数值进行筛选，得到与实时车辆运行数值之间相似度最大的目标历史车辆运行数值。上述过程能够保证目标历史车辆运行数值与实时车辆运行数值的高度匹配性。将空调当前的目标工作参数具体为目标历史车辆运行数值对应的空调的工作参数，能够保证在根据历史行车数据确定空调的目标工作参数时，优先选择与实时行车场景最接近的历史行车场景中的空调工作参数，保证确定的准确性。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述历史工作参数集包括前次工作参数，所述对所述历史工作参数集进行状态转移预测处理，确定预测结果，包括：基于该历史工作参数集结合状态转移预测模型，确定该前次工作参数包括的工作温度所处的目标温度状态区间；利用该状态转移预测模型的状态转移矩阵，确定该目标温度状态区间对应的状态转移概率；从该目标温度状态区间对应的状态转移概率中确定出最大状态转移概率；确定该预测结果为该最大状态转移概率对应的该空调的工作参数。
上述技术方案中，提出了一种如何通过历史工作参数集，得到预测结果的过程。其中，历史工作参数集包括前次工作参数，具体可以先根据历史工作参数集以及状态转移预测模型，得到前次工作参数中工作温度所处的目标温度状态区间。最后利用状态转移模型本身的状态转移矩阵，确定目标温度状态区间对应的状态转移概率。再从目标温度状态区间对应的状态转移概率中确定出最大状态转移概率，将最大状态转移概率对应的空调的工作参数确定为预测结果。上述通过最大状态转移概率来确定预测结果，能够保证预测的准确性。
综上，在需要对车辆中的空调控制时，本申请提出了一种控制车辆空调的方法，获取空调在当前时刻之前的第一时长的历史工作参数集。对历史工作参数集进行状态转移预测处理，得到预测结果。上述历史工作参数集能够反映用户使用空调的习惯和喜好，通过对历史工作参数集进行状态转移预测处理，得到预测结果，能够保证在确定预测结果时兼顾到用户的历史行为习惯。进一步，通过预测结果结合环境参数，确定预测结果是否能作为空调当前的目标工作参数。若是，则将预测结果作为空调当前的目标工作参数。若否，则根据车辆的历史行车数据和实时行车数据，确定空调当前的目标工作参数。上述结合环境参数确定预测结果是否可用，能够在控制空调时考虑到环境参数的影响，使得空调的控制过程更加符合当前的环境状况，保证了控制过程的精度。
具体在确定预测结果能否作为空调当前的目标工作参数时，环境参数主要为前次环境温度和实时环境温度。首先确定前次环境温度和实时环境温度之间的温度差值，根据预测结果结合温度差值，确定预测结果能否作为空调当前的目标工作参数。温度差值能够反映实时环境温度和前次环境温度的差异。因此基于预测结果结合温度差值，判断预测结果能否作为空调当前的目标工作参数时，能够考虑环境温差对预测结果的影响。
在预测结果与历史工作参数集中的前次工作参数相同，且温度差值小于预设差值时，说明本次空调的使用环境和前一次的使用环境大致相同，这种情况下，可以将预测结果确定为目标工作参数。
在预测结果与前次工作参数不同，或者，温度差值大于或等于预设差值的情况下，说明预测结果和前次工作参数相差较大，或者，实时环境温度和前次环境温度差异较大，本次空调的使用环境不同于前次空调的使用环境，不能将前次工作参数确定为目标工作参数。
上述确定预测结果能否用于控制空调时，能够考虑到环境温差的影响，保证了空调使用的合理性和准确性。
在预测结果不能作为空调当前的目标工作参数时，在确定空调当前的目标工作参数时，可以计算历史行车数据和实时行车数据之间的相似度，从中选择出最大相似度对应的目标历史行车数据作为空调当前的目标工作参数。上述计算相似度的方式能够实现实时行车数据和历史行车数据之间的匹配，选择最大相似度对应的目标历史行车数据作为空调当前的目标工作参数，能够保证优先选择与实时行车数据最接近的历史行车数据控制空调，保证了空调控制过程中的准确性。
此外，本申请还具体提出了一种如何确定历史行车数据和实时行车数据之间的相似度的方案。其中，历史行车数据包括车辆运行参数，结合车辆运行参数及与空调的历史工作参数之间的相关度，确定目标车辆运行参数。相关度用于表示车辆运行参数与空调的历史工作参数之间的相关性，或者车辆运行参数对空调的历史工作参数的影响。因此，上述通过相关度，能够筛选出对空调使用影响较大的目标车辆运行参数。此外，对于不同的车辆或者不同的用户而言，由于使用习惯的差异，对应的历史行车数据不同。上述过程还能够保证对于不同的历史行车数据，个性化地求解出对不同车辆的空调在使用过程中，车辆运行参数对空调使用的影响。进一步从历史行车数据中挑选当前时刻之前的第二时长的局部行车数据—即目标行车数据，目标行车数据可以认为是车辆临近期的历史行车数据。结合目标车辆运行参数，从目标行车数据中确定出目标车辆运行参数对应的历史车辆运行数值，以及从实时行车数据中确定目标车辆运行参数对应的实时车辆运行数值。无论是历史车辆运行数值还是实时车辆运行数值，对应的都是对空调使用影响较大的车辆运行数值。对历史车辆运行数值和实时车辆运行数值进行相似度匹配，能够了解历史车辆运行数值和实时车辆运行数值之间的差异性，以确定空调当前的目标工作参数。
在确定目标历史行车数据时，主要是根据相似度，对历史行车数据中的历史车辆运行数值进行筛选，得到与实时车辆运行数值之间相似度最大的目标历史车辆运行数值。上述过程能够保证目标历史车辆运行数值与实时车辆运行数值的高度匹配性。将空调当前的目标工作参数具体为目标历史车辆运行数值对应的空调的工作参数，能够保证在根据历史行车数据确定空调的目标工作参数时，优先选择与实时行车场景最接近的历史行车场景中的空调工作参数，保证确定的准确性。
最后，本申请还提出了一种如何通过历史工作参数集，得到预测结果的过程。其中，历史工作参数集包括前次工作参数，具体可以先根据历史工作参数集以及状态转移预测模型，得到前次工作参数中工作温度所处的目标温度状态区间。最后利用状态转移模型本身的状态转移矩阵，确定目标温度状态区间对应的状态转移概率。再从目标温度状态区间对应的状态转移概率中确定出最大状态转移概率，将最大状态转移概率对应的空调的工作参数确定为预测结果。上述通过最大状态转移概率来确定预测结果，能够保证预测的准确性。
第二方面，提供了一种控制车辆空调的装置，该装置包括：获取模块，用于获取空调在当前时刻之前的第一时长的历史工作参数集；确定模块，用于对该历史工作参数集进行状态转移预测处理，确定预测结果；根据该预测结果结合环境参数，确定该预测结果能否作为该空调当前的目标工作参数；在该预测结果能作为该空调当前的目标工作参数的情况下，将该预测结果确定为该空调当前的目标工作参数；在该预测结果不能作为该空调当前的目标工作参数的情况下，根据该车辆的历史行车数据和实时行车数据，确定该空调当前的目标工作参数；控制模块，用于基于该空调当前的目标工作参数控制该空调运行。
结合第二方面，在某些可能的实现方式中，该环境参数包括前次环境温度和实时环境温度，该确定模块具体用于：确定该前次环境温度和该实时环境温度之间的温度差值；根据该预测结果结合该温度差值，确定该预测结果能否作为该空调当前的目标工作参数。
结合第二方面和上述实现方式，在某些可能的实现方式中，该确定模块还用于：在该预测结果与该历史工作参数集中的前次工作参数相同，且该温度差值小于预设差值的情况下，确定该预测结果能作为该空调当前的目标工作参数；在该预测结果与该前次工作参数不同，或该温度差值大于或等于该预设差值的情况下，确定该预测结果不能作为该空调当前的目标工作参数。
结合第二方面和上述实现方式，在某些可能的实现方式中，该确定模块还用于：确定该历史行车数据和该实时行车数据之间的相似度；根据该相似度，从该历史行车数据中确定出与该实时行车数据之间相似度最大的目标历史行车数据；确定该空调当前的目标工作参数为该目标历史行车数据。
结合第二方面和上述实现方式，在某些可能的实现方式中，该确定模块还用于：根据该车辆运行参数及与该空调的历史工作参数之间的相关度，确定出目标车辆运行参数；从该历史行车数据中确定出该车辆在该当前时刻之前的第二时长的目标行车数据；从该目标行车数据中确定出该目标车辆运行参数对应的历史车辆运行数值，以及从该实时行车数据中确定出该目标车辆运行参数对应的实时车辆运行数值；对该历史车辆运行数值和该实时车辆运行数值进行相似度匹配，确定该历史车辆运行数值和该实时车辆运行数值之间的相似度。
结合第二方面和上述实现方式，在某些可能的实现方式中，该确定模块还用于：根据该相似度，对该历史车辆运行数值进行筛选处理，确定出与该实时车辆运行数值之间相似度最大的目标历史车辆运行数值；以及，从该目标历史行车数据中确定出该目标历史车辆运行数值对应的该空调的工作参数；确定该空调当前的目标工作参数为该目标历史车辆运行数值对应的该空调的工作参数。
结合第二方面和上述实现方式，在某些可能的实现方式中，该历史工作参数集包括前次工作参数，该确定模块还用于：基于该历史工作参数集结合状态转移预测模型，确定该前次工作参数包括的工作温度所处的目标温度状态区间；利用该状态转移预测模型的状态转移矩阵，确定该目标温度状态区间对应的状态转移概率；从该目标温度状态区间对应的状态转移概率中确定出最大状态转移概率；确定该预测结果为该最大状态转移概率对应的该空调的工作参数。
第三方面，提供了一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第四方面，提供了一种车辆，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该车辆执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第五方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的本申请实施例提供的一种控制车辆空调的场景示意图；
图2是本申请实施例提供的一种控制车辆空调的方法的示意性流程图；
图3是本申请实施例提供的一种状态转移的场景示意图；
图4是本申请实施例提供的一种构建随机森林的场景示意图；
图5是本申请实施例提供的一种控制车辆空调的装置的结构示意图；
图6是本申请实施例提供的一种电子设备的结构示意图；
图7是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
下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种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这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
图1是本申请实施例提供的一种控制车辆空调的场景示意图。
示例性的，如图1所示，在车辆101运行过程中，车辆101可以对应有多种车辆运行参数。例如车内温度、发动机转速、空调温度、空调的风速、空调的工作模式、横摆角速度、座椅倾斜角度等各种车辆101运行过程中各个部件的运行参数。进一步，车辆101可以将多种车辆运行参数发送至云服务器102以进行存储和分析，以便于实现对车辆101的控制。
示例性的，车辆101可以通过车辆101中的远程信息处理盒子(Telematics Box，T-Box，也称为远程通信模块或者车载终端)，将多种车辆运行参数发送至云服务器102。
在云服务器102接收到车辆101发送的多种车辆运行参数之后，可以进行存储。
一种可能的实现方式中，当车辆101中的车内温度与环境温度差值较大时，为了保证用户乘坐的舒适性，此时可以开启车辆101中的空调来调节车内温度。
示例性的，当车辆101本次运行时，云服务器102可以先确定出车辆101上一次使用过程中空调的工作参数。进一步将空调上一次的工作参数通过T-Box发送至车辆101，以控制车辆101中的空调运行。
可选的，空调的工作参数包括工作温度、风速、工作模式等参数。
另一示例性的，云服务器102中也可以预先存储固定的空调的工作参数。当车辆101运行时，云服务器102将该固定的工作参数发送至车辆101，以使车辆101中的空调运行。
另一示例性的，也可以将上一次的工作参数或者固定的工作参数存储在车辆101自身的控制器(例如空调控制器)中。空调控制器基于自身所存储的上一次的工作参数或者固定的工作参数，对空调进行控制或者调节。
上述对空调调节的过程，主要是通过空调上一次的工作参数和固定的工作参数来实现的，无法根据实时的环境变化来调节。
基于上述问题，本申请实施例提出了一种控制车辆空调的方法，能够在对车辆空调进行控制时，兼顾到车辆行驶过程中环境参数的变化情况，达到了对车辆空调的合理化控制和精确的控制，提高了用户的乘坐体验。
图2是本申请实施例提供的一种控制车辆空调的方法的示意性流程图。应理解，该方法可以应用于图1中的控制空调的场景，具体应用于图1中的云服务器102或者车辆101，下面本申请实施例中以云服务器102为例，对本申请实施例提供的一种控制车辆空调的方法进行详细的介绍。
示例性的，如图2所示，该方法200包括：
201，获取空调在当前时刻之前的第一时长的历史工作参数集。
应理解，车辆在运行过程中，可以实时或者周期性将空调的工作参数发送至云服务器，以便于云服务器对空调的工作参数进行存储和分析。
其中，空调的工作参数包括工作温度、风速、工作模式等与空调运行相关的参数。
一种可能的实现方式中，车辆可以通过车辆中的T-Box，将空调的工作参数发送至云服务器。
示例性的，在发送空调的工作参数过程中，车辆先通过空调控制器将空调的工作参数发送至T-Box，再通过T-Box将空调的工作参数转发至云服务器。
通过上述过程，云服务器即可获取到空调的工作参数，空调在使用过程中的工作参数构成了空调的历史工作参数。
对于空调在当前时刻之前第一时长的历史工作参数集，本申请实施例可以预设固定的第一时长，例如一个月、两个月等。每一次在控制车辆空调的过程中，可以以当前时刻为基准时刻，从空调的历史工作参数中获取当前时刻之前的第一时长的多个历史工作参数，第一时长的多个历史工作参数组成了第一时长的历史工作参数集。
示例性的，云服务器可以通过车辆中的T-Box，获取车辆行驶的当前时刻。以当前时刻为基准，云服务器可以确定出当前时刻之前的第一时长内的空调的历史工作参数，得到第一时长的历史工作参数集。
在得到空调在当前时刻之前的第一时长的历史工作参数集之后，云服务器可以根据第一时长内的历史工作参数集，确定当前车辆空调当前的目标工作参数。
202，对历史工作参数集进行状态转移预测处理，得到预测结果。
云服务器获取到上述第一时长的历史工作参数集之后，可以对第一时长的历史工作参数集进行状态转移预测，得到初步的预测结果。
具体的，云服务器可以通过状态转移预测模型，对历史工作参数集进行状态转移预测处理，也就是将历史工作参数集作为状态转移预测模型的输入参数，通过状态转移预测处理，得到预测结果。
可选的，本申请实施例中的状态转移预测模型具体为马尔可夫链模型。
马尔可夫链(Markov Chain，MC)，又称离散时间马可夫链(Discrete-Time MarkovChain，缩写为DTMC)，具体是状态空间中经过从一个状态到另一个状态的转换的随机过程。
马尔可夫链的特点在于：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。在马尔可夫链的每一步，根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。状态的改变叫做转移，与不同的状态改变相关的概率叫做状态转移概率。
一种可能的实现方式中，在通过状态转移预测处理模型，对历史工作参数集进行状态转移预测处理，得到预测结果，具体包括：
基于历史工作参数集结合状态转移预测模型，确定前次工作参数包括的工作温度所处的目标温度状态区间；
利用状态转移预测模型的状态转移矩阵，确定目标温度状态区间对应的状态转移概率；
从目标温度状态区间对应的状态转移概率中确定出最大状态转移概率；
确定预测结果为最大状态转移概率对应的空调的工作参数。
下面先结合马尔科夫链模型的原理，对得到温度状态区间的过程进行介绍。
本申请实施例中在通过马尔可夫链得到预测结果的过程中，以工作参数中的工作温度举例进行说明。工作温度包括空调使用过程中的起始工作温度和终止工作温度。起始工作温度可以理解为空调刚开启时的工作温度，终止工作温度可以理解为空调关闭时的工作温度。
第一时长的历史工作参数集中包括多个历史工作参数，因此云服务器可以基于多个历史工作参数，获取空调的多个起始工作温度和多个终止工作温度。进一步，云服务器分别对多个起始工作温度和多个终止工作温度进行离散化处理，将多个起始工作温度和多个终止工作温度抽象为多个温度区间或者多个温度范围。每一个温度区间即为本申请实施例中的温度状态区间，也就是马尔可夫链模型中的状态。举例来说，温度状态区间1为(a,b)，温度状态区间2为(b,c)，温度状态区间3为(d,e)。
进一步，云服务器可以基于上述得到的多个温度状态区间，对马尔科夫链模型进行训练。具体的，由于马尔科夫链关注的重点在于状态和状态之间发生转移的随机过程。因此，本申请实施例基于上述多个温度状态区间，不断地进行温度状态区间的随机转移，得到每一个温度状态区间对应的多种转移策略，以及多种转移策略对应的状态转移概率。其中，每一种转移策略对应随机转移过程中，当前温度状态区间转移后的下一个温度状态区间。由此，所有温度状态区间对应的多个状态转移概率组成了马尔可夫链模型的状态转移矩阵。
在训练过程中，不断计算训练过程中每一种状态转移矩阵对应的价值函数。价值函数表示一个温度状态区间在转移过程中的收益或者回报。当价值函数满足一定条件，确定马尔科夫链模型训练成功，将该价值函数对应的状态转移矩阵确定为马尔可夫链的状态转移矩阵，状态转移矩阵包括每一种温度状态区间对应的多个状态转移概率。
图3是本申请实施例提供的一种状态转移矩阵的场景示意图。
示例性的，如图3所示，假设本申请实施例根据多个起始工作温度和多个终止工作温度，经过离散化处理，得到四个温度状态区间，分别为温度状态区间1、温度状态区间2、温度状态区间3和温度状态区间4。
假设对上述四个温度状态区间进行多次状态转移，得到训练后的马尔科夫链模型的状态转移矩阵如下面的表达式(1)所示：
其中，在表达式(1)中：
在状态转移过程中，P11代表从温度状态区间1转移至温度状态区间1对应的状态转移概率，也可以认为是温度状态区间1自身发生一次转移对应的概率；P12代表从温度状态区间1转移至温度状态区间2对应的状态转移概率；P13代表从温度状态区间1转移至温度状态区间3对应的状态转移概率；P14代表从温度状态区间1转移至温度状态区间4对应的状态转移概率。
P21代表从温度状态区间2转移至温度状态区间1对应的状态转移概率；P22代表从温度状态区间2转移至温度状态区间2对应的状态转移概率；P23代表从温度状态区间2转移至温度状态区间3对应的状态转移概率；P24代表从温度状态区间2转移至温度状态区间4对应的状态转移概率。
P31代表从温度状态区间3转移至温度状态区间1对应的状态转移概率；P32代表从温度状态区间3转移至温度状态区间2对应的状态转移概率；P33代表从温度状态区间3转移至温度状态区间3对应的状态转移概率；P34代表从温度状态区间3转移至温度状态区间4对应的状态转移概率。
P41代表从温度状态区间4转移至温度状态区间1对应的状态转移概率；P42代表从温度状态区间4转移至温度状态区间2对应的状态转移概率；P43代表从温度状态区间4转移至温度状态区间3对应的状态转移概率；P44代表从温度状态区间4转移至温度状态区间4对应的状态转移概率。
在训练完成之后，开始进入马尔科夫链模型的应用阶段。根据马尔科夫链当前状态只与前一次的状态有关，而与更早之前的状态无关的原理。在应用过程中，本申请实施例可以确定历史工作参数集中前次工作参数包括的工作温度，此处具体指的是前次终止工作温度(以下简称为“前次终止工作温度”)。
以前次终止工作温度作为马尔科夫链模型的输入参数，进行状态转移预测。具体的，基于马尔科夫链模型的多个温度状态区间，确定出前次终止工作温度所处的目标温度状态区间。基于马尔科夫链模型的状态转移矩阵，确定出该目标温度状态区间对应的多个状态转移概率。从目标温度状态区间对应的状态转移概率中确定出最大状态转移概率，将最大状态转移概率对应的空调的工作参数确定为预测结果。
示例性的，如图3所示，假设云服务器确定前次终止工作温度所处的目标温度状态区间为温度状态区间1，温度状态区间1对应的多个状态转移概率分别为P11、P12、P13和P14。假设P11、P12、P13和P14中的最大状态转移概率为P14，预测结果即为P14对应的空调的工作参数，也就是温度状态区间4。
另外一种可能的实现方式中，在得到历史工作参数集中的多个起始工作温度和多个终止工作温度后，也可以不进行离散化处理，直接将每一个起始工作温度和每一个终止工作温度看作马尔科夫链模型中的一个状态，从而得到多个起始工作温度和多个终止工作温度对应的多个状态。通过马尔科夫链模型的训练过程，得到多个状态对应的状态转移矩阵。
在应用过程中，根据前次终止工作温度，从多个状态中确定出前次终止工作温度对应的目标状态，以及目标状态对应的多个状态转移概率。从多个状态转移概率中找出最大转移概率，得到预测结果，也就是最大状态转移概率对应的状态的空调工作温度。
另外一种场景下，对于工作参数中的工作模式和风速，也可以按照上述相同的方式，构造马尔科夫链模型，实现对风速和工作模式的预测过程。
上述技术方案中，提出了一种如何通过历史工作参数集，得到预测结果的过程。其中，历史工作参数集包括前次工作参数，具体可以先根据历史工作参数集以及状态转移预测模型，得到前次工作参数中工作温度所处的目标温度状态区间。最后利用状态转移模型本身的状态转移矩阵，确定目标温度状态区间对应的状态转移概率。再从目标温度状态区间对应的状态转移概率中确定出最大状态转移概率，将最大状态转移概率对应的空调的工作参数确定为预测结果。上述通过最大状态转移概率来确定预测结果，能够保证预测的准确性。
203，根据预测结果结合环境参数，确定预测结果能否作为空调当前的目标工作参数。
在通过马尔可夫链得到预测结果之后，在空调控制过程中为了避免环境差异较大带来控制不准确的问题，本申请实施例中可以结合预测结果结合环境参数，判断预测结果是否能作为空调当前的目标工作参数。
可选的，环境参数包括前次环境温度和实时环境温度。
示例性的，云服务器可以通过温度传感器和T-Box，获取车辆运行过程中的前次环境温度和实时环境温度。
一种可能的实现方式中，在根据预测结果结合环境参数，确定预测结果能否作为空调当前的目标工作参数，包括：
确定前次环境温度和实时环境温度之间的温度差值；
根据预测结果结合温度差值，确定预测结果能否作为空调当前的目标工作参数。
前次环境温度和实时环境温度之间的温度差值能够表征前次环境温度和实时环境温度之间的差异情况，当前次环境温度和实时环境温度差异较小时，表示空调上一次使用过程中的环境条件和本次空调使用过程中的环境条件比较接近。当前次环境温度和实时环境温度差异较大时，表示空调上一次使用过程中的环境条件和本次空调使用过程中的环境条件不接近。
因此上述计算温度差值结合预测结果，判断预测结果能否作为空调当前的目标工作参数，能够考虑到环境变化给空调使用带来的影响。
上述技术方案中，具体在确定预测结果能否作为空调当前的目标工作参数时，环境参数主要为前次环境温度和实时环境温度。首先确定前次环境温度和实时环境温度之间的温度差值，根据预测结果和/或温度差值，确定预测结果能否作为空调当前的目标工作参数。温度差值能够反映实时环境温度和前次环境温度的差异。因此基于预测结果和/或温度差值，判断预测结果能否作为空调当前的目标工作参数时，能够考虑环境温差对预测结果的影响。
一种可能的实现方式中，根据预测结果结合温度差值，确定预测结果能否作为空调当前的目标工作参数，具体包括以下两种情况：
在预测结果与历史工作参数集中的前次工作参数相同，且温度差值小于预设差值的情况下，确定预测结果能作为空调当前的目标工作参数；
在预测结果与前次工作参数不同，或温度差值大于或等于预设差值的情况下，确定预测结果不能作为空调当前的目标工作参数。
示例性的，当马尔可夫链模型进行状态转移预测处理，得到的预测结果是温度状态区间时，具体在比较的过程中，云服务器是将该温度状态区间与前次终止工作温度对应的温度状态区间进行比较。
又一示例性的，当马尔可夫链模型进行状态转移预测处理，得到的预测结果是状态(也就是具体的温度)时，具体在比较的过程中，云服务器是将该温度与前次终止工作温度比较。
当预测结果与前次工作参数相同，代表预测结果对应的温度状态区间与前次终止工作温度对应的温度状态区间相同，或者，预测结果对应的温度与前次终止工作温度相同。此时若温度差值小于预设差值，代表上一次车辆运行过程中的环境温度和本次运行过程中的环境温度差别不大。这种情况下，可以确定预测结果能够作为空调当前的目标工作参数。
在预测结果与前次工作参数不同，或温度差值大于或等于预设差值的情况下，说明预测结果和前次工作参数之间的差异较大，或者，实时环境温度和前次环境温度不接近，此时表示空调前次使用过程中的条件和本次使用过程中的条件不匹配。为了保证空调控制过程的准确性，这种情况下，确定预测结果不能作为空调当前的目标工作参数。
上述技术方案中，在预测结果与历史工作参数集中的前次工作参数相同，且温度差值小于预设差值时，说明本次空调的使用环境和前一次的使用环境大致相同，这种情况下，可以将预测结果确定为目标工作参数。
在预测结果与前次工作参数不同，或者，温度差值大于或等于预设差值的情况下，说明预测结果和前次工作参数相差较大，或者，实时环境温度和前次环境温度差异较大，本次空调的使用环境不同于前次空调的使用环境，不能将前次工作参数确定为目标工作参数。
上述确定预测结果能否用于控制空调时，能够考虑到环境温差的影响，保证了空调使用的合理性和准确性。
204，在预测结果能作为空调当前的目标工作参数的情况下，将预测结果确定为空调当前的目标工作参数。
结合前述步骤203，在预测结果能够作为空调当前的目标工作参数的情况下，表示前次空调使用过程中的条件与当前空调使用过程中的条件匹配，可以直接将预测结果作为空调的目标工作参数。
205，在预测结果不能作为空调当前的目标工作参数的情况下，根据车辆的历史行车数据和实时行车数据，确定空调当前的目标工作参数。
结合前述步骤203，在预测结果不能作为空调当前的目标工作参数的情况下，表示前次空调使用过程中的条件与当前空调使用过程中的条件不匹配，需要进一步借助于车辆的历史行车数据和实时行车数据，确定空调当前的目标工作参数。
具体在根据历史行车数据和实时行车数据，确定空调当前的目标工作参数时，可以通过计算相似度的方式来确定，具体包括：
确定历史行车数据和实时行车数据之间的相似度；
根据相似度，从历史行车数据中确定出与实时行车数据之间相似度最大的目标历史行车数据；
确定空调当前的目标工作参数为目标历史行车数据。
可选的，行车数据包括车速、车辆的出发时间、车内温度、电池电量、行驶里程、起点位置、终点位置、空调工作温度、风速、工作模式等与车辆行驶相关的多种车辆运行参数。
在具体确定历史行车数据和实时行车数据之间的相似度时，首先可以基于历史行车数据中的车辆运行参数，得到对空调使用影响较大的目标车辆运行参数。进一步结合目标车辆运行参数、历史行车数据和实时行车数据，得到历史行车数据和实时行车数据之间的相似度。
一种可能的实现方式中，在确定历史行车数据和实时行车数据的相似度时，具体包括：
根据车辆运行参数及与空调的历史工作参数之间的相关度，确定目标车辆运行参数；
从历史行车数据中确定出车辆在当前时刻之前的第二时长的目标行车数据；
从目标行车数据中确定出目标车辆运行参数对应的历史车辆运行数值，以及从实时行车数据中确定出目标车辆运行参数对应的实时车辆运行数值；
对历史车辆运行数值和实时车辆运行数值进行相似度匹配，确定历史车辆运行数值和实时车辆运行数值之间的相似度。
在上述步骤201中，云服务器可以获取空调的工作参数。在车辆运行过程中，除了空调的工作参数，云服务器可以获取到车辆运行过程中的多种车辆运行参数，其中包括空调的工作参数。
可选的，车辆运行参数可以理解为车辆运行过程中多个部件的运行参数，例如发动机转速、电池电量、电机转速、横摆角速度、车门状态、车窗状态、座椅倾斜角度、空调的工作参数(例如工作温度、风速、工作模式等)、车辆出发时间、车内温度、环境温度等。
一种可能的实现方式中，车辆可以通过车辆中的T-Box，将车辆运行参数发送至云服务器。
示例性的，车辆中包含有多个电子控制单元(Electronic Control Unit，ECU)。例如发动机控制模块(Engine Control Module，ECM)或者发动机电子控制单元(EngineControl Unit，ECU)、混合动力控制单元(Hybrid Control Unit，HCU)、电池管理系统(Battery Management System，BMS)、变速箱控制单元(Transmission Control Unit，TCU)。其中，不同的ECU能够获取不同的车辆参数。例如，ECM能够获取发动机转速、BMS能够获取电池电量等。
在向云服务器发送车辆运行参数的过程中，不同的ECU可以先将获取的车辆运行参数发送至T-Box。T-Box在接收到多种车辆运行参数之后，可以将多种车辆运行参数以无线通信的方式发送至云服务器进行存储。
通过上述过程，云服务器即可获取到车辆运行参数。
具体的，本申请实施例中在根据车辆运行参数和空调的历史工作参数之间的相关度，确定目标车辆运行参数时，具体可以通过以随机森林算法为核心的随机森林模型来确定。
随机森林是一种集成算法，它是指利用多棵决策树对样本进行训练并预测的一种算法，其输出的类别是由个别决策树输出的类别的众树来决定的。随机森林的核心思想就是集成多个弱分类器以实现回归和分类的目的。
随机森林主要采用的是套袋(Bagging)的思想，随机森林的算法可以简答概括为：1、用有抽样放回的方法从样本集中选取n个样本作为一个训练集；2、用抽样得到的样本集生成一棵决策树，在生成的每一个结点，随机不重复地选取d个特征，利用这d个特征分别对样本集进行划分，找到最佳的划分特征；3、重复步骤1到2共k次，k为随机森林中决策树的个数；4、用训练得到的随机森林对测试样本进行预测，并用票选法决定预测的结果。
图4是本申请实施例提供的一种构建随机森林的场景示意图。
示例性的，如图4所示，随机森林的构建过程可以为：用n表示训练用例(原始训练样本)的个数，M表示特征的数量。从n个训练用例中以有放回抽样的方式，取样n次，行程一个训练集(即bootstrap取样)，并用未抽到的测试用例作预测，评估其误差。
在每一棵决策树(树分类器)形成过程中，对于每一个结点，随机从M个特征选择r个特征，其中，r应远小于M。然后从r个特征中采用某种策略(如信息增益、信息增益率、基尼指数等)来选择一个特征，作为该节点的分裂属性以进行树分类，一直到不能再分裂为止。重复上述步骤建立大量决策树，如此形成随机森林。
在上述建立随机森林的过程中，每一个节点的分裂过程中需要采用某种策略从r个特征中选择一个特征作为分裂属性。为了使得所选的特征为最优分裂属性，具体的策略可以包括使用基于信息增益的迭代二叉树三代(Iterative Dichotomiser3，ID3)算法、基于信息增益比的C4.5算法以及基于基尼系数(Gini Index)的分枝(CART)算法。
具体在利用上述算法来选择用于分裂的特征时，也可以通过上述信息增益、信息增益比或者基尼系数来评价特征的重要度。
在本申请实施例中，特征也就是车辆运行参数，特征的重要度可以理解为不同车辆运行参数与空调的工作参数之间的相关度，也就是对空调使用的影响。举例来说，当车内温度较高或者较低时，用户可能需要开启空调来调节车内温度，此时温度可以作为影响空调使用的关键车辆运行参数。
下面具体介绍本申请实施例中选择目标车辆运行参数(或者目标特征)的过程。
在得到历史行车数据后，由于历史行车数据包括多种车辆运行参数，例如车速、电池电量、行驶里程、车内温度、出发时间等。在这些车辆运行参数中有些与空调的使用情况有密切联系，有些与空调的使用情况不大。因此，云服务器需要通过随机森林模型对多种车辆运行参数进行筛选，得到与空调的工作参数相关度最大的目标车辆运行参数。
具体在得到历史行车数据后，基于历史行车数据构建随机森林。具体随机森林的构建过程可以参考上述图4中的步骤，此处不再赘述。
假设多种车辆运行参数的数量为P种，对于其中的任意一种车辆运行参数，首先可以确定车辆运行参数在每一棵决策树t的各节点处的重要度Im。如果决策树t的分裂是基于CART算法，则确定车辆运行参数在决策树t的任意一个节点处的重要度为Im＝Ginim-Ginil-Ginir，即该车辆运行参数在该节点处的基尼指数减去该车辆运行参数在其左右子节点处的基尼指数。当决策树t的分裂是基于ID3或者C4.5算法时，重要度Im＝车辆运行参数在该节点处的信息增益infoGain。
在确定出车辆运行参数在决策树t中的重要度后，本申请实施例可以将车辆运行参数在决策树t中的各个节点的重要度累加起来以获得该决策树t的重要度It。以相同的方式，通过将其他决策树中的各个节点的重要度累加起来就能获取车辆运行参数在各个决策树中的重要度。
进一步，可以将车辆运行参数在各个决策树中的重要度累加起来并求平均以获得整个随机森林中该车辆运行参数的最终重要度If，也就是本申请实施例中的多个车辆运行参数与空调的工作参数之间的相关度。
通过上述一系列过程，可以得到多种车辆运行参数在随机森林中的相关度。然后对多种车辆运行参数的相关度进行排序，从中选择出相关度大于或等于预设相关度的至少一种车辆运行参数作为目标车辆运行参数。
通过上述随机森林模型，本申请实施例即可计算出对空调使用影响较大的目标车辆运行参数。
在选择出目标车辆运行参数之后，本申请实施例可以以车辆当前时刻为基准，从历史行车数据中获取当前时刻之前的第二时长的目标行车数据。
可选的，第二时长小于第一时长，第一时长可以理解为长周期的历史行车数据，第二时长可以理解为临近期的历史行车数据。
在得到第二时长的目标行车数据之后，云服务器可以根据目标车辆运行参数，从目标行车数据中筛选出目标车辆运行参数对应的历史车辆运行数值，以及从实时行车数据中确定出目标车辆运行参数对应的实时车辆运行数值。
应理解，目标行车数据是第二时长的历史行车数据，也就是说，目标行车数据中也包括各种车辆运行参数。在确定出目标车辆运行参数之后，云服务器可以根据目标车辆运行参数，从目标行车数据中选择出与目标车辆运行参数对应的历史车辆运行数值。举例来说，假设目标车辆运行参数为车内温度和电池电量，那么云服务器可以根据车内温度和电池电量，从目标行车数据中确定出多个车内温度和多个电池电量，也就是历史车辆运行数值。
此外，在车辆本次行驶过程中，云服务器可以通过车辆中的T-Box，获取实时车内温度和实时电池电量，也就是本申请实施例中的实时车辆运行数值。
基于获取的多个车内温度和多个电池电量、以及实时车内温度和实时电量，云服务器可以分别进行相似度匹配，计算每一个历史车辆运行数值和实时车辆运行数值之间的相似度。
可选的，计算相似度的方法包括欧几里得距离、曼哈顿距离、余弦相似度、明可夫斯基距离、皮尔森相关系数、杰拉德相似度、海明距离、协方差等计算实时数值和每一个历史数值之间的相似度。
示例性的，假设目标车辆运行参数为车内温度和电池电量，目标车辆运行参数对应的历史车辆运行数值分别为：(车内温度1，电池电量1)——历史车辆运行数值1；(车内温度2、电池电量2)—历史车辆运行数值2、(车内温度3、电池电量3)—历史车辆运行数值3。目标车辆运行参数对应的实时车辆运行数值为(车内温度4，电池电量4)。
假设通过上述任意一种计算相似度的方法，得到上述历史车辆运行数值1和实时车辆运行数值之间的相似度为60％、历史车辆运行数值2和实时车辆运行数值之间的相似度为76％、历史车辆运行数值3和实时车辆运行数值之间的相似度为90％。
另一种场景下，若目标车辆运行参数的数量为一个，例如目标车辆运行参数为车内温度，此时在计算相似度的过程中，可以直接将历史车内温度和实时车内温度求差值，作为相似度。差值越大，代表相似度越小；相反，差值越大，代表相似度越大。
通过上述任意一种方法，本申请实施例即可得到历史车辆运行数值和实时车辆运行数值之间的相似度。
上述技术方案中，具体提出了一种如何确定历史行车数据和实时行车数据之间的相似度的方案。其中，历史行车数据包括车辆运行参数，结合车辆运行参数及与空调的历史工作参数之间的相关度，确定目标车辆运行参数。相关度用于表示车辆运行参数与空调的历史工作参数之间的相关性，或者车辆运行参数对空调的历史工作参数的影响。因此，上述通过相关度，能够筛选出对空调使用影响较大的目标车辆运行参数。此外，对于不同的车辆或者不同的用户而言，由于使用习惯的差异，对应的历史行车数据不同。上述过程还能够保证对于不同的历史行车数据，个性化地求解出对不同车辆的空调在使用过程中，车辆运行参数对空调使用的影响。进一步从历史行车数据中挑选当前时刻之前的第二时长的局部行车数据—即目标行车数据，目标行车数据可以认为是车辆临近期的历史行车数据。结合目标车辆运行参数，从目标行车数据中确定出目标车辆运行参数对应的历史车辆运行数值，以及从实时行车数据中确定目标车辆运行参数对应的实时车辆运行数值。无论是历史车辆运行数值还是实时车辆运行数值，对应的都是对空调使用影响较大的车辆运行数值。对历史车辆运行数值和实时车辆运行数值进行相似度匹配，能够了解历史车辆运行数值和实时车辆运行数值之间的差异性，以确定空调当前的目标工作参数。
一种可能的实现方式中，在得到历史车辆运行数值和实时车辆运行数值之间的相似度之后，具体确定目标历史行车数据的过程包括：
根据相似度，对历史车辆运行数值进行筛选处理，确定出与实时车辆运行数值之间相似度最大的目标历史车辆运行数值。
具体的，由于历史行车数据包括车辆运行数值，上述确定目标历史行车数据的过程也可以认为是从历史车辆运行数值中确定目标历史车辆运行数值的过程。
示例性的，根据前述步骤，本申请实施例可以得到历史车辆运行数值和实时车辆运行数值之间的多个相似度。基于多个相似度，云服务器可以从中筛选出最大相似度。进一步，将最大相似度对应的历史车辆运行数值确定为目标历史车辆运行数值。
示例性的，上述历史车辆运行数值1和实时车辆运行数值之间的相似度为60％、历史车辆运行数值2和实时车辆运行数值之间的相似度为76％、历史车辆运行数值3和实时车辆运行数值之间的相似度为90％。那么云服务器可以确定其中的最大相似度为90％，此时云服务器可以根据历史车辆运行数值3，从目标行车数据中确定出历史车辆运行数值3为目标历史车辆运行数值。
在确定出目标历史车辆运行数值之后，确定空调当前的目标工作参数具体包括：
从目标历史行车数据中确定出目标历史车辆运行数值对应的空调的工作参数；
确定空调当前的目标工作参数为目标历史车辆运行数值对应的空调的工作参数。
示例性的，结合前述举例，在目标历史车辆运行数值为历史车辆运行数值3的情况下，历史车辆运行数值3所对应的空调的工作参数，可以理解为历史车辆运行数值3所处的历史行车数据中的空调的工作参数。
上述技术方案中，在确定目标历史行车数据时，主要是根据相似度，对历史行车数据中的历史车辆运行数值进行筛选，得到与实时车辆运行数值之间相似度最大的目标历史车辆运行数值。上述过程能够保证目标历史车辆运行数值与实时车辆运行数值的高度匹配性。将空调当前的目标工作参数具体为目标历史车辆运行数值对应的空调的工作参数，能够保证在根据历史行车数据确定空调的目标工作参数时，优先选择与实时行车场景最接近的历史行车场景中的空调工作参数，保证确定的准确性。
上述在预测结果不能作为空调当前的目标工作参数时，在确定空调当前的目标工作参数时，可以计算历史行车数据和实时行车数据之间的相似度，从中选择出最大相似度对应的目标历史行车数据作为空调当前的目标工作参数。上述计算相似度的方式能够实现实时行车数据和历史行车数据之间的匹配，选择最大相似度对应的目标历史行车数据作为空调当前的目标工作参数，能够保证优先选择与实时行车数据最接近的历史行车数据控制空调，保证了空调控制过程中的准确性。
206，基于空调当前的目标工作参数控制空调运行。
云服务器在得到空调当前的目标工作参数之后，可以进一步控制车辆中的空调运行。
示例性的，云服务器可以通过车辆的T-Box将空调当前的目标工作参数发送至空调控制器，以使空调控制器根据空调当前的目标工作参数控制空调运行，具体包括控制空调以目标工作参数中的工作模式、工作温度和风速运行。
特别的，对于空调的工作温度，无论是将预测结果作为空调的目标工作参数，还是根据相似度和历史车辆运行数值，确定空调的目标工作参数，都是将确定出来的温度作为本次空调使用过程中的起始温度，以起到预先对空调调节的目的，对于本次空调使用过程中的终止温度，用户可以根据自身需求自行调节。
图5是本申请实施例提供的一种控制车辆空调的装置的结构示意图。
示例性的，如图5所示，该装置500包括：
获取模块501，用于获取车辆的空调在当前时刻之前的第一时长的历史工作参数集；
确定模块502，用于根据该历史工作参数集，得到预测结果；对该历史工作参数集进行状态转移预测处理，确定预测结果；根据该预测结果结合环境参数，确定该预测结果能否作为该空调当前的目标工作参数；在该预测结果能作为该空调当前的目标工作参数的情况下，将该预测结果确定为该空调当前的目标工作参数；在该预测结果不能作为该空调当前的目标工作参数的情况下，根据该车辆的历史行车数据和实时行车数据，确定该空调当前的目标工作参数；
控制模块503，用于基于该空调当前的目标工作参数控制该空调运行。
一种可能的实现方式中，该环境参数包括前次环境温度和实时环境温度，该确定模块502具体用于：确定该前次环境温度和该实时环境温度之间的温度差值；根据该预测结果结合该温度差值，确定该预测结果能否作为该空调当前的目标工作参数。
一种可能的实现方式中，该确定模块502还用于：在该预测结果与该历史工作参数集中的前次工作参数相同，且该温度差值小于预设差值的情况下，确定该预测结果能作为该空调当前的目标工作参数；在该预测结果与该前次工作参数不同，或该温度差值大于或等于该预设差值的情况下，确定该预测结果不能作为该空调当前的目标工作参数。
一种可能的实现方式中，该确定模块502还用于：确定该历史行车数据和该实时行车数据之间的相似度；根据该相似度，从该历史行车数据中确定出与该实时行车数据之间相似度最大的目标历史行车数据；确定该空调当前的目标工作参数为该目标历史行车数据。
一种可能的实现方式中，该确定模块502还用于：根据该车辆运行参数及与该空调的历史工作参数之间的相关度，确定出目标车辆运行参数；从该历史行车数据中确定出该车辆在该当前时刻之前的第二时长的目标行车数据；从该目标行车数据中确定出该目标车辆运行参数对应的历史车辆运行数值，以及从该实时行车数据中确定出该目标车辆运行参数对应的实时车辆运行数值；对该历史车辆运行数值和该实时车辆运行数值进行相似度匹配，确定该历史车辆运行数值和该实时车辆运行数值之间的相似度。
一种可能的实现方式中，该确定模块502还用于：根据该相似度，对该历史车辆运行数值进行筛选处理，确定出与该实时车辆运行数值之间相似度最大的目标历史车辆运行数值；以及，从该目标历史行车数据中确定出该目标历史车辆运行数值对应的该空调的工作参数；确定该空调当前的目标工作参数为该目标历史车辆运行数值对应的该空调的工作参数。
一种可能的实现方式中，该历史工作参数集包括前次工作参数，该确定模块502还用于：基于该历史工作参数集结合状态转移预测模型，确定该前次工作参数包括的工作温度所处的目标温度状态区间；利用该状态转移预测模型的状态转移矩阵，确定该目标温度状态区间对应的状态转移概率；从该目标温度状态区间对应的状态转移概率中确定出最大状态转移概率；确定该预测结果为该最大状态转移概率对应的该空调的工作参数。
图6是本申请实施例提供的一种电子设备的结构示意图。
示例性的，如图6所示，该电子设备600包括：存储器601和处理器602，其中，存储器601中存储有可执行程序代码6011，处理器602用于调用并执行该可执行程序代码6011执行一种控制车辆空调的方法。
图7是本申请实施例提供的一种车辆的结构示意图。
示例性的，如图7所示，该车辆101包括：存储器701和处理器702，其中，存储器701中存储有可执行程序代码7011，处理器702用于调用并执行该可执行程序代码7011执行一种控制车辆空调的方法。
此外，本申请实施例还保护一种装置，该装置可以包括存储器和处理器，其中，存储器中存储有可执行程序代码，处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种控制车辆空调的方法。
本实施例可以根据上述方法示例对该装置进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本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。
在采用对应各个功能划分各个功能模块的情况下，该装置还可以包括获取模块、确定模块和控制模块等。需要说明的是，上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述，在此不再赘述。
应理解，本实施例提供的装置用于执行上述一种控制车辆空调的方法，因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下，该装置可以包括处理模块、存储模块。其中，当该装置应用于车辆上时，处理模块可以用于对车辆的动作进行控制管理。存储模块可以用于支持车辆执行相互程序代码等。
其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理(digital signal processing，DSP)和微处理器的组合等等，存储模块可以是存储器。
另外，本申请的实施例提供的装置具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种控制车辆空调的方法。
本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种控制车辆空调的方法。
本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种控制车辆空调的方法。
其中，本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种控制车辆空调的方法，其特征在于，所述方法包括：
获取空调在当前时刻之前的第一时长的历史工作参数集；
对所述历史工作参数集进行状态转移预测处理，确定预测结果；
根据所述预测结果结合环境参数，确定所述预测结果能否作为所述空调当前的目标工作参数；
在所述预测结果能作为所述空调当前的目标工作参数的情况下，将所述预测结果确定为所述空调当前的目标工作参数；
在所述预测结果不能作为所述空调当前的目标工作参数的情况下，根据所述车辆的历史行车数据和实时行车数据，确定所述空调当前的目标工作参数；
基于所述空调当前的目标工作参数控制所述空调运行。
2.根据权利要求1所述的方法，其特征在于，所述环境参数包括前次环境温度和实时环境温度，所述根据所述预测结果结合环境参数，确定所述预测结果能否作为所述空调当前的目标工作参数，包括：
确定所述前次环境温度和所述实时环境温度之间的温度差值；
根据所述预测结果结合所述温度差值，确定所述预测结果能否作为所述空调当前的目标工作参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测结果结合所述温度差值，确定所述预测结果能否作为所述空调当前的目标工作参数，包括：
在所述预测结果与所述历史工作参数集中的前次工作参数相同，且所述温度差值小于预设差值的情况下，确定所述预测结果能作为所述空调当前的目标工作参数；
在所述预测结果与所述前次工作参数不同，或所述温度差值大于或等于所述预设差值的情况下，确定所述预测结果不能作为所述空调当前的目标工作参数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述历史行车数据和所述实时行车数据，确定所述空调当前的目标工作参数，包括：
确定所述历史行车数据和所述实时行车数据之间的相似度；
根据所述相似度，从所述历史行车数据中确定出与所述实时行车数据之间相似度最大的目标历史行车数据；
确定所述空调当前的目标工作参数为所述目标历史行车数据。
5.根据权利要求4所述的方法，其特征在于，所述历史行车数据包括车辆运行参数，所述确定所述历史行车数据和所述实时行车数据之间的相似度，包括：
根据所述车辆运行参数及与所述空调的历史工作参数之间的相关度，确定出目标车辆运行参数；
从所述历史行车数据中确定出所述车辆在所述当前时刻之前的第二时长的目标行车数据；
从所述目标行车数据中确定出所述目标车辆运行参数对应的历史车辆运行数值，以及从所述实时行车数据中确定出所述目标车辆运行参数对应的实时车辆运行数值；
对所述历史车辆运行数值和所述实时车辆运行数值进行相似度匹配，确定所述历史车辆运行数值和所述实时车辆运行数值之间的相似度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述相似度，从所述历史行车数据中确定出与所述实时行车数据之间相似度最大的目标历史行车数据，包括：
根据所述相似度，对所述历史车辆运行数值进行筛选处理，确定出与所述实时车辆运行数值之间相似度最大的目标历史车辆运行数值；
以及，所述确定所述空调当前的目标工作参数为所述目标历史行车数据，包括：
从所述目标历史行车数据中确定出所述目标历史车辆运行数值对应的所述空调的工作参数；
确定所述空调当前的目标工作参数为所述目标历史车辆运行数值对应的所述空调的工作参数。
7.根据权利要求1所述的方法，其特征在于，所述历史工作参数集包括前次工作参数，所述对所述历史工作参数集进行状态转移预测处理，确定预测结果，包括：
基于所述历史工作参数集结合状态转移预测模型，确定所述前次工作参数包括的工作温度所处的目标温度状态区间；
利用所述状态转移预测模型的状态转移矩阵，确定所述目标温度状态区间对应的状态转移概率；
从所述目标温度状态区间对应的状态转移概率中确定出最大状态转移概率；
确定所述预测结果为所述最大状态转移概率对应的所述空调的工作参数。
8.一种控制车辆空调的装置，其特征在于，所述装置包括：
获取模块，用于获取空调在当前时刻之前的第一时长的历史工作参数集、前次环境温度和实时环境温度；
确定模块，用于对所述历史工作参数集进行状态转移预测处理，确定预测结果；根据所述预测结果结合环境参数，确定所述预测结果是否能够作为所述空调当前的目标工作参数；在所述预测结果能够作为所述空调当前的目标工作参数的情况下，将所述预测结果确定为所述空调当前的目标工作参数；在所述预测结果不能作为所述空调当前的目标工作参数的情况下，根据所述车辆的历史行车数据和实时行车数据，确定所述空调当前的目标工作参数；
控制模块，用于基于所述空调当前的目标工作参数控制所述空调运行。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行程序代码；
处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述电子设备执行如权利要求1至7中任意一项所述的方法。
10.一种车辆，其特征在于，所述车辆包括：
存储器，用于存储可执行程序代码；
处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述车辆执行如权利要求1至7中任意一项所述的方法。
CN202311264119.5A 2023-09-27 2023-09-27 控制车辆空调的方法、装置、电子设备和车辆 Pending CN117301795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311264119.5A CN117301795A (zh) 2023-09-27 2023-09-27 控制车辆空调的方法、装置、电子设备和车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311264119.5A CN117301795A (zh) 2023-09-27 2023-09-27 控制车辆空调的方法、装置、电子设备和车辆

Publications (1)

Publication Number Publication Date
CN117301795A true CN117301795A (zh) 2023-12-29

Family

ID=89284326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311264119.5A Pending CN117301795A (zh) 2023-09-27 2023-09-27 控制车辆空调的方法、装置、电子设备和车辆

Country Status (1)

Country Link
CN (1) CN117301795A (zh)

Similar Documents

Publication Publication Date Title
US20240132078A1 (en) Driving model training method, driver identification method, apparatus, device and medium
CN110146100B (zh) 轨迹预测方法、装置及存储介质
CN110562096B (zh) 一种剩余里程预测方法及装置
CN112549970A (zh) 车辆续航里程预测方法、装置、车辆及存储介质
US9872125B2 (en) Data collection and management system, data collection and management method, terminal, and management apparatus
CN111009134A (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN107444402A (zh) 利用学习用户偏好的车辆模式安排
CN102245437A (zh) 车辆的故障诊断装置
US20150073933A1 (en) Vehicle powertrain selector
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
CN111210537A (zh) 一种油耗分析方法、装置、设备和存储介质
WO2023052685A1 (en) Forecasting charging time of electric vehicles
CN112149908A (zh) 车辆驾驶预测方法、系统、计算机设备及可读存储介质
CN116562405A (zh) 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统
CN115048557A (zh) 一种基于人工智能的车辆数据处理方法和装置
CN117863886B (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN116993396B (zh) 基于车辆用户标签的风险预警方法、计算机设备
JP2021124420A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN117301795A (zh) 控制车辆空调的方法、装置、电子设备和车辆
CN117227590A (zh) 燃料电池汽车吹扫控制方法及装置
US12026996B2 (en) Vehicle data storage activation
CN115598531A (zh) 车辆电池健康状态的估计方法及其估计模型的训练方法
CN113968233A (zh) 整车能量在线自学习智能管理方法和车辆数据的处理方法
JP7393458B2 (ja) Ｅｖ車両の稼働状況監視システム、ｅｖ車両の稼働状況監視プログラム
CN113256845B (zh) 一种数据采集方法、装置、存储介质及系统

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