CN117688514B - 基于多源数据的遮阳篷健康状况检测方法及系统 - Google Patents

Abstract

本发明涉及一种基于多源数据的遮阳篷健康状况检测方法及系统，属于遮阳篷健康检测技术领域，本发明通过根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，获取当前新能源汽车的行驶路径数据信息，根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，最后根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。通过对新能源汽车遮阳篷的多源指标数据信息进行评估，能够了解新能源汽车遮阳篷的性能退化情况，从而对每一子路径的光线是否危及用户健康进行检测，及时发现异常现象。

Description

基于多源数据的遮阳篷健康状况检测方法及系统

技术领域

本发明涉及遮阳篷健康检测技术领域，尤其涉及基于多源数据的遮阳篷健康状况检测方法及系统。

背景技术

新能源遮阳篷是汽车的一个重要的组成部分，能够通过遮挡车窗的方式反射直射阳光，避免车内的用户被强光线直接作用，从而提高用户的体验度。汽车外遮阳主要通过汽车遮阳器具将车窗、车顶或者整个车身遮盖，阻止或降低阳光对车内的辐射．市面现有遮阳产品大致可分为内置式、外置式和车体集成式。市场上已经有诸多从低成本到高科技的轿车遮阳产品，能够部分地缓解阳光热辐射带来的问题，然而，遮阳篷在使用到一定的期限之后就会产生一定的性能退化，从而导致阳光热辐射问题产生，严重影响了用户的体验以及健康。

发明内容

本发明克服了现有技术的不足，提供了基于多源数据的遮阳篷健康状况检测方法及系统。

为达上述目的，本发明采用的技术方案为：

本发明第一方面提供了一种基于多源数据的遮阳篷健康状况检测方法，包括以下步骤：

获取新能源汽车遮阳篷的多源指标数据信息，并通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。

进一步的，在本方法中，通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

引入k-mean模糊聚类算法，并根据k-mean模糊聚类算法初始化聚类中心的个数，根据新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据聚类中心的个数对新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算每个聚类中心所对应的样本数据集之间的巴氏系数；

根据巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

当巴氏距离不大于巴氏距离阈值时，则对巴氏距离不大于巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据合并后的聚类中心的个数对初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息。

进一步的，在本方法中，根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并马尔科夫链，通过对历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

将健康状况隶属度信息的排序结果依次输入到马尔科夫链中进行健康状态转移概率计算，获取排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

根据排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将健康状态转移矩阵输入到遮阳篷健康状况预测模型中进行编码学习；

当遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存遮阳篷健康状况预测模型的模型参数，并将遮阳篷健康状况预测模型输出。

进一步的，在本方法中，通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将当前时间戳的遮阳篷的健康状况隶属度信息输入到遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断健康状态转移概率值是否大于预设健康状态转移概率阈值，当健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。

进一步的，在本方法中，获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，具体包括：

获取当前新能源汽车的行驶路径数据信息，将当前新能源汽车的行驶路径数据信息分为若干个子路径，并预估在每一子路径中行驶的时间信息；

根据子路径中行驶的时间信息构建检索标签，根据检索标签进行检索，获取当前新能源汽车在子路径行驶过程中的光线数据信息；

根据当前新能源汽车在子路径行驶过程中的光线数据信息构建每一子路径的实时光线特征数据信息，并将每一子路径的实时光线特征数据信息输出。

进一步的，在本方法中，根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议，具体包括：

根据当前时间戳的遮阳篷的健康状况隶属度信息获取当前时间戳的遮阳篷的性能特征阈值范围数据信息，并根据当前时间戳的遮阳篷的性能特征阈值范围数据信息获取最大的性能特征阈值数据信息；

判断最大的性能特征阈值数据信息是否大于子路径的实时光线特征数据信息，当最大的性能特征阈值数据信息大于子路径的实时光线特征数据信息时，则将对应的子路径作为健康的行驶区域；

获取健康的光线数据信息，根据健康的光线数据信息以及子路径的实时光线特征数据信息计算出遮阳篷的调控参数信息，并根据遮阳篷的调控参数信息生成相关的建议，并将相关的建议按照预设方式进行显示；

当最大的性能特征阈值数据信息不大于子路径的实时光线特征数据信息时，则将对应的子路径作为不健康的行驶区域，并根据不健康的行驶区域生成相关的建议，将相关的建议按照预设方式进行显示。

本发明第二方面提供了一种基于多源数据的遮阳篷健康状况检测系统，系统包括存储器以及处理器，存储器中包括基于多源数据的遮阳篷健康状况检测方法程序，基于多源数据的遮阳篷健康状况检测方法程序被处理器执行时，实现如下步骤：

获取新能源汽车遮阳篷的多源指标数据信息，并通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。

进一步的，在本系统中，通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

引入k-mean模糊聚类算法，并根据k-mean模糊聚类算法初始化聚类中心的个数，根据新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据聚类中心的个数对新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算每个聚类中心所对应的样本数据集之间的巴氏系数；

根据巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

当巴氏距离不大于巴氏距离阈值时，则对巴氏距离不大于巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据合并后的聚类中心的个数对初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息。

进一步的，在本系统中，根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并马尔科夫链，通过对历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

将健康状况隶属度信息的排序结果依次输入到马尔科夫链中进行健康状态转移概率计算，获取排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

根据排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将健康状态转移矩阵输入到遮阳篷健康状况预测模型中进行编码学习；

当遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存遮阳篷健康状况预测模型的模型参数，并将遮阳篷健康状况预测模型输出。

进一步的，在本系统中，通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将当前时间戳的遮阳篷的健康状况隶属度信息输入到遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断健康状态转移概率值是否大于预设健康状态转移概率阈值，当健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

本发明通过获取新能源汽车遮阳篷的多源指标数据信息，并通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，进而根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，从而获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，最后根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。本发明通过对新能源汽车遮阳篷的多源指标数据信息进行评估，能够及时了解新能源汽车遮阳篷的性能退化情况，从而对每一子路径的光线是否危及用户健康进行检测，及时发现异常现象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例的附图。

图1示出了基于多源数据的遮阳篷健康状况检测方法的整体方法流程图；

图2示出了基于多源数据的遮阳篷健康状况检测方法的第一方法流程图；

图3示出了基于多源数据的遮阳篷健康状况检测方法的第二方法流程图；

图4示出了基于多源数据的遮阳篷健康状况检测系统的系统框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明第一方面提供了一种基于多源数据的遮阳篷健康状况检测方法，包括以下步骤：

S102:获取新能源汽车遮阳篷的多源指标数据信息，并通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

S104:根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

S106:获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

S108:根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。

需要说明的是，本发明通过对新能源汽车遮阳篷的多源指标数据信息进行评估，能够及时了解新能源汽车遮阳篷的性能退化情况，从而对每一子路径的光线是否危及用户健康进行检测，及时发现异常现象。

如图2所示，进一步的，在本方法中，通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

S202:引入k-mean模糊聚类算法，并根据k-mean模糊聚类算法初始化聚类中心的个数，根据新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据聚类中心的个数对新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

S204:通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算每个聚类中心所对应的样本数据集之间的巴氏系数；

S206:根据巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

S208:当巴氏距离不大于巴氏距离阈值时，则对巴氏距离不大于巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据合并后的聚类中心的个数对初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息。

需要说明的是，新能源汽车遮阳篷的多源指标数据信息包括抗紫外线特征数据信息、光线发射特征数据信息、抗辐射特征数据信息等；由于k-mean模糊聚类算法当出现模糊隶属度过及的现象，即聚类中心的个数不合理时，就会出现模糊隶属度评价分配不合理的现象，当巴氏距离不大于巴氏距离阈值时，则对巴氏距离不大于巴氏距离阈值所对应的聚类中心的样本数据集进行合并，能够抑制过多的隶属度产生，进一步优化算法的鲁棒性以及提升模糊评价的精度，从而提高对遮阳篷的健康状况隶属度信息的预测精度。其中，遮阳篷的健康状况隶属度信息包括非健康状况隶属度、低健康状况隶属度、中健康状况隶属度、高健康状况隶属度、健康状况隶属度等。

如图3所示，进一步的，在本方法中，根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

S302:获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并马尔科夫链，通过对历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

S304:将健康状况隶属度信息的排序结果依次输入到马尔科夫链中进行健康状态转移概率计算，获取排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

S306:根据排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将健康状态转移矩阵输入到遮阳篷健康状况预测模型中进行编码学习；

S308:当遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存遮阳篷健康状况预测模型的模型参数，并将遮阳篷健康状况预测模型输出。

需要说明的是，遮阳篷的健康状况隶属度信息总是从一种状态慢慢地转移到另一种状态，最后使得遮阳篷的健康状况隶属度处于非健康的状态。通过本方法能够提高对遮阳篷的健康状况隶属度信息的预测精度。

进一步的，在本方法中，通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将当前时间戳的遮阳篷的健康状况隶属度信息输入到遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断健康状态转移概率值是否大于预设健康状态转移概率阈值，当健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。

需要说明的是，当健康状态转移概率值大于预设健康状态转移概率阈值时，说明从一种健康状况隶属度信息转移到了另一种健康状况隶属度，如从高健康状况隶属度转移到中健康状况隶属度。

进一步的，在本方法中，获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，具体包括：

获取当前新能源汽车的行驶路径数据信息，将当前新能源汽车的行驶路径数据信息分为若干个子路径，并预估在每一子路径中行驶的时间信息；

根据子路径中行驶的时间信息构建检索标签，根据检索标签进行检索，获取当前新能源汽车在子路径行驶过程中的光线数据信息；

根据当前新能源汽车在子路径行驶过程中的光线数据信息构建每一子路径的实时光线特征数据信息，并将每一子路径的实时光线特征数据信息输出。

需要说明的是，光线数据信息包括光照强度、紫外线强度等，不同地区以及不同时间中的光线强度参数都是不一致的，如不同地区的同一时间，受到天气的影响，紫外线强度的不一致的，通过本方法能够获取每一子路径的实时光线特征数据信息。

进一步的，在本方法中，根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议，具体包括：

根据当前时间戳的遮阳篷的健康状况隶属度信息获取当前时间戳的遮阳篷的性能特征阈值范围数据信息，并根据当前时间戳的遮阳篷的性能特征阈值范围数据信息获取最大的性能特征阈值数据信息；

判断最大的性能特征阈值数据信息是否大于子路径的实时光线特征数据信息，当最大的性能特征阈值数据信息大于子路径的实时光线特征数据信息时，则将对应的子路径作为健康的行驶区域；

获取健康的光线数据信息，根据健康的光线数据信息以及子路径的实时光线特征数据信息计算出遮阳篷的调控参数信息，并根据遮阳篷的调控参数信息生成相关的建议，并将相关的建议按照预设方式进行显示；

当最大的性能特征阈值数据信息不大于子路径的实时光线特征数据信息时，则将对应的子路径作为不健康的行驶区域，并根据不健康的行驶区域生成相关的建议，将相关的建议按照预设方式进行显示。

需要说明的是，当遮阳篷的最大的性能特征阈值数据信息大于子路径的实时光线特征数据信息时，说明遮阳篷工作时的参数是能够足够反射或者遮挡掉相应部分的光线，以使得用户免受光线数据信息的损害，是能够调高调节遮阳篷（如车顶光幕、遮阳帘）的参数来实现的。当最大的性能特征阈值数据信息不大于子路径的实时光线特征数据信息时，说明会收到一定的暴晒、光线辐射损害等现象。通过本方法能够根据实际的情况进行评估，从而通过相关的建议提醒用户提前防范。

此外，本方法还可以包括以下步骤：

获取用户现阶段的疾病特征数据信息，并根据所述用户现阶段的疾病特征数据信息构建检索标签，基于所述检索标签通过大数据进行检索，获取用户现阶段的疾病特征适合的光线特征范围数据信息；

获取当前车内实时的光线数据信息，并判断所述当前车内实时的光线数据信息是否在所述用户现阶段的疾病特征适合的光线特征范围数据信息之内；

当所述当前车内实时的光线数据信息在所述用户现阶段的疾病特征适合的光线特征范围数据信息之内时，生成相关的健康提示信息；

当所述当前车内实时的光线数据信息不在所述用户现阶段的疾病特征适合的光线特征范围数据信息之内时，则根据所述用户现阶段的疾病特征适合的光线特征范围数据信息以及当前车内实时的光线数据信息生成调控信息，并基于所述调控信息进行调控。

需要说明的是，部分疾病是不能够用大量的光线照射的，=如日光性皮炎、多形日光疹、植物-日光性皮炎等，当长期照射时就会导致疾病越来越严重，通过本方法根据用户的情况来进行调控，使得车载的遮阳篷的控制参数更加合理。

此外，本方法还可以包括以下步骤：

获取遮阳篷的最大的性能特征阈值数据信息以及最小的性能特征阈值数据信息，并根据所述遮阳篷的最大的性能特征阈值数据信息以及最小的性能特征阈值数据信息生成可调控的阈值范围；

判断所述调控信息是否在所述可调控的阈值范围之内，当所述调控信息在所述可调控的阈值范围之内时，生成相关的健康提示信息；

当所述调控信息不在所述可调控的阈值范围之内时，则生成相关的预警提示信息，并通过大数据根据用户的现阶段的疾病特征数据信息进行检索，获取相关的防护措施；

将所述相关的防护措施按照预设方式显示在显示设备中，并通过所述显示设备进行提示。

需要说明的是，由于遮阳篷的性能是发生变化的，调控信息主要为遮阳篷设备（如感光天幕）的调控参数，调控参数不一定在可调控的阈值范围之内，通过本方法能够进一步提高调控的合理性。

如图4所示。本发明第二方面提供了一种基于多源数据的遮阳篷健康状况检测系统4，系统4包括存储器41以及处理器42，存储器41中包括基于多源数据的遮阳篷健康状况检测方法程序，基于多源数据的遮阳篷健康状况检测方法程序被处理器42执行时，实现如下步骤：

获取新能源汽车遮阳篷的多源指标数据信息，并通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议。

进一步的，在本系统中，通过对新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

引入k-mean模糊聚类算法，并根据k-mean模糊聚类算法初始化聚类中心的个数，根据新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据聚类中心的个数对新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算每个聚类中心所对应的样本数据集之间的巴氏系数；

根据巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

当巴氏距离不大于巴氏距离阈值时，则对巴氏距离不大于巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据合并后的聚类中心的个数对初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息。

进一步的，在本系统中，根据遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并马尔科夫链，通过对历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

将健康状况隶属度信息的排序结果依次输入到马尔科夫链中进行健康状态转移概率计算，获取排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

根据排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将健康状态转移矩阵输入到遮阳篷健康状况预测模型中进行编码学习；

当遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存遮阳篷健康状况预测模型的模型参数，并将遮阳篷健康状况预测模型输出。

进一步的，在本系统中，通过遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将当前时间戳的遮阳篷的健康状况隶属度信息输入到遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断健康状态转移概率值是否大于预设健康状态转移概率阈值，当健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.基于多源数据的遮阳篷健康状况检测方法，其特征在于，包括以下步骤：

获取新能源汽车遮阳篷的多源指标数据信息，并通过对所述新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

根据所述遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过所述遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据所述当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议；

通过对所述新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

引入k-mean模糊聚类算法，并根据所述k-mean模糊聚类算法初始化聚类中心的个数，根据所述新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据所述聚类中心的个数对所述新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算所述每个聚类中心所对应的样本数据集之间的巴氏系数；

根据所述巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

当所述巴氏距离不大于所述巴氏距离阈值时，则对所述巴氏距离不大于所述巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据所述合并后的聚类中心的个数对所述初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据所述当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，具体包括：

获取当前新能源汽车的行驶路径数据信息，将所述当前新能源汽车的行驶路径数据信息分为若干个子路径，并预估在每一子路径中行驶的时间信息；

根据所述子路径中行驶的时间信息构建检索标签，根据所述检索标签进行检索，获取当前新能源汽车在子路径行驶过程中的光线数据信息；

根据所述当前新能源汽车在子路径行驶过程中的光线数据信息构建每一子路径的实时光线特征数据信息，并将所述每一子路径的实时光线特征数据信息输出；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议，具体包括：

根据当前时间戳的遮阳篷的健康状况隶属度信息获取当前时间戳的遮阳篷的性能特征阈值范围数据信息，并根据所述当前时间戳的遮阳篷的性能特征阈值范围数据信息获取最大的性能特征阈值数据信息；

判断所述最大的性能特征阈值数据信息是否大于所述子路径的实时光线特征数据信息，当所述最大的性能特征阈值数据信息大于所述子路径的实时光线特征数据信息时，则将对应的子路径作为健康的行驶区域；

获取健康的光线数据信息，根据所述健康的光线数据信息以及所述子路径的实时光线特征数据信息计算出遮阳篷的调控参数信息，并根据所述遮阳篷的调控参数信息生成相关的建议，并将所述相关的建议按照预设方式进行显示；

当所述最大的性能特征阈值数据信息不大于所述子路径的实时光线特征数据信息时，则将对应的子路径作为不健康的行驶区域，并根据所述不健康的行驶区域生成相关的建议，将所述相关的建议按照预设方式进行显示。

2.根据权利要求1所述的基于多源数据的遮阳篷健康状况检测方法，其特征在于，根据所述遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并引入马尔科夫链，通过对所述历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

将所述健康状况隶属度信息的排序结果依次输入到所述马尔科夫链中进行健康状态转移概率计算，获取所述排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

根据所述排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将所述健康状态转移矩阵输入到所述遮阳篷健康状况预测模型中进行编码学习；

当所述遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存所述遮阳篷健康状况预测模型的模型参数，并将所述遮阳篷健康状况预测模型输出。

3.根据权利要求1所述的基于多源数据的遮阳篷健康状况检测方法，其特征在于，通过所述遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将所述当前时间戳的遮阳篷的健康状况隶属度信息输入到所述遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断所述健康状态转移概率值是否大于预设健康状态转移概率阈值，当所述健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当所述健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。

4.基于多源数据的遮阳篷健康状况检测系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于多源数据的遮阳篷健康状况检测方法程序，所述基于多源数据的遮阳篷健康状况检测方法程序被处理器执行时，实现如下步骤：

获取新能源汽车遮阳篷的多源指标数据信息，并通过对所述新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息；

根据所述遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，并通过所述遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据所述当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议；

通过对所述新能源汽车遮阳篷的多源指标数据信息进行聚类分析，获取遮阳篷的健康状况隶属度信息，具体包括：

引入k-mean模糊聚类算法，并根据所述k-mean模糊聚类算法初始化聚类中心的个数，根据所述新能源汽车遮阳篷的多源指标数据信息构建样本数据，根据所述聚类中心的个数对所述新能源汽车遮阳篷的多源指标数据信息进行初始化分类；

通过初始化分类之后，获取每个聚类中心所对应的样本数据集以及初始隶属度信息，计算所述每个聚类中心所对应的样本数据集之间的巴氏系数；

根据所述巴氏系数计算每个聚类中心所对应的样本数据集之间的巴氏距离，并判断每个聚类中心所对应的样本数据集之间的巴氏距离是否不大于巴氏距离阈值；

当所述巴氏距离不大于所述巴氏距离阈值时，则对所述巴氏距离不大于所述巴氏距离阈值所对应的聚类中心的样本数据集进行合并，并获取合并后的聚类中心的个数，根据所述合并后的聚类中心的个数对所述初始隶属度信息进行更新，获取遮阳篷的健康状况隶属度信息；

获取当前新能源汽车的行驶路径数据信息，并根据所述当前新能源汽车的行驶路径数据信息获取每一子路径的实时光线特征数据信息，具体包括：

获取当前新能源汽车的行驶路径数据信息，将所述当前新能源汽车的行驶路径数据信息分为若干个子路径，并预估在每一子路径中行驶的时间信息；

根据所述子路径中行驶的时间信息构建检索标签，根据所述检索标签进行检索，获取当前新能源汽车在子路径行驶过程中的光线数据信息；

根据所述当前新能源汽车在子路径行驶过程中的光线数据信息构建每一子路径的实时光线特征数据信息，并将所述每一子路径的实时光线特征数据信息输出；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息以及每一子路径的实时光线特征数据信息生成相关的建议，具体包括：

根据当前时间戳的遮阳篷的健康状况隶属度信息获取当前时间戳的遮阳篷的性能特征阈值范围数据信息，并根据所述当前时间戳的遮阳篷的性能特征阈值范围数据信息获取最大的性能特征阈值数据信息；

判断所述最大的性能特征阈值数据信息是否大于所述子路径的实时光线特征数据信息，当所述最大的性能特征阈值数据信息大于所述子路径的实时光线特征数据信息时，则将对应的子路径作为健康的行驶区域；

获取健康的光线数据信息，根据所述健康的光线数据信息以及所述子路径的实时光线特征数据信息计算出遮阳篷的调控参数信息，并根据所述遮阳篷的调控参数信息生成相关的建议，并将所述相关的建议按照预设方式进行显示；

当所述最大的性能特征阈值数据信息不大于所述子路径的实时光线特征数据信息时，则将对应的子路径作为不健康的行驶区域，并根据所述不健康的行驶区域生成相关的建议，将所述相关的建议按照预设方式进行显示。

5.根据权利要求4所述的基于多源数据的遮阳篷健康状况检测系统，其特征在于，根据所述遮阳篷的健康状况隶属度信息构建遮阳篷健康状况预测模型，具体包括：

获取遮阳篷的历史健康状况隶属度变化特征数据信息，基于深度神经网络构建遮阳篷健康状况预测模型，并引入马尔科夫链，通过对所述历史健康状况隶属度变化特征数据信息进行健康程度排序，获取健康状况隶属度信息的排序结果；

将所述健康状况隶属度信息的排序结果依次输入到所述马尔科夫链中进行健康状态转移概率计算，获取所述排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值；

根据所述排序结果中每一健康状况隶属度信息在预设时间戳中转移到下一健康状态隶属度的健康状态转移概率值构建健康状态转移矩阵，并将所述健康状态转移矩阵输入到所述遮阳篷健康状况预测模型中进行编码学习；

当所述遮阳篷健康状况预测模型的模型参数符合预设参数要求之后，保存所述遮阳篷健康状况预测模型的模型参数，并将所述遮阳篷健康状况预测模型输出。

6.根据权利要求4所述的基于多源数据的遮阳篷健康状况检测系统，其特征在于，通过所述遮阳篷健康状况预测模型预测当前时间戳的遮阳篷的健康状况隶属度信息，具体包括：

获取当前时间戳的遮阳篷的健康状况隶属度信息，并将所述当前时间戳的遮阳篷的健康状况隶属度信息输入到所述遮阳篷健康状况预测模型中进行预测，获取健康状态转移概率值；

判断所述健康状态转移概率值是否大于预设健康状态转移概率阈值，当所述健康状态转移概率值不大于预设健康状态转移概率阈值时，将当前时间戳的遮阳篷的健康状况隶属度信息输出；

当所述健康状态转移概率值大于预设健康状态转移概率阈值时，则获取当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息；

根据所述当前时间戳的遮阳篷的健康状况隶属度信息的下一等级的健康状况隶属度信息对当前时间戳的遮阳篷的健康状况隶属度信息进行更新。