CN117894093A - 车辆清洗提示方法、装置、计算机设备和存储介质 - Google Patents
车辆清洗提示方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117894093A CN117894093A CN202311738991.9A CN202311738991A CN117894093A CN 117894093 A CN117894093 A CN 117894093A CN 202311738991 A CN202311738991 A CN 202311738991A CN 117894093 A CN117894093 A CN 117894093A
- Authority
- CN
- China
- Prior art keywords
- cleanliness
- vehicle
- target vehicle
- cleaning
- current
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003749 cleanliness Effects 0.000 claims abstract description 320
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000005034 decoration Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005406 washing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆清洗提示方法、装置、计算机设备和存储介质,涉及人工智能技术领域。方法包括:获取目标车辆在目标时间段内的车况数据;根据车况数据,预测目标车辆的当前清洁度;若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。采用本方法可以根据车况数据预测当前清洁度,并结合动态更新的当前清洁度阈值,确定是否输出清洗提示信息,能够针对不同的目标车辆实现智能化定制化推送,提供更客观合理的清洗提示服务。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种车辆清洗提示方法、装置、计算机设备和存储介质。
背景技术
车联网是指以车辆为信息感知对象,借助无线通信技术,实现车辆与信息网络平台之间的网络连接,从而实现对车辆动态信息的有效利用,在车辆运行过程中为其提供相应的功能服务。
随着车联网的不断发展,可以为车辆提供的功能服务越来越强大。例如,自动向车辆推送车辆清洗的智能提醒,然而,目前的推送方式往往是记录车辆上一次清洗的时间,在距离一段时间后直接进行提醒,这种方式可能会给出不合实际的提醒结果,给车主带来困扰及反感,无法做到针对不同车辆及车主进行定制化推送。
发明内容
基于此,有必要针对上述技术问题,提供一种能够定制化推送车辆清洗提示的车辆清洗提示方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种车辆清洗提示方法,该方法包括:
获取目标车辆在目标时间段内的车况数据;
根据车况数据,预测目标车辆的当前清洁度;
若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。
在其中一个实施例中,车况数据包括目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及目标车辆所处环境的空气质量中的至少一项指标;
根据车况数据,预测目标车辆的当前清洁度,包括:
通过清洁度预测模型,根据车况数据,预测目标车辆在车况数据中各项指标下的当前清洁度;
根据车况数据中各项指标对应的权重系数,以及目标车辆在车况数据中各项指标下的当前清洁度,得到目标车辆的当前清洁度。
在其中一个实施例中,根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新,包括:
获取历史清洗目标车辆时的历史清洁度,以及目标车辆的上一清洁度阈值;
根据历史清洁度,预测目标车辆的参考清洁度;
根据参考清洁度,对上一清洁度阈值进行更新,得到当前清洁度阈值。
在其中一个实施例中,根据历史清洁度,预测目标车辆的参考清洁度,包括:
根据历史清洁度,生成清洁度时间序列;
通过阈值预测模型,根据清洁度时间序列,预测目标车辆的参考清洁度;其中,阈值预测模型是对长短期记忆LSTM网络进行训练得到的。
在其中一个实施例中,输出针对目标车辆的清洗提示信息,包括:
输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息。
在其中一个实施例中,输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息之后,方法还包括:
若接收到清洗问询信息的清洗确认信息,则获取目标车辆的当前位置信息;
根据目标车辆的当前位置信息,以及历史清洗目标车辆时的清洗位置信息,生成导航数据。
在其中一个实施例中,根据车况数据,预测目标车辆的当前清洁度,包括:
获取目标车辆在目标时间段内的内饰数据;
根据内饰数据和车况数据,预测目标车辆的当前清洁度。
第二方面,本申请还提供了一种车辆清洗提示装置,该装置包括:
数据获取模块,用于获取目标车辆在目标时间段内的车况数据;
第一预测模块,用于根据车况数据,预测目标车辆的当前清洁度;
清洗提示模块,用于在当前清洁度不高于当前清洁度阈值的情况下,输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面的方法的步骤。
上述车辆清洗提示方法、装置、计算机设备和存储介质,获取目标车辆在目标时间段内的车况数据;根据车况数据,预测目标车辆的当前清洁度;若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。本申请根据车况数据预测当前清洁度,并结合发动态更新的当前清洁度阈值,确定是否输出清洗提示信息,能够针对不同的目标车辆实现智能化定制化推送,提供更客观合理的清洗提示服务。
附图说明
图1为一个实施例中车辆清洗提示方法的应用场景图;
图2为一个实施例中车辆清洗提示方法的流程示意图;
图3为一个实施例中预测当前清洁度的流程示意图;
图4为一个实施例中获取当前清洁度阈值的流程示意图;
图5为一个实施例中预测参考清洁度的流程示意图;
图6为一个实施例中生成导航数据的流程示意图;
图7为另一个实施例中预测当前清洁度的流程示意图;
图8为另一个实施例中车辆清洗提示方法的流程示意图;
图9为一个实施例中车辆清洗提示装置的结构框图;
图10为另一个实施例中车辆清洗提示装置的结构框图;
图11为又一个实施例中车辆清洗提示装置的结构框图;
图12为再一个实施例中车辆清洗提示装置的结构框图;
图13为一个实施例中实施车辆清洗提示方法的计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的车辆清洗提示方法,可以应用于如图1所示的应用环境中。其中,车载终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据,如车况数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体的,服务器104获取目标车辆在目标时间段内的车况数据;根据车况数据,预测目标车辆的当前清洁度;若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。服务器104还可以通过与终端102交互,将目标文本数据对应的文本类别反馈至终端102,由终端102显示文本分类结果。
终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车辆清洗提示方法,包括以下步骤:
S201,获取目标车辆在目标时间段内的车况数据。
目标车辆为当前待推送车辆清洗提示的车辆,目标车辆可以是行驶中的车辆,也可以是静止的车辆。在目标车辆启动的情况下,目标车辆对应的车辆管理平台服务器可实时获取目标车辆在目标时间段内的车况数据。其中,目标时间段是指上一次洗车的时刻与当前时刻之间的时间段,车况数据是指与车辆清洁度相关的数据,如车辆行驶状况和车辆所处环境等数据。
可选的,车辆管理平台基于SOA(Service-Oriented Architecture,面向服务架构)实现,能够为车辆管理平台下的任一车辆提供车辆清洗提示服务,因此,基于车辆清洗提示服务,车辆管理平台服务器可实时获取目标车辆在目标时间段内的车况数据。
可以理解的是,目标车辆在目标时间段内的车况数据可以是配备于目标车辆上的车载终端获取并发送至服务器的,也可以是服务器通过网络自行获取的。例如,车况数据为车辆行驶状况,则该车况数据可以由车载终端获取并发送至服务器,车况数据为车辆所处环境,则该车况数据可以由服务器自行获取。
可选的,服务器向目标车辆的车载终端发送车况数据获取指令,以得到车载终端返回的目标车辆在目标时间段内的车况数据。
可选的,目标车辆的车载终端定期向服务器上报目标车辆在目标时间段内的车况数据。
S202,根据车况数据,预测目标车辆的当前清洁度。
由于车况数据是与车辆清洁度相关的数据,根据车况数据即可预测得到目标车辆的当前清洁度。其中,当前清洁度可以用百分比的形式表示,也可以用预设等级的形式表示,本实施例对此不做限制。例如,百分比值越高表示目标车辆越干净,或等级越高表示目标车辆越干净。
具体的,将车况数据输入至清洁度预测模型,得到清洁度预测模型输出的当前清洁度。其中,清洁度预测模型为预设的神经网络模型。
车况数据可以包括多个方面的数据,根据车况数据预测当前清洁度,可确保预测结果的客观性和准确性。
S203,在当前清洁度不高于当前清洁度阈值的情况下,输出针对目标车辆的清洗提示信息。
其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。换言之,当前清洁度阈值是动态更新的阈值,同一车辆在不同时间的当前清洁度阈值可能不同,且不同车辆的当前清洁度阈值也可能不同。
历史清洗目标车辆时的历史清洁度,可以在一定程度上表示车主或驾驶车辆的人对车辆清洁度的容忍度。同时,历史清洗目标车辆时的历史清洁度,可以包括每一次清洗目标车辆时的历史清洁度,因此根据历史清洗目标车辆时的历史清洁度对上一清洁度阈值进行更新,可以结合洗车频率和洗车时的清洁度,确定更准确的当前清洁度阈值。
进一步的,判断当前清洁度是否高于当前清洁度阈值,若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息,反之,则不输出。
清洗提示信息可以是文字提示或语音提示等信息。例如,在确定需要推送清洗提示信息的情况下,在目标车辆的中控台弹出清洗提示信息的文字提示,并进行相应的语音提示。
上述方案,获取目标车辆在目标时间段内的车况数据;根据车况数据,预测目标车辆的当前清洁度;若当前清洁度不高于当前清洁度阈值,则输出针对目标车辆的清洗提示信息;其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。本实施例根据车况数据预测当前清洁度,并结合发动态更新的当前清洁度阈值,确定是否输出清洗提示信息,能够针对不同的目标车辆实现智能化定制化推送,提供更客观合理的清洗提示服务。
为了提升预测目标车辆的当前清洁度的准确性,在上述实施例的基础上,在一个实施例中,可以分指标对当前清洁度进行预测,如图3所示,上述S202包括:
S301,通过清洁度预测模型,根据车况数据,预测目标车辆在车况数据中各项指标下的当前清洁度。
其中,车况数据包括目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及目标车辆所处环境的空气质量中的至少一项指标。目标车辆的行驶天气即目标车辆在行驶中遇到的晴天、雨天、雾霾和沙尘等天气的时长;目标车辆的行驶里程即目标车辆从上一次洗车至今的行驶里程数;目标车辆的停放位置即目标车辆室内或室外停放;目标车辆的雨刮使用情况即雨刮器的使用次数及时长;目标车辆的摄像头清洁度可以一定程度表示车身外部装置的清洁情况;目标车辆所处环境的空气质量,即目标车辆所处城市区域或农村区域的空气质量。
将各项指标对应的车况数据,输入至清洁度预测模型,得到清洁度预测模型输出的目标车辆在各项指标下的当前清洁度。其中,清洁度预测模型可以通过卷积神经网络、生成式对抗网络、循环神经网络、长短期记忆网络或量子神经网络等算法实现。
可选的,清洁度预测模型是LSTM(Long Short Term Memory,长短期记忆)模型。将目标车辆历史的车况数据和当前的车况数据一起输入至清洁度预测模型,使得清洁度预测模型可以通过时间序列对车况数据进行分析。清洁度预测模型不仅可以提取出目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及目标车辆所处环境的空气质量与清洁度之间的关联性程度,而且可以根据目标车辆每次洗车的时间提取出洗车频率与清洁度之间的关联性程度,从而输出高精度的当前清洁度。
S302,根据车况数据中各项指标对应的权重系数,以及目标车辆在车况数据中各项指标下的当前清洁度,得到目标车辆的当前清洁度。
预先为车况数据中的每一指标分配对应的权重系数,以平衡各项指标对最终的当前清洁度的贡献程度。可选的,通过算法迭代计算出各项指标对应的权重系数,本实施例对确定各项指标对应的权重系数的方式不作限制。
获取各项指标预先设定的权重系数,并根据各项指标对应的权重系数,对目标车辆在各项指标下的当前清洁度进行加权计算,得到目标车辆最终的当前清洁度。
作为本实施例中一种可选的实施方式,不为各项指标分配对应的权重系数,而是直接通过清洁度预测模型,对所有指标下的车况数据进行分析,直接输出目标车辆最终的当前清洁度。
本实施例中,对车况数据做进一步细分,从多个方面综合分析目标车辆的当前清洁度,所得到的预测结果具备更高的客观性和可靠性,针对不同的车辆,均可采用清洁度预测模型预测其当前清洁度,得到对应的预测结果。清洁度预测模型可以通过训练提升其精度,容易进行修正,使得车辆管理平台可以长期提供车辆清洗提示服务。
为了得到更符合当前情况的推送判定结果,在上述实施例的基础上,在一个实施例中,可以对当前清洁度阈值进行动态修正,如图4所示,根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新,可以包括:
S401,获取历史清洗目标车辆时的历史清洁度,以及目标车辆的上一清洁度阈值。
其中,历史清洗目标车辆时的历史清洁度可以是车主或驾驶车辆的人同意洗车时的历史清洁度,也可以是实际洗车时的历史清洁度。例如,每次推送车辆清洗提示后,若目标车辆在预设时间内进行洗车或开启洗车模式,则记录推送车辆清洗提示时的历史清洁度。又如,获取目标车辆进行洗车或开始洗车模式时的历史清洁度并记录。
目标车辆的上一清洁度阈值,即目标车辆上一次进行洗车或开启洗车模式时用于与清洁度进行比较的清洁度阈值。可以理解的是,目标车辆的清洁度阈值是动态修正得到的,目标车辆在不同时间的清洁度阈值均是根据上一次进行洗车或开启洗车模式时用于与清洁度进行比较的清洁度阈值,修正得到的。
S402,根据历史清洁度,预测目标车辆的参考清洁度。
历史清洁度即为用户对于车身清洁情况的容忍度的历史数据,服务器记录的历史清洁度包括目标车辆在过去每一次历史清洗目标车辆时的历史清洁度。可选的,历史清洁度包括目标车辆在过去预设时间内历史清洗目标车辆时的历史清洁度。用户还可以通过车载终端向服务器发送删除记录的历史清洁度的指令,以实现对目标车辆的车辆清洗提示服务初始化。
参考清洁度是当前用于对上一清洁度阈值进行修正的数值,本实施例中预测得到的参考清洁度不同于前述实施例中预测得到的当前清洁度,参考清洁度能够更好表征用于用户当前对于车身清洁情况的容忍度,而当前清洁度则是根据目标车辆的实际车身清洁情况预测得到的。
具体的,将历史清洁度输入至阈值预测模型,得到阈值预测模型输出的参考清洁度。其中,阈值预测模型为另一预设的神经网络模型。
历史清洁度可以包括目标车辆长时间的历史数据,根据历史清洁度预测参考清洁度,可确保预测结果的准确性,避免因偶然状况影响预测结果。
S403,根据参考清洁度,对上一清洁度阈值进行更新,得到当前清洁度阈值。
上一清洁度阈值也是上一次进行洗车或开启洗车模式时更新得到的,结合当前预测出的参考清洁度和上一次基于预测结果更新的上一清洁度阈值,得到更准确的当前清洁度阈值,使得当前清洁度阈值更贴合用户的洗车习惯。
例如,确定参考清洁度与上一清洁度阈值之间的比例系数,根据比例系数计算得到当前清洁度阈值。
可选的,直接采用参考清洁度替换上一清洁度阈值,将其作为当前清洁度阈值。
本实施例中,根据历史清洗目标车辆时的历史清洁度,预测下一次清洗目标车辆时的参考清洁度,进而采用参考清洁度对上一清洁度阈值进行动态修正,可以较准确识别到用户对车身清洁程度的容忍度,确定贴合用户的洗车习惯的当前清洁度阈值。
为了准确预测目标车辆的参考清洁度,以识别用户洗车的意图,在上述实施例的基础上,在一个实施例中,可以通过LSTM模型进行预测,如图5所示,上述车辆清洗提示方法还可以包括:
S501,根据历史清洁度,生成清洁度时间序列。
根据历史清洁度所对应的时间确定合适的时间区间,进而将历史清洁度划分至对应的时间区间内,以生成历史清洁度所对应的清洁度时间序列。相比于离散的历史清洁度,清洁度时间序列能够更好地反应目标车辆的历史清洁度的长期变化情况,清洁度时间序列能够在一定程度上表示目标车辆的历史清洁度的同一性。
S502,通过阈值预测模型,根据清洁度时间序列,预测目标车辆的参考清洁度。
将清洁度时间序列输入至阈值预测模型,得到阈值预测模型输出的目标车辆的参考清洁度。其中,阈值预测模型是对长短期记忆LSTM网络进行训练得到的,LSTM网络可以解决长序列训练过程中的梯度消失和梯度爆炸问题。
具体的,提取清洁度时间序列中每一时间区间内的清洁度特征,将前一时间区间内的清洁度特征和当前时间区间内的清洁度特征,作为当前时间区间的输入,并对前一时间区间内的清洁度特征进行选择性遗忘,对当前时间区间内的清洁度特征进行选择性记忆,从而得到当前时间区间的输出,按照时间序列进行分析计算,直至得到最后一个时间区间的输出,即为阈值预测模型的输出。
可选的,直接将历史清洁度输入至阈值预测模型,以使阈值预测模型生成清洁度时间序列,并分析计算得到参考清洁度。
作为本实施例中一种可选的实施方式,阈值预测模型的训练步骤包括:
获取若干数量的样本清洁度数据,这些样本清洁度数据来源于不同区域的不同车辆,为增强样本清洁度数据的质量,可以筛选得到用户对车辆清洗提示服务较为满意的车辆的样本清洁度数据。
对样本清洁度数据添加对应的标签,例如,样本清洁度用预设等级的形式表示,针对每一份样本清洁度数据,均根据用户的洗车习惯确定其对应的清洁度等级。可选的,清洁度等级包括0-5级,等级越高表示车辆越干净。
进一步的,将具有标签的样本清洁度数据输入至初始的阈值预测模型,预测样本清洁度数据对应的参考清洁度,进而根据预测得到的参考清洁度和标签对初始的阈值预测模型进行反向迭代训练,直至得到满足训练结束条件的阈值预测模型。
可以理解的是,清洁度预测模型的训练步骤类似,不再一一赘述。
本实施例中,通过LSTM模型预测目标车辆的参考清洁度,以识别用户对车身清洁程度的容忍度,解决常规神经网络迷行存在的梯度消失和梯度爆炸问题,使得最终的预测结果具备更高的准确性。
在一个实施例中,车辆清洗提示方法通过交互的方式实现。在目标车辆启动的情况下,服务器实时获取目标车辆在目标时间段内的车况数据,并根据车况数据预测得到当前清洁度,进而将当前清洁度与动态修正得到的当前清洁度阈值进行比较,若当前清洁度不高于当前清洁度阈值,则服务器指示输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息。
具体的,车载终端接收服务器发送的指令,并控制目标车辆的中控台显示清洗提示信息,以及清洗提示信息对应的清洗问询信息。例如,在中控台显示可交互的控件,该控件可响应于用户的点击操作,即确定清洗目标车辆或拒绝清洗目标车辆。
在一个实施例中,如图6所示,输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息之后,还包括:
S601,在接收到清洗问询信息的清洗确认信息的情况下,获取目标车辆的当前位置信息。
换言之,若接收到清洗问询信息的清洗确认信息,则获取目标车辆的当前位置信息。例如,用户点击中控台上的清洗确认按键,触发清洗问询信息对应的清洗确认信息,相应的,服务器接收到车载终端上传的清洗确认信息,获取目标车辆的当前位置信息。
可选的,服务器接收到与清洗确认信息同步上传的目标车辆的当前位置信息。
S602,根据目标车辆的当前位置信息,以及历史清洗目标车辆时的清洗位置信息,生成导航数据。
将目标车辆的当前位置信息作为起点,历史清洗目标车辆时的清洗位置信息作为终端,自动生成前往洗车点的导航数据。
可选的,若存在多个历史清洗目标车辆时的清洗位置信息,则根据用户历史选择洗车点的喜好度或各洗车点的清洗位置信息与当前位置信息之间的距离,从中选择更合适的清洗位置信息,进而生成对应的导航数据。
可选的,根据目标车辆的当前位置信息,生成导航数据。例如,获取当前位置信息附近的洗车点的清洗位置信息,以生成对应的导航数据。
进一步的,服务器将导航数据发送至车载终端,以供车载终端在中控台显示导航数据,或控制目标车辆按照导航数据自动驾驶至洗车点。
本实施例中,交互式的车辆清洗提示服务可以优化用户体验,在车辆管理平台下的各车辆复用该车辆清洗提示服务,且无需在车辆上新增传感器。
在一个实施例中,如图7所示,上述车辆清洗提示方法还可以包括:
S701,获取目标车辆在目标时间段内的内饰数据。
其中,内饰数据是与车况数据对应的与车辆清洁度相关的数据,能够体现目标车辆的内部清洁状况。
可选的,在目标车辆内部安装传感器以采集目标车辆的内饰数据,并通过车载设备将传感器传输的内饰数据上传至服务器。
可以理解的是,在一些情况下,车主或驾驶车辆的人,即用户可能因内部清洁状况存在洗车的需求。因此,结合目标车辆的内饰数据,分析目标车辆的当前清洁度,进而判定是否需要向用户推送车辆清洗提示。
S702,根据内饰数据和车况数据,预测目标车辆的当前清洁度。
具体的,将内饰数据和车况数据一同输入至清洁度预测模型,得到清洁度预测模型输出的当前清洁度。
可选的,当前清洁度包括当前车内清洁度和当前车外清洁度,若当前车内清洁度和当前车外清洁度中的任一项不高于对应的当前清洁度阈值,则输出针对目标车辆的清洗提示信息。
本实施例中,获取目标车辆在目标时间段内的内饰数据,并根据内饰数据和车况数据,预测目标车辆的当前清洁度,可以对目标车辆的车内清洁状况和车外清洁状况进行综合分析,得到目标车辆的当前清洁度,进而取得更贴合用户意图的判定结果。
在一个实施例中,提供了一种车辆清洗提示方法的可选实例,如图8所示,车辆清洗提示方法包括如下步骤:
S801,获取目标车辆在目标时间段内的车况数据。
其中,车况数据包括目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及目标车辆所处环境的空气质量中的至少一项指标。
S802,通过清洁度预测模型,根据车况数据,预测目标车辆在车况数据中各项指标下的当前清洁度。
S803,根据车况数据中各项指标对应的权重系数,以及目标车辆在车况数据中各项指标下的当前清洁度,得到目标车辆的当前清洁度。
可选的,获取目标车辆在目标时间段内的内饰数据;根据内饰数据和车况数据,预测目标车辆的当前清洁度。
S804,获取历史清洗目标车辆时的历史清洁度,以及目标车辆的上一清洁度阈值。
S805,根据历史清洁度,生成清洁度时间序列。
S806,通过阈值预测模型,根据清洁度时间序列,预测目标车辆的参考清洁度。
其中,阈值预测模型是对长短期记忆LSTM网络进行训练得到的。
S807,根据参考清洁度,对上一清洁度阈值进行更新,得到当前清洁度阈值。
S808,在当前清洁度不高于当前清洁度阈值的情况下,输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息。
S809,在接收到清洗问询信息的清洗确认信息的情况下,获取目标车辆的当前位置信息。
S810,根据目标车辆的当前位置信息,以及历史清洗目标车辆时的清洗位置信息,生成导航数据。
上述步骤的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车辆清洗提示方法的车辆清洗提示装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车辆清洗提示装置实施例中的具体限定可以参见上文中对于车辆清洗提示方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种车辆清洗提示装置1,包括数据获取模块10、第一预测模块20和清洗提示模块30,其中:
数据获取模块10,用于获取目标车辆在目标时间段内的车况数据。
第一预测模块20,用于根据车况数据,预测目标车辆的当前清洁度。
清洗提示模块30,用于在当前清洁度不高于当前清洁度阈值的情况下,输出针对目标车辆的清洗提示信息。
其中,当前清洁度阈值是根据历史清洗目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。
在一个实施例中,车况数据包括目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及目标车辆所处环境的空气质量中的至少一项指标;在图9的基础上,如图10所示,上述第一预测模块20可以包括:
第一预测单元21,用于通过清洁度预测模型,根据车况数据,预测目标车辆在车况数据中各项指标下的当前清洁度。
第二预测单元22,用于根据车况数据中各项指标对应的权重系数,以及目标车辆在车况数据中各项指标下的当前清洁度,得到目标车辆的当前清洁度。
在一个实施例中,在图9的基础上,如图11所示,上述车辆清洗提示装置1还可以包括:
阈值获取模块40,用于获取历史清洗目标车辆时的历史清洁度,以及目标车辆的上一清洁度阈值。
第二预测模块50,用于根据历史清洁度,预测目标车辆的参考清洁度。
阈值更新模块60,用于根据参考清洁度,对上一清洁度阈值进行更新,得到当前清洁度阈值。
在一个实施例中,在图11的基础上,如图12所示,上述第二预测模块50可以包括:
第三预测单元51,用于根据历史清洁度,生成清洁度时间序列。
第四预测单元52,用于通过阈值预测模型,根据清洁度时间序列,预测目标车辆的参考清洁度;其中,阈值预测模型是对长短期记忆LSTM网络进行训练得到的。
在一个实施例中,上述清洗提示模块30具体可以用于输出针对目标车辆的清洗提示信息,以及清洗提示信息对应的清洗问询信息。
在一个实施例中,上述车辆清洗提示装置1还可以包括:
位置获取模块,用于在接收到清洗问询信息的清洗确认信息的情况下,获取目标车辆的当前位置信息。
导航生成模块,用于根据目标车辆的当前位置信息,以及历史清洗目标车辆时的清洗位置信息,生成导航数据。
在一个实施例中,上述数据获取模块10还可以用于获取目标车辆在目标时间段内的内饰数据;上述第一预测模块20还可以用于根据内饰数据和车况数据,预测目标车辆的当前清洁度。
上述车辆清洗提示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史清洁度等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆清洗提示方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述车辆清洗提示方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述车辆清洗提示方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述车辆清洗提示方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆清洗提示方法,其特征在于,所述方法包括:
获取目标车辆在目标时间段内的车况数据;
根据所述车况数据,预测所述目标车辆的当前清洁度;
若所述当前清洁度不高于当前清洁度阈值,则输出针对所述目标车辆的清洗提示信息;其中,所述当前清洁度阈值是根据历史清洗所述目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。
2.根据权利要求1所述的方法,其特征在于,所述车况数据包括所述目标车辆的行驶天气、行驶里程、停放位置、雨刮使用情况、摄像头清洁度,以及所述目标车辆所处环境的空气质量中的至少一项指标;
所述根据所述车况数据,预测所述目标车辆的当前清洁度,包括:
通过清洁度预测模型,根据所述车况数据,预测所述目标车辆在所述车况数据中各项指标下的当前清洁度;
根据所述车况数据中各项指标对应的权重系数,以及所述目标车辆在所述车况数据中各项指标下的当前清洁度,得到所述目标车辆的当前清洁度。
3.根据权利要求1所述的方法,其特征在于,所述根据历史清洗所述目标车辆时的历史清洁度,对上一清洁度阈值进行更新,包括:
获取历史清洗所述目标车辆时的历史清洁度,以及所述目标车辆的上一清洁度阈值;
根据所述历史清洁度,预测所述目标车辆的参考清洁度;
根据所述参考清洁度,对所述上一清洁度阈值进行更新,得到所述当前清洁度阈值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史清洁度,预测所述目标车辆的参考清洁度,包括:
根据所述历史清洁度,生成清洁度时间序列;
通过阈值预测模型,根据所述清洁度时间序列,预测所述目标车辆的参考清洁度;其中,所述阈值预测模型是对长短期记忆LSTM网络进行训练得到的。
5.根据权利要求1所述的方法,其特征在于,所述输出针对所述目标车辆的清洗提示信息,包括:
输出针对所述目标车辆的清洗提示信息,以及所述清洗提示信息对应的清洗问询信息。
6.根据权利要求5所述的方法,其特征在于,所述输出针对所述目标车辆的清洗提示信息,以及所述清洗提示信息对应的清洗问询信息之后,所述方法还包括:
若接收到所述清洗问询信息的清洗确认信息,则获取所述目标车辆的当前位置信息;
根据所述目标车辆的当前位置信息,以及历史清洗所述目标车辆时的清洗位置信息,生成导航数据。
7.根据权利要求1所述的方法,其特征在于,所述根据所述车况数据,预测所述目标车辆的当前清洁度,包括:
获取目标车辆在目标时间段内的内饰数据;
根据所述内饰数据和所述车况数据,预测所述目标车辆的当前清洁度。
8.一种车辆清洗提示装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标车辆在目标时间段内的车况数据;
第一预测模块,用于根据所述车况数据,预测所述目标车辆的当前清洁度;
清洗提示模块,用于在所述当前清洁度不高于当前清洁度阈值的情况下,输出针对所述目标车辆的清洗提示信息;其中,所述当前清洁度阈值是根据历史清洗所述目标车辆时的历史清洁度,对上一清洁度阈值进行更新得到的。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738991.9A CN117894093A (zh) | 2023-12-16 | 2023-12-16 | 车辆清洗提示方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738991.9A CN117894093A (zh) | 2023-12-16 | 2023-12-16 | 车辆清洗提示方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117894093A true CN117894093A (zh) | 2024-04-16 |
Family
ID=90649767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311738991.9A Pending CN117894093A (zh) | 2023-12-16 | 2023-12-16 | 车辆清洗提示方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117894093A (zh) |
-
2023
- 2023-12-16 CN CN202311738991.9A patent/CN117894093A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107111794B (zh) | 预测和利用地图服务中出行时间的可变性 | |
US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
US10783450B2 (en) | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations | |
CN104715285B (zh) | 处理订单的方法和设备 | |
CN112446479A (zh) | 用于配置在自主车辆上的数据存储装置的智能写入放大减小 | |
WO2019020002A1 (en) | METHODS AND SYSTEMS FOR PREVENTING LOSS OF USERS | |
US11714994B2 (en) | Learning from delayed outcomes using neural networks | |
CN110263242A (zh) | 内容推荐方法、装置、计算机可读存储介质和计算机设备 | |
US11055364B2 (en) | Parking search time estimation using cognitive analytics | |
CN109426977A (zh) | 一种信息处理方法、信息处理系统及计算机装置 | |
US9959508B2 (en) | Systems and methods for providing information for predicting desired information and taking actions related to user needs in a mobile device | |
JP6171388B2 (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
JP5683622B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN106063067A (zh) | 电力需求预测装置、供电系统、电力需求预测方法及程序 | |
US11285961B2 (en) | Predictive car wash services for a vehicle based on anticipated routes of travel | |
Wepulanon et al. | A real-time bus arrival time information system using crowdsourced smartphone data: a novel framework and simulation experiments | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
JP6946542B2 (ja) | 学習システム、推定システム及び学習済モデル | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
CN117894093A (zh) | 车辆清洗提示方法、装置、计算机设备和存储介质 | |
CN109219002B (zh) | 一种提醒短信发送方法、装置、设备及可读存储介质 | |
Liao et al. | Location prediction through activity purpose: integrating temporal and sequential models | |
CN114692014A (zh) | 确定候选下车地点的方法、装置、设备、介质和程序产品 | |
CN112905892A (zh) | 应用于用户画像挖掘的大数据处理方法及大数据服务器 |
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 |