驻车空调控制方法及系统技术方案

本申请提供一种驻车空调控制方法及系统，其特征在于，所述方法包括：获取在使用时序上连续的多个备选空调控制策略的策略特征信息；根据策略特征信息，确定各个备选空调控制策略在当前时间区间的预测调整率；根据各个备选空调控制策略调整后的预测调整率，从多个备选空调控制策略中确定出预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据目标备选空调控制策略控制驻车空调。如此，根据预测调整率确定用户最不需要执行手动调整的备选空调控制策略作为目标备选空调控制策略来控制驻车空调，可以实现有效地为用户预测空调控制策略，减少用户的手动操作。减少用户的手动操作。减少用户的手动操作。

【技术实现步骤摘要】
驻车空调控制方法及系统


[0001]本申请涉及驻车空调
，具体而言，涉及一种驻车空调控制方法及系统。

技术介绍

[0002]为了提高车辆中的环境舒适度，很多车辆都配置有空调。通常的车载空调需要在发动机处于运行过程中，才能使用由发动机发电产生的电能进行工作。但是，在类似房车、大货车等特殊的车辆使用场景中，在车辆停止行驶发动机处于非工作状态时，仍然需求空调能够长时间保持运行。因此，此类车辆会安装有专门电瓶供电的驻车空调。由于驻车空调通常使用时间长，如何在长时间的使用过程中为用户提供有效的空调控制策略，减少用户的手动操作成为亟待解决的问题。

技术实现思路

[0003]有鉴于此，第一方面，本申请提供一种驻车空调控制方法，其特征在于，所述方法包括：
[0004]获取在使用时序上连续的多个备选空调控制策略的策略特征信息；
[0005]根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；
[0006]根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。
[0007]结合第一方面，在一种可能的实现方式中，所述方法还包括：
[0008]获取所述多个备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间对应的第一预设数量个手动调整数据集合，其中，每一时间区间的手动调整数据集合包括所述备选空调控制策略在多个可调整控制项上的手动调整数据；
[0009]分别获取各个备选空调控制策略的第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合；其中，每一调整率预测不准确度集合包括所述备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每一调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值；
[0010]利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度；其中，所述调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合；所述调整率预测不准确度表示备选空调控制策略的预测调整率与实际调整率之间的差值；
[0011]通过各个备选空调控制策略在当前时间区间的调整率预测不准确度分别对各个
备选空调控制策略的预测调整率进行调整。
[0012]结合第一方面，在一种可能的实现方式中，所述调整率调整模型包括第一特征提取模型和第二特征提取模型；所述利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度的步骤，包括：
[0013]根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量；
[0014]通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量；
[0015]通过所述第二特征提取模型的至少两个全连接网络，对各个可调项对应的特征向量进行特征映射，以得到所述策略特征向量；
[0016]基于所述第一特征提取模型和所述第二特征提取模型的权重，根据所述调整率差值向量和所述策略特征向量得到在当前时间区间的调整率预测不准确度。
[0017]结合第一方面，在一种可能的实现方式中，根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量的步骤，包括：
[0018]将每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每个所述可调整控制项在每一时间区间的调整率预测不准确度，除每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每个所述可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量，其中，所述数值分段是根据手动调整次数的置信度进行划分的；
[0019]将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。
[0020]结合第一方面，在一种可能的实现方式中，所述通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量的步骤，包括：
[0021]分别对各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签；
[0022]根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取所述映射标签对应的特征向量，其中，所述特征向量库为在所述调整率调整模型的训练过程中训练得到的，所述特征向量库包括所有融合的可调项和特征值对应的特征向量；
[0023]其中，针对类型为连续数值类型的所述可调项，确定所述可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对所述可调项进行归一化；将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到所述可调项和所述可调项对应的特征值对应的映射标签。
[0024]结合第一方面，在一种可能的实现方式中，所述调整率调整模型是通过如下训练过程训练得到的：
[0025]从样本数据库中获取第三预设数量的样本数据；
[0026]根据所述策略特征信息以及第二预设数量个连续时间区间中前第一预设数量个时间区间的调整率预测不准确度集合，通过所述调整率调整模型，获取每一样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度；
[0027]根据所述样本数据的备选空调控制策略在第第二预设数量个时间区间的调整率预测不准确度，与所述样本数据中第第二预设数量个时间区间的调整率预测不准确度集合，获取所述调整率调整模型的损失值；
[0028]根据所述损失值对所述调整率调整模型的模型参数进行调整。
[0029]结合第一方面，在一种可能的实现方式中，所述获取在使用时序上连续的多个备选空调控制策略的策略特征信息的步骤，包括：
[0030]获取同一车辆中使用时序上连续的多个备选空调控制策略；
[0031]通过特征提取模型分别对每个备选空调控制策略进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驻车空调控制方法，其特征在于，所述方法包括：获取在使用时序上连续的多个备选空调控制策略的策略特征信息；根据所述策略特征信息，确定各个所述备选空调控制策略在当前时间区间的预测调整率；所述预测调整率为预测的用户对备选空调控制策略进行手动调整的次数与所述备选空调控制策略的被执行次数之间的比值；根据各个备选空调控制策略调整后的预测调整率，从所述多个备选空调控制策略中确定出所述预测调整率最小的备选空调控制策略作为目标备选空调控制策略，并根据所述目标备选空调控制策略控制所述驻车空调。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述多个备选空调控制策略在当前时间区间之前的第一预设数量个连续时间区间对应的第一预设数量个手动调整数据集合，其中，每一时间区间的手动调整数据集合包括所述备选空调控制策略在多个可调整控制项上的手动调整数据；分别获取各个备选空调控制策略的第一预设数量个手动调整数据集合中每一手动调整数据集合对应的调整率预测不准确度集合；其中，每一调整率预测不准确度集合包括所述备选空调控制策略在多个可调整控制项上的调整率预测不准确度，每一调整率预测不准确度表示一个可调整控制项上预测调整率与实际调整率之间的差值；利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度；其中，所述调整率调整模型是利用多个样本数据训练得到的，每一样本数据包括一个备选空调控制策略的策略特征信息以及第二预设数量个连续时间区间的调整率预测不准确度集合；所述调整率预测不准确度表示备选空调控制策略的预测调整率与实际调整率之间的差值；通过各个备选空调控制策略在当前时间区间的调整率预测不准确度分别对各个备选空调控制策略的预测调整率进行调整。3.根据权利要求要求2所述的方法，其特征在于，所述调整率调整模型包括第一特征提取模型和第二特征提取模型；所述利用已训练的调整率调整模型，根据各个备选空调控制策略的策略特征信息与第一预设数量个手动调整数据集合对应的第一预设数量个调整率预测不准确度集合，获取各个备选空调控制策略在当前时间区间的调整率预测不准确度的步骤，包括：根据所述第一预设数量个调整率预测不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量；通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量；通过所述第二特征提取模型的至少两个全连接网络，对各个可调项对应的特征向量进行特征映射，以得到所述策略特征向量；基于所述第一特征提取模型和所述第二特征提取模型的权重，根据所述调整率差值向量和所述策略特征向量得到在当前时间区间的调整率预测不准确度。4.根据权利要求要求3所述的方法，其特征在于，根据所述第一预设数量个调整率预测
不准确度集合，通过所述第一特征提取模型获取备选空调控制策略的调整率差值向量的步骤，包括：将每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段对应位置设置为每个所述可调整控制项在每一时间区间的调整率预测不准确度，除每个所述可调整控制项在每一时间区间内的手动调整次数所属的数值分段之外的其余数值分段对应位置设置为空值，以得到每个所述可调整控制项在每一时间区间内的调整率预测不准确度集合对应的调整率差值子向量，其中，所述数值分段是根据手动调整次数的置信度进行划分的；将各个可调整控制项在各个时间区间的调整率差值子向量进行融合，得到备选空调控制策略对应的调整率差值向量。5.根据权利要求要求3所述的方法，其特征在于，所述通过所述第二特征提取模型的特征融合网络，将所述策略特征信息中各个可调项和各个可调项对应的特征值进行融合，并获取融合后的各个可调项和各个可调项对应的特征值对应的特征向量的步骤，包括：分别对各个可调项和各个可调项对应的特征值进行归一化，并将归一化后的各个可调项和各个可调项对应的特征值进行融合，得到各个可调项和各个可调项对应的特征值对应的映射标签；根据各个可调项和各个可调项对应的特征值对应的映射标签，从特征向量库中获取所述映射标签对应的特征向量，其中，所述特征向量库为在所述调整率调整模型的训练过程中训练得到的，所述特征向量库包括所有融合的可调项和特征值对应的特征向量；其中，针对类型为连续数值类型的所述可调项，确定所述可调项的特征值所属的特征值区间，对特征值所属的特征值区间的映射标签进行归一化，并对所述可调项进行归一化；将归一化后的特征值区间的映射标签与归一化后的可调项进行融合，得到所述可调项和所述可调项对应的特征值对应的映射标签。6.根据权利要求要求2所述的方法，其特征在于，所述调整率调整模型是通过如下训练过程训练得到的：从样本数据库中获取第三预设数量的样本数据；根据所述策略特征信息以及第二预设数量个连续时间区间中前第一预设数量个时间区间的调整率预测不准确度集合，通过所述调整率调整模型，获取每一样本数据的备选空调控制策略在第第二预...

【专利技术属性】
技术研发人员：陶林，
申请(专利权)人：泰铂上海环保科技股份有限公司，
类型：发明
国别省市：