基于环境、CAN信号和乘员习惯的汽车空调控制方法和系统技术方案

本发明专利技术提供了一种基于环境、CAN信号和乘员习惯的汽车空调控制方法和系统，包括：步骤1：在车辆出厂前由标定工程师提供表格数据，专家系统根据表格数据查表推荐空调方案；步骤2：在车辆出厂后基于大数据训练通适型方案推荐给用户；步骤3：通过对乘员空调使用习惯的学习优化步骤2中的通适型方案，提供个性化的空调使用设置推荐。本发明专利技术通过训练回归决策树来估算预测出风模式、风量及出风口温度，在推荐给乘员后根据乘员是否接受当前设置推荐来增加或减少该设置方案的推荐概率，从而实现对乘员的空调设置方案精准推荐，提升了乘员的舒适性。性。性。

【技术实现步骤摘要】
基于环境、CAN信号和乘员习惯的汽车空调控制方法和系统


[0001]本专利技术涉及空调自动调节
，具体地，涉及一种基于环境、CAN信号和乘员习惯的汽车空调控制方法和系统。

技术介绍

[0002]目前传统自动空调无法满足具体用户的个性化需求，用户频繁操作空调，会影响驾驶安全，且无法精准预测用户需求容易导致资源浪费。
[0003]现有技术(申请号为202010725871.5的中国专利，公开了“一种智慧空调控制方法和系统”)根据当前室外环境数据和当前时间信息，计算得到当前体感温湿度；读取数据库中的历史室外环境数据；根据当前及历史室外环境数据预测下一时序的室外温湿度；根据当前室内环境数据、当前体感温湿度和下一时序的室外温湿度，通过当前控制算法模型计算得到控制指令；控制向空调系统发送该控制指令，使空调系统根据该控制指令调整温度设置；获取空调系统调整温度设置后的能耗值和舒适度，根据所述能耗值和舒适度更新所述控制算法模型。该专利虽然能够对未来室外温湿度进行预测并根据算法模型计算空调控制指令，但却没有考虑阳光强度、地理位置信息和驾驶员使用空调习惯。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种基于环境、CAN信号和乘员习惯的汽车空调控制方法和系统。
[0005]根据本专利技术提供的基于环境、CAN信号和乘员习惯的汽车空调控制方法，包括：
[0006]步骤1：在车辆出厂前由标定工程师提供表格数据，专家系统根据表格数据查表推荐空调方案；
[0007]步骤2：在车辆出厂后基于大数据训练通适型方案推荐给用户；
[0008]步骤3：通过对乘员空调使用习惯的学习优化步骤2中的通适型方案，提供个性化的空调使用设置推荐。
[0009]优选的，所述步骤1包括：
[0010]步骤1.1：由标定工程师标定车端CAN信号参数，包括车内环境参数和空调参数曲线；所述车内环境参数包括车内温度、PM2.5值和阳光强度；所述空调参数曲线包括空调出风温度曲线、空调出风风量曲线和空调出风模式；
[0011]步骤1.2：依据不同天气参数和地理信息生成一个多维表格，每种天气参数、地理信息和车内环境参数对应一种空调参数，然后依据该表格在车辆初次使用时查表找出相应的推荐空调方案；所述天气参数温度、体感温度、相对湿度、气压和天气；所述地理信息包括城市、经度、纬度和海拔；
[0012]所述步骤2包括：
[0013]步骤2.1：通过云平台或者用户数据库获取其他用户使用空调方案数据；
[0014]步骤2.2：将步骤2.1中获取的大数据训练为一个通用模型，结合步骤1.1中标定的
车端CAN信号参数，做成适合本车的通适型空调方案，替代步骤1.2中的多维表格推荐给用户。
[0015]优选的，通用模型训练的具体过程包括：
[0016]数据输入：将数据转换为可供模型读取的类型；
[0017]数据预处理：对输入的数据进行预处理，包括数据清洗、去除重复数据和处理缺失值；
[0018]特征选择：根据输入和输出数据的特点，选择适合的特征用于训练模型；
[0019]模型构建：利用训练数据，使用决策树算法构建一个能够根据用户特征和历史行为进行预测的模型；
[0020]模型评估：使用评估指标对训练得到的模型进行评估，以衡量其在各乘客个性化推荐任务上的性能；其中，评估指标包括准确率、召回率和F1值；评估时使用交叉验证技术；
[0021]模型调优：根据评估结果对模型进行调优，包括调整决策树的参数、限制树的深度和剪枝，提高模型的性能和泛化能力。
[0022]优选的，所述步骤3包括：
[0023]步骤3.1：收集并保存用户使用空调的习惯，包括空调出风温度、风量和模式，在不同车内环境参数、天气参数和地理信息的条件下，通过训练决策回归树来估算预测出风模式、风量和温度，并将结果推荐给用户，根据用户是否接受该推荐方案来增加或减少以后该推荐方案的几率，当用户接受多个推荐方案设置后，记录用户使用各空调设置的频率和时长；
[0024]步骤3.2：按照使用各种设置的频率和时长的权重来计算得出用户使用各种空调设置的得分，选取最高分数的设置作为在当前条件下的最佳方案；
[0025]步骤3.3：将步骤3.2中的最佳方案替代步骤2中的同等条件下的通适方案作为并推荐给用户，持续循环执行步骤3.1与步骤3.2，并不断更新推荐方案。
[0026]优选的，训练决策回归树的具体过程为：
[0027]数据准备：收集用于训练模型的数据集；
[0028]特征选择：根据任务需求和数据特征，选择用于训练的特征，包括信息增益和基尼指数；
[0029]模型构建：根据选定的特征和目标变量，利用决策树算法构建回归树模型，决策树算法根据特征的值将数据集分割成不同的子集，以最小化目标变量的均方误差或其他损失函数；
[0030]特征划分：根据选定的划分准则，将特征空间分割成多个子空间，每个子空间对应于一个决策节点，该节点基于某个特征的某个划分点将数据集分割；
[0031]递归构建：对每个子空间重复执行模型构建和特征划分，构建更深层次的决策节点，直到满足停止条件，包括达到最大深度和节点包含的样本数小于阈值；
[0032]停止条件：在构建回归决策树的过程中，定义停止条件以避免过拟合，包括设置最大深度、节点包含的样本数小于阈值和节点的纯度达到预设阈值；
[0033]模型评估：使用评估指标，包括均方误差和平均绝对误差，对模型进行评估，衡量模型在训练数据上的拟合程度，同时使用交叉验证技术评估模型在未见过的数据上的泛化能力。
[0034]根据本专利技术提供的基于环境、CAN信号和乘员习惯的汽车空调控制系统，包括：
[0035]模块M1：在车辆出厂前由标定工程师提供表格数据，专家系统根据表格数据查表推荐空调方案；
[0036]模块M2：在车辆出厂后基于大数据训练通适型方案推荐给用户；
[0037]模块M3：通过对乘员空调使用习惯的学习优化模块M2中的通适型方案，提供个性化的空调使用设置推荐。
[0038]优选的，所述模块M1包括：
[0039]模块M1.1：由标定工程师标定车端CAN信号参数，包括车内环境参数和空调参数曲线；所述车内环境参数包括车内温度、PM2.5值和阳光强度；所述空调参数曲线包括空调出风温度曲线、空调出风风量曲线和空调出风模式；
[0040]模块M1.2：依据不同天气参数和地理信息生成一个多维表格，每种天气参数、地理信息和车内环境参数对应一种空调参数，然后依据该表格在车辆初次使用时查表找出相应的推荐空调方案；所述天气参数温度、体感温度、相对湿度、气压和天气；所述地理信息包括城市、经度、纬度和海拔；
[0041]所述模块M2包括：
[0042]模块M2.1：通过云平台或者用户数据库获取其他用户使用空调方案数据；
[0043]模块M2.2：将模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于环境、CAN信号和乘员习惯的汽车空调控制方法，其特征在于，包括：步骤1：在车辆出厂前由标定工程师提供表格数据，专家系统根据表格数据查表推荐空调方案；步骤2：在车辆出厂后基于大数据训练通适型方案推荐给用户；步骤3：通过对乘员空调使用习惯的学习优化步骤2中的通适型方案，提供个性化的空调使用设置推荐。2.根据权利要求1所述的基于环境、CAN信号和乘员习惯的汽车空调控制方法，其特征在于，所述步骤1包括：步骤1.1：由标定工程师标定车端CAN信号参数，包括车内环境参数和空调参数曲线；所述车内环境参数包括车内温度、PM2.5值和阳光强度；所述空调参数曲线包括空调出风温度曲线、空调出风风量曲线和空调出风模式；步骤1.2：依据不同天气参数和地理信息生成一个多维表格，每种天气参数、地理信息和车内环境参数对应一种空调参数，然后依据该表格在车辆初次使用时查表找出相应的推荐空调方案；所述天气参数温度、体感温度、相对湿度、气压和天气；所述地理信息包括城市、经度、纬度和海拔；所述步骤2包括：步骤2.1：通过云平台或者用户数据库获取其他用户使用空调方案数据；步骤2.2：将步骤2.1中获取的大数据训练为一个通用模型，结合步骤1.1中标定的车端CAN信号参数，做成适合本车的通适型空调方案，替代步骤1.2中的多维表格推荐给用户。3.根据权利要求2所述的基于环境、CAN信号和乘员习惯的汽车空调控制方法，其特征在于，通用模型训练的具体过程包括：数据输入：将数据转换为可供模型读取的类型；数据预处理：对输入的数据进行预处理，包括数据清洗、去除重复数据和处理缺失值；特征选择：根据输入和输出数据的特点，选择适合的特征用于训练模型；模型构建：利用训练数据，使用决策树算法构建一个能够根据用户特征和历史行为进行预测的模型；模型评估：使用评估指标对训练得到的模型进行评估，以衡量其在各乘客个性化推荐任务上的性能；其中，评估指标包括准确率、召回率和F1值；评估时使用交叉验证技术；模型调优：根据评估结果对模型进行调优，包括调整决策树的参数、限制树的深度和剪枝，提高模型的性能和泛化能力。4.根据权利要求1所述的基于环境、CAN信号和乘员习惯的汽车空调控制方法，其特征在于，所述步骤3包括：步骤3.1：收集并保存用户使用空调的习惯，包括空调出风温度、风量和模式，在不同车内环境参数、天气参数和地理信息的条件下，通过训练决策回归树来估算预测出风模式、风量和温度，并将结果推荐给用户，根据用户是否接受该推荐方案来增加或减少以后该推荐方案的几率，当用户接受多个推荐方案设置后，记录用户使用各空调设置的频率和时长；步骤3.2：按照使用各种设置的频率和时长的权重来计算得出用户使用各种空调设置的得分，选取最高分数的设置作为在当前条件下的最佳方案；步骤3.3：将步骤3.2中的最佳方案替代步骤2中的同等条件下的通适方案作为并推荐
给用户，持续循环执行步骤3.1与步骤3.2，并不断更新推荐方案。5.根据权利要求4所述的基于环境、CAN信号和乘员习惯的汽车空调控制方法，其特征在于，训练决策回归树的具体过程为：数据准备：收集用于训练模型的数据集；特征选择：根据任务需求和数据特征，选择用于训练的特征，包括信息增益和基尼指数；模型构建：根据选定的特征和目标变量，利用决策树算法构建回归树模型，决策树算法根据特征的值将数据集分割成不同的子集，以最小化目标变量的均方误差或其他损失函数；特征划分：根据选定的划分准则，将特征空间分割成多个子空间，每个子空间对应于一个决策节点，该节点基于某个特征的某个划分点将数据集分割；递归构建：对每个子空间重复执行模型构建和特征划分，构建更深层次的决策节点，直到满足停止条件，包括达到最大深度和节点包含的样本数小于阈值；停止条件：在构建回归决策树的过程中，定义停止条件以避免过拟合，包括设置最大深度、节点包含的样本数小于阈值和节点的纯度达到预设阈值；模型评估：使用评估指标，包括均方误差和平均绝对误差，对模型进行评估，衡量模型在训练数据上的拟合程度，同时使用交叉验证技术评估模型在未见过的数据上的泛化能力。6.一种基于环境、CAN信号...

【专利技术属性】
技术研发人员：李玉钦，王乐，
申请(专利权)人：上海普法芬电子科技有限公司，
类型：发明
国别省市：