交互调节方法技术

本发明专利技术提供了一种用于车用空调系统的交互调节方法

【技术实现步骤摘要】
交互调节方法、云端调节方法、车端调节方法、介质


[0001]本专利技术涉及车用空调系统控制
，具体地涉及一种车用空调系统的借助车
‑
云平台执行的交互调节方法
、
借助云端执行的云端调节方法
、
借助车端执行的车端调节方法以及用于实现这样的方法的计算机可读存储介质
。

技术介绍

[0002]空调系统
、
即所谓的
HVAC(Heating Ventilation and Air Conditioning
，供热通风与空气调节
)
系统对汽车个性化的舒适性来说扮演着重要的角色
。
因此对于
HVAC
系统的控制精细程度
、
可扩展性和智能性都提出了较高的要求
。
[0003]从现有技术中已知，
HVAC
系统的标定主要依赖于基于一定数量的试验车辆在若干典型区域内的人工标定过程，这一方面使得不能够较全面地覆盖其使用环境或使用工况
。
另一方面，以这种方式的
HVAC
系统的控制策略在量产之后不支持再次更新，无法随着所属车辆或
HVAC
系统本身的使用数据的积累进行迭代更新
。
这两方面的限制会降低用户的舒适性体验并且无法满足控制的个性化需求
。

技术实现思路

[0004]根据不同的方面，本专利技术的目的在于提供一种改善的用于操控车辆空调系统的交互调节方法
、
云端调节方法
、
车端调节方法以及可实现这三种方法中的至少任意一种方法的计算机可读存储介质
。
[0005]此外，本专利技术还旨在解决或者缓解现有技术中存在的其它技术问题
。
[0006]根据本专利技术的第一方面，通过提供一种由车
‑
云平台执行的交互调节方法来解决上述问题，具体而言，其包括如下步骤：
[0007]A1
：将存储在云端的推算模型下发到车端并将其部署在车端，其中，所述推算模型构建为基于历史训练样本集进行预训练的深度学习模型；
[0008]A2
：获取车辆的实时检测数据并基于所述实时检测数据借助推算模型生成调节参数，所述调节参数用于显示给用户；
[0009]A3
：获取用户针对所述调节参数的操作反馈参数并将所述操作反馈参数和对应的实时检测数据整合成扩充数据组并上传至云端，其中，所述车用空调系统基于所述操作反馈参数进行调节；
[0010]A4
：基于所接收到的扩充数据组，对当前的推算模型进行再训练并且将经再训练的推算模型下发并部署在车端
。
[0011]在根据本专利技术的第一方面所提出的交互调节方法中，所述历史训练样本集包括多个由历史数据以及与其相对应的标签构成的历史数据样本，其中，所述历史数据包括地理气象历史数据
、
用户空调调节历史数据
、
车内外环境历史数据
、
车辆状态历史数据和用户健康历史数据，
[0012]相应地，所述实时检测数据包括车内外环境实时数据
、
车辆状态实时数据和用户
健康实时数据
。
[0013]在根据本专利技术的第一方面所提出的交互调节方法中，所述用户健康历史数据包括用户心跳历史数据
、
用户体温历史数据和用户情绪类型历史数据，
[0014]相应地，所述用户健康实时数据包括用户心跳实时数据
、
用户体温实时数据和用户情绪类型实时数据
。
[0015]在根据本专利技术的第一方面所提出的交互调节方法中，所述车辆状态历史数据包括车辆门窗开度历史数据，
[0016]相应地，所述车辆状态实时数据包括车辆门窗开度实时数据
。
[0017]在根据本专利技术的第一方面所提出的交互调节方法中，步骤
A1
包括如下步骤：
[0018]A11
：响应于车辆由用户激活并与用户信息进行匹配，云端调用用户归属地的地理气象数据，所述地理气象数据包括所述用户归属地的气候类型数据和天气统计数据；
[0019]A12
：基于所调用的地理气象数据，对推算模型进行训练并将训练后的推算模型下发并部署在车端
。
[0020]在根据本专利技术的第一方面所提出的交互调节方法中，步骤
A4
包括如下步骤：
[0021]A41
：对所接收到的扩充数据组进行计数；
[0022]A42
：响应于所接受到的扩充数据组的数量满足预设条件，则对推算模型进行再训练并将再训练后的推算模型下发并部署在车端
。
[0023]根据本专利技术的第二方面，还提出一种车用空调系统的云端调节方法，其包括由云端执行的如下步骤：
[0024]B1
：将存储在云端的推算模型下发给车端，其中，所述推算模型构建为基于历史训练样本集进行预训练的深度学习模型并且配置成基于车辆的实时检测数据来生成调节参数；
[0025]B2
：接收来自车端的扩充数据组并基于所述扩充数据组对所述推算模型进行再训练，其中，所述扩充数据组包括用户针对所述调节参数的操作反馈参数和相应的实时检测数据；
[0026]B3
：将再训练后的推算模型下发给车端以供其进行使用
。
[0027]在根据本专利技术的第二方面所提出的车端调节方法中，所述历史训练样本集包括多个由历史数据以及与其相对应的标签构成的历史数据样本，其中，所述历史数据包括地理气象历史数据
、
用户空调调节历史数据
、
车内外环境历史数据
、
车辆状态历史数据和用户健康历史数据
。
[0028]在根据本专利技术的第二方面所提出的车端调节方法中，步骤
B1
包括如下步骤：
[0029]B11
：响应于车辆由用户激活并与用户信息进行匹配，调用用户归属地的地理气象数据，所述地理气象数据包括所述用户归属地的气候类型数据和天气统计数据；
[0030]B12
：基于所调用的地理气象数据，对推算模型进行训练并将训练后的推算模型下发给车端
。
[0031]在根据本专利技术的第二方面所提出的车端调节方法中，所述用户健康历史数据包括用户心跳历史数据
、
用户体温历史数据和用户情绪类型历史数据
。
[0032]在根据本专利技术的第二方面所提出的车端调节方法中，步骤
B2
包括如下步骤：
[0033]B21
：接收所述扩充数据组并对所述扩充数据组进行计数；
[0034]B22
：响应于所接收到的扩充数据组的数量满足预设条件，对推算模型进行再训练并再训练后的推算模型下发给车端
。
[0035]根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于车用空调系统的交互调节方法，其特征在于，其包括如下步骤：
A1
：将存储在云端的推算模型下发到车端并将其部署在车端，其中，所述推算模型构建为基于历史训练样本集进行预训练的深度学习模型；
A2
：获取车辆的实时检测数据并基于所述实时检测数据借助推算模型生成调节参数，所述调节参数用于显示给用户；
A3
：获取用户针对所述调节参数的操作反馈参数并将所述操作反馈参数和对应的实时检测数据整合成扩充数据组并上传至云端，其中，所述车用空调系统基于所述操作反馈参数进行调节；
A4
：基于所接收到的扩充数据组，对当前的推算模型进行再训练并且将经再训练的推算模型下发并部署在车端
。2.
根据权利要求1所述的交互调节方法，其特征在于，所述历史训练样本集包括多个由历史数据以及与其相对应的标签构成的历史数据样本，其中，所述历史数据包括地理气象历史数据
、
用户空调调节历史数据
、
车内外环境历史数据
、
车辆状态历史数据和用户健康历史数据；相应地，所述实时检测数据包括车内外环境实时数据
、
车辆状态实时数据和用户健康实时数据
。3.
根据权利要求2所述的交互调节方法，其特征在于，所述用户健康历史数据包括用户心跳历史数据
、
用户体温历史数据和用户情绪类型历史数据；相应地，所述用户健康实时数据包括用户心跳实时数据
、
用户体温实时数据和用户情绪类型实时数据
。4.
根据权利要求2所述的交互调节方法，其特征在于，所述车辆状态历史数据包括车辆门窗开度历史数据，相应地，所述车辆状态实时数据包括车辆门窗开度实时数据
。5.
根据权利要求1所述的交互调节方法，其特征在于，步骤
A1
包括如下步骤：
A11
：响应于车辆由用户激活并与用户信息进行匹配，云端调用用户归属地的地理气象数据，所述地理气象数据包括所述用户归属地的气候类型数据和天气统计数据；
A12
：基于所调用的地理气象数据，对推算模型进行训练并将训练后的推算模型下发并部署在车端
。6.
根据权利要求1所述的交互调节方法，其特征在于，步骤
A4

【专利技术属性】
技术研发人员：邹海军，谢万峰，吴成贵，
申请(专利权)人：蔚来汽车科技安徽有限公司，
类型：发明
国别省市：