汽油辛烷值预测方法、装置、介质及电子设备与流程

1.本公开涉及汽油技术领域，具体地，涉及一种汽油辛烷值预测方法、装置、介质及电子设备。


背景技术：

2.汽油辛烷值是衡量汽油在气缸内抗爆震燃烧能力的一种数字指标，汽油辛烷值越高表示汽油抗爆性越好，汽油质量越高。在汽油调和过程中，辛烷值预测是一大难点，相关技术中预测汽油辛烷值的方式主要是基于组分油的宏观性质，例如组分油的沸点、密度等信息，然而该预测方式的泛用性较差，预测结果不够准确。


技术实现要素：

3.本公开的目的是提供一种汽油辛烷值预测方法、装置、介质及电子设备，可以使得预测出的汽油辛烷值更准确。
4.为了实现上述目的，第一方面，本公开提供一种汽油辛烷值预测方法，所述方法包括：确定待预测汽油的分子组成特征信息，其中，所述分子组成特征信息包括所述待预测汽油中每一分子各自的独立辛烷值贡献信息，以及所述待预测汽油中每两个分子的混合辛烷值贡献信息，所述独立辛烷值贡献信息用于表征在理想情况下所述分子对所述待预测汽油的汽油辛烷值的贡献信息，所述混合辛烷值贡献信息为在理想情况下两个分子各自的独立辛烷值贡献信息的线性混合；将所述待预测汽油的所述分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，得到所述汽油辛烷值预测模型输出的所述待预测汽油的目标汽油辛烷值，其中，所述汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。
5.可选地，所述确定待预测汽油的分子组成特征信息，包括：获取所述待预测汽油中每一分子各自的质量分率和分子辛烷值；根据每一分子各自的所述质量分率和所述分子辛烷值，确定待预测汽油的所述分子组成特征信息。
6.可选地，所述根据每一分子各自的所述质量分率和所述分子辛烷值，确定待预测汽油的所述分子组成特征信息，包括：针对所述待预测汽油中每一所述分子，根据所述分子的所述质量分率和所述分子辛烷值，确定所述分子的独立辛烷值贡献信息；针对所述待预测汽油中每两个不同的分子，根据两个分子各自的独立辛烷值贡献信息，确定两个分子的混合辛烷值贡献信息；根据所述独立辛烷值贡献信息和所述混合辛烷值贡献信息，确定待预测汽油的所述分子组成特征信息。
7.可选地，所述根据所述分子的所述质量分率和所述分子辛烷值，确定所述分子的独立辛烷值贡献信息，包括：将所述分子的所述质量分率和所述分子辛烷值的乘积，作为所述分子的独立辛烷值贡献信息。
8.可选地，所述根据两个分子各自的独立辛烷值贡献信息，确定两个分子的混合辛烷值贡献信息，包括：将两个分子各自的所述独立辛烷值贡献信息之和，作为两个分子的混
合辛烷值贡献信息。
9.可选地，所述汽油辛烷值预测模型为卷积神经网络模型；所述汽油辛烷值预测模型是通过如下方式训练得到的：获取训练样品汽油的分子组成特征信息；将所述训练样品汽油的分子组成特征信息输入到卷积神经网络模型中，得到所述卷积神经网络模型输出的所述训练样品汽油的第一汽油辛烷值；根据所述第一汽油辛烷值和预先标注的所述训练样品汽油的第二汽油辛烷值之间的差异信息，对所述卷积神经网络模型进行训练；响应于模型训练完成，得到所述汽油辛烷值预测模型。
10.可选地，所述汽油辛烷值预测模型为卷积神经网络模型，所述汽油辛烷值预测模型包括输入层、卷积层、池化层和输出层，其中，所述输入层用于接收待预测汽油的所述分子组成特征信息，所述卷积层用于进行卷积计算，所述池化层用于进行最大值池化，所述输出层包括全连接神经网络层，用于输出待预测汽油的目标汽油辛烷值。
11.第二方面，本公开提供一种汽油辛烷值预测装置，所述装置包括：确定模块，用于确定待预测汽油的分子组成特征信息，其中，所述分子组成特征信息包括所述待预测汽油中每一分子各自的独立辛烷值贡献信息，以及所述待预测汽油中每两个分子的混合辛烷值贡献信息，所述独立辛烷值贡献信息用于表征在理想情况下所述分子对所述待预测汽油的汽油辛烷值的贡献信息，所述混合辛烷值贡献信息为在理想情况下两个分子各自的独立辛烷值贡献信息的线性混合；第一输入模块，用于将所述待预测汽油的所述分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，得到所述汽油辛烷值预测模型输出的所述待预测汽油的目标汽油辛烷值，其中，所述汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。
12.可选地，所述确定模块，包括：获取子模块，用于获取所述待预测汽油中每一分子各自的质量分率和分子辛烷值；第一确定子模块，用于根据每一分子各自的所述质量分率和所述分子辛烷值，确定待预测汽油的所述分子组成特征信息。
13.可选地，所述第一确定子模块，包括：第二确定子模块，用于针对所述待预测汽油中每一所述分子，根据所述分子的所述质量分率和所述分子辛烷值，确定所述分子的独立辛烷值贡献信息；第三确定子模块，用于针对所述待预测汽油中每两个不同的分子，根据两个分子各自的独立辛烷值贡献信息，确定两个分子的混合辛烷值贡献信息；第四确定子模块，用于根据所述独立辛烷值贡献信息和所述混合辛烷值贡献信息，确定待预测汽油的所述分子组成特征信息。
14.可选地，所述第二确定子模块用于：将所述分子的所述质量分率和所述分子辛烷值的乘积，作为所述分子的独立辛烷值贡献信息。
15.可选地，所述第三确定子模块用于：将两个分子各自的所述独立辛烷值贡献信息之和，作为两个分子的混合辛烷值贡献信息。
16.可选地，所述汽油辛烷值预测模型为卷积神经网络模型；所述汽油辛烷值预测模型是通过汽油辛烷值预测模型训练装置训练得到的，所述汽油辛烷值预测模型训练装置包括：获取模块，用于获取训练样品汽油的分子组成特征信息；第二输入模块，用于将所述训练样品汽油的分子组成特征信息输入到卷积神经网络模型中，得到所述卷积神经网络模型输出的所述训练样品汽油的第一汽油辛烷值；训练模块，用于根据所述第一汽油辛烷值和预先标注的所述训练样品汽油的第二汽油辛烷值之间的差异信息，对所述卷积神经网络模
型进行训练；模型获得模块，用于响应于模型训练完成，得到所述汽油辛烷值预测模型。
17.第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
18.第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
19.通过上述技术方案，首先确定待预测汽油的分子组成特征信息，该分子组成特征信息可包括待预测汽油中每一分子各自的独立辛烷值贡献信息，以及待预测汽油中每两个分子的混合辛烷值贡献信息，之后将该分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，得到模型输出的待预测汽油的目标汽油辛烷值，其中，汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。如此，由于不同分子的分子辛烷值之间具有一定的相互作用，因此通过汽油辛烷值预测模型对待预测汽油的辛烷值进行预测，考虑各分子之间分子辛烷值的相互作用和相互影响，可以使得预测出的汽油辛烷值更准确，提高目标汽油辛烷值的准确性，为汽油调和提高准确依据。
20.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
21.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
22.图1是根据一示例性实施例示出的一种汽油辛烷值预测方法的流程图。
23.图2是根据一示例性实施例示出的一种确定待预测汽油的分子组成特征信息的方法的流程图。
24.图3是根据一示例性实施例示出的一种根据每一分子各自的质量分率和分子辛烷值确定待预测汽油的分子组成特征信息的方法的流程图。
25.图4是根据一示例性实施例示出的一种分子组成特征信息的示意图。
26.图5是根据一示例性实施例示出的一种汽油辛烷值预测模型的训练方法的流程图。
27.图6是根据一示例性实施例示出的一种汽油辛烷值预测装置的框图。
28.图7是根据一示例性实施例示出的一种电子设备的框图。
29.图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
30.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
31.图1是根据一示例性实施例示出的一种汽油辛烷值预测方法的流程图，该方法可应用于具有处理能力的电子设备中，例如终端或服务器，如图1所示，该方法可包括s101和s102。
32.在s101中，确定待预测汽油的分子组成特征信息。
33.在s102中，将待预测汽油的分子组成特征信息输入到预先训练的汽油辛烷值预测
模型中，得到汽油辛烷值预测模型输出的待预测汽油的目标汽油辛烷值。
34.其中，待预测汽油可以是需要进行辛烷值预测的汽油。相关技术中预测汽油辛烷值的方式主要是基于组分油的宏观性质，例如组分油的沸点、密度等信息，但由于宏观性质对应的组成可能有很多种，而辛烷值又与汽油的组成息息相关，导致该预测方式的泛用性较差。另外，相关技术中汽油辛烷值预测模型通常采用传统的参数回归方法，对某一具体表达式的参数进行回归，受这种方式的计算能力所限，模型中设置的参数不能太多，否则训练不易收敛，因此这种模型通常只考虑分子类型之间的相互作用，而忽略分子间的相互作用，其中分子类型主要包括烷烃、环烷烃、芳烃等，而且模型定义的分子种类也较少，扩展性一般。
35.在本公开中，在对待预测汽油的辛烷值进行预测时，首先确定待预测汽油的分子组成特征信息，该分子组成特征信息可包括待预测汽油中每一分子各自的独立辛烷值贡献信息，以及待预测汽油中每两个分子的混合辛烷值贡献信息。其中，独立辛烷值贡献信息可用于表征在理想情况下分子对待预测汽油的汽油辛烷值的贡献信息，混合辛烷值贡献信息为在理想情况下两个分子各自的独立辛烷值贡献信息的线性混合。
36.汽油中通常包含几百个分子，例如苯、环己烷、1-戊烯、正丁烷等等，汽油的分子也可通过集总的形式进行表示，例如碳10芳烃集总，各分子的辛烷值之间具有一定的相互作用，汽油辛烷值不能仅仅采用每一分子各自对汽油辛烷值的贡献的加和来计算。本公开中，在确定出待预测汽油的分子组成特征信息后，可将该分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，其中，汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。示例地，该汽油辛烷值预测模型可以为卷积神经网络模型，汽油辛烷值预测模型可根据该分子组成特征信息进行计算，并输出待预测汽油的目标汽油辛烷值。如此，通过汽油辛烷值预测模型对待预测汽油的辛烷值进行预测，考虑各分子之间分子辛烷值的相互作用和相互影响，可以使得预测出的汽油辛烷值更准确。
37.通过上述技术方案，首先确定待预测汽油的分子组成特征信息，该分子组成特征信息可包括待预测汽油中每一分子各自的独立辛烷值贡献信息，以及待预测汽油中每两个分子的混合辛烷值贡献信息，之后将该分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，得到模型输出的待预测汽油的目标汽油辛烷值，其中，汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。如此，由于不同分子的分子辛烷值之间具有一定的相互作用，因此通过汽油辛烷值预测模型对待预测汽油的辛烷值进行预测，考虑各分子之间分子辛烷值的相互作用和相互影响，可以使得预测出的汽油辛烷值更准确，提高目标汽油辛烷值的准确性，为汽油调和提高准确依据。
38.图2是根据一示例性实施例示出的一种确定待预测汽油的分子组成特征信息的方法的流程图，如图2所示，上述s101可包括s201和s202。
39.在s201中，获取待预测汽油中每一分子各自的质量分率和分子辛烷值。
40.其中，待预测汽油的分子组成可以是采用仪器分析分子组成数据，也可以是过程动力学模型的分子组成计算数据。分子的质量分率表示分子的质量与待预测汽油总质量的比值。分子的分子辛烷值可以是预先检测的试验值。
41.由于汽油中包含的分子较多，通常包含几百种分子，为了便于举例示意，以汽油中包含正丁烷、1-戊烯、环己烷、苯四种分子为例进行说明，值得说明的是，该示例仅为解释说
明，不构成对本公开实施方式的限制。示例地，正丁烷的质量分率为0.1，正丁烷的分子辛烷值为94；1-戊烯的质量分率为0.2，1-戊烯的分子辛烷值为90.9；环己烷的质量分率为0.3，环己烷的分子辛烷值为83；苯的质量分率为0.4，苯的分子辛烷值为101。
42.在s202中，根据每一分子各自的质量分率和分子辛烷值，确定待预测汽油的分子组成特征信息。
43.示例地，该步骤s202的实施方式可如图3所示，包括s2021至s2023。
44.在s2021，针对待预测汽油中每一分子，根据该分子的质量分率和分子辛烷值，确定该分子的独立辛烷值贡献信息。
45.其中，独立辛烷值贡献信息用于表征在理想情况下分子对待预测汽油的汽油辛烷值的贡献信息。根据分子的质量分率和分子辛烷值，确定分子的独立辛烷值贡献信息的示例性实施方式可以为：将分子的质量分率和分子辛烷值的乘积，作为该分子的独立辛烷值贡献信息。沿用上述实例，正丁烷的独立辛烷值贡献信息可以为9.4，1-戊烯的独立辛烷值贡献信息可以为18.18，环己烷的独立辛烷值贡献信息可以为24.9，苯的独立辛烷值贡献信息可以为40.4。
46.在s2022中，针对待预测汽油中每两个不同的分子，根据两个分子各自的独立辛烷值贡献信息，确定两个分子的混合辛烷值贡献信息。
47.确定每两个分子的混合辛烷值贡献信息的示例性实施方式可以为：将两个分子各自的独立辛烷值贡献信息之和，作为两个分子的混合辛烷值贡献信息。沿用上述实例，示例地，正丁烷和1-戊烯的混合辛烷值贡献信息可以为27.58，正丁烷和环己烷的混合辛烷值贡献信息可以为34.3。
48.在s2023中，根据独立辛烷值贡献信息和混合辛烷值贡献信息，确定待预测汽油的分子组成特征信息。
49.例如，可将独立辛烷值贡献信息和混合辛烷值贡献信息构成的数据集合，作为待预测汽油的分子组成特征信息。
50.通过上述技术方案，确定待预测汽油中每一分子各自的独立辛烷值贡献信息，以及每两个分子的混合辛烷值贡献信息，并根据独立辛烷值贡献信息和混合辛烷值贡献信息，确定待预测汽油的分子组成特征信息。
51.在一可选实施方式中，分子组成特征信息可以通过二维矩阵的形式进行表示，下面介绍在以二维矩阵的形式表示分子组成特征信息的情况下，确定该分子组成特征信息的示例性实施例方式。其中，二维矩阵的行和列均由汽油中包含的所有分子构成，且矩阵的行和列的排列顺序保持一致，示例地，分子的排列顺序可以是技术人员设置的，也可以按照分子的沸点从大到小进行排序。
52.以汽油中包含正丁烷、1-戊烯、环己烷、苯四种分子为例进行说明。图4是根据一示例性实施例示出的一种分子组成特征信息的示意图，如图4所示，以二维矩阵对该分子组成特征信息进行表示，矩阵的行和列中分子的排列顺序保持一致。矩阵中第i行第j列的元素值的计算方式如下公式(1)所示：
[0053][0054]
其中，i表示分子组成特征信息中的第i行，j表示分子组成特征信息中的第j列，e
ij
表示分子组成特征信息中第i行第j列的元素值，ci表示第i行对应的分子的质量分率，ri表示第i行对应的分子的分子辛烷值，c
i*ri
表示第i行对应的分子的独立辛烷值贡献信息，cj表示第j列对应的分子的质量分率，rj表示第j列对应的分子的分子辛烷值，c
j*rj
表示第j列对应的分子的独立辛烷值贡献信息。
[0055]
如图4所示，以第1行第1列为例，矩阵中第1行第1列的元素值为苯的独立辛烷值贡献信息。以第1行第2列为例，第1行对应的分子为苯，第2列对应的分子为正丁烷，那么矩阵中第1行第2列的元素值为苯的独立辛烷值贡献信息和正丁烷的独立辛烷值贡献信息之和。
[0056]
通过上述方案，可通过二维矩阵的形式对分子组成特征信息进行表示，矩阵中的元素值可包括每一分子各自的独立辛烷值贡献信息，以及每两个分子的混合辛烷值贡献信息，如此可构建待预测汽油的矩阵形式的分子组成特征信息。
[0057]
相关技术中汽油辛烷值预测模型通常采用传统的参数回归方法，对某一具体表达式的参数进行回归，这种模型的计算能力有限，模型中设置的参数一般较少，通常未考虑汽油分子之间的相互作用。本公开中，汽油辛烷值预测模型可以为卷积神经网络模型，卷积神经网络是一种深度学习方法，其计算能力更强，对训练大量数据和大量参数的模型有良好的效果。因此，选择卷积神经网络来训练汽油辛烷值预测模型，可以定义更多的分子，并且能考虑分子之间分子辛烷值的相互作用。
[0058]
图5是根据一示例性实施例示出的一种汽油辛烷值预测模型的训练方法的流程图，如图5所示，该方法可包括s501至s504。
[0059]
在s501中，获取训练样品汽油的分子组成特征信息。
[0060]
其中，训练样品汽油可以是已经标注出汽油辛烷值的样品汽油，训练样品汽油的分子组成特征信息可根据训练样品汽油中每一分子各自的质量分率和分子辛烷值确定，包括训练样品汽油中每一分子各自的独立辛烷值贡献信息，以及训练样品汽油中每两个分子的混合辛烷值贡献信息。训练样品汽油的分子组成特征信息也可通过二维矩阵的形式进行表示。
[0061]
值得说明的是，对于训练样品汽油的数量，本公开不做具体限定，可以是多个，并可分别获取每一训练样品汽油各自的分子组成特征信息。
[0062]
在s502中，将训练样品汽油的分子组成特征信息输入到卷积神经网络模型中，得到卷积神经网络模型输出的训练样品汽油的第一汽油辛烷值。
[0063]
如果训练样品汽油的数量为多个，可同时将多个训练样品汽油各自的分子组成特征信息均输入至卷积神经网络模型中，得到卷积神经网络模型输出的每一训练样品汽油的各自的第一汽油辛烷值，该第一汽油辛烷值即卷积神经网络模型预测出的训练样品汽油的辛烷值。
[0064]
在s503中，根据第一汽油辛烷值和预先标注的训练样品汽油的第二汽油辛烷值之间的差异信息，对卷积神经网络模型进行训练。
[0065]
其中，可根据卷积神经网络模型输出的训练样品汽油的第一汽油辛烷值，与预先标注的训练样品汽油的第二汽油辛烷值之间的差异信息，对卷积神经网络模型的参数进行更新，例如采用梯度下降法对模型的参数进行更新，以对卷积神经网络模型进行训练。
[0066]
在s504中，响应于模型训练完成，得到汽油辛烷值预测模型。
[0067]
示例地，可通过测试集验证模型是否训练完成，如果模型预测结果的平均绝对误
差小于预设误差阈值，可表征模型训练完成，即得到训练完成的汽油辛烷值预测模型，训练完成的汽油辛烷值预测模型中的参数可用于反映汽油中各分子之间分子辛烷值的相互作用信息。
[0068]
示例地，汽油辛烷值预测模型可包括输入层、卷积层、池化层和输出层。在对待预测汽油的汽油辛烷值进行预测时，输入层可用于接收待预测汽油的分子组成特征信息，卷积层可用于进行卷积计算，池化层可用于进行最大值池化。在一实施例中，卷积层和池化层各有四层，并在网络结构中交替出现，四个卷积层的卷积核个数例如分别为16、32、64、128，卷积核尺寸均为4，步长为1，激活函数为relu，池化层的池化尺寸例如均为2，步长为2，数据经过最后一个池化层后被拉平，然后进行到输出层。输出层可包括全连接神经网络层，用于输出待预测汽油的目标汽油辛烷值。
[0069]
基于同一发明构思，本公开还提供一种汽油辛烷值预测装置，图6是根据一示例性实施例示出的一种汽油辛烷值预测装置的框图，如图6所示，该装置可包括：
[0070]
确定模块601，用于确定待预测汽油的分子组成特征信息，其中，所述分子组成特征信息包括所述待预测汽油中每一分子各自的独立辛烷值贡献信息，以及所述待预测汽油中每两个分子的混合辛烷值贡献信息，所述独立辛烷值贡献信息用于表征在理想情况下所述分子对所述待预测汽油的汽油辛烷值的贡献信息，所述混合辛烷值贡献信息为在理想情况下两个分子各自的独立辛烷值贡献信息的线性混合；
[0071]
第一输入模块602，用于将所述待预测汽油的所述分子组成特征信息输入到预先训练的汽油辛烷值预测模型中，得到所述汽油辛烷值预测模型输出的所述待预测汽油的目标汽油辛烷值，其中，所述汽油辛烷值预测模型中的参数用于反映汽油中各分子之间分子辛烷值的相互作用信息。
[0072]
可选地，所述确定模块601，包括：获取子模块，用于获取所述待预测汽油中每一分子各自的质量分率和分子辛烷值；第一确定子模块，用于根据每一分子各自的所述质量分率和所述分子辛烷值，确定待预测汽油的所述分子组成特征信息。
[0073]
可选地，所述第一确定子模块，包括：第二确定子模块，用于针对所述待预测汽油中每一所述分子，根据所述分子的所述质量分率和所述分子辛烷值，确定所述分子的独立辛烷值贡献信息；第三确定子模块，用于针对所述待预测汽油中每两个不同的分子，根据两个分子各自的独立辛烷值贡献信息，确定两个分子的混合辛烷值贡献信息；第四确定子模块，用于根据所述独立辛烷值贡献信息和所述混合辛烷值贡献信息，确定待预测汽油的所述分子组成特征信息。
[0074]
可选地，所述第二确定子模块用于：将所述分子的所述质量分率和所述分子辛烷值的乘积，作为所述分子的独立辛烷值贡献信息。
[0075]
可选地，所述第三确定子模块用于：将两个分子各自的所述独立辛烷值贡献信息之和，作为两个分子的混合辛烷值贡献信息。
[0076]
可选地，所述汽油辛烷值预测模型为卷积神经网络模型；所述汽油辛烷值预测模型是通过汽油辛烷值预测模型训练装置训练得到的，所述汽油辛烷值预测模型训练装置包括：获取模块，用于获取训练样品汽油的分子组成特征信息；第二输入模块，用于将所述训练样品汽油的分子组成特征信息输入到卷积神经网络模型中，得到所述卷积神经网络模型输出的所述训练样品汽油的第一汽油辛烷值；训练模块，用于根据所述第一汽油辛烷值和
预先标注的所述训练样品汽油的第二汽油辛烷值之间的差异信息，对所述卷积神经网络模型进行训练；模型获得模块，用于响应于模型训练完成，得到所述汽油辛烷值预测模型。
[0077]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0078]
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(i/o)接口704，以及通信组件705中的一者或多者。
[0079]
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的汽油辛烷值预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
[0080]
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的汽油辛烷值预测方法。
[0081]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的汽油辛烷值预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的汽油辛烷值预测方法。
[0082]
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计
算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的汽油辛烷值预测方法。
[0083]
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
等等。
[0084]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的汽油辛烷值预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的汽油辛烷值预测方法。
[0085]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的汽油辛烷值预测方法的代码部分。
[0086]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0087]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0088]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。