一种基于车联网与大数据的车载空调智能调节方法与系统与流程

本发明涉及智能网联技术，尤其涉及一种基于车联网与大数据的车载空调智能调节方法与系统。

背景技术：

随着信息技术和汽车技术的发展，以电动化、网联化、智能化、共享化为代表的新“四化”正在改写汽车行业，未来，智能网联汽车将改变人民的出行方式。

车联网是战略性新兴产业中物联网和智能化汽车两大领域的重要交集。车联网借助新一代信息和通信技术，实现车内、车与车、车与路、车与人、车与服务平台的全方位网络连接，提升汽车智能化水平和自动驾驶能力，构建汽车和交通服务新业态，从而提高交通效率，改善汽车驾乘感受，为用户提供智能、舒适、安全、节能、高效的综合服务。目前，车联网技术的发展，赋予车载空调更多的控制方式，如远程控制、语音控制等。

大数据分析是指对规模巨大的数据进行分析，将大数据技术应用在车联网环境中，可以对车联网收集的大数据进行分析来优化汽车的功能，向智能化发展。

目前多数汽车都配置了全自动空调，全自动车载空调有自动温度控制系统(atc)，俗称恒温空调系统，一旦设定目标温度，atc系统即会根据车内外环境和设定目标进行自动调控，使车内温度迅速达到并保持在设定值。但是汽车空调的工作条件较为恶劣，如暴晒、雨雪、寒风等，外界环境对车室内的热舒适性参数的影响十分强烈，外界环境的变化对车室内的温度场、速度场会产生剧烈的扰动。并且车厢内空间狭小，开启空调后车厢内温度、湿度变化快，驾驶员往往需要频繁地调节空调，才能找到稳定状态下最满意的空调设定。并且，舒适性是一个个性化问题，人们对舒适性的定义是比较复杂和模糊的，同时汽车空调内部系统控制逻辑也是非常复杂的，因此建立汽车空调精确的数学模型或者非常准确的控制模型是非常困难。分析目前车载空调存在的不足：(1)频繁操作空调会影响驾驶员注意力，影响驾驶安全，智能性有待提高；(2)调节空调证明驾驶员不满意当前车内环境，舒适性体验有待提高；(3)调节过程中可能会存在超调阶段，会造成不必要的能源消耗。目前通过研究车载空调控制系统现状，鲜有发现完全不需要人为干预调节的智能空调控制系统，最先进的车载空调系统也只停留在基于用户设的状态进行调控，不具备学习用户习惯的功能。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于车联网与大数据的车载空调智能调节方法与系统。

本发明解决其技术问题所采用的技术方案是：一种基于车联网与大数据的车载空调智能调节方法，包括以下步骤：

1)通过车载终端获取车身各模块采集的数据，所述数据包括：经度、纬度、时间、车内温度、车外温度、空调设定模式、空调设定温度、空调设定风量；

2)建立车载空调智能调节模型；所述车载空调智能调节模型通过大量数据学习到用户使用空调的习惯，并根据车内外环境、天气状况推测出用户期望的空调设定参数；

所述空调设定参数包括：空调设定模式、空调设定温度和空调设定风量；

3)将采集的数据作为模型的输入，获得用户期望的空调设定参数；

4)将空调设定参数发送给控制终端，完成空调智能调节。

按上述方案，所述步骤2)中建立的模型部署在车联网平台，所述车载终端获取的数据实时上传至车联网平台并存储。

按上述方案，所述步骤2)中建立的模型如下：

2.1)在原始特征基础上构建新特征；

对时间信息特征，为规避连续性的规律对模型产生噪声干扰，需要对所有的连续性时间特征做one-hot编码处理，并构造出是否是周末，是否是白天的类别特征；

对经度、纬度地理信息特征，解析出省份、市区、县区3级地理位置特征；

结合时间以及地理信息特征，通过网络爬虫技术挖掘对应地相应时刻的天气信息；所述天气信息包括：温度、相对湿度、酷热指数、严寒指数、空调开启指数；

根据车外温度、空调设定模式、空调设定温度、空调设定风量分析用户对温度的喜好，分为：偏好热、偏好冷、偏好不明确；

2.2)根据新特征建立lightgbm深度学习模型，选定lightgbm模型后，进行超参数调整。同样是在训练集上进行交叉验证，采用贝叶斯优化算法进行调参。

一种基于车联网与大数据的车载空调智能调节系统，包括：

车载终端，用于获取车身各模块采集的数据并上传至车联网平台，所述数据包括：经度、纬度、时间、车内温度、车外温度、空调设定模式、空调设定温度、空调设定风量；

车联网平台，用于将采集的数据作为车载空调智能调节模型的输入，根据部署的车载空调智能调节模型，获得用户期望的空调设定值；所述车载空调智能调节模型通过大量数据学习到用户使用空调的习惯，并根据车内外环境、天气状况推测出用户期望的空调设定参数；

所述空调设定参数包括：空调设定模式、空调设定温度和空调设定风量；

智能调节模块，用于将空调设定参数发送给控制终端，完成空调智能调节。

按上述方案，所述车联网平台中部署的车载空调智能调节模型，建立步骤如下：

2.1)在原始特征基础上构建新特征；

对时间信息特征，为规避连续性的规律对模型产生噪声干扰，需要对所有的连续性时间特征做one-hot编码处理，并构造出是否是周末，是否是白天的类别特征；

对经度、纬度地理信息特征，解析出省份、市区、县区3级地理位置特征；

结合时间以及地理信息特征，通过网络爬虫技术挖掘对应地相应时刻的天气信息；所述天气信息包括：温度、相对湿度、酷热指数、严寒指数、空调开启指数；

根据车外温度、空调设定模式、空调设定温度、空调设定风量分析用户对温度的喜好，分为：偏好热、偏好冷、偏好不明确；

2.2)根据新特征建立lightgbm深度学习模型，选定lightgbm模型后，进行超参数调整。同样是在训练集上进行交叉验证，采用贝叶斯优化算法进行调参。

本发明产生的有益效果是：本发明根据用户车载终端实时上传的数据预测出最适合该用户的空调设定，实现车载空调智能调节。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1和图2所示，一种基于车联网与大数据的车载空调智能调节方法，包括以下步骤：

1)当用户驾车开启空调时，通过车载终端获取车身各模块采集的数据，所述数据包括：经度、纬度、时间、车内温度、车外温度、空调设定模式、空调设定温度、空调设定风量；

2)建立车载空调智能调节模型；所述模型通过大量数据学习到用户使用空调的习惯，并根据车内外环境、天气状况推测出用户期望的空调设定参数；

所述空调设定参数包括：空调设定模式、空调设定温度和空调设定风量；

要想让模型得到好的预测结果，特征工程是关键。基于对业务以及原始特征的理解，我们构造了许多新的特征，总体上，可分为如下几个维度：

2.1)时间信息特征

充分挖掘采集数据时记录的时间，可以分解出车辆使用时刻的年、月、日、小时等时间维度的信息。如2019-2-14-18:54:06，可以分解出年、月、日、时4个时间特征。因为考虑到气候规律与年份相关联，一年四季的气候环境和月份相关联，日期也可以体现一个月中气候环境的变化，又考虑到一天早中晚的温度是变化的并且有规律的，与时相关联。

时间是连续性特征，为规避连续性的规律对模型产生噪声干扰，需要对所有的连续性时间特征做one-hot编码处理。

根据时间特征也可根据造出是否是周末，是否是白天等类别特征，这对于用户所期望的设定温度也一定的影响。并且，对于正常使用空调的用户都是有一个调节过程的，每次空调的打开后的累积运行时间，对于用户期望设定温度也有一定的影响。

2.2)地理信息特征

通过记录的经纬度，可以在地图上精确定位车辆的地址，从而分解出省、市、区/县甚至街道等地理信息。考虑到省份、市区与气候环境、人文习惯有一定关联，因此从经纬度地理特征解析出省份、市区、县区3个地理位置特征。

2.3)天气信息特征

用户期望空调设定温度与车外环境有必然联系，车外温度、光照直接影响到驾驶舱内环境状况，这些外界环境特征全部体现在天气信息特征上。

为了获取车辆历史所在地点时刻的天气情况，结合时间以及地理信息特征，通过网络爬虫技术挖掘某地某时刻的基本天气信息，如：温度、相对湿度、风力、大气压力、天气状况等。

2.4)人体感受特征

用户上车之前的人体感受情况会影响上车一段时间内的期望空调设定温度，所以根据网络爬虫获取的天气情况，可以构造出有关人体感受的气象学领域的指标，从而更直观的反映人体对天气的感受。比如体感温度、酷热指数、严寒指数、空调开启指数、舒适度指数等。

2.5)用户喜好特征

通过数据分析可以看出，在相同的外界环境下，人们对温度的喜好不一，对空调设定温度以及设定习惯也有所不同。大致可将其分为三类：偏好热、偏好冷、偏好不明确。

在训练集上进行折交叉验证，评估不同的学习器，综合效果和时间选取模型；

最后选定lightgbm模型，利用训练集训练模型，使模型获得最优的权重参数，采用贝叶斯优化算法寻找最优解，使模型获得最优的超参数，模型优化完成并保存；

3)将采集的数据作为模型的输入，获得用户期望的空调设定参数；

4)车联网平台将预测出的空调设定参数包装成远程控制指令下发到用户车辆车载终端，车载终端将空调设定参数发送给控制终端，完成空调智能调节。

根据上述方法，我们容易得到一种基于车联网与大数据的车载空调智能调节系统，包括：

车载终端，用于获取车身各模块采集的数据并上传至车联网平台，所述数据包括：经度、纬度、时间、车内温度、车外温度、空调设定模式、空调设定温度、空调设定风量；

车联网平台，用于将采集的数据作为车载空调智能调节模型的输入，根据部署的车载空调智能调节模型，获得用户期望的空调设定值；所述车载空调智能调节模型通过大量数据学习到用户使用空调的习惯，并根据车内外环境、天气状况推测出用户期望的空调设定参数；

所述空调设定参数包括：空调设定模式、空调设定温度和空调设定风量；

车联网平台中部署的车载空调智能调节模型，建立步骤如下：

2.1)在原始特征基础上构建新特征；

对时间信息特征，为规避连续性的规律对模型产生噪声干扰，需要对所有的连续性时间特征做one-hot编码处理，并构造出是否是周末，是否是白天的类别特征；

对经度、纬度地理信息特征，解析出省份、市区、县区3级地理位置特征；

结合时间以及地理信息特征，通过网络爬虫技术挖掘对应地相应时刻的天气信息；所述天气信息包括：温度、相对湿度、酷热指数、严寒指数、空调开启指数；

根据车外温度、空调设定模式、空调设定温度、空调设定风量分析用户对温度的喜好，分为：偏好热、偏好冷、偏好不明确；

2.2)根据新特征建立lightgbm深度学习模型，选定lightgbm模型后，进行超参数调整。同样是在训练集上进行交叉验证，采用贝叶斯优化算法进行调参。

智能调节模块，用于将空调设定参数发送给控制终端，完成空调智能调节。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。