一种基于循环神经网络的汽车车窗起雾状况预测方法与流程

本发明属于汽车车窗起雾监测领域，具体涉及一种基于循环神经网络的汽车车窗起雾状况预测方法。

背景技术：

汽车车窗起雾的原因是“内热外冷”温差大，可能是十几度，冬天甚至会达到20度，这样车窗玻璃上就会出现雾气。即车内空气中的水分子接触到玻璃后，玻璃温度较低水分子遇冷冷凌成小水滴，玻璃上密密麻麻的小水滴造成光线折射、反射等变化，影响视线。传统车辆通常在车窗已经起雾时由驾驶员操作空调系统来吹掉车窗上的水雾，但该方法较为被动且需要手动操作，空调系统将水雾的吹散过程需要一定的时间，在该时间段中水雾也将影响驾驶员的视线，形成安全隐患，而驾驶员无法在车窗即将起雾时判断其是否会起雾。虽然一直保持空调系统在除雾模式可防止汽车车窗起雾，但该模式下会增加汽车的燃油消耗。因此提前预测汽车车窗起雾状况可避免起雾对驾驶员视线的影响，又不额外浪费燃油，也可帮助车载空调系统自动调整工作模式以达到避免车窗起雾的目的。

技术实现要素：

针对现有技术中的上述不足，本发明提供的一种基于循环神经网络的汽车车窗起雾状况预测方法可有效预测汽车车窗的起雾状况。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于循环神经网络的汽车车窗起雾状况预测方法，其包括以下步骤：

s1、获取汽车车窗内、外两侧的温度和空气湿度，并记录对应的车内成员数量和空调系统工作状态信息，得到原始数据集；

s2、根据不同工况下汽车车窗的起雾状况为原始数据集添加能见度标签后进行标准化，得到带有能见度标签的标准化数据集；

s3、预设循环神经网络模型的初始学习率、衰减率、衰减周期、迭代次数、损失函数、训练步长、输入层处理参数、输出层处理参数和隐藏层处理参数，将循环神经网络模型的输入层数量和隐藏层数量设置为与训练步长相同，将输出层数量设置为1，得到初始循环神经网络模型；

s4、采用带有能见度标签的标准化数据集根据梯度下降法对初始循环神经网络模型中的输入层处理参数、输出层处理参数和隐藏层处理参数进行更新，得到训练好的循环神经网络模型；

s5、将当前汽车车窗内、外两侧的温度和空气湿度，以及车内成员数量和空调系统工作状态信息作为训练好的循环神经网络模型的输入数据，将训练好的循环神经网络模型的输出数据作为汽车车窗起雾状况的预测数据，完成汽车车窗起雾状况预测。

进一步地，步骤s2的具体方法为：

根据不同工况下汽车车窗的起雾状况，按照能见度0～1为原始数据集添加能见度标签，得到带有能见度标签的数据集；其中数值越大表示能见度越好；

根据公式

将带有能见度标签的数据集进行标准化处理，得到带有能见度标签的标准化数据集z；其中d为带有能见度标签的数据集的原始数据；mean_d为原始数据d的列均值；std_d为原始数据d的列标准差。

进一步地，步骤s3在得到初始循环神经网络模型之前还包括：

根据公式

st+1＝uxt+wst

ot＝vst＝v(uxt-1+wst-1)

设定网络节点之间的关系；其中u为输入层处理参数；v为输出层处理参数；w为隐藏层处理参数；xt为t时刻输入的带有能见度标签的标准化数据；xt-1为t-1时刻输入的带有能见度标签的标准化数据；ot为t时刻输出层的输出；st为t时刻隐藏层的状态；st-1为t-1时刻隐藏层的状态；st+1为t+1时刻隐藏层的状态。

进一步地，步骤s4的具体方法包括以下子步骤：

s4-1、将带有能见度标签的标准化数据集划分为训练集和测试集，将训练集作为初始循环神经网络模型的输入；

s4-2、根据公式

对循环神经网络模型的学习速率进行更新；其中learn_rate为更新后的学习速率；start_rate为初始的学习速率；decay_rate为学习速率每轮的衰减率，且0<decay_rate<1；decay_step为衰减周期；global_step为当前的全局训练步数；

采用梯度下降法，根据公式

对初始循环神经网络模型中的输入层处理参数u、输出层处理参数v和隐藏层处理参数w进行更新，并获取更新过程中循环神经网络模型对t时刻输入样本的预测结果pt＝v(uxt-1+wst-1)；其中m为训练集的样本数；yt为t时刻输入样本的真实标签；

s4-3、判断更新次数是否达到预设值，若是则进入步骤s4-4，否则返回步骤s4-2；

s4-4、保存更新后循环神经网络模型及网络参数，使用测试集对更新后的循环神经网络模型进行准确率验证，根据公式

计算更新后的循环神经网络模型对测试样本的预测结果与测试样本的真实标签的偏差率e；其中test为含有n个测试样本的测试集；i为第i个测试样本；predi为第i个测试样本的预测结果；reali为第i个测试样本的真实标签；

s4-5、判断偏差率e是否小于偏差阈值，若是则将保持的更新后的循环神经网络模型作为训练好的循环神经网络模型；否则返回步骤s4-1。

本发明的有益效果为：本发明可通过循环神经网络模型根据汽车车窗内、外两侧的温度和空气湿度，并记录对应的车内成员数量和空调系统工作状态信息对汽车车窗的起雾状况进行有效预测，根据预测结果可避免起雾后再除雾带来的影响，同时又不需要一直保持除雾工况，可节约燃油。当将本方法与空调系统进行结合时，可通过本方法的预测结果自动控制空调系统的工作模式，减少驾驶员对空调系统的操作次数，提高行驶安全性。

附图说明

图1为本发明的流程示意图；

图2未采用学习速率对循环神经网络进行训练的预测效果示意图；

图3为采用了学习速率对循环神经网络进行训练的预测效果示意图；

图4为是否采用学习速率的平均偏差值对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于循环神经网络的汽车车窗起雾状况预测方法包括以下步骤：

s1、获取汽车车窗内、外两侧的温度和空气湿度，并记录对应的车内成员数量和空调系统工作状态信息，得到原始数据集；

s2、根据不同工况下汽车车窗的起雾状况为原始数据集添加能见度标签后进行标准化，得到带有能见度标签的标准化数据集；

s3、预设循环神经网络模型的初始学习率、衰减率、衰减周期、迭代次数、损失函数、训练步长、输入层处理参数、输出层处理参数和隐藏层处理参数，将循环神经网络模型的输入层数量和隐藏层数量设置为与训练步长相同，将输出层数量设置为1，得到初始循环神经网络模型；

s4、采用带有能见度标签的标准化数据集根据梯度下降法对初始循环神经网络模型中的输入层处理参数、输出层处理参数和隐藏层处理参数进行更新，得到训练好的循环神经网络模型；

s5、将当前汽车车窗内、外两侧的温度和空气湿度，以及车内成员数量和空调系统工作状态信息作为训练好的循环神经网络模型的输入数据，将训练好的循环神经网络模型的输出数据作为汽车车窗起雾状况的预测数据，完成汽车车窗起雾状况预测。

步骤s2的具体方法为：根据不同工况下(例如某一状态下一段时间后，时间值可取15秒)汽车车窗的起雾状况，按照能见度0～1为原始数据集添加能见度标签，得到带有能见度标签的数据集；其中数值越大表示能见度越好；

根据公式

将带有能见度标签的数据集进行标准化处理，得到带有能见度标签的标准化数据集z；其中d为带有能见度标签的数据集的原始数据；mean_d为原始数据d的列均值；std_d为原始数据d的列标准差。

步骤s3在得到初始循环神经网络模型之前还包括：根据公式

st+1＝uxt+wst

ot＝vst＝v(uxt-1+wst-1)

设定网络节点之间的关系；其中u为输入层处理参数；v为输出层处理参数；w为隐藏层处理参数；xt为t时刻输入的带有能见度标签的标准化数据；xt-1为t-1时刻输入的带有能见度标签的标准化数据；ot为t时刻输出层的输出；st为t时刻隐藏层的状态；st-1为t-1时刻隐藏层的状态；st+1为t+1时刻隐藏层的状态。第一个隐藏层状态可设置为0。

步骤s4的具体方法包括以下子步骤：

s4-1、将带有能见度标签的标准化数据集划分为训练集和测试集，将训练集作为初始循环神经网络模型的输入；

s4-2、根据公式

对循环神经网络模型的学习速率进行更新；其中learn_rate为更新后的学习速率；start_rate为初始的学习速率；decay_rate为学习速率每轮的衰减率，且0<decay_rate<1；decay_step为衰减周期；global_step为当前的全局训练步数；

采用梯度下降法，根据公式

对初始循环神经网络模型中的输入层处理参数u、输出层处理参数v和隐藏层处理参数w进行更新，并获取更新过程中循环神经网络模型对t时刻输入样本的预测结果pt＝v(uxt-1+wst-1)；其中m为训练集的样本数；yt为t时刻输入样本的真实标签；

s4-3、判断更新次数是否达到预设值，若是则进入步骤s4-4，否则返回步骤s4-2；

s4-4、保存更新后循环神经网络模型及网络参数，使用测试集对更新后的循环神经网络模型进行准确率验证，根据公式

计算更新后的循环神经网络模型对测试样本的预测结果与测试样本的真实标签的偏差率e；其中test为含有n个测试样本的测试集；i为第i个测试样本；predi为第i个测试样本的预测结果；reali为第i个测试样本的真实标签；

s4-5、判断偏差率e是否小于偏差阈值，若是则将保持的更新后的循环神经网络模型作为训练好的循环神经网络模型；否则返回步骤s4-1。

在本发明的一个实施例中，在不采用学习速率下降方法的情况下，设置训练步长设置为20，训练集的样本数量为5600，测试集的样本数量为320，即每次输入连续20个样本进行训练。如图2所示，图中实线为测试集中车窗能见度的真实值，虚线为本方法对测试集能见度的预测值，由图可见，实线与虚线的拟合度非常高。按照时间先后顺序将测试集分为4组，每组由80个样本组成，分别得出四组预测结果的平均偏差率依次为1.846％、1.927％、1.742％、2.538％，随着测试集样本时间片向后推移，预测的偏差率有所波动，但依然保持在较低水平，故在不采用学习速率下降方法的情况下，本方法可以准确预测了车窗能见度。

在本发明的另一个实施例中，在采用了学习速率下降方法的情况下，设置训练步长设置为20，训练集的样本数量为5600，测试集的样本数量为320，即每次输入连续20个样本进行训练。如图3和图4所示(图4中实心点连线为基于采用了学习速率下降方法的偏差率，空心点连线为未采用学习速率下降方法的偏差率)，组预测结果的平均偏差率依次为1.514％、1.598％、1.187％、2.275％，优于未使用学习速率指数下降的情况，可进一步提升基于循环神经网络的本方法的预测准确率。

综上所述，本发明采用学习速率下降的方式来优化循环神经网络模型的训练，先使用较高的学习率来快速得到一个比较优的网络参数，然后随着迭代次数的增加逐步降低学习率，使得模型训练过程趋于稳定，以得到更优的网络参数，使得网络获得更快的训练速度和更高的预测准确率。本发明可通过循环神经网络模型根据汽车车窗内、外两侧的温度和空气湿度，并记录对应的车内成员数量和空调系统工作状态信息对汽车车窗的起雾状况进行有效预测，根据预测结果可避免起雾后再除雾带来的影响，同时又不需要一直保持除雾工况，可节约燃油。当将本方法与空调系统进行结合时，可通过本方法的预测结果自动控制空调系统的工作模式，减少驾驶员对空调系统的操作次数，提高行驶安全性。