一种空调控制方法、设备及存储介质与流程

1.本发明涉及空调技术领域，特别是涉及一种空调控制方法、设备及存储介质。


背景技术：

2.当前，车载空调系统作为汽车上的直接与用户发生交互的重点组件，通常是在检测到用户对空调的运行模式进行调节的情况下，基于用户设定的运行模式进行空调调节。
3.在外部环境改变的情况下，需要用户多次调节空调的运行模式才可以达到当前用户所期望的室内空调环境，提高了调节复杂度，且降低了用户体验感。


技术实现要素：

4.鉴于上述问题，提出了本发明，以便提供一种克服上述问题或者至少部分地解决上述问题的车载空调控制方法、设备及存储介质。
5.基于本发明的第一方面，提供了一种空调控制方法，应用于车载空调系统中，所述方法包括：
6.获取车载空调系统当前的环境传感数据；
7.对所述环境传感数据进行数据处理，得到目标传感数据；
8.将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的；
9.按照所述系统运行参数，对所述车载空调系统进行调节。
10.基于本发明的第二方面，还提供了一种电子设备，包括：
11.一个或多个处理器；
12.存储器；
13.一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述中任一所述的方法。
14.基于本发明的第三方面，还提供了一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成上述中任一所述的方法。
15.与现有技术相比，本发明包括获取车载空调系统当前的环境传感数据，然后对所述环境传感数据进行数据处理，得到目标传感数据，接着将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的。最后按照所述系统运行参数，对所述车载空调系统进行调节。由此，基于模型预测得到的车载用户所偏好的系统运行参数，对空调系统的动态自调节，能够降低用户的调节复杂度，并保证车内环境始终处于车载用户所偏好的舒适区间。
16.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够
更明显易懂，以下特举本发明的具体实施方式。
附图说明
17.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
18.在附图中：
19.图1是本发明实施例提供的一种空调控制方法的步骤流程示意图；
20.图2是本发明实施例提供的另一种空调控制方法的步骤流程示意图；
21.图3是本发明实施例提供的一种多输出分类模型的模型结构示意图；
22.图4是本发明实施例提供的另一种多输出分类模型的模块结构示意图；
23.图5是本发明实施例提供的一种多输出分类模型的训练步骤流程示意图；
24.图6是本发明实施例提供的一种空调控制装置的结构示意图。
具体实施方式
25.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
26.参照图1，示出了本发明实施例提供的一种空调控制方法，应用于车载控制系统中，所述方法可以包括：
27.s101、获取车载空调系统当前的环境传感数据。
28.本发明实施例中，所述车载空调系统可以包括车载终端和各种传感设备。所述空调控制方法应用于车载终端中。在所述车载终端检测到所述车载空调系统启动运行时，可以获取当前的各传感设备所对应的传感数据。
29.例如，所述传感设备包括但不限于温度传感设备、光照传感设备、湿度传感设备、风速传感设备以及二氧化碳传感设备等。对应的，每种类型的传感设备可以有多个，例如，将温度传感设备安装在车辆外，则对应检测的是车外温度，将温度传感设备安装在车辆内，则对应检测的是车内温度，以此类推，本领域技术人员可以根据实际的系统需求，进行对应的传感设备的布置。并将所有传感设备检测到的传感数据，作为环境传感数据，输入到所述车载终端中。一种示例中，所述环境传感数据包括以下至少一种传感类型：车内温度、车速、车外温度、车外湿度以及车外光照强度。
30.s102、对所述环境传感数据进行数据处理，得到目标传感数据。
31.本发明实施例中，数据处理可以包括但不限于数据清洗、数据插补以及数据排列等步骤，由此，基于对所述环境传感数据进行数据处理，得到目标传感数据。与环境传感数据相比，所述目标传感数据所包括的传感类型一致。
32.s103、将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的。
33.s104、按照所述系统运行参数，对所述车载空调系统进行调节。
34.本发明实施例中，所述多输出分类模型可以理解为输出多个预测结果的模型，例如，针对车载空调系统而言，其系统运行参数可以包括空气循环模式、出风模式、温度值以及风速等级等。例如，所述空气循环模式可以包括内循环模式和外循环模式，所述出风模式可以包括吹除式、吹除式加下出风口式、分离式下出风口式、下出风口式、前出风口式以及分离式前出风口式等。由此，在将所述目标传感数据输入到所述多输出分类模型中进行处理后，可以得到上述各系统运行参数对应的预测结果。例如，预测结果可以为：外循环模式；前出风口式；温度24.5℃；风速等级7级。
35.并且，用户行为数据可以用于确定基于所述环境传感数据下的驾驶环境，用户所偏好的车载空调系统的系统运行参数。由于上述多输出分类模型是基于用户行为数据和对应关联的环境传感数据训练得到的。则经过所述多输出分类模型预测的系统运行参数，则为车载用户在当前的环境传感数据中所偏好的系统运行参数。按照此系统运行参数，对所述车载空调系统进行调节，则可以通过调节快速使得车内环境达到所述车载用户所期望的舒适区间。提高车载用户的驾驶体验感。并降低空调系统调节的复杂度。
36.参照图2，示出了本发明实施例提供的另一种空调控制方法，所述方法可以包括：
37.s201、获取车载空调系统当前的环境传感数据。
38.本发明实施例中，对步骤s201的描述内容参照对上述步骤s101的描述内容。所述目标传感数据包括以下至少一种传感类型：车内温度、车速、车外温度、车外湿度以及车外光照强度。
39.另一种示例中，针对一些可以对车内湿度进行调节的车载空调系统而言，所述目标传感数据还可以包括以下一种传感类型：车内湿度。
40.s202、对所述环境传感数据进行数据处理，得到目标传感数据。
41.本发明实施例中，数据处理可以包括但不限于数据清洗、数据插补以及数据排列等步骤，由此，基于对所述环境传感数据进行数据处理，得到目标传感数据。与环境传感数据相比，所述目标传感数据所包括的传感类型一致。
42.一种示例中，可以对环境传感数据进行数据清洗。数据清洗可以理解为去除用户同一传感类型所对应的多个环境传感数据，例如，在一条目标传感数据中存在两个或以上的车内温度的数据，则删除其中一个车内温度的数据。以此类推，得到目标传感数据。
43.另一种示例中，还可以对经过数据清洗后的环境传感数据进行数据插补，数据插补可以理解为增加用户缺乏的环境传感数据，例如，在一条目标数据中缺少车内温度的数据，则可以重新获取当前的车内温度，并将当前车内温度补充到此条目标数据中，完成数据插补。
44.又一种示例中，还可以对完成数据插补的环境传感数据，按照不同传感类型有序排列，确定出所述环境传感数据对应的目标传感数据。
45.所述多输出分类模型可以理解为输出多个预测结果的模型，例如，针对车载空调系统而言，其系统运行参数可以包括空气循环模式、出风模式、温度值以及风速等级等。例如，所述空气循环模式可以包括内循环模式和外循环模式，所述出风模式可以包括吹除式、吹除式加下出风口式、分离式下出风口式、下出风口式、前出风口式以及分离式前出风口式等。
46.由此，在将所述目标传感数据输入到所述多输出分类模型中进行处理的过程中，需要进行大量特征的提取，并通过深度学习有监督学习各特征之间的关联性。一种可选的发明实施例中，参照图3所示，所述多输出分类模型包括特征嵌入模块，深度学习模块以及预测输出模块，其中，步骤s103还可以包括以下步骤：s203-s206。
47.s203、将所述目标传感数据输入所述特征嵌入模块中进行特征映射，确定出所述目标传感数据对应的嵌入特征数据。
48.本发明实施例中，所述特征嵌入模块用于负责将目标传感数据的数据特征转化为特征嵌入向量，并将特征嵌入向量所携带的特征数据，作为嵌入特征数据，以便于后续深度学习模块对所述嵌入特征数据进行下一步的特征交叉。
49.s204、将所述嵌入特征数据输入到所述深度学习模块中进行特征交叉，确定出所述嵌入特征数据对应的深度交叉数据。
50.本发明实施例中，所述特征交叉指的是将不同类型或不同维度对应的特征之间的交叉组合。其中，所述深度交叉数据指的是经过多次特征交叉得到的特征数据。
51.一种可选的发明实施例中，参照图4所示，所述深度学习模块包括深度交叉网络(deep cross network，dcn)和前馈神经网络(deep neural networks，dnn)。由此，所述步骤s204还可以包括以下子步骤：
52.将所述嵌入特征数据输入到所述深度交叉网络中进行显式特征的交叉，得到初始交叉数据。
53.将所述初始交叉数据输入到所述前馈神经网络中进行隐式特征的交叉，确定出所述初始交叉数据对应的深度交叉数据。
54.本发明实施例中，所述显示特征可以理解为具有实际意义的特征，可以通过语言来说明和解释。所述深度交叉网络对不同阶的嵌入特征数据(其特征类型为显示特征)进行了数据交叉，从而得到所述嵌入特征数据对应的初始交叉数据。所述初始交叉数据融合了嵌入特征数据在不同阶上的特征，可以提高模型预测的精确度。
55.例如，假设所述嵌入特征数据对应的特征向量为e，则在第l+1层的深度交叉网络的计算可以如下：
[0056][0057]
上述公式(1)中，w
l+1
和b
l+1
是第l+1层的可学习的参数。
[0058]
所述隐式特征可以理解为不具备实际意义，通常是基于不同维度，对所述显示特征进行矩阵分解，得到各显示特征对应的隐式特征。例如，将所述初始交叉数据输入到所述前馈神经网络进行隐式特征的交叉，得到深度交叉数据，通过所述前馈神经网络输出的深度交叉数据，可以精确的表达出所述目标传感数据所对应的语义信息，从而可以进一步的提高模型预测的精确度。
[0059]
例如，假设所述初始交叉数据对应的特征向量为z，则所述前馈神经网络的隐式特征的交叉过程可以如下：
[0060]z(1)
＝σ(w
(1)
z+b
(1)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)
[0061]
......
[0062]z(l)
＝σ(w
(l)z(l-1)
+b
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(3)
[0063]
当l大于或等于2层时，适用上述公式(3)进行计算。其中，z
(l)
为所述前馈神经网络
的第l层的输出特征向量；w
(l)
为所述前馈神经网络的第l层的权重矩阵；b
(l)
为所述前馈神经网络的第l层的偏置值，σ为激活函数。本领域技术人员可以根据实际情况确定所述深度交叉网络的网络层数，以及确定所述前馈神经网络的网络层数，在此不做过多限定。
[0064]
s205、将所述深度交叉数据输入到所述预测输出模块中进行特征分类，预测出车载用户在各传感类型下所偏好的系统运行参数。
[0065]
本发明实施例中，所述多输出分类模型可以理解为输出多个预测结果的模型。由此，在将所述目标传感数据输入到所述多输出分类模型中进行处理后，可以得到上述各系统运行参数对应的预测结果。例如，预测结果可以为：外循环模式；前出风口式；温度24.5℃；风速等级7级。
[0066]
由于现有模型中通常只进行单一预测结果的训练，且也只会输出一种预测结果。考虑到所述深度交叉数据可以精确的表达出所述目标传感数据所对应的语义信息，在一种可选的发明实施例中，参照图4所示，所述预测输出模块包括二分类网络、多分类网络以及回归网络。并且，将二分类网络、多分类网络以及回归网络分别与所述前馈神经网络连接。从而可以实现深度学习得到的传感数据的语义信息的共享。所述步骤s205还可以包括以下子步骤：
[0067]
将所述深度交叉数据分别输入到所述二分类网络、多分类网络以及回归网络进行特征分类，预测出所述车载用户在各传感类型下所偏好的系统运行参数。
[0068]
本发明实施例中，将所述深度交叉数据分别输入到所述二分类网络、多分类网络以及回归网络进行特征分类。其中，本领域技术人员可以根据实际业务场景，确定所述多分类网络所输出的分类数量，在此不做过多限定。例如，当所述出风模式可以包括吹除式、吹除式加下出风口式、分离式下出风口式、下出风口式、前出风口式以及分离式前出风口式等六种模式时，对应的多分类数量则为6个，即所述多分类网络输出的为6维向量。以此类推，温度值和风速等级分别通过两个回归网络进行输出，其输出的为一个具体值。在所述空气循环模式可以包括内循环模式和外循环模式的情况下，可以通过所述二分类网络输出一个2维向量。
[0069]
所述二分类网络和多分类网络通常输出的为不同系统运行参数对应的特征概率数据(即对应网络的输出向量)。例如，选定上述6维向量中的最大数值所对应的出风模式，为所述多分类网络所预测的系统运行参数。选定二维向量中的最大数值所对应的空气循环模式，为所述二分类网络所预测的系统运行参数。所述回归网络输出的为单一模式下所预测的系统运行参数。例如，涉及温度值和风速等级等的预测。例如，通过所述预测输出模块得到的系统运行参数可以如下：外循环模式；前出风口式；温度24.5℃；风速等级7级。
[0070]
用户行为数据可以用于确定基于所述环境传感数据下的驾驶环境，用户所偏好的车载空调系统的系统运行参数。由于上述多输出分类模型是基于用户行为数据和对应关联的环境传感数据训练得到的。则经过所述多输出分类模型预测的系统运行参数，则为车载用户在当前的环境传感数据中所偏好的系统运行参数。
[0071]
s206、按照所述系统运行参数，对所述车载空调系统进行调节。
[0072]
本发明实施例中，按照此系统运行参数，对所述车载空调系统进行调节，则可以通过调节快速使得车内环境达到所述车载用户所期望的舒适区间。提高车载用户的驾驶体验感。并降低空调系统调节的复杂度。
[0073]
一种可选的发明实施例中，所述方法还可以包括所述多输出分类模型的训练步骤，所述训练步骤包括：
[0074]
s501、获取车载空调系统对应的多条目标传感数据，和不同车载用户对应的用户行为数据，所述用户行为数据是基于不同车载用户针对环境传感数据的控件调节操作得到的系统运行参数。
[0075]
s502、将各目标传感数据输入到多输出分类模型中进行处理，预测出对应车载用户在所述环境传感数据对应的空调环境下，所偏好的系统运行参数。
[0076]
s503、依据预测得到的系统运行参数，和对应车载用户的用户行为数据，确定出所述多输出分类模型的模型损失函数。
[0077]
s504、依据所述模型损失函数，对所述多输出分类模型中的模型参数进行调整，确定出训练完成的多输出分类模型。
[0078]
本发明实施例中，对步骤s501-s503的描述内容参照对上述步骤s203-s205的描述内容，也可以理解为模型训练过程和模型应用过程部分一致。
[0079]
与之不同在于：依据预侧得到的系统运行参数，和对应车载用户的用户行为数据中的系统运行参数，确定出所述多输出分类模型的模型损失函数，其中，由于所述预测输出模块包括二分类网络、多分类网络以及回归网络。则可以针对所述二分类网络、多分类网络以及回归网络分别计算模型损失函数。并依据各模型损失函数分别调整对应网络的网络参数。
[0080]
一种示例中，针对二分类网络，可以使用sigmoid函数计算出最后的预测结果，其公式可以如下所示：
[0081][0082]
依据所述公式(4)得到的预算结果为二维向量，且向量中的两个特征值均为0-1之间的数。并且，可以采用二元交叉熵函数作为损失函数。所述二元交叉熵损失函数值jx1(zy,hy)可以通过下述公式计算得到：
[0083][0084]
上述公式(5)中，hy为预测结果，zy为用户行为数据中系统运行参数，(也可以称为样本的真实标签)，n为样本总数。由此，可以通过二元交叉熵函数的函数值作为所述二分类网络的损失函数值，并依据此损失函数值进行所述二分类网络的网络参数调节。
[0085]
另一种示例中，针对多分类网络，可以使用softmax函数计算最后的结果，其公式可以如下所示：
[0086][0087]
上述公式(6)中，z为所述多分类网络输出的多维向量。m为所述多分类网络对应的分类总数。由此，可以采用交叉熵函数作为损失函数。例如，所述交叉熵损失函数值jx2(zy,hy)的计算公式可以如下：
[0088][0089]
上述公式(7)中，hyic为第i个样本对应各预测类别的概率值；zyic是0-1范围内的符号函数，当第i个样本对应的真实类别等于zyic时，c取1，否则取0。由此，可以依据所述交叉熵损失函数值，进行所述多分类网络的网络参数调节。
[0090]
又一种示例中，针对回归网络，可以通过对不同车载用户的多个目标传感数据预测得到的预测结果，采用均方误差损失作为损失函数，现有技术中通常没有考虑到用户所需求的往往是一定区间内较为舒适的数值，而不是传统回归问题中的单一数值，例如对于风速等级在0-8档的车载空调，当用户期望第7档的风速等级时，往往6档、8档都可以满足用户的需求。由此，所述回归网络所需要解决的回归问题，还可以进一步的转化回归问题为分类问题。对应的，所述回归网络中可以包括一多分类子网络，例如，所述温度值为23.5℃。则可以根据现有系统中的对温度的分级数量，确定所述多分类子网络的输出分类数，即多个温度等级。并将预测得到的m维向量，分别进行加权，并作为最后的预测结果，其中，所述回归网络的预测结果hy可以按照下述公式计算得到：
[0091][0092]
上述公式(8)中，m表示分类的个数，pi表示第i类在所述m维向量中的取值概率，ci表示第i类的数值。
[0093]
上述回归网络的损失函数就可以选用均方误差损失作为损失函数，所述均方误差损失函数mse(zy,hy)可以采用下述公式(9)计算可得：
[0094][0095]
上述公式(9)中，zy是用户行为数据对应的系统运行参数，n是总的目标传感数据的条数(也可以理解为样本总数)。
[0096]
在上述过程中，还可以引入距离函数损失，所述距离损失函数dis(zy,hy)可以通过下述公式(10)计算得到：
[0097][0098]
综上，可以依据均方误差损失函数和距离损失函数，确定出对应的综合损失函数，所述综合损失函数l(zy,hy)可以通过下述公式(11)计算得到：
[0099]
l(zy,hy)＝λmse(zy,hy)+(1-λ)dis(zy,hy)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11)
[0100]
上述公式(11)中λ的取值在0-1之间，其可以理解为超参数，用于调整损失函数中两部分的比例，其中，λ值可以预先设置。由此，可以基于上述综合损失函数，对所述回归网络的网络参数进行调整。其着重考虑到了一些系统运行参数(例如温度值、湿度值、风速档位等)的回归问题的处理，利用回归问题转为分类问题的处理方法与额外增添的距离损失共同作用，实现对用户舒适区间的处理。从而扩大了所述用户所偏好的舒适环境对应的范围，能够使得车内环境快速达到用户所偏好的舒适环境。
[0101]
综上所述，本发明实施例公开了一种空调控制方法，所述方法可以包括获取车载
空调系统当前的环境传感数据，然后对所述环境传感数据进行数据处理，得到目标传感数据，接着将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的。最后按照所述系统运行参数，对所述车载空调系统进行调节。由此，基于模型预测得到的车载用户所偏好的系统运行参数，对空调系统的动态自调节，能够降低用户的调节复杂度，并保证车内环境始终处于车载用户所偏好的舒适区间。
[0102]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术实施例并不受所描述的动作顺序的限制，因为依据本技术实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术实施例所必须的。
[0103]
参照图6，示出了本发明实施例提供的一种空调控制装置，所述装置可以包括：
[0104]
数据获取模块601，用于获取车载空调系统当前的环境传感数据。
[0105]
数据处理模块602，用于对所述环境传感数据进行数据处理，得到目标传感数据。
[0106]
模型处理模块603，用于将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的。
[0107]
系统调节模块604，用于按照所述系统运行参数，对所述车载空调系统进行调节。
[0108]
一种可选的发明实施例中，所述目标传感数据包括以下至少一种传感类型：车内温度、车速、车外温度、车外湿度以及车外光照强度。
[0109]
一种可选的发明实施例中，所述多输出分类模型包括特征嵌入模块，深度学习模块以及预测输出模块，所述模型处理模块603可以包括：
[0110]
嵌入特征子模块，用于将所述目标传感数据输入所述特征嵌入模块中进行特征映射，确定出所述目标传感数据对应的嵌入特征数据。
[0111]
特征交叉子模块，用于将所述嵌入特征数据输入到所述深度学习模块中进行特征交叉，确定出所述嵌入特征数据对应的深度交叉数据。
[0112]
特征分类子模块，用于将所述深度交叉数据输入到所述预测输出模块中进行特征分类，预测出车载用户在各传感类型下所偏好的系统运行参数。
[0113]
运行参数确定子模块，用于组合车载用户所偏好的各传感类型对应的系统运行参数，得到车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数。
[0114]
一种可选的发明实施例中，所述深度学习模块包括深度交叉网络和前馈神经网络，所述特征交叉子模块可以包括：
[0115]
第一交叉单元，用于将所述嵌入特征数据输入到所述深度交叉网络中进行显式特征的交叉，得到初始交叉数据。
[0116]
第二交叉单元，用于将所述初始交叉数据输入到所述前馈神经网络中进行隐式特征的交叉，确定出所述初始交叉数据对应的深度交叉数据。
[0117]
一种可选的发明实施例中，所述预测输出模块包括二分类网络、多分类网络以及
回归网络，所述特征分类子模块可以包括：
[0118]
特征分类单元，用于将所述深度交叉数据分别输入到所述二分类网络、多分类网络以及回归网络进行特征分类，预测出所述车载用户在各传感类型下所偏好的系统运行参数。
[0119]
一种可选的发明实施例中，所述数据处理模块602可以包括：
[0120]
数据清洗子模块，用于对所述环境传感数据进行数据清洗，得到清洗后的传感数据。
[0121]
数据插补子模块，用于对所述清洗后的传感数据进行匹配，在匹配出所述清洗后的传感数据存在缺失的情况下，对所述清洗后的传感数据进行插补，得到目标传感数据。
[0122]
一种可选的发明实施例中，所述装置还可以包括所述多输出分类模型的训练模块，所述训练模块用于：
[0123]
获取车载空调系统对应的多条目标传感数据，和不同车载用户对应的用户行为数据，所述用户行为数据是基于不同车载用户针对环境传感数据的控件调节操作得到的系统运行参数。
[0124]
将各目标传感数据输入到多输出分类模型中进行处理，预测出对应车载用户在所述环境传感数据对应的空调环境下，所偏好的系统运行参数。
[0125]
依据预测得到的系统运行参数，和对应车载用户的用户行为数据，确定出所述多输出分类模型的模型损失函数。
[0126]
依据所述模型损失函数，对所述多输出分类模型中的模型参数进行调整，确定出训练完成的多输出分类模型。
[0127]
一种可选的发明实施例中，所述多输出分类模型包括预测输出模块，所述预测输出模块包括回归网络，所述装置还可以包括损失确定模块，所述损失确定模块可以用于：
[0128]
依据均方误差损失和距离损失，确定出所述回归网络对应的网络损失函数。
[0129]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0130]
本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。
[0131]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0132]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0133]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地
改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0134]
一种电子设备，包括：
[0135]
一个或多个处理器；
[0136]
存储器；
[0137]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述实施例所述的方法。
[0138]
一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成上述实施例所述的方法。
[0139]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0140]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0141]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0142]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0143]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0144]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作
之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0145]
以上对本发明所提供的一种空调控制方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种空调控制方法，其特征在于，应用于车载空调系统中，所述方法包括：获取车载空调系统当前的环境传感数据；对所述环境传感数据进行数据处理，得到目标传感数据；将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，其中，所述多输出分类模型是依据用户行为数据、与所述用户行为数据相关联的环境传感数据训练得到的；按照所述系统运行参数，对所述车载空调系统进行调节。2.根据权利要求1所述的空调控制方法，其特征在于，所述目标传感数据包括以下至少一种传感类型：车内温度、车速、车外温度、车外湿度以及车外光照强度。3.根据权利要求2所述的空调控制方法，其特征在于，所述多输出分类模型包括特征嵌入模块，深度学习模块以及预测输出模块，所述将所述目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数，包括：将所述目标传感数据输入所述特征嵌入模块中进行特征映射，确定出所述目标传感数据对应的嵌入特征数据；将所述嵌入特征数据输入到所述深度学习模块中进行特征交叉，确定出所述嵌入特征数据对应的深度交叉数据；将所述深度交叉数据输入到所述预测输出模块中进行特征分类，预测出车载用户在各传感类型下所偏好的系统运行参数；组合车载用户所偏好的各传感类型对应的系统运行参数，得到车载用户在所述环境传感数据对应的空调环境下所偏好的系统运行参数。4.根据权利要求3所述的空调控制方法，其特征在于，所述深度学习模块包括深度交叉网络和前馈神经网络，所述将所述嵌入特征数据输入到所述深度学习模块中进行特征交叉，确定出所述嵌入特征数据对应的深度交叉数据，包括：将所述嵌入特征数据输入到所述深度交叉网络中进行显式特征的交叉，得到初始交叉数据；将所述初始交叉数据输入到所述前馈神经网络中进行隐式特征的交叉，确定出所述初始交叉数据对应的深度交叉数据。5.根据权利要求3所述的空调控制方法，其特征在于，所述预测输出模块包括二分类网络、多分类网络以及回归网络，所述将所述深度交叉数据输入到所述预测输出模块中进行特征分类，预测出车载用户在各传感类型下所偏好的系统运行参数，包括：将所述深度交叉数据分别输入到所述二分类网络、多分类网络以及回归网络进行特征分类，预测出所述车载用户在各传感类型下所偏好的系统运行参数。6.根据权利要求1所述的空调控制方法，其特征在于，所述对所述环境传感数据进行数据处理，得到目标传感数据，包括：对所述环境传感数据进行数据清洗，得到清洗后的传感数据；对所述清洗后的传感数据进行匹配，在匹配出所述清洗后的传感数据存在缺失的情况下，对所述清洗后的传感数据进行插补，得到目标传感数据。7.根据权利要求1所述的空调控制方法，其特征在于，所述方法还包括所述多输出分类
模型的训练步骤，所述训练步骤包括：获取车载空调系统对应的多条目标传感数据，和不同车载用户对应的用户行为数据，所述用户行为数据是基于不同车载用户针对环境传感数据的控件调节操作得到的系统运行参数；将各目标传感数据输入到多输出分类模型中进行处理，预测出对应车载用户在所述环境传感数据对应的空调环境下，所偏好的系统运行参数；依据预测得到的系统运行参数，和对应车载用户的用户行为数据，确定出所述多输出分类模型的模型损失函数；依据所述模型损失函数，对所述多输出分类模型中的模型参数进行调整，确定出训练完成的多输出分类模型。8.根据权利要求7所述的空调控制方法，其特征在于，所述多输出分类模型包括预测输出模块，所述预测输出模块包括回归网络，所述方法还包括：依据均方误差损失和距离损失，确定出所述回归网络对应的网络损失函数。9.一种电子设备，包括：一个或多个处理器；存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行权利要求1-8中任一所述的方法。10.一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成权利要求1-8中任一所述的方法。

技术总结
本发明公开了一种空调控制方法、装置、设备及存储介质，涉及车辆技术领域。本发明包括获取车载空调系统当前的环境传感数据，然后对环境传感数据进行数据处理，得到目标传感数据，接着将目标传感数据输入至多输出分类模型中进行处理，确定出车载用户在环境传感数据对应的空调环境下所偏好的系统运行参数，其中，多输出分类模型是依据用户行为数据、与用户行为数据相关联的环境传感数据训练得到的。最后按照系统运行参数，对所述车载空调系统进行调节。由此，基于模型预测得到的车载用户所偏好的系统运行参数，对空调系统的动态自调节，能够降低用户的调节复杂度，并保证车内环境始终处于车载用户所偏好的舒适区间。处于车载用户所偏好的舒适区间。处于车载用户所偏好的舒适区间。


技术研发人员：邓鹏 罗咏刚
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.03.22
技术公布日：2023/7/25