[發明專利]一種基于車聯網與大數據的車載空調智能調節方法與系統

在審

• 申請號: 202010006615.0
• 申請日: 2020-01-03
• 公開（公告）號: CN111251819A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 胡杰;宋洪干
• 申請（專利權）人: 武漢理工大學
• 主分類號: B60H1/00
• 分類號: B60H1/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 李丹

1.一種基于車聯網與大數據的車載空調智能調節方法，其特征在于，包括以下步驟：

1)通過車載終端獲取車身各模塊采集的數據，所述數據包括：經度、緯度、時間、車內溫度、車外溫度、空調設定模式、空調設定溫度、空調設定風量；

2)建立車載空調智能調節模型；所述車載空調智能調節模型通過大量數據學習到用戶使用空調的習慣，并根據車內外環境、天氣狀況推測出用戶期望的空調設定參數；

所述空調設定參數包括：空調設定模式、空調設定溫度和空調設定風量；

3)將采集的數據作為模型的輸入，獲得用戶期望的空調設定參數；

4)將空調設定參數發送給控制終端，完成空調智能調節。

2.根據權利要求1所述的基于車聯網與大數據的車載空調智能調節方法，其特征在于，所述步驟2)中建立的模型部署在車聯網平臺，所述車載終端獲取的數據實時上傳至車聯網平臺并存儲。

3.根據權利要求1所述的基于車聯網與大數據的車載空調智能調節方法，其特征在于，所述步驟2)中建立的模型如下：

2.1)在原始特征基礎上構建新特征；

對時間信息特征，為規避連續性的規律對模型產生噪聲干擾，需要對所有的連續性時間特征做one-hot編碼處理，并構造出是否是周末，是否是白天的類別特征；

對經度、緯度地理信息特征，解析出省份、市區、縣區3級地理位置特征；

結合時間以及地理信息特征，通過網絡爬蟲技術挖掘對應地相應時刻的天氣信息；所述天氣信息包括：溫度、相對濕度、酷熱指數、嚴寒指數、空調開啟指數；

根據車外溫度、空調設定模式、空調設定溫度、空調設定風量分析用戶對溫度的喜好，分為：偏好熱、偏好冷、偏好不明確；

2.2)根據新特征建立LightGBM深度學習模型，選定LightGBM模型后，進行超參數調整。同樣是在訓練集上進行交叉驗證，采用貝葉斯優化算法進行調參。

4.一種基于車聯網與大數據的車載空調智能調節系統，其特征在于，包括：

車載終端，用于獲取車身各模塊采集的數據并上傳至車聯網平臺，所述數據包括：經度、緯度、時間、車內溫度、車外溫度、空調設定模式、空調設定溫度、空調設定風量；

車聯網平臺，用于將采集的數據作為車載空調智能調節模型的輸入，根據部署的車載空調智能調節模型，獲得用戶期望的空調設定值；所述車載空調智能調節模型通過大量數據學習到用戶使用空調的習慣，并根據車內外環境、天氣狀況推測出用戶期望的空調設定參數；

所述空調設定參數包括：空調設定模式、空調設定溫度和空調設定風量；

智能調節模塊，用于將空調設定參數發送給控制終端，完成空調智能調節。

5.根據權利要求4所述的基于車聯網與大數據的車載空調智能調節系統，其特征在于，所述車聯網平臺中部署的車載空調智能調節模型，建立步驟如下：

1)在原始特征基礎上構建新特征；

對時間信息特征，為規避連續性的規律對模型產生噪聲干擾，需要對所有的連續性時間特征做one-hot編碼處理，并構造出是否是周末，是否是白天的類別特征；

對經度、緯度地理信息特征，解析出省份、市區、縣區3級地理位置特征；

結合時間以及地理信息特征，通過網絡爬蟲技術挖掘對應地相應時刻的天氣信息；所述天氣信息包括：溫度、相對濕度、酷熱指數、嚴寒指數、空調開啟指數；

根據車外溫度、空調設定模式、空調設定溫度、空調設定風量分析用戶對溫度的喜好，分為：偏好熱、偏好冷、偏好不明確；

2)根據新特征建立LightGBM深度學習模型，選定LightGBM模型后，進行超參數調整。同樣是在訓練集上進行交叉驗證，采用貝葉斯優化算法進行調參。