[發明專利]一種基于深度學習的車輛耐候性溫度預測方法及裝置

有效

• 申請號: 202011423713.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112560173B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 劉雄軍;陳心欣;王俊;揭敢新;王奇勛;白洋;王俊;張彤;高曉瓊;安蕊
• 申請（專利權）人: 北京京航計算通訊研究所
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06N3/04;G06F119/08
• 代理公司: 北京天達知識產權代理事務所(普通合伙) 11386
• 代理人: 龔頤雯

1.一種基于深度學習的車輛耐候性溫度預測方法，其特征在于，包括下述步驟：

獲取訓練數據，所述訓練數據包括大氣環境參數及其對應的車輛測點溫度；所述大氣環境參數包括：大氣瞬時溫度、相對瞬時濕度、瞬時氣壓、1.5m瞬時風速、10m瞬時風速、5°分光譜輻射量總輻射、5°分光譜輻射量紅外線、5°分光譜輻射量可見光、5°分光譜輻射量紫外輻射、45°分光譜輻射量總輻射、45°分光譜輻射量紅外線、45°分光譜輻射量紫外輻射、45°分光譜輻射量可見光、降水量、降水時數和直接輻照量中的至少一個；

對所述大氣環境參數及其對應的車輛測點溫度進行歸一化處理，得到歸一化的訓練數據樣本；

構建深度學習預測模型，并將所述歸一化的訓練數據樣本輸入深度學習預測模型進行模型訓練，得到訓練好的深度學習預測模型；所述深度學習預測模型包括：

時序特征提取網絡，用于對所述訓練數據樣本進行特征提取，得到訓練數據樣本對應的時間尺度下的大氣環境特征；

全局特征提取網絡，用于對所述訓練數據樣本進行特征提取，得到訓練數據樣本對應的全局尺度下的大氣環境特征；

融合層，用于對所述時序特征提取網絡輸出的時間尺度下的大氣環境特征與全局特征提取網絡輸出的全局尺度下的大氣環境特征進行融合，得到融合特征；

第一全連接層，用于對所述融合層輸出的融合特征進行特征分類，得到車輛測點溫度的預測值；

獲取待預測數據樣本，并基于所述訓練好的深度學習預測模型對待預測數據樣本對應的車輛測點溫度進行預測，得到車輛測點溫度的預測值。

2.根據權利要求1所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，所述車輛測點溫度包括：前保險杠中部溫度、頂棚內飾板后部溫度、右外后視鏡殼溫度、副駕駛座墊溫度、儀表板中部溫度、后保險杠右側溫度、左A柱內部上護板溫度、右B柱外部蓋板溫度和右前門內飾板上表面溫度中的至少一個。

3.根據權利要求1所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，基于下述公式對大氣環境參數及其對應的車輛測點溫度進行歸一化處理：

式中，x_nor為歸一化后的樣本數據，x為當前樣本數據，x_mean為樣本數據的均值，x_std為樣本數據的標準差。

4.根據權利要求1所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，所述時序特征提取網絡包括三個依次連接的長短時記憶層。

5.根據權利要求1所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，所述全局特征提取網絡包括壓平全連接層和殘差層，其中，

所述壓平全連接層，用于對所述訓練數據樣本進行淺層特征提取，得到全局尺度下的初級特征；

所述殘差層，用于對所述壓平全連接層輸出的全局尺度下的初級特征進行深度特征提取，得到全局尺度下的大氣環境特征。

6.根據權利要求5所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，所述殘差層包括兩個依次連接的殘差全連接層，每一所述殘差全連接層包括依次連接的歸一化層、激活層和第二全連接層。

7.根據權利要求1所述的基于深度學習的車輛耐候性溫度預測方法，其特征在于，對所述深度學習預測模型進行模型訓練的過程中，基于所述車輛測點溫度的預測值與車輛測點溫度的真實值計算得到損失函數；當所述損失函數小于閾值門檻時，得到訓練好的深度學習預測模型，其中，損失函數的計算公式如下：

式中，L_sr為損失函數，N為樣本數目，T_預測為車輛測點溫度的預測值，T_真實為車輛測點溫度的真實值。

8.一種基于深度學習的車輛耐候性溫度預測裝置，其特征在于，包括：

訓練數據樣本獲取模塊，用于獲取訓練數據，所述訓練數據包括大氣環境參數及其對應的車輛測點溫度；所述大氣環境參數包括：大氣瞬時溫度、相對瞬時濕度、瞬時氣壓、1.5m瞬時風速、10m瞬時風速、5°分光譜輻射量總輻射、5°分光譜輻射量紅外線、5°分光譜輻射量可見光、5°分光譜輻射量紫外輻射、45°分光譜輻射量總輻射、45°分光譜輻射量紅外線、45°分光譜輻射量紫外輻射、45°分光譜輻射量可見光、降水量、降水時數和直接輻照量中的至少一個；

歸一化模塊，用于對所述大氣環境參數及其對應的車輛測點溫度均進行歸一化處理，得到歸一化的訓練數據樣本；

模型構建與訓練模塊，用于構建深度學習預測模型，并將所述歸一化的訓練數據樣本輸入深度學習預測模型進行模型訓練，得到訓練好的深度學習預測模型；所述深度學習預測模型包括：

時序特征提取網絡，用于對所述訓練數據樣本進行特征提取，得到訓練數據樣本對應的時間尺度下的大氣環境特征；

全局特征提取網絡，用于對所述訓練數據樣本進行特征提取，得到訓練數據樣本對應的全局尺度下的大氣環境特征；

融合層，用于對所述時序特征提取網絡輸出的時間尺度下的大氣環境特征與全局特征提取網絡輸出的全局尺度下的大氣環境特征進行融合，得到融合特征；

第一全連接層，用于對所述融合層輸出的融合特征進行特征分類，得到車輛測點溫度的預測值；

預測模塊，用于獲取待預測數據樣本，并基于所述訓練好的深度學習預測模型對待預測數據樣本對應的車輛測點溫度進行預測，得到車輛測點溫度的預測值。