数据驱动的车载空调设定温度预测研究

胡杰; 杨博闻; 宋洪干

doi:10.13433/j.cnki.1003-8728.20200304

数据驱动的车载空调设定温度预测研究

doi: 10.13433/j.cnki.1003-8728.20200304

胡杰^{1, 2, 3,},
杨博闻^{1, 2, 3},
宋洪干^{1, 2, 3}

1.
武汉理工大学现代汽车零部件技术湖北省重点实验室, 武汉 430070
2.
武汉理工大学汽车零部件技术湖北省协同创新中心, 武汉 430070
3.
新能源与智能网联车湖北工程技术研究中心, 武汉 430070

基金项目:

国家自然科学基金项目 51775393

柳州市科技计划项目重点研发计划2018B0301b003

详细信息

作者简介:
胡杰(1984-), 副教授, 博士生导师, 博士, 研究方向为车联网和大数据, 智能网联汽车, auto_hj@163.com

中图分类号: U463.851
计量
- 文章访问数: 170
- HTML全文浏览量: 61
- PDF下载量: 24
- 被引次数: 0
出版历程
- 收稿日期: 2020-06-28
- 刊出日期: 2022-01-01

Data-driven Prediction of Vehicle Air Conditioner Set Temperature

HU Jie^{1, 2, 3
,},
YANG Bowen^{1, 2, 3},
SONG Honggan^{1, 2, 3}

1.
Hubei Key Laboratory of Modern Auto Parts Technology, Wuhan University of Technology, Wuhan 430070, China
2.
Hubei Collaborative Innovation Center of Auto Parts Technology, Wuhan University of Technology, Wuhan 430070, China
3.
Hubei Technology Research Center of New Energy and Intelligent Connected Vehicle Engineering, Wuhan 430070, China

摘要

摘要: 为了对用户期望的车载空调温度进行实时预测, 本文提出了一种习惯温度预测模型和时间序列温度预测模型双模型耦合的方法对车载空调设定温度进行实时预测。该方法以车内和外界的多维度信息作为输入, 通过过滤式和随机森林对特征进行筛选, 并根据实际应用场景集成模型来对用户期望的空调设定温度进行预测。最后使用该模型对测试数据进行验证。结果表明本文提出的双模型耦合的方法对用户空调设定温度的预测结果平均绝对百分比误差(MAPE)为0.049, 能够精确地对车载空调温度进行预测, 从而为智能化、个性化调控空调提供辅助决策。
- 习惯温度预测模型 /
- 时间序列温度预测模型 /
- 应用场景 /
- 集成模型 /
- 个性化
Abstract: In order to predict the real-time temperature of the vehicle air conditioner a user desires, this paper proposes a method that is coupled with the dual models of habit temperature prediction and time series temperature prediction to predict the real-time temperature of the vehicle air conditioner. The method takes the multi-dimensional information on the car and the information on the outside world as input, filters the features through filtering and random forest, and predicts the user's desired air-conditioning set temperature according to the actual application scenario integrated in the model. Finally, the model is used to verify the test data. The results show that the dual model-coupled method predicts the mean absolute percentage error (MAPE) of the user's vehicle air-conditioning set temperature to be as accurate as 0.049, thus providing auxiliary information on decision-making for intelligent and personalized air-conditioning control.
- habit temperature prediction model /
- time series temperature prediction model /
- application scenario /
- dual model /
- personalized air-conditioning control

HTML全文

图 1 用户期望的空调设定温度预测系统

下载: 全尺寸图片幻灯片

图 2 车外温度分布图

下载: 全尺寸图片幻灯片

图 3 用户设定温度分布图

下载: 全尺寸图片幻灯片

图 4 空调温度调整次数分布图

下载: 全尺寸图片幻灯片

图 5 车辆使用天数分布图

下载: 全尺寸图片幻灯片

图 6 车外温度与天气温度差值分布图

下载: 全尺寸图片幻灯片

图 7 PMV模型

下载: 全尺寸图片幻灯片

图 8 特征筛选方法流程图

下载: 全尺寸图片幻灯片

图 9 皮尔逊相关系数热力图

下载: 全尺寸图片幻灯片

图 10 随机森林特征筛选重要性结果

下载: 全尺寸图片幻灯片

图 11 习惯温度预测模型交叉验证结果

下载: 全尺寸图片幻灯片

图 12 时间序列温度预测模型交叉验证结果

下载: 全尺寸图片幻灯片

图 13 RF-Lasso集成模型原理图

下载: 全尺寸图片幻灯片

图 14 RF-Lasso集成模型试验流程图

下载: 全尺寸图片幻灯片

图 15 数据试验流程图

下载: 全尺寸图片幻灯片

表 1 数据名称说明

分类	特征字符	数据类型	说明
时间信息类	starttime	int	数据采集时间
地理位置类	Latitude	float	经度
地理位置类	Longitude	float	纬度
空调参数类	vehac	int	空调开关
	vehacauto	int	空调自动挡开关
	vehaccirctype	int	空调循环模式
	vehacdrvtargettemp	float	空调设定温度
环境信息类	vehoutsidetemp	float	车外温度
	vehinsidetemp	float	车内温度
	vehraindetected	int	下雨检测
车辆信息类	VIN	string	车辆识别号码
	vehtype	string	车型
	vehsyspwrmod	int	系统电源模式

下载: 导出CSV

表 2 数据预处理后的数据特征说明

分类	特征字符	数据类型	说明
时间类	year	int	数据采集时间所属年
	month	int	数据采集时间所属月
	hour	int	数据采集时间所属一天中第几时
	weekofyear	int	数据采集时间所属一天中第几周
	dayofweek	int	数据采集时间所属一周中第几天
	is-weekend	int	数据采集时间是否是周末
	is-night	int	数据采集时间是否是夜晚
	duration-time	float	空调自每次开启的累计使用时长
地理位置类	geo-cluster	int	四大地理分区
空调参数类	vehacdrvtargettemp	float	空调设定温度
空调参数类	vehacdrvtargettemp-shift	float	上一时刻的空调设定温度
环境类	vehoutsidetemp	float	车外温度
	vehinsidetemp	float	车内温度
	vehraindetected	int	下雨检测
	diff-temp-daynight	float	昼夜温差
	aver-temp	float	平均日温
	aver-wind	int	平均日风速
	weather-cluster	int	天气状况
用户喜好类	favorite-type	int	冷热喜好
人体感受类	temp-hm	float	体感温度

下载: 导出CSV

表 3 性能评价指标

模型	评价指标MAPE
RF	0.047
Lasso	0.022
RF-Lasso	0.049

下载: 导出CSV

参考文献(16)

[1]	工信部印发《工业控制系统信息安全行动计划(2018~2020年)》[J]. 信息技术与标准化, 2018(S1): 11 The Ministry of Industry and Information Technology issued the 《Industrial Control System Information Security Action Plan (2018~2020)》[J]. Information Technology & Standardization, 2018(S1): 11 (in Chinese)
[2]	宋洪健. 汽车空调控制系统优化及试验研究[D]. 杭州: 浙江大学, 2018 SONG H J. Optimization and experimental study of automobile air conditioning control system[D]. Hangzhou: Zhejiang University, 2018 (in Chinese)
[3]	张载龙, 茹亮. 基于BP神经网络的冷藏车温度预测研究[J]. 计算机技术与发展, 2013, 23(10): 180-183 https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201310045.htm ZHANG Z L, RU L. Study on prediction of temperature of refrigerated trucks based on BP neural network[J]. Computer Technology and Development, 2013, 23(10): 180-183 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201310045.htm
[4]	翁建华, 舒宏坤, 石梦琦, 等. 热网络法预测车内温度的理论和实验研究[J]. 上海理工大学学报, 2018, 40(6): 552-556 https://www.cnki.com.cn/Article/CJFDTOTAL-HDGY201806007.htm WENG J H, SHU H K, SHI M Q, et al. Theoretical and experimental study on the thermal network method for temperature prediction in a car[J]. Journal of University of Shanghai for Science and Technology, 2018, 40(6): 552-556 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HDGY201806007.htm
[5]	刘荣, 童亮, 许永红. 基于pso_FSVM的车用动力电池温度预测模型研究[J]. 现代电子技术, 2018, 41(12): 24-27 https://www.cnki.com.cn/Article/CJFDTOTAL-XDDJ201812007.htm LIU R, TONG L, XU Y H. Research on temperature prediction model of vehicle power battery based on pso_FSVM[J]. Modern Electronics Technique, 2018, 41(12): 24-27 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-XDDJ201812007.htm
[6]	殷青, 张岩, 韩昀松. 基于LSTM算法的严寒地区办公建筑过渡季室内温度预测模型构建[J]. 低温建筑技术, 2019, 41(3): 8-12 https://www.cnki.com.cn/Article/CJFDTOTAL-DRAW201903003.htm YIN Q, ZHANG Y, HAN J S. An indoor temperature prediction model for office building in transition season in severe cold region based on LSTM[J]. Low Temperature Architecture Technology, 2019, 41(3): 8-12 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DRAW201903003.htm
[7]	周志华. 机器学习[M]. 北京: 清华大学出版社, 2016 ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016 (in Chinese)
[8]	SCHIAVON S, HOYT T, PICCIOLI A. Web application for thermal comfort visualization and calculation according to ASHRAE standard 55[J]. Building Simulation, 2014, 7(4): 321-334 doi: 10.1007/s12273-013-0162-3
[9]	楼海军, 阚安康, 康利云, 等. 船舶舱室空调热舒适性评价指标及其微气候参数优化[J]. 船舶工程, 2014, 36(S1): 80-83, 90 https://www.cnki.com.cn/Article/CJFDTOTAL-CANB2014S1023.htm LOU H J, KAN A K, KANG L Y, et al. Thermal comfort index of marine cabin air-conditioning system and the optimization of cabin climate[J]. Ship Engineering, 2014, 36(S1): 80-83, 90 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CANB2014S1023.htm
[10]	INGERSOLL J G, KALMAN T G, MAXWELL L M, et al. Automobile passenger compartment thermal comfort model-Part Ⅱ human thermal comfort calculation[M]. Detroit, Michigan, United States: International Congress & Exposition, 1992
[11]	FANGER P O. Thermal comfort: analysis and applications in environmental engineering[M]. New York: McGraw-Hill Book Company, 1973
[12]	FANGER P O, MELIKOV A K, HANZAWA H, et al. Air turbulence and sensation of draught[J]. Energy and Buildings, 1988, 12(1): 21-39 doi: 10.1016/0378-7788(88)90053-9
[13]	韩滔. 基于动态热舒适的空调控制方案研究[D]. 成都: 西南交通大学, 2006 HAN T. Study on dynamic thermal-based air-conditioning control scheme[D]. Chengdu: Southwest Jiaotong University, 2006 (in Chinese)
[14]	WONG T T. Performance evaluation of classification algorithms by k-fold and leave-one-out cross validation[J]. Pattern Recognition, 2015, 48(9): 2839-2846 doi: 10.1016/j.patcog.2015.03.009
[15]	邓帅. 基于改进贝叶斯优化算法的CNN超参数优化方法[J]. 计算机应用研究, 2019, 36(7): 1984-1987 https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201907014.htm DENG S. Hyper-parameter optimization of CNN based on improved Bayesian optimization algorithm[J]. Application Research of Computers, 2019, 36(7): 1984-1987 (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201907014.htm
[16]	朱明敏. 贝叶斯网络结构学习与推理研究[D]. 西安: 西安电子科技大学, 2013 ZHU M M. Research on structural learning and inference in Bayesian networks[D]. Xi'an: Xidian University, 2013 (in Chinese)