【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种车载空调异常停机预测方法、系统、电子设备及存储介质。
技术介绍
1、车载空调作为车内使用频率较高的一种设备，其在现代汽车中的重要性不言而喻。因此，车载空调的使用体验将极大地影响到用户对于汽车质量的评价。对于汽车生产厂家或车载空调生产厂家等，需要主动监测车载空调的运行状态，并在车载空调异常停机之前主动进行风险预警，以提升用户的满意度。
2、目前，通常通过采集车载空调的压缩机的相关指标的实时数据，再利用基于专家经验的规则系统，对实时数据进行分类，从而判别车载空调的故障类别。然而，此种方式由于依赖于专家经验，导致其分类精准度较低。并且，此种方式是对车载空调的故障类别进行分类，并未直接对车载空调是否会异常停机进行预测，导致无法对车载空调是否会异常停机进行监控。
技术实现思路
1、本申请提供一种车载空调异常停机预测方法、系统、电子设备及存储介质，以解决现有技术中未直接对车载空调是否会异常停机进行预测，导致无法对车载空调是否会异常停机进行监控的问题。
2、本申请提供的一种车载空调异常停机预测方法，所述方法包括：获取多个车辆的目标信息，所述目标信息包括车辆在预设时间段内上报的多个种类的目标信号，所述目标信号为车辆上报的信号中预先选定的用于对车载空调进行异常停机预测的信号；
3、对每个种类的所述目标信号分别进行聚合处理，以得到描述统计量，所述描述统计量用于描述预设时间段内任一种类的所述目标信号的特征或分布情况，所述描述统计量与所述
4、基于所述描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测。
5、于本申请一实施例中，对每个种类的所述目标信号分别进行聚合处理，以得到描述统计量的步骤包括：
6、获取预设时间段内任一种类的所述目标信号的下分位数、中位数、上四分位数、四分位距、标准差、方差、极差以及平均值，所述四分位距为所述上四分位数与所述下分位数之间的差值，所述极差为预设时间段内当前种类的目标信号的最大值与最小值之间的差值，所述目标信号为数值型信号；
7、将所述下分位数、所述中位数、所述上四分位数、所述四分位距、所述标准差、所述方差、所述极差以及所述平均值确定为当前种类的所述目标信号的描述统计量；遍历剩余种类的所述目标信号，以得到剩余种类的所述目标信号的描述统计量。
8、于本申请一实施例中，基于所述描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测的步骤包括：
9、将所述描述统计量输入训练好的所述车载空调异常停机预测模型中的二分类模型，进行车载空调异常停机预测，得到预测结果，所述预测结果为当前车辆的车载空调存在异常停机风险或无异常停机风险；
10、在所述预测结果为当前车辆的车载空调存在停机风险的情况下，将所述描述统计量输入所述车载空调异常停机预测模型中的多分类模型，进行车载空调异常分类，得到异常分类结果；所述预测结果和所述异常分类结果均用于进行车载空调异常停机预警。
11、于本申请一实施例中，所述车载空调异常停机预测模型的训练步骤包括：
12、获取训练集，所述训练集包括：分布均匀的正样本数据和负样本数据，所述正样本数据包括：未发生车载空调异常停机的车辆上报的目标信息样本，以及对应的正样本标签，所述负样本数据包括：发生车载空调异常停机的车辆上报的目标信息样本、对应的负样本标签，以及异常类别标签；
13、对所述正样本数据和所述负样本数据分别进行聚合处理，以得到正样本数据中每个种类的信号的第一描述统计量样本，以及负样本数据中每个种类的信号的第二描述统计量样本；
14、将所述第一描述统计量样本和所述第二描述统计量样本输入所述车载空调异常停机预测模型的二分类模型，进行车载空调异常停机预测，得到二分类模型的输出结果；
15、基于所述输出结果和对应的样本标签，对所述二分类模型进行训练，所述样本标签为所述正样本标签或所述负样本标签。
16、于本申请一实施例中，所述车载空调异常停机预测模型的训练步骤还包括：
17、获取负样本数据集，所述负样本数据集包括多个所述负样本数据，所述负样本数据集中负样本数据的异常类别标签分布均匀；
18、将所述负样本数据输入所述车载空调异常停机预测模型的多分类模型，进行车载空调异常分类，得到异常类别预测结果；
19、基于所述异常类别预测结果和对应的所述异常类别标签，对所述多分类模型进行训练。
20、于本申请一实施例中，所述二分类模型和所述多分类模型均为决策树模型；
21、所述异常类别预测结果包括：启动失败、高温异常、负载电压过压、负载电压欠压、负载过大以及转速异常。
22、于本申请一实施例中，获取多个车辆的目标信息的步骤包括：
23、从数据仓库中获取多个车辆的所述目标信息，所述目标信息为车辆上报至云平台，并由云平台存储至所述数据仓库中的。
24、本申请还提供了一种车载空调异常停机预测系统，所述系统包括：目标信息获取模块，用于获取多个车辆的目标信息，所述目标信息包括车辆在预设时间段内上报的多个种类的目标信号，所述目标信号为车辆上报的信号中预先选定的用于对车载空调进行异常停机预测的信号；
25、数据处理模块，用于对每个种类的所述目标信号分别进行聚合处理，以得到描述统计量，所述描述统计量用于描述预设时间段内任一种类的所述目标信号的特征或分布情况，所述描述统计量与所述目标信号的种类相对应；
26、预测模块，用于基于所述描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测。
27、本申请还提供了一种电子设备，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述中任一项实施例提供的方法。
28、本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使计算机执行如上述任一项实施例提供的方法。
29、本申请的有益效果：本申请提出的车载空调异常停机预测方法、系统、电子设备及存储介质，该方法通过获取多个车辆的目标信息，目标信息包括车辆在预设时间段内上报的多个种类的目标信号，目标信号为车辆上报的信号中预先选定的用于对车载空调进行异常停机预测的信号；对每个种类的目标信号分别进行聚合处理，以得到描述统计量，描述统计量用于描述预设时间段内任一种类的目标信号的特征或分布情况，描述统计量与目标信号的种类相对应；基于描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测。该方法能够较好地实现对车载空调的异常停机预测，便于相关人员及时介入进行车载空调维修，避免车载空调异常停机导致用户体验较差的问题。并且，该方法还能解决预测过程中数据量过大的问题，即通过对每个种类的目标信号分别进行聚合处本文档来自技高网...
【技术保护点】
1.一种车载空调异常停机预测方法，其特征在于，包括：
2.根据权利要求1所述的车载空调异常停机预测方法，其特征在于，对每个种类的所述目标信号分别进行聚合处理，以得到描述统计量的步骤包括：
3.根据权利要求1所述的车载空调异常停机预测方法，其特征在于，基于所述描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测的步骤包括：
4.根据权利要求1至3任一项所述的车载空调异常停机预测方法，其特征在于，所述车载空调异常停机预测模型的训练步骤包括：
5.根据权利要求4所述的车载空调异常停机预测方法，其特征在于，所述车载空调异常停机预测模型的训练步骤还包括：
6.根据权利要求5所述的车载空调异常停机预测方法，其特征在于，所述二分类模型和所述多分类模型均为决策树模型；
7.根据权利要求1所述的车载空调异常停机预测方法，其特征在于，获取多个车辆的目标信息的步骤包括：
8.一种车载空调异常停机预测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器、存储器和通信总线；所述通
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于使计算机执行如权利要求1至7任一项所述的车载空调异常停机预测方法。
...【技术特征摘要】
1.一种车载空调异常停机预测方法，其特征在于，包括：
2.根据权利要求1所述的车载空调异常停机预测方法，其特征在于，对每个种类的所述目标信号分别进行聚合处理，以得到描述统计量的步骤包括：
3.根据权利要求1所述的车载空调异常停机预测方法，其特征在于，基于所述描述统计量和训练好的车载空调异常停机预测模型，进行车载空调异常停机预测的步骤包括：
4.根据权利要求1至3任一项所述的车载空调异常停机预测方法，其特征在于，所述车载空调异常停机预测模型的训练步骤包括：
5.根据权利要求4所述的车载空调异常停机预测方法，其特征在于，所述车载空调异常停机预测模型的训练步骤还包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：何红术，朱红霞，周沁含，谭昙，黄勇，庞景景，张庆华，
申请(专利权)人：重庆赛力斯新能源汽车设计院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。