本发明涉及车载自动控制领域，特别是涉及一种基于大数据学习的车载控制方法及系统。
背景技术：
传统技术中，车辆在行驶过程中，车载空调是由驾驶员手动进行控制的，这种方式，一般是在驾驶员感受到外部温度、空气质量等环境因素的影响后，再对车载空调进行调节。这种调节方式受驾驶员感受能力、反应速度的影响，无法及时进行调节，例如当车辆行驶过程中，驾驶员闻到化学品刺激味道等异味时，才关闭车载空调的外循环，这种情况，实际上还需要很长一段时间味道才能消散，由此可见，手动调节方式响应速度慢，无法及时屏蔽外部环境对车内空气的影响。目前，出现了一种通过大数据学习算法对室内空调进行自动调节的方案，这种方案基于空气质量传感器等采集的传感数据进行自动调节，实现通过获取批量的室内空调调节数据以及对应的传感数据后，进行大数据学习，从而根据学习结果，在实际应用中，根据传感数据来自动控制空调的内外循环、风量、吹风模式等功能，实现室内空调的自动调节。但是这种调节方式仅仅针对空气质量等环境参数，而且针对的是室内空调，其应用环境、影响因素均与车载空调具有较大不同，无法直接应用到车载空调上进行自动调节。总的来说，目前缺乏有效的车载空调自动调节方案，无法及时、迅速地降低外部环境的影响。
技术实现要素：
为了解决上述的技术问题，本发明的目的是提供一种基于大数据学习的车载控制方法及系统。
本发明解决其技术问题所采用的技术方案是：
一种基于大数据学习的车载控制方法，其包括以下步骤：
采集车辆行驶时的实时行驶数据和/或工作参数，并发送到后台服务器；
接收后台服务器返回的与该实时行驶数据和/或工作参数对应的预测控制指令，并提醒驾驶员对该预测控制指令进行确认；
其中，所述预测控制指令是后台服务器将该实时行驶数据和/或工作参数与预测指令数据库进行匹配后获得的，其中，预测指令数据库由后台服务器基于大数据学习所获得。
进一步，还包括以下步骤：
当检测到驾驶员确认该预测控制指令时，根据该预测控制指令自动控制车载空调内外循环的切换。
进一步，所述当检测到驾驶员确认该预测控制指令时，根据该预测控制指令自动控制车载空调内外循环的切换的步骤之后，还包括以下步骤：
将驾驶员对该预测控制指令的确认状态生成对应的反馈信息后，发送到后台服务器；
后台服务器根据接收到的反馈信息，标记对应的预测控制指令的有效状态。
进一步，还包括以下步骤：
根据每个预测控制指令的多次有效状态标记，更新预测指令数据库。
进一步，还包括预测指令数据库的学习步骤：
获取车辆在行驶过程中的批量训练数据；
对获取的批量训练数据进行解析后进行大数据学习，进而按照预设的学习规则生成针对车辆的不同行驶数据的预测控制指令，和/或针对车辆的不同工作参数的预测控制指令；
将学习生成的所有预测控制指令与其对应的行驶数据和/或工作参数进行关联后，生成预测指令数据库；
其中，所述训练数据包括：车辆对车载空调进行控制时的控制行为，以及对应的行驶数据和/或工作参数。
进一步，所述行驶数据包括行驶地点和/或行驶时间，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在经过相同行驶地点的相同控制行为；
提取同一台车辆在经过同一行驶地点的多个相同控制行为；
提取多台车辆在针对相同工作参数的相同控制行为；
提取同一台车辆在针对同一工作参数的多个相同控制行为。
进一步，所述当检测到驾驶员确认该预测控制指令时，根据该预测控制指令自动控制车载空调内外循环的切换的步骤之后，还包括以下步骤：
记录驾驶员对每个预测控制指令的总确认次数，并在检测到驾驶员对某一预测控制指令的总确认次数超过预设次数阈值后，当再次接收到该预测控制指令时，直接根据该预测控制指令对车载空调进行自动控制，不再提醒驶员对该预测控制指令进行确认。
进一步，所述工作参数包括车速、位置、温度、空气质量传感数据和油位传感数据中的至少一种。
本发明解决其技术问题所采用的另一技术方案是：
一种基于大数据学习的车载控制系统，包括存储介质和控制器，所述存储介质存储有至少一个指令，所述控制器用于加载所述至少一个指令并执行以下步骤：
采集车辆行驶时的实时行驶数据和/或工作参数，并发送到后台服务器；
接收后台服务器返回的与该实时行驶数据和/或工作参数对应的预测控制指令，并提醒驾驶员对该预测控制指令进行确认；
其中，所述预测控制指令是后台服务器将该实时行驶数据和/或工作参数与预测指令数据库进行匹配后获得的，其中，预测指令数据库由后台服务器基于大数据学习所获得。
进一步，还包括后台服务器，所述后台服务器用于：
获取车辆在行驶过程中的批量训练数据；
对获取的批量训练数据进行解析后进行大数据学习，进而按照预设的学习规则生成针对车辆的不同行驶数据的预测控制指令，和/或针对车辆的不同工作参数的预测控制指令；
将学习生成的所有预测控制指令与其对应的行驶数据和/或工作参数进行关联后，生成预测指令数据库；
其中，所述训练数据包括：车辆对车载空调进行控制时的控制行为，以及对应的行驶数据和/或工作参数。
本发明方法、系统的有益效果是：本发明基于大数据学习获得预测指令数据库，从而在车辆的行驶过程中，可以根据车辆的实时行驶数据和/或工作参数，匹配获得对应的预测控制指令，根据该预测控制指令对车载空调进行自动调节，本方案可以根据车辆的实时行驶数据和/或工作参数，可以在外部环境产生危害前提前预测获得对车载空调的预测控制指令，从而实现车载空调的自动控制，反馈速度快，方便、快捷。
附图说明
图1是本发明的一种基于大数据学习的车载控制方法的流程图；
图2是本发明的一种基于大数据学习的车载控制系统的电子框图。
具体实施方式
车载控制方法实施例
参照图1，本实施例提供了一种基于大数据学习的车载控制方法，其包括以下步骤：
s1、采集车辆行驶时的实时行驶数据和/或工作参数，并发送到后台服务器；
s2、接收后台服务器返回的与该实时行驶数据和/或工作参数对应的预测控制指令，并提醒驾驶员对该预测控制指令进行确认；
s3、当检测到驾驶员确认该预测控制指令时，根据该预测控制指令自动控制车载空调内外循环的切换。
其中，所述预测控制指令是后台服务器将该实时行驶数据和/或工作参数与预测指令数据库进行匹配后获得的，其中，预测指令数据库由后台服务器基于大数据学习所获得。
所述行驶数据包括行驶地点和/或行驶时间。所述工作参数包括车速、位置、温度、空气质量传感数据和油位传感数据中的至少一种。
本实施例基于大数据学习获得预测指令数据库，从而在车辆的行驶过程中，可以根据车辆的实时行驶数据和/或工作参数，匹配获得对应的预测控制指令，根据该预测控制指令对车载空调进行自动调节，本方案可以根据车辆的实时行驶数据和/或工作参数，可以在外部环境产生危害前提前预测获得对车载空调的预测控制指令，从而实现车载空调的自动控制，反馈速度快，方便、快捷。
进一步作为优选的实施方式，还包括预测指令数据库的学习步骤：
s01、获取车辆在行驶过程中的批量训练数据；
s02、对获取的批量训练数据进行解析后进行大数据学习，进而按照预设的学习规则生成针对车辆的不同行驶数据的预测控制指令，和/或针对车辆的不同工作参数的预测控制指令；
s03、将学习生成的所有预测控制指令与其对应的行驶数据和/或工作参数进行关联后，生成预测指令数据库；
其中，所述训练数据包括：车辆对车载空调进行控制时的控制行为，以及对应的行驶数据和/或工作参数。
具体的，训练数据的选取可以根据空调控制目的来选择，例如是基于监测车辆经过的行驶地点来进行自动控制，则选取行驶数据作为训练数据即可，反之，如果是基于车辆周围的空气质量来进行自动控制，则选取工作参数中的空气质量传感数据作为训练数据。
进一步作为优选的实施方式，所述预设的学习规则包括以下规则的至少一种：
提取多台车辆在经过相同行驶地点的相同控制行为；
提取同一台车辆在经过同一行驶地点的多个相同控制行为；
提取多台车辆在针对相同工作参数的相同控制行为；
提取同一台车辆在针对同一工作参数的多个相同控制行为。
预设的学习规则是根据对车载空调的自动控制目的来设定的，可以任意更改，例如“提取多台车辆在经过相同行驶地点的相同控制行为”这一规则，还可以增加时间限制，细化为“提取多台车辆在同一时间段内经过相同行驶地点的相同控制行为”。因此，本实施例只是简单列举了几种可能的学习规则，实际上可以根据需要任意设定学习规则。通过设定预设的学习规则后，设定了大数据学习的方式，从而基于大数据学习，获得具有统计意义的数据以及对应的控制行为并生成对应的预测控制指令，从而可以实现对车载空调的自动控制。
进一步作为优选的实施方式，步骤s3之后，还包括以下步骤：
s4、将驾驶员对该预测控制指令的确认状态生成对应的反馈信息后，发送到后台服务器；
s5、后台服务器根据接收到的反馈信息，标记对应的预测控制指令的有效状态；
s6、根据每个预测控制指令的多次有效状态标记，更新预测指令数据库。
步骤s4中，当驾驶员确认该预测控制指令时，生成有效操作的反馈信息，反之，当驾驶员拒绝该预测控制指令时，生成无效操作的反馈信息，步骤s5中，后台服务器根据每个反馈信息，对相应的预测控制指令进行有效状态标记，标记为有效操作或无效操作。步骤s6中，针对每个预测控制指令的多次标记，可以判断该预测控制指令被标记为有效操作的概率，从而更新预测指令数据库。例如，某行驶数据对应预测控制指令a一共被标记100次，其中，80次被标记为无效操作，20次被标记为有效操作，则表示在该行驶数据下，预测控制指令a不是很恰当，因此，对预测指令数据库进行更新，删除该行驶数据与预测控制指令a之间的对应关系。
进一步作为优选的实施方式，步骤s3之后，还包括以下步骤：
记录驾驶员对每个预测控制指令的总确认次数，并在检测到驾驶员对某一预测控制指令的总确认次数超过预设次数阈值后，当再次接收到该预测控制指令时，直接根据该预测控制指令对车载空调进行自动控制，不再提醒驶员对该预测控制指令进行确认。
本车载控制方法的具体的学习过程举例如下：
(1)、当解析训练数据，发现在某一行驶地点k有超过1000辆车将车载空调从外循环切换为内循环，而且根据车速可以排除该行驶地点k发生堵车等干扰因素，则表示该行驶地点k可能存在空气质量问题，因此，针对该行驶地点k生成对应的将车载空调切换为内循环的预测控制指令l，并与该行驶地点k关联后存储到预测指令数据库。当后台服务器根据实时行驶数据判断车辆即将经过该行驶地点k时，向车辆发送对应的预测控制指令l，车辆接收预测控制指令l后，通过中控屏幕提醒驾驶员对该预测控制指令l进行确认，同时进行语音提醒。
优选的，本实施例中，后台服务器在向车辆发送对应的预测控制指令l之前，还根据车辆的行驶数据获取车辆所在地的天气参数，根据该天气参数判断该预测控制指令l是否合适，再决定是否向车辆发送该预测控制指令l。例如获取气象局的发布的该地区的pm2.5数据进行判断，当预测控制指令l为外循环控制指令时，若判断当前时间，车辆所在地区的pm2.5数据超标，则不再向车辆发送该预测控制指令l。
如果检测到驾驶员对该预测控制指令l进行确认操作，则根据预测控制指令l自动调节车载空调，实现自动控制。同时，根据驾驶员对预测控制指令l的确认，生成对应的表示有效操作的反馈信息，并发送到后台服务器。
(2)、当解析训练数据，某车辆的驾驶员在某一行驶地点p频繁切换车载空调的内外循环模式，切换次数超过一定阈值时，则对该车辆，当后台服务器根据实时行驶数据判断车辆经过该行驶地点p之前，向车辆发送对应的预测控制指令m，车辆接收预测控制指令m后，通过中控屏幕提醒驾驶员对该预测控制指令m进行确认，同时进行语音提醒。
如果检测到驾驶员对该预测控制指令m进行确认操作，则根据预测控制指令m自动调节车载空调，实现自动控制。同时，根据驾驶员对预测控制指令m的确认，生成对应的表示有效操作的反馈信息，并发送到后台服务器。
这个过程中，自动记录驾驶员对每个预测控制指令的总确认次数，如果检测到驾驶员对预测控制指令m的总确认次数超过预设次数阈值n后，当再次接收到该预测控制指令m时，直接根据该预测控制指令m对车载空调进行自动控制，不再提醒驶员对该预测控制指令m进行确认。直到检测到驾驶员在车辆根据该预测控制指令m对车载空调进行自动控制后，存在手动调节车载空调的操作时，恢复步骤s2的操作。本过程的自动控制功能，可以通过设置一功能按键，根据驾驶员对该功能按键的选择，选择开启或关闭自动控制功能。
车载控制系统实施例
参照图2，本实施例提供一种基于大数据学习的车载控制系统，包括存储介质100和控制器200，所述存储介质100存储有至少一个指令，所述控制器200用于加载所述至少一个指令并执行以下步骤：
采集车辆行驶时的实时行驶数据和/或工作参数，并发送到后台服务器300；
接收后台服务器300返回的与该实时行驶数据和/或工作参数对应的预测控制指令，并提醒驾驶员对该预测控制指令进行确认；
其中，所述预测控制指令是后台服务器300将该实时行驶数据和/或工作参数与预测指令数据库进行匹配后获得的，其中，预测指令数据库由后台服务器基于大数据学习所获得。
控制器200通过采集车辆上传感器的数据，或者车载空调的操作数据来获得实时行驶数据和工作参数。这里的传感器包括gps模块，也包括车辆上设置的空气质量传感器等传感器模块。控制器200与后台服务器300之间通过无线通信方式进行通信。
优选的，本实施例的车载控制系统还包括后台服务器300，所述后台服务器300用于：
获取车辆在行驶过程中的批量训练数据；
对获取的批量训练数据进行解析后进行大数据学习，进而按照预设的学习规则生成针对车辆的不同行驶数据的预测控制指令，和/或针对车辆的不同工作参数的预测控制指令；
将学习生成的所有预测控制指令与其对应的行驶数据和/或工作参数进行关联后，生成预测指令数据库；
其中，所述训练数据包括：车辆对车载空调进行控制时的控制行为，以及对应的行驶数据和/或工作参数。
本发明的车载控制系统实施例，可执行上述车载控制方法实施例所提供的基于大数据学习的车载控制方法，可执行车载控制方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。