[发明专利]一种基于深度学习的车辆耐候性温度预测方法及装置

权利要求书

1.一种基于深度学习的车辆耐候性温度预测方法，其特征在于，包括下述步骤：

获取训练数据，所述训练数据包括大气环境参数及其对应的车辆测点温度；所述大气环境参数包括：大气瞬时温度、相对瞬时湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱辐射量总辐射、5°分光谱辐射量红外线、5°分光谱辐射量可见光、5°分光谱辐射量紫外辐射、45°分光谱辐射量总辐射、45°分光谱辐射量红外线、45°分光谱辐射量紫外辐射、45°分光谱辐射量可见光、降水量、降水时数和直接辐照量中的至少一个；

对所述大气环境参数及其对应的车辆测点温度进行归一化处理，得到归一化的训练数据样本；

构建深度学习预测模型，并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练，得到训练好的深度学习预测模型；所述深度学习预测模型包括：

时序特征提取网络，用于对所述训练数据样本进行特征提取，得到训练数据样本对应的时间尺度下的大气环境特征；

全局特征提取网络，用于对所述训练数据样本进行特征提取，得到训练数据样本对应的全局尺度下的大气环境特征；

融合层，用于对所述时序特征提取网络输出的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合，得到融合特征；

第一全连接层，用于对所述融合层输出的融合特征进行特征分类，得到车辆测点温度的预测值；

获取待预测数据样本，并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测，得到车辆测点温度的预测值。

2.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，所述车辆测点温度包括：前保险杠中部温度、顶棚内饰板后部温度、右外后视镜壳温度、副驾驶座垫温度、仪表板中部温度、后保险杠右侧温度、左A柱内部上护板温度、右B柱外部盖板温度和右前门内饰板上表面温度中的至少一个。

3.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，基于下述公式对大气环境参数及其对应的车辆测点温度进行归一化处理：

式中，x_nor为归一化后的样本数据，x为当前样本数据，x_mean为样本数据的均值，x_std为样本数据的标准差。

4.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，所述时序特征提取网络包括三个依次连接的长短时记忆层。

5.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，所述全局特征提取网络包括压平全连接层和残差层，其中，

所述压平全连接层，用于对所述训练数据样本进行浅层特征提取，得到全局尺度下的初级特征；

所述残差层，用于对所述压平全连接层输出的全局尺度下的初级特征进行深度特征提取，得到全局尺度下的大气环境特征。

6.根据权利要求5所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，所述残差层包括两个依次连接的残差全连接层，每一所述残差全连接层包括依次连接的归一化层、激活层和第二全连接层。

7.根据权利要求1所述的基于深度学习的车辆耐候性温度预测方法，其特征在于，对所述深度学习预测模型进行模型训练的过程中，基于所述车辆测点温度的预测值与车辆测点温度的真实值计算得到损失函数；当所述损失函数小于阈值门槛时，得到训练好的深度学习预测模型，其中，损失函数的计算公式如下：

式中，L_sr为损失函数，N为样本数目，T_预测为车辆测点温度的预测值，T_真实为车辆测点温度的真实值。

8.一种基于深度学习的车辆耐候性温度预测装置，其特征在于，包括：

训练数据样本获取模块，用于获取训练数据，所述训练数据包括大气环境参数及其对应的车辆测点温度；所述大气环境参数包括：大气瞬时温度、相对瞬时湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱辐射量总辐射、5°分光谱辐射量红外线、5°分光谱辐射量可见光、5°分光谱辐射量紫外辐射、45°分光谱辐射量总辐射、45°分光谱辐射量红外线、45°分光谱辐射量紫外辐射、45°分光谱辐射量可见光、降水量、降水时数和直接辐照量中的至少一个；

归一化模块，用于对所述大气环境参数及其对应的车辆测点温度均进行归一化处理，得到归一化的训练数据样本；

模型构建与训练模块，用于构建深度学习预测模型，并将所述归一化的训练数据样本输入深度学习预测模型进行模型训练，得到训练好的深度学习预测模型；所述深度学习预测模型包括：

时序特征提取网络，用于对所述训练数据样本进行特征提取，得到训练数据样本对应的时间尺度下的大气环境特征；

全局特征提取网络，用于对所述训练数据样本进行特征提取，得到训练数据样本对应的全局尺度下的大气环境特征；

融合层，用于对所述时序特征提取网络输出的时间尺度下的大气环境特征与全局特征提取网络输出的全局尺度下的大气环境特征进行融合，得到融合特征；

第一全连接层，用于对所述融合层输出的融合特征进行特征分类，得到车辆测点温度的预测值；

预测模块，用于获取待预测数据样本，并基于所述训练好的深度学习预测模型对待预测数据样本对应的车辆测点温度进行预测，得到车辆测点温度的预测值。