[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

说明书

本发明涉及一种基于深度学习的车辆耐候性温度预测方法及装置，属于神经网络技术领域，解决了现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。方法包括：获取训练数据，训练数据包括大气环境参数及其对应的车辆测点温度；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，得到归一化的训练数据样本；构建深度学习预测模型，并将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；获取待预测数据样本，并基于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。实现了车辆测点温度的预测，提高了预测效率和精度。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于深度学习的车辆耐候性温度预测方法及装置。

背景技术

乘用车作为一种使用频率较高的户外交通工具，在服役期内会遭遇阳光暴晒、高温、潮湿、雨水、气候骤变等各种气候环境，从而产生老化、腐蚀等失效现象，不仅影响消费者对汽车的观感和使用舒适性，还会影响到汽车的使用寿命，严重时可导致汽车功能失效，对消费者生命和财产的安全形成隐患。

乘用车耐候性是指乘用车在使用过程中耐受自然环境中的阳光、雨水、气温变化等环境因素综合破坏作用的能力，通常以将整车静置于标准湿热自然暴露试验场和(或)干热自然暴露试验场试1年后的缺陷数量及缺陷程度作为衡量乘用车耐候性的依据，是乘用车耐用性的重要标志。

现有的车辆耐候性温度预测方法基于对乘用车的零部件进行耐候性测试得到，这种方法效率较低且温度预测结果精度较低。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于深度学习的车辆耐候性温度预测方法及装置，用以解决现有的车辆耐候性温度预测方法效率较低且温度预测结果精度较低的问题。

一方面，本发明实施例提供了一种基于深度学习的车辆耐候性温度预测方法，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；

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；

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。

进一步，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。

进一步，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。

进一步，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。

进一步，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；