一种基于移动互联网大数据的信息智能处理系统及方法与流程

1.本发明涉及信息智能处理技术领域，具体为一种基于移动互联网大数据的信息智能处理系统及方法。


背景技术：

2.移动互联网是指将移动通信和互联网二者结合起来，成为一体。移动互联网具有随时、随地、随身和互联网开放、分享、互动的优势，是一个全国性的、以宽带ip为技术核心的，可同时提供话音、传真、数据、图像、多媒体等高品质电信服务的新一代开放的电信基础网络，由运营商提供无线接入，能够实现各种智能系统间的互联。
3.车载空调是目前汽车上的必不可少的一项设备，然而对于车载空调的调节却一直依靠手动进行调节，尤其是在风向上的调节，往往是司机手动推动格栅进行调节，有时候司机推动幅度过大，吹了一会发现不舒服，再拉回一点，拉回后也存在拉回过多的情况，导致司机不得不多次调节才能达到满意效果，但是在驾驶过程中，多次调节的过程往往导致司机双手不能再方向盘上，严重影响驾驶安全。


技术实现要素：

4.本发明的目的在于提供一种基于移动互联网大数据的信息智能处理系统及方法，以解决上述背景技术中提出的问题。
5.为了解决上述技术问题，本发明提供如下技术方案：
6.一种基于移动互联网大数据的信息智能处理系统，该系统包括时间记录模块、动作分析模块、大数据信息智能处理模块、移动互联网传输模块、指令智能模块；
7.所述时间记录模块用于获取司机调节车载空调的时间与模式，构建司机调节车载空调模式，记录司机调节车载空调的时间；所述动作分析模块用于分析每一种调节车载空调模式下的司机动作特征；所述大数据信息智能处理模块用于根据大数据对司机动作信息的历史数据与当前数据进行分析处理，获取相似度，预测得出司机进行每一种车载空调调节方案的概率；所述移动互联网传输模块用于以移动互联网的方式构建指令，传输信号数据；所述指令智能模块在车载空调智能端，用于接收指令，对车载空调实行智能化调节；
8.所述时间记录模块的输出端与所述动作分析模块的输入端相连接；所述动作分析模块的输出端与所述大数据信息智能处理模块的输入端相连接；所述大数据信息智能处理模块的输出端与所述移动互联网传输模块的输入端相连接；所述移动互联网传输模块的输出端与所述指令智能模块的输入端相连接。
9.根据上述技术方案，所述时间记录模块包括时间记录子模块、模式构建子模块；
10.所述时间记录子模块用于记录司机调节车载空调的时间；所述模式构建子模块用于构建司机调节车载空调的方案；
11.所述时间记录子模块的输出端与所述模式构建子模块的输入端相连接；所述模式构建子模块的输出端与所述动作分析模块的输入端相连接。
12.根据上述技术方案，所述动作分析模块包括动作采集子模块、动作分析子模块；
13.所述动作采集子模块用于构建动态时段，获取以司机调节车载空调的时间的时刻为终点的动态时段内的司机动作数据；所述动作分析子模块用于提取司机动作数据中的动作特征；
14.所述动作采集子模块的输出端与所述动作分析子模块的输入端相连接；所述动作分析子模块的输出端与所述大数据信息智能处理模块的输入端相连接。
15.根据上述技术方案，所述大数据信息智能处理模块包括大数据信息处理子模块、模型构建子模块；
16.所述大数据信息处理子模块用于整合司机动作信息的历史数据与当前数据；所述模型构建子模块用于构建模型，对司机动作信息的历史数据与当前数据进行相似度对比，获取得出司机进行每一种车载空调调节方案的预测概率；
17.所述大数据信息处理子模块的输出端与所述模型构建子模块的输入端相连接；所述模型构建子模块的输出端与所述移动互联网传输模块的输入端相连接。
18.根据上述技术方案，所述移动互联网传输模块包括移动互联网构建子模块、互联网传输子模块；
19.所述移动互联网构建子模块用于构建移动互联网络，实现车内系统与车载空调的智能连接；所述互联网传输子模块用于构建车载空调调节的智能指令，传输信号数据；
20.所述移动互联网构建子模块的输出端与所述互联网传输子模块的输入端相连接；所述互联网传输子模块的输出端与所述指令智能模块的输入端相连接。
21.根据上述技术方案，所述指令智能模块包括指令接收子模块、智能处理子模块；
22.所述指令接收子模块用于接收移动互联网传输模块发出的指令信息数据；所述智能处理子模块用于根据指令信息数据对车载空调进行智能调节；
23.所述指令接收子模块的输出端与所述智能处理子模块的输入端相连接。
24.一种基于移动互联网大数据的信息智能处理方法，该方法包括以下步骤：
25.s1、获取司机调节车载空调的时间与模式，司机调节车载空调的时间记为t0，t0代表时刻，构建动态时段t，获取以t0时刻为终点的时段t内的司机动作数据；
26.s2、构建车载空调调节方案，获取任一种车载空调调节方案下时段t内的司机动作数据作为参照集，利用相似度进行对比，预测得出司机进行每一种车载空调调节方案的概率；
27.s3、获取司机调节车载空调下的数据，构建拟合规划模型进行拟合规划；
28.s4、获取司机动作数据信息，对司机动作数据信息智能处理，构建司机个性化车载空调调节模型，输出指令智能化调节车载空调。
29.根据上述技术方案，在步骤s1中，所述司机调节车载空调的模式包括调温、调速、调节风向；
30.所述调温包括调高温度、调低温度；调高温度为正值，调低温度为负值；
31.所述调速包括调大风速、调小风速；调大风速为正值，调小风速为负值；
32.所述调节风向包括向上调节角度、向下调节角度、向左调节角度、向右调节角度；其中向右调节角度、向上调节角度为正值，向下调节角度、向左调节角度为负值；
33.在步骤s2中，所述车载空调调节方案包括四种，分别为：调高温度、调大风速、调节
风向；调低温度、调小风速、调节风向；调高温度、调小风速、调节风向；调低温度、调大风速、调节风向。
34.根据上述技术方案，所述预测得出司机进行每一种车载空调调节方案的概率包括：
35.获取每种车载空调调节方案下n组时段t内的司机动作数据，n为可设置的常数；
36.根据司机动作数据构建动作特征；所述动作特征包括手部特征、颈部特征；例如在手部特征中，会出现擦汗、挠痒等，颈部特征会出现歪头等；因为在空调不舒适的情况下，例如手动调节带来的突然的冷热风交替会使人的皮肤受到刺激，发生瘙痒的感觉；在温度过高也容易出现流汗等情况；
37.所述动作特征记为集合a＝{x1、x2、
…
、xh}；其中x1、x2、
…
、xh分别为动作特征中的任一种；
38.获取当前在时段t内的司机动作数据，构建对应集合a的动作特征集合b＝{y1、y2、
…
、yh}；其中y1、y2、
…
、yh分别为对应集合a的动作特征中的任一种；
39.构建相似度对比：
[0040][0041]
其中，k代表相似度水平，xi作为动作特征集合a中的任一项动作特征的数据表现形式；yi作为对应集合a的动作特征中的任一项动作特征的数据表现形式；
[0042]
这里的数据表现形式是指能够在计算机上读取的数据形式，例如将数据进行归一化处理在进行计算机读取等方式；
[0043]
以相似度水平k作为预测概率，得出司机进行每一种车载空调调节方案的概率；
[0044]
获取其中最大概率对应的车载空调调节方案作为本次预测的车载空调调节方案。
[0045]
根据上述技术方案，所述拟合规划包括：
[0046]
获取本次预测的车载空调调节方案下的历史适应性调节数据；
[0047]
所述适应性调节数据为司机在预测的车载空调调节方案下运行时段t2内没有更改的车载空调数据；
[0048]
所述适应性调节数据中包括车载空调温度、车载空调风速、车载空调风向；其中车载空调温度以初始设置温度作为0度，车载空调风速初始设置为0，车载空调风向设置正前方方向为0；
[0049]
构建第一拟合规划模型对车载空调温度、车载空调风速进行调节，并输出：
[0050]
获取历史适应性调节数据共计t组；
[0051]
以历史适应性调节数据中的车载空调温度或车载空调风速数据作为输入数据，建立公式如下：
[0052]
l
t 1
＝a
t
b
t
*d
[0053]
其中，l
t 1
代表第t 1期的车载空调温度或车载空调风速预测值；a
t
为预测截距；b
t
为预测斜率；d为新增预测期数，为1；
[0054]
[0055][0056]
其中，代表u组数据下的一次移动平均值；代表u组数据下的二次移动平均值；u代表参与移动的数据组数；
[0057]
分别获取车载空调温度与车载空调风速的预测值，作为本次预测车载空调调节方案下的车载空调温度与车载空调风速的智能值；
[0058]
构建第二拟合规划模型对车载空调风向进行调节，并输出：
[0059]
获取历史适应性调节数据共计t组；
[0060]
以历史适应性调节数据中的车载空调风向数据作为输入数据，建立公式如下：
[0061][0062]
其中，f(v)代表车载空调风向的预测数据，vi代表输入数据，ω代表回归系数，代表误差值；
[0063]
利用均方差对ω与构建公式，获取f(v)的最佳值
[0064][0065]
其中，f(vi)代表vi下的预测值，v0代表对应f(vi)下的真实值；
[0066]
将获取的代入，获得第二拟合规划模型：
[0067][0068]
获取车载空调风向数据的预测值，作为本次预测车载空调调节方案下的车载空调风向数据的智能值；
[0069]
获取本次预测车载空调调节方案下的车载空调温度车载空调风速的智能值、车载空调风向数据的智能值作为智能指令利用移动互联网输出到车载空调智能模块中，智能化调节车载空调。
[0070]
利用不同的方式对待车载空调温度、车载空调风速与车载空调风向是因为在实际情况下车载空调温度与车载空调风速均存在档位情况，其数据较为简单，利用平均法可以对数据进行智能评估，其所达到的效果也较现有技术中的直接以平均方式调节较为精准，而在风向的调节上，目前尚未有相应技术能够实现，角度众多，难以实现精细化调节，多档位难以在手动状态下具体实施，少档位又难以满足用户需求，而且在调节过程中容易出错，误差较大，且其数据类型较为复杂，更适用于线性回归方式，以满足整个系统的精细化程度。
[0071]
与现有技术相比，本发明所达到的有益效果是：
[0072]
本发明能够基于移动互联网构建车内互联网络，实现车内系统与车载空调的连
接，基于大数据的方式对车载空调的信息数据进行智能分析处理，能够解决在司机调节车载空调的过程中，由于手动无法实现精准调节，而导致需要多次调节校准的缺陷，利用拟合模型实现调节风向的精细化预测，避免司机在驾驶过程中手离开方向盘调节空调风向，提高驾驶舒适度，降低驾驶风险。
附图说明
[0073]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0074]
图1是本发明一种基于移动互联网大数据的信息智能处理系统及方法的流程示意图；
[0075]
图2是本发明一种基于移动互联网大数据的信息智能处理方法的步骤示意图。
[0076]
具体实施模式
[0077]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0078]
请参阅图1-图2，本发明提供技术方案：
[0079]
一种基于移动互联网大数据的信息智能处理系统，该系统包括时间记录模块、动作分析模块、大数据信息智能处理模块、移动互联网传输模块、指令智能模块；
[0080]
所述时间记录模块用于获取司机调节车载空调的时间与模式，构建司机调节车载空调模式，记录司机调节车载空调的时间；所述动作分析模块用于分析每一种调节车载空调模式下的司机动作特征；所述大数据信息智能处理模块用于根据大数据对司机动作信息的历史数据与当前数据进行分析处理，获取相似度，预测得出司机进行每一种车载空调调节方案的概率；所述移动互联网传输模块用于以移动互联网的方式构建指令，传输信号数据；所述指令智能模块在车载空调智能端，用于接收指令，对车载空调实行智能化调节；
[0081]
所述时间记录模块的输出端与所述动作分析模块的输入端相连接；所述动作分析模块的输出端与所述大数据信息智能处理模块的输入端相连接；所述大数据信息智能处理模块的输出端与所述移动互联网传输模块的输入端相连接；所述移动互联网传输模块的输出端与所述指令智能模块的输入端相连接。
[0082]
所述时间记录模块包括时间记录子模块、模式构建子模块；
[0083]
所述时间记录子模块用于记录司机调节车载空调的时间；所述模式构建子模块用于构建司机调节车载空调的方案；
[0084]
所述时间记录子模块的输出端与所述模式构建子模块的输入端相连接；所述模式构建子模块的输出端与所述动作分析模块的输入端相连接。
[0085]
所述动作分析模块包括动作采集子模块、动作分析子模块；
[0086]
所述动作采集子模块用于构建动态时段，获取以司机调节车载空调的时间的时刻为终点的动态时段内的司机动作数据；所述动作分析子模块用于提取司机动作数据中的动作特征；
[0087]
所述动作采集子模块的输出端与所述动作分析子模块的输入端相连接；所述动作
分析子模块的输出端与所述大数据信息智能处理模块的输入端相连接。
[0088]
所述大数据信息智能处理模块包括大数据信息处理子模块、模型构建子模块；
[0089]
所述大数据信息处理子模块用于整合司机动作信息的历史数据与当前数据；所述模型构建子模块用于构建模型，对司机动作信息的历史数据与当前数据进行相似度对比，获取得出司机进行每一种车载空调调节方案的预测概率；
[0090]
所述大数据信息处理子模块的输出端与所述模型构建子模块的输入端相连接；所述模型构建子模块的输出端与所述移动互联网传输模块的输入端相连接。
[0091]
所述移动互联网传输模块包括移动互联网构建子模块、互联网传输子模块；
[0092]
所述移动互联网构建子模块用于构建移动互联网络，实现车内系统与车载空调的智能连接；所述互联网传输子模块用于构建车载空调调节的智能指令，传输信号数据；
[0093]
所述移动互联网构建子模块的输出端与所述互联网传输子模块的输入端相连接；所述互联网传输子模块的输出端与所述指令智能模块的输入端相连接。
[0094]
所述指令智能模块包括指令接收子模块、智能处理子模块；
[0095]
所述指令接收子模块用于接收移动互联网传输模块发出的指令信息数据；所述智能处理子模块用于根据指令信息数据对车载空调进行智能调节；
[0096]
所述指令接收子模块的输出端与所述智能处理子模块的输入端相连接。
[0097]
一种基于移动互联网大数据的信息智能处理方法，该方法包括以下步骤：
[0098]
s1、获取司机调节车载空调的时间与模式，司机调节车载空调的时间记为t0，t0代表时刻，构建动态时段t，获取以t0时刻为终点的时段t内的司机动作数据；
[0099]
s2、构建车载空调调节方案，获取任一种车载空调调节方案下时段t内的司机动作数据作为参照集，利用相似度进行对比，预测得出司机进行每一种车载空调调节方案的概率；
[0100]
s3、获取司机调节车载空调下的数据，构建拟合规划模型进行拟合规划；
[0101]
s4、获取司机动作数据信息，对司机动作数据信息智能处理，构建司机个性化车载空调调节模型，输出指令智能化调节车载空调。
[0102]
在步骤s1中，所述司机调节车载空调的模式包括调温、调速、调节风向；
[0103]
所述调温包括调高温度、调低温度；调高温度为正值，调低温度为负值；
[0104]
所述调速包括调大风速、调小风速；调大风速为正值，调小风速为负值；
[0105]
所述调节风向包括向上调节角度、向下调节角度、向左调节角度、向右调节角度；其中向右调节角度、向上调节角度为正值，向下调节角度、向左调节角度为负值；
[0106]
在步骤s2中，所述车载空调调节方案包括四种，分别为：调高温度、调大风速、调节风向；调低温度、调小风速、调节风向；调高温度、调小风速、调节风向；调低温度、调大风速、调节风向。
[0107]
所述预测得出司机进行每一种车载空调调节方案的概率包括：
[0108]
获取每种车载空调调节方案下n组时段t内的司机动作数据，n为可设置的常数；
[0109]
根据司机动作数据构建动作特征；
[0110]
所述动作特征记为集合a＝{x1、x2、
…
、xh}；其中x1、x2、
…
、xh分别为动作特征中的任一种；
[0111]
获取当前在时段t内的司机动作数据，构建对应集合a的动作特征集合b＝{y1、
y2、
…
、yh}；其中y1、y2、
…
、yh分别为对应集合a的动作特征中的任一种；
[0112]
构建相似度对比：
[0113][0114]
其中，k代表相似度水平，xi作为动作特征集合a中的任一项动作特征的数据表现形式；yi作为对应集合a的动作特征中的任一项动作特征的数据表现形式；
[0115]
以相似度水平k作为预测概率，得出司机进行每一种车载空调调节方案的概率；
[0116]
获取其中最大概率对应的车载空调调节方案作为本次预测的车载空调调节方案。
[0117]
所述拟合规划包括：
[0118]
获取本次预测的车载空调调节方案下的历史适应性调节数据；
[0119]
所述适应性调节数据为司机在预测的车载空调调节方案下运行时段t2内没有更改的车载空调数据；
[0120]
所述适应性调节数据中包括车载空调温度、车载空调风速、车载空调风向；其中车载空调温度以初始设置温度作为0度，车载空调风速初始设置为0，车载空调风向设置正前方方向为0；
[0121]
构建第一拟合规划模型对车载空调温度、车载空调风速进行调节，并输出：
[0122]
获取历史适应性调节数据共计t组；
[0123]
以历史适应性调节数据中的车载空调温度或车载空调风速数据作为输入数据，建立公式如下：
[0124]
l
t 1
＝a
t
b
t
*d
[0125]
其中，l
t 1
代表第t 1期的车载空调温度或车载空调风速预测值；a
t
为预测截距；b
t
为预测斜率；d为新增预测期数，为1；
[0126][0127][0128]
其中，代表u组数据下的一次移动平均值；代表u组数据下的二次移动平均值；u代表参与移动的数据组数；
[0129]
分别获取车载空调温度与车载空调风速的预测值，作为本次预测车载空调调节方案下的车载空调温度与车载空调风速的智能值；
[0130]
构建第二拟合规划模型对车载空调风向进行调节，并输出：
[0131]
获取历史适应性调节数据共计t组；
[0132]
以历史适应性调节数据中的车载空调风向数据作为输入数据，建立公式如下：
[0133][0134]
其中，f(v)代表车载空调风向的预测数据，vi代表输入数据，ω代表回归系数，代
表误差值；
[0135]
利用均方差对ω与构建公式，获取f(v)的最佳值
[0136][0137]
其中，f(vi)代表vi下的预测值，v0代表对应f(vi)下的真实值；
[0138]
将获取的代入，获得第二拟合规划模型：
[0139][0140]
获取车载空调风向数据的预测值，作为本次预测车载空调调节方案下的车载空调风向数据的智能值；
[0141]
获取本次预测车载空调调节方案下的车载空调温度车载空调风速的智能值、车载空调风向数据的智能值作为智能指令利用移动互联网输出到车载空调智能模块中，智能化调节车载空调。
[0142]
在本实施例中：
[0143]
构建车载空调调节方案；
[0144]
包括四种，分别为：调高温度、调大风速、调节风向；
[0145]
调低温度、调小风速、调节风向；
[0146]
调高温度、调小风速、调节风向；
[0147]
调低温度、调大风速、调节风向。
[0148]
获取每种车载空调调节方案下n组时段t内的司机动作数据，n＝10；
[0149]
根据司机动作数据构建动作特征；
[0150]
所述动作特征记为集合a＝{x1、x2、
…
、xh}；其中x1、x2、
…
、xh分别为动作特征中的任一种；
[0151]
获取当前在时段t内的司机动作数据，构建对应集合a的动作特征集合b＝{y1、y2、
…
、yh}；其中y1、y2、
…
、yh分别为对应集合a的动作特征中的任一种；
[0152]
构建相似度对比：
[0153][0154]
其中，k代表相似度水平，xi作为动作特征集合a中的任一项动作特征的数据表现形式；yi作为对应集合a的动作特征中的任一项动作特征的数据表现形式；
[0155]
分别得出司机在下列四种方案下的动作特征相似度：
[0156]
调高温度、调大风速、调节风向；相似度98％；
[0157]
调低温度、调小风速、调节风向；相似度48％；
[0158]
调高温度、调小风速、调节风向；相似度36％；
[0159]
调低温度、调大风速、调节风向。相似度29％；
[0160]
以相似度水平k作为预测概率，分别得出司机进行每一种车载空调调节方案的概率；
[0161]
获取其中最大概率对应的车载空调调节方案作为本次预测的车载空调调节方案；
[0162]
因此以调高温度、调大风速、调节风向作为本次预测的车载空调调节方案。
[0163]
获取获取本次预测的车载空调调节方案下的历史适应性调节数据；
[0164]
即调高温度、调大风速、调节风向下的适应性调节数据；
[0165]
其中包括：
[0166]
温度s1、风速s11、风向s111；
[0167]
温度s2、风速s22、风向s222；
[0168]
……
[0169]
温度st、风速stt、风向sttt；
[0170]
其中车载空调温度以初始设置温度作为0度，车载空调风速初始设置为0，车载空调风向设置正前方方向为0；
[0171]
构建第一拟合规划模型对车载空调温度、车载空调风速进行调节，并输出：
[0172]
获取历史适应性调节数据共计t组；
[0173]
以历史适应性调节数据中的车载空调温度或车载空调风速数据作为输入数据，建立公式如下：
[0174]
l
t 1
＝a
t
b
t
*d
[0175]
其中，l
t 1
代表第t 1期的车载空调温度或车载空调风速预测值；a
t
为预测截距；b
t
为预测斜率；d为新增预测期数，为1；
[0176][0177][0178]
其中，代表u组数据下的一次移动平均值；代表u组数据下的二次移动平均值；u代表参与移动的数据组数；
[0179]
分别获取车载空调温度与车载空调风速的预测值，作为本次预测车载空调调节方案下的车载空调温度与车载空调风速的智能值；
[0180]
构建第二拟合规划模型对车载空调风向进行调节，并输出：
[0181]
获取历史适应性调节数据共计t组；
[0182]
以历史适应性调节数据中的车载空调风向数据作为输入数据，建立公式如下：
[0183][0184]
其中，f(v)代表车载空调风向的预测数据，vi代表输入数据，ω代表回归系数，代表误差值；
[0185]
利用均方差对ω与构建公式，获取f(v)的最佳值
[0186][0187]
其中，f(vi)代表vi下的预测值，v0代表对应f(vi)下的真实值；
[0188]
将获取的代入，获得第二拟合规划模型：
[0189][0190]
获取车载空调风向数据的预测值，作为本次预测车载空调调节方案下的车载空调风向数据的智能值；
[0191]
获取本次预测车载空调调节方案下的车载空调温度车载空调风速的智能值、车载空调风向数据的智能值作为智能指令利用移动互联网输出到车载空调智能模块中，智能化调节车载空调。
[0192]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0193]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。