车载空调数据监控方法及系统

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种车载空调数据监控方法及系统。

背景技术

随着电子设备的数据处理能力的不断提升，使得智能控制在各种应用中得以广泛利用。例如，通过对海量数据的分析，可以对车载空调进行智能控制，使得控制的结果更能与用户的需求匹配。但是，在现有技术中，主要是基于车载空调自身的历史数据进行相应的控制，使得存在着对车载空调的运行控制的精度不高的问题。

发明内容

有鉴于此，本发明的目的在于提供一种车载空调数据监控方法及系统，以在一定程度上提高对车载空调的运行控制的精度。

为实现上述目的，本发明实施例采用如下技术方案：

一种车载空调数据监控方法，包括：

提取到目标车载空调对应的多条历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据，每一个所述相关车载空调对应有多条历史空调运行数据；

从所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合，所述关键历史空调运行数据集合包括多条关键历史空调运行数据；

依据所述关键历史空调运行数据集合包括的多条关键历史空调运行数据，对所述目标车载空调的当前运行进行控制。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述提取到目标车载空调对应的多条历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据的步骤，包括：

提取到目标车载空调在当前时间周期内对应的多条初始历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调在当前时间周期内分别对应的多条初始历史空调运行数据；

对所述初始历史空调运行数据进行筛选，以得到所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据，所述目标车载空调对应的多条历史空调运行数据的数量等于每一个所述相关车载空调对应的多条历史空调运行数据的数量。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述从所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合的步骤，包括：

对于所述多个相关车载空调中的每一个相关车载空调，对该相关车载空调和所述目标车载空调之间的相关度进行确定，以输出该相关车载空调和所述目标车载空调之间的空调相关度数据；

依据每一个所述相关车载空调和所述目标车载空调之间的空调相关度数据，对所述目标车载空调和所述相关车载空调进行排序，以形成目标空调排序序列，在所述目标空调排序序列中，所述相关车载空调对应的排序位置和所述目标车载空调对应的排序位置之间的位置距离，负相关于所述相关车载空调和所述目标车载空调之间的空调相关度；

依据所述目标空调排序序列，对所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据进行队列构建处理，以形成对应的历史空调运行数据队列，在所述历史空调运行数据队列中，一行历史空调运行数据包括所述目标车载空调对应的多条历史空调运行数据或一个相关车载空调对应的多条历史空调运行数据；

利用预先训练形成的目标数据划分神经网络，对所述历史空调运行数据队列进行划分处理，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域，所述至少一个历史空调运行数据队列区域按照对应的队列位置相对关系拼接形成所述历史空调运行数据队列；

从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域，以作为对应的关键历史空调运行数据集合。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述利用预先训练形成的目标数据划分神经网络，对所述历史空调运行数据队列进行划分处理，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域的步骤，包括：

对所述历史空调运行数据队列进行初始的分割标记，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列；

利用预先训练形成的目标数据划分神经网络，提取出所述分割标记历史空调运行数据队列中的队列内部环境数据相关特征，再基于所述队列内部环境数据相关特征和所述分割标记历史空调运行数据队列，分析出所述分割标记历史空调运行数据队列对应的历史空调运行数据队列模块；

利用预先训练形成的目标数据划分神经网络，提取出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征，再基于所述历史空调运行数据队列模块和所述队列模块环境间数据相关特征，分析出所述历史空调运行数据队列对应的关键运行数据表征向量；

基于所述关键运行数据表征向量，对所述历史空调运行数据队列进行队列划分操作，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述对所述历史空调运行数据队列进行初始的分割标记，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列的步骤，包括：

对所述历史空调运行数据队列进行数据挖掘，以输出所述历史空调运行数据队列对应的数据挖掘结果分布队列；

提取到预先配置的初始分割标记信息，再基于所述数据挖掘结果分布队列和所述初始分割标记信息，对所述初始分割标记信息包括的分割线交叉位置进行交叉位置更新操作，以输出所述初始分割标记信息对应的更新分割标记信息；以及，基于所述更新分割标记信息对所述数据挖掘结果分布队列进行分割标记操作，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述利用预先训练形成的目标数据划分神经网络，提取出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征，再基于所述历史空调运行数据队列模块和所述队列模块环境间数据相关特征，分析出所述历史空调运行数据队列对应的关键运行数据表征向量的步骤，包括：

利用预先训练形成的目标数据划分神经网络，基于所述历史空调运行数据队列模块的历史空调运行数据的融合值，分析出所述历史空调运行数据队列模块对应的第一模块数据表征向量；

基于对应的所述第一模块数据表征向量，分析输出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征；

基于所述第一模块数据表征向量和所述队列模块环境间数据相关特征，分析输出对应的第二模块数据表征向量；以及，对所述第二模块数据表征向量进行转移处理，以转移到所述更新分割标记信息上，以输出所述历史空调运行数据队列对应的关键运行数据表征向量。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述队列内部环境数据相关特征和所述历史空调运行数据队列模块利用预先训练形成的目标数据划分神经网络包括的队列数据相关特征分析子网络分析得到，所述队列模块环境间数据相关特征和所述关键运行数据表征向量利用所述目标数据划分神经网络包括的模块数据相关特征分析子网络分析得到，所述至少一个历史空调运行数据队列区域利用所述目标数据划分神经网络包括队列划分子网络分析得到，所述车载空调数据监控方法还包括：

提取到示例空调运行数据集合，再基于所述示例空调运行数据集合包括的示例空调运行数据队列中示例空调运行数据的数据数量，分析出所述示例空调运行数据的数据类型信息对应的代表重要度；

对所述示例空调运行数据队列进行初始的分割标记，以形成所述示例空调运行数据队列对应的分割标记示例空调运行数据队列；

利用预先搭建的初始数据划分神经网络包括的队列数据相关特征分析子网络，提取出所述分割标记示例空调运行数据队列中的示例队列内部环境数据相关特征，再基于所述示例队列内部环境数据相关特征和所述分割标记示例空调运行数据队列，分析出所述示例空调运行数据队列对应的示例空调运行数据队列模块；

利用所述初始数据划分神经网络包括的模块数据相关特征分析子网络，提取出所述示例空调运行数据队列模块之间的示例队列模块环境间数据相关特征，再基于所述示例空调运行数据队列模块和所述示例队列模块环境间数据相关特征，分析出所述示例空调运行数据队列对应的示例关键运行数据表征向量；

利用所述初始数据划分神经网络包括的队列划分子网络，对所述示例关键运行数据表征向量对应的示例空调运行数据的代表数据类型信息进行分析确定；以及，基于所述代表数据类型信息、所述示例空调运行数据对应的数据类型信息和所述代表重要度，输出对应的网络收敛评估参数；

统计所述初始数据划分神经网络的更新操作数量；以及，依据所述网络收敛评估参数和所述更新操作数量，对所述初始数据划分神经网络进行更新操作，输出所述初始数据划分神经网络对应的目标数据划分神经网络。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域，以作为对应的关键历史空调运行数据集合的步骤，包括：

对于所述至少一个历史空调运行数据队列区域中的每一个历史空调运行数据队列区域，确定该历史空调运行数据队列区域包括的历史空调运行数据的数量，得到该历史空调运行数据队列区域对应的第一数据数量，再确定该历史空调运行数据对应区域包括的目标车载空调对应的历史空调运行数据的数量，得到该历史空调运行数据队列区域对应的第二数据数量；

对于所述至少一个历史空调运行数据队列区域中的每一个历史空调运行数据队列区域，依据该历史空调运行数据队列区域对应的第一数据数量确定出具有正相关关系的第一筛选参数，再依据该历史空调运行数据队列区域对应的第二数据数量和该第一数据数量之间的比值，确定出具有正相关关系的第二筛选参数，以及，依据该历史空调运行数据队列区域包括的历史空调运行数据对应的每一个相关车载空调和所述目标车载空调之间的空调相关度数据的均值，确定出具有正相关关系的第三筛选参数；

依据每一个所述历史空调运行数据队列区域对应的第一筛选参数、第二筛选参数和第三筛选参数，从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域，再将该历史空调运行数据队列区域标记为关键历史空调运行数据集合。

在一些优选的实施例中，在上述车载空调数据监控方法中，所述依据所述关键历史空调运行数据集合包括的多条关键历史空调运行数据，对所述目标车载空调的当前运行进行控制的步骤，包括：

采集到示例性关键历史空调运行数据集合，并提取到所述示例性关键历史空调运行数据集合对应的空调运行数据标记结果；

利用预先搭建的初始空调运行数据预测神经网络，对所述示例性关键历史空调运行数据集合包括的多条示例性关键历史空调运行数据进行预测处理，以输出对应的空调运行数据预测结果；

依据所述空调运行数据标记结果和所述空调运行数据预测结果之间的数据差异，对所述初始空调运行数据预测神经网络进行更新，以形成所述初始空调运行数据预测神经网络对应的目标空调运行数据预测神经网络；

利用所述目标空调运行数据预测神经网络，对所述关键历史空调运行数据集合包括的多条关键历史空调运行数据进行预测处理，以输出对应的目标空调运行数据预测结果，再依据所述目标空调运行数据预测结果对所述目标车载空调的当前运行进行控制。

本发明实施例还提供一种车载空调数据监控系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的车载空调数据监控方法。

本发明实施例提供的一种车载空调数据监控方法及系统，可以提取到目标车载空调对应的多条历史空调运行数据，并提取到目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据，每一个相关车载空调对应有多条历史空调运行数据。从目标车载空调对应的多条历史空调运行数据和多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合，关键历史空调运行数据集合包括多条关键历史空调运行数据。依据关键历史空调运行数据集合包括的多条关键历史空调运行数据，对目标车载空调的当前运行进行控制，基于此，不仅可以基于目标车载空调对应的历史空调运行数据进行运行控制，还可以结合相关车载空调对应的历史空调运行数据进行运行控制，使得控制依据更为充分，另外，通过提取出关键历史空调运行数据集合以作为运行控制的依据，使得依据的精度可以更高，从而在一定程度上提高对车载空调的运行控制的精度，改善现有技术中控制精度不高的文问题。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例提供的车载空调数据监控系统的结构框图。

图2为本发明实施例提供的车载空调数据监控方法包括的各步骤的流程示意图。

图3为本发明实施例提供的车载空调数据监控装置包括的各模块的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

如图1所示，本发明实施例提供了一种车载空调数据监控系统。其中，所述车载空调数据监控系统可以包括存储器和处理器。

应当理解的是，在一些详细的示例中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的车载空调数据监控方法。

应当理解的是，在一些详细的示例中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

应当理解的是，在一些详细的示例中，图1所示的结构仅为示意，所述车载空调数据监控系统还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，包括用于进行信息交互的通信单元。

应当理解的是，在一些详细的示例中，所述车载空调数据监控系统可以是一种具备数据处理能力的服务器。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(ContentDelivery Network，CDN)、大数据和人工智能平台等基础云计算服务的云服务器。并且，多个服务器可以组成一区块链，而服务器为区块链上的节点。

结合图2，本发明实施例还提供一种车载空调数据监控方法，可应用于上述车载空调数据监控系统。其中，所述车载空调数据监控方法有关的流程所定义的方法步骤，可以由所述车载空调数据监控系统实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，提取到目标车载空调对应的多条历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据。

在本发明实施例中，所述车载空调数据监控系统可以提取到目标车载空调对应的多条历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据。每一个所述相关车载空调对应有多条历史空调运行数据。

步骤S120，从所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合。

在本发明实施例中，所述车载空调数据监控系统可以从所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合。所述关键历史空调运行数据集合包括多条关键历史空调运行数据。

步骤S130，依据所述关键历史空调运行数据集合包括的多条关键历史空调运行数据，对所述目标车载空调的当前运行进行控制。

在本发明实施例中，所述车载空调数据监控系统可以依据所述关键历史空调运行数据集合包括的多条关键历史空调运行数据（如风速、温度、风向等，以及制冷、制热、除湿等工作模式），对所述目标车载空调的当前运行进行控制（如风速、温度、风向、工作模式的控制）。

基于此，不仅可以基于目标车载空调对应的历史空调运行数据进行运行控制，还可以结合相关车载空调对应的历史空调运行数据进行运行控制，使得控制依据更为充分，另外，通过提取出关键历史空调运行数据集合以作为运行控制的依据，使得依据的精度可以更高，从而在一定程度上提高对车载空调的运行控制的精度，改善现有技术中控制精度不高的文问题。

应当理解的是，在一些详细的示例中，对于上述的步骤S110，可以进一步包括以下具体的可以执行的内容：

提取到目标车载空调在当前时间周期内对应的多条初始历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调（示例性地，所述相关车载空调对应的车辆与所述目标车载空调对应的车辆属于同一区域）在当前时间周期（所述当前时间周期的具体长度可以根据实际情况配置，如一年等）内分别对应的多条初始历史空调运行数据；

对所述初始历史空调运行数据进行筛选，以得到所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据，筛选目的为，所述目标车载空调对应的多条历史空调运行数据的数量等于每一个所述相关车载空调对应的多条历史空调运行数据的数量（即实现数据的数量匹配，便于后续的处理）。

应当理解的是，在一些详细的示例中，对于上述的步骤S130，可以进一步包括以下具体的可以执行的内容：

对于所述多个相关车载空调中的每一个相关车载空调，对该相关车载空调和所述目标车载空调之间的相关度进行确定（示例性地，可以提取对应车辆的行驶记录数据，再依据行驶记录数据计算出对应的空调相关度数据），以输出该相关车载空调和所述目标车载空调之间的空调相关度数据；

依据每一个所述相关车载空调和所述目标车载空调之间的空调相关度数据，对所述目标车载空调和所述相关车载空调进行排序，以形成目标空调排序序列，在所述目标空调排序序列中，所述相关车载空调对应的排序位置和所述目标车载空调对应的排序位置之间的位置距离，负相关于所述相关车载空调和所述目标车载空调之间的空调相关度；

依据所述目标空调排序序列，对所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据进行队列构建处理，以形成对应的历史空调运行数据队列，在所述历史空调运行数据队列中，一行历史空调运行数据包括所述目标车载空调对应的多条历史空调运行数据或一个相关车载空调对应的多条历史空调运行数据；

利用预先训练形成的目标数据划分神经网络，对所述历史空调运行数据队列进行划分处理，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域，所述至少一个历史空调运行数据队列区域按照对应的队列位置相对关系拼接形成所述历史空调运行数据队列；

从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域，以作为对应的关键历史空调运行数据集合。

应当理解的是，在一些详细的示例中，对于所述对于所述多个相关车载空调中的每一个相关车载空调，对该相关车载空调和所述目标车载空调之间的相关度进行确定，以输出该相关车载空调和所述目标车载空调之间的空调相关度数据的步骤，可以进一步包括以下具体的可以执行的内容：

提取所述目标车载空调对应的目标车载的第一行驶记录数据，再提取所述相关车载空调对应的相关车载的第二行驶记录数据；

从所述第一行驶记录数据中解析出每一条第一行驶轨迹，以得到第一行驶轨迹集合，再从所述第二行驶记录数据中解析出每一条第二行驶轨迹，以得到第二行驶轨迹集合，所述第一行驶轨迹集合包括多个第一行驶轨迹，所述第二行驶轨迹集合包括多个第二行驶轨迹；

基于所述第一行驶轨迹集合包括的多个第一行驶轨迹构建出对应的第一行驶轨迹网络图，再基于所述第二行驶轨迹集合包括的多个第二行驶轨迹构建出对应的第二行驶轨迹网络图；

对所述第一行驶轨迹网络图和所述第二行驶轨迹网络图进行轨迹重合度的计算操作（示例性地，可以将所述第一行驶轨迹网络图和所述第二行驶轨迹网络图投射至一个空间中，可以是多次投射，并分别计算每一次投射之后，所述第一行驶轨迹网络图和所述第二行驶轨迹网络图之间重合的轨迹的长度，再基于该长度与所有轨迹的长度和值的比值作为初始轨迹相似度，之后，再从多次投射对应的多个初始轨迹相似度中提取出最大值的初始轨迹相似度作为第一轨迹相似度），以输出第一轨迹相似度；

按照预先配置的目标尺寸（所述目标尺寸的大小不受限制，可以根据实际应用需求进行配置，可以矩形），对所述第一行驶轨迹网络图进行等尺寸的分割，以形成所述第一行驶轨迹网络图对应的多个第一子行驶轨迹网络图，再按照所述目标尺寸，对所述第二行驶轨迹网络图进行等尺寸的分割，以形成所述第二行驶轨迹网络图对应的多个第二子行驶轨迹网络图；

对于每一个所述第一子行驶轨迹网络，依据该第一子行驶轨迹网络中的第一行驶轨迹，确定出该第一子行驶轨迹网络对应的第一轨迹中心点，再依据两个第一轨迹中心点之间在所述第一行驶轨迹网络图中是否通过一条第一行驶轨迹连接，对该两个第一轨迹中心点进行连接处理（示例性地，可以将通过一条第一行驶轨迹连接的第一轨迹中心点，在第一行驶轨迹网络代表图进行连接；反之，即未通过一条第一行驶轨迹连接的第一轨迹中心点，则不进行连接），以形成对应的第一行驶轨迹网络代表图；

对于每一个所述第二子行驶轨迹网络，依据该第二子行驶轨迹网络中的第二行驶轨迹，确定出该第二子行驶轨迹网络对应的第二轨迹中心点，再依据两个第二轨迹中心点之间在所述第二行驶轨迹网络图中是否通过一条第二行驶轨迹连接，对该两个第二轨迹中心点进行连接处理（示例性地，可以将通过一条第二行驶轨迹连接的第二轨迹中心点，在第二行驶轨迹网络代表图进行连接；反之，即未通过二条第一行驶轨迹连接的第二轨迹中心点，则不进行连接），以形成对应的第二行驶轨迹网络代表图；

对所述第一行驶轨迹网络代表图和所述第二行驶轨迹网络代表图进行轨迹重合度的计算操作（计算方式同上），以输出第二轨迹相似度；

对所述第一轨迹相似度和所述第二轨迹相似度进行融合（如对所述第一轨迹相似度和所述第二轨迹相似度均值或加权均值计算），以输出所述相关车载空调和所述目标车载空调之间的空调相关度数据。

应当理解的是，在一些详细的示例中，对于所述利用预先训练形成的目标数据划分神经网络，对所述历史空调运行数据队列进行划分处理，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域的步骤，可以进一步包括以下具体的可以执行的内容：

对所述历史空调运行数据队列进行初始的分割标记，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列；

利用预先训练形成的目标数据划分神经网络，提取出所述分割标记历史空调运行数据队列中的队列内部环境数据相关特征（所述队列内部环境数据相关特征用于反映所述分割标记历史空调运行数据队列中各历史空调运行数据之间的数据相关性），再基于所述队列内部环境数据相关特征和所述分割标记历史空调运行数据队列，分析出所述分割标记历史空调运行数据队列对应的历史空调运行数据队列模块（示例性地，所述分割标记历史空调运行数据队列可以包括历史空调运行数据1、历史空调运行数据2和历史空调运行数据3，可以计算历史空调运行数据1与历史空调运行数据2之间的队列内部环境数据相关特征，即数据相关性，并计算历史空调运行数据1与历史空调运行数据3之间的队列内部环境数据相关特征，以及计算历史空调运行数据2与历史空调运行数据3之间的队列内部环境数据相关特征。其中，可以通过一些相似度算法，确定分割标记历史空调运行数据队列内的队列内部环境数据相关特征。如此，可以基于所述队列内部环境数据相关特征，对所述分割标记历史空调运行数据队列进行分割，以形成对应的历史空调运行数据队列模块，所述历史空调运行数据队列模块可以是多个，多个历史空调运行数据队列模块可以拼接形成所述分割标记历史空调运行数据队列，即基于历史空调运行数据之间的数据相关性，以及所述分割标记历史空调运行数据队列中具有的分割线，对所述分割标记历史空调运行数据队列进行分割，形成多个历史空调运行数据队列模块）；

利用预先训练形成的目标数据划分神经网络，提取出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征（所述队列模块环境间数据相关特征用于反映历史空调运行数据队列模块之间的数据相关性），再基于所述历史空调运行数据队列模块和所述队列模块环境间数据相关特征，分析出所述历史空调运行数据队列对应的关键运行数据表征向量；

基于所述关键运行数据表征向量，对所述历史空调运行数据队列进行队列划分操作，以形成所述历史空调运行数据队列对应的至少一个历史空调运行数据队列区域（示例性地，可以通过softmax函数基于所述关键运行数据表征向量，对所述历史空调运行数据队列进行队列划分操作）。

应当理解的是，在一些详细的示例中，对于上述的所述对所述历史空调运行数据队列进行初始的分割标记，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列的步骤，可以进一步包括以下具体的可以执行的内容：

对所述历史空调运行数据队列进行数据挖掘（示例性地，可以利用所述目标数据划分神经网络包括的数据挖掘子网络对所述历史空调运行数据队列进行数据挖掘，另外，所述数据挖掘子网络可以为卷积网络），以输出所述历史空调运行数据队列对应的数据挖掘结果分布队列；提取到预先配置的初始分割标记信息（所述初始分割标记信息可以包括多条分割线，多条分割线相互交叉可以区分出多个分割线围合区域），再基于所述数据挖掘结果分布队列和所述初始分割标记信息，对所述初始分割标记信息包括的分割线交叉位置进行交叉位置更新操作，以输出所述初始分割标记信息对应的更新分割标记信息（在得到初始分割标记信息之后，可以根据数据挖掘结果分布队列对初始分割标记信息的分割线交叉位置进行调整，得到更新分割标记信息，使得更新分割标记信息的分割线与数据挖掘结果分布队列中数据分类线契合，即使得数据挖掘结果分布队列中相关性较高的数据在更新分割标记信息中的同一个分割线围合区域中；以及，基于所述更新分割标记信息对所述数据挖掘结果分布队列进行分割标记操作，以形成所述历史空调运行数据队列对应的分割标记历史空调运行数据队列。

应当理解的是，在一些详细的示例中，可以先确定初始分割标记信息中的分割线交叉位置的位置信息；再基于分割线交叉位置的位置信息，在数据挖掘结果分布队列中进行分割线交叉位置的特征挖掘，以输出所述分割线交叉位置的位置信息对应的第一分割线交叉位置代表向量；再基于第一分割线交叉位置代表向量和分割线交叉位置的位置信息的所在数据环境的相关特征，分析出分割线交叉位置的位置信息对应的第二分割线交叉位置代表向量；以及，基于第二分割线交叉位置代表向量估计出分割线交叉位置的位置信息的调整参数，再基于该调整参数对分割线交叉位置的位置信息进行调整，以输出对应的更新分割标记信息。

在本发明实施例中，在得到分割线交叉位置对应的第一分割线交叉位置代表向量之后，基于第一分割线交叉位置代表向量和分割线交叉位置的所在数据环境的相关特征，分析出分割线交叉位置的位置信息对应的第二分割线交叉位置代表向量，使得可以更加准确地得到调整参数，进而使得可以更加准确地分析出对应的更新分割标记信息。

其中，所述基于第一分割线交叉位置代表向量和分割线交叉位置的位置信息的所在数据环境的相关特征，分析出分割线交叉位置的位置信息对应的第二分割线交叉位置代表向量的步骤，可以进一步包括：

对第一分割线交叉位置代表向量进行向量转换操作，以输出对应的分割线交叉位置转换向量，然后，再基于分割线交叉位置转换向量和分割线交叉位置的所在数据环境的相关特征确定第二分割线交叉位置代表向量。

需要说明的是，分割线交叉位置的所在数据环境的相关特征可以利用更新完成的分割标记更新子网络的注意力感知网络确定，另外，对第一分割线交叉位置代表向量进行向量转换操作，可以利用更新完成的分割标记更新子网络中的向量转换卷积网络实现，然后，再利用更新完成的分割标记更新子网络的估计卷积网络，基于第一分割线交叉位置代表向量和分割线交叉位置的所在数据环境的相关特征，分析出分割线交叉位置的位置信息对应的第二分割线交叉位置代表向量。

另外，为了更加准确地得到分割线交叉位置转换向量，在确定出第一分割线交叉位置代表向量之后，还可以将分割线交叉位置的位置信息与第一分割线交叉位置代表向量进行拼接，以形成分割线交叉位置拼接向量，然后，再对分割线交叉位置拼接向量进行向量转换操作，从而输出对应的分割线交叉位置转换向量。

应当理解的是，在一些详细的示例中，对于所述利用预先训练形成的目标数据划分神经网络，提取出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征，再基于所述历史空调运行数据队列模块和所述队列模块环境间数据相关特征，分析出所述历史空调运行数据队列对应的关键运行数据表征向量的步骤，进一步包括以下具体的可以执行的内容：

利用预先训练形成的目标数据划分神经网络，基于所述历史空调运行数据队列模块的历史空调运行数据的融合值（该融合值可以是指，所述历史空调运行数据队列模块包括的各历史空调运行数据的平均值），分析出所述历史空调运行数据队列模块对应的第一模块数据表征向量（示例性地，可以对该融合值进行池化处理以得到第一模块数据表征向量）；

基于对应的所述第一模块数据表征向量，分析输出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征（示例性地，可以通过计算对应的所述第一模块数据表征向量之间的向量相似度，以确定出所述历史空调运行数据队列模块之间的队列模块环境间数据相关特征）；

基于所述第一模块数据表征向量和所述队列模块环境间数据相关特征，分析输出对应的第二模块数据表征向量（示例性地，可以对所述第一模块数据表征向量和所述队列模块环境间数据相关特征进行相乘，以输出第二模块数据表征向量）；以及，对所述第二模块数据表征向量进行转移处理，以转移到所述更新分割标记信息上，以输出所述历史空调运行数据队列对应的关键运行数据表征向量（示例性地，与前续相反的是，可以通过对所述第二模块数据表征向量进行池化的逆向处理，以将所述第二模块数据表征向量转移到述更新分割标记信息上）。

应当理解的是，在一些详细的示例中，所述队列内部环境数据相关特征和所述历史空调运行数据队列模块可以利用预先训练形成的目标数据划分神经网络包括的队列数据相关特征分析子网络分析得到，所述队列模块环境间数据相关特征和所述关键运行数据表征向量可以利用所述目标数据划分神经网络包括的模块数据相关特征分析子网络分析得到，所述至少一个历史空调运行数据队列区域可以利用所述目标数据划分神经网络包括队列划分子网络分析得到，基于此，所述车载空调数据监控方法，还可以进一步包括以下具体的可以执行的内容：

提取到示例空调运行数据集合，再基于所述示例空调运行数据集合包括的示例空调运行数据队列中示例空调运行数据的数据数量，分析出所述示例空调运行数据的数据类型信息对应的代表重要度（示例性地，一种数据类型信息对应的代表重要度，可以与数据类型信息对应的示例空调运行数据的数量正相关，即数量越大，代表重要度越大）；

对所述示例空调运行数据队列进行初始的分割标记，以形成所述示例空调运行数据队列对应的分割标记示例空调运行数据队列；

利用预先搭建的初始数据划分神经网络包括的队列数据相关特征分析子网络，提取出所述分割标记示例空调运行数据队列中的示例队列内部环境数据相关特征，再基于所述示例队列内部环境数据相关特征和所述分割标记示例空调运行数据队列，分析出所述示例空调运行数据队列对应的示例空调运行数据队列模块；

利用所述初始数据划分神经网络包括的模块数据相关特征分析子网络，提取出所述示例空调运行数据队列模块之间的示例队列模块环境间数据相关特征，再基于所述示例空调运行数据队列模块和所述示例队列模块环境间数据相关特征，分析出所述示例空调运行数据队列对应的示例关键运行数据表征向量；

利用所述初始数据划分神经网络包括的队列划分子网络，对所述示例关键运行数据表征向量对应的示例空调运行数据的代表数据类型信息进行分析确定（即基于所述示例关键运行数据表征向量估计出所述代表数据类型信息）；以及，基于所述代表数据类型信息、所述示例空调运行数据对应的数据类型信息和所述代表重要度，输出对应的网络收敛评估参数（示例性地，可以先计算所述代表数据类型信息和所述数据类型信息之间的差异度，再基于所述代表重要度对该差异度进行加权计算，以输出对应的网络收敛评估参数；另外，所述代表数据类型信息和所述数据类型信息可以用于反映对应的示例空调运行数据的数据类型，其中，所述数据类型信息可以是预先进行标注形成，如预先针对对应的示例空调运行数据之间的差异，对各示例空调运行数据进行人工分类标注）；

统计所述初始数据划分神经网络的更新操作数量；以及，依据所述网络收敛评估参数和所述更新操作数量，对所述初始数据划分神经网络进行更新操作，输出所述初始数据划分神经网络对应的目标数据划分神经网络。

应当理解的是，在一些详细的示例中，所述更新分割标记信息利用所述目标数据划分神经网络包括分割标记更新子网络分析确定，基于此，对于所述对所述示例空调运行数据队列进行初始的分割标记，以形成所述示例空调运行数据队列对应的分割标记示例空调运行数据队列的步骤，可以进一步包括以下具体的可以执行的内容：

利用所述初始数据划分神经网络包括数据挖掘子网络，对所述示例空调运行数据队列进行数据挖掘操作，以输出对应的示例数据挖掘结果分布队列；利用所述初始数据划分神经网络包括的所述分割标记更新子网络，并将所述示例数据挖掘结果分布队列和所述初始分割标记信息作为依据，对所述初始分割标记信息的分割线交叉位置进行交叉位置更新操作，以形成对应的示例更新分割标记信息；利用所述初始数据划分神经网络包括的所述队列数据相关特征分析子网络，并将所述示例更新分割标记信息作为依据，对所述示例数据挖掘结果分布队列进行分割标记操作，以形成所述示例数据挖掘结果分布队列对应的分割标记示例空调运行数据队列。

应当理解的是，在一些详细的示例中，在前述描述的基础上，所述基于所述代表数据类型信息、所述示例空调运行数据对应的数据类型信息和所述代表重要度，输出对应的网络收敛评估参数的步骤，可以进一步包括以下具体的可以执行的内容：

基于所述代表数据类型信息，所述示例空调运行数据对应的数据类型信息和所述代表重要度，计算输出对应的第一网络收敛评估参数；基于所述示例关键运行数据表征向量和所述示例关键运行数据表征向量的融合值（示例性地，该融合值可以是指，所述示例关键运行数据表征向量的平均值），计算输出对应的第二网络收敛评估参数（示例性地，可以先计算各示例关键运行数据表征向量和示例关键运行数据表征向量的平均值之间的差值，再对该差值进行范数运算，再对范数运算的结果进行累积求和计算，以输出对应的第二网络收敛评估参数）；基于所述第一网络收敛评估参数和所述第二网络收敛评估参数，输出对应的网络收敛评估参数。

应当理解的是，在一些详细的示例中，在前述描述的基础上，所述依据所述网络收敛评估参数和所述更新操作数量，对所述初始数据划分神经网络进行更新操作，输出所述初始数据划分神经网络对应的目标数据划分神经网络的步骤，可以进一步包括以下具体的可以执行的内容：

在所述网络收敛评估参数未达到预先配置的参数收敛规则和/或所述初始数据划分神经网络的更新操作数量不大于预先配置的更新操作数量参考值的情况下，对所述更新操作数量进行更新处理，并基于所述第一网络收敛评估参数对所述初始数据划分神经网络包括所述数据挖掘子网络进行优化、所述队列数据相关特征分析子网络进行优化、所述模块数据相关特征分析子网络进行优化、所述队列划分子网络进行优化，以及，基于所述第二网络收敛评估参数对所述初始数据划分神经网络包括的所述分割标记更新子网络进行优化，再跳转到所述利用所述初始数据划分神经网络包括数据挖掘子网络，对所述示例空调运行数据队列进行数据挖掘操作，以输出对应的示例数据挖掘结果分布队列的步骤；在所述网络收敛评估参数达到所述参数收敛规则和/或所述初始数据划分神经网络的更新操作数量大于所述更新操作数量参考值的情况，将当前的初始数据划分神经网络，标记为对应的目标数据划分神经网络目标数据划分神经网络。

应当理解的是，在一些详细的示例中，在前述描述的基础上，对于所述基于所述第一网络收敛评估参数和所述第二网络收敛评估参数，输出对应的网络收敛评估参数的步骤，可以包括以下具体的可以执行的内容：

对所述示例更新分割标记信息中的每一个分割线围合区域的区域尺寸进行确定，并对所述历史空调运行数据队列的数据队列尺寸进行确定；基于所述区域尺寸和所述数据队列尺寸，分析输出对应的第三网络收敛评估参数（示例性地，可以先分别计算一个分割线围合区域的区域尺寸和所述数据队列尺寸之间的差值，再对该差值进行累积和值的计算，以得到对应的第三网络收敛评估参数）；以及，基于所述第一网络收敛评估参数、所述第二网络收敛评估参数和所述第三网络收敛评估参数，输出对应的网络收敛评估参数（如此，所述网络收敛评估参数可以包括所述第一网络收敛评估参数、所述第二网络收敛评估参数和所述第三网络收敛评估参数）。

基于此，为了避免示例更新分割标记信息中相邻分割线围合区域存在重合的问题，导致示例更新分割标记信息中所有分割线围合区域的区域尺寸的和值与所述历史空调运行数据队列的数据队列尺寸不匹配，在本发明实施例还确定出第三网络收敛评估参数用于更新分割标记更新子网络，从而避免示例更新分割标记信息出现分割线围合区域重合的问题，进而使得当通过分割标记更新子网络估计初始分割标记信息中分割线交叉位置的调整参数时，估计的调整参数更加准确，进而使得通过分割标记更新子网络估计出的更新分割标记信息不会出现重合的问题。

应当理解的是，在一些详细的示例中，在前述描述的基础上，对于所述在所述网络收敛评估参数未达到预先配置的参数收敛规则和/或所述初始数据划分神经网络的更新操作数量不大于预先配置的更新操作数量参考值的情况下，对所述更新操作数量进行更新处理，并基于所述第一网络收敛评估参数对所述初始数据划分神经网络包括所述数据挖掘子网络进行优化、所述队列数据相关特征分析子网络进行优化、所述模块数据相关特征分析子网络进行优化、所述队列划分子网络进行优化，以及，基于所述第二网络收敛评估参数对所述初始数据划分神经网络包括的所述分割标记更新子网络进行优化，再跳转到所述利用所述初始数据划分神经网络包括数据挖掘子网络，对所述示例空调运行数据队列进行数据挖掘操作，以输出对应的示例数据挖掘结果分布队列的步骤，可以进一步包括以下具体的可以执行的内容：

在所述网络收敛评估参数未达到预先配置的参数收敛规则和/或所述初始数据划分神经网络的更新操作数量不大于预先配置的更新操作数量参考值的情况下，对所述更新操作数量进行更新处理（示例性地，可以进行加1处理，即当前的更新操作数量等于a，则更新后处理的更新操作数量等于a+1），并基于所述第一网络收敛评估参数对所述初始数据划分神经网络包括所述数据挖掘子网络进行优化、所述队列数据相关特征分析子网络进行优化、所述模块数据相关特征分析子网络进行优化、所述队列划分子网络进行优化，以及，基于所述第二网络收敛评估参数和所述第三网络收敛评估参数对所述初始数据划分神经网络包括所述分割标记更新子网络进行优化，再跳转到所述利用所述初始数据划分神经网络包括数据挖掘子网络，对所述示例空调运行数据队列进行数据挖掘操作，以输出对应的示例数据挖掘结果分布队列的步骤。

应当理解的是，在一些详细的示例中，对于所述从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域，以作为对应的关键历史空调运行数据集合的步骤，可以进一步包括以下具体的可以执行的内容：

对于所述至少一个历史空调运行数据队列区域中的每一个历史空调运行数据队列区域，确定该历史空调运行数据队列区域包括的历史空调运行数据的数量，得到该历史空调运行数据队列区域对应的第一数据数量，再确定该历史空调运行数据对应区域包括的目标车载空调对应的历史空调运行数据的数量，得到该历史空调运行数据队列区域对应的第二数据数量；

对于所述至少一个历史空调运行数据队列区域中的每一个历史空调运行数据队列区域，依据该历史空调运行数据队列区域对应的第一数据数量确定出具有正相关关系的第一筛选参数（也就是说，所述第一筛选参数与所述第一数据数量正相关），再依据该历史空调运行数据队列区域对应的第二数据数量和该第一数据数量之间的比值，确定出具有正相关关系的第二筛选参数（也就是说，所述第二筛选参数与所述比值正相关），以及，依据该历史空调运行数据队列区域包括的历史空调运行数据对应的每一个相关车载空调和所述目标车载空调之间的空调相关度数据的均值，确定出具有正相关关系的第三筛选参数（也就是说，所述第三筛选参数与所述空调相关度数据的均值正相关）；

依据每一个所述历史空调运行数据队列区域对应的第一筛选参数、第二筛选参数和第三筛选参数，从所述至少一个历史空调运行数据队列区域中，提取出一个历史空调运行数据队列区域（示例性地，可以先对第一筛选参数、第二筛选参数和第三筛选参数进行加权和值计算，再将加权和值计算结果最大的一个历史空调运行数据队列区域提取出），再将该历史空调运行数据队列区域标记为关键历史空调运行数据集合。

应当理解的是，在一些详细的示例中，对于上述的步骤S130，可以进一步包括以下具体的可以执行的内容：

采集到示例性关键历史空调运行数据集合，并提取到所述示例性关键历史空调运行数据集合对应的空调运行数据标记结果；

利用预先搭建的初始空调运行数据预测神经网络，对所述示例性关键历史空调运行数据集合包括的多条示例性关键历史空调运行数据进行预测处理，以输出对应的空调运行数据预测结果；

依据所述空调运行数据标记结果和所述空调运行数据预测结果之间的数据差异（即依据该数据差异确定损失，以对神经网络进行更新，直到损失收敛），对所述初始空调运行数据预测神经网络进行更新，以形成所述初始空调运行数据预测神经网络对应的目标空调运行数据预测神经网络；

利用所述目标空调运行数据预测神经网络，对所述关键历史空调运行数据集合包括的多条关键历史空调运行数据进行预测处理，以输出对应的目标空调运行数据预测结果，再依据所述目标空调运行数据预测结果对所述目标车载空调的当前运行进行控制。

结合图3，本发明实施例还提供一种车载空调数据监控装置，可应用于上述车载空调数据监控系统。其中，所述车载空调数据监控装置包括：

数据提取软件功能模块，用于提取到目标车载空调对应的多条历史空调运行数据，并提取到所述目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据，每一个相关车载空调对应多条历史空调运行数据；

数据确定软件功能模块，用于从所述目标车载空调对应的多条历史空调运行数据和所述多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合，所述关键历史空调运行数据集合包括多条关键历史空调运行数据；

运行控制软件功能模块，用于依据所述关键历史空调运行数据集合包括的多条关键历史空调运行数据，对目标车载空调的当前运行进行控制。

综上所述，本发明提供的一种车载空调数据监控方法及系统，可以提取到目标车载空调对应的多条历史空调运行数据，并提取到目标车载空调对应的多个相关车载空调对应的多条历史空调运行数据，每一个相关车载空调对应有多条历史空调运行数据。从目标车载空调对应的多条历史空调运行数据和多个相关车载空调分别对应的多条历史空调运行数据中，提取出关键历史空调运行数据集合，关键历史空调运行数据集合包括多条关键历史空调运行数据。依据关键历史空调运行数据集合包括的多条关键历史空调运行数据，对目标车载空调的当前运行进行控制，基于此，不仅可以基于目标车载空调对应的历史空调运行数据进行运行控制，还可以结合相关车载空调对应的历史空调运行数据进行运行控制，使得控制依据更为充分，另外，通过提取出关键历史空调运行数据集合以作为运行控制的依据，使得依据的精度可以更高，从而在一定程度上提高对车载空调的运行控制的精度，改善现有技术中控制精度不高的文问题。

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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。