本技术涉及车辆领域，并且更具体地，涉及车辆领域中一种出行模型的训练方法及车辆。
背景技术：
1、如今，汽车已经成为人们日常出行的重要工具之一。随着科技的不断进步，智能化、个性化服务逐渐成为提升用户体验的关键。基于用户历史用车数据，预测用户出行时间并提前进行车辆空调设置、座椅设置等服务，是智能汽车发展的一个重要方向。
2、现有的预测方法在参数寻优过程中均无法同时兼顾全局搜索和局部搜索，确定出的参数仅为局部最优，导致寻优效率较低，以致无法准确地对出行时间和服务设置等数据进行预测；因此，如何提高对变量的寻优效率，以提升模型的预测准确性是亟待解决的问题。
技术实现思路
1、本技术提供了一种出行模型的训练方法及车辆，该方法能够提高对历史变量的寻优效率，以提升对出行数据进行预测的准确性。
2、第一方面，提供了一种出行模型的训练方法，该方法包括：
3、获取训练数据；其中，训练数据包括车辆的历史出行数据和历史变量对应的历史数据；历史出行数据包括历史出行时间和车辆功能的历史设置参数；历史变量指示对历史出行数据存在影响的变量；
4、基于第一优化算法和t分布对第二优化算法进行优化，得到目标第二优化算法；其中，第一优化算法与第二优化算法用于表示不同的启发式优化算法；目标第二优化算法用于根据历史变量确定目标变量；
5、基于目标第二优化算法与训练数据，对待训练的出行模型进行训练，得到训练后的目标出行模型；其中，目标出行模型用于预测车辆的目标出行数据；目标出行数据包括目标出行时间和车辆功能的目标设置参数。
6、上述技术方案中，利用第一优化算法和t分布对第二优化算法进行优化，以得到用于根据历史变量确定目标变量的目标第二优化算法；根据目标第二优化算法和获取到的车辆的历史出行数据和历史变量对应的历史数据，对待训练的出行模型进行训练，得到训练后的目标出行模型，用于对车辆的目标出行数据进行预测。在本方案中，通过优化后的目标第二优化算法和获取到的历史数据对待训练的出行模型进行训练，得到目标出行模型；由于优化后的目标第二优化算法能够提高对目标变量进行搜索的准确性，当结合目标第二优化算法训练目标出行模型时，使得目标出行模型在能够预测车辆的出行数据的基础上，提升目标出行模型对目标出行数据进行预测的准确性。
7、结合第一方面，在某些可能的实现方式中，第二优化算法中包括第一搜索策略，基于第一优化算法和t分布对第二优化算法进行优化，得到目标第二优化算法，包括：
8、通过第一优化算法对第一搜索策略进行优化，得到优化后的第一搜索策略；
9、基于优化后的第一搜索策略以及t分布，得到目标第二优化算法。
10、上述技术方案中，利用第一优化算法对第二优化算法中的第一搜索策略进行优化，并结合优化后的第一搜索策略和t分布，得到目标第二优化算法。在现有技术中，仅利用第二优化算法确定目标变量，可能导致确定出的目标变量仅为局部范围内的最优变量，而并非全局范围内的最优变量，搜索目标变量的准确性较低，进而会导致训练得到的出行模型的预测性能较差；为了解决上述问题，本方案结合第一优化算法对第二优化算法进行优化，以增强算法在较大范围内对最优变量的搜索能力，避免搜索结果陷入局部最优；结合t分布对第二优化算法进行优化，动态调整对变量的扰动，实现对全局搜索和局部搜索之间的平衡，提升目标第二优化算法在确定目标变量过程中的处理性能和处理效率。
11、结合第一方面和上述实现方式，在某些可能的实现方式中，基于目标第二优化算法与训练数据，对待训练的出行模型进行训练，得到训练后的目标出行模型，包括：
12、通过目标第二优化算法对历史变量进行迭代处理，得到目标变量；
13、基于目标变量和历史出行数据，对待训练的出行模型进行训练，得到训练后的目标出行模型。
14、上述技术方案中，利用优化后的目标第二优化算法对获取到的对出行数据存在影响的历史变量进行迭代处理，以搜索得到目标变量；并通过目标变量和历史出行数据对待训练的出行模型进行训练，得到训练后的目标出行模型。目标第二优化算法能够在已有的历史变量的基础上，通过不断迭代搜索，确定出更优的目标变量，即对出行数据影响程度更高的目标变量，避免因目标变量选择不准确导致预测得到的出行数据准确率较低。
15、结合第一方面和上述实现方式，在某些可能的实现方式中，通过目标第二优化算法对历史变量进行迭代处理，得到目标变量，包括：
16、获取当前迭代次数i以及第i次迭代对应的变量；其中，i为正整数；当i为1时，第i次迭代对应的变量为历史变量；
17、基于当前迭代次数i和预设次数，在目标第二优化算法中确定目标搜索策略；
18、通过目标搜索策略和t分布，对第i次迭代对应的变量进行更新，得到更新后的第i+1次迭代对应的变量；
19、基于更新后的第i+1次迭代对应的变量，确定目标变量。
20、上述技术方案中，通过判断当前迭代次数i和预设次数之间的关系，确定需要对第i次迭代对应的变量需要执行的目标搜索策略；并进一步根据目标搜索策略和t分布对第i次迭代对应的变量进行更新，以得到下一次迭代输入的变量。通过不断地迭代更新，能够对每一次迭代确定出的变量进行多次优化，以得到最优的目标变量，提高搜索目标变量的效率和准确性。
21、结合第一方面和上述实现方式，在某些可能的实现方式中，第二优化算法还包括第二搜索策略、第三搜索策略和第四搜索策略；
22、基于当前迭代次数i和预设次数，在目标第二优化算法中确定目标搜索策略，包括：
23、若当前迭代次数i小于或等于预设次数，将第二搜索策略，或第三搜索策略确定为目标搜索策略；
24、若当前迭代次数i大于预设次数，将优化后的第一搜索策略，或第四搜索策略确定为目标搜索策略。
25、上述技术方案中，根据当前迭代次数i与预设次数进行比较；当i小于或等于预设次数时，表明当前处于迭代的前期，将第二搜索策略或第三搜索策略确定为目标搜索策略，以便于从较大范围内确定变量；当i大于预设次数时，表明当前处于迭代的后期，将优化后的第一搜索策略或第四搜索策略确定为目标搜索策略，以便于从较小范围内确定变量；提高了目标第二优化算法中迭代搜索的灵活性，提升搜索目标变量的准确性。
26、结合第一方面和上述实现方式，在某些可能的实现方式中，将第二搜索策略，或第三搜索策略确定为目标搜索策略，包括：
27、获取第一随机数与第一目标数值范围；其中，第一随机数属于第一目标数值范围；
28、基于第一目标数值范围，确定第一目标阈值；
29、若第一随机数小于第一目标阈值，将第二搜索策略确定为目标搜索策略；
30、若第一随机数大于或等于第一目标阈值，将第三搜索策略确定为目标搜索策略。
31、上述技术方案中，若当前迭代次数i小于或等于预设次数时，从第一目标数值范围内确定第一随机数，若该第一随机数小于基于第一目标数值范围确定的第一目标阈值，则将第二搜索策略确定为目标搜索策略；若该第一随机数大于或等于基于第一目标阈值，则将第三搜索策略确定为目标搜索策略。在算法运行过程中，确定性的算法可能会遇到特定的输入数据导致算法运行效率下降；通过引入第一随机数确定目标搜索策略，能够提升目标第二优化算法的运行效率；也可以减少死锁的发生概率，帮助算法跳出局部最优解，探索更广阔的解空间，以确定出更加准确的目标变量。
32、结合第一方面和上述实现方式，在某些可能的实现方式中，将优化后的第一搜索策略，或第四搜索策略确定为目标搜索策略，包括：
33、获取第二随机数；其中，第二随机数属于第二目标数值范围；
34、基于第二目标数值范围，确定第二目标阈值；
35、若第二随机数小于第二目标阈值，将优化后的第一搜索策略确定为目标搜索策略；
36、若第二随机数大于或等于第二目标阈值，将第四搜索策略确定为目标搜索策略。
37、上述技术方案中，若当前迭代次数i大于预设次数时，从第二目标数值范围内确定第二随机数，若该第二随机数小于基于第二目标数值范围确定的第二目标阈值，则将优化后的第一搜索策略确定为目标搜索策略；若该第二随机数大于或等于基于第二目标阈值，则将第四搜索策略确定为目标搜索策略。提升目标第二优化算法的运行效率；也可以减少死锁的发生概率，帮助算法跳出局部最优解，探索更广阔的解空间，以确定出更加准确的目标变量。
38、结合第一方面和上述实现方式，在某些可能的实现方式中，通过目标搜索策略和t分布，对第i次迭代对应的变量进行更新，得到更新后的第i+1次迭代对应的变量，包括：
39、通过目标搜索策略对第i次迭代对应的变量进行更新，得到第一候选变量；
40、确定第i次迭代对应的变量的第一适应度值和第一候选变量的第二适应度值；
41、基于第一适应度值和第二适应度值，确定第二候选变量；
42、通过t分布对第二候选变量进行更新，得到更新后的第i+1次迭代对应的变量。
43、上述技术方案中，首先通过目标搜索策略对第i次迭代对应的变量进行更新，得到第一候选变量；并确定出第i次迭代对应的变量的第一适应度值和第一候选变量的第二适应度值；通过对比第一适应度值和第二适应度值，确定出第二候选变量；进而通过t分布再次对第二候选变量进行更新，得到更新后的第i+1次迭代对应的变量。通过适应度值评估变量的特性，能够从两次迭代确定出的变量中选择最优的变量；通过目标搜索策略和t分布依次进行变量更新，进一步提高搜索变量的准确性。
44、结合第一方面和上述实现方式，在某些可能的实现方式中，基于更新后的第i+1次迭代对应的变量，确定目标变量，包括：
45、若当前迭代次数i大于目标迭代次数，将第i+1次迭代对应的变量确定为目标变量；和/或，若第i+1次迭代对应的变量的适应度值达到预设适应度阈值，将第i+1次迭代对应的变量确定为目标变量。
46、上述技术方案中，在通过t分布对第二候选变量进行更新，得到更新后的第i+1次迭代对应的变量后，对当前迭代次数i+1与目标迭代次数进行比较，若i+1大于目标迭代次数，表明迭代次数已经达到预设的次数要求，本次得到的变量即为算法输出的最终结果，即将第i+1次迭代对应的变量确定为目标变量；和/或，对第i+1次迭代对应的变量的适应度值进行判断，若该适应度值达到预设适应度阈值，则表明第i+1次迭代对应的变量已经为符合需求的变量，则可以将第i+1次迭代对应的变量确定为目标变量。当检测到变量符合预设要求时，结束算法的运算，确定出最终的变量，以保证算法输出的目标变量为符合迭代需求下的最优变量。
47、第二方面，提供了一种出行数据的预测方法，其特征在于，该方法包括：
48、获取目标变量对应的目标数据；
49、将目标数据输入目标出行模型，得到车辆的目标出行数据；其中，目标出行数据包括目标出行时间和在目标出行时间对车辆功能进行设置的目标设置参数；
50、基于目标设置参数，在目标出行时间前的预设时间对车辆功能进行控制；
51、其中，目标出行模型的训练方法如权利要求1至9中任意一项的方法。
52、上述技术方案中，将获取到的目标变量对应的目标数据输入训练后的目标出行模型中，通过目标出行模型对车辆的目标出行时间和在目标出行时间需要对车辆功能进行设置的目标设置参数；并在时间到达目标出行时间前的预设时间时，根据目标设置参数，对车辆的相应车辆功能进行控制。利用训练得到的目标出行模型进行数据预测，保证对出行数据进行预测的准确性；在目标出行时间前的预设时间对车辆功能进行控制，可以为用户出行节省时间，目标设置参数时根据目标出行模型预测得到，可以保证车辆功能的设置参数能够符合用户的使用习惯，提高用户出行的舒适度。
53、第三方面，提供了一种出行模型的训练装置，该装置包括：
54、第一获取模块，用于获取训练数据；其中，训练数据包括车辆的历史出行数据和历史变量对应的历史数据；历史出行数据包括历史出行时间和车辆功能的历史设置参数；历史变量指示对历史出行数据存在影响的变量；
55、优化模块，用于基于第一优化算法和t分布对第二优化算法进行优化，得到目标第二优化算法；其中，目标第二优化算法用于根据历史变量确定目标变量；
56、训练模块，用于基于目标第二优化算法与训练数据，对待训练的出行模型进行训练，得到训练后的目标出行模型；其中，目标出行模型用于预测车辆的目标出行数据；目标出行数据包括目标出行时间和车辆功能的目标设置参数。
57、结合第三方面，在某些可能的实现方式中，第二优化算法中包括第一搜索策略；
58、优化模块还用于通过第一优化算法对第一搜索策略进行优化，得到优化后的第一搜索策略；
59、基于优化后的第一搜索策略以及t分布，得到目标第二优化算法。
60、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于通过目标第二优化算法对历史变量进行迭代处理，得到目标变量；
61、基于目标变量和历史出行数据，对待训练的出行模型进行训练，得到训练后的目标出行模型。
62、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于获取当前迭代次数i以及第i次迭代对应的变量；其中，i为正整数；当i为1时，第i次迭代对应的变量为历史变量；
63、基于当前迭代次数i和预设次数，在目标第二优化算法中确定目标搜索策略；
64、通过目标搜索策略和t分布，对第i次迭代对应的变量进行更新，得到更新后的第i+1次迭代对应的变量；
65、基于更新后的第i+1次迭代对应的变量，确定目标变量。
66、结合第三方面和上述实现方式，在某些可能的实现方式中，第二优化算法还包括第二搜索策略、第三搜索策略和第四搜索策略；训练模块还用于若当前迭代次数i小于或等于预设次数，将第二搜索策略，或第三搜索策略确定为目标搜索策略；
67、若当前迭代次数i大于预设次数，将优化后的第一搜索策略，或第四搜索策略确定为目标搜索策略。
68、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于获取第一随机数与第一目标数值范围；其中，第一随机数属于第一目标数值范围；
69、基于第一目标数值范围，确定第一目标阈值；
70、若第一随机数小于第一目标阈值，将第二搜索策略确定为目标搜索策略；
71、若第一随机数大于或等于第一目标阈值，将第三搜索策略确定为目标搜索策略。
72、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于获取第二随机数与第二目标数值范围；其中，第二随机数属于第二目标数值范围；
73、基于第二目标数值范围，确定第二目标阈值；
74、若第二随机数小于第二目标阈值，将优化后的第一搜索策略确定为目标搜索策略；
75、若第二随机数大于或等于第二目标阈值，将第四搜索策略确定为目标搜索策略。
76、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于通过目标搜索策略对第i次迭代对应的变量进行更新，得到第一候选变量；
77、确定第i次迭代对应的变量的第一适应度值和第一候选变量的第二适应度值；
78、基于第一适应度值和第二适应度值，确定第二候选变量；
79、通过t分布对第二候选变量进行更新，得到更新后的第i+1次迭代对应的变量。
80、结合第三方面和上述实现方式，在某些可能的实现方式中，训练模块还用于若当前迭代次数i大于目标迭代次数，将第i+1次迭代对应的变量确定为目标变量；和/或，若第i+1次迭代对应的变量的适应度值达到预设适应度阈值，将第i+1次迭代对应的变量确定为目标变量。
81、第四方面，提供了一种出行数据的预测装置，该装置包括：
82、第二获取模块，用于获取目标变量对应的目标数据；
83、预测模块，用于将目标数据输入目标出行模型，得到车辆的目标出行数据；其中，目标出行数据包括目标出行时间和在目标出行时间对车辆功能进行设置的目标设置参数；
84、控制模块，用于基于目标设置参数，在目标出行时间前的预设时间对车辆功能进行控制；
85、其中，目标出行模型的训练方法如权利要求1至9中任意一项的方法。
86、第五方面，提供了一种车辆，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该车辆执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
87、第六方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
88、第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
1.一种出行模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第二优化算法中包括第一搜索策略，所述基于第一优化算法和t分布对第二优化算法进行优化，得到目标第二优化算法，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标第二优化算法与所述训练数据，对待训练的出行模型进行训练，得到训练后的目标出行模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过所述目标第二优化算法对所述历史变量进行迭代处理，得到目标变量，包括：
5.根据权利要求4所述的方法，其特征在于，所述第二优化算法还包括第二搜索策略、第三搜索策略和第四搜索策略；
6.根据权利要求5所述的方法，其特征在于，所述将所述第二搜索策略，或所述第三搜索策略确定为所述目标搜索策略，包括：
7.根据权利要求5所述的方法，其特征在于，所述将所述优化后的第一搜索策略，或所述第四搜索策略确定为所述目标搜索策略，包括：
8.根据权利要求4至7中任一项所述的方法，其特征在于，所述通过所述目标搜索策略和所述t分布，对所述第i次迭代对应的变量进行更新，得到更新后的第i+1次迭代对应的变量，包括：
9.一种出行数据的预测方法，其特征在于，所述方法包括：
10.一种车辆，其特征在于，所述车辆包括：
