汽车热舒适性研究是舒适驾驶体验的关键,本文利用夏秋冬三季的路试数据,通过数据清洗、特征工程、模型训练及优化等数据驱动的方式对汽车空调系统的热舒适性进行预测,主要研究内容如下:1.设计并建立了基于覆盖性分析、异常值检测和数据平滑分析的汽车空调数据标准化处理流程,并基于空调运行业务逻辑和统计学分析的等构建带有先验知识和代表波动性影响的输入特征;创新性地提出基于Pearson相关系数和敏感度分析的特征组合方法和基于主成分分析的聚类分析方法的特征工程逻辑,实现在保留将原有的124组输入特征归纳整合成七组共计54个特征,大大简化了后续模型的训练难度。2.提出了汽车空调热舒适性的通用建模方法。运用逻辑回归、支持向量机、随机森林和ANN模型构建汽车热舒适性数据驱动模型;并提出了基于精确度,召回率和F1系数的汽车热舒适性离散值分类模型的评价指标,以及基于MAPE,RMSE和决定系数的回归模型评估方法;结果显示:除逻辑回归算法外其余决定系数均大于0.75,且达到预测精度要求。3.完善了汽车空调热舒适性模型的性能优化策略。主要通过网格参数搜索寻优方法分别对SVR、RF随机森林和ANN模型的关键参数进行交叉验证优化,发现优化后的模型预测精度上升5%,但模型训练时间增加30%;创新性地提出基于改进惯性权重ω的PSO参数优化算法,将对应预测模型测试集测试结果的RMSE和MAPE减少了一半,在模型训练时间没有明显变长的情况下决定系数提升至0.95以上,并最终选择综合性能最好的PSO-ANN模型作为汽车空调热舒适性预测模型。4.建立辅助CFD模拟的ANN自适应的热舒适性预测模型。通过调整隐含层的自适应指数实现了用数据驱动的模型来实时预测不同CFD仿真的热舒适性预测,节约了高昂的道路试验成本和CFD运算资源。