1.本发明涉及实车动力学属性预测技术领域，尤其涉及一种实车属性预测方法、装置、电子设备及存储介质。

背景技术：

2.随着智能驾驶与万物互联的逐步升级，基于实车动力学预测模型的实车属性预测(如，载荷等)在车辆的开发设计以及实际规划中变得愈发突出，而轮胎作为车辆在行驶过程中与地面直接接触的关键零部件，其力学外特性指标的变化对于车辆的动态控制以及轨迹遁寻等起到了至关重要的作用。因而，当前亟需一种高精度的基于轮胎动力学特性的实车属性预测方法，对车辆轮胎在行驶过程中的真实受力状况进行准确预测，进而对提升实车属性的预测精度，以及车辆开发的生产效能等异常重要。

技术实现要素：

3.本技术实施例提供一种基于轮胎动力学特性的实车属性预测方法及相关装置，用于提升实车属性的预测精度。4.第一方面，本技术实施例提供一种实车属性预测方法，包括：5.采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型。6.采用所述轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型。7.将目标轮胎的轮胎参数输入训练的所述第一目标预测模型，获得所述第一目标预测模型基于所述轮胎参数输出的轮胎外特性预测结果；8.将所述轮胎外特性预测结果输入训练的所述第二目标预测模型，获得所述第二目标预测模型输出的实车属性预测结果。9.第二方面，本技术实施例提供一种实车属性预测装置，包括：10.第一训练模块，用于采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型。11.第二训练模块，用于采用所述轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型。12.外特性预测模块，用于将目标轮胎的轮胎参数输入训练的所述第一目标预测模型，获得所述第一目标预测模型基于所述轮胎参数输出的轮胎外特性预测结果；13.属性预测模块，用于将所述轮胎外特性预测结果输入训练的所述第二目标预测模型，获得所述第二目标预测模型输出的实车属性预测结果。14.在一种可选的实施例中，所述采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练之前，所述第一训练模块还用于：15.采用清洗规则，对获得的轮胎设计数据进行数据清洗，并构建相应的轮胎设计数据库，其中，所述轮胎设计数据包含至少一个车辆轮胎的设计参数，以及针对所述至少一个车辆轮胎的设计参数确定的参数范围。16.采用所述清洗规则，对获得的轮胎外特性数据进行数据清洗，并构建相应的轮胎外特性数据库，其中，所述轮胎外特性数据包含至少一个车辆轮胎的外特性参数。17.采用所述清洗规则，对获得的实车动力学属性数据进行数据清洗，并构建相应的实车动力学属性数据库，其中，所述实车动力学属性数据库包含至少一个车辆的实车动力学属性，以及针对所述至少一个车辆的实车动力学属性确定的属性范围。18.在一种可选的实施例中，所述采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型，所述第一训练模块具体用于：19.采用轮胎设计数据库以及轮胎外特性数据库，设置相应的第一训练样本集合，其中，一个第一训练样本包括：基于所述轮胎设计数据库确定的第一输入信息以及基于所述轮胎外特性数据库确定的第一标准信息。20.采用所述第一训练样本集合中的第一训练样本，对预设的第一预测模型进行多轮迭代训练，在满足预设第一收敛条件时，输出第一目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用所述第一预测模型，基于第一训练样本中的第一输入信息，获得相应的外特性预测结果，并基于所述外特性预测结果与其相应第一标准信息之间的损失值，调整所述第一预测模型的参数。21.在一种可选的实施例中，所述获得相应的第一目标预测模型后，所述第一训练模块还用于：22.采用预设的第一学习速率，对获得的所述第一目标预测模型进行多轮超参数调优，其中，在一轮超参数调优过程中，执行以下操作：基于所述第一目标预测模型的交叉验证值，调整所述第一目标预测模型的超参数，并在调整后的所述第一目标预测模型满足预设第一验证条件时，降低所述第一目标预测模型的所述第一学习速率。23.在一种可选的实施例中，所述采用所述轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型，所述第二训练模块具体用于：24.采用所述轮胎外特性数据库以及实车动力学属性数据库，设置相应的第二训练样本集合，其中，一个第二训练样本包括：基于所述轮胎外特性数据库确定的第二输入信息以及基于所述实车动力学属性数据库确定的第二标准信息。25.采用所述第二训练样本集合中的第二训练样本，对预设的第二预测模型进行多轮迭代训练，在满足预设第二收敛条件时，输出第二目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用所述第二预测模型，基于第二训练样本中的第二输入信息，获得相应的实车属性预测结果，并基于所述实车属性预测结果与其相应第二标准信息之间的损失值，调整所述第二预测模型的参数。26.在一种可选的实施例中，所述获得相应的第二目标预测模型后，所述第二训练模块还用于：27.采用预设的第二学习速率，对获得的所述第二目标预测模型进行多轮超参数调优，其中，在一轮超参数调优过程中，执行以下操作：基于所述第二目标预测模型的交叉验证值，调整所述第二目标预测模型的超参数，并在调整后的所述第二目标预测模型满足预设第二验证条件时，降低所述第二目标预测模型的所述第二学习速率。28.第三方面，提出了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的实车属性预测方法的步骤。29.第四方面，提出一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面所述的实车属性预测方法的步骤。30.第五方面，提出一种计算机程序产品，所述计算机程序产品用于执行上述第一方面所述的实车属性预测方法的步骤。31.本技术实施例的技术效果如下：32.本技术实施例提供了一种实车属性预测方法、装置、电子设备及存储介质，采用预设的轮胎设计数据库以及轮胎外特性数据库，训练获得相应的第一目标预测模型，并采用轮胎外特性数据库以及实车动力学属性数据库，训练获得相应的第二目标预测模型，其中，轮胎设计数据库以及轮胎外特性数据库分别记录有车辆轮胎在真实状况下的设计参数以及动力学外特性参数，则基于上述方式，第一目标预测模型能够基于输入的轮胎参数，输出高精度的轮胎外特性预测结果，并使得第二目标预测模型轮胎基于该轮胎外特性预测结果，进一步对车辆级别的实车属性进行准确预测，有效提升了实车属性的预测精度，同时，基于上述机器学习的预测方式，保障了实车属性的预测效率，从而进一步提高了车辆开发的生产效能。附图说明33.图1为本技术实施例提供的一种可能的应用场景示意图；34.图2为本技术实施例提供的一种实车属性预测方法的流程图；35.图3为本技术实施例提供的一种模型训练示意图；36.图4为本技术实施例提供的一种实车属性预测方法的流程示例图；37.图5为本技术实施例提供的一种实车属性预测方法的逻辑示例图；38.图6为本技术实施例提供的一种实车属性预测装置的结构示意图；39.图7为本技术实施例提供的一种电子设备示意图。具体实施方式40.下面将结合本发明实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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。41.需要说明的是，在本技术的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。a与b连接，可以表示：a与b直接连接和a与b通过c连接这两种情况。另外，在本技术的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。42.此外，本技术技术方案中，对数据的采集、传播、使用等，均符合国家相关法律法规要求。43.本技术实施例的设计思路如下：44.随着智能驾驶与万物互联的逐步升级，基于实车动力学预测模型的实车属性预测(如，载荷等)在车辆的开发设计以及实际规划中变得愈发突出，而如何进一步提升实车属性的预测精度，成了当下亟需解决的重要问题。45.为提升实车属性的预测精度，本技术实施例提供了一种实车属性预测方法、装置、电子设备及存储介质，采用预设的轮胎设计数据库以及轮胎外特性数据库，训练获得相应的第一目标预测模型，并采用轮胎外特性数据库以及实车动力学属性数据库，训练获得相应的第二目标预测模型，其中，轮胎设计数据库以及轮胎外特性数据库分别记录有车辆轮胎在真实状况下的设计参数以及动力学外特性参数，则基于上述方式，第一目标预测模型能够基于输入的轮胎参数，输出高精度的轮胎外特性预测结果，并使得第二目标预测模型轮胎基于该轮胎外特性预测结果，进一步对车辆级别的实车属性进行准确预测，有效提升了实车属性的预测精度，同时，基于上述机器学习的预测方式，保障了实车属性的预测效率，从而进一步提高了车辆开发的生产效能。46.进一步的，基于上述设计思路，本技术实施例所提供的实车属性预测方法可以由与用户终端关联的一个或多个存储介质中的内部计算机程序执行，也可以由与用户终端存在通信连接的外部电子设备执行，并向用户终端返回相应的实车属性预测结果，本技术对此不作限制。47.参阅图1所示，为本技术实施例提供的一种可能的应用场景示意图，该应用场景包括：目标终端101和可选的服务器102。其中，目标终端101为用户所持终端，目标终端101和服务器102之间可通过通信网络进行信息交互，所述通信网络采用的通信方式可包括：无线通信方式和有线通信方式。48.示例性的，目标终端101可通过蜂窝移动通信技术接入网络，与服务器102进行通信，所述蜂窝移动通信技术，包括第五代移动通信(5th generation mobile networks，5g)技术；可选的，目标终端101也可通过短距离无线通信方式接入网络，与目标云服务器102进行通信，所述短距离无线通信方式，包括无线保真(wireless fidelity，wi-fi)技术。49.本技术实施例对上述设备的数量不做任何限制，如图1所示，仅以目标终端101和服务器102为例进行描述，下面对上述各设备及其各自的功能进行简要介绍。50.目标终端101是一种可以向用户提供语音和/或数据连通性的设备，包括：具有无线连接功能的手持式终端设备、车载终端设备等。51.示例性的，目标终端101包括但不限于：安卓设备、ios设备、手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，mid)、可穿戴设备，虚拟现实(virtual reality，vr)设备、增强现实(augmented reality，ar)设备、工业控制中的无线终端设备、无人驾驶中的无线终端设备、智能电网中的无线终端设备、运输安全中的无线终端设备、智慧城市中的无线终端设备，或智慧家庭中的无线终端设备等。52.示例性的，本技术实施例中，用户可以通过目标终端101中的运行客户端(如，app、浏览器、短视频软件，或网页、小程序等)，向服务器102发送与实车属性预测相关的用户请求，进而使得服务器102响应于该用户请求，通过其内部训练完成的第一目标预测模型以及第二目标预测模型，预测实车属性并返回相应的预测结果。53.可以理解的是，上述方式仅为举例说明，在一种可选的实施例中，用户也可以通过目标终端101所关联存储介质中封存的第一目标预测模型以及第二目标预测模型，获得实车属性的预测结果，本技术在此不再赘述。54.进一步的，服务器102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、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，在此不再赘述。55.基于上述应用场景，下面将结合参考附图，对本技术实施例所提供的实车属性预测方法进行进一步地阐述、说明，参阅图2所示，包括：56.s201：采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型。57.具体来讲，本技术实施例可基于实际状况下采集到的轮胎设计数据以及轮胎外特性数据，分别构建相应的轮胎设计数据库以及轮胎外特性数据库，其中，上述轮胎设计数据以及轮胎外特性数据可以由真实状况下的轮胎设计方案直接获得，也可以基于相关技术模拟获得，本技术对此不作限制。58.示例性的，参阅下表1所示，所述轮胎设计数据可以至少涉及以下内容：59.表160.设计参数的涉及方向个数橡胶配方的迟滞损失dma≈50原材料材质，强度，密度，阻尼等≈30轮胎断面及内腔设计的相关参数≈30轮胎花纹设计的相关参数≈3061.示例性的，参阅下表2所示，所述轮胎外特性数据可以至少涉及以下内容：62.表2[0063][0064]进一步的，本技术实施例中，采用清洗规则，分别对获得的轮胎设计数据以及轮胎外特性数据进行数据清洗，并构建相应的轮胎设计数据库以及轮胎外特性数据库，具体来讲，上述清洗规则可以包括：[0065]1)数据补充。[0066]2)数据类比。[0067]3)数据视同。[0068]4)数据修正。[0069]具体的，若轮胎设计数据和/或轮胎外特性数据中包含部分未明确表征的参数数据，可以对该类数据进行人为或机器处理的数据补充、数据修正、数据视同等，以明确数据表征的实际意义；可选的，为提升轮胎设计数据和/或轮胎外特性数据的获取效率，也可对轮胎设计数据和/或轮胎外特性数据中的部分标志性参数数据进行数据类比，以获得模型所需的更丰富的训练数据。[0070]示例性的，假设轮胎外特性数据中包含未明确表征的参数数据“阻力：100n”，则采用上述清洗规则，将其修正为与上述表2所示的外特性参数相符的数据“滚动阻力：100n”，以明确该参数数据的实际意义。[0071]进一步的，基于上述清洗后的轮胎设计数据，通过物理，化学，声学等划定与轮胎的设计参数相应的参数范围，并构建相应的轮胎设计数据库。[0072]示例性的，采用物理定律(如，牛顿第二运动定律f＝m*a；密度公式m＝ρ*v；理想气体定律p*v＝n*r*t；加速度公式a＝v/t等)，划定与轮胎的设计参数相应的参数范围，该参数范围可以包括：力、质量、密度、体积、压强、空气分子摩尔量、温度、速度、时间等，以便模型学习轮胎相关的设计参数。[0073]又例如，在一种更具体的实施例中，可以对应于模型待学习的轮胎外特性参数的实际需求，在轮胎的设计参数中为其设置对应的参数范围，如，在定义待学习的轮胎外特性参数为：轮胎滚动抓地力时，可以为其设置的设计参数相关的参数范围为：{轮胎重量、侧偏刚度、轮胎沟深、橡胶粘弹性、几何断面尺寸、垂向动态刚度、纵向滑移系数、动载荷半径}。[0074]进一步的，在一种可选的实施例中，为减少实际状况中，部分轮胎设计数据和/或轮胎外特性数据的采集不准确的问题，还可采用本领域技术人员在实际测量下的技术经验，通过相关的车辆仿真模型，对上述采集到的轮胎设计数据和/或轮胎外特性数据进行补充，以此确保模型训练所采用的样本数据的准确性。[0075]示例性的，采用cae仿真模型cdtire，对实际测量的轮胎设计数据进行车辆仿真，则其仿真出的相应轮胎数据也可以视为上述采集到的轮胎外特性数据，以经由上述数据清洗后，加入构建的轮胎外特性数据库中。[0076]可以理解的是，上述方式仅为举例说明，实际状况中，也可通过本领域技术人员的技术经验，对上述轮胎设计数据和/或轮胎外特性数据进行补充、调整，或是采用一些其他的车辆仿真模型，如，ftire、pac等，依据实际测量的轮胎设计数据进行车辆仿真，本技术在此不再赘述。[0077]进一步的，在一种可选的实施例中，基于上述构建的轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型，具体包含如下步骤：[0078]步骤1：采用轮胎设计数据库以及轮胎外特性数据库，设置相应的第一训练样本集合，其中，一个第一训练样本包括：基于轮胎设计数据库确定的第一输入信息以及基于轮胎外特性数据库确定的第一标准信息。[0079]步骤2：采用第一训练样本集合中的第一训练样本，对预设的第一预测模型进行多轮迭代训练，在满足预设第一收敛条件时，输出第一目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用第一预测模型，基于第一训练样本中的第一输入信息，获得相应的外特性预测结果，并基于外特性预测结果与其相应第一标准信息之间的损失值，调整第一预测模型的参数。[0080]具体的，采用机器学习算法，对第一预测模型进行基于上述构建的轮胎设计数据库以及轮胎外特性数据库的模型训练，并根据算法对应的损失函数和/或代价函数，迭代调整模型的参数，直至获得满足预设第一收敛条件的第一目标预测模型。[0081]示例性的，本技术实施例采用机器学习boost等算法，对第一预测模型进行多轮迭代训练，其中，在每次迭代训练的过程中，通过算法对应的损失函数和/或代价函数，计算模型输出的外特性预测结果与该次训练对应的第一标准信息之间的损失值，并基于该损失值，调整第一预测模型的参数，所述损失函数的如下所示：[0082][0083]其中，m为第一训练样本数目，hθ(x(i))为与第i个第一训练样本对应的外特性预测结果，y(i)为与第i个第一训练样本对应的第一标准信息。[0084]可选的，采用多线程算法进行模型训练，如，采用adaboost，xgboost，random，forest，knn等机器学习相关算法进行多线程的模型训练，并对不同算法进行评估，选取最优模型作为第一目标预测模型。[0085]进一步的，在一种可选的实施例中，基于上述方式，获得相应的第一目标预测模型后，还包括：[0086]步骤3：采用预设的第一学习速率，对获得的第一目标预测模型进行多轮超参数调优；其中，在一轮超参数调优过程中，执行以下操作：基于第一目标预测模型的交叉验证值，调整第一目标预测模型的超参数，并在调整后的第一目标预测模型满足预设第一验证条件时，降低第一目标预测模型的第一学习速率。[0087]具体的，为进一步提升模型的预测性能，采用设定的第一学习速率，对训练的第一目标预测模型进行多轮超参数调优，其中，每个第一参数估计器用于对轮胎的外特性参数进行独立预测，所述超参数可以包括(以xgboost为例)：参数估计器数目n_estimators、决策树最大深度max_depth、决策树最深深度min_weight、伽马参数gamma等，且各超参数的调整次序可以经由本领域技术人员人为指定，在此不再赘述。[0088]示例性的，在机器学习算法xgboost中，采用设定的第一学习速率(此处通过预估时间eta表示)，对训练的第一目标预测模型进行多轮超参数调优，以首次调优过程为例，则基于上述第一学习速率，依次对第一目标预测模型的伽马参数gamma、决策树最大深度max_depth、决策树最深深度min_weight、最小子例总和min_child_weight、子样本训练比例subsample、特征采样比例colsample_bytree以及正则化参数(alpha、lambda)进行调优，首次调优结果为：{eta＝0.01；gamma＝0.05；max_depth＝3；min_child_weight＝1；subsample＝0.6；colsample_bytree＝0.6；alpha＝0；}，则在确定调整后的第一目标预测模型满足预设第一验证条件(如，评分达到预设阈值)时，降低第一目标预测模型的第一学习速率，直至模型最优。[0089]s202：采用轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型。[0090]具体来讲，本技术实施例可基于实际状况下的实车动力学属性数据，构建相应的实车动力学属性数据库，其中，上述实车动力学属性数据可以由真实状况下测量到的车辆动力学数据直接获得，也可以基于相关技术模拟获得(如，实车动力学试验台)，本技术对此不作限制。[0091]示例性的，参阅下表2所示，所述实车动力学属性数据可以至少涉及以下内容：[0092]表3[0093]实车动力学属性车辆动态操控稳定性车辆舒适性车辆静音性动力学模型底盘算法模型介入底盘集成算法模型介入车辆中低附路面及电控系统安全性[0094]进一步的，本技术实施例中，采用清洗规则，对获得的实车动力学属性数据进行数据清洗，并构建相应的实车动力学属性数据库，具体的，所述清洗规则可以与上述s201中的清洗规则相同，在此不再赘述。[0095]进一步的，基于上述清洗后的实车动力学属性数据，通过整车属性需求划定针对至少一个车辆的实车动力学属性的属性范围，并构建相应的实车动力学属性数据库。[0096]示例性的，通过整车属性需求，划定针对至少一个车辆的实车动力学属性的属性范围包括：重量、体积等；可选的，本领域技术人员也可根据实际状况下的业务需求对上述属性范围进行灵活设置或进行相应补充，本技术对此不作限制。[0097]进一步的，在一种可选的实施例中，基于上述构建的实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型，具体包含如下步骤：[0098]步骤1：采用轮胎外特性数据库以及实车动力学属性数据库，设置相应的第二训练样本集合，其中，一个第二训练样本包括：基于轮胎外特性数据库确定的第二输入信息以及基于实车动力学属性数据库确定的第二标准信息。[0099]步骤2：采用第二训练样本集合中的第二训练样本，对预设的第二预测模型进行多轮迭代训练，在满足预设第二收敛条件时，输出第二目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用第二预测模型，基于第二训练样本中的第二输入信息，获得相应的实车属性预测结果，并基于实车属性预测结果与其相应第二标准信息之间的损失值，调整第二预测模型的参数。[0100]具体的，采用机器学习算法，基于构建的轮胎外特性数据库以及实车动力学属性数据库对第二预测模型进行模型训练，并根据算法对应的损失函数和/或代价函数，迭代调整模型的参数，直至获得满足预设第二收敛条件的第二目标预测模型。[0101]示例性的，采用机器学习boost等算法，对第二预测模型进行多轮迭代训练，具体的，在每次迭代训练的过程中，通过算法对应的损失函数和/或代价函数，计算模型输出的实车属性预测结果与该次训练对应的第二标准信息之间的损失值，并对应调整第二预测模型的参数。[0102]可以理解的是，在上述训练过程中，也采用多线程算法进行模型训练，如，可以采用adaboost，xgboost，random，forest，knn等机器学习相关算法进行多线程的模型训练，并对不同算法进行评估，以选取最优模型作为上述的第二目标预测模型。[0103]进一步的，在一种可选的实施例中，基于上述方式，获得相应的第二目标预测模型后，还包括：[0104]步骤3：采用预设的第二学习速率，对获得的第二目标预测模型进行多轮超参数调优，其中，在一轮超参数调优过程中，执行以下操作：基于第二目标预测模型的交叉验证值，调整第二目标预测模型的超参数，并在调整后的第二目标预测模型满足预设第二验证条件时，降低第二目标预测模型的第二学习速率。[0105]示例性的，为进一步提升模型的预测性能，采用设定的第二学习速率，对训练的第二目标预测模型进行多轮超参数调优，以首次调优过程为例，则基于上述第二学习速率，依次对第二目标预测模型的参数估计器数目n_estimators、决策树最大深度max_depth、决策树最深深度min_weight、伽马参数gamma、子样本训练比例subsample、特征采样比例colsample_bytree以及正则化参数进行调优，并在调整后的第二目标预测模型满足预设第二验证条件(如，评分达到预设阈值)时，降低第一目标预测模型的第一学习速率。[0106]基于上述方式，分别训练获得与轮胎外特性相关以及与实车动力学属性相关的第一目标预测模型以及第二目标预测模型，则获得的该第一目标预测模型以及第二目标预测模型可以封存在指定的存储介质或上传至云环境中，便于用户的合理使用。[0107]s203：将目标轮胎的轮胎参数输入训练的所述第一目标预测模型，获得第一目标预测模型基于所述轮胎参数输出的轮胎外特性预测结果。[0108]s204：将轮胎外特性预测结果输入训练的第二目标预测模型，获得第二目标预测模型输出的实车属性预测结果。[0109]进一步的，参阅图3所示，基于上述方式，训练获得相应的第一目标预测模型以及第二目标预测模型，则该第一目标预测模型以及第二目标预测模型也可以通过预测出的轮胎外特性数据以及实车属性数据，补充上述构建的轮胎外特性数据库以及实车动力学属性数据库。[0110]参阅图4所示，为本技术实施例提供的一种实车属性预测方法的流程示例图，则在对采集的轮胎设计数据、轮胎外特性数据、实车属性数据分别进行数据清洗后，基于设定的属性范围以及参数范围，分别构建相应的轮胎设计数据库、轮胎外特性数据库以及实车动力学属性数据库，并以此训练预设的第一预测模型以及第二预测模型，在训练过程中，通过损失/评估函数对模型参数进行迭代调整，并基于预设的多个机器学习算法进行多线程评估，直至获得所需的第一目标预测模型以及第二目标预测模型，进一步的，对第一目标预测模型以及第二目标预测模型分别进行超参数调优，则最终确定的最优第一目标预测模型以及最优第二目标预测模型可以根据实际的业务需求，封存在指定的存储介质中。[0111]参阅图5所示，为本技术实施例提供的一种实车属性预测方法的逻辑示例图，则通过指定的轮胎设计数据源、轮胎外特性数据源、实车属性数据源，分别构建相应的轮胎设计数据库、轮胎外特性数据库、实车属性数据库，并采用上述数据库实现第一目标预测模型以及第二目标预测模型的训练，将上述各个数据库以及模型上传指定云环境中，用户可以实现指定目标轮胎的外特性属性预测以及实车属性预测，此方式有效提升了实车属性的预测精度以及保障了实车属性的预测效率。[0112]进一步地，基于相同的技术构思，本技术实施例还提供了一种实车属性预测装置，该装置用以实现本技术实施例的上述方法流程。参阅图6所示，该装置包括：第一训练模块601、第二训练模块602、外特性预测模块603以及属性预测模块604，其中：[0113]第一训练模块601，用于采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型。[0114]第二训练模块602，用于采用所述轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型。[0115]外特性预测模块603，用于将目标轮胎的轮胎参数输入训练的所述第一目标预测模型，获得所述第一目标预测模型基于所述轮胎参数输出的轮胎外特性预测结果；[0116]属性预测模块604，用于将所述轮胎外特性预测结果输入训练的所述第二目标预测模型，获得所述第二目标预测模型输出的实车属性预测结果。[0117]在一种可选的实施例中，所述采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练之前，所述第一训练模块601还用于：[0118]采用清洗规则，对获得的轮胎设计数据进行数据清洗，并构建相应的轮胎设计数据库，其中，所述轮胎设计数据包含至少一个车辆轮胎的设计参数，以及针对所述至少一个车辆轮胎的设计参数确定的参数范围。[0119]采用所述清洗规则，对获得的轮胎外特性数据进行数据清洗，并构建相应的轮胎外特性数据库，其中，所述轮胎外特性数据包含至少一个车辆轮胎的外特性参数。[0120]采用所述清洗规则，对获得的实车动力学属性数据进行数据清洗，并构建相应的实车动力学属性数据库，其中，所述实车动力学属性数据库包含至少一个车辆的实车动力学属性，以及针对所述至少一个车辆的实车动力学属性确定的属性范围。[0121]在一种可选的实施例中，所述采用轮胎设计数据库以及轮胎外特性数据库，对预设的第一预测模型进行训练，获得相应的第一目标预测模型，所述第一训练模块601具体用于：[0122]采用轮胎设计数据库以及轮胎外特性数据库，设置相应的第一训练样本集合，其中，一个第一训练样本包括：基于所述轮胎设计数据库确定的第一输入信息以及基于所述轮胎外特性数据库确定的第一标准信息。[0123]采用所述第一训练样本集合中的第一训练样本，对预设的第一预测模型进行多轮迭代训练，在满足预设第一收敛条件时，输出第一目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用所述第一预测模型，基于第一训练样本中的第一输入信息，获得相应的外特性预测结果，并基于所述外特性预测结果与其相应第一标准信息之间的损失值，调整所述第一预测模型的参数。[0124]在一种可选的实施例中，所述获得相应的第一目标预测模型后，所述第一训练模块601还用于：[0125]采用预设的第一学习速率，对获得的所述第一目标预测模型进行多轮超参数调优，其中，在一轮超参数调优过程中，执行以下操作：基于所述第一目标预测模型的交叉验证值，调整所述第一目标预测模型的超参数，并在调整后的所述第一目标预测模型满足预设第一验证条件时，降低所述第一目标预测模型的所述第一学习速率。[0126]在一种可选的实施例中，所述采用所述轮胎外特性数据库以及实车动力学属性数据库，对预设的第二预测模型进行训练，获得相应的第二目标预测模型，所述第二训练模块602具体用于：[0127]采用所述轮胎外特性数据库以及实车动力学属性数据库，设置相应的第二训练样本集合，其中，一个第二训练样本包括：基于所述轮胎外特性数据库确定的第二输入信息以及基于所述实车动力学属性数据库确定的第二标准信息。[0128]采用所述第二训练样本集合中的第二训练样本，对预设的第二预测模型进行多轮迭代训练，在满足预设第二收敛条件时，输出第二目标预测模型；其中，在一轮迭代训练过程中，执行以下操作：采用所述第二预测模型，基于第二训练样本中的第二输入信息，获得相应的实车属性预测结果，并基于所述实车属性预测结果与其相应第二标准信息之间的损失值，调整所述第二预测模型的参数。[0129]在一种可选的实施例中，所述获得相应的第二目标预测模型后，所述第二训练模块602还用于：[0130]采用预设的第二学习速率，对获得的所述第二目标预测模型进行多轮超参数调优，其中，在一轮超参数调优过程中，执行以下操作：基于所述第二目标预测模型的交叉验证值，调整所述第二目标预测模型的超参数，并在调整后的所述第二目标预测模型满足预设第二验证条件时，降低所述第二目标预测模型的所述第二学习速率。[0131]与上述申请实施例基于同一发明构思，本技术实施例中还提供了一种电子设备，该电子设备可以用于实车属性预测。在一种实施例中，该电子设备可以是服务器，也可以是终端设备或其他电子设备。在该实施例中，电子设备的结构可以如图7所示，包括存储器701，通讯接口703以及一个或多个处理器702。[0132]存储器701，用于存储处理器702执行的计算机程序。存储器701可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。[0133]存储器701可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器701也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)、或者存储器701是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器701可以是上述存储器的组合。[0134]处理器702，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等。处理器702，用于调用存储器701中存储的计算机程序时实现上述实车属性预测方法。[0135]通讯接口703用于与终端设备和其他服务器进行通信。[0136]本技术实施例中不限定上述存储器701、通讯接口703和处理器702之间的具体连接介质。本技术实施例在图7中以存储器701和处理器702之间通过总线704连接，总线704在图7中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线704可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。[0137]基于同一发明构思，本技术实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种实车属性预测方法。[0138]基于同一发明构思，本技术实施例还提供一种计算机程序产品，该计算机程序产品执行前文论述的一种实车属性预测方法。[0139]应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。[0140]此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。[0141]本技术实施例提供了一种实车属性预测方法、装置、电子设备及存储介质，采用预设的轮胎设计数据库以及轮胎外特性数据库，训练获得相应的第一目标预测模型，并采用轮胎外特性数据库以及实车动力学属性数据库，训练获得相应的第二目标预测模型，其中，轮胎设计数据库以及轮胎外特性数据库分别记录有车辆轮胎在真实状况下的设计参数以及动力学外特性参数，则基于上述方式，第一目标预测模型能够基于输入的轮胎参数，输出高精度的轮胎外特性预测结果，并使得第二目标预测模型轮胎基于该轮胎外特性预测结果，进一步对车辆级别的实车属性进行准确预测，有效提升了实车属性的预测精度，同时，基于上述机器学习的预测方式，保障了实车属性的预测效率，从而进一步提高了车辆开发的生产效能。[0142]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0143]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个服务器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0144]可使用一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。[0145]在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算装置，或者，可以连接到外部计算装置(例如，利用因特网服务提供商来通过因特网连接)。[0146]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0147]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0148]显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。