本文讨论了一种新的汽车空调系统瞬态建模方法,即以大量路试数据作为支撑的黑箱建模方式。与传统的白箱模型相比,该方法的结果有数据背书、无需依赖工程师经验操作且可与自动化流程集成,因此模型可靠性得到了提升,建模成本显著降低。本文从汽车空调系统的夏季路试实验数据出发,设计并实现了一套完整的数据获取、处理与分析流程,并在流程中创新地集成了基于人工智能的规律发现模块与时间序列聚类分析模块。它们为模型的选择、建立和优化以及数据筛选提供了支撑。规律发现模块提供了敏感度分析结果,指出了路试数据中变量之间的依存关系及各个状态量对外部变量的敏感度。聚类分析模块为时间片段的选择与评价提供了依据,为模型标定筛选出了瞬态特性最为突出的时间片段,减少了85.8%的模型训练数据量。聚类分析结果还为后续的路试实验动态规划提供了研发的方向。依赖数据分析流程获得的规律,结合对乘员舱和HVAC物理系统的分析,本文实施并且测试了四种黑箱模型,并利用实际数据验证了他们的建模精度。这四种模型分别是线性状态空间模型、线性ARMAX模型、非线性NARX小波网络和非线性NARX神经网络。结果表明,本文设计的数据处理与建模流程可以生成满足汽车空调控制器算法设计和优化需求的瞬态模型。