CN110191433B - 异常检测数据识别装置和方法、异常识别系统及存储介质 - Google Patents
异常检测数据识别装置和方法、异常识别系统及存储介质 Download PDFInfo
- Publication number
- CN110191433B CN110191433B CN201910117464.3A CN201910117464A CN110191433B CN 110191433 B CN110191433 B CN 110191433B CN 201910117464 A CN201910117464 A CN 201910117464A CN 110191433 B CN110191433 B CN 110191433B
- Authority
- CN
- China
- Prior art keywords
- abnormality detection
- detection data
- abnormality
- vehicle
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 384
- 238000001514 detection method Methods 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 169
- 230000008439 repair process Effects 0.000 claims abstract description 135
- 230000008569 process Effects 0.000 claims description 155
- 238000012545 processing Methods 0.000 claims description 113
- 230000005484 gravity Effects 0.000 claims description 63
- 238000013480 data collection Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 15
- 239000010931 gold Substances 0.000 description 15
- 229910052737 gold Inorganic materials 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000005332 obsidian Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Emergency Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及异常检测数据识别装置、异常识别系统、异常检测数据识别方法以及存储有异常识别程序的存储介质。异常检测数据识别装置接收来自车载异常通知装置的异常检测数据。记录于存储装置的异常检测数据中的、成为判定对象的异常检测数据是对象数据,基于所述对象数据来掌握所述异常发生时的所述车辆的位置。异常检测数据的数量是记录于存储装置的异常检测数据中的、在距离基于对象数据所掌握的异常发生时的车辆的位置为预定范围内输出的异常检测数据的数量。判定为:对象数据是由于车辆的修理而产生的数据的可能性在异常检测数据的数量大于等于预定数量的情况下比在该异常检测数据的数量小于预定数量的情况下高。
Description
技术领域
本公开涉及异常检测数据识别装置和方法以及异常识别系统,并且涉及存储有异常识别程序的存储介质。在检测到异常的情况下,车载异常通知装置输出包含车辆的位置、和产生了异常这一意思的信息的异常检测数据。异常检测数据识别装置接收来自车载异常通知装置的异常检测数据。
背景技术
例如国际公开第2009/38028号所记载的异常检测装置在通过车辆搭载装置检测到车辆内的异常的情况下向信息中心(center)内的服务器发送异常信息。记载了特别是在车辆位于服务工厂内的情况下,该异常检测装置禁止发送异常信息。
发明内容
以下,将本公开的例子记载如下。
例1.一种异常检测数据识别装置,其构成为接收来自车载异常通知装置的异常检测数据,所述车载异常通知装置构成为,在检测到异常的情况下,输出包含车辆的位置和产生了异常这一意思的信息的异常检测数据,所述异常检测数据识别装置具备处理电路和存储装置,所述处理电路构成为执行如下处理:接收处理,接收所述异常检测数据;记录处理,将接收到的所述异常检测数据记录于所述存储装置;和判定处理,对接收到的所述异常检测数据是由于车辆的修理(维修)而产生的数据的可能性的高低进行判定,成为判定对象的异常检测数据是对象数据,基于所述对象数据来掌握所述异常发生时的所述车辆的位置,异常检测数据的数量是所述存储装置所记录的所述异常检测数据中的、在距离基于所述对象数据所掌握的所述异常发生时的所述车辆的位置为预定范围内输出的所述异常检测数据的数量,所述判定处理判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常检测数据的数量大于等于预定数量的情况下比在所述异常检测数据的数量小于预定数量的情况下高。
当在距离异常发生的位置为预定范围内的异常发生次数多的情况下,存在预定范围内有修理工厂等的可能性、和异常的发生是起因于修理的可能性。于是,在上述构成中,判定为异常检测数据是由于修理而产生的数据的可能性在预定范围内的异常检测数据的数量大于等于预定数量的情况下比在该异常检测数据的数量小于预定数量的情况下高。因此,能够抑制“是应该认知(清楚地确认)的异常”这样的误判定。
然而,在上述文献的情况下,可认为为了避免信息中心侧将修理期间产生的异常信息误判定为“是应该认知的异常信息”,车辆侧的装置需要判定车辆的位置在服务工厂这一情况。另外,即使假设将服务工厂登记于车辆侧的装置中并且使车辆侧的装置搭载能够判定出是登记的服务工厂的功能,当于在没有登记的修理工厂等的修理期间发送了异常信息的情况下,也仍然存在信息中心侧误判定为“是应该认知的异常信息”的可能(担心)。上述构成能够抑制这种可能。
例2.在上述例1的异常检测数据识别装置中,所述异常检测数据包含与发生异常的时间有关的信息,所述判定处理包括:确定处理,基于所述对象数据来确定修理地点候选;按时间段汇总(统计)处理,基于所述存储装置所记录的所述异常检测数据中的、在距离所述修理地点为候选规定范围内输出的所述异常检测数据,汇总每个时间段的异常的发生次数,所述异常的发生次数是由所述按时间段汇总处理分类的所述时间段中的、与所述对象数据所示的时间相符的时间段内的异常的发生次数;和按时间段判定处理,判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常的发生次数多的情况下比在所述异常的发生次数少的情况下高。
车辆的修理例如取决于修理工厂中的工作人员的上班时间等。也就是说,在由于修理而产生异常的情况下,往往存在异常发生次数增多的时间段。由此,在上述构成中设置按时间段汇总处理以及按时间段判定处理。因此,能够在输出许多异常检测数据的区域,更高精度地判定这些异常检测数据实际是否是由于修理而产生的数据。
例3.在上述例1或者例2的异常检测数据识别装置中,所述异常检测数据包含与所述异常发生时的车速有关的信息,所述判定处理包括车速反映判定处理,所述车速反映判定处理判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述车速小的情况下比在所述车速大的情况下高。
可认为车辆的修理会在车速低(小)时被执行的可能性高。因此在上述构成中设置上述车速反映判定处理。由此,能够在输出许多异常检测数据的区域,更高精度地判定这些异常检测数据实际是否是由于修理而产生的数据。
例4.在上述例1~例3中任一个的异常检测数据识别装置中,所述异常检测数据包含与发生了所述异常的星期号(曜日,一星期中的某天)有关的信息,所述判定处理包括:确定处理,基于所述对象数据来确定修理地点候选;按星期号汇总处理,基于所述存储装置所记录的所述异常检测数据中的、在距离所述修理地点为候选规定范围内输出的所述异常检测数据,汇总各所述星期号的异常的发生次数;和按星期号判定处理,判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在由所述按星期号汇总处理得到的星期号的分类中的、与所述对象数据所示的星期号相符的一日内的所述异常的发生次数多的情况下比在该所述异常的发生次数少的情况下高。
车辆的修理例如取决于修理工厂中的工作人员的上班的日子等。也就是说,在由于修理而产生异常的情况下,往往存在异常发生次数增多的星期号。由此,在上述构成中设置按星期号汇总处理以及按星期号判定处理。因此,能够在输出许多异常检测数据的区域,更高精度地判定这些异常检测数据实际是否是由于修理而产生的数据。
例5.在上述例1~例4中任一个的异常检测数据识别装置中,所述异常检测数据包含确定所述车辆的信息,所述判定处理包括:同一车辆数据收集处理,基于所述存储装置所记录的所述异常检测数据,汇总同一车辆的异常的发生次数;和按车辆判定处理,判定为:在与根据所述对象数据确定的车辆为同一车辆的异常的发生次数多的情况下,相比于在与根据所述对象数据确定的车辆为同一车辆的异常的发生次数少的情况下,该异常检测数据是由于所述车辆的修理而产生的数据的可能性高。
可能也存在一定数量的车辆用户会自己来修理、改造车辆。存在从这样的用户的车辆输出大量异常检测数据的可能性。由此,在上述构成中,在同一车辆中的异常的发生次数多的情况下,将实际上是在改造的情况也包含在内判定为是在修理的可能性高。因此,能够抑制在对象数据实际上是由于改造和/或修理而产生的数据的情况下误判定为“是应该认知的异常”。
例6.在上述例2或者例4的异常检测数据识别装置中,所述确定处理包括:重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与根据所述对象数据确定的所述车辆的位置相距在预先确定的距离内的位置,算出作为这些位置的平均值的重心;和基于算出的所述重心来确定所述修理地点候选的处理。
在由于GPS的性能等引起异常检测数据的位置信息的精度低的情况下,担心仅根据异常检测数据所包含的位置信息来确定修理地点候选时,精度会降低。于是,在上述构成中,通过求取在附近产生的异常检测数据的每一个所具有的位置信息所示的车辆的位置的重心,确定修理地点候选。由此使异常检测数据的识别精度提高。
例7.在上述例6的异常检测数据识别装置中,所述确定处理包括:将通过所述重心算出处理算出的重心设为第1重心的初始值;第2重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与所述第1重心相距在预先确定的所述距离内的位置,算出作为这些车辆位置的平均值的第2重心;第1选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离大于阈值的情况下,将所述第1重心作为所述修理地点候选;和第2选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离小于等于所述阈值、并且所述第1重心与所述第2重心的距离小于等于规定值的情况下,将所述第2重心作为所述修理地点候选,所述确定处理中,在所述第1重心与所述第2重心的距离大于所述规定值的情况下,将所述第2重心代入所述第1重心,并且执行所述第2重心算出处理。
在上述构成中,使用第2重心算出处理。因此,例如与将通过重心算出处理算出的重心作为修理地点候选的情况相比,能够将修理地点候选作为实际的修理地点而设为可靠性更高的地点。
例8.在上述例1~例7中任一个的异常检测数据识别装置中,所述处理电路构成为执行为了将下述数据用于由显示装置进行的显示而输出所述数据的输出处理,所述数据是使表示发生了基于所述异常检测数据的异常之意的信息与对应于该信息的所述判定处理的判定结果相关联的数据。
在由上述输出处理输出的数据中,对发生了异常这一意思的信息关联有关于由于车辆的修理而产生了异常检测数据的可能性的高低的判定结果。而且在上述构成中,将这种数据作为视觉信息显示于显示装置。因此,能够简便地判断发生了异常这一意思的信息是否是应该认知的信息。
例9.一种异常识别系统,其具备上述各例1~例8中任一个的异常检测数据识别装置和车载异常通知装置。
例10.一种实现为执行上述各例1~例8所述的各种处理的异常检测数据识别方法。
例11.一种实现为存储有使处理装置执行上述各例1~例8所述的各种处理的程序的非瞬时性的计算机可读的记录介质。
附图说明
图1是表示将本公开具体化出的一个实施方式涉及的异常识别系统的图。
图2是表示图1的异常识别系统中的车辆内的处理过程的流程图。
图3是表示图1的异常识别系统中的异常检测数据的图。
图4是表示图1的异常识别系统中的中心内的处理过程的流程图。
图5是表示图1的异常识别系统中的数据收集处理的过程的流程图。
图6是表示图1的异常识别系统中的重心的计算例的图。
图7是表示图1的异常识别系统中的数据解析处理的过程的流程图。
图8是表示图1的异常识别系统中的按星期号汇总处理的图。
图9是表示图1的异常识别系统中的按时间段汇总处理的图。
图10是表示图1的异常识别系统中的按车辆汇总处理的图。
图11是表示图1的异常识别系统中的最终判定处理的图。
图12是表示图1的异常识别系统中的与数据的发送有关的处理过程的流程图。
具体实施方式
以下,参照附图,对异常检测数据识别装置涉及的一个实施方式进行说明。
图1所示的车辆1搭载有异常通知装置10。异常通知装置10具备CPU12、ROM14、通信机16、GPS18以及传感器类20,它们能够通过网络22进行通信。
图2中表示异常通知装置10所执行的处理的过程。图2所示的处理通过由CPU12例如按预定周期反复执行ROM14所存储的程序来实现。此外,以下利用在开头赋予了“S”的数字来表示各处理的步骤号。
在图2所示的一系列处理中,CPU12首先基于传感器类20的输出值,判定车辆内是否有异常(S10)。此处的“异常”中包含有在产生了异常的情况下向车辆用户通知的异常和不通知的异常。在此,“向用户通知的异常”指的是,要求促使用户到修理工厂让人修车的异常。另一方面,“不通知的异常”指的是,虽然没到需要修理的程度,但是对于产品的改进等而言能成为高度暗示的信息的异常,能在车辆的开发等中成为有益的信息的异常。具体而言,所谓“异常”,例如有电子电路的连接器的连接不良(故障)等。CPU12在判定为有异常的情况下,生成异常检测数据(S12)。异常检测数据是所谓的FFD(Freeze Frame Data,冻结数据)。
图3中表示异常检测数据。如图3所示,异常检测数据包含确定车辆的车辆ID、与异常的种类有关的信息、和与异常发生时的位置PD有关的信息。在此,位置PD由CPU12基于异常发生时的GPS18的输出信号来生成。另外,异常检测数据包含与产生异常时的星期号有关的信息、与时间段和车速SPD有关的信息。此外,星期号、时间段以及车速SPD均通过传感器类20来检测。即,传感器类20中包括钟表、车速传感器等。
回到图2,CPU12通过操作通信机16,将异常检测数据经由图1所示的网络50向中心CE输出(S14)。此外,CPU12在S14的处理完成的情况下和/或在S10的处理中判定为否定的情况下,暂时结束图2所示的一系列处理。
回到图1,上述中心CE具备异常检测数据识别装置30。异常检测数据识别装置30具备CPU32、ROM34、存储装置36、通信机38,它们能够通过网络42进行通信。异常检测数据识别装置30解析由通信机38经由网络50接收到的异常检测数据,并将结果输出到据点60。
据点60例如可以是车辆的开发据点,另外也可以是车辆的修理据点。在据点60设置有通信机62、接口64以及显示装置66,它们能够经由网络68进行通信。而且,在据点60,当由通信机62接收到异常检测数据识别装置30的解析结果时,将接收到的解析结果输出到显示装置66。
图4中表示异常检测数据识别装置30所执行的处理的过程。图4所示的处理通过由CPU32执行ROM34所存储的程序来实现。
在图4所示的一系列处理中,CPU32首先经由通信机38接收异常检测数据(S20)。CPU32在此将本次新接收到的异常检测数据设为在图4所示的以下的处理中判定是否是起因于在修理工厂的修理而生成的数据的判定对象。接着CPU32将接收到的异常检测数据记录于存储装置36(S22)。接着CPU32提取存储装置36所存储的异常检测数据中的、从当前到过去预定时间的预定期间内的异常检测数据(S24)。该处理用于提高后述的确定修理地点候选的处理的可靠性。即,在参照太长的期间内的所有异常检测数据的情况下,有在期间中途发生修理工厂迁移或者新建立修理工厂的可能。对此,将预定期间设定成可视为这样的修理工厂的迁移和/或新的发生的可能性足够低的长度。如此,通过如上所述提取预定期间内的异常检测数据,某个区域内的所有异常检测数据均可被视为在区域内存在修理工厂的期间的数据或是在区域内不存在修理工厂的期间的数据。此外,预定期间优选为比1年长的期间。
接着CPU32根据通过S24的处理提取到的异常检测数据的每一个来取得位置PD(S26)。作为判定对象的异常检测数据是“对象数据”,位置PD是对象数据所包含的信息。然后CPU32判定在距离位置PD的一定范围A内异常检测数据被输出的次数(过去发生异常次数)是否在预定次数以上(S28)。在此,“一定范围A”指的是,距离中心(在此为位置PD)为预定距离LA以内的区域。另外,“预定次数”设定为大到可以说作为在一定范围A内不是起因于车辆修理的异常检测数据被输出的次数来讲过多程度的值。
CPU32在判定为在距离位置PD的一定范围A内过去发生异常的次数小于预定次数的情况下(S28:否),判定为对象数据不是由于车辆的修理而产生的,而是起因于并非由车辆的修理引起的实际异常的发生的异常检测数据(S30)。此外,例如有如下异常检测数据作为起因于修理的异常检测数据:在车辆的修理期间,在将电子电路的连接器取下的状态下,由使之进行用于车辆行驶的控制的操作引起的、基于连接器的连接不良的检测所输出的异常检测数据。
另一方面,CPU32在判定为在距离位置PD的一定范围A内过去发生异常的次数大于等于预定次数的情况下(S28:是),收集从与对象数据的同一发生之处(地点)发送来的异常检测数据(S40)。
图5中表示S40的处理的详情。
即,CPU32首先对旧重心Gold代入足够远离于距离对象数据所示的位置PD为一定范围A的位置(S42)。接着CPU32对于在图4的S24的处理中提取到的异常检测数据中的、在距离对象数据所示的位置PD为一定范围A内发送的异常检测数据以及对象数据,算出与这些数据的每一个所示的位置PD有关的重心,并将其代入新重心Gnew(S44)。在此,重心指的是,异常检测数据所示的各位置PD的平均值。例如若将二维坐标设为x分量以及y分量,则各位置PD的x分量之和除以数据数量所得的值成为x分量的平均值,各位置PD的y分量之和除以数据数量所得的值成为y分量的平均值。但是,在多个数据表示同一位置的情况下,设分量之和中包含多个相同的值。此外,这样定义的重心成为与在各位置PD存在同一质点的情况下的重量中心相同的值。接着CPU32判定新重心Gnew是否在距离旧重心Gold为一定范围B内(S46)。在此,假设一定范围B是指与中心(在此为旧重心Gold)相距比预定距离LA小的规定距离LB内的区域。由此,在最初进入S46的处理时,由于S42的处理的设定,CPU32将会判定为否。
CPU32在判定为新重心Gnew不在距离旧重心Gold的一定范围B内的情况下(S46:否),将新重心Gnew代入旧重心Gold(S48)。接着,CPU32对于从距离新重心Gnew为一定范围A内的位置处发送来的异常检测数据,算出与这些数据的每一个所示的位置PD有关的重心,并将其代入新重心Gnew(S50)。
图6中表示该时刻的旧重心Gold和新重心Gnew。图6设想了对象数据是由于在修理工厂的修理而产生的数据的情况,表示了特别是由于GPS18的精度等导致异常检测数据所示的位置PD产生了误差的情况。即,异常检测数据所示的位置PD包含误差,因此,由于在修理工厂内的修理而生成的异常检测数据所示的位置PD有大幅的偏差(波动)。
特别是在图6中,表示了对象数据所示的位置PD(图6中记作“PD”)位于此前所接收的异常检测数据所示的位置PD(在图6中没有记作“PD”而仅记作叉号(×记号))的分布的周边部分的例子。由此,通过S48的处理确定的旧重心Gold以及通过S50的处理确定的新重心Gnew比位置PD靠近分布的中心。
回到图5,CPU32判定在距离对象数据所示的位置PD为一定范围A内是否有新重心Gnew(S52)。该处理是判定新重心Gnew作为对象数据的发送源是否为适当的位置的处理。CPU32在判定为在距离对象数据所示的位置PD为一定范围A内没有新重心Gnew的情况下(S52:否),将作为对象数据的发送源的修理地点候选设为旧重心Gold(S54)。
即,当在距离对象数据所示的位置PD为一定范围A内没有新重心Gnew的情况下,认为新重心Gnew可能实际上远离于对象数据的发送源。因此,不采用新重心Gnew而是采用旧重心Gold。
回到图5,CPU32在判定为在距离对象数据所示的位置PD为一定范围A内有新重心Gnew的情况下(S52:是),返回至S46的处理。而且,CPU32在判定为新重心Gnew不在距离旧重心Gold为一定范围B内的情况下(S46:否),通过S48~S50的处理将旧重心Gold和新重心Gnew更新。
另一方面,CPU32在判定为新重心Gnew在距离旧重心Gold为一定范围B内的情况下(S46:是),将作为对象数据的发送源的修理地点候选设为新重心Gnew(S56)。即,当新重心Gnew在距离旧重心Gold为一定范围B内的情况下,认为即使通过由S48、S50的处理实现的旧重心Gold和新重心Gnew的更新处理,计算结果也不会有大的改变而会收敛,因此,作为对象数据的发送源的修理地点候选被设为新重心Gnew。
CPU32在完成S54的处理的情况下,收集在S24的处理中提取到的异常检测数据中的、距离作为修理地点候选的旧重心Gold为一定范围A内的异常检测数据(S58)。与此相对地,CPU32在完成S56的处理的情况下,收集在S24的处理中提取到的异常检测数据中的、距离作为修理地点候选的新重心Gnew为一定范围A内的异常检测数据(S60)。
此外,在S58、S60的处理完成的情况下,CPU32完成图4的S40的处理。然后,如图4所示,CPU32基于收集到的数据,执行数据解析处理(S70)。
图7中表示数据解析处理的过程。
在图7所示的一系列处理中,CPU32将通过S40的处理收集到的异常检测数据基于异常检测数据各自所具有的星期号(一周中的某天)信息来按星期号进行汇总(S72)。然后CPU32基于汇总结果,判定对象数据是由于修理而产生的数据的可能性(S74)。
图8中表示按星期号的汇总结果。在图8所示的例子中,从星期一到星期五的每一天的数据数量比星期六及星期日的每一天的数据数量多。这被认为是与在修理工厂工作人员从星期一到星期五上班的情况下的汇总结果相当。即,可认为占收集到的异常检测数据的总数的比例在预定比例以上的星期号的异常检测数据是由于在修理工厂的修理而产生的数据的可能性高。由此,在本实施方式中,如图8所示,对于相比于将通过S40的处理收集到的异常检测数据的总数除以星期数和第1除法运算值KL所得的值,异常检测数据数量少的星期号,CPU32判定为在修理中的可能性低。另外,对于具有大于等于如下值的异常检测数据数量的星期号,CPU32判定为在修理中的可能性高,所述值是将通过S40的处理收集到的异常检测数据的总数除以星期数和比第1除法运算值KL小的第2除法运算值KH所得的值。
在图8所示的例子中,对于从星期一到星期五,相应的异常检测数据数量大于等于将通过S40的处理收集到的异常检测数据的总数除以星期数和第2除法运算值KH所得的值,因此,CPU32判定为在修理中的可能性高。另外,对于星期六和星期日,相应的异常检测数据数量小于将通过S40的处理收集到的异常检测数据的总数除以星期数和第1除法运算值KL所得的值,因此,CPU32判定为在修理中的可能性低。此外,虽然在图8所示的例子中没有相符的星期号,但在相应的异常检测数据数量大于等于将通过S40的处理收集到的异常检测数据的总数除以星期数和第1除法运算值KL所得的值、并且小于将总数除以星期数和第2除法运算值KH所得的值的情况下,CPU32判定为在修理中的可能性是“中”。
根据以上,在图8中例示的数据的情况下,当成为判定对象的异常检测数据所示的星期号是“星期一”时,CPU32判定为在修理中的可能性高,当上述星期号是“星期日”时,CPU32判定为在修理中的可能性低。
回到图7,CPU32将通过S40的处理收集到的异常检测数据基于异常检测数据所具有的时间段信息来按时间段进行汇总(S76)。然后CPU32基于汇总结果,判定对象数据是由于修理而产生的数据的可能性(S78)。
图9中表示按时间段的汇总处理。在图9所示的例子中,从9点到21点的数据数量比除此之外的时间的数据数量多。这被认为是与在修理工厂工作人员从9点到21点进行工作(修理)的情况下的汇总结果相当。即,可认为占收集到的异常检测数据的总数的比例在预定比例以上的时间段的异常检测数据是由于在修理工厂的修理而产生的数据的可能性高。由此,在本实施方式中,如图9所示,对于相比于将通过S40的处理收集到的异常检测数据的总数除以24小时的分割数(在此设为按每3小时,因此为8个)和第1除法运算值KL所得的值,异常检测数据数量少的时间段,CPU32判定为在修理中的可能性低。另外,对于具有大于等于如下值的异常检测数据数量的时间段,CPU32判定为在修理中的可能性高,所述值是将通过S40的处理收集到的异常检测数据的总数除以分割数和比第1除法运算值KL小的第2除法运算值KH所得的值。另外,在时间段的异常检测数据数量大于等于将通过S40的处理收集到的异常检测数据的总数除以分割数和第1除法运算值KL所得的值、并且小于将异常检测数据的总数除以分割数和第2除法运算值KH所得的值的情况下,CPU32判定为是修理中的可能性为“中”的时间段。
在图9所示的例子的情况下,当对象数据所示的时间与从6点到9点的时间段相符时,CPU32判定为在修理中的可能性是“中”,对于与从9点到12点的时间段相应的异常检测数据,CPU32判定为在修理中的可能性高。
回到图7,CPU32判定对象数据所示的车速SPD是否在规定速度Sth以下(S80)。该处理用于判定在产生对象数据所示的异常时车辆是否是停止的,规定速度Sth设定为接近于零的值。而且,CPU32在判定为车速在规定速度Sth以下的情况下(S80:是),判定为在修理中的可能性高(S82),在判定为车速比规定速度Sth大的情况下(S80:否),判定为在修理中(工作中)的可能性低(S84)。
CPU32在S82、S84的处理完成的情况下,从通过S40的处理收集到的异常检测数据中收集具有与对象数据所示的车辆ID相同的车辆ID的异常检测数据(S86)。然后,CPU32基于收集到的异常检测数据的数量,判定在修理中的可能性(S88)。
即,如图10所示,在本实施方式中,CPU32基于具有与对象数据所示的车辆ID相同的车辆ID的异常检测数据的数量和设定值N1的大小比较、以及和比设定值N1大的设定值N2的大小比较,判定在修理期间的可能性。具体而言,CPU32在异常检测数据数量小于设定值N1的情况下判定为“在修理中的可能性低”。另外,CPU32在判定为异常检测数据数大于等于设定值N2的情况下,判定为“在修理中的可能性高”。另外,CPU32在异常检测数据数大于等于设定值N1、并且小于设定值N2的情况下,判定为在修理中的可能性是“中”。在图10所示的例子中,车辆VC1的异常检测数据数量超过了设定值N2。由此,在对象数据所示的车辆ID为车辆VC1的情况下,判定为在修理中的可能性高。与此相对地,在对象数据所示的车辆ID为车辆VC2的情况下,异常检测数据数量小于设定值N1,因此,判定为在修理中的可能性低。S88的处理是鉴于可能存在一定数量的用户会自己改造、修理车辆的处理。即,当在自己进行改造时输出了异常检测数据的情况下,也视为在修理工厂的修理的可能性高。这样,能够在由于改造而输出了异常检测数据的情况下,将是应该认知的异常的可能性设为低可能性。
回到图7,CPU32基于S74、S78、S82、S84、S88的处理,执行关于在修理中的可能性的最终判定处理(S90)。在此,如图11所示,将由各判定处理得到的判定结果中的、最低的可能性作为最终判定结果。在图11中,“车速”一栏对应于S80~S84的处理的判定结果,“星期”一栏对应于S74的处理的判定结果。“时间”一栏对应于S78的处理的判定结果,“同一车辆”一栏对应于S88的处理的判定结果。“判定结果”一栏对应于由S90的处理得到的最终的判定结果。
回到图7,在CPU32完成S90的处理的情况下,图4所示的S70的处理完成。CPU32在S70、S30的处理完成的情况下,将判定结果登记到存储装置36(S32)。此外,CPU32在S32的处理完成的情况下,暂时结束图4所示的一系列处理。
异常检测数据识别装置30根据来自图1所示的据点60的请求,执行发送存储装置36所存储的数据的处理。
图12中表示这种处理的过程。图12所示的处理通过由CPU32例如按预定周期反复执行ROM34所存储的程序来实现。
在图12所示的一系列处理中,异常检测数据识别装置30的CPU32首先判定是否有来自据点60的数据发送请求(S100)。而且CPU32在判定为有数据发送请求的情况下(S100:是),从存储装置36读取登记数据,登记数据由异常检测数据和与该异常检测数据相关联的修理期间的可能性的判定结果形成(S102)。然后CPU32操作通信机38,将读出的数据经由网络50发送到据点60(S104)。此外,CPU32在完成S104的处理和/或在S100的处理中判定为否定的情况下,暂时结束图12所示的一系列处理。
在此,对本实施方式的作用及效果进行说明。
CPU32在接收到异常检测数据时,判定是否有过去从相对于异常检测数据所示的位置PD而在一定范围A内的区域输出预定数量以上的异常检测数据的历史记录。在判定为“有历史记录”的情况下,CPU32基于位置PD确定修理地点候选。而且CPU32基于存储装置36所记录的异常检测数据中的、距离修理地点候选为一定范围A内的数据,判定处于修理期间的可能性。然后将处于修理期间的可能性的判定结果与异常检测数据相关联并登记到存储装置36。
另一方面,据点60的工作人员通过经由接口64操作通信机62,请求异常检测数据的解析结果的发送。对此,CPU32将具有异常检测数据和与异常检测数据相关联的判定结果的数据发送到据点60。
因此,在据点60,由显示装置66显示出表示有异常之意的信息,并且显示出与异常是由于修理而产生的异常的可能性有关的视觉信息。由此,据点60内的工作人员能够迅速地判断每个异常是否是因为产生于修理期间的可能性高所以要解析原因的优先级低的异常。
<对应关系>
上述实施方式中的事项与上述“发明内容”中记载的事项的对应关系如下。以下,按照“发明内容”中记载的“例”的编号来表示对应关系。
[1]“处理电路”对应于CPU32以及ROM34。“接收处理”对应于S20的处理,“记录处理”对应于S22的处理。“判定处理”对应于S26~S30、S40~S90的处理。“预定范围”对应于一定范围A。
[2]“确定处理”对应于S42~S56的处理。“规定范围”对应于一定范围A。
[3]“车速反映判定处理”对应于S80~S84的处理。
[4]“确定处理”对应于S42~S56的处理。“规定范围”对应于一定范围A。
[6]“重心算出处理”对应于S44的处理。“预先确定的距离内”对应于一定范围A内。
[7]“第2重心算出处理”对应于S50的处理。“第1选择处理”对应于S52、S54的处理。“第2选择处理”对应于S46、S56的处理。“规定值”对应于确定一定范围B的规定距离LB。
[8]“输出处理”对应于S104的处理。
[10]“计算机”对应于CPU32。
<其他实施方式>
此外,本实施方式能够如下进行变更来实施。本实施方式以及以下的变更例能够在技术上不矛盾的范围内相互组合来实施。
·「关于确定处理」
在图5的处理中,也可以将在S44的处理中算出的新重心Gnew确定为修理地点候选。另外例如,也可以不执行求取重心的处理,而将位置PD本身设为修理地点候选。在该情况下,S70的处理基于距离位置PD为一定范围A内的异常检测数据来执行即可。
·「关于在S70的处理中使用的规定范围内的异常检测数据」
在上述实施方式中,在S70的处理中利用了通过S24的处理提取到的异常检测数据中的、这些数据的每一个所示的位置PD进入距离修理地点候选的作为规定范围的一定范围A内的异常检测数据,但不限于此。例如,也可以使规定范围比算出重心所使用的一定范围A窄小等,使规定范围与一定范围A不同。
再者,也并非必须是通过S24的处理提取到的异常检测数据,例如也可以在S70的处理中使用存储装置36所存储的所有异常检测数据中的、这些数据的每一个所示的位置PD进入距离修理地点候选为规定范围内的异常检测数据。此时,例如也可以加上当在预定区域内没有在规定时间内新产生异常检测数据的情况下将预定区域内的数据删除的处理。
·「关于按时间段汇总处理、按时间段判定处理」
在上述实施方式中,按每3个小时划分了时间段,但不限于此。例如也可以按每两个小时,或者例如也可以按每6个小时。
另外,不限于将在修理的可能性按三级来判定的处理。例如也可以设最大值为100%、最小值为0%,在“0~100”的范围内按“101”级进行判定。该处理例如能够通过使用100个互不相同的阈值取代上述第1除法运算值KL和第2除法运算值KH来实现。
·「关于车速反映判定处理」
在上述实施方式中,将规定速度Sth设定成了用于判定车停止的值,但不限于此。另外,不限于根据车速SPD来进行处于修理期间的概率是高还是低的二值判定。例如也可以进行三值以上的判定。在该情况下,例如鉴于在处于高速行驶中时为修理期间的可能性低这一情况,按照低速区域、中速区域、高速区域的顺序依次判定为在修理的可能性从高到低即可。
·「关于按星期号汇总处理、按星期号判定处理」
在上述实施方式中,用星期一、二、三、四、五、六、日划分了星期,但不限于此。例如也可以用平日(一、二、三、四、五)和周末(六、日)来划分。但是,在该情况下,对于平日,在比较中使用将收集到的异常检测数据的总数除以“5”和第1除法运算值KL或第2除法运算值KH所得的值,对于周末,在比较中使用将总数除以“2”和第1除法运算值KL或第2除法运算值KH所得的值。
另外,不限于将在修理的可能性按三级来判定的处理。例如也可以设最大值为100%、最小值为0%,在“0~100”的范围内按“101”级进行判定。该处理例如能够通过使用100个互不相同的阈值取代上述第1除法运算值KL和第2除法运算值KH来实现。
·「关于判定处理」
在上述实施方式中,对于按星期号判定处理、按时间段判定处理、S80~S84的处理、按车辆判定处理的各处理的判定结果,使在修理的可能性的最大值彼此相同,并且使最小值彼此相同,但不限于此。例如,也可以将按车辆判定处理的判定结果设为在修理的可能性为“中”或者“低”。即,也可以使按车辆判定处理的在修理的可能性的最大值小于按星期号判定处理、按时间段判定处理、S80~S84的处理的各处理的判定结果中的在修理的可能性的最大值。
在上述实施方式中,采用了按星期号判定处理、按时间段判定处理、S80~S84的处理、按车辆判定处理的各处理的判定结果中的、判定为处于修理期间的可能性最低的结果,但不限于此。例如,也可以将各判定处理的判定结果数值化,并将它们的平均值作为最终的判定结果。
在上述实施方式中,基于按星期号判定处理、按时间段判定处理、S80~S84的处理、按车辆判定处理的各处理的判定结果执行了最终的判定,但不限于此。例如,关于按星期号判定处理、按时间段判定处理、S80~S84的处理、按车辆判定处理这四个处理,也可以仅基于它们中的三个处理来执行最终的判定、仅基于它们中的两个处理来执行最终的判定、或仅基于它们中的一个处理来执行最终的判定。
另外例如,也可以当在S28的处理中判定为肯定的情况下,无需执行S40、S70的处理而判定为在修理的可能性高。
在上述实施方式中,当在S28的处理中判定为否定的情况下,断定为不在修理期间,但不限于此。例如也可以判定为在修理的可能性低。
·「关于异常检测数据识别装置」
在上述实施方式中,据点60是利用异常检测数据进行解析的工作人员的所在地。示出了将异常检测数据识别装置30配置在与据点60不同的中心CE的例子,但不限于此,也可以配置在据点60内。
另外例如,也不限于将存储装置36与构成处理电路的CPU32和ROM34配置在同一处。例如,也可以将存储装置36配置在中心CE,将处理电路配置于中心CE和据点60,在中心CE执行图4的处理中的S20、S22的处理,在据点60执行图4的处理中的其余处理。
·「关于处理电路」
作为处理电路(处理装置),不限于具备CPU32和ROM34并执行软件处理的部件。例如,也可以具备对在上述实施方式中被软件处理的内容中的至少一部分进行硬件处理的专用硬件电路(例如ASIC等)。即,处理电路为以下(a)~(c)中的某一个结构即可。(a)具备根据程序执行上述全部处理的处理装置、以及存储程序的ROM等程序存储装置(包括非瞬时性的计算机可读的记录介质)。(b)具备根据程序执行上述处理的一部分的处理装置和程序存储装置、以及执行剩余处理的专用硬件电路。(c)具备执行上述全部处理的专用硬件电路。在此,具备处理装置和程序存储装置的软件处理电路、专用硬件电路也可以为多个。
Claims (13)
1.一种异常检测数据识别装置,其构成为接收来自车载异常通知装置的异常检测数据,所述车载异常通知装置构成为,在检测到异常的情况下,输出包含车辆的位置和产生了异常这一意思的信息的异常检测数据,
所述异常检测数据识别装置具备处理电路和存储装置,
所述处理电路构成为执行如下处理:
接收处理,接收所述异常检测数据;
记录处理,将接收到的所述异常检测数据记录于所述存储装置;和
判定处理,对接收到的所述异常检测数据是由于车辆的修理而产生的数据的可能性的高低进行判定,
成为判定对象的异常检测数据是对象数据,基于所述对象数据来掌握所述异常发生时的所述车辆的位置,异常检测数据的数量是所述存储装置所记录的所述异常检测数据中的、在距离基于所述对象数据所掌握的所述异常发生时的所述车辆的位置为预定范围内输出的所述异常检测数据的数量,
所述判定处理判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常检测数据的数量大于等于预定数量的情况下比在所述异常检测数据的数量小于预定数量的情况下高。
2.根据权利要求1所述的异常检测数据识别装置,
所述异常检测数据包含与发生异常的时间有关的信息,
所述判定处理包括:
确定处理,基于所述对象数据来确定修理地点候选;
按时间段汇总处理,基于所述存储装置所记录的所述异常检测数据中的、在距离所述修理地点候选为规定范围内输出的所述异常检测数据,汇总每个时间段的异常的发生次数,所述异常的发生次数是由所述按时间段汇总处理分类的所述时间段中的、与所述对象数据所示的时间相符的时间段内的异常的发生次数;和
按时间段判定处理,判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常的发生次数多的情况下比在所述异常的发生次数少的情况下高。
3.根据权利要求1或2所述的异常检测数据识别装置,
所述异常检测数据包含与所述异常发生时的车速有关的信息,
所述判定处理包括车速反映判定处理,所述车速反映判定处理判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述车速小的情况下比在所述车速大的情况下高。
4.根据权利要求1或2所述的异常检测数据识别装置,
所述异常检测数据包含与发生了所述异常的星期号有关的信息,
所述判定处理包括:
确定处理,基于所述对象数据来确定修理地点候选;
按星期号汇总处理,基于所述存储装置所记录的所述异常检测数据中的、在距离所述修理地点候选为规定范围内输出的所述异常检测数据,汇总各所述星期号的异常的发生次数;和
按星期号判定处理,判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在由所述按星期号汇总处理得到的星期号的分类中的、与所述对象数据所示的星期号相符的一日内的所述异常的发生次数多的情况下比在该所述异常的发生次数少的情况下高。
5.根据权利要求1或2所述的异常检测数据识别装置,
所述异常检测数据包含确定所述车辆的信息,
所述判定处理包括:
同一车辆数据收集处理,基于所述存储装置所记录的所述异常检测数据,汇总同一车辆的异常的发生次数;和
按车辆判定处理,判定为:在与根据所述对象数据确定的车辆为同一车辆的异常的发生次数多的情况下,相比于在与根据所述对象数据确定的车辆为同一车辆的异常的发生次数少的情况下,该异常检测数据是由于所述车辆的修理而产生的数据的可能性高。
6.根据权利要求2所述的异常检测数据识别装置,
所述确定处理包括:
重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与根据所述对象数据确定的所述车辆的位置相距在预先确定的距离内的位置,算出作为这些位置的平均值的重心;和
基于算出的所述重心来确定所述修理地点候选的处理。
7.根据权利要求4所述的异常检测数据识别装置,
所述确定处理包括:
重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与根据所述对象数据确定的所述车辆的位置相距在预先确定的距离内的位置,算出作为这些位置的平均值的重心;和
基于算出的所述重心来确定所述修理地点候选的处理。
8.根据权利要求6所述的异常检测数据识别装置,
所述确定处理包括:
将通过所述重心算出处理算出的重心设为第1重心的初始值;
第2重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与所述第1重心相距在预先确定的所述距离内的位置,算出作为这些车辆位置的平均值的第2重心;
第1选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离大于阈值的情况下,将所述第1重心作为所述修理地点候选;和
第2选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离小于等于所述阈值、并且所述第1重心与所述第2重心的距离小于等于规定值的情况下,将所述第2重心作为所述修理地点候选,
所述确定处理中,在所述第1重心与所述第2重心的距离大于所述规定值的情况下,将所述第2重心代入所述第1重心,并且执行所述第2重心算出处理。
9.根据权利要求7所述的异常检测数据识别装置,
所述确定处理包括:
将通过所述重心算出处理算出的重心设为第1重心的初始值;
第2重心算出处理,基于根据所述存储装置所记录的过去的所述异常检测数据确定的所述车辆的位置中的、与所述第1重心相距在预先确定的所述距离内的位置,算出作为这些车辆位置的平均值的第2重心;
第1选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离大于阈值的情况下,将所述第1重心作为所述修理地点候选;和
第2选择处理,在根据所述对象数据确定的所述车辆的位置与所述第2重心的距离小于等于所述阈值、并且所述第1重心与所述第2重心的距离小于等于规定值的情况下,将所述第2重心作为所述修理地点候选,
所述确定处理中,在所述第1重心与所述第2重心的距离大于所述规定值的情况下,将所述第2重心代入所述第1重心,并且执行所述第2重心算出处理。
10.根据权利要求1或2所述的异常检测数据识别装置,
所述处理电路构成为执行为了将下述数据用于由显示装置进行的显示而输出所述数据的输出处理,所述数据是使表示发生了基于所述异常检测数据的异常之意的信息与对应于该信息的所述判定处理的判定结果相关联的数据。
11.一种异常识别系统,其具备异常检测数据识别装置和车载异常通知装置,
所述车载异常通知装置构成为,在检测到异常的情况下,输出包含车辆的位置和产生了异常这一意思的信息的异常检测数据,
所述异常检测数据识别装置构成为接收来自所述车载异常通知装置的异常检测数据,所述异常检测数据识别装置具备处理电路和存储装置,
所述处理电路构成为执行如下处理:
接收处理,接收所述异常检测数据;
记录处理,将接收到的所述异常检测数据记录于所述存储装置;和
判定处理,对接收到的所述异常检测数据是由于车辆的修理而产生的数据的可能性的高低进行判定,
成为判定对象的异常检测数据是对象数据,基于所述对象数据来掌握所述异常发生时的所述车辆的位置,异常检测数据的数量是所述存储装置所记录的所述异常检测数据中的、在距离基于所述对象数据所掌握的所述异常发生时的所述车辆的位置为预定范围内输出的所述异常检测数据的数量,
所述判定处理判定为:所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常检测数据的数量大于等于预定数量的情况下比在所述异常检测数据的数量小于预定数量的情况下高。
12.一种异常检测数据识别方法,是异常检测数据识别装置所进行的异常检测数据的识别方法,所述识别方法包括:通过所述异常检测数据识别装置的处理电路,
接收来自车载异常通知装置的异常检测数据,所述异常检测数据是在检测到异常的情况下从所述车载异常通知装置输出的数据,所述异常检测数据包含车辆的位置和发生了异常这一意思的信息,
将接收到的所述异常检测数据记录于存储装置,
对接收到的所述异常检测数据是由于车辆的修理而产生的数据的可能性的高低进行判定,
所述判定还包括:
基于作为成为判定对象的异常检测数据的对象数据,掌握所述异常发生时的所述车辆的位置,
将所述存储装置所记录的所述异常检测数据中的、在距离基于所述对象数据所掌握的所述异常发生时的所述车辆的位置为预定范围内输出的所述异常检测数据的数量作为异常检测数据的数量,
判定为所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常检测数据的数量大于等于预定数量的情况下比在所述异常检测数据的数量小于预定数量的情况下高。
13.一种非瞬时性的计算机可读的记录介质,其存储有用于使处理装置执行异常检测数据识别装置所进行的异常检测数据的识别处理的程序,所述识别处理包括:
接收来自车载异常通知装置的异常检测数据,所述异常检测数据是在检测到异常的情况下从所述车载异常通知装置输出的数据,所述异常检测数据包含车辆的位置和发生了异常这一意思的信息,
将接收到的所述异常检测数据记录于存储装置,
对接收到的所述异常检测数据是由于车辆的修理而产生的数据的可能性的高低进行判定,
所述判定还包括:
基于作为成为判定对象的异常检测数据的对象数据,掌握所述异常发生时的所述车辆的位置,
将所述存储装置所记录的所述异常检测数据中的、在距离基于所述对象数据所掌握的所述异常发生时的所述车辆的位置为预定范围内输出的所述异常检测数据的数量作为异常检测数据的数量,
判定为所述对象数据是由于所述车辆的修理而产生的数据的可能性在所述异常检测数据的数量大于等于预定数量的情况下比在所述异常检测数据的数量小于预定数量的情况下高。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-030545 | 2018-02-23 | ||
JP2018030545A JP7059684B2 (ja) | 2018-02-23 | 2018-02-23 | 異常検知データ識別装置、および異常識別システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110191433A CN110191433A (zh) | 2019-08-30 |
CN110191433B true CN110191433B (zh) | 2022-04-01 |
Family
ID=67686225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910117464.3A Active CN110191433B (zh) | 2018-02-23 | 2019-02-15 | 异常检测数据识别装置和方法、异常识别系统及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10979442B2 (zh) |
JP (1) | JP7059684B2 (zh) |
CN (1) | CN110191433B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111052681B (zh) * | 2018-05-08 | 2022-06-10 | 松下电器(美国)知识产权公司 | 异常检测电子控制单元、车载网络系统及异常检测方法 |
US10858123B2 (en) * | 2018-06-21 | 2020-12-08 | Honeywell International Inc. | Methods and systems for detecting data anomalies |
US11225259B1 (en) * | 2020-07-28 | 2022-01-18 | International Business Machines Corporation | Fair anomaly detection and localization |
CN111897695B (zh) * | 2020-07-31 | 2022-06-17 | 平安科技(深圳)有限公司 | 获取kpi异常数据样本的方法、装置和计算机设备 |
CN112860716B (zh) * | 2020-12-28 | 2021-10-19 | 北京航空航天大学 | 一种面向智能网联汽车的双链修复信息安全控制方法及装置 |
CN112820096B (zh) * | 2020-12-30 | 2022-11-18 | 中联重科股份有限公司 | 工程机械支腿遥控系统、方法和工程机械 |
CN114683847B (zh) * | 2020-12-31 | 2023-10-03 | 奥动新能源汽车科技有限公司 | 车用电池的异常识别方法、系统、电子设备和介质 |
CN112965871A (zh) * | 2021-02-05 | 2021-06-15 | 深圳市道通科技股份有限公司 | 车辆故障提示信息获取方法、装置及存储介质 |
CN113032249B (zh) * | 2021-03-05 | 2023-03-24 | 北京百度网讯科技有限公司 | 交通流量监测系统的测试方法、装置及设备 |
CN117608346B (zh) * | 2024-01-24 | 2024-04-16 | 合肥思迈科技有限公司 | 一种机房动力环境监控系统的运行自检方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367108A (zh) * | 2001-01-17 | 2002-09-04 | 本田技研工业株式会社 | 车辆通报系统 |
WO2009038028A1 (ja) * | 2007-09-18 | 2009-03-26 | Toyota Jidosha Kabushiki Kaisha | 異常検出装置、異常検出システム、サーバ、異常検出方法 |
WO2012027733A1 (en) * | 2010-08-27 | 2012-03-01 | Zonar Systems, Inc. | Method and apparatus for remote vehicle diagnosis |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7230527B2 (en) | 2004-11-10 | 2007-06-12 | The Boeing Company | System, method, and computer program product for fault prediction in vehicle monitoring and reporting system |
JP4962378B2 (ja) | 2008-03-27 | 2012-06-27 | トヨタ自動車株式会社 | 車両情報記憶装置、装置情報データ記憶システム、装置情報データ記憶方法 |
EP2737457B1 (en) * | 2011-07-26 | 2019-11-20 | United Parcel Service Of America, Inc. | Systems and methods for managing fault codes |
JP2015102883A (ja) | 2013-11-21 | 2015-06-04 | 株式会社日立システムズ | 車両故障情報提供システム、車両故障情報提供方法及び故障情報提供プログラム |
AU2016206568B2 (en) * | 2015-01-15 | 2021-01-07 | Caterpillar Inc. | Configurable monitor and parts management system |
-
2018
- 2018-02-23 JP JP2018030545A patent/JP7059684B2/ja active Active
-
2019
- 2019-01-08 US US16/242,263 patent/US10979442B2/en active Active
- 2019-02-15 CN CN201910117464.3A patent/CN110191433B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367108A (zh) * | 2001-01-17 | 2002-09-04 | 本田技研工业株式会社 | 车辆通报系统 |
WO2009038028A1 (ja) * | 2007-09-18 | 2009-03-26 | Toyota Jidosha Kabushiki Kaisha | 異常検出装置、異常検出システム、サーバ、異常検出方法 |
WO2012027733A1 (en) * | 2010-08-27 | 2012-03-01 | Zonar Systems, Inc. | Method and apparatus for remote vehicle diagnosis |
Also Published As
Publication number | Publication date |
---|---|
JP2019144985A (ja) | 2019-08-29 |
JP7059684B2 (ja) | 2022-04-26 |
US20190268360A1 (en) | 2019-08-29 |
US10979442B2 (en) | 2021-04-13 |
CN110191433A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110191433B (zh) | 异常检测数据识别装置和方法、异常识别系统及存储介质 | |
EP3319050A1 (en) | Vehicle operation data collection apparatus, vehicle operation data collection system, and vehicle operation data collection method | |
JP5277667B2 (ja) | 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム | |
US20210310679A1 (en) | Abnormality cause estimation device, abnormality cause estimation method, and medium | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
KR102592830B1 (ko) | 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량 | |
CN113688965A (zh) | 一种自动仓储扫码检测的方法和货物管理系统 | |
CN111947669A (zh) | 用于将基于特征的定位地图用于车辆的方法 | |
CN114781546A (zh) | 用于确定车辆异常行为的方法和装置 | |
CN111352414A (zh) | 用于车辆的假目标移除装置和方法及包括该装置的车辆 | |
US20210240991A1 (en) | Information processing method, information processing device, non-transitory computer-readable recording medium recording information processing program, and information processing system | |
US9747801B2 (en) | Method and device for determining surroundings | |
WO2021017797A1 (en) | Counting check device,counting system and method | |
CN111157012B (zh) | 一种机器人导航方法、装置、可读存储介质及机器人 | |
CN112380073A (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
JP2007164346A (ja) | 決定木変更方法、異常性判定方法およびプログラム | |
CN116222719A (zh) | 桥梁动态载荷监测系统和方法 | |
CN114187585A (zh) | 一种针对遮挡牌照车辆的智能识别方法和系统 | |
CN113739819A (zh) | 校验方法、装置、电子设备、存储介质及芯片 | |
CN112699435A (zh) | 一种建筑物安全检测方法及建筑物安全检测系统 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
US20200250838A1 (en) | Method and device for checking the plausibility of a flow vector hypothesis | |
JP2000035817A (ja) | 製造ラインシミュレ―タにおける評価値算出システム及びその算出方法並びにその制御プログラム記録媒体 | |
JP5222314B2 (ja) | 表面計測方法及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |