CN110825917A - 车辆胎压异常识别方法、装置及数据分析设备 - Google Patents

车辆胎压异常识别方法、装置及数据分析设备 Download PDF

Info

Publication number
CN110825917A
CN110825917A CN201911065979.XA CN201911065979A CN110825917A CN 110825917 A CN110825917 A CN 110825917A CN 201911065979 A CN201911065979 A CN 201911065979A CN 110825917 A CN110825917 A CN 110825917A
Authority
CN
China
Prior art keywords
tire pressure
vehicle
characteristic data
vehicles
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.)
Granted
Application number
CN201911065979.XA
Other languages
English (en)
Other versions
CN110825917B (zh
Inventor
宁春贵
江勇
冯智泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yamei Zhilian Data Technology Co ltd
Original Assignee
Guangzhou Yamei Information Science & Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yamei Information Science & Technology Co Ltd filed Critical Guangzhou Yamei Information Science & Technology Co Ltd
Priority to CN201911065979.XA priority Critical patent/CN110825917B/zh
Publication of CN110825917A publication Critical patent/CN110825917A/zh
Application granted granted Critical
Publication of CN110825917B publication Critical patent/CN110825917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
    • B60C23/02—Signalling devices actuated by tyre pressure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本申请提供的车辆胎压异常识别方法、装置及数据分析设备，涉及车辆安全性能检测技术领域。所述方法包括：首先，获得多个车辆在每天预设时间段内的胎压值；接着，从该胎压值中提取胎压样本值，并基于胎压样本值提取满足特征聚集性的胎压特征数据；最后，根据每个车辆胎压特征数据是否位于胎压特征数据高密度聚集的数据范围判断该每个车辆的胎压是否异常。如此通过车辆每天的胎压值，可以在车辆胎压缓慢降低时就可以将胎压异常的车辆识别出来，方便车主及时了解车辆胎压情况。

Description

车辆胎压异常识别方法、装置及数据分析设备
技术领域
本申请涉及车辆安全性能检测技术领域，具体而言，涉及一种车辆胎压异常识别方法、装置及数据分析设备。
背景技术
当前市面上的车辆胎压监测系统大部分都是在车辆的胎压低于某一个胎压阈值时进行预警。在车主接收到胎压预警信息时，车辆可能已经不能被正常使用，严重影响车主的用车体验。
发明内容
有鉴于此，本申请的目的之一在于提供一种车辆胎压异常识别方法、装置及数据分析设备，用以解决现有胎压监测过程中，胎压预警信息相对滞后的技术问题。
第一方面，本申请提供一种车辆胎压异常识别方法，应用于数据分析设备，所述数据分析设备中存储有多个车辆的历史胎压数据，所述方法包括：
从所述历史胎压数据中获得所述多个车辆在每天预设时间段内的胎压值；
按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，其中，所述胎压特征数据满足特征聚集性，所述胎压特征数据大部分高密度聚集在一数据范围内；
将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常。
上述方法，获取多个车辆每天的胎压数据，通过确定的胎压特征数据提取规则从多个车辆每天的胎压数据提取满足特征聚集性的胎压特征数据，根据每个车辆的胎压特征数据是否位于高密度聚集的数据范围，判断该每一车辆的胎压是否异常，如此可以在车辆胎压缓慢降低时就可以将胎压异常的车辆识别出来，方便车主及时了解车辆胎压情况。
可选地，在本申请中，所述确定的胎压特征数据提取规则通过以下方式得到：
按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值；
根据所述胎压样本值，提取所述多个车辆的胎压特征数据；
判断所获得的所述多个车辆的胎压特征数据是否满足特征聚集性，若满足，则所述预设的胎压特征数据提取规则为确定的胎压特征数据提取规则；若不满足，重新设计胎压特征数据提取规则，重新回到按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值的步骤，直到得到确定的胎压特征数据提取规则。
可选地，在本申请中，所述判断所获得的所述多个车辆的胎压特征数据是否满足特征聚集性，包括：
计算所述多个车辆的胎压特征数据的霍普金斯统计量，在所述霍普金斯统计量超过预设统计量阈值时，判定所述多个车辆的胎压特征数据满足特征聚集性。
可选地，在本申请中，所述按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，包括：
提取所述多个车辆中每个车辆在每天的最大胎压值和最小胎压值作为胎压样本值；
从所述胎压样本值中提取特定数据作为胎压特征数据，所述特定数据包括每个车辆当前时间近3天的最大胎压值和最小胎压值的差值的均值、每个车辆当前时间的前一天胎压的最小值，及每个车辆当前时间的大前天胎压最小值与当前时间的前一天胎压最小值的差值。
可选地，在本申请中，所述将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常的步骤，包括：
采用孤立森林算法计算所述多个车辆中每一个车辆的胎压特征数据的异常得分；
当车辆的胎压特征数据的异常得分大于预设异常得分时，判定该车辆的胎压特征数据不在所述数据范围内，将该车辆识别为胎压异常的目标车辆。
可选地，在本申请中，在将该车辆识别为胎压异常的目标车辆的步骤之后，所述方法还包括：
将胎压异常的提示信息发送给与所述目标车辆的车主身份绑定的移动终端，以便该目标车辆的车主及时了解车辆的胎压异常状况。
第二方面，本申请还提供一种车辆胎压异常识别装置，应用于数据分析设备，所述数据分析设备中存储有多个车辆的历史胎压数据，所述装置包括：
胎压值获得模块，用于从所述历史胎压数据中获得所述多个车辆在每天预设时间段内的胎压值；
特征数据提取模块，用于按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，其中，所述胎压特征数据满足特征聚集性，所述胎压特征数据大部分高密度聚集在一数据范围内；
胎压异常确定模块，用于将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常。
第三方面，本申请还提供一种数据分析设备，所述数据分析设备包括处理器及存储有若干计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述数据分析设备执行第一方面所述的车辆胎压异常识别方法。
第四方面，本申请还提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在数据分析设备执行第一方面所述的车辆胎压异常识别方法。
相对于现有技术而言，本申请具有以下有益效果：
本申请提供的车辆胎压异常识别方法、装置及数据分析设备，首先，获得多个车辆在每天预设时间段内的胎压值；接着，从该胎压值中提取胎压样本值，并基于胎压样本值提取满足特征聚集性的胎压特征数据；最后，根据每个车辆胎压特征数据是否位于胎压特征数据高密度聚集的数据范围判断该每个车辆的胎压是否异常。如此通过车辆每天的胎压值，可以在车辆胎压缓慢降低时就可以将胎压异常的车辆识别出来，方便车主及时了解车辆胎压情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为适用于本申请实施例提供的车辆胎压异常识别方法的应用场景图；
图2为本申请实施例提供的图1中数据分析设备的结构框图；
图3为本申请实施例提供的车辆胎压异常识别方法的流程示意图；
图4为本申请实施例提供的车辆胎压异常识别方法的部分流程示意图；
图5为本申请实施例提供的胎压特征数据分布图；
图6为本申请实施例提供的车辆胎压异常识别装置的功能示意图之一；
图7为本申请实施例提供的车辆胎压异常识别装置的功能示意图之二。
图标：100-车辆；200-数据分析设备；210-车辆胎压异常识别装置；211-存储器；212-处理器；213-通信单元；2101-胎压值获得模块；2102-特征数据提取模块；2103-胎压异常确定模块；2104-特征数据提取规则确定模块；2105-提示信息发送模块；300-移动终端。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
请参考图1，本实施例提供了一种适用于本申请车辆胎压异常识别方法的应用场景，在该应用场景中包括相互通信连接的车辆100、数据分析设备200及移动终端300，其中，车辆100安装有用于测量车辆胎压的胎压监测器(图中未示出)，车辆100通过车载自动诊断系统(On-Board Diagnostics，OBD)控制胎压监测器按照一定时间间隔(比如每隔2个小时)监测车辆100的胎压，并将监测得到的车辆胎压通过网络发送给数据分析设备200进行存储。
数据分析设备200通过执行本申请提供的胎压异常识别方法，从众多的车辆中识别出可能出现漏气的车辆，具体实现过程在接下来的具体实施例中进行详尽描述。数据分析设备200在识别出胎压异常的车辆后，将胎压预警信息发送给移动终端300，以便移动终端300的持有人及时了解车辆胎压情况，确保用车安全。
移动终端300包括但不限于手机、笔记本电脑、智能手表、智能手环、平板电脑等可随身携带在身旁的电子设备。
请参照图2，图2示出了一种数据分析设备200的结构示意图。在本申请实施例中，数据分析设备200可以是云服务器、数据中心等具有数据分析处理能力的计算机设备。数据分析设备200包括车辆胎压异常识别装置210、存储器211、处理器212及通信单元213。
所述存储器211、处理器212及通信单元213的各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器211用于存储程序，所述处理器212在接收到执行指令后，执行所述程序。所述通信单元213用于通过网络建立所述数据分析设备200与其他网络设备(比如，移动终端300)之间的通信连接，并用于通过网络进行数据的接收和发送。
车辆胎压异常识别装置210包括至少一个可以软件或固件(firmware)的形式存储于所述存储器211中或固化在所述数据分析设备200的操作系统(英文：Operating System，简称：OS)中的软件功能模块。所述处理器212用于执行所述存储器211中存储的可执行模块，例如车辆胎压异常识别装置210所包括的软件功能模块及计算机程序等。
应当理解的是，图2所示的结构仅为示意，所述数据分析设备200还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参照图3，图3为本申请实施例提供的应用于图1中数据分析设备200的车辆胎压异常识别方法的流程图，下面对该车辆胎压异常识别方法所包括的各个步骤进行详尽的阐述。
步骤S301，从历史胎压数据中获取多个车辆在每天预设时间段内的胎压值。
历史胎压数据可以是不同车辆100上的胎压监测器采集的过去多天(比如10天)的胎压数据，其中，胎压监测器可以实时采集车辆100的胎压，也可以每间隔一段时间采集车辆100的胎压。在数据分析设备200中可以通过车辆100的编号将不同车辆100的胎压数据进行存储，得到多个车辆的历史胎压数据。
步骤S302，按照确定的胎压特征数据提取规则，从多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的胎压样本值中提取多个车辆对应的胎压特征数据。
确定的胎压特征数据提取规则可以使所提取的胎压特征数据满足特征聚集性，满足特征聚集性的胎压特征数据大部分高密度聚集在一数据范围内。在多个车辆中，车辆胎压不稳定是属于小概率事件，通过确定的胎压特征数据提取规则可以提取出满足特征聚集性的胎压特征数据，使得位于数据范围内的胎压特征数据所对应车辆的胎压为正常，位于数据范围之外的胎压特征数据所对应车辆的胎压为异常。
步骤S303，将胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常。
上述方法，通过车辆每天的胎压值，可以在车辆胎压缓慢降低时就可以将胎压异常的车辆识别出来，方便车主及时了解车辆胎压情况。
请参照图4，在本申请实施例中，该车辆胎压异常识别方法还包括训练得到确定的胎压特征数据提取规则的方式步骤，具体过程结合如下：
步骤S401，按照预设的胎压特征数据提取规则，从多个车辆在每天预设时间段内的胎压值中提取胎压样本值。
步骤S402，根据胎压样本值，提取多个车辆的胎压特征数据。
步骤S403，判断所获得的多个车辆的胎压特征数据是否满足特征聚集性。
若满足特征聚集性，则进入步骤S404；若不满足特征聚集性，则重新设计新的胎压特征数据提取规则后，回到步骤S401重复上述过程，直到得到确定的胎压特征数据提取规则。
步骤S404，将胎压特征数据满足特征聚集性时采用的胎压特征数据提取规则作为确定的胎压特征数据提取规则。
在本申请实施例中，可以通过计算多个车辆的胎压特征数据的霍普金斯统计量，在霍普金斯统计量超过预设统计量阈值时，判定多个车辆的胎压特征数据满足特征聚集性。
霍普金斯统计量是一种空间统计量，检验空间分布变量的空间随机性。我们按照以下步骤计算普霍金斯统计量：均匀地从D的空间中抽取n个点p1，p2，...，pn。对每个点pi，我们找出pi在D中的最邻近，并令xi为pi与它在D中最邻近之间的距离，即xi＝min{disct(Pi，v)}。均匀地从D中抽取n个点q1，q2，...qn。对每个点qi，我们找出qi在D-{qi}中的最邻近，并令yi为qi与它在D-{qi}中的最邻近距离，即yi＝min{dist(qi，v)}
计算霍普金斯统计量
Figure BDA0002259357020000091
如果D是均匀分布的，则和
Figure BDA0002259357020000102
将会很接近，因而H约为0.5。如果D是高度倾斜(聚集)，则将显著大于
Figure BDA0002259357020000104
H将接近于1。
在本申请实施例中，当霍普金斯统计量超过预设统计量阈值(比如0.9)时判定多个车辆的胎压特征数据满足特征聚集性。
当然可以理解的是，在本申请的其他实施例中也可以采用其他的聚类趋势估计算法判定设计的胎压特征数据提取规则是否满足提取出的胎压特征数据满足特征聚集性。
下面结合具体的示例对上述方法进行详尽的说明。
首先，根据历史胎压数据获得车辆在每天的胎压值，历史胎压数据在数据分析设备200中以特定格式保存，比如如下表1中的格式。
Figure BDA0002259357020000105
表1
表一中的数据表示在2019-09-06这一天，不同车辆ID的车辆的胎压值，其中，4组数据分别代表4个轮胎的数据，每组数据包括轮胎ID、胎压、轮胎温度及轮胎状态。其中，在本申请的其他实施例中，每组数据中的轮胎温度、轮胎状态是可以省略。
接着，从收集的历史胎压数据中抽取胎压样本值，比如，每辆车近些天(比如，3天)胎压的最大值和最小值，请参照表2。
车辆ID 胎压max_tpms 胎压min_tpms
4506828 2.6,2.7,2.6 2.1,2.1,2.1
2256153 2.3,2.4,2.3 2,2,2.1
2038292 2.7,2.6,2.5 2.2,2.3,2.3
表2
如表2，ID＝4506828的车辆在近3天的每天胎压最大值max_tpms＝(2.6，2.7，2.6)；ID＝4506828的车辆在近3天的每天胎压最小值max_tpms＝(2.1，2.1，2.1)。
再接着，为了区分正常车辆与漏气车辆，从表2中提取满足特征聚集性的胎压特征数据。结合表3，在该示例中，提取的胎压特征数据分别为：每个车辆当前时间近3天的最大胎压值和最小胎压值的差值的均值(特征3)、每个车辆当前时间的前一天胎压的最小值(特征1)，及每个车辆当前时间的大前天胎压最小值与当前时间的前一天胎压最小值的差值(特征2)。具体请参照表3。
车辆ID 特征1 特征2 特征3
4506828 2.1 0.53 0
2256153 2.1 0.30 -0.1
2038292 2.3 0.33 -0.1
表3
通过上述数据可以验证提取的胎压特征数据具有良好的聚集性，计算表3中的胎压特征数据的霍普金斯统计量H＝0.975，具体地可以从归一化后的胎压特征数据的三维图像(图5)中明显看出表3中的胎压特征数据高密度聚集在一数据范围内，具有良好的聚集性。
最后，找出漏气车辆，从图5可知，漏气车辆的胎压特征数据对应为不在高密度聚集数据范围内的异常点。
具体地，采用孤立森林算法识别图5中的异常点。
孤立森林算法原理如下：
在孤立森林(iForest)中，异常被定义为容易被孤立的离群点，可以将其理解为分布稀疏且离密度高的群体较远的点。在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的。
孤立树(Isolation tree)定义：假设T是孤立树的一个节点，它要么是没有子节点的叶子节点，要么是只有两个子节点(TL,Tr)的内部节点。每一步分割，都包含特征q和分割值p，将q<p的数据分到Tl，将q>p的数据分到Tr。
给定n个样本数据X＝{x1,x2,…,xn}，特征的维度为d。为了构建一棵孤立树，需要随机选择一个特征q及其分割值p，递归地分割数据集X，直到满足以下任意一个条件：(1)树达到了限制的高度；(2)节点上只有一个样本；(3)节点上的样本所有特征都相同。
异常检测的任务是给出一个反应异常程度的排序，常用的排序方法是根据样本点的路径长度或异常得分来排序，异常点就是排在最前面的那些点。
路径长度(Path Length)定义：样本点x的路径长度h(x)为从iTree的根节点到叶子节点所经过的边的数量。
异常得分(Anomaly Score)定义：给定一个包含n个样本的数据集，树的平均路径长度为
Figure BDA0002259357020000131
其中H(i)为调和数，该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)。
样本x的异常得分定义：
Figure BDA0002259357020000132
其中，E(h(x))为样本x在一批孤立树中的路径长度的期望。
当s→0.5时，即样本x的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常。
当s→1时，即x的异常分数接近1时，被判定为异常。
当s→0时，被判定为正常。
通过各个车辆的胎压特征数据的异常得分可以区分车辆是否发生漏气。
申请人还发现，在现有技术中，在识别出漏气车辆后，进行漏气车辆预警提醒的方式也比较单一，仅仅只提供车载显示面板上的提示，即只有在车辆启动后，车主才能获知车辆胎压预警信息，预警信息传达具有一定的滞后性，为了克服上述问题。
在本申请实施例中，在将该车辆识别为胎压异常的目标车辆的步骤之后，车辆胎压异常识别方法还包括：
将胎压异常的提示信息发送给与漏气车辆的车主身份绑定的移动终端300，以便该漏气车辆的车主及时了解车辆的胎压异常状况。与漏气车辆的车主身份绑定的方式可以是移动终端300上运行有与车主身份绑定的应用软件，也可以是将移动终端300的通信卡号码与车主身份绑定。
上述方法，可以在检查到车辆漏气时，及时将告警信息发送给用户携带的移动终端，即便用户现在不在车辆内，也可以随时了解车辆的胎压状况，提升车主用车体验。
本申请实施例还提供一种车辆胎压异常识别装置210，与上面实施例不同的是，本车辆胎压异常识别装置210是从虚拟装置的角度描述本申请方案的。请参照图6，车辆胎压异常识别装置210可以包括胎压值获得模块2101、特征数据提取模块2102及胎压异常确定模块2103。
胎压值获得模块2101，用于从历史胎压数据中获得多个车辆在每天预设时间段内的胎压值。
特征数据提取模块2102，用于按照确定的胎压特征数据提取规则，从多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的胎压样本值中提取多个车辆对应的胎压特征数据，其中，胎压特征数据满足特征聚集性，胎压特征数据大部分高密度聚集在一数据范围内。
在本实施例中，特征数据提取模块2102具体用于：
提取多个车辆中每个车辆在每天的最大胎压值和最小胎压值作为胎压样本值；
从胎压样本值中提取特定数据作为胎压特征数据，特定数据包括每个车辆当前时间近3天的最大胎压值和最小胎压值的差值的均值、每个车辆当前时间的前一天胎压的最小值，及每个车辆当前时间的大前天胎压最小值与当前时间的前一天胎压最小值的差值。
胎压异常确定模块2103，用于将胎压特征数据不在数据范围内的目标车辆确定为胎压异常。
在本实施例中，所述胎压异常确定模块2103具体用于：
采用孤立森林算法计算多个车辆中每一个车辆的胎压特征数据的异常得分；
当车辆的胎压特征数据的异常得分大于预设异常得分时，判定该车辆的胎压特征数据不在所述数据范围内，将该车辆识别为胎压异常的目标车辆。
请参照图7，在本申请实施例中，车辆胎压异常识别装置210还可以包括特征数据提取规则确定模块2104，特征数据提取规则确定模块2104用于：
按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值；
根据所述胎压样本值，提取所述多个车辆的胎压特征数据；
判断所获得的多个车辆的胎压特征数据是否满足特征聚集性，若满足，则预设的胎压特征数据提取规则为确定的胎压特征数据提取规则；若不满足，重新设计胎压特征数据提取规则，重新执行按照预设的胎压特征数据提取规则，从多个车辆在每天预设时间段内的胎压值中提取胎压样本值的步骤，直到得到确定的胎压特征数据提取规则。
具体地，特征数据提取规则确定模块2104用于：计算所述多个车辆的胎压特征数据的霍普金斯统计量，在霍普金斯统计量超过预设统计量阈值时，判定所述多个车辆的胎压特征数据满足特征聚集性。
请再次参照图7，在本申请实施例中，车辆胎压异常识别装置210还可以包括：提示信息发送模块2105，
提示信息发送模块2105用于将胎压异常的提示信息发送给与所述目标车辆的车主身份绑定的移动终端，以便该目标车辆的车主及时了解车辆的胎压异常状况。
如果上述功能以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得数据分析设备200执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random AccessMemory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆胎压异常识别方法，其特征在于，应用于数据分析设备，所述数据分析设备中存储有多个车辆的历史胎压数据，所述方法包括：
从所述历史胎压数据中获得所述多个车辆在每天预设时间段内的胎压值；
按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，其中，所述胎压特征数据满足特征聚集性，所述胎压特征数据大部分高密度聚集在一数据范围内；
将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常。
2.如权利要求1所述的方法，其特征在于，所述确定的胎压特征数据提取规则通过以下方式得到：
按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值；
根据所述胎压样本值，提取所述多个车辆的胎压特征数据；
判断所获得的所述多个车辆的胎压特征数据是否满足特征聚集性，若满足，则所述预设的胎压特征数据提取规则为确定的胎压特征数据提取规则；若不满足，重新设计胎压特征数据提取规则，重新回到按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值的步骤，直到得到确定的胎压特征数据提取规则。
3.如权利要求2所述的方法，其特征在于，所述判断所获得的所述多个车辆的胎压特征数据是否满足特征聚集性，包括：
计算所述多个车辆的胎压特征数据的霍普金斯统计量，在所述霍普金斯统计量超过预设统计量阈值时，判定所述多个车辆的胎压特征数据满足特征聚集性。
4.如权利要求1-3任一所述的方法，其特征在于，所述按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，包括：
提取所述多个车辆中每个车辆在每天的最大胎压值和最小胎压值作为胎压样本值；
从所述胎压样本值中提取特定数据作为胎压特征数据，所述特定数据包括每个车辆当前时间近3天的最大胎压值和最小胎压值的差值的均值、每个车辆当前时间的前一天胎压的最小值，及每个车辆当前时间的大前天胎压最小值与当前时间的前一天胎压最小值的差值。
5.如权利要求4所述的方法，其特征在于，所述将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常的步骤，包括：
采用孤立森林算法计算所述多个车辆中每一个车辆的胎压特征数据的异常得分；
当车辆的胎压特征数据的异常得分大于预设异常得分时，判定该车辆的胎压特征数据不在所述数据范围内，将该车辆识别为胎压异常的目标车辆。
6.如权利要求5所述的车辆胎压异常识别方法，其特征在于，在将该车辆识别为胎压异常的目标车辆的步骤之后，所述方法还包括：
将胎压异常的提示信息发送给与所述目标车辆的车主身份绑定的移动终端，以便该目标车辆的车主及时了解车辆的胎压异常状况。
7.一种车辆胎压异常识别装置，其特征在于，应用于数据分析设备，所述数据分析设备中存储有多个车辆的历史胎压数据，所述装置包括：
胎压值获得模块，用于从所述历史胎压数据中获得所述多个车辆在每天预设时间段内的胎压值；
特征数据提取模块，用于按照确定的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值，并从提取的所述胎压样本值中提取所述多个车辆对应的胎压特征数据，其中，所述胎压特征数据满足特征聚集性，所述胎压特征数据大部分高密度聚集在一数据范围内；
胎压异常确定模块，用于将所述胎压特征数据不在所述数据范围内的目标车辆确定为胎压异常。
8.如权利要求7所述的装置，其特征在于，所述装置还包括特征数据提取规则确定模块，所述特征数据提取规则确定模块用于：
按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值；
根据所述胎压样本值，提取所述多个车辆的胎压特征数据；
判断所获得的所述多个车辆的胎压特征数据是否满足特征聚集性，若满足，则所述预设的胎压特征数据提取规则为确定的胎压特征数据提取规则；若不满足，重新设计胎压特征数据提取规则，重新回到按照预设的胎压特征数据提取规则，从所述多个车辆在每天预设时间段内的胎压值中提取胎压样本值的步骤，直到得到确定的胎压特征数据提取规则。
9.一种数据分析设备，其特征在于，所述数据分析设备包括处理器及存储有若干计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述数据分析设备执行权利要求1-6中任意一项所述的车辆胎压异常识别方法。
10.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在数据分析设备执行权利要求1-6中任意一项所述的车辆胎压异常识别方法。
CN201911065979.XA 2019-11-04 2019-11-04 车辆胎压异常识别方法、装置及数据分析设备 Active CN110825917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911065979.XA CN110825917B (zh) 2019-11-04 2019-11-04 车辆胎压异常识别方法、装置及数据分析设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911065979.XA CN110825917B (zh) 2019-11-04 2019-11-04 车辆胎压异常识别方法、装置及数据分析设备

Publications (2)

Publication Number Publication Date
CN110825917A true CN110825917A (zh) 2020-02-21
CN110825917B CN110825917B (zh) 2023-08-11

Family

ID=69552608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911065979.XA Active CN110825917B (zh) 2019-11-04 2019-11-04 车辆胎压异常识别方法、装置及数据分析设备

Country Status (1)

Country Link
CN (1) CN110825917B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116023A (zh) * 2020-09-28 2020-12-22 重庆长安汽车股份有限公司 基于机器学习的轮胎漏气的实时检测方法及存储介质
CN113110390A (zh) * 2021-04-23 2021-07-13 宁波小遛共享信息科技有限公司 一种车辆故障识别方法、装置、电子设备及存储介质
CN113232462A (zh) * 2021-05-20 2021-08-10 上海仙塔智能科技有限公司 胎压管理方法、装置及计算机存储介质
CN114648414A (zh) * 2022-05-20 2022-06-21 深圳联友科技有限公司 一种汽车轮胎保险风险评控方法及系统
CN117332341A (zh) * 2023-11-28 2024-01-02 贵州空港智能科技有限公司 基于物联网的飞机轮挡数据智能管理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2923679A1 (en) * 2013-09-20 2015-03-26 Komatsu Ltd. Tire abnormality management system and tire abnormality management method
JP2015160539A (ja) * 2014-02-27 2015-09-07 住友ゴム工業株式会社 タイヤ状態判定装置、サーバ装置、タイヤ状態判定方法、およびタイヤ状態判定プログラム
CN105346338A (zh) * 2015-10-30 2016-02-24 深圳市元征软件开发有限公司 基于obd诊断座的胎压异常监测方法及装置
US20160121669A1 (en) * 2014-11-04 2016-05-05 The Goodyear Tire & Rubber Company Wheel diagnostic monitoring
CN107145986A (zh) * 2017-05-24 2017-09-08 北京中电普华信息技术有限公司 一种充电电量预测方法及装置
CN107303785A (zh) * 2016-04-22 2017-10-31 中兴通讯股份有限公司 一种胎压监测系统及方法
CN108985632A (zh) * 2018-07-16 2018-12-11 国网上海市电力公司 一种基于孤立森林算法的用电数据异常检测模型
JP2019074927A (ja) * 2017-10-16 2019-05-16 株式会社ブリヂストン タイヤの使用履歴データからの異常データ検出方法とその装置
CN109774388A (zh) * 2019-01-28 2019-05-21 深圳市元征科技股份有限公司 一种车辆轮胎异常检测方法、系统及相关设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2923679A1 (en) * 2013-09-20 2015-03-26 Komatsu Ltd. Tire abnormality management system and tire abnormality management method
CN105492224A (zh) * 2013-09-20 2016-04-13 株式会社小松制作所 轮胎异常管理系统和轮胎异常管理方法
JP2015160539A (ja) * 2014-02-27 2015-09-07 住友ゴム工業株式会社 タイヤ状態判定装置、サーバ装置、タイヤ状態判定方法、およびタイヤ状態判定プログラム
US20160121669A1 (en) * 2014-11-04 2016-05-05 The Goodyear Tire & Rubber Company Wheel diagnostic monitoring
CN105346338A (zh) * 2015-10-30 2016-02-24 深圳市元征软件开发有限公司 基于obd诊断座的胎压异常监测方法及装置
CN107303785A (zh) * 2016-04-22 2017-10-31 中兴通讯股份有限公司 一种胎压监测系统及方法
CN107145986A (zh) * 2017-05-24 2017-09-08 北京中电普华信息技术有限公司 一种充电电量预测方法及装置
JP2019074927A (ja) * 2017-10-16 2019-05-16 株式会社ブリヂストン タイヤの使用履歴データからの異常データ検出方法とその装置
CN108985632A (zh) * 2018-07-16 2018-12-11 国网上海市电力公司 一种基于孤立森林算法的用电数据异常检测模型
CN109774388A (zh) * 2019-01-28 2019-05-21 深圳市元征科技股份有限公司 一种车辆轮胎异常检测方法、系统及相关设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116023A (zh) * 2020-09-28 2020-12-22 重庆长安汽车股份有限公司 基于机器学习的轮胎漏气的实时检测方法及存储介质
CN112116023B (zh) * 2020-09-28 2022-08-09 重庆长安汽车股份有限公司 基于机器学习的轮胎漏气的实时检测方法及存储介质
CN113110390A (zh) * 2021-04-23 2021-07-13 宁波小遛共享信息科技有限公司 一种车辆故障识别方法、装置、电子设备及存储介质
CN113232462A (zh) * 2021-05-20 2021-08-10 上海仙塔智能科技有限公司 胎压管理方法、装置及计算机存储介质
CN113232462B (zh) * 2021-05-20 2022-12-02 上海仙塔智能科技有限公司 胎压管理方法、装置及计算机存储介质
CN114648414A (zh) * 2022-05-20 2022-06-21 深圳联友科技有限公司 一种汽车轮胎保险风险评控方法及系统
CN117332341A (zh) * 2023-11-28 2024-01-02 贵州空港智能科技有限公司 基于物联网的飞机轮挡数据智能管理方法及系统
CN117332341B (zh) * 2023-11-28 2024-02-02 贵州空港智能科技有限公司 基于物联网的飞机轮挡数据智能管理方法及系统

Also Published As

Publication number Publication date
CN110825917B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN110825917B (zh) 车辆胎压异常识别方法、装置及数据分析设备
US10101244B2 (en) Self-learning simulation environments
CN108809745A (zh) 一种用户异常行为检测方法、装置及系统
CN111460312A (zh) 空壳企业识别方法、装置及计算机设备
CN111612038B (zh) 异常用户检测方法及装置、存储介质、电子设备
US20200198651A1 (en) System and method for detecting behavioral anomalies among fleets of connected vehicles
CN105138529B (zh) 已连接的车辆预测性质量
CN109919781A (zh) 团伙欺诈案件识别方法、电子装置及计算机可读存储介质
CN112017323A (zh) 一种巡检报警方法、装置、可读存储介质及终端设备
CN115718874A (zh) 异常检测
CN113726783A (zh) 异常ip地址识别方法、装置、电子设备及可读存储介质
CN112637178A (zh) 攻击相似度计算方法、装置、电子设备和可读存储介质
CN112671767A (zh) 一种基于告警数据分析的安全事件预警方法及装置
CN113343228B (zh) 事件可信度分析方法、装置、电子设备及可读存储介质
US20160259869A1 (en) Self-learning simulation environments
US20190087904A1 (en) Remote processing of anomalous vehicle sensor data
CN117118761B (zh) 一种贯穿智能汽车信息安全的纵深防御系统和方法
CN113222736A (zh) 一种异常用户的检测方法、装置、电子设备及存储介质
CN110909263B (zh) 一种身份特征的伴随关系确定方法及装置
CN111275453A (zh) 一种物联网设备的行业识别方法及系统
CN111371581A (zh) 物联网卡业务异常检测的方法、装置、设备和介质
CN115545452A (zh) 运维方法、运维系统、设备及存储介质
CN113762230B (zh) 一种电缆隧道附属设施故障自动化识别方法及相关装置
US20220103583A1 (en) Information transmission device, server, and information transmission method
CN111741004B (zh) 一种网络安全态势感知的方法和相关装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230525

Address after: Room 101, No. 227 Gaotang Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 (location: Room 601) (office only)

Applicant after: Yamei Zhilian Data Technology Co.,Ltd.

Address before: 510000 self compiled h, Room 201, No. 1, Hanjing Road, Tianhe District, Guangzhou, Guangdong Province

Applicant before: GUANGZHOU YAME INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant