CN111476092B - 基于车联网的数据存储方法、装置和计算机设备 - Google Patents

基于车联网的数据存储方法、装置和计算机设备 Download PDF

Info

Publication number
CN111476092B
CN111476092B CN202010148238.4A CN202010148238A CN111476092B CN 111476092 B CN111476092 B CN 111476092B CN 202010148238 A CN202010148238 A CN 202010148238A CN 111476092 B CN111476092 B CN 111476092B
Authority
CN
China
Prior art keywords
vehicle
curve function
preset
sensing data
sequences
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
Application number
CN202010148238.4A
Other languages
English (en)
Other versions
CN111476092A (zh
Inventor
李凡凡
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010148238.4A priority Critical patent/CN111476092B/zh
Priority to PCT/CN2020/098818 priority patent/WO2021174725A1/zh
Publication of CN111476092A publication Critical patent/CN111476092A/zh
Application granted granted Critical
Publication of CN111476092B publication Critical patent/CN111476092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请揭示了一种基于车联网的数据存储方法、装置、计算机设备和存储介质，所述方法包括：实时采集所述第一车辆的n种传感数据，生成传感数据‑时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到预测传感数据‑时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而保证了数据可信并解决了服务器的存储压力过大的问题。

Description

基于车联网的数据存储方法、装置和计算机设备
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于车联网的数据存储方法、装置、计算机设备和存储介质。
背景技术
车联网是由车辆位置、速度和路线等信息构成的巨大交互网络。车联网通过GPS、RFID、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息可以被分析和处理。在车联网中的这些信息处理的过程中，依赖于数据的存储。传统技术中或者将数据存储于服务器，或者存储于本地，这二者均有显著的缺陷：服务器的存储压力增大、或者本地数据容易被篡改(导致数据不可信)。
发明内容
本申请的主要目的为提供一种基于车联网的数据存储方法、装置、计算机设备和存储介质，旨在保证数据可信并解决服务器的存储压力过大的问题。
为了实现上述发明目的，本申请提出一种基于车联网的数据存储方法，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
进一步地，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤之后，包括：
若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
进一步地，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤,包括：
按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：Mt＝LSTMenc(Xt,Mt-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
进一步地，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤,包括：
根据公式：
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
进一步地，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤之后，包括：
若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
将所述第一曲线函数序列存入所述服务器。
进一步地，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤之前，包括：
获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
以所述多个指定车载终端作为网络节点，构建所述第一子网络。
进一步地，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤之后，包括：
接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
本申请提供一种基于车联网的数据存储装置，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
传感数据采集单元，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
脸部图像采集单元，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
传感数据预测单元，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
匹配度值计算单元，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
曲线函数序列存储单元，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于车联网的数据存储方法、装置、计算机设备和存储介质，实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而解决了服务器的存储压力过大的问题。
附图说明
图1为本申请一实施例的基于车联网的数据存储方法的流程示意图；
图2为本申请一实施例的基于车联网的数据存储装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于车联网的数据存储方法，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
S1、利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
S2、利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
S3、若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
S4、根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
S5、若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
本申请利用预设的第一子网络，将数据(即曲线函数序列F1、F2、...、Fn)存储在所述第一子网络中的网络节点(即车载终端)中，由于这种存储方式不需要占用服务器的存储资源、并且数据存在于多个网络节点中，可靠性得到提高。因此，在出现意外状况，例如在出车祸后需要定责时，采用本申请的基于车联网的数据存储方法，能够使服务器的存储压力得到缓解，并且还能提高数据的可信度。
如上述步骤S1所述，利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中。其中所述多种传感器可为任意可行传感器，例如为加速度传感器、速度传感器、电流传感器等等，从而获取能够反应所述第一车辆状况的传感数据。并由于是实时采集所述第一车辆的n种传感数据，因此每种传感数据都与时间相关，因此可绘制出传感数据-时间曲线，并得到相应的传感数据-时间曲线函数序列F1、F2、...、Fn。
如上述步骤S2所述，利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主。人脸识别模型可采用任意可行的模型，例如基于卷积神经网络的人脸识别模型。从而可获取所述人脸识别模型输出的指定人脸特征。由于不同人的人脸特征不相同或不完全相同，因此利用所述人脸特征即可实现人的识别。
如上述步骤S3所述，若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应。若所述指定人脸特征匹配所述第一车辆的车主，表明所述第一车辆处于常用驾驶状态(属于常用驾驶员的常规驾驶，不容易出特殊状况)，因此可以考虑进行数据匹配性的判断，以确定是否将数据存入服务器。反之，若所述指定人脸特征不匹配所述第一车辆的车主，表明驾驶员与第一车辆未经过很好的磨合，相较而言，更容易出状况(例如出车祸等)，在这种情况下，相关的数据(曲线函数序列f1、f2、...、fn)优先存储在服务器中，更利于数据的调用。其中，所述车辆信息、车主信息、天气信息和交通状况信息是能够反应第一车辆的正常行驶状况的，也能作为第一车辆的预测行驶状况的依据，也即能预测出多种传感数据，因此将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，能够得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。其中所述传感数据预测模型可为任意可行模型，优先采用长短期记忆模型，以利用长短期记忆模型能解决长序依赖的特性，更好的完成与时序相关的预测传感数据-时间曲线函数序列f1、f2、...、fn的获取。
如上述步骤S4所述，根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值。其中所述匹配算法可为任意方法，例如为：根据公式：
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。从而以所述匹配度值为依据，确认所述第一车辆的行驶状态是否异常。
如上述步骤S5所述，若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。若所述匹配度值大于预设的匹配阈值，表明第一车辆处于正常行驶的状态，因此无需对所述曲线函数序列F1、F2、...、Fn进行特殊处理(即不需要存入服务器中，以免增大存储压力)。据此，将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。并且，所述第一子网络中的网络节点均为从所述车联网中选出的车载终端，因此无需从零开始构建新的网络，甚至于，可以将所述第一子网络视为所述车联网的附属网络，从而不需要花需新的成本，即可实现存储压力的缓解。
在一个实施方式中，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤S2之后，包括：
S21、若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
S22、从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
S23、判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
S24、若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
如上所述，实现了将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。若所述指定人脸特征不匹配所述第一车辆的车主，则利用指定知识图谱判断当前的驾驶员与车主的关系。其中，知识图谱指由多个知识节点以及知识节点之间的关系构成的网络结构图谱。一般而言，车主驾驶第一车辆是最常规的现象，与车主相关的人员(例如夫妻关系、亲戚关系等)驾驶第一车辆，也是常规的现象，而对于车主无关的人员驾驶第一车辆(例如将车租给别人)的状况，相对而言，是不太常规的现象，此时将所述曲线函数序列F1、F2、...、Fn存入所述服务器中，有利于及时调用。由于常规驾驶(车主驾驶、或者与车主相关的人员驾驶)，由于对车辆更熟悉、且更爱护车辆，因此车辆故障等情况的概率更低(车辆故障时一般需要调取相关数据，以便于定责)，宏观上看，常规驾驶需要调用所述曲线函数序列F1、F2、...、Fn的概率远低于非常规驾驶(即所述第一知识节点和所述第二知识节点是否存在直接连接关系的状况)，因此若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中，从而提高数据的调用速度。
在一个实施方式中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤S3,包括：
S301、按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
S302、将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：Mt＝LSTMenc(Xt,Mt-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
S303、将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
S304、根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
如上所述，实现了得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。其中，所述长短期记忆架构是一种时间递归神经网络，可用于处理和预测时间序列中相关的数据，其具有一个判断信息有用与否的“处理器”，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。本申请的传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，编码用长短期记忆架构用于将多段数据序列进行编码，即将输入的多段数据序列编码为向量序列；解码用长短期记忆架构用于将向量序列进行解码，即将向量序列转换为预测的向量序列。编码用长短期记忆架构中，从而根据公式：Mt＝LSTMenc(Xt,Mt-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt。而解码用长短期记忆架构可采用任意算法进行解码处理，例如根据公式： eij＝score(si,hj)，进行解码处理，ci为所述解码用长短期记忆架构中隐藏状态向量，aij为权重参数，si为解码用长短期记忆架构中的第i个隐藏状态向量，score(si,hj)指采用预设的score函数根据si和hj计算出的分数，WC为权值，p为概率值，yt为解码用长短期记忆架构的第t个时间段的输出，x为多段数据序列。从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。从而保证了预测传感数据-时间曲线函数序列f1、f2、...、fn的可靠性。
在一个实施方式中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤S4,包括：
S401、根据公式：
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
S402、统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
S403、根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
如上所述，实现了计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。本申请根据公式：
获取匹配衡量函数H(t)；再根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。传统技术中是采用单个数值比对的方式，准确性不足。本申请采用上述匹配衡量函数，在比对多条曲线函数的基础上，对传感数据进行统一、全面的分析，更准确。
在一个实施方式中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤S4之后，包括：
S411、若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
S412、从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
S413、将所述第一曲线函数序列存入所述服务器。
如上所述，实现了将所述第一曲线函数序列存入所述服务器。本申请对于曲线函数序列F1、F2、...、Fn，有两种存储方式，一种存储在指定车载终端中，一种存储在服务器中。为了避免增加服务器存储压力，一般不将曲线函数序列F1、F2、...、Fn存储在服务器中。但是，若所述匹配度值不大于预设的匹配阈值，表明所述第一车辆可能出现异常，那么曲线函数序列F1、F2、...、Fn被调用的可能性大大提高(例如车辆故障时需要进行责任认定)，因此将曲线函数序列F1、F2、...、Fn存入服务器，有处于提高将来的数据处理速度。更进一步地，并非是所有时间范围内的曲线函数序列F1、F2、...、Fn都有用，因此，采用获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；将所述第一曲线函数序列存入所述服务器的方式，以在数据够用的前提下，进一步减少服务器的存储压力。
在一个实施方式中，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤S5之前，包括：
S421、获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
S422、判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
S423、若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
S424、以所述多个指定车载终端作为网络节点，构建所述第一子网络。
如上所述，实现了构建所述第一子网络。本申请的第一子网络作为服务器的代替品，以存储数据。具体地，本申请获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置；若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端；以所述多个指定车载终端作为网络节点，构建所述第一子网络。其中聚类算法可为任意算法，例如采用均值漂移聚类算法等。所述聚类中心位置即反应了所述第一车辆的日常活动中心。据此，本申请限定了，所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，以使所述第一车辆在常用的行驶区域内构建第一子网络。再以所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值的方式，获取多个指定车载终端，以保证所述多个指定车载终端不仅离当前的第一车辆较近，并且还离第一车辆的日常行驶中心较近，从而便于第一子网络中的信息传输通畅。更进一步地，其中所述多个指定车载终端优选离所述聚类中心最近的车载终端。
在一个实施方式中，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤S5之后，包括：
S51、接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
S52、根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
S53、接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
S54、若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
如上所述，实现了核实所述曲线函数序列F1、F2、...、Fn。第一车辆出现故障时，例如车内部件失灵等状况，则需要判断是车主的不规范操作导致的，还是车辆本身的故有缺陷，即需要进行定责。而定责时所述曲线函数序列F1、F2、...、Fn是重要依据，因此曲线函数序列F1、F2、...、Fn的可靠性需要得到核实。因此，接收所述第一车载终端发送的数据核实请求。由于所述曲线函数序列F1、F2、...、Fn被存储在第一子网络中的多个指定网络节点中，因此向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn；若所述多个曲线函数序列F1、F2、...、Fn完全相同，表明数据未经篡改，是可信数据，据此判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
本申请的基于车联网的数据存储方法，实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而解决了服务器的存储压力过大的问题。
参照图2，本申请实施例提供一种基于车联网的数据存储装置，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
传感数据采集单元10，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
脸部图像采集单元20，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
传感数据预测单元30，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
匹配度值计算单元40，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
曲线函数序列存储单元50，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
指定姓名获取单元，用于若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
知识图谱选择单元，用于从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
连接关系判断单元，用于判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
存储单元，用于若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述传感数据预测单元30,包括：
时间段划分子单元，用于按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
隐藏状态向量获取子单元，用于将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：Mt＝LSTMenc(Xt,Mt-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
预测向量序列获取子单元，用于将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
预测向量序列解析子单元，用于根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
其中上述子单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述匹配度值计算单元40,包括：
匹配衡量函数获取子单元，用于根据公式：
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
长度统计子单元，用于统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
匹配度值计算子单元，用于根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
其中上述子单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
第一时间点标记单元，用于若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
第一曲线函数序列划分单元，用于从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
第一曲线函数序列存储单元，用于将所述第一曲线函数序列存入所述服务器。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
聚类中心位置计算单元，用于获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
聚类中心位置判断单元，用于判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
指定车载终端获取单元，用于若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
第一子网络构建单元，用于以所述多个指定车载终端作为网络节点，构建所述第一子网络。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
数据核实请求接收单元，用于接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
获取请求发送单元，用于根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
曲线函数序列判断单元，用于接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
核实无误判定单元，用于若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
本申请的基于车联网的数据存储装置，实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而解决了服务器的存储压力过大的问题。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于车联网的数据存储方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于车联网的数据存储方法。
上述处理器执行上述基于车联网的数据存储方法，其中所述方法包括的步骤分别与执行前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而解决了服务器的存储压力过大的问题。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于车联网的数据存储方法，其中所述方法包括的步骤分别与执行前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而解决了服务器的存储压力过大的问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种基于车联网的数据存储方法，其特征在于，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端；
所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤,包括：
根据公式：
Ei(t)＝Fi(t)-fi(t)，
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；
所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤之后，包括：
若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
将所述第一曲线函数序列存入所述服务器。
2.根据权利要求1所述的基于车联网的数据存储方法，其特征在于，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤之后，包括：
若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
3.根据权利要求1所述的基于车联网的数据存储方法，其特征在于，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤,包括：
按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：Mt＝LSTMenc(Xt,Mt-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
4.根据权利要求1所述的基于车联网的数据存储方法，其特征在于，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤之前，包括：
获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
以所述多个指定车载终端作为网络节点，构建所述第一子网络。
5.根据权利要求1所述的基于车联网的数据存储方法，其特征在于，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤之后，包括：
接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
6.一种基于车联网的数据存储装置，用于实现权利要求1至5中任一项所述的方法，其特征在于，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
传感数据采集单元，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
脸部图像采集单元，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
传感数据预测单元，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn一一对应；
匹配度值计算单元，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
曲线函数序列存储单元，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010148238.4A 2020-03-05 2020-03-05 基于车联网的数据存储方法、装置和计算机设备 Active CN111476092B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010148238.4A CN111476092B (zh) 2020-03-05 2020-03-05 基于车联网的数据存储方法、装置和计算机设备
PCT/CN2020/098818 WO2021174725A1 (zh) 2020-03-05 2020-06-29 基于车联网的数据存储方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010148238.4A CN111476092B (zh) 2020-03-05 2020-03-05 基于车联网的数据存储方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN111476092A CN111476092A (zh) 2020-07-31
CN111476092B true CN111476092B (zh) 2023-07-21

Family

ID=71748163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010148238.4A Active CN111476092B (zh) 2020-03-05 2020-03-05 基于车联网的数据存储方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN111476092B (zh)
WO (1) WO2021174725A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328955A (zh) * 2021-12-17 2022-04-12 南京沃科电子科技有限公司 一种汽车电子知识图谱控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412049A (zh) * 2013-07-15 2013-11-27 清华大学 一种高温注汽管道缺陷监测方法
CN103487502A (zh) * 2013-09-26 2014-01-01 上海海事大学 检测复杂导电结构表面缺陷的涡流阵列探头及系统
CN204255905U (zh) * 2014-12-12 2015-04-08 中国人民解放军国防科学技术大学 用于金属管道内壁缺陷检测的阵列式涡流传感器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017066345A1 (en) * 2015-10-13 2017-04-20 Flywheel Software, Inc. Accurately determining real time parameters describing vehicle motion based on multiple data sources
CN108932863A (zh) * 2018-08-02 2018-12-04 成都秦川物联网科技股份有限公司 基于车联网的天气预告方法及车联网系统
CN109447048B (zh) * 2018-12-25 2020-12-25 苏州闪驰数控系统集成有限公司 一种人工智能预警系统
CN110459324B (zh) * 2019-06-27 2023-05-23 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN110533112B (zh) * 2019-09-04 2023-04-07 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412049A (zh) * 2013-07-15 2013-11-27 清华大学 一种高温注汽管道缺陷监测方法
CN103487502A (zh) * 2013-09-26 2014-01-01 上海海事大学 检测复杂导电结构表面缺陷的涡流阵列探头及系统
CN204255905U (zh) * 2014-12-12 2015-04-08 中国人民解放军国防科学技术大学 用于金属管道内壁缺陷检测的阵列式涡流传感器

Also Published As

Publication number Publication date
CN111476092A (zh) 2020-07-31
WO2021174725A1 (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN110163611B (zh) 一种身份识别方法、装置以及相关设备
CN110658807A (zh) 一种车辆故障诊断方法、装置及系统
US11069165B2 (en) Machine learning-based platform for user identification
CN106471851B (zh) 基于学习模型的设备定位
US10960893B2 (en) System and method for driver profiling corresponding to automobile trip
US20150294223A1 (en) Systems and Methods for Providing Information for Predicting Desired Information and Taking Actions Related to User Needs in a Mobile Device
Rahim et al. Zero-to-stable driver identification: A non-intrusive and scalable driver identification scheme
CN111476092B (zh) 基于车联网的数据存储方法、装置和计算机设备
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN114172686B (zh) 车载can总线报文入侵检测方法、相关设备及计算机存储介质
WO2022024211A1 (ja) 学習活用システム、活用装置、学習装置、プログラム及び学習活用方法
CN117214598A (zh) 基于巡检图像的电缆监测系统及方法
CN117235540A (zh) 基于特征匹配融合的传感器动态信息联动分析方法
CN111582378A (zh) 定位识别模型的训练生成方法、位置检测方法、装置
CN111798591B (zh) 车辆总里程数的确定方法、装置、计算机设备和存储介质
CN113447037B (zh) 行程偏航检测方法及装置
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
US11475255B2 (en) Method for adaptive context length control for on-line edge learning
CN115200696A (zh) 震动行为监测方法、装置、电子设备及存储介质
CN206181239U (zh) 一种智慧城市动态视频监控系统
RU2724596C1 (ru) Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных
CN116000475B (zh) 激光切割头的控制方法、装置、计算机设备和存储介质
KR102444941B1 (ko) 화재모니터링장치 및 그 동작 방법
CN112397055B (zh) 一种异常声音检测方法、装置和电子设备
CN115209374B (zh) 一种基于第三方呼叫中心的机动车报警系统

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40033509

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant