CN111762096A - 一种基于人工智能的新能源汽车安全预警方法及系统 - Google Patents

Abstract

本发明提供一种基于人工智能的新能源汽车安全预警方法与系统，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

Description

一种基于人工智能的新能源汽车安全预警方法及系统

技术领域

本申请涉及本发明涉及人工智能和新能源汽车的技术领域，尤其涉及一种基于人工智能的新能源汽车安全预警方法及系统、新能源汽车。

背景技术

虽然近年来政府各级部门越来越重视交通安全，对妨害交通安全的行为（例如超载）的查处力度越来越大，但是汽车超载的情况还是屡见不鲜，究其原因，主要有以下几点：1.有时候司机对汽车上所载的重量估算错误，某些超载行为连司机自己都不知道。2.司机明知汽车所载重量已超载，但为了经济利益故意为之。不管出于何种原因，超载行为都将给社会交通安全带来危害。

新能源汽车是指采用非常规的车用燃料作为动力来源（或使用常规的车用燃料、采用新型车载动力装置），综合车辆的动力控制和驱动方面的先进技术，形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车包括纯新能源汽车、增程式新能源汽车、混合动力汽车、燃料电池新能源汽车、氢发动机汽车等。广义新能源汽车，又称代用燃料汽车，包括纯新能源汽车、燃料电池新能源汽车这类全部使用非石油燃料的汽车，也包括混合动力电动车、乙醇汽油汽车等部分使用非石油燃料的汽车。目前存在的所有新能源汽车都包括在这一概念里，具体分为六大类：混合动力汽车、纯新能源汽车、燃料电池汽车、醇醚燃料汽车、天然气汽车等。其中，纯新能源汽车（Blade Electric Vehicles，BEV）是一种采用单一蓄电池作为储能动力源的汽车，它利用蓄电池作为储能动力源，通过电池向电动机提供电能，驱动电动机运转，从而推动汽车行驶。纯新能源汽车的可充电电池主要有铅酸电池、镍镉电池、镍氢电池和锂离子电池等，这些电池可以提供纯新能源汽车动力。同时，纯新能源汽车也通过电池来储存电能，驱动电机运转，让车辆正常行驶。

现有技术中，文献CN105774647A通过设置胎压监测单元、胎压比对单元和计时单元，当胎压比对单元得出胎压值大于预设最大胎压值时，微处理控制单元向警示单元发出警示指令，警示单元执行警示行动，当胎压比对单元得出胎压值大于预设最大胎压值且该胎压值持续时间超过预设时间时，微处理控制单元向报警单元发出报警指令，报警单元执行报警行动。本发明提供的汽车超重警示系统在车辆刚一开始超载的时候就通过警示单元提醒司机车辆已超重，避免了因司机估算错误造成的超载，当车辆超重时间超过预设时间时，报警单元就直接向交通安全管理部门报警，从而避免了因司机故意超载给公共交通安全带来危害的情况，非常全面地防止了汽车超载。

然而，上述文献仅仅能够根据车辆的胎压对车辆是否超载发出预警，而实际情况下车辆的是否超载受多种因素复合影响，这种单一的根据胎压预警车辆超载的方法存在准确性低的问题。此外，上述文献需要对每个待预警汽车设置胎压监测等超载监测设备，而为了准确监测车辆的超载，往往需要设置各种不同类型的检测设备，由此大大增加的检测设备的研发、安装和维护成本，如何在低检测设备的成本的情况下提高超载监测准确性仍然有待进一步研究；最后，动汽车的逐渐普及，新能源汽车的智能化程度逐步提高，如何充分利用新能源汽车的智能化系统进行车辆超载的预警也是有待进一步研究的课题。

发明内容

本发明提供一种基于人工智能的新能源汽车安全预警方法，所述方法包括如下步骤：

S1，获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；

S2，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；

S3，根据所述汽车牌号采集所述历史维修数据、所述维修安全预警信息以训练新能源汽车维修安全预警BP神经网络预测模型；所述维修数据包括：轮胎更换里程、刹车片更换里程、电池更换里程；所述维修安全预警信息包括正常损耗和异常损耗；

S4，获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；

S5，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。

作为一种优选的实施方式，获取多个所述新能源汽车的多个采样时间段的汽车型号、历史行驶数据及其安全预警信息，具体包括：

所述采样时间段包括行驶采样时间段和维修采样时间段；

获取新能源汽车的运行时间数据，根据所述运行时间数据计算所述新能源汽车的运行周期，根据所述运行周期中的非空载时间段确定所述新能源汽车的行驶采样时间段；

获取新能源汽车的维修时间数据，根据所述维修时间数据和维修周期确定所述新能源汽车的维修采样时间段。

作为一种优选的实施方式，根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果，具体包括：

在所述新能源汽车的维修时间段根据待预警新能源汽车的汽车牌号采集所述维修数据，将所述维修数据导入所述新能源汽车维修安全预警BP神经网络预测模型，获取所述新能源汽车的维修安全预警结果。

作为一种优选的实施方式，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，具体包括：

根据所述汽车型号采集所述非超载行驶数据、非超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；

根据所述汽车型号采集所述超载行驶数据、超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型。

作为一种优选的实施方式，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果，还包括：

所述待预警新能源汽车当前的超载安全预警结果Z=K1*M+k2*N，其中，M为行驶安全预警结果，N为维修安全预警结果，K1和K2为权重，且K1+K2=1。

作为一种优选的实施方式，还包括：

如果所述待预警新能源汽车当前的超载安全预警结果为超载，则获取所述新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车，则根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；

所述安全预警服务器发出所述汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据；如果所述图像数据中车厢图像的相似度大于等于第一相似度阈值，则所述安全预警服务器将所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述图像数据中车厢图像的相似度小于第一相似度阈值，则所述安全预警服务器解除所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的车速，如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度大于等于第二相似度阈值，则所述安全预警服务器将所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度小于第一相似度阈值，则所述安全预警服务器解除所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据，根据所述图像数据获取所述待预警新能源汽车和相同型号的新能源汽车的行驶顺序；如果存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器将所述行驶顺序保持一致的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果不存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器解除行驶顺序不一致的新能源汽车的汽车牌号的超载警戒预警信息。

本发明提供一种基于人工智能的新能源汽车安全预警方法，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

作为另一种实施例，本发明提供一种基于人工智能的新能源汽车安全预警系统，所述系统包括如下模块：

采样模块，用于获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；

历史行驶数据训练模块，用于根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；

历史维修数据训练模块，用于根据所述汽车牌号采集所述历史维修数据、所述维修安全预警信息以训练新能源汽车维修安全预警BP神经网络预测模型；所述维修数据包括：轮胎更换里程、刹车片更换里程、电池更换里程；所述维修安全预警信息包括正常损耗和异常损耗；

预警判断模块，用于获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；

预警模块，用于根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。

作为一种优选的实施方式，获取多个所述新能源汽车的多个采样时间段的汽车型号、历史行驶数据及其安全预警信息，具体包括：

所述采样时间段包括行驶采样时间段和维修采样时间段；

获取新能源汽车的运行时间数据，根据所述运行时间数据计算所述新能源汽车的运行周期，根据所述运行周期中的非空载时间段确定所述新能源汽车的行驶采样时间段；

获取新能源汽车的维修时间数据，根据所述维修时间数据和维修周期确定所述新能源汽车的维修采样时间段。

作为一种优选的实施方式，根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果，具体包括：

在所述新能源汽车的维修时间段根据待预警新能源汽车的汽车牌号采集所述维修数据，将所述维修数据导入所述新能源汽车维修安全预警BP神经网络预测模型，获取所述新能源汽车的维修安全预警结果。

作为一种优选的实施方式，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，具体包括：

根据所述汽车型号采集所述非超载行驶数据、非超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；

根据所述汽车型号采集所述超载行驶数据、超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型。

作为一种优选的实施方式，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果，还包括：

所述待预警新能源汽车当前的超载安全预警结果Z=K1*M+k2*N，其中，M为行驶安全预警结果，N为维修安全预警结果，K1和K2为权重，且K1+K2=1。

作为一种优选的实施方式，还包括：

如果所述待预警新能源汽车当前的超载安全预警结果为超载，则获取所述新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车，则根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；

所述安全预警服务器发出所述汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据；如果所述图像数据中车厢图像的相似度大于等于第一相似度阈值，则所述安全预警服务器将所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述图像数据中车厢图像的相似度小于第一相似度阈值，则所述安全预警服务器解除所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的车速，如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度大于等于第二相似度阈值，则所述安全预警服务器将所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度小于第一相似度阈值，则所述安全预警服务器解除所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据，根据所述图像数据获取所述待预警新能源汽车和相同型号的新能源汽车的行驶顺序；如果存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器将所述行驶顺序保持一致的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果不存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器解除行驶顺序不一致的新能源汽车的汽车牌号的超载警戒预警信息。

作为另一种实施例，本发明提供一种基于人工智能的新能源汽车安全预警方法的车辆，所述车辆具有处理器及其存储介质，其处理器执行前述实施例一种任一项所述的方法。

作为另一种实施例，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储于基于人工智能的新能源汽车安全预警系统内的存储器中，所述计算机可读存储介质包括执行上述基于人工智能的新能源汽车安全预警方法。

本发明提供一种基于人工智能的新能源汽车安全预警方法、系统及车辆，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

本发明提供一种基于人工智能的新能源汽车安全预警方法与系统，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。

图1是本发明的一种基于人工智能的新能源汽车安全预警方法的步骤示意图。

图2是本发明的一种基于人工智能的新能源汽车安全预警系统的一种实施例的结构示意图。

具体实施方式

以下结合附图进一步说明本发明的实施例。

实施例一：

如图1所示，本发明提供一种基于人工智能的新能源汽车安全预警方法，所述方法包括如下步骤：

S1，获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；需要说明的是，多个所述新能源汽车可以为相同型号的新能源汽车，也可以为不同型号的新能源汽车，在此不做限制；其中的型号是指同一品牌的某个系列的新能源汽车，而并非同一系列的不同版本，这是因为本发明中新能源汽车的安全性能在同一品牌的某个系列的新能源汽车是基本相同的，不同之处仅仅在于外观、座椅材质等辅助性内饰等之间的区别，这种区别对于本发明来说可以忽略；同时，将同一品牌的某个系列的新能源汽车作为一个型号来管理也是为了从大类别来识别汽车型号，从而样本的广泛性和匹配性更好。本发明主要考虑到车辆的安全预警，因此所述采样时间段主要指汽车在路上行驶过程中所在的时间段，所述采样时间段可以通过采集车辆的历史行驶记录来确定，通常选取行驶在路上最多的时间段，可以为白天也可以为晚上，在此不做限制。其中的新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息等信息可以预先存储于大数据服务器等位置，以供取用、更新。

S2，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；需要说明的是，由于新能源汽车都具有较为完善的传感器系统，因此，本发明的新能源汽车的轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量等参数都可以通过汽车内置的传感器来进行采集获取，在此不做赘述。如前所述，由于相同品牌的某个型号系列的新能源汽车在动力等主要配置方面是相同的，因此相同型号的汽车具有相同或者类似的正常行驶数据，换言之，如果其中某个汽车某个时间或者某个时间段处于超载状态，则其行驶数据会出现偏离正常值的异常状态，尤其是本发明所指的上述轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量等行驶参数，因此，本发明为相同型号的汽车配置对应的预测模型，以对该型号的汽车的行驶数据进行训练，从而能够根据汽车的行驶数据识别出车辆是否处于超载状态。人工智能，顾名思义ArtificialIntelligence，缩写是大家熟知的AI。是让计算机具备人类拥有的能力——感知、学习、记忆、推理、决策等。细分的话，机器感知包括机器视觉、NLP，学习有模式识别、机器学习、增强学习、迁移学习等，记忆如知识表示，决策包括规划、数据挖掘、专家系统等。其中，机器学习（MachineLearning，ML）逐渐成为热门学科，主要目的是设计和分析一些学习算法，让计算机从数据中获得一些决策函数，从而可以帮助人们解决一些特定任务，提高效率。它的研究领域涉及了概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。神经网络，主要指人工神经网络（ArtificialNeural Network，ANN），是机器学习算法中比较接近生物神经网络特性的数学模型。通过模拟人类神经网络的结构和功能，由大量“神经元”构成了一个复杂的神经网络，模拟神经元的刺激和抑制的过程，最终完成复杂运算。具体而言，本发明为行驶数据选择了贝叶斯预测模型，通过为该模型输入预先获取的多个历史行驶数据及其行驶安全预警信息作为先验信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，从而实现贝叶斯预测模型的训练操作。显然，贝叶斯预测模型是利用贝叶斯公式将预测的主观认识或经验认识与先验信息综合，得到后验信息，所以后验信息不仅仅包含先验信息，还体现了对汽车行车安全的主观认识，因此贝叶斯预测能够处理异常情况的发生，从而提高预测的准确性。

贝叶斯预测模型的训练过程如下：

1.首先导入如下的库文件：

import numpy as np

import pandas as pd

from sklearn import cross_validation

from sklearn.naive_bayes import GaussianNB

2.创建并读取历史数据即历史行驶数据及其驶安全预警信息：

Hist_security=pd.DataFrame(pd.read_excel(' Hist_security.xlsx'))

Hist_security.columns

Index([' pressure ', ' acceleration ', ' distance ',’ unload power’,’power consumption’], dtype='object')

例如，采用如下表1所示的样本数据：

3.设置输入特征X和输出结果Y：

X=np.array(Hist_security [[' pressure ', ' acceleration ', ' distance ',’unload power’,’ power consumption’]])

Y=np.array(Hist_security [' security '])

4.将样本历史行驶数据进行分类训练测试

X_train,X_test,y_train,y_test=cross_validation.train_test_split(X,Y,test_size=0.3,random_state=0)

至此，上述贝叶斯预测模型训练与测试已经完成。此外，本发明的预测模型不局限于上述贝叶斯预测模型，还可以是CNN，RNN，DBN，GAN等神经网络等其他类型的人工智能预测模型，在此不做限制。

S3，根据所述汽车牌号采集所述历史维修数据、所述维修安全预警信息以训练新 能源汽车维修安全预警BP神经网络预测模型；所述维修数据包括：轮胎更换里程、刹车片更 换里程、电池更换里程；所述维修安全预警信息包括正常损耗和异常损耗；需要说明的是， 例如，在正常的非超载行驶时汽车的轮胎、刹车片、电池都有比较正常或者与设计相同或者 类似的使用寿命，而在车辆经常处于超载行驶的情况下汽车的轮胎、刹车片、电池的寿命都 会大大缩短，由此可以将上述维修数据作为车辆是否超载的一个判断因素，从而综合车辆 各个方面的数据对汽车的超载情况进行一个综合的判断，从而提高汽车超载安全性的准确 性。此外，上述轮胎、刹车片、电池的更换可以通过为每个待更换配件设置标识ID，从而在更 换过程中判断该标识ID是否变化，从而判断车辆是否更换该配件；例如，某汽车左前位置的 轮胎的标识ID为XXXX0113，汽车在维修后检测到该位置的轮胎标识ID变为XXXX2043，此时 则表明该轮胎已被更换，而轮胎更换的原因最大可能是因为磨损严重，因此，可以将轮胎是 否被更换作为车辆是否超载的一个判断因素；另一方面，由于在车辆使用过程中会存在不 同位置的轮胎磨损不一样的情况存在，此时司机会将不同位置的轮胎调换位置的情况，考 虑到此种情况，本发明优选的，仅仅将轮胎被换下的情况标记为轮胎更换，而将轮胎调换位 置的情况不标记为轮胎更换，以增加判断的准确性。类似的，可以为刹车片和电池设置对应 的标识ID以识别其是否被更换，具体方法与轮胎相似，在此不做赘述。具体到本发明的新能 源汽车维修安全预警BP神经网络预测模型而言，BP网络（Back-ProPagation Network）又称 反向传播神经网络， 通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度 方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型 识别分类、数据压缩和时间序列预测等。BP网络由输入层、隐层和输出层组成，隐层可以有 一层或多层，常见的为三层BP网络模型，网络选用S型传递函数，

通过反传误 差函数

（ Ti为期望输出、Oi为网络的计算输出），不断调节网络权值和阈 值使误差函数E达到极小。本发明的BP神经网络由每组数据的轮胎更换里程、刹车片更换里 程、电池更换里程作为输入，以维修安全预警信息作为输出，所以输入层的节点数为3，输出 层的节点数为1。此外，有一个隐层的神经网络, 只要隐节点足够多, 就可以以任意精度逼 近一个非线性函数。因此，本文采用含有一个隐层的三层多输入单输出的BP网络建立预测 模型。在网络设计过程中，隐层神经元数的确定十分重要。隐层神经元个数过多，会加大网 络计算量并容易产生过度拟合问题；神经元个数过少，则会影响网络性能，达不到预期效 果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期 望误差的设定有着直接的联系。目前，对于隐层中神经元数目的确定并没有明确的公式，只 有一些经验公式，神经元个数的最终确定还是需要根据经验和多次实验来确定。本发明在 选取隐层神经元个数的问题上参照了以下的经验公式:

其中， n为输入层神经元个数，m 为输出层神经元个数, a 为[ 1, 10]之间的常数。根据上式可以计算出神经元个数为2-12个之间，经过多次试验，本发明优选隐层神经元个数为6。示例性的，本发明采用如下BP神经网络算法来实现模型构建与新能源汽车维修安全预测：

#coding: utf8

import my_data_1

import network_0

import matplotlib.pyplot as plt

test_data = my_data_1.load_test_data()

filename=r'D:\Workspase\Nerual_networks\parameters.txt'

net = network_0.load(filename)

fig=plt.figure(1)

ax=fig.add_subplot(1,1,1)

ax.axis("equal")

# plt.grid(color='b' , linewidth='0.5' ,linestyle='-')

x=[8,15,22]

y=[6,18,25]

ax.plot(x,y,c='k')

for i in range(len(test_data)):

pre = net.feedforward(test_data[i][0]) # pre

bx=pre[0]

by=pre[1]

ax.scatter(bx,by,s=3,lw=1,marker='.',alpha=1)

plt.pause(0.001)

plt.show()

S4，获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；需要说明的是，上述贝叶斯预测模型经过4个步骤的训练测试，已经可以进行模型预测了，此时进行步骤5.带入最新的行驶数据使用训练好的上述模型进行新能源汽车行驶安全预警预测。需要强调的是，为了提高贝叶斯预测模型的预测准确性，本发明为每个不同型号的新能源汽车设置了不同的叶斯预测模型，以供训练和行驶安全性的预测。所述当前时间段是新能源汽车在行驶状态下的某个时间段，该时间段优选的为该新能源汽车常规的行驶时间段中的一部分，例如，新能源汽车A通常在晚间的18点-24点行驶，此时，可以选取该时间段内的一部分例如22点-23点作为当前时间段，并采集该时间段的当前行驶数据进行分析预测。由于本发明的行驶数据是实时的，而危维修数据是历史静止的，因此本发明充分考虑到了动态数据和静态数据，并分别得到了行驶安全预警结果和维修安全预警结果，从而从不同方面、不同状态进行安全预警， 由此提高了安全预警的全面性和准确性。

S5，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。需要说明的是，为了综合考虑动态数据和静态数据，在分别得到了行驶安全预警结果和维修安全预警结果的情况下，需要对两者进行拟合，以准确获取最终的超载安全预警结果，由此提高超载安全预警的全面性和准确性。

可见，本发明提供的一种基于人工智能的新能源汽车安全预警方法，采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性。

作为一种优选的实施方式，获取多个所述新能源汽车的多个采样时间段的汽车型号、历史行驶数据及其安全预警信息，具体包括：

所述采样时间段包括行驶采样时间段和维修采样时间段；需要说明的是，由于车辆的行驶和维修保养通常在不同的时间段进行，为了提高采样的准确性，本发明分别考虑了行驶采样时间段和维修采样时间段，并在对应的时间段采集对应的数据，即在行驶采样时间段采集行驶数据，在维修采样时间段采集维修数据，由此提高了数据采样的准确性和效率。此外，汽车在行驶过程中也会存在突发故障，此时需要尽快维修，因此，本发明中的采样时间段和维修采样时间段也可以存在交集或者交叉的情况，在此不做限制。

获取新能源汽车的运行时间数据，根据所述运行时间数据计算所述新能源汽车的运行周期，根据所述运行周期中的非空载时间段确定所述新能源汽车的行驶采样时间段；需要说明的是，示例性的，某个新能源汽车B的运行即行驶时间为每天的10点-16点，其中，10点-12点为重载行驶时间段，12点-16点为空载行驶时间段，则所述新能源汽车B的运行周期为天，根据所述运行周期中的非空载时间段10点-12点确定所述新能源汽车B的行驶采样时间段，例如为11点-12点。

获取新能源汽车的维修时间数据，根据所述维修时间数据和维修周期确定所述新能源汽车的维修采样时间段。需要说明的是，示例性的，某个新能源汽车C的维修时间为1月20号、3月18号、5月19号，则该新能源汽车的维修周期为2个月，根据所述维修时间数据和维修周期确定所述新能源汽车C的维修采样时间段，例如为单数月的19号前后某天的处于维修状态的某个时间段。

作为一种优选的实施方式，根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果，具体包括：

在所述新能源汽车的维修时间段根据待预警新能源汽车的汽车牌号采集所述维修数据，将所述维修数据导入所述新能源汽车维修安全预警BP神经网络预测模型，获取所述新能源汽车的维修安全预警结果。需要说明的是，例如，某个新能源汽车C的维修采样时间段，例如为单数月的19号前后某天的处于维修状态的某个时间段；则在该时间段内维修员根据汽车牌号将维修记录上传到维修记录大数据服务器，进行存储，并供新能源汽车维修安全预警BP神经网络预测模型货期，以生成所述新能源汽车C的维修安全预警结果。

作为一种优选的实施方式，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，具体包括：

根据所述汽车型号采集所述非超载行驶数据、非超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；需要说明的是，如前述表1所示，其中第1/2/4三组数据为非超载行驶数据，并对应于非超载的行驶安全预警信息。

根据所述汽车型号采集所述超载行驶数据、超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型。需要说明的是，如前述表1所示，其中第3组数据为超载行驶数据，并对应于超载的行驶安全预警信息。

作为一种优选的实施方式，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果，还包括：

所述待预警新能源汽车当前的超载安全预警结果Z=K1*M+k2*N，其中，M为行驶安全预警结果，N为维修安全预警结果，K1和K2为权重，且K1+K2=1。需要说明的是，该实施例中综合考虑到了行驶安全预警结果M和所述维修安全预警结果N，并为两种预警结果设置了对应的权重值，即K1和K2；示例性的K1为0.7，K2为0.3。此外，本发明还可以采用其他方式来进行最终的待预警新能源汽车当前的超载安全预警结果的判断，例如，仅仅当行驶安全预警结果为超载和维修安全预警结果为异常时才得到所述待预警新能源汽车当前的超载安全预警结果为超载，当行驶安全预警结果为不超载或者维修安全预警结果为正常时得到所述待预警新能源汽车当前的超载安全预警结果为不超载；或者采用其他对两个预警结果的拟合方法，在此不做限制。

作为一种优选的实施方式，还包括：

如果所述待预警新能源汽车当前的超载安全预警结果为超载，则获取所述新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车，则根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；需要说明的是，由于汽车的运营通常为公司化运营，因此，车辆的超载往往具有车辆型号的一致性、行驶时间的一致性和行驶轨迹的一致性，因此，为了减少不同车辆的传感器检测设备的安装数量，或者避免个别车辆的传感器检测设备损坏造成的无法准确检测车辆是否超载的问题，本发明提出了该实施例的实施方式，即当某个车辆识别为超载后，对同一型号、同一行驶轨迹和行驶时间段的车辆进行是否超载的进一步判断，即获取已超载的新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车（例如归属于同一运营公司的多辆同型号汽车跟车行驶），则可以通过路口的摄像头等设备识别该超载车辆和同行的其他车辆的车牌号，并通过存储车牌号、车辆型号等车辆信息的大数据服务器来根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，并识别出同型号的其他车辆，然后将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；所述安全预警服务器发出所述汽车牌号的超载警戒预警信息；以供进一步识别判断同行的其他车辆是否超载。由此可见，该实施方式通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据；如果所述图像数据中车厢图像的相似度大于等于第一相似度阈值，则所述安全预警服务器将所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果所述图像数据中车厢图像的相似度小于第一相似度阈值，则所述安全预警服务器解除所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息。需要说明的是，该实施方式可以通过路口的摄像头采集已识别出超载的待预警新能源汽车和相同型号的跟车行驶的新能源汽车在同一路段的行驶图像数据，由于同型号的车辆具有相似的外观，因此，可以通过比较车辆外观尤其是车厢、车斗的图像来判断待识别车辆与已超载车辆的车厢图像是否一致，以判断待识别车辆是否超载，例如，已超载车辆的车斗图像是明显凸起的，而同型号跟车行驶的其他车辆的车斗图像也是明显凸起的，显然，这些同型号的车辆很大可能归属于同一运营公司执行同样的运输任务，即待识别车辆也存在超载的违法行为；反之，如果待识别车辆的车斗图像是明显凹下去的，与已超载车辆的车斗图像明显不一致，则待识别车辆并不存在超载的违法行为。可见，本发明的方法有效利用了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，通过安装于路口等交通道路旁边的摄像头采集的图像与已超载的同型号车辆的图像进行比较，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的车速，如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度大于等于第二相似度阈值，则所述安全预警服务器将所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度小于第一相似度阈值，则所述安全预警服务器解除所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息。需要说明的是，作为另外一种实施方式，本发明同样考虑到了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，在车辆同时向同一方向的运输过程中，如果某个车辆超载，则其他车辆必然不会是空载行驶状态，而且很可能也存在超载行驶的违法行为；此时，如果其他跟车的车辆与已超载的车辆具有相同或者相似的速度，则表明这些车辆也很可能存在超载的违法行为。反之，如果与超载车辆同行的同型号车辆具有更高的车速，往往表明其没有超载或者是空载行驶，因为在超载车辆行驶过程中受其发动机功率等机械性能影响，其行驶速度往往的较慢或者维持在某个最佳速度范围内的，而没有超载或者空载行驶的同型号车辆往往具有不同的最佳行驶速度，司机则会以更快的速度行驶，两者的速度则会存在较大的不一致性；由此可以通过车辆的行驶速度的差异性来判断待识别车辆是否与超载车辆都处于超载状态，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据，根据所述图像数据获取所述待预警新能源汽车和相同型号的新能源汽车的行驶顺序；如果存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器将所述行驶顺序保持一致的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果不存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器解除行驶顺序不一致的新能源汽车的汽车牌号的超载警戒预警信息。作为另外一种实施方式，本发明同样考虑到了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，在车辆同时向同一方向的运输过程中，如果某个车辆超载，则其他车辆必然不会是空载行驶状态，而且很可能也存在超载行驶的违法行为；此时，如果其他跟车的车辆与已超载的车辆具有相对一致的行驶顺序，例如超载车辆为B，其他待识别车辆为A/C/D，其最初行驶顺序为A-B-C-D，而在经过设定距离例如5km后，其行驶顺序依然为A-B-C-D，则表明这些车辆A/C/D也很可能存在超载的违法行为。反之，如果与超载车辆同行的同型号车辆具有更高的车速而超越超载车辆行驶，而在经过设定距离例如5km后，其行驶顺序为D-A-B-C，此时反复超车的车辆D具有更高的车速，表明其最佳行驶速度比其他车辆要高，从而识别车辆D没有超载或者是空载行驶，因为在超载车辆行驶过程中受其发动机功率等机械性能影响，其行驶速度往往的较慢或者维持在某个最佳速度范围内的，而没有超载或者空载行驶的同型号车辆往往具有不同的最佳行驶速度，司机则会以更快的速度行驶，两者的速度导致行驶顺序会存在较大的不一致性；反之，车辆A和C由于相对速度一致导致与超载车辆B的行驶顺序保持不变，从而识别车辆A和C出存在超载行为。由此可以通过车辆的行驶顺序的差异性来判断待识别车辆是否与超载车辆都处于超载状态，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

本发明提供一种基于人工智能的新能源汽车安全预警方法，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

实施例二：

如图2所示，本发明提供本发明提供一种基于人工智能的新能源汽车安全预警系统，所述系统包括如下模块：

采样模块，用于获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；需要说明的是，多个所述新能源汽车可以为相同型号的新能源汽车，也可以为不同型号的新能源汽车，在此不做限制；其中的型号是指同一品牌的某个系列的新能源汽车，而并非同一系列的不同版本，这是因为本发明中新能源汽车的安全性能在同一品牌的某个系列的新能源汽车是基本相同的，不同之处仅仅在于外观、座椅材质等辅助性内饰等之间的区别，这种区别对于本发明来说可以忽略；同时，将同一品牌的某个系列的新能源汽车作为一个型号来管理也是为了从大类别来识别汽车型号，从而样本的广泛性和匹配性更好。本发明主要考虑到车辆的安全预警，因此所述采样时间段主要指汽车在路上行驶过程中所在的时间段，所述采样时间段可以通过采集车辆的历史行驶记录来确定，通常选取行驶在路上最多的时间段，可以为白天也可以为晚上，在此不做限制。其中的新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息等信息可以预先存储于大数据服务器等位置，以供取用、更新。

历史行驶数据训练模块，用于根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；需要说明的是，由于新能源汽车都具有较为完善的传感器系统，因此，本发明的新能源汽车的轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量等参数都可以通过汽车内置的传感器来进行采集获取，在此不做赘述。如前所述，由于相同品牌的某个型号系列的新能源汽车在动力等主要配置方面是相同的，因此相同型号的汽车具有相同或者类似的正常行驶数据，换言之，如果其中某个汽车某个时间或者某个时间段处于超载状态，则其行驶数据会出现偏离正常值的异常状态，尤其是本发明所指的上述轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量等行驶参数，因此，本发明为相同型号的汽车配置对应的预测模型，以对该型号的汽车的行驶数据进行训练，从而能够根据汽车的行驶数据识别出车辆是否处于超载状态。人工智能，顾名思义ArtificialIntelligence，缩写是大家熟知的AI。是让计算机具备人类拥有的能力——感知、学习、记忆、推理、决策等。细分的话，机器感知包括机器视觉、NLP，学习有模式识别、机器学习、增强学习、迁移学习等，记忆如知识表示，决策包括规划、数据挖掘、专家系统等。其中，机器学习（MachineLearning，ML）逐渐成为热门学科，主要目的是设计和分析一些学习算法，让计算机从数据中获得一些决策函数，从而可以帮助人们解决一些特定任务，提高效率。它的研究领域涉及了概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。神经网络，主要指人工神经网络（ArtificialNeural Network，ANN），是机器学习算法中比较接近生物神经网络特性的数学模型。通过模拟人类神经网络的结构和功能，由大量“神经元”构成了一个复杂的神经网络，模拟神经元的刺激和抑制的过程，最终完成复杂运算。具体而言，本发明为行驶数据选择了贝叶斯预测模型，通过为该模型输入预先获取的多个历史行驶数据及其行驶安全预警信息作为先验信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，从而实现贝叶斯预测模型的训练操作。显然，贝叶斯预测模型是利用贝叶斯公式将预测的主观认识或经验认识与先验信息综合，得到后验信息，所以后验信息不仅仅包含先验信息，还体现了对汽车行车安全的主观认识，因此贝叶斯预测能够处理异常情况的发生，从而提高预测的准确性。

贝叶斯预测模型的训练过程如下：

1.首先导入如下的库文件：

import numpy as np

import pandas as pd

from sklearn import cross_validation

from sklearn.naive_bayes import GaussianNB

2.创建并读取历史数据即历史行驶数据及其驶安全预警信息：

Hist_security=pd.DataFrame(pd.read_excel(' Hist_security.xlsx'))

Hist_security.columns

Index([' pressure ', ' acceleration ', ' distance ',’ unload power’,’power consumption’], dtype='object')

例如，采用如下表1所示的样本数据：

3.设置输入特征X和输出结果Y：

X=np.array(Hist_security [[' pressure ', ' acceleration ', ' distance ',’unload power’,’ power consumption’]])

Y=np.array(Hist_security [' security '])

4.将样本历史行驶数据进行分类训练测试

X_train,X_test,y_train,y_test=cross_validation.train_test_split(X,Y,test_size=0.3,random_state=0)

至此，上述贝叶斯预测模型训练与测试已经完成。此外，本发明的预测模型不局限于上述贝叶斯预测模型，还可以是CNN，RNN，DBN，GAN等神经网络等其他类型的人工智能预测模型，在此不做限制。

历史维修数据训练模块，用于根据所述汽车牌号采集所述历史维修数据、所述维 修安全预警信息以训练新能源汽车维修安全预警BP神经网络预测模型；所述维修数据包 括：轮胎更换里程、刹车片更换里程、电池更换里程；所述维修安全预警信息包括正常损耗 和异常损耗；需要说明的是，例如，在正常的非超载行驶时汽车的轮胎、刹车片、电池都有比 较正常或者与设计相同或者类似的使用寿命，而在车辆经常处于超载行驶的情况下汽车的 轮胎、刹车片、电池的寿命都会大大缩短，由此可以将上述维修数据作为车辆是否超载的一 个判断因素，从而综合车辆各个方面的数据对汽车的超载情况进行一个综合的判断，从而 提高汽车超载安全性的准确性。此外，上述轮胎、刹车片、电池的更换可以通过为每个待更 换配件设置标识ID，从而在更换过程中判断该标识ID是否变化，从而判断车辆是否更换该 配件；例如，某汽车左前位置的轮胎的标识ID为XXXX0113，汽车在维修后检测到该位置的轮 胎标识ID变为XXXX2043，此时则表明该轮胎已被更换，而轮胎更换的原因最大可能是因为 磨损严重，因此，可以将轮胎是否被更换作为车辆是否超载的一个判断因素；另一方面，由 于在车辆使用过程中会存在不同位置的轮胎磨损不一样的情况存在，此时司机会将不同位 置的轮胎调换位置的情况，考虑到此种情况，本发明优选的，仅仅将轮胎被换下的情况标记 为轮胎更换，而将轮胎调换位置的情况不标记为轮胎更换，以增加判断的准确性。类似的， 可以为刹车片和电池设置对应的标识ID以识别其是否被更换，具体方法与轮胎相似，在此 不做赘述。具体到本发明的新能源汽车维修安全预警BP神经网络预测模型而言，BP网络 （Back-ProPagation Network）又称反向传播神经网络， 通过样本数据的训练，不断修正网 络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神 经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。BP网络由输入 层、隐层和输出层组成，隐层可以有一层或多层，常见的为三层BP网络模型，网络选用S型传 递函数，

通过反传误差函数

（ Ti为期望输出、Oi为网络的 计算输出），不断调节网络权值和阈值使误差函数E达到极小。本发明的BP神经网络由每组 数据的轮胎更换里程、刹车片更换里程、电池更换里程作为输入，以维修安全预警信息作为 输出，所以输入层的节点数为3，输出层的节点数为1。此外，有一个隐层的神经网络, 只要 隐节点足够多, 就可以以任意精度逼近一个非线性函数。因此，本文采用含有一个隐层的 三层多输入单输出的BP网络建立预测模型。在网络设计过程中，隐层神经元数的确定十分 重要。隐层神经元个数过多，会加大网络计算量并容易产生过度拟合问题；神经元个数过 少，则会影响网络性能，达不到预期效果。网络中隐层神经元的数目与实际问题的复杂程 度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前，对于隐层中神 经元数目的确定并没有明确的公式，只有一些经验公式，神经元个数的最终确定还是需要 根据经验和多次实验来确定。本发明在选取隐层神经元个数的问题上参照了以下的经验公 式:

其中， n为输入层神经元个数，m 为输出层神经元个数, a 为[ 1, 10]之间的常数。根据上式可以计算出神经元个数为2-12个之间，经过多次试验，本发明优选隐层神经元个数为6。示例性的，本发明采用如下BP神经网络算法来实现模型构建与新能源汽车维修安全预测：

#coding: utf8

import my_data_1

import network_0

import matplotlib.pyplot as plt

test_data = my_data_1.load_test_data()

filename=r'D:\Workspase\Nerual_networks\parameters.txt'

net = network_0.load(filename)

fig=plt.figure(1)

ax=fig.add_subplot(1,1,1)

ax.axis("equal")

# plt.grid(color='b' , linewidth='0.5' ,linestyle='-')

x=[8,15,22]

y=[6,18,25]

ax.plot(x,y,c='k')

for i in range(len(test_data)):

pre = net.feedforward(test_data[i][0]) # pre

bx=pre[0]

by=pre[1]

ax.scatter(bx,by,s=3,lw=1,marker='.',alpha=1)

plt.pause(0.001)

plt.show()

预警判断模块，用于获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；需要说明的是，上述贝叶斯预测模型经过4个步骤的训练测试，已经可以进行模型预测了，此时进行步骤5.带入最新的行驶数据使用训练好的上述模型进行新能源汽车行驶安全预警预测。需要强调的是，为了提高贝叶斯预测模型的预测准确性，本发明为每个不同型号的新能源汽车设置了不同的叶斯预测模型，以供训练和行驶安全性的预测。所述当前时间段是新能源汽车在行驶状态下的某个时间段，该时间段优选的为该新能源汽车常规的行驶时间段中的一部分，例如，新能源汽车A通常在晚间的18点-24点行驶，此时，可以选取该时间段内的一部分例如22点-23点作为当前时间段，并采集该时间段的当前行驶数据进行分析预测。由于本发明的行驶数据是实时的，而危维修数据是历史静止的，因此本发明充分考虑到了动态数据和静态数据，并分别得到了行驶安全预警结果和维修安全预警结果，从而从不同方面、不同状态进行安全预警， 由此提高了安全预警的全面性和准确性。

预警模块，用于根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。

需要说明的是，为了综合考虑动态数据和静态数据，在分别得到了行驶安全预警结果和维修安全预警结果的情况下，需要对两者进行拟合，以准确获取最终的超载安全预警结果，由此提高超载安全预警的全面性和准确性。

可见，本发明提供的一种基于人工智能的新能源汽车安全预警系统，采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性。

作为一种优选的实施方式，获取多个所述新能源汽车的多个采样时间段的汽车型号、历史行驶数据及其安全预警信息，具体包括：

所述采样时间段包括行驶采样时间段和维修采样时间段；需要说明的是，由于车辆的行驶和维修保养通常在不同的时间段进行，为了提高采样的准确性，本发明分别考虑了行驶采样时间段和维修采样时间段，并在对应的时间段采集对应的数据，即在行驶采样时间段采集行驶数据，在维修采样时间段采集维修数据，由此提高了数据采样的准确性和效率。此外，汽车在行驶过程中也会存在突发故障，此时需要尽快维修，因此，本发明中的采样时间段和维修采样时间段也可以存在交集或者交叉的情况，在此不做限制。

获取新能源汽车的运行时间数据，根据所述运行时间数据计算所述新能源汽车的运行周期，根据所述运行周期中的非空载时间段确定所述新能源汽车的行驶采样时间段；需要说明的是，示例性的，某个新能源汽车B的运行即行驶时间为每天的10点-16点，其中，10点-12点为重载行驶时间段，12点-16点为空载行驶时间段，则所述新能源汽车B的运行周期为天，根据所述运行周期中的非空载时间段10点-12点确定所述新能源汽车B的行驶采样时间段，例如为11点-12点。

获取新能源汽车的维修时间数据，根据所述维修时间数据和维修周期确定所述新能源汽车的维修采样时间段。需要说明的是，示例性的，某个新能源汽车C的维修时间为1月20号、3月18号、5月19号，则该新能源汽车的维修周期为2个月，根据所述维修时间数据和维修周期确定所述新能源汽车C的维修采样时间段，例如为单数月的19号前后某天的处于维修状态的某个时间段。

作为一种优选的实施方式，根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果，具体包括：

在所述新能源汽车的维修时间段根据待预警新能源汽车的汽车牌号采集所述维修数据，将所述维修数据导入所述新能源汽车维修安全预警BP神经网络预测模型，获取所述新能源汽车的维修安全预警结果。需要说明的是，例如，某个新能源汽车C的维修采样时间段，例如为单数月的19号前后某天的处于维修状态的某个时间段；则在该时间段内维修员根据汽车牌号将维修记录上传到维修记录大数据服务器，进行存储，并供新能源汽车维修安全预警BP神经网络预测模型货期，以生成所述新能源汽车C的维修安全预警结果。

作为一种优选的实施方式，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，具体包括：

根据所述汽车型号采集所述非超载行驶数据、非超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；需要说明的是，如前述表1所示，其中第1/2/4三组数据为非超载行驶数据，并对应于非超载的行驶安全预警信息。

根据所述汽车型号采集所述超载行驶数据、超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型。需要说明的是，如前述表1所示，其中第3组数据为超载行驶数据，并对应于超载的行驶安全预警信息。

作为一种优选的实施方式，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果，还包括：

所述待预警新能源汽车当前的超载安全预警结果Z=K1*M+k2*N，其中，M为行驶安全预警结果，N为维修安全预警结果，K1和K2为权重，且K1+K2=1。需要说明的是，该实施例中综合考虑到了行驶安全预警结果M和所述维修安全预警结果N，并为两种预警结果设置了对应的权重值，即K1和K2；示例性的K1为0.7，K2为0.3。此外，本发明还可以采用其他方式来进行最终的待预警新能源汽车当前的超载安全预警结果的判断，例如，仅仅当行驶安全预警结果为超载和维修安全预警结果为异常时才得到所述待预警新能源汽车当前的超载安全预警结果为超载，当行驶安全预警结果为不超载或者维修安全预警结果为正常时得到所述待预警新能源汽车当前的超载安全预警结果为不超载；或者采用其他对两个预警结果的拟合方法，在此不做限制。

作为一种优选的实施方式，还包括：

如果所述待预警新能源汽车当前的超载安全预警结果为超载，则获取所述新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车，则根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；需要说明的是，由于汽车的运营通常为公司化运营，因此，车辆的超载往往具有车辆型号的一致性、行驶时间的一致性和行驶轨迹的一致性，因此，为了减少不同车辆的传感器检测设备的安装数量，或者避免个别车辆的传感器检测设备损坏造成的无法准确检测车辆是否超载的问题，本发明提出了该实施例的实施方式，即当某个车辆识别为超载后，对同一型号、同一行驶轨迹和行驶时间段的车辆进行是否超载的进一步判断，即获取已超载的新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车（例如归属于同一运营公司的多辆同型号汽车跟车行驶），则可以通过路口的摄像头等设备识别该超载车辆和同行的其他车辆的车牌号，并通过存储车牌号、车辆型号等车辆信息的大数据服务器来根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，并识别出同型号的其他车辆，然后将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；所述安全预警服务器发出所述汽车牌号的超载警戒预警信息；以供进一步识别判断同行的其他车辆是否超载。由此可见，该实施方式通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据；如果所述图像数据中车厢图像的相似度大于等于第一相似度阈值，则所述安全预警服务器将所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果所述图像数据中车厢图像的相似度小于第一相似度阈值，则所述安全预警服务器解除所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息。需要说明的是，该实施方式可以通过路口的摄像头采集已识别出超载的待预警新能源汽车和相同型号的跟车行驶的新能源汽车在同一路段的行驶图像数据，由于同型号的车辆具有相似的外观，因此，可以通过比较车辆外观尤其是车厢、车斗的图像来判断待识别车辆与已超载车辆的车厢图像是否一致，以判断待识别车辆是否超载，例如，已超载车辆的车斗图像是明显凸起的，而同型号跟车行驶的其他车辆的车斗图像也是明显凸起的，显然，这些同型号的车辆很大可能归属于同一运营公司执行同样的运输任务，即待识别车辆也存在超载的违法行为；反之，如果待识别车辆的车斗图像是明显凹下去的，与已超载车辆的车斗图像明显不一致，则待识别车辆并不存在超载的违法行为。可见，本发明的方法有效利用了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，通过安装于路口等交通道路旁边的摄像头采集的图像与已超载的同型号车辆的图像进行比较，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的车速，如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度大于等于第二相似度阈值，则所述安全预警服务器将所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度小于第一相似度阈值，则所述安全预警服务器解除所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息。需要说明的是，作为另外一种实施方式，本发明同样考虑到了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，在车辆同时向同一方向的运输过程中，如果某个车辆超载，则其他车辆必然不会是空载行驶状态，而且很可能也存在超载行驶的违法行为；此时，如果其他跟车的车辆与已超载的车辆具有相同或者相似的速度，则表明这些车辆也很可能存在超载的违法行为。反之，如果与超载车辆同行的同型号车辆具有更高的车速，往往表明其没有超载或者是空载行驶，因为在超载车辆行驶过程中受其发动机功率等机械性能影响，其行驶速度往往的较慢或者维持在某个最佳速度范围内的，而没有超载或者空载行驶的同型号车辆往往具有不同的最佳行驶速度，司机则会以更快的速度行驶，两者的速度则会存在较大的不一致性；由此可以通过车辆的行驶速度的差异性来判断待识别车辆是否与超载车辆都处于超载状态，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

作为一种优选的实施方式，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据，根据所述图像数据获取所述待预警新能源汽车和相同型号的新能源汽车的行驶顺序；如果存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器将所述行驶顺序保持一致的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；如果不存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器解除行驶顺序不一致的新能源汽车的汽车牌号的超载警戒预警信息。作为另外一种实施方式，本发明同样考虑到了同一运营公司的同一型号的车辆执行相同的运输任务时行驶路线、行驶时间的相似性，例如渣土车运输场景中，在车辆同时向同一方向的运输过程中，如果某个车辆超载，则其他车辆必然不会是空载行驶状态，而且很可能也存在超载行驶的违法行为；此时，如果其他跟车的车辆与已超载的车辆具有相对一致的行驶顺序，例如超载车辆为B，其他待识别车辆为A/C/D，其最初行驶顺序为A-B-C-D，而在经过设定距离例如5km后，其行驶顺序依然为A-B-C-D，则表明这些车辆A/C/D也很可能存在超载的违法行为。反之，如果与超载车辆同行的同型号车辆具有更高的车速而超越超载车辆行驶，而在经过设定距离例如5km后，其行驶顺序为D-A-B-C，此时反复超车的车辆D具有更高的车速，表明其最佳行驶速度比其他车辆要高，从而识别车辆D没有超载或者是空载行驶，因为在超载车辆行驶过程中受其发动机功率等机械性能影响，其行驶速度往往的较慢或者维持在某个最佳速度范围内的，而没有超载或者空载行驶的同型号车辆往往具有不同的最佳行驶速度，司机则会以更快的速度行驶，两者的速度导致行驶顺序会存在较大的不一致性；反之，车辆A和C由于相对速度一致导致与超载车辆B的行驶顺序保持不变，从而识别车辆A和C出存在超载行为。由此可以通过车辆的行驶顺序的差异性来判断待识别车辆是否与超载车辆都处于超载状态，从而判断待识别车辆是否超载，大大提高了车辆超载识别的准确性，无需执法人员到达现场即可准确识别车辆是否超载，从而降低了执法成本，并可以锁定证据，更有说服力。

本发明提供一种基于人工智能的新能源汽车安全预警系统，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

实施例三：

作为另一种实施例，本发明提供一种基于人工智能的新能源汽车安全预警方法的车辆，所述车辆具有处理器及其存储介质，其处理器执行前述实施例一种任一项所述的方法。

实施例四：

作为另一种实施例，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储于基于人工智能的新能源汽车安全预警系统内的存储器中，所述计算机可读存储介质包括执行上述基于人工智能的新能源汽车安全预警方法。

本发明提供一种基于人工智能的新能源汽车安全预警方法、系统及车辆，其采集了包括历史行驶数据和历史维修数据在内的多种不同类型的涉及到汽车安全行驶的数据，并分别采用不同的人工智能模型进行训练，得到对应的汽车安全预警结果，并拟合两种汽车安全预警结果得到最终的超载安全预警结果，从而大大提高了汽车的安全预警的效率和准确性；此外，通过检测超载汽车的行驶轨迹数据预测同型号的其他汽车的超载安全预警结果，从而无需为每个汽车安装超载检测装置来进行超载检测，从而大大降低了检测设备的研发、安装和维护成本；最后，本发明充分利用了新能源汽车的各种车身传感器来获取车辆数据，以用于汽车安全预警。

本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(Erasable ProgrammableRead-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指 令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的新能源汽车安全预警方法，其特征在于，所述方法包括如下步骤：

S1，获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；

S2，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；

S3，根据所述汽车牌号采集所述历史维修数据、所述维修安全预警信息以训练新能源汽车维修安全预警BP神经网络预测模型；所述维修数据包括：轮胎更换里程、刹车片更换里程、电池更换里程；所述维修安全预警信息包括正常损耗和异常损耗；

S4，获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；

S5，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。

2.根据权利要求1所述的方法，其特征在于，获取多个所述新能源汽车的多个采样时间段的汽车型号、历史行驶数据及其安全预警信息，具体包括：

所述采样时间段包括行驶采样时间段和维修采样时间段；

获取新能源汽车的运行时间数据，根据所述运行时间数据计算所述新能源汽车的运行周期，根据所述运行周期中的非空载时间段确定所述新能源汽车的行驶采样时间段；

获取新能源汽车的维修时间数据，根据所述维修时间数据和维修周期确定所述新能源汽车的维修采样时间段。

3.根据权利要求2所述的方法，其特征在于，根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果，具体包括：

在所述新能源汽车的维修时间段根据待预警新能源汽车的汽车牌号采集所述维修数据，将所述维修数据导入所述新能源汽车维修安全预警BP神经网络预测模型，获取所述新能源汽车的维修安全预警结果。

4.根据权利要求1所述的方法，其特征在于，根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型，具体包括：

根据所述汽车型号采集所述非超载行驶数据、非超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；

根据所述汽车型号采集所述超载行驶数据、超载的行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型。

5.根据权利要求1所述的方法，其特征在于，根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果，还包括：

所述待预警新能源汽车当前的超载安全预警结果Z=K1*M+k2*N，其中，M为行驶安全预警结果，N为维修安全预警结果，K1和K2为权重，且K1+K2=1。

6.根据权利要求1所述的方法，其特征在于，还包括：

如果所述待预警新能源汽车当前的超载安全预警结果为超载，则获取所述新能源汽车的行驶轨迹，如果在相同时间段存在多个相同行驶轨迹的新能源汽车，则根据多个所述新能源汽车的汽车牌号获取所述多个新能源汽车的汽车型号，将与所述待预警新能源汽车相同型号的新能源汽车的汽车牌号和超载警戒预警信息发送到安全预警服务器；

所述安全预警服务器发出所述汽车牌号的超载警戒预警信息。

7.根据权利要求6所述的方法，其特征在于，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据；如果所述图像数据中车厢图像的相似度大于等于第一相似度阈值，则所述安全预警服务器将所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述图像数据中车厢图像的相似度小于第一相似度阈值，则所述安全预警服务器解除所述图像数据对应的新能源汽车的汽车牌号的超载警戒预警信息。

8.根据权利要求7所述的方法，其特征在于，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的车速，如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度大于等于第二相似度阈值，则所述安全预警服务器将所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果所述待预警新能源汽车和相同型号的新能源汽车的车速的相似度小于第一相似度阈值，则所述安全预警服务器解除所述相同型号的新能源汽车的汽车牌号的超载警戒预警信息。

9.根据权利要求7所述的方法，其特征在于，所述安全预警服务器发出所述汽车牌号的超载警戒预警信息，还包括：

采集并比较所述待预警新能源汽车和相同型号的新能源汽车在同一路段的行驶图像数据，根据所述图像数据获取所述待预警新能源汽车和相同型号的新能源汽车的行驶顺序；如果存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器将所述行驶顺序保持一致的新能源汽车的汽车牌号的超载警戒预警信息调整为超载信息；

如果不存在多个行驶顺序保持一致的包括所述待预警新能源汽车在内的新能源汽车，则所述安全预警服务器解除行驶顺序不一致的新能源汽车的汽车牌号的超载警戒预警信息。

10.一种基于人工智能的新能源汽车安全预警系统，其特征在于，所述系统包括如下模块：

采样模块，用于获取多个所述新能源汽车的多个采样时间段的汽车型号、汽车牌号、历史维修数据、维修安全预警信息、历史行驶数据、行驶安全预警信息；

历史行驶数据训练模块，用于根据所述汽车型号采集所述历史行驶数据、所述行驶安全预警信息以训练所述汽车型号的新能源汽车行驶安全预警贝叶斯预测模型；所述行驶数据包括：轮胎胎压、制动加速度及其刹车车程、卸载动力、耗电量；所述行驶安全预警信息包括超载和非超载；

历史维修数据训练模块，用于根据所述汽车牌号采集所述历史维修数据、所述维修安全预警信息以训练新能源汽车维修安全预警BP神经网络预测模型；所述维修数据包括：轮胎更换里程、刹车片更换里程、电池更换里程；所述维修安全预警信息包括正常损耗和异常损耗；

预警判断模块，用于获取待预警新能源汽车的汽车型号，根据所述汽车型号获取对应的新能源汽车行驶安全预警贝叶斯预测模型，采集所述待预警新能源汽车的当前时间段的当前行驶数据，将所述当前行驶数据导入所述新能源汽车行驶安全预警贝叶斯预测模型，获取所述新能源汽车的行驶安全预警结果；根据待预警新能源汽车的汽车牌号，获取所述新能源汽车的维修安全预警结果；

预警模块，用于根据所述待预警新能源汽车的行驶安全预警结果和所述维修安全预警结果，得到所述待预警新能源汽车当前的超载安全预警结果。

Images