CN112215118A - 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质 - Google Patents

车辆传感器数据特征自动提取方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112215118A
CN112215118A CN202011065454.9A CN202011065454A CN112215118A CN 112215118 A CN112215118 A CN 112215118A CN 202011065454 A CN202011065454 A CN 202011065454A CN 112215118 A CN112215118 A CN 112215118A
Authority
CN
China
Prior art keywords
data
sequence
vehicle sensor
interception
vehicle
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
CN202011065454.9A
Other languages
English (en)
Other versions
CN112215118B (zh
Inventor
丁磊
陈盼
李伟
丘世全
蔡鹏�
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.)
Human Horizons Shanghai Internet Technology Co Ltd
Original Assignee
Human Horizons Shanghai Internet 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 Human Horizons Shanghai Internet Technology Co Ltd filed Critical Human Horizons Shanghai Internet Technology Co Ltd
Priority to CN202011065454.9A priority Critical patent/CN112215118B/zh
Publication of CN112215118A publication Critical patent/CN112215118A/zh
Application granted granted Critical
Publication of CN112215118B publication Critical patent/CN112215118B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种车辆传感器数据特征自动提取方法、装置及计算机可读存储介质，所述方法包括：获取在车辆处于运行工况下至少一车辆传感器产生的数据流；以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储；将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接；对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。本发明能够提取出车辆传感器数据流中的新的数据特征。

Description

车辆传感器数据特征自动提取方法、装置及计算机可读存储 介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种车辆传感器数据特征自动提取 方法、装置及计算机可读存储介质。
背景技术
车辆传感器数据流中包含大量有价值的数据特征模式，这些数据特征模式是 大数据分析算法和人工智能算法建模的重要输入数据。目前，都是基于已训练出 的数据识别模型来识别出车辆传感器数据流中的数据特征，但是这种方式，只能 是识别出已知的数据特征，提取不出新的数据特征。
发明内容
本发明实施例提供一种车辆传感器数据特征自动提取方法、装置及计算机可 读存储介质，能够提取出车辆传感器数据流中的新的数据特征。
本发明一实施例提供一种车辆传感器数据特征自动提取方法，包括：
获取在车辆处于运行工况下至少一车辆传感器产生的数据流；
以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感 器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序 列并存储；
将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传感器 类型的数据序列逐一进行数据拼接；
对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定 拼接得到的所述数据序列中的数据特征模式序列。
作为上述方案的改进，在所述将当前截取得到的所述数据序列与本地存储的 先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接之前，在所述以预 设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述 数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储 之后，所述方法还包括：
将当前截取得到的所述数据序列与先前存储的同车辆传感器类型的每一数 据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的数据序列进行数据特征分析，并根据数据特征分析 结果，确定拼接得到的所述数据序列中的数据特征模式序列之后，所述方法还包 括：
将所述数据特征模式序列与相似度比较结果为最高的且为本地存储的先前 截取到的同车辆传感器类型的数据序列进行数据融合，得到融合后的数据特征模 式序列。
作为上述方案的改进，在得到融合后的数据特征模式序列后，所述方法还包 括：
将融合后的数据特征模式序列与所述车辆工况上传到服务器，以使所述服务 器根据获取到的所有的与同一运行工况对应的数据特征模式序列进行数据分析， 而得到数据分析结果；所述服务器存储有多个车辆上传的数据特征模式序列；
其中，所述数据分析结果包括以下中的至少一种：用户用车行为模式、道路 路面地形识别结果、车辆部件状态监控与故障原因分析结果。
作为上述方案的改进，在所述以预设的且与所述运行工况对应的数据截取宽 度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各 车辆传感器所对应的数据序列并存储，包括：
以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感 器的所述数据流进行数据的滑动截取，以截取得到对应的数据序列；
对截取到的数据序列进行归一化处理并缓存。
作为上述方案的改进，所述数据融合的算法为：
Figure BDA0002713634250000031
其中，cold为预设的原有数据模式修正系数，pold为原有数据模式匹配度， cnew为预设的新数据模式修正系数，pnew为原有数据模式匹配度，motifs-old(ti) 为前数据序列，motifs-new(ti)为当前的数据特征模式序列。
作为上述方案的改进，所述对拼接得到的数据序列进行数据特征分析，并根 据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列，包 括：
通过Matrix Profile算法对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
作为上述方案的改进，所述车辆传感器为用于采集车辆悬架的振动信号的悬 架传感器，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure BDA0002713634250000032
或，所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure BDA0002713634250000033
其中，max-speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
作为上述方案的改进，若所述滑动窗口是对数据流进行多个关联信号联合提 取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure BDA0002713634250000041
其中，tsample为预设的时间采样长度，σ(s1,s2,s3,si)为多个标量数据流的 ti时刻的标准差。
作为上述方案的改进，所述滑动窗口的滑动步长与所述车辆传感器的采样频 率对应。
本发明另一实施例对应提供了一种车辆传感器数据特征自动提取装置，其包 括：
数据流获取模块，用于获取在车辆处于运行工况下至少一车辆传感器产生的 数据流；
数据截取模块，用于以预设的且与所述运行工况对应的数据截取宽度的滑动 窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感 器所对应的数据序列并存储；
数据拼接模块，用于将当前截取得到的所述数据序列与本地存储的先前截取 到的同车辆传感器类型的数据序列逐一进行数据拼接；及，
数据特征分析模块，用于对拼接得到的数据序列进行数据特征分析，并根据 数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
本发明另一实施例提供了一种车辆传感器数据特征自动提取装置，包括处理 器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程 序，所述处理器执行所述计算机程序时实现上述发明实施例所述的车辆传感器数 据特征自动提取方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储 的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所 在设备执行上述发明实施例所述的车辆传感器数据特征自动提取方法。
相比于现有技术，上述技术方案中的一个技术方案具有如下优点：
通过将对车辆传感器产生的数据流进行数据的滑动截取而得到的数据序列， 与先前截取到的同类型车辆传感器的数据序列逐一进行数据拼接；接着对拼接得 到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的数 据序列中的数据特征模式序列，这样该数据特征模式序列就是新的数据特征。由 此可见，本发明实施例能够自动提取出车俩传感器数据流中新的数据特征，这样 可以将新的数据特征作为新的数据样本来用于相关数据模型的训练，从而能够让 相关的数据模型训练的训练效果更好。
附图说明
图1是本发明一实施例提供的一种车辆传感器数据特征自动提取方法的流程 示意图；
图2示出了Matrix Profile算法对同一数据序列作为矩阵的两个维度来进行特征分析的过程；
图3是本发明一实施例中的含有多个关联的振动信号的信号图；
图4是本发明一实施例提供的一种车辆传感器数据特征自动提取装置的结构 示意图；
图5是本发明另一实施例提供的一种车辆传感器数据特征自动提取装置的结 构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。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。
参见图1，是本发明一实施例提供的一种车辆传感器数据特征自动提取方法 的流程示意图。所述方法由车辆传感器数据特征自动提取装置执行，例如车辆的 主控装置(如车身域控制器)。所述方法包括：
S10，获取在车辆处于运行工况下至少一车辆传感器产生的数据流；
其中，车辆传感器可以是用于检测车辆悬架的振动的车辆悬架传感器、用于 检测轮速的轮速传感器、用于检测车辆加速度的加速度传感器、用于检测制动踏 板信号的制动踏板检测传感器或者是用于检测车内湿度的湿度传感器等。
在本实施例中，以所述车辆传感器为车辆悬架传感器为例做具体描述。作为 示例的，在车辆行驶于路面上时，车辆的运行工况可以为匀速行驶、加速行驶或 减速行驶、车辆转向、平路行驶或坡道行驶等，车辆悬架传感器会检测车辆的悬 架振动而产生振动信号数据流。
S11，以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆 传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数 据序列并存储；
S12，将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传 感器类型的数据序列逐一进行数据拼接；
S13，对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果， 确定拼接得到的所述数据序列中的数据特征模式序列。
综上，本发明实施例通过将对车辆传感器产生的数据流进行数据的滑动截取 而得到的数据序列，与先前截取到的同类型车辆传感器的数据序列逐一进行数据 拼接；接着对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果， 确定拼接得到的数据序列中的数据特征模式序列，这样该数据特征模式序列就是 新的数据特征。由此可见，本发明实施例能够自动提取出车俩传感器数据流中新 的数据特征，这样可以将新的数据特征作为新的数据样本来用于相关数据模型的 训练，从而能够让相关的数据模型训练的训练效果更好。
为了便于理解，示例性地，在获取到车辆悬架的振动信号数据后，为了能够 自动对车辆悬架的振动信号数据进行特征提取，以便于能够对提取到的振动信号 的特征数据进行特征分析，以能够自动识别出与各路面地形所对应的新的振动信 号数据特征，并将新的振动信号数据特征作为所述振动信号数据样本来用于训练 所述路面地形识别模型，从而能够让所述路面地形识别模型能够对路面地形的识 别更加准确，且能够识别出更多车辆工况下的路面地形。以数据流为振动信号数 据流为例：本发明实施例通过当前对所述振动信号数据流进行数据的滑动截取而 得到的振动信号数据序列与先前截取到的振动信号数据序列逐一进行数据拼接； 接着对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结 果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列，这样该数据 特征模式序列就是新的可以用于代表当前路面地形的振动数据特征。由此可见， 本发明实施例能够自动识别出与各路面地形所对应的新的振动信号数据特征，并 将新的振动信号数据特征作为所述振动信号数据样本来用于训练所述路面地形 识别模型，从而能够让所述路面地形识别模型能够对路面地形的识别更加准确， 且能够识别出更多不同的车辆工况下的路面地形。
作为上述方案的改进，在所述将当前截取得到的所述数据序列与本地存储的 先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接之前，在所述以预 设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述 数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储 之后，所述方法还包括：
将当前截取得到的所述数据序列与先前存储的同车辆传感器类型的每一数 据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的数据序列进行数据特征分析，并根据数据特征分析 结果，确定拼接得到的所述数据序列中的数据特征模式序列之后，所述方法还包 括：
将所述数据特征模式序列与相似度比较结果为最高的且为本地存储的先前 截取到的同车辆传感器类型的数据序列进行数据融合，得到融合后的数据特征模 式序列。
示例性地，相似度的计算公式可以为相关系数计算公式：
Figure BDA0002713634250000081
或者，可以为相似距离计算公式：
Figure BDA0002713634250000082
其中，公式中的x、y分别为待计算相似度的两组数据模式样本序列，μx为 x样本均值，σx为标准差，E(x)为x样本期望，m为样本长度。
示例性地，所述数据融合的算法为：
Figure BDA0002713634250000083
其中，cold为预设的原有数据模式修正系数，pold为原有数据模式匹配度， cnew为预设的新数据模式修正系数，pnew为原有数据模式匹配度， motifs_old(ti)为先前截取的且相似度最高的数据序列，motifs_new(ti)为当前 的数据特征模式序列。
在本实施例中，具体地，数据融合就是将新发现的数据流中的特征模式序列 与缓存中匹配程度最大的数据序列按照序列的缓存索引i进行合并。数据融合的 目的是算法识别出的新的数据特征模式序列具有随机性，大量的数据特征模式序 列进行融合积累后，能产生稳定的特征模式，避免识别出的数据特征模式序列的 偶然误差，导致最终的数据特征提取结果出错。
作为上述方案的改进，在得到融合后的数据特征模式序列后，所述方法还包 括：
将融合后的数据特征模式序列与所述车辆工况上传到服务器，以使所述服务 器根据获取到的所有的与同一运行工况对应的数据特征模式序列进行数据分析， 而得到数据分析结果；所述服务器存储有多个车辆上传的数据特征模式序列；
其中，所述数据分析结果包括以下中的至少一种：用户用车行为模式、道路 路面地形识别结果、车辆部件状态监控与故障原因分析结果。
在本实施例中，通过将数据特征模式序列上传到服务器中进行数据分析，这 样服务器能够获取众多车辆的数据特征模式序列并通过大数据分析来分析出对 应的数据分析结果。
作为上述方案的改进，在所述以预设的且与所述运行工况对应的数据截取宽 度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各 车辆传感器所对应的数据序列并存储，包括：
以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感 器的所述数据流进行数据的滑动截取，以截取得到对应的数据序列；
对截取到的数据序列进行归一化处理并缓存。
在本实施例中，通过对截取到的振动信号数据序列进行归一化处理，这样利 于后续的对振动信号数据的特征分析。
示例性地，归一化处理的算法为：
Figure RE-GDA0002790668740000091
其中，Δt为滑动窗 口的数据截取宽度，xΔt为截取到的数据序列，σ为标准差，
Figure RE-GDA0002790668740000092
为数据序列的 均值。
作为上述方案的改进，所述数据融合的算法为：
Figure BDA0002713634250000101
其中，cold为预设的原有数据模式修正系数，pold为原有数据模式匹配度， cnew为预设的新数据模式修正系数，pnew为原有数据模式匹配度，motifs-old(ti) 为前数据序列，motifs-new(ti)为当前的数据特征模式序列。
作为上述方案的改进，所述对拼接得到的数据序列进行数据特征分析，并根 据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列，包 括：
通过Matrix Profile算法对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
具体地，Matrix Profile算法基于原理如图4所示。其中，从时间序列数据中 提取一个片段并沿着时间序列的其余部分滑动，并计算它在每个新位置与时间序 列片段的重叠相似的程度。更具体地说，可以计算子序列与同一长度的每个时间 序列片段之间的欧几里德距离，从而建立所谓的时间序列片段的距离模式。如果 子序列在数据中重复自身，则将至少有一个完全匹配，并且最小欧氏距离将为零。 时间序列数据中是否包含相似模式可以通过计算时间序列数据窗口内的矩阵剖 面的最小值获得，同一段时间序列数据分别作为矩阵的两个维度，一一对应计算 矩阵中每个对应点的相似度距离di、dj，然后在列方向求最小值得到Pi,在P1 到Pn-m+1的序列中最小值对应的索引为产生相似数据模式的起点MPI(Matrix Profile Index)，以MPI为起点取特定的窗口长度数据，即为拼接得到的所述数据 序列中的数据特征模式序列。
具体地，Matrix Profile的计算公式有：
按列求相似度距离的最小值的公式：MP(t)i＝min(d(i，j))；
对计算得到的Pi序列求最小值的公式：MPI＝min(MP(Δt))。
作为上述方案的改进，所述车辆传感器为用于采集车辆悬架的振动信号的悬 架传感器，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure BDA0002713634250000111
或，所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure BDA0002713634250000112
其中，max-speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
作为上述方案的改进，若所述滑动窗口是对数据流进行多个关联信号联合提 取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
dynamic_wsizei＝dynamic_wsizei-1+Δi
Figure BDA0002713634250000113
其中，tsample为预设的时间采样长度，σ(s1,s2,s3,si)为多个标量数据流的 ti时刻的标准差。
其中，多个关联的振动信号联合提取是指数据中表现出的特征模式是出现在 多个振动信号(这些振动信号由不同的悬架传感器同时采集)中的。如图5所示， 由四个关联的振动信号随时间的变化共同表现出的数据模式。
作为上述方案的改进，所述滑动窗口的滑动步长与所述车辆传感器的采样频 率对应。
参见图2，是本发明一实施例提供的一种车辆传感器数据特征自动提取装置 的结构示意图，包括：
数据流获取模块10，用于获取在车辆处于运行工况下至少一车辆传感器产生 的数据流；
数据截取模块11，用于以预设的且与所述运行工况对应的数据截取宽度的滑 动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传 感器所对应的数据序列并存储；
数据拼接模块12，用于将当前截取得到的所述数据序列与本地存储的先前截 取到的同车辆传感器类型的数据序列逐一进行数据拼接；及，
数据特征分析模块13，用于对拼接得到的数据序列进行数据特征分析，并根 据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
参见图3，是本发明一实施例提供的车辆传感器数据特征自动提取装置的示 意图。该实施例的车辆传感器数据特征自动提取装置包括：处理器1、存储器2 以及存储在所述存储器2中并可在所述处理器上运行的计算机程序，例如车辆传 感器数据特征自动提取程序。所述处理器执行所述计算机程序时实现上述各个车 辆传感器数据特征自动提取方法实施例中的步骤。或者，所述处理器执行所述计 算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个 或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发 明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指 令段，该指令段用于描述所述计算机程序在所述车辆传感器数据特征自动提取装 置中的执行过程。
所述车辆传感器数据特征自动提取装置可以是车辆的车身域控制器。所述车 辆传感器数据特征自动提取装置可包括，但不仅限于，处理器、存储器。本领域 技术人员可以理解，所述示意图仅仅是车辆传感器数据特征自动提取装置的示 例，并不构成对车辆传感器数据特征自动提取装置的限定，可以包括比图示更多 或更少的部件，或者组合某些部件，或者不同的部件，例如所述车辆传感器数据 特征自动提取装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以 是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用 集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门 阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分 立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该 处理器也可以是任何常规的处理器等，所述处理器是所述车辆传感器数据特征自 动提取装置的控制中心，利用各种接口和线路连接整个车辆传感器数据特征自动 提取装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或 执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的 数据，实现所述车辆传感器数据特征自动提取装置的各种功能。所述存储器可主 要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个 功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可 存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储 器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、 插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital, SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易 失性固态存储器件。
其中，所述车辆传感器数据特征自动提取装置集成的模块/单元如果以软件 功能单元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，本发明实现上述实施例方法中的全部或部分 流程，也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 储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各 个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机 程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所 述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、 记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信 信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以 根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖 区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离 部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以 是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案 的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们 之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通 技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改 进和润饰也视为本发明的保护范围。

Claims (12)

1.一种车辆传感器数据特征自动提取方法，其特征在于，包括：
获取在车辆处于运行工况下至少一车辆传感器产生的数据流；
以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储；
将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接；
对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
2.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，在所述将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接之前，在所述以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储之后，所述方法还包括：
将当前截取得到的所述数据序列与先前存储的同车辆传感器类型的每一数据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列之后，所述方法还包括：
将所述数据特征模式序列与相似度比较结果为最高的且为本地存储的先前截取到的同车辆传感器类型的数据序列进行数据融合，得到融合后的数据特征模式序列。
3.如权利要求2所述的车辆传感器数据特征自动提取方法，其特征在于，在得到融合后的数据特征模式序列后，所述方法还包括：
将融合后的数据特征模式序列与所述车辆工况上传到服务器，以使所述服务器根据获取到的所有的与同一运行工况对应的数据特征模式序列进行数据分析，而得到数据分析结果；所述服务器存储有多个车辆上传的数据特征模式序列；所述服务器存储有多个车辆上传的数据特征模式序列；
其中，所述数据分析结果包括以下中的至少一种：用户用车行为模式、道路路面地形识别结果、车辆部件状态监控与故障原因分析结果。
4.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，在所述以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储，包括：
以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到对应的数据序列；
对截取到的数据序列进行归一化处理并缓存。
5.如权利要求2所述的车辆传感器数据特征自动提取方法，其特征在于，所述数据融合的算法为：
Figure FDA0002713634240000021
其中，cold为预设的原有数据模式修正系数，pold为原有数据模式匹配度，cnew为预设的新数据模式修正系数，pnew为原有数据模式匹配度，motifs-old(ti)为前数据序列，motifs-new(ti)为当前的数据特征模式序列。
6.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，所述对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列，包括：
通过Matrix Profile算法对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
7.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，所述车辆传感器为用于采集车辆悬架的振动信号的悬架传感器，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure FDA0002713634240000031
或，所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure FDA0002713634240000032
其中，max-speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
8.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，若所述滑动窗口是对数据流进行多个关联信号联合提取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
dynamic_wsizei＝dynamic_wstzei-1+Δi
Figure FDA0002713634240000041
其中，tsample为预设的时间采样长度，σ(s1，s2，s3，si)为多个标量数据流的ti时刻的标准差。
9.如权利要求1所述的车辆传感器数据特征自动提取方法，其特征在于，所述滑动窗口的滑动步长与所述车辆传感器的采样频率对应。
10.一种车辆传感器数据特征自动提取装置，其特征在于，包括：
数据流获取模块，用于获取在车辆处于运行工况下至少一车辆传感器产生的数据流；
数据截取模块，用于以预设的且与所述运行工况对应的数据截取宽度的滑动窗口对各车辆传感器的所述数据流进行数据的滑动截取，以截取得到各车辆传感器所对应的数据序列并存储；
数据拼接模块，用于将当前截取得到的所述数据序列与本地存储的先前截取到的同车辆传感器类型的数据序列逐一进行数据拼接；及，
数据特征分析模块，用于对拼接得到的数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述数据序列中的数据特征模式序列。
11.一种车辆传感器数据特征自动提取装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的车辆传感器数据特征自动提取方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的车辆传感器数据特征自动提取方法。
CN202011065454.9A 2020-09-30 2020-09-30 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质 Active CN112215118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011065454.9A CN112215118B (zh) 2020-09-30 2020-09-30 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011065454.9A CN112215118B (zh) 2020-09-30 2020-09-30 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112215118A true CN112215118A (zh) 2021-01-12
CN112215118B CN112215118B (zh) 2022-12-27

Family

ID=74051000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011065454.9A Active CN112215118B (zh) 2020-09-30 2020-09-30 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112215118B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342111A (zh) * 2023-05-30 2023-06-27 中汽信息科技(天津)有限公司 一种基于大数据的汽车配件智能交易方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190054880A1 (en) * 2017-08-18 2019-02-21 Volvo Car Corporation Method And System For Detecting An Incident , Accident And/Or Scam Of A Vehicle
US20190156668A1 (en) * 2016-08-11 2019-05-23 Jiangsu University Driving service active sensing system and method in internet of vehicles environment
CN109849904A (zh) * 2019-03-27 2019-06-07 重庆卡佐科技有限公司 车辆碰撞识别装置
CN110234037A (zh) * 2019-05-16 2019-09-13 北京百度网讯科技有限公司 视频片段的生成方法及装置、计算机设备及可读介质
WO2019205020A1 (zh) * 2018-04-25 2019-10-31 深圳市锐明技术股份有限公司 一种路况识别方法、装置及设备
WO2019216449A1 (ko) * 2018-05-09 2019-11-14 주식회사 알고리고 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치
US20200039520A1 (en) * 2018-08-06 2020-02-06 Honda Motor Co., Ltd. System and method for learning naturalistic driving behavior based on vehicle dynamic data
CN111104953A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质
CN111400463A (zh) * 2019-01-03 2020-07-10 百度在线网络技术（北京）有限公司 对话响应方法、装置、设备和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190156668A1 (en) * 2016-08-11 2019-05-23 Jiangsu University Driving service active sensing system and method in internet of vehicles environment
US20190054880A1 (en) * 2017-08-18 2019-02-21 Volvo Car Corporation Method And System For Detecting An Incident , Accident And/Or Scam Of A Vehicle
WO2019205020A1 (zh) * 2018-04-25 2019-10-31 深圳市锐明技术股份有限公司 一种路况识别方法、装置及设备
WO2019216449A1 (ko) * 2018-05-09 2019-11-14 주식회사 알고리고 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치
US20200039520A1 (en) * 2018-08-06 2020-02-06 Honda Motor Co., Ltd. System and method for learning naturalistic driving behavior based on vehicle dynamic data
CN111104953A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质
CN111400463A (zh) * 2019-01-03 2020-07-10 百度在线网络技术（北京）有限公司 对话响应方法、装置、设备和介质
CN109849904A (zh) * 2019-03-27 2019-06-07 重庆卡佐科技有限公司 车辆碰撞识别装置
CN110234037A (zh) * 2019-05-16 2019-09-13 北京百度网讯科技有限公司 视频片段的生成方法及装置、计算机设备及可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342111A (zh) * 2023-05-30 2023-06-27 中汽信息科技(天津)有限公司 一种基于大数据的汽车配件智能交易方法及系统
CN116342111B (zh) * 2023-05-30 2023-08-29 中汽信息科技(天津)有限公司 一种基于大数据的汽车配件智能交易方法及系统

Also Published As

Publication number Publication date
CN112215118B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN111898594B (zh) 基于悬架振动信号的路面地形识别方法、装置及存储介质
CN109710780B (zh) 一种归档方法及装置
CN111267863B (zh) 驾驶员驾驶类型识别方法、装置、存储介质及终端设备
CN110287936B (zh) 图像检测方法、装置、设备及存储介质
CN114155284A (zh) 基于多目标行人场景的行人跟踪方法、装置、设备及介质
US20230108621A1 (en) Method and system for generating visual feature map
CN111639653A (zh) 一种误检图像确定方法、装置、设备和介质
CN110705584A (zh) 情绪识别方法、装置、计算机装置及存储介质
CN111046969A (zh) 数据筛选方法、装置、存储介质及电子设备
CN112215118B (zh) 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质
CN111898551A (zh) 加氢视频中的动作分析方法及装置、电子设备
CN108304852B (zh) 道路路段类型的确定方法、装置以及存储介质、电子装置
CN108710828A (zh) 识别目标物的方法、装置和存储介质以及车辆
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
CN113762049B (zh) 内容识别方法、装置、存储介质和终端设备
CN113838524A (zh) S-亚硝基化位点预测方法、模型训练方法及存储介质
CN110210425B (zh) 人脸识别方法、装置、电子设备及存储介质
CN109871779B (zh) 掌纹识别的方法及电子设备
CN111797763A (zh) 一种场景识别方法和系统
CN112200049B (zh) 对路面地形进行数据标注的方法、装置、设备及存储介质
CN114708420A (zh) 基于局部方差和后验概率分类器的视觉定位方法及装置
CN113673395A (zh) 一种车辆轨迹的处理方法及装置
CN111242951A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN117590978B (zh) 一种基于人工智能的车载多媒体一体化管理系统及方法
CN117349688B (zh) 一种基于峰值轨迹的轨迹聚类方法、装置、设备及介质

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