CN113900861A - 传感器数据的修复方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种传感器数据的修复方法、装置、设备及存储介质，所述方法包括：当检测到目标车辆的当前传感器数据存在丢失时，根据数据类型获取目标车辆的历史传感器数据、与目标车辆的车型相同的车型传感器数据、以及与当前地段相适应的地段传感器数据；根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对当前传感器数据中的丢失部分进行预测，得到目标填补数据；根据目标填补数据对当前传感器数据进行填补，以实现对当前传感器数据的修复，相较于现有技术通过奇异值分解策略修复数据，能够有效提高修复传感器数据的准确率。

Description

传感器数据的修复方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及传感器数据的修复方法、装置、设备及存储介质。

背景技术

传感器作为车辆的重要构成部件，传感器测量数据质量直接影响车辆的安全性能以及驾驶员驾驶车辆时的安全，更重要的是对于研发部门的数据分析，但是在车辆行驶过程中，传感器在上传测量的数据时会出现数据丢失的情况，导致给数据分析带来了较大的影响，因此，亟待通过已有的数据对丢失的数据进行修复，而目前常用的数据修复方式是采用奇异值分解已有的数据，通过分解后的数据确定缺失的数据，但是上述修复的丢失数据仅是部分丢失的数据，如果数据出现丢失多条的话，通过上述修复丢失数据的准确率较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种传感器数据的修复方法、装置、设备及存储介质，旨在解决现有技术修复丢失数据的准确率较低的技术问题。

为实现上述目的，本发明提供了一种传感器数据的修复方法，所述传感器数据的修复方法包括以下步骤：

当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；

根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；

根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；

根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

可选地，所述当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型，包括：

当检测到目标车辆的当前传感器数据存在丢失时，提取所述目标车辆的标识信息；

根据所述标识信息确定所述目标车辆的车型；

根据所述标识信息查询所述目标车辆所行驶的当前地段；

对所述目标车辆的当前传感器数据进行分析，得到对应的数据类型。

可选地，所述根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据，包括：

根据所述数据类型获取目标车辆的历史传感器数据；

根据所述目标车辆所行驶的当前地段得到所述目标车辆的能耗、行驶里程以及当前地段所处的纬度；

根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据；

根据所述目标车辆的标识信息和数据类型查询与所述目标车辆的车型相同的车型传感器数据。

可选地，所述根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据，包括：

提取所述当前地段所处的纬度的起始纬度和终止纬度；

根据所述起始纬度、终止纬度、能耗以及行驶里程确定所述目标车辆的行驶路线；

根据所述行驶路线和数据类型得到与所述当前地段相适应的地段传感器数据。

可选地，所述根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据之前，还包括：

提取当前传感器数据的上传起始时间、间隔时间以及上传终止时间；

根据所述上传起始时间、间隔时间以及上传终止时间确定各时间段的传感器数据；

根据所述各时间段的传感器数据生成对应的传感器数据连续表；

在所述传感器数据连续表中存在预设空值时，获取所述当前传感器数据中的丢失部分。

可选地，所述根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据之前，还包括：

统计所述当前传感器数据中的丢失部分的数量；

在所述当前传感器数据中的丢失部分的数量大于预设数量阈值时，执行所述根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据的步骤。

可选地，所述统计所述当前传感器数据中的丢失部分的数量之后，还包括：

在所述当前传感器数据中的丢失部分的数量等于预设数量阈值时，获取所述当前传感器数据中的丢失部分的上一条传感器数据和下一条传感器数据；

根据预设计算策略对所述上一条传感器数据和下一条传感器数据进行计算，得到目标填补数据。

此外，为实现上述目的，本发明还提出一种传感器数据的修复装置，所述传感器数据的修复装置包括：

确定模块，用于当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；

获取模块，用于根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；

预测模块，用于根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；

填补模块，用于根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

此外，为实现上述目的，本发明还提出一种传感器数据的修复设备，所述传感器数据的修复设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器数据的修复程序，所述传感器数据的修复程序配置为实现如上文所述的传感器数据的修复方法。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有传感器数据的修复程序，所述传感器数据的修复程序被处理器执行时实现如上文所述的传感器数据的修复方法。

本发明提出的传感器数据的修复方法，通过当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复，相较于现有技术通过奇异值分解策略修复数据，能够有效提高修复传感器数据的准确率。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的传感器数据的修复设备的结构示意图；

图2为本发明传感器数据的修复方法第一实施例的流程示意图；

图3为本发明传感器数据的修复方法第二实施例的流程示意图；

图4为本发明传感器数据的修复方法第三实施例的流程示意图；

图5为本发明传感器数据的修复装置第一实施例的功能模块示意图。

本发明目的的实现、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

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的传感器数据的修复设备结构示意图。

如图1所示，该传感器数据的修复设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对传感器数据的修复设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及传感器数据的修复程序。

在图1所示的传感器数据的修复设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明传感器数据的修复设备中的处理器1001、存储器1005可以设置在传感器数据的修复设备中，所述传感器数据的修复设备通过处理器1001调用存储器1005中存储的传感器数据的修复程序，并执行本发明实施例提供的传感器数据的修复方法。

基于上述硬件结构，提出本发明传感器数据的修复方法实施例。

参照图2，图2为本发明传感器数据的修复方法第一实施例的流程示意图。

在第一实施例中，所述传感器数据的修复方法包括以下步骤：

步骤S10，当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型。

需要说明的是，本实施例的执行主体为传感器数据的修复设备，还可为其他可实现相同或相似功能的设备，例如传感器数据控制器等，本实施例对此不作限制，在本实施例中，以传感器数据控制器为例进行说明。

应当理解的是，车型指的是目标车辆的型号，车型分为小型车、微型车、豪华车型、三厢车型、厢式(Car Derived Van，CDV)车型、多用途(Multi-Purpose Vehicles，MPV)车型以及运动型多用途车型(Sport Utility Vehicle，SUV)等，当前地段指的是在出现当前传感器数据存在丢失时目标车辆所行驶的地段，该当前地段可以为目标用户因上下班驾驶目标车辆经常行驶的地段，也可以为目标用户因外出驾驶目标车辆偶尔行驶的地段，数据类型指的是目标车辆的当前传感器数据存在丢失时，当前传感器数据所属的数据类型，该数据类型包含空调域数据类型、底盘数据类型以及性能集成域数据类型等。

进一步地，为了有效提高确认目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型的准确性，步骤S10，包括：当检测到目标车辆的当前传感器数据存在丢失时，提取所述目标车辆的标识信息；根据所述标识信息确定所述目标车辆的车型；根据所述标识信息查询所述目标车辆所行驶的当前地段；对所述目标车辆的当前传感器数据进行分析，得到对应的数据类型。

可以理解的是，标识信息指的是能够唯一识别目标车辆的信息，该标识信息可以为目标车辆的发动机号，在得到标识信息后，通过标识信息可以确认目标车辆的车型，通过标识信息在大数据平台查询目标车辆在出现当前传感器数据存在丢失时所行驶的当前路段，在得到目标车辆的当前传感器数据后，通过对当前传感器数据进行分析，即可得到当前传感器数据所属的数据类型。

步骤S20，根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据。

可以理解的是，历史传感器数据指的是在当前时刻之前，与当前传感器数据同类型的传感器数据，历史传感器数据和当前传感器数据均来源于目标车辆，车型传感器数据指的是与目标车辆的车型相同的车辆的传感器数据，地段传感器数据指的是与目标车辆的当前地段相适应地段的传感器数据，例如，目标车辆的当前传感器数据存在丢失时所行驶的地段为坡度为5°，而与当前地段相适应地段的坡度为4°-6°，地段传感器数据即为目标车辆通过该相适应地段的传感器数据。

步骤S30，根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据。

应当理解的是，丢失部分指的是当前传感器数据中存在预设空值的部分，也可以说，该丢失部分即为当前传感器数据所应填补的位置，在确认当前传感器数据中的丢失部分时，即当前传感器数据为部分丢失，包括部分片段丢失以及预设条数据丢失，在大于预设条数据丢失时，则已经失去填补的意义，在当前传感器数据为部分丢失中的预设条数据丢失，根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对当前传感器数据中的丢失部分进行预测，得到目标填补数据。

进一步地，为了有效提高修复传感器数据的效率，步骤S30之前，还包括：提取当前传感器数据的上传起始时间、间隔时间以及上传终止时间；根据所述上传起始时间、间隔时间以及上传终止时间确定各时间段的传感器数据；根据所述各时间段的传感器数据生成对应的传感器数据连续表；在所述传感器数据连续表中存在预设空值时，获取所述当前传感器数据中的丢失部分。

可以理解的是，上传起始时间指的是目标车辆中各传感器开始上传数据的时间，上传终止时间指的是目标车辆各传感器结束上传数据的时间，间隔时间是上传当前数据与下一数据之间所消耗的时间，根据上传起始时间、间隔时间以及上传结束时间即可确定各时间段内传感器数据，将各时间段内传感器数据进行合并，即生成对应的传感器数据连续表，通过传感器数据连续表能够直观明了的确定当前传感器数据中的丢失部分，即预设空值所在的位置即为当前传感器数据中的丢失部分。

步骤S40，根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

可以理解的是，在得到目标填补数据后，将目标填补数据填补至当前传感器数据，并将填补的目标填补数据在当前传感器数据中进行标记，以提示标记的数据为目标填补数据，在填补完成后，即实现了对当前传感器数据的修复。

本实施例通过当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复，相较于现有技术通过奇异值分解策略修复数据，能够有效提高修复传感器数据的准确率。

在一实施例中，如图3所述，基于第一实施例提出本发明传感器数据的修复方法第二实施例，所述步骤S20，包括：

步骤S201，根据所述数据类型获取目标车辆的历史传感器数据。

应当理解的是，历史传感器数据指的是在当前时刻之前，与当前传感器数据同类型的传感器数据，即在得到当前传感器数据后，需要确定当前传感器数据所属的数据类型，根据该数据类型获取到目标车辆的历史传感器数据。

步骤S202，根据所述目标车辆所行驶的当前地段得到所述目标车辆的能耗、行驶里程以及当前地段所处的纬度。

可以理解的是，能耗指的是目标车辆行驶完当前地段所消耗的能源，能耗油耗和电耗，行驶里程指的是目标车辆行驶完当前地段里程表的里程变化值，纬度指的是开始行驶当前地段以及结束行驶当前地段目标车辆所处的纬度。

步骤S203，根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据。

应当理解的是，在得到能耗、行驶里程、当前地段所处的纬度以数据类型时，根据能耗、行驶里程、当前地段所处的纬度以数据类型可以确认与当前地段相适应的地段，基于该地段即可得到对应的地段传感器数据。

进一步地，为了有效提高得到与当前地段相适应的地段传感器数据的准确性，步骤S203，包括：提取所述当前地段所处的纬度的起始纬度和终止纬度；根据所述起始纬度、终止纬度、能耗以及行驶里程确定所述目标车辆的行驶路线；根据所述行驶路线和数据类型得到与所述当前地段相适应的地段传感器数据。

可以理解的是，起始纬度指的是目标车辆开始行驶当前路段时所处的纬度，终止纬度指的是目标车辆已行驶完当前路段时所处的纬度，在得到起始纬度、终止纬度、能耗以及行驶里程后，基于上述参数和道路指标即可得到目标车辆的行驶路线，根据行驶路线和数据类型即可得到与当前地段相适应的地段传感器数据。

步骤S204，根据所述目标车辆的标识信息和数据类型查询与所述目标车辆的车型相同的车型传感器数据。

可以理解的是，标识信息指的是能够唯一识别目标车辆的信息，在得到标识信息和数据类型后，可以通过在大数据平台查询与目标车辆的车型相同的车辆，并基于该车辆得到对应的车型传感器数据。

本实施例根据所述数据类型获取目标车辆的历史传感器数据；根据所述目标车辆所行驶的当前地段得到所述目标车辆的能耗、行驶里程以及当前地段所处的纬度；根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据；根据所述目标车辆的标识信息和数据类型查询与所述目标车辆的车型相同的车型传感器数据；由于本实施例是通过数据类型获取目标车辆的历史数据；根据目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与当前地段相适应的地段传感器数据；根据目标车辆的标识信息和数据类型查询对应的车型传感器数据，从而能够有效提高得到历史传感器数据、地段传感器数据以及车型传感器数据的准确性。

在一实施例中，如图4所述，基于第一实施例提出本发明传感器数据的修复方法第三实施例，所述步骤S30之前，还包括：

步骤S205，统计所述当前传感器数据中的丢失部分的数量。

可以理解的是，在确认当前传感器数据存在丢失时，统计丢失部分的数量，通过统计丢失部分的数量确认当前传感器数据的丢失部分是部分片段丢失以及预设条数据丢失。

进一步地，为了有效提高修复传感器数据的准确性，步骤S205之后，还包括：在所述当前传感器数据中的丢失部分的数量等于预设数量阈值时，获取所述当前传感器数据中的丢失部分的上一条传感器数据和下一条传感器数据；根据预设计算策略对所述上一条传感器数据和下一条传感器数据进行计算，得到目标填补数据。

应当理解的是，在确定当前传感器数据中的丢失部分的数量等于预设数量阈值时，即丢失部分的数量为1，此时通过丢失部分的上一条传感器数据和下一条传感器数据计算得到目标填补数据，具体是通过预设计算策略对上一条传感器数据和下一条传感器数据进行计算，预设计算策略指的是求平均值计算策略，例如，上一条传感器数据为A，下一条传感器数据为B，则目标填补数据为(A+B)/2。

步骤S206，在所述当前传感器数据中的丢失部分的数量大于预设数量阈值时，执行所述根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据的步骤。

应当理解的是，预设数量阈值指的是当前传感器数据中丢失部分的数量最小值，该预设数量阈值可以设置为1，在当前传感器数据中的丢失部分的数量大于预设数量阈值时，则当前传感器数据中的丢失部分的数量为几十至几百条，此时需要根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对当前传感器数据中的丢失部分进行预测，得到目标填补数据，预设深度学习网络模型可以为循环神经网络模型(Recurrent Neural Network，RNN)，也可以为其他深度学习网络模型，本实施例对此不作限制，以RNN网络模型为例进行说明。

可以理解的是，在根据历史传感器数据、车型传感器数据以及地段传感器数据进行预测的过程中，为了保证数据的可靠性以及准确性，需要设置历史传感器数据、车型传感器数据以及地段传感器数据不同的权重，由于历史传感器数据为目标车辆本身的数据，因此，设置历史传感器数据的权重最大，车型传感器数据以及地段传感器数据的权重相同，例如，历史传感器数据的权重为0.8，车型传感器数据以及地段传感器数据的权重均为0.1。

本实施例通过统计所述当前传感器数据中的丢失部分的数量；在所述当前传感器数据中的丢失部分的数量大于预设数量阈值时，执行所述根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据的步骤；由于本实施例是通过统计当前传感器数据中的丢失部分的数量，判断当前传感器数据中的丢失部分的数量大于预设数量阈值，若大于，则根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据，从而能够有效提高修复传感器数据的准确率。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有传感器数据的修复程序，所述传感器数据的修复程序被处理器执行时实现如上文所述的传感器数据的修复方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

此外，参照图5，本发明实施例还提出一种传感器数据的修复装置，所述传感器数据的修复装置包括：

确定模块10，用于当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型。

应当理解的是，车型指的是目标车辆的型号，车型分为小型车、微型车、豪华车型、三厢车型、厢式(Car Derived Van，CDV)车型、多用途(Multi-Purpose Vehicles，MPV)车型以及运动型多用途车型(Sport Utility Vehicle，SUV)等，当前地段指的是在出现当前传感器数据存在丢失时目标车辆所行驶的地段，该当前地段可以为目标用户因上下班驾驶目标车辆经常行驶的地段，也可以为目标用户因外出驾驶目标车辆偶尔行驶的地段，数据类型指的是目标车辆的当前传感器数据存在丢失时，当前传感器数据所属的数据类型，该数据类型包含空调域数据类型、底盘数据类型以及性能集成域数据类型等。

进一步地，为了有效提高确认目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型的准确性，所述确定模块10，还用于当检测到目标车辆的当前传感器数据存在丢失时，提取所述目标车辆的标识信息；根据所述标识信息确定所述目标车辆的车型；根据所述标识信息查询所述目标车辆所行驶的当前地段；对所述目标车辆的当前传感器数据进行分析，得到对应的数据类型。

可以理解的是，标识信息指的是能够唯一识别目标车辆的信息，该标识信息可以为目标车辆的发动机号，在得到标识信息后，通过标识信息可以确认目标车辆的车型，通过标识信息在大数据平台查询目标车辆在出现当前传感器数据存在丢失时所行驶的当前路段，在得到目标车辆的当前传感器数据后，通过对当前传感器数据进行分析，即可得到当前传感器数据所属的数据类型。

获取模块20，用于根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据。

可以理解的是，历史传感器数据指的是在当前时刻之前，与当前传感器数据同类型的传感器数据，历史传感器数据和当前传感器数据均来源于目标车辆，车型传感器数据指的是与目标车辆的车型相同的车辆的传感器数据，地段传感器数据指的是与目标车辆的当前地段相适应地段的传感器数据，例如，目标车辆的当前传感器数据存在丢失时所行驶的地段为坡度为5°，而与当前地段相适应地段的坡度为4°-6°，地段传感器数据即为目标车辆通过该相适应地段的传感器数据。

预测模块30，用于根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据。

应当理解的是，丢失部分指的是当前传感器数据中存在预设空值的部分，也可以说，该丢失部分即为当前传感器数据所应填补的位置，在确认当前传感器数据中的丢失部分时，即当前传感器数据为部分丢失，包括部分片段丢失以及预设条数据丢失，在大于预设条数据丢失时，则已经失去填补的意义，在当前传感器数据为部分丢失中的预设条数据丢失，根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对当前传感器数据中的丢失部分进行预测，得到目标填补数据。

填补模块40，用于根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

可以理解的是，在得到目标填补数据后，将目标填补数据填补至当前传感器数据，并将填补的目标填补数据在当前传感器数据中进行标记，以提示标记的数据为目标填补数据，在填补完成后，即实现了对当前传感器数据的修复。

本实施例通过当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复，相较于现有技术通过奇异值分解策略修复数据，能够有效提高修复传感器数据的准确率。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的传感器数据的修复方法，此处不再赘述。

在一实施例中，所述确定模块10，还用于当检测到目标车辆的当前传感器数据存在丢失时，提取所述目标车辆的标识信息；根据所述标识信息确定所述目标车辆的车型；根据所述标识信息查询所述目标车辆所行驶的当前地段；对所述目标车辆的当前传感器数据进行分析，得到对应的数据类型。

在一实施例中，所述获取模块20，还用于根据所述数据类型获取目标车辆的历史传感器数据；根据所述目标车辆所行驶的当前地段得到所述目标车辆的能耗、行驶里程以及当前地段所处的纬度；根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据；根据所述目标车辆的标识信息和数据类型查询与所述目标车辆的车型相同的车型传感器数据。

在一实施例中，所述获取模块20，还用于提取所述当前地段所处的纬度的起始纬度和终止纬度；根据所述起始纬度、终止纬度、能耗以及行驶里程确定所述目标车辆的行驶路线；根据所述行驶路线和数据类型得到与所述当前地段相适应的地段传感器数据。

在一实施例中，所述预测模块30，还用于提取当前传感器数据的上传起始时间、间隔时间以及上传终止时间；根据所述上传起始时间、间隔时间以及上传终止时间确定各时间段的传感器数据；根据所述各时间段的传感器数据生成对应的传感器数据连续表；在所述传感器数据连续表中存在预设空值时，获取所述当前传感器数据中的丢失部分。

在一实施例中，所述预测模块30，还用于统计所述当前传感器数据中的丢失部分的数量；在所述当前传感器数据中的丢失部分的数量大于预设数量阈值时，执行所述根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据的步骤。

在一实施例中，所述预测模块30，还用于在所述当前传感器数据中的丢失部分的数量等于预设数量阈值时，获取所述当前传感器数据中的丢失部分的上一条传感器数据和下一条传感器数据；根据预设计算策略对所述上一条传感器数据和下一条传感器数据进行计算，得到目标填补数据。

本发明所述传感器数据的修复装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。

此外，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，一体化平台工作站，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，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)

1.一种传感器数据的修复方法，其特征在于，所述传感器数据的修复方法包括以下步骤：

当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；

根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；

根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；

根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

2.如权利要求1所述的传感器数据的修复方法，其特征在于，所述当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型，包括：

当检测到目标车辆的当前传感器数据存在丢失时，提取所述目标车辆的标识信息；

根据所述标识信息确定所述目标车辆的车型；

根据所述标识信息查询所述目标车辆所行驶的当前地段；

对所述目标车辆的当前传感器数据进行分析，得到对应的数据类型。

3.如权利要求1所述的传感器数据的修复方法，其特征在于，所述根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据，包括：

根据所述数据类型获取目标车辆的历史传感器数据；

根据所述目标车辆所行驶的当前地段得到所述目标车辆的能耗、行驶里程以及当前地段所处的纬度；

根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据；

根据所述目标车辆的标识信息和数据类型查询与所述目标车辆的车型相同的车型传感器数据。

4.如权利要求3所述的传感器数据的修复方法，其特征在于，所述根据所述目标车辆的能耗、行驶里程、当前地段所处的纬度以及数据类型得到与所述当前地段相适应的地段传感器数据，包括：

提取所述当前地段所处的纬度的起始纬度和终止纬度；

根据所述起始纬度、终止纬度、能耗以及行驶里程确定所述目标车辆的行驶路线；

根据所述行驶路线和数据类型得到与所述当前地段相适应的地段传感器数据。

5.如权利要求1所述的传感器数据的修复方法，其特征在于，所述根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据之前，还包括：

提取当前传感器数据的上传起始时间、间隔时间以及上传终止时间；

根据所述上传起始时间、间隔时间以及上传终止时间确定各时间段的传感器数据；

根据所述各时间段的传感器数据生成对应的传感器数据连续表；

在所述传感器数据连续表中存在预设空值时，获取所述当前传感器数据中的丢失部分。

6.如权利要求5所述的传感器数据的修复方法，其特征在于，所述根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据之前，还包括：

统计所述当前传感器数据中的丢失部分的数量；

在所述当前传感器数据中的丢失部分的数量大于预设数量阈值时，执行所述根据历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据的步骤。

7.如权利要求6所述的传感器数据的修复方法，其特征在于，所述统计所述当前传感器数据中的丢失部分的数量之后，还包括：

在所述当前传感器数据中的丢失部分的数量等于预设数量阈值时，获取所述当前传感器数据中的丢失部分的上一条传感器数据和下一条传感器数据；

根据预设计算策略对所述上一条传感器数据和下一条传感器数据进行计算，得到目标填补数据。

8.一种传感器数据的修复装置，其特征在于，所述传感器数据的修复装置包括：

确定模块，用于当检测到目标车辆的当前传感器数据存在丢失时，确定所述目标车辆的车型、所述目标车辆所行驶的当前地段、以及所述当前传感器数据的数据类型；

获取模块，用于根据所述数据类型获取所述目标车辆的历史传感器数据、与所述目标车辆的车型相同的车型传感器数据、以及与所述当前地段相适应的地段传感器数据；

预测模块，用于根据所述历史传感器数据、车型传感器数据以及地段传感器数据通过预设深度学习网络模型对所述当前传感器数据中的丢失部分进行预测，得到目标填补数据；

填补模块，用于根据所述目标填补数据对所述当前传感器数据进行填补，以实现对所述当前传感器数据的修复。

9.一种传感器数据的修复设备，其特征在于，所述传感器数据的修复设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器数据的修复程序，所述传感器数据的修复程序配置有实现如权利要求1至7中任一项所述的传感器数据的修复方法。

10.一种存储介质，其特征在于，所述存储介质上存储有传感器数据的修复程序，所述传感器数据的修复程序被处理器执行时实现如权利要求1至7中任一项所述的传感器数据的修复方法。

Images