CN114202821A - 一种车辆数据处理方法及装置 - Google Patents
一种车辆数据处理方法及装置 Download PDFInfo
- Publication number
- CN114202821A CN114202821A CN202010909075.7A CN202010909075A CN114202821A CN 114202821 A CN114202821 A CN 114202821A CN 202010909075 A CN202010909075 A CN 202010909075A CN 114202821 A CN114202821 A CN 114202821A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- algorithm model
- cloud
- vehicle data
- model
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 191
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G07C5/0808—Diagnosing performance data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆数据处理方法及装置,首先,获取所述智能车辆的车辆数据;然后,按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;最后,将所述车辆数据输入到所述算法模型中,获得实时预测结果。由此,通过将现有技术中在云端训练算法模型和通过算法模型进行预测剥离开来,从而实现在云端训练算法模型,在车机端通过算法模型进行预测。由于车辆数据无需再实时上传到云端,网络中断或者网络信号较差等情况均不会影响车机端获得实时预测结果,从而提高智能车辆的舒适性和安全性。
Description
技术领域
本发明涉及智能车辆技术领域,尤其是涉及一种车辆数据处理方法及装置。
背景技术
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术。目前对智能车辆的研究主要致力于提高车辆的舒适性、安全性等。
现有技术中,智能车辆的车机端在采集车辆数据后,智能车辆的车机端将采集的车辆数据通过网络实时上传到云端,云端根据车辆数据和预先存储在云端的算法模型获得实时预测结果,再将实时预测结果通过协议返回给智能车辆的车机端,以便智能车辆使用。
但是当断网或者网络信号较差情况下,智能车辆的车机端上传数据给云端时,可能会出现无法及时上传数据或者数据丢失等情况,导致云端无法进行实时预测或者预测不准确,从而无法为智能车辆提供实时预测结果,进而导致智能车辆的乘车用户舒适性较差,甚至出现安全问题。
发明内容
针对上述问题,本申请提供种车辆数据处理方法及装置,能够为智能车辆提供实时预测结果,从而提高智能车辆乘车用户的舒适性和安全性。
一方面,本申请提供一种车辆数据处理方法,应用于智能车辆的车机端,包括:
获取所述智能车辆的车辆数据;
按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;
将所述车辆数据输入到所述算法模型中,获得实时预测结果。
可选的,所述方法还包括:
将所述车辆数据定期上传至所述云端,以便所述云端根据所述车辆数据调整所述算法模型;
接收所述云端发送的调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述云端将算法模型发送给所述车机端,包括:
所述云端将所述算法模型发送给边缘服务器;所述边缘服务器为所述智能车辆所属区域对应的所述云端的下属服务器;
所述边缘服务器将所述算法模型发送给所述车机端。
可选的,所述方法还包括:
将所述车辆数据定期通过所述边缘服务器上传至所述云端,以便所述边缘服务器和/或云端根据所述车辆数据调整所述算法模型;
接收调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述云端将算法模型发送给所述车机端,包括:
所述云端根据车辆识别号码确定所述算法模型对应的车机端;
所述云端将所述算法模型发送给所述对应的车机端。
一方面,本申请提供一种车辆数据处理装置,应用于智能车辆的车机端,包括获取单元、确定单元和算法单元:
所述获取单元,用于获取所述智能车辆的车辆数据;
所述确定单元,用于按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;
所述算法单元,用于将所述车辆数据输入到所述算法模型中,获得实时预测结果。
可选的,所述装置还包括更新单元,用于:
将所述车辆数据定期上传至所述云端,以便所述云端根据所述车辆数据调整所述算法模型;
接收所述云端发送的调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述获取单元还用于:
接收所述云端通过所述边缘服务器发送的算法模型;所述边缘服务器为所述智能车辆所属区域对应的所述云端的下属服务器。
可选的,所述更新单元还用于:
将所述车辆数据定期通过所述边缘服务器上传至所述云端,以便所述边缘服务器和/或云端根据所述车辆数据调整所述算法模型;
接收调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述获取单元还用于:
接收所述云端根据车辆识别号码发送给所述车辆识别号码对应的车机端的算法模型。相对于现有技术,本申请上述技术方案的优点在于:
本申请提供一种车辆数据处理方法,首先,获取所述智能车辆的车辆数据;然后,按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;最后,将所述车辆数据输入到所述算法模型中,获得实时预测结果。
由此可知,本申请提供的技术方案将原本预先存储在云端的算法模型由云端发送给车机端,不再由云端预先存储算法模型,而是由车机端预先存储算法模型。在车机端获取到智能车辆的车辆数据后,不再通过网络将车辆数据发送给云端进行预测,而是根据车辆数据的类型确定对应的算法模型,并将车辆数据输入到由车机端预先存储的算法模型中,从而获得实时预测的结果。通过将现有技术中在云端训练算法模型和通过算法模型进行预测剥离开来,从而实现在云端训练算法模型,在车机端通过算法模型进行预测。由于车辆数据无需再实时上传到云端,网络中断或者网络信号较差等情况均不会影响车机端获得实时预测结果,从而提高智能车辆的舒适性和安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或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申请中记载的一些实施例,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为本申请提供的一种车辆数据处理方法的流程图;
图2为本申请提供的一种车辆数据处理方法的结构框图;
图3为本申请提供的一种车辆数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在现有技术中,云端通过获取智能车辆的历史车辆数据训练算法模型,通过不同类型的车辆数据训练不同的算法模型,云端在训练完成算法模型后,会将算法模型存储在云端。智能车辆在获得车辆数据后,通过网络实时将车辆数据上传至云端,然后云端通过预先训练的算法模型和车辆数据实时预测结果,再将实时预测结果返回智能车辆,从而提高智能车辆乘车用户的舒适性和安全性。
下面以两个示例为例进行说明。示例一:采集智能车辆的行程数据并发送给云端,云端通过行程数据训练算法模型,从而分析智能车辆经常去的地点,并将实时预测的结果下发给智能车辆。例如云端通过行程数据分析用户在下班回家的路上经常去超市,那么当用户下班回家的路上,智能车辆的车机端将行程数据实时上传给云端,云端会通过算法模型预测用户会去超市,并将结果返回给智能车辆,在智能车辆即将到达超市时,询问用户是否需要去该超市。示例二:采集智能车辆的空调相关数据并发送给云端,云端通过空调相关数据训练算法模型,从而分析智能车辆在对应的时间段内空调的温度,并将实时预测的结果下发给智能车辆。例如云端通过空调数据分析乘车用户在上午8点-10点时经常将空调的温度调节为26度,当用户在上午8点-10点内使用智能车辆时,智能车辆将空调相关数据实时上传给云端,云端会通过算法模型预测用户会将空调调节为26度,并将结果返回给智能车辆,智能车辆会主动询问用户是否需要将空调调节为26度。
但是当断网或者网络信号较差情况下,智能车辆的车机端上传数据给云端时,可能会出现无法及时上传数据或者数据丢失等情况,导致云端无法进行实时预测或者实时预测结果不准确,从而无法为智能车辆提供实时预测结果,进而导致智能车辆的乘车用户舒适性较差,甚至出现车辆估计预测失败还可能会影响行驶安全,例如,通过智能车辆的位置信息应该躲避前方行驶的车辆,但是由于网络出现中断,导致数据上传失败,智能车辆没有获得躲避前方车辆的指令,从而造成追尾事故。
基于此,本申请提供一种车辆数据处理方法,首先,获取所述智能车辆的车辆数据;然后,按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;最后,将所述车辆数据输入到所述算法模型中,获得实时预测结果。
由此可知,本申请提供的技术方案将原本预先存储在云端的算法模型由云端发送给车机端,不再由云端预先存储算法模型,而是由车机端预先存储算法模型。在车机端获取到智能车辆的车辆数据后,不再通过网络将车辆数据发送给云端进行预测,而是根据车辆数据的类型确定对应的算法模型,并将车辆数据输入到由车机端预先存储的算法模型中,从而获得实时预测的结果。通过将现有技术中在云端训练算法模型和通过算法模型进行预测剥离开来,从而实现在云端训练算法模型,在车机端通过算法模型进行预测。由于车辆数据无需再实时上传到云端,网络中断或者网络信号较差等情况均不会影响车机端获得实时预测结果,从而提高智能车辆的舒适性和安全性。
参见图1,图1是本申请提供的一种车辆数据处理方法的流程图,该方法应用于智能车辆的车机端,可以包括以下步骤101-103。
S101:获取所述智能车辆的车辆数据。
智能车辆的车辆数据是智能车辆产生的数据,例如智能车辆的位置数据、空调相关数据、娱乐数据、零件状态数据等。
作为一种可能的实现方式,为了后续获得的实时预测结果更加准确,可以获得第三方数据,如地图数据、超市打折数据等。例如,继续以上述事例一为例进行说明,在预测到乘车用户会在下班路上去超市,可以获得该超市是否有相应的打折信息,以便及时提供给乘车用户,提高乘车用户的舒适性。又如,可以提前获取乘车用户目的地址的停车位置信息,以便帮助乘车用户快速停车,提高乘车用户的舒适性等。
S102:按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端。
由于不同类型的车辆数据可以用于预测不同类型的结果,因此不同类型的车辆数据对应着不同类型的算法模型。例如,当车辆数据为智能车辆的零件状态数据,可以通过寿命预测算法模型,预测该零件的寿命。根据车辆数据的类型,确定出该车辆数据对应的算法模型,以便进行结果预测。
云端根据历史车辆数据训练对应的算法模型,具体地,利用历史车辆数据训练多种不同的算法模型,然后通过不同测试数据的准确率等指标对训练好的模型进行测试验证,从而在多种算法模型中选择一个针对该类车辆数据预测结果较好的模型发送给车机端,以便车机端将其保存为该类数据对应的算法模型。
S103:将所述车辆数据输入到所述算法模型中,获得实时预测结果。
在根据车辆数据确定对应的算法模型后,将车辆数据输入到该对应的算法模型中,从而获得实时预测结果。进而无需将车辆数据通过网路上传到云端,不仅在断网或网络较差的情况下智能车辆的实时预测结果不受影响,还能够减少实时上传云端带宽,降低实时预测结果下发到车机端传输带宽,整体上降低传输成本。
由此可知,本申请提供的技术方案将原本预先存储在云端的算法模型由云端发送给车机端,不再由云端预先存储算法模型,而是由车机端预先存储算法模型。在车机端获取到智能车辆的车辆数据后,不再通过网络将车辆数据发送给云端进行预测,而是根据车辆数据的类型确定对应的算法模型,并将车辆数据输入到由车机端预先存储的算法模型中,从而获得实时预测的结果。通过将现有技术中在云端训练算法模型和通过算法模型进行预测剥离开来,从而实现在云端训练算法模型,在车机端通过算法模型进行预测。由于车辆数据无需再实时上传到云端,网络中断或者网络信号较差等情况均不会影响车机端获得实时预测结果,从而提高智能车辆的舒适性和安全性。
为了使本申请实施例提供的技术方案更加清楚,下面结合图2以一个实例对本申请实施例提供的车辆数据处理方法进行说明。
参见图2,该图为本申请实施例提供的一种车辆数据处理方法的结构框图。
首先,车机端定期批量的上传车辆数据和/或第三方数据给云端的数据中心,云端采用机器学习框架等算法框架训练多个算法模型,通过测试验证从多个算法模型中选择一个效果较好的算法模型生成该车辆数据对应的算法模型,并通过协议(如Over-the-AirTechnology,OTA协议)将对应的算法模型发送给车机端。作为一种可能的实现方式,可以将算法模型中的模型代码文件与模型参数分开进行保存,从而将模型代码文件与模型参数分别发送给车机端。
车机端中的模型文件同步器可以根据云端发送的算法模型存储或更新存储对应的算法模型。车机端通过数据信号采集器采集车辆数据和/或第三方数据,集成器获取车辆数据和/或第三方数据,并读取对应的算法模型,将车辆数据和/或第三方数据输入到对应的算法模型中获得实时预测结果。并将实时预测结果通过人机交互界面(HMI)进行展示。
作为一种可能的实现方式,集成器中可以安装预测插件,用于读取算法模型文件、读取中间结果。读取实时车辆数据等数据。以车机端采用安卓环境为例,通过安卓软件开发工具包(Software Development Kit,SDK)读取实时车辆数据和/或第三方数据,通过java接口、集成接口等接口将数据输入到算法模型中,从而获得实时预测结果,显示在HMI中。可以理解的是,能够采用安卓环境运行的文件,也能够在linux等环境下运行。
作为一种可能的实现方式,为了获得的实时预测结果更加准确,车机端可以定期向云端请求更新算法模型。具体地,车机端将获取的车辆数据进行存储,然后定期批量上传至云端,云端根据上传的车辆数据调整算法模型,以使算法模型更加准确。云端将调整后的算法模型发送给车机端,以便车机端更新算法模型。例如,可以采用模型文件同步器更新算法模型,从而提高实时预测结果的准确性。
作为一种可能的实现方式,由于不同乘车用户的使用习惯不同,采集车辆数据也会随着乘车用户的使用习惯不同而不同,因此在上传车辆数据给云端时,可以将乘车用户的标识,例如车辆识别号码添加到车辆数据中,一起上传至云端,从而云端在训练完相应的算法模型后,可以根据对应的乘车用户的标识确定该车辆数据对应的车机端,从而云端将算法模型发送给对应的车机端,从而实现为不同的乘车用户进行不同的个性化服务。
作为一种可能的实现方式,在车机端和云端交互数据的过程中,通过边缘服务器进行交互。随着智能车辆数量的增多,如果所有智能车辆都在同一个云端进行计算,将会加重云端的计算负荷,从而导致云端宕机等情况出现。因此,为了减少云端的计算量,还可以设置多个边缘服务器帮助云端进行计算。可以根据智能车辆的所属区域设置边缘服务器,例如在我国有34个省级行政区,为每个省级行政区设置一个边缘服务器,34个边缘服务器受云端管辖。云端可以将算法模型通过边缘服务器发送给车机端。
作为一种可能的实现方式,云端和边缘服务器可以分别负责不同类型的车辆数据,例如可以根据车辆数据的更新频率将不同的算法模型计算分别放置于云端和边缘服务器进行训练,将更新频率较慢的车辆数据放置于云端进行训练,将更新频率较快的车辆数据放置于边缘服务器进行训练。又如还可以将算法模型的一部分在云端进行训练,算法模型剩下的部分在边缘服务器进行训练。以边缘服务器分担云端更新算法模型为例进行说明。车机端将车辆数据定期批量上传至边缘服务器,若车辆数据为更新频率较快的数据,则边缘服务器使用更新频率较快的数据,例如乘车用户的行为信息调整对应的算法模型,边缘服务器将调整后的算法模型发送给车机端,以便车机端将存储的算法模型更新为调整后的算法模型。若车辆数据为更新频率较慢的数据,则云端使用更新频率较慢的数据,例如乘车用户的性别信息更新对应的算法模型,云端将调整后的算法模型通过边缘服务器发送给车机端,以便车机端将存储的算法模型更新为调整后的算法模型。
本申请实施例除了提供的车辆数据处理方法外,还提供了车辆数据处理装置,如图3所示,包括获取单元301、确定单元302和算法单元303:
所述获取单元301,用于获取所述智能车辆的车辆数据;
所述确定单元302,用于按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;
所述算法单元303,用于将所述车辆数据输入到所述算法模型中,获得实时预测结果。
可选的,所述装置还包括更新单元,用于:
将所述车辆数据定期上传至所述云端,以便所述云端根据所述车辆数据调整所述算法模型;
接收所述云端发送的调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述获取单元还用于:
接收所述云端通过所述边缘服务器发送的算法模型;所述边缘服务器为所述智能车辆所属区域对应的所述云端的下属服务器。
可选的,所述更新单元还用于:
将所述车辆数据定期通过所述边缘服务器上传至所述云端,以便所述边缘服务器和/或云端根据所述车辆数据调整所述算法模型;
接收调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
可选的,所述获取单元还用于:
接收所述云端根据车辆识别号码发送给所述车辆识别号码对应的车机端的算法模型。相对于现有技术,本申请上述技术方案的优点在于:
本申请提供的技术方案将原本预先存储在云端的算法模型由云端发送给车机端,不再由云端预先存储算法模型,而是由车机端预先存储算法模型。在车机端获取到智能车辆的车辆数据后,不再通过网络将车辆数据发送给云端进行预测,而是根据车辆数据的类型确定对应的算法模型,并将车辆数据输入到由车机端预先存储的算法模型中,从而获得实时预测的结果。通过将现有技术中在云端训练算法模型和通过算法模型进行预测剥离开来,从而实现在云端训练算法模型,在车机端通过算法模型进行预测。由于车辆数据无需再实时上传到云端,网络中断或者网络信号较差等情况均不会影响车机端获得实时预测结果,从而提高智能车辆的舒适性和安全性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。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及模块可以是或者也可以不是物理上分开的。另外,还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。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。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种车辆数据处理方法,其特征在于,应用于智能车辆的车机端,包括:
获取所述智能车辆的车辆数据;
按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;
将所述车辆数据输入到所述算法模型中,获得实时预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述车辆数据定期上传至所述云端,以便所述云端根据所述车辆数据调整所述算法模型;
接收所述云端发送的调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
3.根据权利要求1所述的方法,其特征在于,所述云端将算法模型发送给所述车机端,包括:
所述云端将所述算法模型发送给边缘服务器;所述边缘服务器为所述智能车辆所属区域对应的所述云端的下属服务器;
所述边缘服务器将所述算法模型发送给所述车机端。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述车辆数据定期通过所述边缘服务器上传至所述云端,以便所述边缘服务器和/或云端根据所述车辆数据调整所述算法模型;
接收调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
5.根据权利要求1所述的方法,其特征在于,所述云端将算法模型发送给所述车机端,包括:
所述云端根据车辆识别号码确定所述算法模型对应的车机端;
所述云端将所述算法模型发送给所述对应的车机端。
6.一种车辆数据处理装置,其特征在于,应用于智能车辆的车机端,包括获取单元、确定单元和算法单元:
所述获取单元,用于获取所述智能车辆的车辆数据;
所述确定单元,用于按照所述车辆数据的类型,确定所述车辆数据对应的算法模型;其中,所述算法模型为云端根据所述智能车辆的历史车辆数据训练的模型,并将训练完成的模型作为算法模型发送给所述车机端;
所述算法单元,用于将所述车辆数据输入到所述算法模型中,获得实时预测结果。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括更新单元,用于:
将所述车辆数据定期上传至所述云端,以便所述云端根据所述车辆数据调整所述算法模型;
接收所述云端发送的调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
8.根据权利要求6所述的装置,其特征在于,所述获取单元还用于:
接收所述云端通过所述边缘服务器发送的算法模型;所述边缘服务器为所述智能车辆所属区域对应的所述云端的下属服务器。
9.根据权利要求8所述的装置,其特征在于,所述更新单元还用于:
将所述车辆数据定期通过所述边缘服务器上传至所述云端,以便所述边缘服务器和/或云端根据所述车辆数据调整所述算法模型;
接收调整后的算法模型;
将所述算法模型更新为所述调整后的算法模型。
10.根据权利要求6所述的装置,其特征在于,所述获取单元还用于:
接收所述云端根据车辆识别号码发送给所述车辆识别号码对应的车机端的算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909075.7A CN114202821A (zh) | 2020-09-02 | 2020-09-02 | 一种车辆数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909075.7A CN114202821A (zh) | 2020-09-02 | 2020-09-02 | 一种车辆数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202821A true CN114202821A (zh) | 2022-03-18 |
Family
ID=80644342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909075.7A Pending CN114202821A (zh) | 2020-09-02 | 2020-09-02 | 一种车辆数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202821A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
CN115273271A (zh) * | 2022-06-27 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种基于车辆娱乐主机采集车辆数据的系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
CN108423006A (zh) * | 2018-02-02 | 2018-08-21 | 辽宁友邦网络科技有限公司 | 一种辅助驾驶预警方法及系统 |
CN108845562A (zh) * | 2018-06-09 | 2018-11-20 | 铠龙东方汽车有限公司 | 一种基于车联网的智能车载服务系统 |
CN109740802A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
CN109910891A (zh) * | 2019-03-20 | 2019-06-21 | 奇瑞汽车股份有限公司 | 车辆控制方法和装置 |
CN110197593A (zh) * | 2019-05-20 | 2019-09-03 | 河海大学 | 一种基于云端短时路径预测的路况播报方法及系统 |
CN110928658A (zh) * | 2019-11-20 | 2020-03-27 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
-
2020
- 2020-09-02 CN CN202010909075.7A patent/CN114202821A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
CN108423006A (zh) * | 2018-02-02 | 2018-08-21 | 辽宁友邦网络科技有限公司 | 一种辅助驾驶预警方法及系统 |
CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
CN108845562A (zh) * | 2018-06-09 | 2018-11-20 | 铠龙东方汽车有限公司 | 一种基于车联网的智能车载服务系统 |
CN109740802A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
CN109910891A (zh) * | 2019-03-20 | 2019-06-21 | 奇瑞汽车股份有限公司 | 车辆控制方法和装置 |
CN110197593A (zh) * | 2019-05-20 | 2019-09-03 | 河海大学 | 一种基于云端短时路径预测的路况播报方法及系统 |
CN110928658A (zh) * | 2019-11-20 | 2020-03-27 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
CN115273271A (zh) * | 2022-06-27 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种基于车辆娱乐主机采集车辆数据的系统及方法 |
CN115273271B (zh) * | 2022-06-27 | 2023-07-11 | 重庆长安汽车股份有限公司 | 一种基于车辆娱乐主机采集车辆数据的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102000132B1 (ko) | 정보 제공 장치 및 정보 제공 프로그램을 저장하는 기록 매체 | |
CN104648284B (zh) | 自主车辆模式 | |
CN108349499B (zh) | 用于控制在车辆中的功能的方法、装置和处理设备 | |
CN112463347B (zh) | 一种云路协同的自动驾驶模型训练、调取方法及系统 | |
CN112997227B9 (zh) | 交通辅助系统、服务器及方法、车载装置及其动作方法、记录介质、计算机及半导体集成电路 | |
DE102016123278A1 (de) | Personalisieren von fahrzeugseitigen komforteinstellungen für einen bestimmten benutzer | |
US20140165159A1 (en) | Method for a motor vehicle | |
US20150244806A1 (en) | Device and method for extracting data from a communication bus of a motor vehicle | |
CN114202821A (zh) | 一种车辆数据处理方法及装置 | |
CN105246116B (zh) | 在移动无线电装置中控制数据连接和/或数据传输 | |
CN104520912A (zh) | 堵塞预测装置、堵塞预测系统、堵塞预测方法和程序 | |
CN110853179A (zh) | 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法 | |
CN111439268B (zh) | 一种主动提供个性化服务的方法、装置、云端服务器及汽车 | |
CN113848855A (zh) | 车辆控制系统测试方法、装置、设备、介质及程序产品 | |
CN113504925A (zh) | 一种空中下载升级方法、升级系统及电子设备 | |
WO2023050850A1 (zh) | 用于控制驻车空调的方法、装置及驻车空调 | |
JP7013712B2 (ja) | データ処理装置、及びデータ処理方法 | |
US20150321604A1 (en) | In-vehicle micro-interactions | |
CN112470024A (zh) | 检查车辆、特别是机动车的传感器装置的方法、系统和电子计算装置 | |
CN113961222A (zh) | 一种轨道交通软件远程维护方法及装置、存储介质 | |
CN109466479A (zh) | 车辆控制方法、装置、终端设备和介质 | |
CN112446412A (zh) | 用于确定道路车辆中的当前位置速度限制的方法和布置 | |
CN114463029A (zh) | 一种车辆加油日确定方法、装置、设备和相关系统 | |
CN113532466A (zh) | 充电导航方法、装置、电子设备及存储介质 | |
CN112744218A (zh) | 行车辅助方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |