CN115730348A - 一种车机订阅事件的处理方法、装置、设备及介质 - Google Patents
一种车机订阅事件的处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115730348A CN115730348A CN202211529698.7A CN202211529698A CN115730348A CN 115730348 A CN115730348 A CN 115730348A CN 202211529698 A CN202211529698 A CN 202211529698A CN 115730348 A CN115730348 A CN 115730348A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- data
- machine
- analysis result
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车机订阅事件的处理方法、装置、设备及介质,所述车机订阅事件的处理方法包括:在车机处于启动状态时,获取多个车机订阅事件的信息;判断所述车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若所述车机订阅事件的信息的总量大于所述车机系统数据库的最大存储容量,获取脱敏数据和未脱敏数据;在车机处于空闲状态时,对所述未脱敏数据进行分析,获取车端分析结果;以及在车机处于空闲状态时,对所述脱敏数据和所述车端分析结果进行分析,获取云端分析结果。通过本发明公开的一种车机订阅事件的处理方法,提高了车载数据的利用率和用户的用车体验。
Description
技术领域
本申请涉及汽车技术领域,具体涉及一种车机订阅事件的处理方法、装置、设备及介质。
背景技术
当前,随着汽车的智能化、互联化和自动化正在使用户与车辆产生新的互动和体验。其中,在汽车行驶过程中,车机系统根据用户的订阅请求向用户提供订阅服务,随着用户与车机系统产生大量的互动,产生了大量的车机订阅事件的信息。目前,对车机订阅事件的处理方法主要是对车机订阅事件进行存储和传输。但是对车机订阅事件进行模型分析获取分析结果,然后通过分析结果对用户提供个性化的订阅服务却没有涉及,不能对车机订阅事件的信息进行有效的利用。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种车机订阅事件的处理方法、装置、设备及介质,以解决上述没有涉及对车机订阅事件进行模型分析获取分析结果,并通过分析结果对用户提供个性化的订阅服务以及不能对车机订阅事件的信息进行有效利用的问题。
本发明提供的一种车机订阅事件的处理方法,所述方法包括:
获取车机处于启动状态的信息和车机处于空闲状态的信息;
根据所述车机处于启动状态的信息,获取多个车机订阅事件的信息;
判断所述多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若所述多个车机订阅事件的信息的总量大于所述车机系统数据库的最大存储容量,获取所述车机订阅事件的信息的脱敏数据和未脱敏数据;
根据所述车机处于空闲状态的信息,对所述未脱敏数据进行分析,获取车端分析结果;以及
根据所述车机处于空闲状态的信息,对所述脱敏数据和所述车端分析结果进行分析,获取云端分析结果。
于本发明的一实施例中,获取所述车机订阅事件的信息的脱敏数据包括以下步骤:
获取所述多个车机订阅事件的信息超出所述最大存储容量的事件数据;
获取所述事件数据中的敏感数据。
于本发明的一实施例中,获取所述车机订阅事件的信息的脱敏数据包括以下步骤:
获取脱敏规则的信息;
根据所述脱敏规则的信息,对所述事件数据中的敏感数据进行数据脱敏,获取所述脱敏数据。
于本发明的一实施例中,获取所述车端分析结果包括以下步骤:
将所述未脱敏数据定义为多个类,获取多个未脱敏数据类;
获取多个类之间的相似度的计算方法的信息。
于本发明的一实施例中,获取所述车端分析结果包括以下步骤:
根据所述多个类之间的相似度的计算方法的信息,获取多个所述未脱敏数据类之间的相似度的信息;
根据所述多个未脱敏数据类之间的相似度的信息,将相似度最大的多个所述未脱敏数据类合并为一个类,获取所述车端分析结果。
于本发明的一实施例中,还包括以下步骤:
获取车端学习模型的信息;
根据所述车端学习模型的信息,对所述未脱敏数据进行分析,获取所述车端分析结果。
于本发明的一实施例中,还包括以下步骤:
获取云端学习模型的信息;
根据所述脱敏数据和所述车端分析结果,调整所述云端学习模型的参数,获取云端学习新模型的信息;
根据所述云端学习新模型的信息,对所述脱敏数据和所述车端分析结果进行分析,获取所述云端分析结果。
本发明提供的一种车机订阅事件的处理装置,所述装置包括:
车机状态获取模块,用于获取车机处于启动状态的信息和车机处于空闲状态的信息;
车机订阅事件获取模块,用于根据所述车机处于启动状态的信息,获取多个车机订阅事件的信息;
脱敏数据获取模块,用于判断所述多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若所述多个车机订阅事件的信息的总量大于所述车机系统数据库的最大存储容量,获取所述车机订阅事件的信息的脱敏数据和未脱敏数据;
车端分析结果获取模块,用于根据所述车机处于空闲状态的信息,对所述未脱敏数据进行分析,获取车端分析结果;以及
云端分析结果获取模块,根据所述车机处于空闲状态的信息,对所述脱敏数据和所述车端分析结果进行分析,获取云端分析结果。
本发明提供的一种电子设备,所述电子设备包括:
至少一个处理器;
存储装置,用于存储至少一个程序,当所述至少一个程序被所述至少一个处理器执行时,使得所述电子设备实现上述任一项的所述车机订阅事件的处理方法。
本发明提供的一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行上述任一项的所述的车机订阅事件的处理方法。
本发明的有益效果:本发明中通过对车机订阅事件的信息进行模型分析获取车端分析结果,并对脱敏数据和车端分析结果进行模型分析,获取云端分析结果,有效的提高了车机订阅事件的信息的利用率。并通过多个车机订阅事件信息的总量与车机系统数据库的最大存储容量进行比较,将超出车机系统数据库的最大存储容量的车机订阅事件的信息脱敏并上传云端,保证了车机订阅事件信息获取的完整性和准确性。并且通过车端和云端对车机订阅事件的信息进行模型分析,提高了分析结果的准确性。有利于帮助车机、交互、驾驶舱、和仪表盘等的评价与改进,更好的实现为用户提供订阅服务,提高用户用车的体验感。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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他的附图。在附图中:
图1是本申请的一示例性实施例示出的车机订阅事件的处理方法的应用环境示意图;
图2是本申请的一示例性实施例示出的车机订阅事件的处理方法的流程图;
图3是本申请的一示例性实施例示出的车端分析结果的获取方法流程图;
图4是本申请的一示例性实施例示出的车机订阅事件的处理装置的结构示意图;
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
首先需要说明的是,非监督学习(unsupervised learning)是指在没有类别信息的情况下,通过对所研究对象的大量样本的数据分析实现对样本分类的一种数据处理方法。非监督学习是根据一些非监督学习算法直接对数据进行建模,没有给定事先标记过的训练范例,所处理的数据对象也没有属性或标签的概念,甚至事先不知道输入数据对应的输出结果是什么,模型根据数据集自身来发现或学习到数据集内部隐藏的归类。其中,非监督学习算法例如包括聚类算法、可视化和降维算法和关联性规则学习算法。
深度神经网络(Deep Neural Networks,DNN)是一种类型判别模型,具备至少一个隐层的神经网络,可以使用反向传播算法进行训练。深度神经网络中的“深度”指的是一系列连续的隐藏层,数据模型包含了至少一个输入层、至少一个隐藏层和至少一个输出层,输入层与输出层的数量不一定相同,且输入层与隐藏层、隐藏层与隐藏层和隐藏层与输出层之间存在多个神经元,神经元之间有连接权重。深度神经网络的主要目的是接收输入数据,根据多个隐藏层对输入数据进行逐步复杂的计算,并给出解决实际问题的输出例如对输入数据进行分类。
图1是本申请的一示例性实施例示出的车机订阅事件的处理方法的应用环境示意图。如图1所示,在一些实施例中,用户通过人机界面110获取并调用订阅服务生成车机订阅事件的信息,然后人机界面110将车机订阅事件的信息传输到车机订阅事件的处理模块120。车机订阅事件的处理模块120包括事件记录模块130、事件信息存储模块140、车端分析模块150和云端分析模块160。事件记录模块130首先获取多个车机订阅事件的信息并存储在事件记录模块130的数据库中,然后判断多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若多个车机订阅事件的信息的总量大于车机系统数据库的最大存储容量,超出数据库的车机订阅事件的信息脱敏后存储在云端的事件信息存储模块140中,没超出数据库最大存储容量的车机订阅事件的信息由车端分析模块150进行分析处理并获取车端分析结果,然后把车端分析结果上传到事件信息存储模块140中存储。事件信息存储模块140把脱敏数据和车端分析结果上传到云端分析模块160继续进行分析处理,然后云端分析模块160获取云端分析结果后把云端分析结果上传到事件信息存储模块140内进行存储。技术人员根据云端的事件信息存储模块140存储的车端分析结果和云端分析结果为用户提供个性化订阅服务,提高用户的用车体验。
本申请的实施例不对车机订阅事件的处理模块120的具体作用加以限制,图1所示的事件信息存储模块140例如可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器,在此也不进行限制。其中事件记录模块130和车端分析系统150向事件信息存储模块140上传数据可通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络进行操作,本申请的实施例也不对此进行限制,可以根据实际需求进行设置。
在一些实施例中,因为存在没有对车机订阅事件进行模型分析获取分析结果,并通过分析结果对用户提供个性化的订阅服务以及不能对车机订阅事件的信息进行有效的利用的问题。所以,为了解决这些问题,本申请的实施例分别提出一种车机订阅事件的处理方法、装置、设备及介质,以下将对这些实施例进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的车机订阅事件的处理方法的流程图。在一些实施例中,该方法可以应用于图1所示的实施环境,并由该实施环境中的车机订阅事件的处理模块120具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
示例性的,本实施例揭示的车机订阅事件的处理方法所适用的车机订阅事件的处理模块120中可以安装有SDK(Software Development Kit,软件开发工具包,是为特定的软件包、软件框架、操作系统等建立应用软件时的开发工具集合),而本实施例揭示的方法具体实现为该SDK对外提供的一项或多项功能。
如图2所示,在一示例性的实施例中,车机订阅事件的处理方法至少包括步骤S210至步骤S250,详细介绍如下:
步骤S210,获取车机处于启动状态的信息和车机处于空闲状态的信息。
在本发明的一实施例中,图1所示的车机订阅事件的处理模块120实时获取车机状态的信息,车机状态的信息包括车机处于启动状态的信息和车机处于空闲状态的信息。其中,车机指的是安装在汽车里面的车载信息娱乐产品的简称,车机在功能上能够实现用户与车,车与车或者车与外界环境的信息通讯。当车机处于空闲状态时,汽车处于无导航功能开启、无播放音乐和无打电话等状态时。
步骤S220,根据车机处于启动状态的信息,获取多个车机订阅事件的信息。
在本发明的一实施例中,当图1所示的车机订阅事件的处理模块120获取到车机处于启动状态的信息时,启动事件记录模块130。事件记录模块130由车机系统例如Android系统中的中间件和车机系统数据库组成,主要是记录车机在运行期间的多个的车机订阅事件的信息。车机系统的中间件承载了车机系统和HMI(Human Machine Interface,人机界面)之间所有的数据传输、命令控制和接口调用等所有交互信息。车机系统的中间件会处理车机系统中所有的车机订阅事件,记录下所发布的订阅服务、订阅服务的接收者、车机订阅事件的时间,并把车机订阅事件的信息按照时间序列存储到车机系统数据库中。
步骤S230,判断多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量。
在本发明的一实施例中,因为图1所示的事件记录模块中的数据库有最大的存储容量,所以车机系统的中间件将多个车机订阅事件的信息存储到车机系统数据库中时,车机系统数据库不会主动删除之前存储的车机订阅事件的信息,所以新的多个车机订阅事件的信息的总量可能会大于车机系统数据库的最大存储容量。若多个车机订阅事件的信息的总量小于或等于车机系统数据库的最大存储容量,执行步骤S231,若多个车机订阅事件的信息的总量大于车机系统数据库的最大存储容量,执行步骤S232。
步骤S231,获取车机订阅事件的信息的未脱敏数据。
在本发明的一实施例中,若多个车机订阅事件的信息的总量小于或等于车机系统数据库的最大存储容量,则多个车机订阅事件的信息全部存储到车机系统数据库中,作为车机订阅事件的信息的未脱敏数据。
步骤S232,获取车机订阅事件的信息的脱敏数据和未脱敏数据。
在本发明的一实施例中,若多个车机订阅事件的信息的总量大于车机系统数据库的最大存储容量,则超出车机系统数据库的最大存储容量的车机订阅事件的信息数据脱敏后上传到云端的事件信息存储模块140进行存储,作为车机订阅事件的信息的脱敏数据。其他的车机订阅事件的信息存储在车机系统数据库中作为车机订阅事件的信息的未脱敏数据。数据脱敏是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护,这样便可在开发、测试和其他非生产环境以及外包环境中安全地使用脱敏后的数据。例如,在涉及用户安全数据或者一些商业性敏感数据的情况下,在不违反车机系统的规则条件下,对车机订阅事件的信息进行改造,例如身份证号、手机号、银行卡号和用户编号等用户的个人敏感信息都需要进行数据脱敏。获取未脱敏数据的方法包括先获取多个车机订阅事件的信息超出所述最大存储容量的事件数据,然后获取事件数据中的敏感数据,再然后获取脱敏规则的信息,最后根据脱敏规则的信息,对事件数据中的敏感数据进行数据脱敏,获取脱敏数据。
步骤S240,根据车机处于空闲状态的信息,对未脱敏数据进行分析,获取车端分析结果。
在本发明的一实施例中,当图1所示的车机订阅事件的处理模块120获取到车机处于空闲状态的信息时,车端分析模块150对数据库中的车机订阅事件的信息即车机订阅事件的信息的未脱敏数据按照获取的车端学习模型进行分析和分类,获取车端分析结果,其中部署在车机系统上的车端分析模块150的车端学习模型例如为轻量级非监督式机器学习模型。非监督式机器学习模型,主要是对车机订阅事件的信息进行分类,获取多个种类的车机订阅事件的信息。而应用轻量级的学习模型主要是因为车机系统与HMI的交互信息量较小,应用轻量级的学习模型对车机订阅事件的信息进行处理时可降低对数据的处理量且不降低处理结果的精确度。车端分析模块150在获取到车端分析结果后,将车端分析结果上传到云端的事件信息存储模块140上进行存储。在车机系统内部署学习模型是为了保证对车机订阅事件的信息进行本地分析,保证原始的车机订阅事件的隐私数据不会上传云端,保护用户的隐私。
步骤S250,根据车机处于空闲状态的信息,对车端分析结果或脱敏数据和车端分析结果进行分析,获取云端分析结果。
在本发明的一实施例中,根据车机处于空闲状态的信息,若多个车机订阅事件的信息的总量小于或等于车机系统数据库的最大存储容量,图1所示的云端的事件信息存储模块140只存储车端分析模块150传输的车端分析结果。若多个车机订阅事件的信息的总量大于车机系统数据库的最大存储容量,事件信息存储模块140存储车端分析模块150传输的车端分析结果和车机订阅事件的信息的脱敏数据。事件信息存储模块140将车端分析结果或脱敏数据和车端分析结果传输到云端的云端分析模块160。云端分析模块160对脱敏数据和车端分析结果按照云端学习模型进行分析处理,获取云端分析结果。其中,部署在云端的云端分析模块160中的学习模型例如为非监督式深度神经网络,用于从脱敏数据和车端分析结果分析出有用的信息数据,并且可在分析数据的过程中根据脱敏数据和车端分析结果调整云端学习模型的参数,获取云端学习新模型,并根据云端学习新模型获取云端分析结果。云端分析结果包括车辆的使用偏好、多个车型的行驶偏好、车辆使用年限、故障维修分析和订阅服务的易用性等信息。云端分析模块160将获取的分析结果传输给云端的事件信息存储模块140进行存储,其中最大的存储年限为直到车辆报废,即使车机更换也不会中的存储,车架号作为唯一标识。技术人员根据存储的车机订阅事件的分析结果为用户提供个性化的订阅服务。
图3是本申请的一示例性实施例示出的车端分析结果的获取方法流程图。如图3所示,在一示例性的实施例中,车端分析结果的获取方法至少包括步骤S310至步骤S350,详细介绍如下:
步骤S310,获取车机订阅事件的信息的未脱敏数据。
在本发明的一实施例中,存储在车机系统数据库中的车机订阅事件的信息为车机订阅事件的信息的未脱敏数据。
步骤S320,将未脱敏数据定义为多个类,获取多个未脱敏数据类。
步骤S330,获取多个未脱敏数据类之间的相似度的计算方法的信息。
在本发明的一实施例中,多个未脱敏数据类之间的相似度的计算方法主要例如为聚类算法。
步骤S340,根据多个类之间的相似度的计算方法的信息,获取多个未脱敏数据类之间的相似度的信息。
步骤S350,根据多个未脱敏数据类之间的相似度的信息,将相似度最大的多个未脱敏数据类合并为一个类,获取车端分析结果。
在本发明的一实施例中,将相似度最大的多个未脱敏数据类合并为一个类后,获得的多个类别的未脱敏数据即为车端分析结果。
图4是本申请的一示例性实施例示出的车机订阅事件的处理装置的结构示意图。该装置可以应用于图1所示的应用环境中,并具体配置在车机订阅事件的处理模块120中。该装置也可以适用于其它的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实施环境进行限制。
如图4所示,该示例性的车机订阅事件的处理装置包括:
车机状态获取模块410,用于获取车机处于启动状态的信息和车机处于空闲状态的信息;车机订阅事件获取模块420,用于根据车机处于启动状态的信息,获取多个车机订阅事件的信息;脱敏数据获取模块430,用于判断多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若多个车机订阅事件的信息的总量大于车机系统数据库的最大存储容量,获取车机订阅事件的信息的脱敏数据和未脱敏数据;车端分析结果获取模块440,用于根据车机处于空闲状态的信息,对所述未脱敏数据进行分析,获取车端分析结果;云端分析结果获取模块450,根据车机处于空闲状态的信息,对脱敏数据和车端分析结果进行分析,获取云端分析结果。
图5示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图5示出的电子设备的计算机系统500仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(Central Processing Unit,CPU)501,其可以根据存储在只读存储器(Read-Only Memory,ROM)502中的程序或者从储存部分508加载到随机访问存储器(Random Access Memory,RAM)503中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output,I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分507;包括硬盘等的储存部分508;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入储存部分508。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和应用结构的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的车机订阅事件的处理方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的车机订阅事件的处理方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种车机订阅事件的处理方法,其特征在于,所述方法包括:
获取车机处于启动状态的信息和车机处于空闲状态的信息;
根据所述车机处于启动状态的信息,获取多个车机订阅事件的信息;
判断所述多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若所述多个车机订阅事件的信息的总量大于所述车机系统数据库的最大存储容量,获取所述车机订阅事件的信息的脱敏数据和未脱敏数据;
根据所述车机处于空闲状态的信息,对所述未脱敏数据进行分析,获取车端分析结果;以及
根据所述车机处于空闲状态的信息,对所述脱敏数据和所述车端分析结果进行分析,获取云端分析结果。
2.根据权利要求1所述的一种车机订阅事件的处理方法,其特征在于,获取所述车机订阅事件的信息的脱敏数据包括以下步骤:
获取所述多个车机订阅事件的信息超出所述最大存储容量的事件数据;
获取所述事件数据中的敏感数据。
3.根据权利要求2所述的一种车机订阅事件的处理方法,其特征在于,获取所述车机订阅事件的信息的脱敏数据包括以下步骤:
获取脱敏规则的信息;
根据所述脱敏规则的信息,对所述事件数据中的敏感数据进行数据脱敏,获取所述脱敏数据。
4.根据权利要求1所述的一种车机订阅事件的处理方法,其特征在于,获取所述车端分析结果包括以下步骤:
将所述未脱敏数据定义为多个类,获取多个未脱敏数据类;
获取多个所述未脱敏数据类之间的相似度的计算方法的信息。
5.根据权利要求4所述的一种车机订阅事件的处理方法,其特征在于,获取所述车端分析结果包括以下步骤:
根据多个所述未脱敏数据类之间的相似度的计算方法的信息,获取多个所述未脱敏数据类之间的相似度的信息;
根据所述多个未脱敏数据类之间的相似度的信息,将相似度最大的多个所述未脱敏数据类合并为一个类,获取所述车端分析结果。
6.根据权利要求1所述的一种车机订阅事件的处理方法,其特征在于,还包括以下步骤:
获取车端学习模型的信息;
根据所述车端学习模型的信息,对所述未脱敏数据进行分析,获取所述车端分析结果。
7.根据权利要求6所述的一种车机订阅事件的处理方法,其特征在于,还包括以下步骤:
获取云端学习模型的信息;
根据所述脱敏数据和所述车端分析结果,调整所述云端学习模型的参数,获取云端学习新模型的信息;以及
根据所述云端学习新模型的信息,对所述脱敏数据和所述车端分析结果进行分析,获取所述云端分析结果。
8.一种车机订阅事件的处理装置,其特征在于,所述装置包括:
车机状态获取模块,用于获取车机处于启动状态的信息和车机处于空闲状态的信息;
车机订阅事件获取模块,用于根据所述车机处于启动状态的信息,获取多个车机订阅事件的信息;
脱敏数据获取模块,用于判断所述多个车机订阅事件的信息的总量是否大于车机系统数据库的最大存储容量,若所述多个车机订阅事件的信息的总量大于所述车机系统数据库的最大存储容量,获取所述车机订阅事件的信息的脱敏数据和未脱敏数据;
车端分析结果获取模块,用于根据所述车机处于空闲状态的信息,对所述未脱敏数据进行分析,获取车端分析结果;以及
云端分析结果获取模块,根据所述车机处于空闲状态的信息,对所述脱敏数据和所述车端分析结果进行分析,获取云端分析结果。
9.一种电子设备,所述电子设备包括:
至少一个处理器;
存储装置,用于存储至少一个程序,当所述至少一个程序被所述至少一个处理器执行时,使得所述电子设备实现权利要求1至权利要求7任一项的所述车机订阅事件的处理方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行权利要求1至权利要求7任一项的所述车机订阅事件的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211529698.7A CN115730348A (zh) | 2022-11-30 | 2022-11-30 | 一种车机订阅事件的处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211529698.7A CN115730348A (zh) | 2022-11-30 | 2022-11-30 | 一种车机订阅事件的处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730348A true CN115730348A (zh) | 2023-03-03 |
Family
ID=85299709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211529698.7A Pending CN115730348A (zh) | 2022-11-30 | 2022-11-30 | 一种车机订阅事件的处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730348A (zh) |
-
2022
- 2022-11-30 CN CN202211529698.7A patent/CN115730348A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
CN110929799A (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
US20210333119A1 (en) | System and method for cloud computing-based vehicle configuration | |
AU2017205114A1 (en) | Method and system for vehicle speed profile generation | |
CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
CN116740520A (zh) | 一种异常行为检测及特征融合模型训练方法 | |
CN115730348A (zh) | 一种车机订阅事件的处理方法、装置、设备及介质 | |
CN116070691A (zh) | 一种车载终端处理器的算法模型的生成方法、装置、设备及介质 | |
CN108460057B (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN115859219A (zh) | 多模态交互方法、装置、设备及存储介质 | |
CN115563734A (zh) | 故障容错时间间隔计算方法及装置、电子设备、存储介质 | |
Zhang et al. | Driving data generation using affinity propagation, data augmentation, and convolutional neural network in communication system | |
CN115576990A (zh) | 视觉真值数据与感知数据的评测方法、装置、设备及介质 | |
CN115730004A (zh) | 一种汽车行驶工况曲线构建方法、装置、设备及存储介质 | |
JP7281436B2 (ja) | 車両事故予測システム、車両事故予測プログラム、及び、学習済みモデル生成システム | |
CN113204714A (zh) | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 | |
CN111966897B (zh) | 一种出行意愿的感知方法、装置、终端及存储介质 | |
CN117132958B (zh) | 道路要素识别方法及相关装置 | |
CN112989501B (zh) | 平衡车安全性评估方法、装置、终端设备 | |
CN116524476A (zh) | 一种驾驶员监测方法、装置、设备及存储介质 | |
CN115731536A (zh) | 车辆姿态检测方法、装置、设备及介质 | |
CN115481036A (zh) | 一种驾驶模型的测试方法、装置、设备及介质 | |
CN115718862A (zh) | 车辆发动机故障预警方法、装置、设备及介质 | |
CN115392391A (zh) | 道路类型识别模型的训练方法以及道路类型识别方法 |
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 |