CN115730659A - 应用于ai的车辆安全分析方法及系统 - Google Patents
应用于ai的车辆安全分析方法及系统 Download PDFInfo
- Publication number
- CN115730659A CN115730659A CN202211492837.3A CN202211492837A CN115730659A CN 115730659 A CN115730659 A CN 115730659A CN 202211492837 A CN202211492837 A CN 202211492837A CN 115730659 A CN115730659 A CN 115730659A
- Authority
- CN
- China
- Prior art keywords
- dimension
- description vector
- analyzed
- vector
- vehicle component
- 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
本发明提供的应用于AI的车辆安全分析方法及系统，涉及人工智能技术领域。在本发明中，挖掘出待分析运行数据描述向量、关联运行数据描述向量；输出待分析维度可能性评估参数、关联维度可能性评估参数；基于待分析运行数据描述向量、关联运行数据描述向量和关联维度可能性评估参数，输出待分析依据维度描述向量，基于关联运行数据描述向量、待分析运行数据描述向量和待分析维度可能性评估参数，输出关联依据维度描述向量；基于关联依据维度描述向量，形成更新依据维度描述向量；基于更新依据维度描述向量，分析输出目标运行故障信息。基于上述内容，可以改善现有技术中存在的运行故障分析的可靠度不佳的问题。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用于AI的车辆安全分析方法及系统。
背景技术
人工智能(Artificial Intelligence，简称AI)，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
其中，人工智能的应用场景较多，例如，可以用于对车辆安全进行分析（即故障分析等），但是，在现有技术中，存在的运行故障分析（如确定运行故障的维度）的可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种应用于AI的车辆安全分析方法及系统，以改善现有技术中存在的运行故障分析的可靠度不佳的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于AI的车辆安全分析方法，包括：
挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量，所述关联车辆部件和所述待分析车辆部件之间在运行层面相关；
分析输出所述待分析车辆部件基于确定运行相关依据维度具有的待分析维度可能性评估参数，并分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数，所述确定运行相关依据维度用于反映确定所述关联车辆部件和所述待分析车辆部件之间在运行层面相关的依据维度；
基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，以及，基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量；
基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量；
基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息，所述目标运行故障信息用于反映所述待分析车辆部件具有的运行故障的维度。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量的步骤，包括：
挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量；
确定出所述确定运行相关依据维度对应的维度向量转换规则；
基于所述维度向量转换规则，对所述初始待分析运行数据描述向量进行向量转换处理，以形成对应的待分析运行数据描述向量，以及，基于所述维度向量转换规则，对所述初始关联运行数据描述向量进行向量转换处理，以形成对应的关联运行数据描述向量。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量的步骤，包括：
挖掘出所述待分析车辆部件对应的待分析内部运行数据描述向量、待分析交互运行数据描述向量和待分析车辆部件身份数据描述向量；
对所述待分析内部运行数据描述向量、所述待分析交互运行数据描述向量和所述待分析车辆部件身份数据描述向量进行向量聚合操作，输出初始待分析运行数据描述向量；
挖掘出所述关联车辆部件对应的关联内部运行数据描述向量、对应的关联交互运行数据描述向量和对应的关联车辆部件身份数据描述向量；
对所述关联内部运行数据描述向量、所述关联交互运行数据描述向量和所述关联车辆部件身份数据描述向量进行向量聚合操作，输出初始关联运行数据描述向量。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量的步骤，包括：
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述待分析依据维度描述向量进行转换处理，以形成对应的转换待分析运行数据描述向量；
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述关联依据维度描述向量进行转换处理，以形成对应的转换关联运行数据描述向量；
提取到预先配置的默认依据维度可能性评估参数；
基于所述转换待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述转换关联运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选转换依据维度描述向量；
基于所述候选转换依据维度描述向量和所述转换关联运行数据描述向量，分析输出对应的目标依据维度可能性评估参数；
基于所述转换待分析运行数据描述向量、所述转换关联运行数据描述向量和所述目标依据维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的转换依据维度描述向量；
基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行进行相关性更新处理，形成对应的依据维度更新描述向量；
基于所述依据维度更新描述向量和所述转换依据维度描述向量，形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行进行相关性更新处理，形成对应的依据维度更新描述向量的步骤，包括：
对所述待分析依据维度描述向量和所述关联依据维度描述向量进行加法运算，以形成对应的依据维度更新描述向量。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述应用于AI的车辆安全分析方法还包括：
提取出示例性车辆部件数据，所述示例性车辆部件数据包括示例性车辆部件和示例性关联车辆部件，所述示例性车辆部件具有运行故障实际信息，所述示例性关联车辆部件和所述示例性车辆部件之间在运行层面相关；
挖掘出所述示例性车辆部件对应的示例性初始待分析运行数据描述向量，并挖掘出所述示例性关联车辆部件对应的示例性初始关联运行数据描述向量；
对所述示例性初始待分析运行数据描述向量和所述示例性初始关联运行数据描述向量进行加载，以加载到车辆部件运行故障分析模型中，利用所述车辆部件运行故障分析模型包括的配置维度向量转换规则和所述示例性初始待分析运行数据描述向量，分析出所述示例性初始待分析运行数据描述向量对应的示例性待分析运行数据描述向量，利用所述配置维度向量转换规则和所述示例性初始关联运行数据描述向量，分析出所述示例性初始关联运行数据描述向量对应的示例性关联运行数据描述向量，所述配置维度向量转换规则属于所述确定运行相关依据维度对应的维度向量转换规则的默认参数；
基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述关联维度可能性评估参数，分析出所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性待分析依据维度描述向量，基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述待分析维度可能性评估参数，分析出所述示例性关联车辆部件基于所述确定运行相关依据维度具有的示例性关联依据维度描述向量；
利用所述车辆部件运行故障分析模型，基于所述示例性关联依据维度描述向量，对所述示例性待分析依据维度描述向量进行相关性更新处理，以形成所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性更新依据维度描述向量；
基于所述示例性更新依据维度描述向量，分析输出所述示例性车辆部件的运行故障信息评估结果，以及，基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，形成所述维度向量转换规则。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，形成所述维度向量转换规则的步骤，包括：
分析输出所述运行故障信息评估结果与所述运行故障实际信息之间的分析差异信息；
基于所述分析差异信息，计算出对应的目标学习代价值，在所述目标学习代价值大于或等于预先配置的参考学习代价值的情况下，基于所述目标学习代价值对所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数的步骤，包括：
提取到配置的默认依据维度可能性评估参数；
基于所述待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述关联运行数据描述向量，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选依据维度描述向量；
基于所述关联运行数据描述向量和所述候选依据维度描述向量，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数。
在一些优选的实施例中，在上述应用于AI的车辆安全分析方法中，所述基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息的步骤，包括：
利用车辆部件运行故障分析模型，将所述更新依据维度描述向量进行故障分析处理，以得到对应的故障信息分析可能性评估参数；
从所述故障信息分析可能性评估参数中选择出具有最大值的故障信息分析可能性评估参数，以及，将所述具有最大值的故障信息分析可能性评估参数对应的运行故障信息进行标记处理，以形成所述待分析车辆部件对应的目标运行故障信息。
本发明实施例还提供一种应用于AI的车辆安全分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于AI的车辆安全分析方法。
本发明实施例提供的一种应用于AI的车辆安全分析方法及系统，可以挖掘出待分析运行数据描述向量、关联运行数据描述向量；输出待分析维度可能性评估参数、关联维度可能性评估参数；基于待分析运行数据描述向量、关联运行数据描述向量和关联维度可能性评估参数，输出待分析依据维度描述向量，基于关联运行数据描述向量、待分析运行数据描述向量和待分析维度可能性评估参数，输出关联依据维度描述向量；基于关联依据维度描述向量，形成更新依据维度描述向量；基于更新依据维度描述向量，分析输出目标运行故障信息。基于前述的步骤，由于目标运行故障信息的分析依据是更新依据维度描述向量，而更新依据维度描述向量则充分结合了待分析运行数据描述向量、关联运行数据描述向量以及基于确定运行相关依据维度具有的维度可能性评估参数，使得更新依据维度描述向量的信息更丰富，因此，基于此得到的目标运行故障信息的可靠度更高（也就是说，在分析待分析车辆部件的故障信息时，不仅仅考虑了待分析车辆部件的运行数据，还考虑相关的关联车辆部件的运行数据等），从而改善现有技术中存在的运行故障分析的可靠度不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的应用于AI的车辆安全分析系统的结构框图。
图2为本发明实施例提供的应用于AI的车辆安全分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于AI的车辆安全分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
如图1所示，本发明实施例提供了一种应用于AI的车辆安全分析系统。其中，所述应用于AI的车辆安全分析系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于AI的车辆安全分析方法。
应当理解，在一些可以替代的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
应当理解，在一些可以替代的实施方式中，所述应用于AI的车辆安全分析系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种应用于AI的车辆安全分析方法，可应用于上述应用于AI的车辆安全分析系统。其中，所述应用于AI的车辆安全分析方法有关的流程所定义的方法步骤，可以由所述应用于AI的车辆安全分析系统实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量。
在本发明实施例中，所述应用于AI的车辆安全分析系统可以挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量。所述关联车辆部件和所述待分析车辆部件之间在运行层面相关。
步骤S120，分析输出所述待分析车辆部件基于确定运行相关依据维度具有的待分析维度可能性评估参数，并分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数。
在本发明实施例中，所述应用于AI的车辆安全分析系统可以分析输出所述待分析车辆部件基于确定运行相关依据维度具有的待分析维度可能性评估参数，并分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数。所述确定运行相关依据维度用于反映确定所述关联车辆部件和所述待分析车辆部件之间在运行层面相关的依据维度（即表征所述关联车辆部件和所述待分析车辆部件的相关层面，如所述关联车辆部件和所述待分析车辆部件之间有直接的电连接关系，如所述关联车辆部件和所述待分析车辆部件之间有直接的通信连接关系，即有进行数据交互或指令交互等，如所述关联车辆部件和所述待分析车辆部件之间具有运行结果上的相关关系，如一般会同步出现故障，或者，一个部件出现故障，会导致另一个部件也出现故障等；所述待分析维度可能性评估参数和所述关联维度可能性评估参数是指，属于对应的依据维度的可能值）。
步骤S130，基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，以及，基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量。
在本发明实施例中，所述应用于AI的车辆安全分析系统可以基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，以及，基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量。
步骤S140，基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量。
在本发明实施例中，所述应用于AI的车辆安全分析系统可以基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量。
步骤S150，基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息。
在本发明实施例中，所述应用于AI的车辆安全分析系统可以基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息。所述目标运行故障信息用于反映所述待分析车辆部件具有的运行故障的维度（即一个车辆部件的故障类型）。
基于前述的步骤（如步骤S110-步骤S150），由于目标运行故障信息的分析依据是更新依据维度描述向量，而更新依据维度描述向量则充分结合了待分析运行数据描述向量、关联运行数据描述向量以及基于确定运行相关依据维度具有的维度可能性评估参数，使得更新依据维度描述向量的信息更丰富，因此，基于此得到的目标运行故障信息的可靠度更高（也就是说，在分析待分析车辆部件的故障信息时，不仅仅考虑了待分析车辆部件的运行数据，还考虑相关的关联车辆部件的运行数据等），从而改善现有技术中存在的运行故障分析的可靠度不佳的问题。
应当理解，在一些可以替代的实施方式中，步骤S110，即所述挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量的步骤，可以进一步包括以下具体实施内容：
挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量；
确定出所述确定运行相关依据维度对应的维度向量转换规则；
基于所述维度向量转换规则，对所述初始待分析运行数据描述向量进行向量转换处理，以形成对应的待分析运行数据描述向量，以及，基于所述维度向量转换规则，对所述初始关联运行数据描述向量进行向量转换处理，以形成对应的关联运行数据描述向量（示例性地，所述维度向量转换规则可以包括转换参数分布和移位参数，如此，可以先对所述转换参数分布和所述初始待分析运行数据描述向量进行乘法运算，然后，对乘法运算的输出数据和所述移位参数进行加法运算，以形成对应的待分析运行数据描述向量；另外，可以先对所述转换参数分布和所述初始关联运行数据描述向量进行乘法运算，然后，对乘法运算的输出数据和所述移位参数进行加法运算，以形成对应的关联运行数据描述向量）。
应当理解，在一些可以替代的实施方式中，所述挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量的步骤，可以进一步包括以下具体的实施内容：
挖掘出所述待分析车辆部件对应的待分析内部运行数据描述向量、对应的待分析交互运行数据描述向量和对应的待分析车辆部件身份数据描述向量（示例性地，可以对所述待分析车辆部件对应的待分析内部运行数据进行编码处理，以得到对应的待分析内部运行数据描述向量；可以对所述待分析车辆部件对应的待分析交互运行数据进行编码处理，以得到对应的待分析交互运行数据描述向量；可以对所述待分析车辆部件对应的车辆部件身份数据进行编码处理，以得到对应的待分析车辆部件身份数据描述向量；其中，所述编码处理可以是指将离散的数据编码至连续的向量空间；其中，待分析内部运行数据和待分析交互运行数据分别表示车辆部件内部的运行行为数据和车辆部件进行外部交互的运行行为数据；另外，在一些实施方式中，还可以对编码处理得到的初始的待分析内部运行数据描述向量进行模态内的聚焦特征分析，以得到对应的聚焦待分析内部运行数据描述向量，作为最终的待分析内部运行数据描述向量；还可以对编码处理得到的初始的待分析交互运行数据描述向量进行模态内的聚焦特征分析，以得到对应的聚焦待分析交互运行数据描述向量，作为最终的待分析交互运行数据描述向量；还可以对编码处理得到的初始的待分析车辆部件身份数据描述向量进行模态内的聚焦特征分析，以得到对应的聚焦待分析车辆部件身份数据描述向量，作为最终的待分析车辆部件身份数据描述向量）；
对所述待分析内部运行数据描述向量、所述待分析交互运行数据描述向量和所述待分析车辆部件身份数据描述向量进行向量聚合操作（如进行向量的拼接等，示例性地，在进行向量的拼接处理时，可以对所述待分析内部运行数据描述向量、所述待分析交互运行数据描述向量和所述待分析车辆部件身份数据描述向量依次拼接，以得到对应的初始待分析运行数据描述向量；示例性地，在一些实施方式中，还可以先对所述待分析内部运行数据描述向量、所述待分析交互运行数据描述向量和所述待分析车辆部件身份数据描述向量进行模态间的聚焦特征分析，然后，将模态间的聚焦特征分析的输出数据进行拼接），输出初始待分析运行数据描述向量；
挖掘出所述关联车辆部件对应的关联内部运行数据描述向量、对应的关联交互运行数据描述向量和对应的关联车辆部件身份数据描述向量；
对所述关联内部运行数据描述向量、所述关联交互运行数据描述向量和所述关联车辆部件身份数据描述向量进行向量聚合操作如进行向量的拼接等），输出初始关联运行数据描述向量。
应当理解，在一些可以替代的实施方式中，所述应用于AI的车辆安全分析方法还可以包括确定所述维度向量转换规则的步骤，该步骤可以进一步包括以下具体的实施内容：
提取出示例性车辆部件数据，所述示例性车辆部件数据中包括示例性车辆部件和示例性关联车辆部件，所述示例性车辆部件具有运行故障实际信息（即真实的故障维度信息），所述示例性关联车辆部件和所述示例性车辆部件之间在运行层面相关（如前相关描述）；
挖掘出所述示例性车辆部件对应的示例性初始待分析运行数据描述向量，并挖掘出所述示例性关联车辆部件对应的示例性初始关联运行数据描述向量；对所述示例性初始待分析运行数据描述向量和所述示例性初始关联运行数据描述向量进行加载，以加载到车辆部件运行故障分析模型中，利用所述车辆部件运行故障分析模型包括的配置维度向量转换规则和所述示例性初始待分析运行数据描述向量，分析出所述示例性初始待分析运行数据描述向量对应的示例性待分析运行数据描述向量，利用所述配置维度向量转换规则和所述示例性初始关联运行数据描述向量，分析出所述示例性初始关联运行数据描述向量对应的示例性关联运行数据描述向量，所述配置维度向量转换规则属于所述确定运行相关依据维度对应的维度向量转换规则的默认参数；基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述关联维度可能性评估参数，分析出所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性待分析依据维度描述向量，以及，基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述待分析维度可能性评估参数，分析出所述示例性关联车辆部件基于所述确定运行相关依据维度具有的示例性关联依据维度描述向量；利用所述车辆部件运行故障分析模型，基于所述示例性关联依据维度描述向量，对所述示例性待分析依据维度描述向量进行相关性更新处理，以形成所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性更新依据维度描述向量；基于所述示例性更新依据维度描述向量，分析输出所述示例性车辆部件的运行故障信息评估结果（如前所述）；
基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则。
应当理解，在一些可以替代的实施方式中，所述基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则的步骤，可以进一步包括以下具体的实施内容：
分析输出所述运行故障信息评估结果与所述运行故障实际信息之间的分析差异信息；基于所述分析差异信息，计算出对应的目标学习代价值（示例性地，可以针对多个示例性车辆部件数据，以计算输出对应的多个分析差异信息，然后，可以对所述多个分析差异信息进行均值计算，以得到目标学习代价值），在所述目标学习代价值大于或等于预先配置的参考学习代价值的情况下，基于所述目标学习代价值对所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则。
应当理解，在一些可以替代的实施方式中，在步骤S120中，所述待分析维度可能性评估参数可以是指基于待分析运行数据描述向量、默认依据维度可能性评估参数和关联运行数据描述向量，分析输出的依据维度可能性评估参数，例如，可以对所述待分析运行数据描述向量和所述关联运行数据描述向量进行向量相似度的计算，然后，可以基于该向量相似度对所述默认依据维度可能性评估参数进行更新，以得到所述待分析维度可能性评估参数，例如，可以计算该向量相似度和所述默认依据维度可能性评估参数的乘积或加权均值等，以得到所述待分析维度可能性评估参数；其中，所述默认依据维度可能性评估参数可以是所述待分析车辆部件属于所述确定运行相关依据维度的依据维度可能性的默认参数，该默认参数可以是基于所述确定运行相关依据维度的总数量计算出的均值系数，例如，所述确定运行相关依据维度共有2种，则均值系数可以为1/2，如此，可以将该均值系数1/3作为所述待分析车辆部件属于每一种所述确定运行相关依据维度的依据维度可能性的默认参数；对于生成所述关联维度可能性评估参数的方式，可以与前述的确定所述待分析维度可能性评估参数的方式相同，也可以与前述的方式不同，因此，步骤S120，即所述分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数的步骤，还可以进一步包括以下具体的实施内容：
提取到配置的默认依据维度可能性评估参数（如前所述）；
基于所述待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述关联运行数据描述向量，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选依据维度描述向量（示例性地，可以先计算所述默认依据维度可能性评估参数和所述关联运行数据描述向量的乘积，然后，计算该乘积和所述待分析运行数据描述向量的和值，即得到一个和值向量，然后，计算该和值向量的单位向量，即得到所述待分析车辆部件基于所述确定运行相关依据维度具有的候选依据维度描述向量）；
基于所述关联运行数据描述向量和所述候选依据维度描述向量，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数（示例性地，可以先计算所述关联运行数据描述向量和所述候选依据维度描述向量的向量点积，然后，计算该向量点积的指数函数值，然后，对该指数函数值和目标值进行比值计算，以得到所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数，该目标值可以是所述确定运行相关依据维度以外的其它维度对应的如前述方式计算输出的指数函数值的和值；另外，在进行向量点积时，可以先对所述关联运行数据描述向量进行向量参数的行列对换，然后，对行列对换的结果和所述候选依据维度描述向量进行向量点积的计算）。
其中，应当理解，在一些可以替代的实施方式中，步骤S130，即所述基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量的步骤，可以进一步包括以下具体的实施内容：
对所述关联运行数据描述向量和所述关联维度可能性评估参数进行乘法运算，以输出对应的中间关联运行数据描述向量（也就是说，可以将所述关联运行数据描述向量和所述关联维度可能性评估参数进行乘法运算的运算输出数据，作为所述中间关联运行数据描述向量）；
对所述待分析运行数据描述向量和所述中间关联运行数据描述向量进行加法运算，以及，基于加法运算的输出数据，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选待分析运行数据描述向量（示例性地，可以对加法运算的输出数据，即一种描述向量进行单位向量的确定处理，以得到所述候选待分析运行数据描述向量）；
基于所述候选待分析运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量。
其中，应当理解，在一些可以替代的实施方式中，所述基于所述候选待分析运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量的步骤，可以进一步包括以下具体的实施内容：
基于所述初始关联运行数据描述向量，对所述初始待分析运行数据描述向量进行进行相关性更新处理，以形成对应的更新运行数据描述向量（示例性地，所述相关性更新处理的具体方式，可以参照后文中关于对所述待分析依据维度描述向量进行相关性更新处理的解释说明）；
基于所述更新运行数据描述向量和所述候选待分析运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量（示例性地，可以对所述更新运行数据描述向量和所述候选待分析运行数据描述向量进行加权叠加，以得到所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，进行加权叠加对应的加权系数可以作为进行网络优化的对象以优化形成，即在将所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则的过程中，还会对初始的加权系数进行更新，以形成该加权系数）。
其中，应当理解，在一些可以替代的实施方式中，步骤S130，即所述基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量的步骤，可以进一步包括以下具体的实施内容：
对所述待分析运行数据描述向量和所述待分析维度可能性评估参数进行乘法运算，以输出对应的中间待分析运行数据描述向量；对所述关联运行数据描述向量和所述中间待分析运行数据描述向量进行加法运算，以及，基于加法运算的输出数据，分析出所述关联车辆部件基于所述确定运行相关依据维度具有的候选关联运行数据描述向量；基于所述候选关联运行数据描述向量，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量（如前相关描述）。
应当理解，在一些可以替代的实施方式中，步骤S140，即所述基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量的步骤，可以进一步包括以下具体的实施内容：
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述待分析依据维度描述向量进行转换处理，以形成对应的转换待分析运行数据描述向量（示例性地，所述维度向量转换规则可以包括转换参数分布和移位参数，如此，可以先对所述转换参数分布和所述待分析依据维度描述向量进行乘法运算，然后，对乘法运算的输出数据和所述移位参数进行加法运算，以形成对应的转换待分析运行数据描述向量）；
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述关联依据维度描述向量进行转换处理，以形成对应的转换关联运行数据描述向量（示例性地，所述维度向量转换规则可以包括转换参数分布和移位参数，如此，可以先对所述转换参数分布和所述关联依据维度描述向量进行乘法运算，然后，对乘法运算的输出数据和所述移位参数进行加法运算，以形成对应的转换关联运行数据描述向量）；
提取到预先配置的默认依据维度可能性评估参数（如前所述）；
基于所述转换待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述转换关联运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选转换依据维度描述向量（示例性地，可以先计算所述默认依据维度可能性评估参数和所述转换关联运行数据描述向量的乘积，然后，计算该乘积和所述转换待分析运行数据描述向量的和值，即得到一个和值向量，然后，计算该和值向量的单位向量，即得到所述待分析车辆部件基于所述确定运行相关依据维度具有的候选转换依据维度描述向量）；
基于所述候选转换依据维度描述向量和所述转换关联运行数据描述向量，分析输出对应的目标依据维度可能性评估参数（示例性地，可以先计算所述候选转换依据维度描述向量和所述转换关联运行数据描述向量的向量点积，然后，计算该向量点积的指数函数值，然后，对该指数函数值和目标值进行比值计算，以得到对应的目标依据维度可能性评估参数，该目标值可以是所述确定运行相关依据维度以外的其它维度对应的如前述方式计算输出的指数函数值的和值；另外，在进行向量点积时，可以先对所述转换关联运行数据描述向量进行向量参数的行列对换，然后，对行列对换的结果和所述候选转换依据维度描述向量进行向量点积的计算）；
基于所述转换待分析运行数据描述向量、所述转换关联运行数据描述向量和所述目标依据维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的转换依据维度描述向量（示例性地，可以先对所述转换关联运行数据描述向量和所述目标依据维度可能性评估参数进行乘法运算，以输出对应的待处理关联运行数据描述向量，然后，对所述转换待分析运行数据描述向量和所述待处理关联运行数据描述向量进行加法运算，以及，基于加法运算的输出数据对应的单位向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的转换依据维度描述向量，具体的分析方式，可以参照前文的相关描述）；
基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行进行相关性更新处理，以形成对应的依据维度更新描述向量（示例性地，可以获取到配置的加权系数，基于所述加权系数对所述关联依据维度描述向量进行加权处理，然后，对加权处理的输出数据和所述待分析依据维度描述向量进行求和计算，以形成对应的依据维度更新描述向量，其中，该加权系数可以是在默认加权系数的基础上进行网络优化形成）；
基于所述依据维度更新描述向量和所述转换依据维度描述向量，形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量（示例性地，可以对所述待分析依据维度描述向量和所述关联依据维度描述向量进行加法运算，以形成对应的依据维度更新描述向量）。
应当理解，在一些可以替代的实施方式中，步骤S150，即所述基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息的步骤，可以进一步包括以下具体的实施内容：
利用车辆部件运行故障分析模型，将所述更新依据维度描述向量进行故障分析处理，以得到对应的故障信息分析可能性评估参数（示例性地，可以所述车辆部件运行故障分析模型可以包括分析单元，所述分析单元可以包括softmax函数，以映射输出所述故障信息分析可能性评估参数）；
从所述故障信息分析可能性评估参数中选择出具有最大值的故障信息分析可能性评估参数，以及，将所述具有最大值的故障信息分析可能性评估参数对应的运行故障信息进行标记处理，以形成所述待分析车辆部件对应的目标运行故障信息（示例性地，输出的故障信息分析可能性评估参数可以包括K1、K2、K3、K4、K5，其中，K1为0.02，K2为0.10，K3为0.08，K4为0.74，K5为0.06，其中，故障信息分析可能性评估参数K1对应的运行故障信息为“子部件1存在故障”，故障信息分析可能性评估参数K2对应的运行故障信息为“子部件2存在故障”，预测类别K3对应的预测类别为“子部件3存在故障”，故障信息分析可能性评估参数K4对应的运行故障信息为“子部件4存在故障”，故障信息分析可能性评估参数K5对应的运行故障信息为“子部件5存在故障”。在这些故障信息分析可能性评估参数K1、K2、K3、K4、K5中，最大的故障信息分析可能性评估参数为K4＝0.74，因此，可以将K4所对应的预测类别“子部件4存在故障”确定为所述待分析车辆部件对应的目标运行故障信息）。
结合图3，本发明实施例还提供一种应用于AI的车辆安全分析装置，可应用于上述应用于AI的车辆安全分析系统。其中，所述应用于AI的车辆安全分析装置可以包括以下模块：
数据描述向量挖掘模块（所述数据描述向量挖掘模块的具体内容，可以参照前文对步骤S110的解释说明），用于挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量，所述关联车辆部件和所述待分析车辆部件之间在运行层面相关；
可能性评估模块（所述可能性评估模块的具体内容，可以参照前文对步骤S120的解释说明），用于分析输出所述待分析车辆部件基于确定运行相关依据维度具有的待分析维度可能性评估参数，并分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数，所述确定运行相关依据维度用于反映确定所述关联车辆部件和所述待分析车辆部件之间在运行层面相关的依据维度；
依据维度描述向量挖掘模块（所述依据维度描述向量挖掘模块的具体内容，可以参照前文对步骤S130的解释说明），用于基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量；
相关性更新模块（所述相关性更新模块的具体内容，可以参照前文对步骤S140的解释说明），用于基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量；
运行故障信息分析模块（所述运行故障信息分析模块的具体内容，可以参照前文对步骤S150的解释说明），用于基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息，所述目标运行故障信息用于反映所述待分析车辆部件具有的运行故障的维度。
综上所述，本发明提供的一种应用于AI的车辆安全分析方法及系统，可以挖掘出待分析运行数据描述向量、关联运行数据描述向量；输出待分析维度可能性评估参数、关联维度可能性评估参数；基于待分析运行数据描述向量、关联运行数据描述向量和关联维度可能性评估参数，输出待分析依据维度描述向量，基于关联运行数据描述向量、待分析运行数据描述向量和待分析维度可能性评估参数，输出关联依据维度描述向量；基于关联依据维度描述向量，形成更新依据维度描述向量；基于更新依据维度描述向量，分析输出目标运行故障信息。基于前述的步骤，由于目标运行故障信息的分析依据是更新依据维度描述向量，而更新依据维度描述向量则充分结合了待分析运行数据描述向量、关联运行数据描述向量以及基于确定运行相关依据维度具有的维度可能性评估参数，使得更新依据维度描述向量的信息更丰富，因此，基于此得到的目标运行故障信息的可靠度更高（也就是说，在分析待分析车辆部件的故障信息时，不仅仅考虑了待分析车辆部件的运行数据，还考虑相关的关联车辆部件的运行数据等），从而改善现有技术中存在的运行故障分析的可靠度不佳的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用于AI的车辆安全分析方法，其特征在于，包括：
挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量，所述关联车辆部件和所述待分析车辆部件之间在运行层面相关；
分析输出所述待分析车辆部件基于确定运行相关依据维度具有的待分析维度可能性评估参数，并分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数，所述确定运行相关依据维度用于反映确定所述关联车辆部件和所述待分析车辆部件之间在运行层面相关的依据维度；
基于所述待分析运行数据描述向量、所述关联运行数据描述向量和所述关联维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的待分析依据维度描述向量，以及，基于所述关联运行数据描述向量、所述待分析运行数据描述向量和所述待分析维度可能性评估参数，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联依据维度描述向量；
基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量；
基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息，所述目标运行故障信息用于反映所述待分析车辆部件具有的运行故障的维度。
2.如权利要求1所述的应用于AI的车辆安全分析方法，其特征在于，所述挖掘出待分析车辆部件对应的待分析运行数据描述向量，并挖掘出关联车辆部件对应的关联运行数据描述向量的步骤，包括：
挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量；
确定出所述确定运行相关依据维度对应的维度向量转换规则；
基于所述维度向量转换规则，对所述初始待分析运行数据描述向量进行向量转换处理，以形成对应的待分析运行数据描述向量，以及，基于所述维度向量转换规则，对所述初始关联运行数据描述向量进行向量转换处理，以形成对应的关联运行数据描述向量。
3.如权利要求2所述的应用于AI的车辆安全分析方法，其特征在于，所述挖掘出待分析车辆部件对应的初始待分析运行数据描述向量，并挖掘出关联车辆部件对应的初始关联运行数据描述向量的步骤，包括：
挖掘出所述待分析车辆部件对应的待分析内部运行数据描述向量、待分析交互运行数据描述向量和待分析车辆部件身份数据描述向量；
对所述待分析内部运行数据描述向量、所述待分析交互运行数据描述向量和所述待分析车辆部件身份数据描述向量进行向量聚合操作，输出初始待分析运行数据描述向量；
挖掘出所述关联车辆部件对应的关联内部运行数据描述向量、对应的关联交互运行数据描述向量和对应的关联车辆部件身份数据描述向量；
对所述关联内部运行数据描述向量、所述关联交互运行数据描述向量和所述关联车辆部件身份数据描述向量进行向量聚合操作，输出初始关联运行数据描述向量。
4.如权利要求2所述的应用于AI的车辆安全分析方法，其特征在于，所述基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行相关性更新处理，以形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量的步骤，包括：
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述待分析依据维度描述向量进行转换处理，以形成对应的转换待分析运行数据描述向量；
基于所述确定运行相关依据维度对应的维度向量转换规则，对所述关联依据维度描述向量进行转换处理，以形成对应的转换关联运行数据描述向量；
提取到预先配置的默认依据维度可能性评估参数；
基于所述转换待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述转换关联运行数据描述向量，分析出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选转换依据维度描述向量；
基于所述候选转换依据维度描述向量和所述转换关联运行数据描述向量，分析输出对应的目标依据维度可能性评估参数；
基于所述转换待分析运行数据描述向量、所述转换关联运行数据描述向量和所述目标依据维度可能性评估参数，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的转换依据维度描述向量；
基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行进行相关性更新处理，形成对应的依据维度更新描述向量；
基于所述依据维度更新描述向量和所述转换依据维度描述向量，形成所述待分析车辆部件基于所述确定运行相关依据维度具有的更新依据维度描述向量。
5.如权利要求4所述的应用于AI的车辆安全分析方法，其特征在于，所述基于所述关联依据维度描述向量，对所述待分析依据维度描述向量进行进行相关性更新处理，形成对应的依据维度更新描述向量的步骤，包括：
对所述待分析依据维度描述向量和所述关联依据维度描述向量进行加法运算，以形成对应的依据维度更新描述向量。
6.如权利要求2所述的应用于AI的车辆安全分析方法，其特征在于，所述应用于AI的车辆安全分析方法还包括：
提取出示例性车辆部件数据，所述示例性车辆部件数据包括示例性车辆部件和示例性关联车辆部件，所述示例性车辆部件具有运行故障实际信息，所述示例性关联车辆部件和所述示例性车辆部件之间在运行层面相关；
挖掘出所述示例性车辆部件对应的示例性初始待分析运行数据描述向量，并挖掘出所述示例性关联车辆部件对应的示例性初始关联运行数据描述向量；
对所述示例性初始待分析运行数据描述向量和所述示例性初始关联运行数据描述向量进行加载，以加载到车辆部件运行故障分析模型中，利用所述车辆部件运行故障分析模型包括的配置维度向量转换规则和所述示例性初始待分析运行数据描述向量，分析出所述示例性初始待分析运行数据描述向量对应的示例性待分析运行数据描述向量，利用所述配置维度向量转换规则和所述示例性初始关联运行数据描述向量，分析出所述示例性初始关联运行数据描述向量对应的示例性关联运行数据描述向量，所述配置维度向量转换规则属于所述确定运行相关依据维度对应的维度向量转换规则的默认参数；
基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述关联维度可能性评估参数，分析出所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性待分析依据维度描述向量，基于所述示例性待分析运行数据描述向量、所述示例性关联运行数据描述向量和所述待分析维度可能性评估参数，分析出所述示例性关联车辆部件基于所述确定运行相关依据维度具有的示例性关联依据维度描述向量；
利用所述车辆部件运行故障分析模型，基于所述示例性关联依据维度描述向量，对所述示例性待分析依据维度描述向量进行相关性更新处理，以形成所述示例性车辆部件基于所述确定运行相关依据维度具有的示例性更新依据维度描述向量；
基于所述示例性更新依据维度描述向量，分析输出所述示例性车辆部件的运行故障信息评估结果，以及，基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，形成所述维度向量转换规则。
7.如权利要求6所述的应用于AI的车辆安全分析方法，其特征在于，所述基于所述运行故障信息评估结果和所述运行故障实际信息，将所述配置维度向量转换规则进行更新，形成所述维度向量转换规则的步骤，包括：
分析输出所述运行故障信息评估结果与所述运行故障实际信息之间的分析差异信息；
基于所述分析差异信息，计算出对应的目标学习代价值，在所述目标学习代价值大于或等于预先配置的参考学习代价值的情况下，基于所述目标学习代价值对所述配置维度向量转换规则进行更新，以形成所述维度向量转换规则。
8.如权利要求1所述的应用于AI的车辆安全分析方法，其特征在于，所述分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数的步骤，包括：
提取到配置的默认依据维度可能性评估参数；
基于所述待分析运行数据描述向量、所述默认依据维度可能性评估参数和所述关联运行数据描述向量，分析输出所述待分析车辆部件基于所述确定运行相关依据维度具有的候选依据维度描述向量；
基于所述关联运行数据描述向量和所述候选依据维度描述向量，分析输出所述关联车辆部件基于所述确定运行相关依据维度具有的关联维度可能性评估参数。
9.如权利要求1所述的应用于AI的车辆安全分析方法，其特征在于，所述基于所述更新依据维度描述向量，分析输出所述待分析车辆部件具有的目标运行故障信息的步骤，包括：
利用车辆部件运行故障分析模型，将所述更新依据维度描述向量进行故障分析处理，以得到对应的故障信息分析可能性评估参数；
从所述故障信息分析可能性评估参数中选择出具有最大值的故障信息分析可能性评估参数，以及，将所述具有最大值的故障信息分析可能性评估参数对应的运行故障信息进行标记处理，以形成所述待分析车辆部件对应的目标运行故障信息。
10.一种应用于AI的车辆安全分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任一项所述的应用于AI的车辆安全分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211492837.3A CN115730659A (zh) | 2022-11-25 | 2022-11-25 | 应用于ai的车辆安全分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211492837.3A CN115730659A (zh) | 2022-11-25 | 2022-11-25 | 应用于ai的车辆安全分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115730659A true CN115730659A (zh) | 2023-03-03 |
Family
ID=85298406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211492837.3A Pending CN115730659A (zh) | 2022-11-25 | 2022-11-25 | 应用于ai的车辆安全分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115730659A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
-
2022
- 2022-11-25 CN CN202211492837.3A patent/CN115730659A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lucca et al. | CC-integrals: Choquet-like copula-based aggregation functions and its application in fuzzy rule-based classification systems | |
| CN115730659A (zh) | 应用于ai的车辆安全分析方法及系统 | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
| CN111666393A (zh) | 智能问答系统的验证方法、装置、计算机设备及存储介质 | |
| CN114820871A (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
| CN112785585A (zh) | 基于主动学习的图像视频质量评价模型的训练方法以及装置 | |
| CN116303963A (zh) | 智慧ai平台的用户反馈分析方法及系统 | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
| CN117076993A (zh) | 基于云原生的多智能体博弈决策系统及方法 | |
| CN116628138A (zh) | 应用于深度学习的物流订单文本挖掘方法及系统 | |
| CN116737800A (zh) | 应用于供应链平台服务的大数据挖掘方法及系统 | |
| CN116361440A (zh) | 基于人工智能的数字金融产品会话交互方法及系统 | |
| CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
| Robinson et al. | Exploring some commercial applications of genetic programming | |
| US20220188647A1 (en) | Model learning apparatus, data analysis apparatus, model learning method and program | |
| CN114579761A (zh) | 信息安全知识实体关系连接预测方法、系统及介质 | |
| CN114692721A (zh) | 一种基于简化深度森林的电子信息系统试验数据预测方法 | |
| CN116521761B (zh) | 基于人工智能的传感器运行行为挖掘方法及系统 | |
| Bu et al. | Probabilistic model with evolutionary optimization for cognitive diagnosis | |
| CN115908119B (zh) | 基于人工智能的人脸图像美颜处理方法及系统 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| Sidheekh et al. | Building Expressive and Tractable Probabilistic Generative Models: A Review |
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 |