CN117633451A - 基于数据挖掘和深度学习的智能座舱健康数据分析方法 - Google Patents
基于数据挖掘和深度学习的智能座舱健康数据分析方法 Download PDFInfo
- Publication number
- CN117633451A CN117633451A CN202311371366.5A CN202311371366A CN117633451A CN 117633451 A CN117633451 A CN 117633451A CN 202311371366 A CN202311371366 A CN 202311371366A CN 117633451 A CN117633451 A CN 117633451A
- Authority
- CN
- China
- Prior art keywords
- data
- cabin
- health
- monitoring
- sign
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007405 data analysis Methods 0.000 title claims abstract description 36
- 238000007418 data mining Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 241
- 238000004458 analytical method Methods 0.000 claims abstract description 157
- 230000006399 behavior Effects 0.000 claims abstract description 145
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 23
- 230000009193 crawling Effects 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000011056 performance test Methods 0.000 claims description 9
- 230000003862 health status Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000035565 breathing frequency Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于数据挖掘和深度学习的智能座舱健康数据分析方法,包括:获取对座舱健康的评估指标,并基于评估指标从服务器中获取历史监测数据,且对历史监测数据进行训练,构建集成座舱健康分析模型;基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,并对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征;基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,且基于违规等级调取相应目标提醒措施对用户进行驾驶提醒。提高了行车安全系数,也便于对用户的驾驶行为进行修正,提高驾驶规范性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于数据挖掘和深度学习的智能座舱健康数据分析方法。
背景技术
随着生活水平的不断提高,越来越多的人采用自驾的方式出行,但是,自驾在提供便利的同时也会存在缺陷,例如驾驶行为不规范则会导致交通事故的发生等情况,因此,对座舱健康进行有效监测显得尤为重要,而智能健康座舱的核心,是对用户的身体状况进行一定程度的监控,并依据用户的健康数据,给出相应的积极反馈;
目前,市面上的健康座舱技术更多地侧重于用户驾驶时身体状态的监控和驾驶行为的辅助,大都只能采用干预手段,对用户的驾驶行为进行纠正,且是在用户出现异常行为后才能进行响应,并不能对用户在座舱内的驾驶行为和体态特征进行监测和综合分析后确定用户当前的座舱健康状态,从而导致对座舱健康监测管理效果大大降低,也导致用户的行车安全系数大大降低;
因此,为了克服上述缺陷,本发明提供了基于数据挖掘和深度学习的智能座舱健康数据分析方法。
发明内容
本发明提供一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,用以通过根据座舱健康的评估指标调取历史监测数据,并对历史监测数据进行训练,实现对座舱健康分析模型进行准确有效的构建,其次,通过构建的座舱健康分析模型对监测到的驾驶行为数据和体征数据进行分析,实现对用户在座舱内的座舱健康状态进行准确可靠的分析,最后,在座舱健康状态不满足基准要求时向用户推送相应的驾驶提醒信息,确保用户能够保持健康的驾驶状态,从而保障了用户的行车安全,提高了行车安全系数,也便于对用户的驾驶行为进行修正,提高驾驶规范性。
本发明提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,包括:
步骤1:获取对座舱健康的评估指标,并基于评估指标从服务器中获取历史监测数据,且对历史监测数据进行训练,构建集成座舱健康分析模型;
步骤2:基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,并对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征;
步骤3:基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,且基于违规等级调取相应目标提醒措施对用户进行驾驶提醒。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤1中,获取对座舱健康的评估指标,包括:
获取对座舱健康的管理任务,并对管理任务进行解析,确定管理任务中包含的座舱健康分析项目,其中,座舱健康分析项目至少为一种;
提取座舱健康分析项目的项目特征,并基于项目特征确定每一座舱健康分析项目的目标维度;
基于目标维度确定每一座舱健康分析项目的分析方向以及分析目的,并基于分析方向以及分析目的确定每一座舱健康分析项目的评估指标集合,且对每一座舱健康分析项目的评估指标集合进行汇总,得到对座舱健康的评估指标。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤1中,基于评估指标从服务器中获取历史监测数据,包括:
获取得到的评估指标,并提取评估指标的指标标签,同时,获取数据获取终端的身份信息,并将评估指标和身份信息作为访问请求主体,将指标标签作为访问请求索引,且基于预设访问请求生成策略根据访问请求主体和访问请求索引生成数据访问请求;
将数据访问请求传输至服务器,并基于服务器对数据访问请求中的身份信息进行核验,且当核验通过后基于访问请求索引对服务器中的预设数据库进行遍历;
基于遍历结果得到初始历史监测数据,并将初始历史监测数据的数据特征与评估指标的指标特征进行匹配,且基于匹配结果对初始历史监测数据进行特征筛选,得到最终的历史监测数据。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,得到最终的历史监测数据,包括:
获取得到的历史监测数据,并将历史监测数据进行离散化处理,得到N个单个独立历史监测数据,且基于离散化处理结果确定每个单个独立历史监测数据的目标取值;
提取历史监测数据对应的时间序列,并基于时间序列将N个单个独立历史监测数据的目标取值映射至二维坐标系,且基于映射结果确定历史监测数据的幅值特征;
基于幅值特征确定历史监测数据的变化趋势,并基于变化趋势确定历史监测数据的标准取值范围,且基于标准取值范围和每个单个独立历史监测数据的目标取值确定异常数据样本;
提取异常数据样本相邻时刻的单个独立历史监测数据的目标取值,并基于相邻时刻的单个独立历史监测数据的目标取值和历史监测数据的变化趋势对异常数据样本的目标取值进行修正,得到最终的历史监测数据。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤1中,对历史监测数据进行训练,构建集成座舱健康分析模型,包括:
获取得到的历史监测数据,并提取历史监测数据的数据特征,且基于数据特征将历史监测数据进行类别划分,得到子历史监测数据;
提取子历史监测数据对应的评估指标,并基于评估指标确定每一子历史监测数据对应的座舱健康监管项目,且提取座舱健康监管项目的监管任务;
对监管任务进行解析,确定每一监管任务对应的监管指标以及监管指标对应的量化值,并基于监管指标以及监管指标对应的量化值对相应子历史监测数据进行量化分析,得到监管指标与子历史监测数据对应的驾驶特征之间的目标对应关系;
将监管指标、监管指标对应的量化值以及目标对应关系进行封装,并基于封装结果得到模型训练样本集;
基于模型训练样本集对预设卷积网络进行目标次数的迭代训练,并基于预设测试数据对每一次迭代训练后的预设卷积网络进行性能测试,且将性能测试结果与基准结果进行做差,得到目标差值;
基于目标差值确定最优迭代训练结果,并将最优迭代结果对应的预设卷积网络判定为子座舱健康分析模型,且将子座舱健康分析模型在预设模型框架中进行分层部署,同时,基于各子座舱健康分析模型的运行特征对分层部署后的各子座舱健康分析模型进行参数兼容适配,并基于适配结果得到集成座舱健康分析模型。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,基于适配结果得到集成座舱健康分析模型,包括:
获取对集成座舱健康分析模型的更新要求,并基于更新要求确定对历史座舱健康数据的爬取时间间隔,且基于爬取时间间隔从预设服务器中爬取最新历史座舱健康数据;
将爬取到的最新历史座舱健康数据与上一周期的历史座舱健康数据进行相似性比较,并当相似性低于预设相似度阈值时,确定最新历史座舱健康数据与上一周期的历史座舱健康数据的数据差异特征;
基于数据差异特征确定最新历史座舱健康数据与集成座舱健康分析模型中存在关联的目标节点,并基于最新历史座舱健康数据的参数信息对目标节点的模型参数进行更新,且基于更新结果完成对集成座舱健康分析模型的实时更新。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤2中,基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,包括:
获取对座舱健康的监测任务,并对监测任务进行分析,确定监测任务中每一监测项目对应的监测特征;
基于监测特征确定座舱内的监测位置点以及每一监测位置点处的预设监测装置的监测角度,并基于监测任务控制预设监测装置对监测角度进行调整;
基于调整结果根据预设监测装置对用户在座舱内的驾驶行为和体征状态进行实时监测,得到对应的驾驶行为数据和体征数据,并分别对驾驶行为数据和体征数据添加类别标签,完成对驾驶行为数据和体征数据的监测和获取。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤2中,对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征,包括:
获取得到的驾驶行为数据和体征数据,并基于时间尺度将驾驶行为数据和体征数据进行拆分,得到子驾驶行为数据组和子体征数据组,且将子驾驶行为数据组和子体征数据组分别与对应的时间戳进行绑定;
基于绑定结果将依次将子驾驶行为数据组和子体征数据组输入至集成座舱健康分析模型进行分析,并基于分析结果得到用户在座舱内的各项子驾驶行为特征和各项子体征特征;
从预设记录模板库中调取第一数据记录表和第二数据记录表,并基于时间戳依次将各项子驾驶行为特征填充至第一数据记录表和将各项子体征特征填充至第二数据记录表,并基于填充结果得到最终的驾驶行为特征和体征特征。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤3中,基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,包括:
获取得到的驾驶行为特征和体征特征以及基准驾驶行为和基准体征特征对应的基准健康值范围,并对获取的驾驶行为特征和体征特征进行解析,得到驾驶行为特征中各类驾驶行为对应的健康监测值以及体征特征中各项体征对应的体征监测值;
将健康监测值和体征监测值分别与对应的基准健康值范围进行比较,并基于比较结果分别确定健康监测值与对应基准健康值范围的第一目标差值和体征监测值与对应基准健康值范围的第二目标差值;
将第一目标差值大于第一预设阈值的驾驶行为判定异常驾驶行为,同时,将第二目标差值大于第二预设阈值的体征判定为异常体征,并分别将第一目标差值和第二目标差值与预设违规等级参照表进行匹配,且基于匹配结果确定异常驾驶行为和异常体征对应的违规等级。
优选的,一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,基于违规等级调取相应目标提醒措施对用户进行驾驶提醒,包括:
获取得到的违规等级,同时,确定违规等级对应的违规事项,并提取违规事项对应的目标属性,且基于目标属性确定违规事项类型;
基于违规事项类型和违规等级从预设提醒策略库中匹配目标提醒措施,并基于目标提醒措施对用户进行驾驶提醒,其中,驾驶提醒包括可视化界面提醒和声音报警提醒;
基于驾驶提醒结果监测用户在驾驶提醒后的驾驶行为特征变化值和体征特征变化值,并当驾驶行为特征变化值和体征特征变化值不满足预期驾驶要求时,基于预设辅助驾驶策略对用户进行辅助驾驶。
与现有技术相比,本发明的有益效果如下:
1.通过根据座舱健康的评估指标调取历史监测数据,并对历史监测数据进行训练,实现对座舱健康分析模型进行准确有效的构建,其次,通过构建的座舱健康分析模型对监测到的驾驶行为数据和体征数据进行分析,实现对用户在座舱内的座舱健康状态进行准确可靠的分析,最后,在座舱健康状态不满足基准要求时向用户推送相应的驾驶提醒信息,确保用户能够保持健康的驾驶状态,从而保障了用户的行车安全,提高了行车安全系数,也便于对用户的驾驶行为进行修正,提高驾驶规范性。
2.通过对得到的历史监测数据进行分析,实现对每一历史监测数据对应的座舱监管项目进行准确锁定,其次,根据监管任务实现对每一座舱监管项目的监管指标和对应的量化值进行有效确定,实现根据监管指标和对应的量化值对历史监测数据进行准确有效的分析,实现对监管指标与子历史监测数据对应的驾驶特征之间的目标对应关系进行获取,最后,通过得到的监管指标、监管指标对应的量化值以及目标对应关系对预设卷积网络进行训练,并将训练得到的每一座舱健康监管项目对应的子座舱健康分析模型进行统一部署,实现对集成座舱健康分析模型进行准确有效的获取,保障了最终得到的集成座舱健康分析模型的准确可靠性,也确保了对座舱内的座舱健康状态进行准确有效的分析,便于及时根据分析结果进行相应的提醒操作,保障了用户的行车安全。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于数据挖掘和深度学习的智能座舱健康数据分析方法的流程图;
图2为本发明实施例中一种基于数据挖掘和深度学习的智能座舱健康数据分析方法中步骤1的流程图;
图3为本发明实施例中一种基于数据挖掘和深度学习的智能座舱健康数据分析方法中步骤2的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,包括:
步骤1:获取对座舱健康的评估指标,并基于评估指标从服务器中获取历史监测数据,且对历史监测数据进行训练,构建集成座舱健康分析模型;
步骤2:基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,并对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征;
步骤3:基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,且基于违规等级调取相应目标提醒措施对用户进行驾驶提醒。
该实施例中,评估指标是用于表征在对座舱健康进行管理时确定需要管理项目的参考依据,例如可以是心跳速率、眼部动作、面部特征以及坐姿进行监管等。
该实施例中,历史监测数据指的是不同用户在座舱内对应的监测数据,包括多种坐姿数据、心跳速率以及眼部动作数据和脸部特征数据等。
该实施例中,集成座舱健康分析模型指的是将不同类型的座舱健康监管模型在同一模型框架中进行汇总后得到的总模型,目的是减少模型构建步骤。
该实施例中,预设监测装置是提前设定好的,用于监测用户在座舱内的驾驶行为数据和体征数据,其中,驾驶行为数据包括用户对方向盘握力大小、转动方向盘的角度以及坐姿情况等,体征数据包括用户在座舱内的心跳速率以及呼吸频率等。
该实施例中,预处理指的都是对驾驶行为数据和体征数据进行拆分,并根据拆分结果确定每一数据段对应的时间信息,目的是为了提高集成座舱健康分析模型对驾驶行为数据和体征数据的分析效率。
该实施例中,驾驶行为特征指的是用户在座舱内执行的具体的驾驶动作情况,从而便于对用户在座舱内的驾驶健康情况进行准确有效的把握。
该实施例中,体征特征指的是用户在座舱内驾驶机动车时对应的具体心跳频率值以及呼吸频率等。
该实施例中,座舱健康状态是用于表征用户在座舱内的健康程度,从而便于对用户的座舱健康状态进行实时有效的了解。
该实施例中,基准要求是提前设定好的,具体可以是要求的标准驾驶行为和正常驾驶时对应的标准体征参数取值。
该实施例中,违规等级是用于表征用户当前在座舱内的健康状态与基准要求之间的差距,从而便于向用户发送相应的报警提醒。
该实施例中,目标提醒措施指的是适用于对用户当前的座舱健康情况进行提醒的措施,例如可以是显示屏幕上显示提醒信息等。
上述技术方案的有益效果是:通过根据座舱健康的评估指标调取历史监测数据,并对历史监测数据进行训练,实现对座舱健康分析模型进行准确有效的构建,其次,通过构建的座舱健康分析模型对监测到的驾驶行为数据和体征数据进行分析,实现对用户在座舱内的座舱健康状态进行准确可靠的分析,最后,在座舱健康状态不满足基准要求时向用户推送相应的驾驶提醒信息,确保用户能够保持健康的驾驶状态,从而保障了用户的行车安全,提高了行车安全系数,也便于对用户的驾驶行为进行修正,提高驾驶规范性。
实施例2:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,如图2所示,步骤1中,获取对座舱健康的评估指标,包括:
步骤101:获取对座舱健康的管理任务,并对管理任务进行解析,确定管理任务中包含的座舱健康分析项目,其中,座舱健康分析项目至少为一种;
步骤102:提取座舱健康分析项目的项目特征,并基于项目特征确定每一座舱健康分析项目的目标维度;
步骤103:基于目标维度确定每一座舱健康分析项目的分析方向以及分析目的,并基于分析方向以及分析目的确定每一座舱健康分析项目的评估指标集合,且对每一座舱健康分析项目的评估指标集合进行汇总,得到对座舱健康的评估指标。
该实施例中,管理任务指的是需要进行座舱健康管理的座舱健康分析项目以及每一座舱健康分析项目对应的监管严格程度等,其中,座舱健康分析项目即为需要进行座舱健康管理的种类,例如可以是坐姿、呼吸频率监测等。
该实施例中,项目特征指的是座舱健康分析项目的项目类别以及每一座舱健康分析项目具体的运行方式和执行标准等。
该实施例中,目标维度指的是每一座舱健康分析项目需要进行监管的角度,从而确保对座舱健康的评估指标进行准确确定。
该实施例中,分析方向指的是每一目标维度针对的业务类型,例如方向可以是对坐姿监管中的头部位置或骨骼位置进行监测等。
上述技术方案的有益效果是:通过对座舱健康的管理任务进行解析,实现对座舱健康分析项目进行准确有效的获取,其次,对座舱健康分析项目进行解析,实现对每一座舱健康分析项目的目标维度进行准确解析,最后,根据目标维度对每一座舱健康分析项目的分析方向和分析目的进行锁定,实现根据分析方向和分析目的对评估指标进行确定,从而保障了对座舱健康的历史监测数据进行有效获取,为进行座舱健康分析管理提供了有效的数据支撑。
实施例3:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤1中,基于评估指标从服务器中获取历史监测数据,包括:
获取得到的评估指标,并提取评估指标的指标标签,同时,获取数据获取终端的身份信息,并将评估指标和身份信息作为访问请求主体,将指标标签作为访问请求索引,且基于预设访问请求生成策略根据访问请求主体和访问请求索引生成数据访问请求;
将数据访问请求传输至服务器,并基于服务器对数据访问请求中的身份信息进行核验,且当核验通过后基于访问请求索引对服务器中的预设数据库进行遍历;
基于遍历结果得到初始历史监测数据,并将初始历史监测数据的数据特征与评估指标的指标特征进行匹配,且基于匹配结果对初始历史监测数据进行特征筛选,得到最终的历史监测数据。
该实施例中,指标标签是用于标记不同评估指标的标记符号。
该实施例中,访问请求主体指的是需要在生成的访问请求中进行携带的主旨内容。
该实施例中,访问请求索引是用于表征生成的数据访问请求中需要访问的数据类型的参考依据。
该实施例中,预设访问请求生成策略是提前设定好的,用于根据已知的策略生成方式生成需要的数据访问请求。
该实施例中,预设数据库是提前已知的,是服务器中用于存储不同数据类型的历史监测数据。
该实施例中,初始历史监测数据指的是根据评估指标从服务器中获取到历史监测数据,该历史监测数据中可能包含错误的数据,需要进行数据筛选。
该实施例中,指标特征是用于表征评估指标要求的具体参数,例如可以是数据的类型以及调取的数据量等。
该实施例中,特征筛选指的是对得到的初始历史监测数据进行筛选,剔除其中与评估指标不匹配的历史监测数据,确保得到的历史监测数据的准确。
上述技术方案的有益效果是:通过根据评估指标对服务器中的历史监测数据进行遍历,实现对座舱健康分析所需的历史监测数据进行准确有效的获取,并对获取到的历史监测数据进行筛选,确保了最终得到的历史监测数据的准确可靠,也保障了构建的集成座舱健康分析模型的准确,从而提高了对座舱健康状态确定的准确率。
实施例4:
在实施例3的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,得到最终的历史监测数据,包括:
获取得到的历史监测数据,并将历史监测数据进行离散化处理,得到N个单个独立历史监测数据,且基于离散化处理结果确定每个单个独立历史监测数据的目标取值;
提取历史监测数据对应的时间序列,并基于时间序列将N个单个独立历史监测数据的目标取值映射至二维坐标系,且基于映射结果确定历史监测数据的幅值特征;
基于幅值特征确定历史监测数据的变化趋势,并基于变化趋势确定历史监测数据的标准取值范围,且基于标准取值范围和每个单个独立历史监测数据的目标取值确定异常数据样本;
提取异常数据样本相邻时刻的单个独立历史监测数据的目标取值,并基于相邻时刻的单个独立历史监测数据的目标取值和历史监测数据的变化趋势对异常数据样本的目标取值进行修正,得到最终的历史监测数据。
该实施例中,离散化处理指的是将得到的历史监测数据拆分为多个独立的数据个体,其中,独立历史监测数据即为离散化处理后得到的结果。
该实施例中,时间序列指的是历史监测数据对应的发生时间信息,即某一历史监测数据产生时对应的具体时间信息。
该实施例中,幅值特征指的是N个单个独立历史监测数据的目标取值的变化情况。
该实施例中,标准取值范围指的是历史监测数据正常时对应的取值范围,即表征座舱健康正常状态下对应的取值范围。
该实施例中,异常数据样本指的是目标取值不在标准取值范围内的历史监测数据。
上述技术方案的有益效果是:通过对得到的历史监测数据进行离散化处理,并将离散化处理后的历史监测数据映射至二维坐标系,从而实现根据映射结果对历史监测数据中的异常数据样本进行准确有效的确定,并对异常数据样本的目标取值进行修正,确保了最终得到的历史监测数据的准确可靠性,也保障了座舱健康管理的准确性。
实施例5:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤1中,对历史监测数据进行训练,构建集成座舱健康分析模型,包括:
获取得到的历史监测数据,并提取历史监测数据的数据特征,且基于数据特征将历史监测数据进行类别划分,得到子历史监测数据;
提取子历史监测数据对应的评估指标,并基于评估指标确定每一子历史监测数据对应的座舱健康监管项目,且提取座舱健康监管项目的监管任务;
对监管任务进行解析,确定每一监管任务对应的监管指标以及监管指标对应的量化值,并基于监管指标以及监管指标对应的量化值对相应子历史监测数据进行量化分析,得到监管指标与子历史监测数据对应的驾驶特征之间的目标对应关系;
将监管指标、监管指标对应的量化值以及目标对应关系进行封装,并基于封装结果得到模型训练样本集;
基于模型训练样本集对预设卷积网络进行目标次数的迭代训练,并基于预设测试数据对每一次迭代训练后的预设卷积网络进行性能测试,且将性能测试结果与基准结果进行做差,得到目标差值;
基于目标差值确定最优迭代训练结果,并将最优迭代结果对应的预设卷积网络判定为子座舱健康分析模型,且将子座舱健康分析模型在预设模型框架中进行分层部署,同时,基于各子座舱健康分析模型的运行特征对分层部署后的各子座舱健康分析模型进行参数兼容适配,并基于适配结果得到集成座舱健康分析模型。
该实施例中,数据特征指的是历史监测数据的数据类型以及对应数据结构特点等。
该实施例中,子历史监测数据指的是根据数据特征将历史监测数据进行类别划分后得到的每一类别的历史监测数据。
该实施例中,座舱健康监管项目指的是根据每一子历史监测数据对应的评估指标确定的座舱健康监管业务类型。
该实施例中,监管任务指的是座舱健康监管项目对应的监管严格程度以及监管步骤等。
该实施例中,监管指标指的是对子历史监测数据进行座舱健康分析时的参照依据,例如可以是对坐姿进行分析时,可以是用户与靠背的贴合度等,其中,监管指标对应的量化值即为每一监管指标在参与分析时对应的分析力度,例如用户与靠背的贴合度需要达到80%以上才能满足座舱健康要求。
该实施例中,进行量化分析指的是根据监管指标和监管指标对应的量化值对相应的子历史监测数据进行分析评估,目的是确定不同子历史监测数据的取值在监管指标下对应的座舱健康状态,从而实现对监管指标和子历史监测数据对应的驾驶特征之间的对应关系进行确定。
该实施例中,驾驶特征包括用户在座舱内的驾驶行为特征和体征特征。
该实施例中,模型训练样本集指的是将监管指标、监管指标对应的量化值以及目标对应关系进行封装后得到的整体数据,即进行模型训练所需的数据。
该实施例中,预设卷积网络是提前设定好的,是用于构建集成座舱健康分析模型的基础。
该实施例中,目标次数是根据预设训练要求确定的,表征对预设卷积网络进行训练的次数。
该实施例中,预设测试数据是提前已知结果的测试数据,用于对每一次迭代训练后的预设卷积网络的性能进行测试,其中,性能测试即为将测试结果与对应的标准结果进行比较。
该实施例中,基准结果指的是预设测试数据对应的结果。
该实施例中,目标差值指的是将的得到的性能测试结果与基准结果进行做差运算后的得到的差值。
该实施例中,最优迭代训练结果指的是性能测试结果与基准结果之间的目标差值最小的预设卷积网络。
该实施例中,子座舱健康分析模型指的是将最优迭代训练结果对应的预设卷积网络判定为当前座舱健康监管项目对应的最终模型。
该实施例中,预设模型框架是提前设定好的,用于接收不同子座舱健康分析模型,从而实现对最终需要的集成座舱健康分析模型的获取。
该实施例中,分层部署指的是将得到的多个子座舱健康分析模型依次在预设模型框架中不同的层级进行部署,确保每一子座舱健康分析模型在预设模型框架中都有部署位置。
该实施例中,运行特征指的是每一子座舱健康分析模型要求的运行环境等要求。
该实施例中,参数兼容适配指的是对不同子座舱健康分析模型之间的工作参数进行协调,从而确保预设模型框架中各子座舱健康分析模型在工作时不存在冲突。
上述技术方案的有益效果是:通过对得到的历史监测数据进行分析,实现对每一历史监测数据对应的座舱监管项目进行准确锁定,其次,根据监管任务实现对每一座舱监管项目的监管指标和对应的量化值进行有效确定,实现根据监管指标和对应的量化值对历史监测数据进行准确有效的分析,实现对监管指标与子历史监测数据对应的驾驶特征之间的目标对应关系进行获取,最后,通过得到的监管指标、监管指标对应的量化值以及目标对应关系对预设卷积网络进行训练,并将训练得到的每一座舱健康监管项目对应的子座舱健康分析模型进行统一部署,实现对集成座舱健康分析模型进行准确有效的获取,保障了最终得到的集成座舱健康分析模型的准确可靠性,也确保了对座舱内的座舱健康状态进行准确有效的分析,便于及时根据分析结果进行相应的提醒操作,保障了用户的行车安全。
实施例6:
在实施例5的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,基于适配结果得到集成座舱健康分析模型,包括:
获取对集成座舱健康分析模型的更新要求,并基于更新要求确定对历史座舱健康数据的爬取时间间隔,且基于爬取时间间隔从预设服务器中爬取最新历史座舱健康数据;
将爬取到的最新历史座舱健康数据与上一周期的历史座舱健康数据进行相似性比较,并当相似性低于预设相似度阈值时,确定最新历史座舱健康数据与上一周期的历史座舱健康数据的数据差异特征;
基于数据差异特征确定最新历史座舱健康数据与集成座舱健康分析模型中存在关联的目标节点,并基于最新历史座舱健康数据的参数信息对目标节点的模型参数进行更新,且基于更新结果完成对集成座舱健康分析模型的实时更新。
该实施例中,更新要求指的是对集成座舱健康分析模型进行更新的失效要求,例如可以是每一周需要对历史监测数据进行监测,且当历史监测数据发生变化时就需要对集成座舱健康分析模型进行更新,确保集成座舱健康分析模型的有效性和全面性。
该实施例中,爬取时间间隔是用于表征爬取历史座舱健康数据的频率。
该实施例中,最新历史座舱健康数据指的是截止到爬取时刻为止产生的所有历史座舱健康数据。
该实施例中,预设相似度阈值是提前设定好的。
该实施例中,数据差异特征指的是最新历史座舱健康数据与上一周期的历史座舱健康数据之间存在不同的座舱健康数据。
该实施例中,目标节点指的是集成座舱健康分析模型中与最新历史座舱健康数据存在因果关系的模型结构。
上述技术方案的有益效果是:通过对预设服务器中的历史座舱健康数据进行实时监测,并当产生最新历史座舱健康数据时,通过最新历史座舱健康数据对集成座舱健康分析模型进行实时更新,保障了对集成座舱健康分析模型的时效性以及全面性,也确保了集成座舱健康分析模型对座舱健康状态分析的准确率。
实施例7:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,如图3所示,步骤2中,基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,包括:
步骤201:获取对座舱健康的监测任务,并对监测任务进行分析,确定监测任务中每一监测项目对应的监测特征;
步骤202:基于监测特征确定座舱内的监测位置点以及每一监测位置点处的预设监测装置的监测角度,并基于监测任务控制预设监测装置对监测角度进行调整;
步骤203:基于调整结果根据预设监测装置对用户在座舱内的驾驶行为和体征状态进行实时监测,得到对应的驾驶行为数据和体征数据,并分别对驾驶行为数据和体征数据添加类别标签,完成对驾驶行为数据和体征数据的监测和获取。
该实施例中,监测特征指的是监测任务中要求的每一监测项目对应的具体监测要求以及监测的严格程度。
该实施例中,监测位置点指的是在座舱内安装预设监测装置的位置,目的是确保对座舱内的用户进行准确有效的监测。
该实施例中,类别标签是用于标记驾驶行为数据和体征数据的标记符号,通过类别标签可实现对驾驶行为数据和体征数据进行有效区分。
上述技术方案的有益效果是:通过对监测任务进行分析,实现对座舱内的监测位置点进行准确有效的确认,其次,对监测位置点处的预设监测装置的监测角度进行确定,并根据监测角度与预设监测装置的监测角度进行调整,最后,通过预设监测装置实现对座舱内用户的驾驶行为数据和体征数据进行准确有效的获取,为实现对座舱健康状态进行有效分析提供了数据支撑,确保了最终得到的座舱健康状态的有效性。
实施例8:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤2中,对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征,包括:
获取得到的驾驶行为数据和体征数据,并基于时间尺度将驾驶行为数据和体征数据进行拆分,得到子驾驶行为数据组和子体征数据组,且将子驾驶行为数据组和子体征数据组分别与对应的时间戳进行绑定;
基于绑定结果将依次将子驾驶行为数据组和子体征数据组输入至集成座舱健康分析模型进行分析,并基于分析结果得到用户在座舱内的各项子驾驶行为特征和各项子体征特征;
从预设记录模板库中调取第一数据记录表和第二数据记录表,并基于时间戳依次将各项子驾驶行为特征填充至第一数据记录表和将各项子体征特征填充至第二数据记录表,并基于填充结果得到最终的驾驶行为特征和体征特征。
该实施例中,子驾驶行为数据组和子体征数据组指的是根据时间尺度将得到的驾驶行为数据和体征数据进行拆分后得到多个数据片段,其中,时间尺度是提前设定好的。
该实施例中,时间戳指的是每一子驾驶行为数据组和子体征数据组对应的具体时间信息。
该实施例中,子驾驶行为特征和子体征特征分别为子驾驶行为数据组和子体征数据对应的分析结果,用于表征用户在座舱内的各项健康状态情况。
该实施例中,预设记录模板库是提前设定好的,内部存储有多种不同的数据记录表。
该实施例中,第一数据记录表是用于记录不同项的子驾驶行为特征,第二数据记录表是用于记录不同项的子体征特征。
上述技术方案的有益效果是:通过将得到的驾驶行为数据和体征数据进行拆分,并将拆分后得到的子驾驶行为数据组和子体征数据组输入集成座舱健康分析模型进行分析,实现对各项子驾驶行为特征和各项子体征特征进行准确有效的确定,最后,将得到的各项子驾驶行为特征和各项子体征特征在对应的数据记录表中进行记录,实现对用户的座舱健康状态进行准确有效的获取,便于根据分析结果采取相应的提醒措施,保障了用户的行车安全。
实施例9:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,步骤3中,基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,包括:
获取得到的驾驶行为特征和体征特征以及基准驾驶行为和基准体征特征对应的基准健康值范围,并对获取的驾驶行为特征和体征特征进行解析,得到驾驶行为特征中各类驾驶行为对应的健康监测值以及体征特征中各项体征对应的体征监测值;
将健康监测值和体征监测值分别与对应的基准健康值范围进行比较,并基于比较结果分别确定健康监测值与对应基准健康值范围的第一目标差值和体征监测值与对应基准健康值范围的第二目标差值;
将第一目标差值大于第一预设阈值的驾驶行为判定异常驾驶行为,同时,将第二目标差值大于第二预设阈值的体征判定为异常体征,并分别将第一目标差值和第二目标差值与预设违规等级参照表进行匹配,且基于匹配结果确定异常驾驶行为和异常体征对应的违规等级。
该实施例中,基准驾驶行为和基准体征特征指的是用户在座舱内健康状态正常时对应的标准驾驶行为和标准体征特征。
该实施例中,基准健康值范围指的是基准驾驶行为和基准体征特征对应的具体取值情况,例如可以是心跳频率为50-60次/分以及对方向盘的握力值为6-8等。
该实施例中,健康监测值指的是驾驶行为对应监测值,是用于表征用户在座舱内的健康状态情况,健康监测值越趋近于基准健康值范围时,驾驶行为越规范。
该实施例中,体征监测值指的是用户在座舱内的体征参数,是用于表征用户当前的体征情况。
该实施例中,第一目标差值指的是健康监测值与对应基准健康值范围的差值,用于表征用户的驾驶行为特征偏离基准驾驶行为特征的程度。
该实施例中,第二目标差值指的是体征监测值与对应基准健康值范围的差值,用于表征用户的体征特征偏离基准体征特征的程度。
该实施例中,第一预设阈值和第二预设阈值是提前设定好的,用于衡量监测到的用户在座舱内的健康状态是否为异常驾驶行为和异常体征的最低标准,是可以进行调整的。
该实施例中,预设违规等级参照表是提前设定好的。
上述技术方案的有益效果是:通过对得到的驾驶行为特征和体征特征进行解析,实现对各类驾驶行为对应的健康监测值以及体征特征中各项体征对应的体征监测值进行准确有效获取,其次,将得到的健康监测值和体征监测值分别于对应的基准健康值范围进行比较和做差,实现对异常驾驶行为以及异常体征进行有效确认,最后,根据做差得到的差值实现对违规等级进行有效锁定,便于根据违规等级调取相应的目标提醒措施进行驾驶提醒,保障了用户的行车安全。
实施例10:
在实施例1的基础上,本实施例提供了一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,基于违规等级调取相应目标提醒措施对用户进行驾驶提醒,包括:
获取得到的违规等级,同时,确定违规等级对应的违规事项,并提取违规事项对应的目标属性,且基于目标属性确定违规事项类型;
基于违规事项类型和违规等级从预设提醒策略库中匹配目标提醒措施,并基于目标提醒措施对用户进行驾驶提醒,其中,驾驶提醒包括可视化界面提醒和声音报警提醒;
基于驾驶提醒结果监测用户在驾驶提醒后的驾驶行为特征变化值和体征特征变化值,并当驾驶行为特征变化值和体征特征变化值不满足预期驾驶要求时,基于预设辅助驾驶策略对用户进行辅助驾驶。
该实施例中,违规事项指的是用户在座舱内不满足驾驶要求的驾驶特征。
该实施例中,目标属性指的是违规事项对应的事项类型以及违规的具体信息。
该实施例中,预设提醒策略库是提前设定好的,用于存储多种不同的提醒措施。
该实施例中,驾驶行为特征变化值和体征特征变化值是用于表征用户在接收到驾驶提醒后做出的改变动作情况。
该实施例中,预期驾驶要求是提前设定好的,是可以根据实际情况进行调整的。
该实施例中,预设辅助驾驶策略是提前已知的,例如可以是智能驾驶等。
上述技术方案的有益效果是:通过根据违规等级和违规事项实现从预设提醒策略库中匹配目标提醒措施对用户进行驾驶提醒,同时,在驾驶提醒后对用户的驾驶动作改变情况进行监测,且在不满足预期驾驶要求时,通过预设辅助驾驶策略对用户进行辅助驾驶,确保了座舱健康,也提高了用户的行车安全系数。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,包括:
步骤1:获取对座舱健康的评估指标,并基于评估指标从服务器中获取历史监测数据,且对历史监测数据进行训练,构建集成座舱健康分析模型;
步骤2:基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,并对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征;
步骤3:基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,且基于违规等级调取相应目标提醒措施对用户进行驾驶提醒。
2.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤1中,获取对座舱健康的评估指标,包括:
获取对座舱健康的管理任务,并对管理任务进行解析,确定管理任务中包含的座舱健康分析项目,其中,座舱健康分析项目至少为一种;
提取座舱健康分析项目的项目特征,并基于项目特征确定每一座舱健康分析项目的目标维度;
基于目标维度确定每一座舱健康分析项目的分析方向以及分析目的,并基于分析方向以及分析目的确定每一座舱健康分析项目的评估指标集合,且对每一座舱健康分析项目的评估指标集合进行汇总,得到对座舱健康的评估指标。
3.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤1中,基于评估指标从服务器中获取历史监测数据,包括:
获取得到的评估指标,并提取评估指标的指标标签,同时,获取数据获取终端的身份信息,并将评估指标和身份信息作为访问请求主体,将指标标签作为访问请求索引,且基于预设访问请求生成策略根据访问请求主体和访问请求索引生成数据访问请求;
将数据访问请求传输至服务器,并基于服务器对数据访问请求中的身份信息进行核验,且当核验通过后基于访问请求索引对服务器中的预设数据库进行遍历;
基于遍历结果得到初始历史监测数据,并将初始历史监测数据的数据特征与评估指标的指标特征进行匹配,且基于匹配结果对初始历史监测数据进行特征筛选,得到最终的历史监测数据。
4.根据权利要求3所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,得到最终的历史监测数据,包括:
获取得到的历史监测数据,并将历史监测数据进行离散化处理,得到N个单个独立历史监测数据,且基于离散化处理结果确定每个单个独立历史监测数据的目标取值;
提取历史监测数据对应的时间序列,并基于时间序列将N个单个独立历史监测数据的目标取值映射至二维坐标系,且基于映射结果确定历史监测数据的幅值特征;
基于幅值特征确定历史监测数据的变化趋势,并基于变化趋势确定历史监测数据的标准取值范围,且基于标准取值范围和每个单个独立历史监测数据的目标取值确定异常数据样本;
提取异常数据样本相邻时刻的单个独立历史监测数据的目标取值,并基于相邻时刻的单个独立历史监测数据的目标取值和历史监测数据的变化趋势对异常数据样本的目标取值进行修正,得到最终的历史监测数据。
5.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤1中,对历史监测数据进行训练,构建集成座舱健康分析模型,包括:
获取得到的历史监测数据,并提取历史监测数据的数据特征,且基于数据特征将历史监测数据进行类别划分,得到子历史监测数据;
提取子历史监测数据对应的评估指标,并基于评估指标确定每一子历史监测数据对应的座舱健康监管项目,且提取座舱健康监管项目的监管任务;
对监管任务进行解析,确定每一监管任务对应的监管指标以及监管指标对应的量化值,并基于监管指标以及监管指标对应的量化值对相应子历史监测数据进行量化分析,得到监管指标与子历史监测数据对应的驾驶特征之间的目标对应关系;
将监管指标、监管指标对应的量化值以及目标对应关系进行封装,并基于封装结果得到模型训练样本集;
基于模型训练样本集对预设卷积网络进行目标次数的迭代训练,并基于预设测试数据对每一次迭代训练后的预设卷积网络进行性能测试,且将性能测试结果与基准结果进行做差,得到目标差值;
基于目标差值确定最优迭代训练结果,并将最优迭代结果对应的预设卷积网络判定为子座舱健康分析模型,且将子座舱健康分析模型在预设模型框架中进行分层部署,同时,基于各子座舱健康分析模型的运行特征对分层部署后的各子座舱健康分析模型进行参数兼容适配,并基于适配结果得到集成座舱健康分析模型。
6.根据权利要求5所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,基于适配结果得到集成座舱健康分析模型,包括:
获取对集成座舱健康分析模型的更新要求,并基于更新要求确定对历史座舱健康数据的爬取时间间隔,且基于爬取时间间隔从预设服务器中爬取最新历史座舱健康数据;
将爬取到的最新历史座舱健康数据与上一周期的历史座舱健康数据进行相似性比较,并当相似性低于预设相似度阈值时,确定最新历史座舱健康数据与上一周期的历史座舱健康数据的数据差异特征;
基于数据差异特征确定最新历史座舱健康数据与集成座舱健康分析模型中存在关联的目标节点,并基于最新历史座舱健康数据的参数信息对目标节点的模型参数进行更新,且基于更新结果完成对集成座舱健康分析模型的实时更新。
7.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤2中,基于预设监测装置实时监测用户在座舱中的驾驶行为数据和体征数据,包括:
获取对座舱健康的监测任务,并对监测任务进行分析,确定监测任务中每一监测项目对应的监测特征;
基于监测特征确定座舱内的监测位置点以及每一监测位置点处的预设监测装置的监测角度,并基于监测任务控制预设监测装置对监测角度进行调整;
基于调整结果根据预设监测装置对用户在座舱内的驾驶行为和体征状态进行实时监测,得到对应的驾驶行为数据和体征数据,并分别对驾驶行为数据和体征数据添加类别标签,完成对驾驶行为数据和体征数据的监测和获取。
8.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤2中,对驾驶行为数据和体征数据进行预处理后输入至集成座舱健康分析模型进行分析,得到驾驶行为特征和体征特征,包括:
获取得到的驾驶行为数据和体征数据,并基于时间尺度将驾驶行为数据和体征数据进行拆分,得到子驾驶行为数据组和子体征数据组,且将子驾驶行为数据组和子体征数据组分别与对应的时间戳进行绑定;
基于绑定结果将依次将子驾驶行为数据组和子体征数据组输入至集成座舱健康分析模型进行分析,并基于分析结果得到用户在座舱内的各项子驾驶行为特征和各项子体征特征;
从预设记录模板库中调取第一数据记录表和第二数据记录表,并基于时间戳依次将各项子驾驶行为特征填充至第一数据记录表和将各项子体征特征填充至第二数据记录表,并基于填充结果得到最终的驾驶行为特征和体征特征。
9.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,步骤3中,基于驾驶行为特征和体征特征确定用户的座舱健康状态,并当座舱健康状态不满足基准要求时,确定用户在座舱内的违规等级,包括:
获取得到的驾驶行为特征和体征特征以及基准驾驶行为和基准体征特征对应的基准健康值范围,并对获取的驾驶行为特征和体征特征进行解析,得到驾驶行为特征中各类驾驶行为对应的健康监测值以及体征特征中各项体征对应的体征监测值;
将健康监测值和体征监测值分别与对应的基准健康值范围进行比较,并基于比较结果分别确定健康监测值与对应基准健康值范围的第一目标差值和体征监测值与对应基准健康值范围的第二目标差值;
将第一目标差值大于第一预设阈值的驾驶行为判定异常驾驶行为,同时,将第二目标差值大于第二预设阈值的体征判定为异常体征,并分别将第一目标差值和第二目标差值与预设违规等级参照表进行匹配,且基于匹配结果确定异常驾驶行为和异常体征对应的违规等级。
10.根据权利要求1所述的一种基于数据挖掘和深度学习的智能座舱健康数据分析方法,其特征在于,基于违规等级调取相应目标提醒措施对用户进行驾驶提醒,包括:
获取得到的违规等级,同时,确定违规等级对应的违规事项,并提取违规事项对应的目标属性,且基于目标属性确定违规事项类型;
基于违规事项类型和违规等级从预设提醒策略库中匹配目标提醒措施,并基于目标提醒措施对用户进行驾驶提醒,其中,驾驶提醒包括可视化界面提醒和声音报警提醒;
基于驾驶提醒结果监测用户在驾驶提醒后的驾驶行为特征变化值和体征特征变化值,并当驾驶行为特征变化值和体征特征变化值不满足预期驾驶要求时,基于预设辅助驾驶策略对用户进行辅助驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371366.5A CN117633451B (zh) | 2023-10-20 | 2023-10-20 | 基于数据挖掘和深度学习的智能座舱健康数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371366.5A CN117633451B (zh) | 2023-10-20 | 2023-10-20 | 基于数据挖掘和深度学习的智能座舱健康数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117633451A true CN117633451A (zh) | 2024-03-01 |
CN117633451B CN117633451B (zh) | 2024-07-05 |
Family
ID=90017187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371366.5A Active CN117633451B (zh) | 2023-10-20 | 2023-10-20 | 基于数据挖掘和深度学习的智能座舱健康数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633451B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022109811A1 (zh) * | 2020-11-24 | 2022-06-02 | 曹庆恒 | 一种驾驶教学系统及其使用方法、驾驶设备、计算机可读存储介质 |
CN116279239A (zh) * | 2023-03-01 | 2023-06-23 | 芜湖盟博科技有限公司 | 一种汽车智能驾驶座舱的管理系统 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
-
2023
- 2023-10-20 CN CN202311371366.5A patent/CN117633451B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022109811A1 (zh) * | 2020-11-24 | 2022-06-02 | 曹庆恒 | 一种驾驶教学系统及其使用方法、驾驶设备、计算机可读存储介质 |
CN116415840A (zh) * | 2023-02-02 | 2023-07-11 | 北京三维天地科技股份有限公司 | 一种基于机器学习模型的指标自动预警方法及系统 |
CN116279239A (zh) * | 2023-03-01 | 2023-06-23 | 芜湖盟博科技有限公司 | 一种汽车智能驾驶座舱的管理系统 |
Non-Patent Citations (1)
Title |
---|
白东 等: "基于SVM的驾驶行为健康度评估模型", 微型电脑应用, no. 12, 20 December 2017 (2017-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117633451B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10520947B2 (en) | Machine learning for event detection and classification in autonomous vehicles | |
WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CA2937919A1 (en) | Evaluating data quality of clinical trials | |
WO2005109334A2 (en) | Systems and methods for automatic and incremental learning of patient states from biomedical signals | |
CN109086808B (zh) | 基于随机森林算法的交通高危人员识别方法 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN117038050B (zh) | 生理参数异常处理方法、系统及医疗设备 | |
Zavala et al. | SACRE: Supporting contextual requirements’ adaptation in modern self-adaptive systems in the presence of uncertainty at runtime | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN115039116A (zh) | 用于主动客户关系分析的方法和系统 | |
Martínez-Plumed et al. | CASP-DM: context aware standard process for data mining | |
CN113722370A (zh) | 基于指标分析的数据管理方法、装置、设备及介质 | |
CN109189044A (zh) | 一种纯电动汽车远程监控故障形成数据库的方法 | |
CN117633451B (zh) | 基于数据挖掘和深度学习的智能座舱健康数据分析方法 | |
CN117831701A (zh) | 一种基于规则引擎的电子病例质控方法 | |
CN114066438A (zh) | 基于模型的监控数据展示方法、装置、设备和存储介质 | |
CN117038079A (zh) | 基于神经网络的儿童心脏病风险评估与预警系统 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN108874961B (zh) | 报表数据处理方法 | |
CN114266483B (zh) | 一种基于物联网的危险废物监管系统 | |
AU2021104790A4 (en) | A method for predicting and early warning of mental disorders using neural networks | |
CN115098336A (zh) | 数仓任务监控方法、系统、设备及存储介质 | |
CN109873786A (zh) | 针对多源异构信息云平台的安全态势评估系统 | |
Raz et al. | Detecting semantic anomalies in truck weigh-in-motion traffic data using data mining | |
Klann et al. | Modeling the information-value decay of medical problems for problem list maintenance |
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 |