WO2021174725A1 - 基于车联网的数据存储方法、装置和计算机设备 - Google Patents

基于车联网的数据存储方法、装置和计算机设备 Download PDF

Info

Publication number
WO2021174725A1
WO2021174725A1 PCT/CN2020/098818 CN2020098818W WO2021174725A1 WO 2021174725 A1 WO2021174725 A1 WO 2021174725A1 CN 2020098818 W CN2020098818 W CN 2020098818W WO 2021174725 A1 WO2021174725 A1 WO 2021174725A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
preset
curve function
sequence
designated
Prior art date
Application number
PCT/CN2020/098818
Other languages
English (en)
French (fr)
Inventor
李凡凡
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021174725A1 publication Critical patent/WO2021174725A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Definitions

  • This application relates to the field of artificial intelligence technology, in particular to a data storage method, device, computer equipment, and storage medium based on the Internet of Vehicles.
  • the Internet of Vehicles is a huge interactive network composed of information such as vehicle location, speed, and route.
  • vehicles can collect their own environment and status information; through Internet technology, all vehicles can transmit their various information to the central processing unit; through computer technology , The information of these large numbers of vehicles can be analyzed and processed.
  • the process of processing these information in the Internet of Vehicles relies on the storage of data.
  • the inventor realizes that traditional technologies either store data on a server or locally, both of which have significant drawbacks: the storage pressure of the server increases, or local data is easily tampered with (resulting in untrustworthy data).
  • the main purpose of this application is to provide a data storage method, device, computer equipment and storage medium based on the Internet of Vehicles, which aims to ensure the credibility of data and solve the problem of excessive storage pressure on the server.
  • this application proposes a data storage method based on the Internet of Vehicles, which is applied to a server, and the server has the data storage authority of the on-board terminal in the Internet of Vehicles, including:
  • the designated face feature matches the owner of the first vehicle, then obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle, and The vehicle information, vehicle owner information, weather information, and traffic condition information are input into a preset sensing data prediction model to obtain the predicted sensing data output by the sensing data prediction model-time curve function sequence f1, f2. .., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • a preset matching algorithm calculate the matching degree value of the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn, and determine whether the matching degree value is Greater than the preset matching threshold;
  • the curve function sequence F1, F2,..., Fn is stored in a plurality of designated network nodes in the preset first sub-network, wherein the The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • this application provides a data storage device based on the Internet of Vehicles, which is applied to a server, and the server has the data storage authority of the on-board terminal in the Internet of Vehicles, including:
  • the sensor data collection unit is configured to collect n types of sensor data of the first vehicle in real time by using multiple preset sensors in the first vehicle, and use the n types of sensor data to generate sensor data-time Curve function sequences F1, F2, ..., Fn, wherein the first vehicle-mounted terminal corresponding to the first vehicle is located in the Internet of Vehicles;
  • the facial image acquisition unit is configured to use a preset camera in the first vehicle to acquire a facial image of the driver, and input the facial image into a preset facial recognition model to obtain the facial recognition Designated facial features output by the model, and determining whether the designated facial features match the owner of the first vehicle;
  • a sensory data prediction unit configured to obtain vehicle information and owner information of the first vehicle if the designated face feature matches the owner of the first vehicle, and obtain information about the location of the first vehicle Weather information and traffic condition information, and input the vehicle information, vehicle owner information, weather information, and traffic condition information into a preset sensor data prediction model to obtain predicted sensor data output by the sensor data prediction model-time Curve function sequence f1, f2, ..., fn, wherein the functions F1, F2, ..., Fn correspond to the functions f1, f2, ..., fn one-to-one;
  • the matching degree value calculation unit is configured to calculate the matching degree values of the curve function sequence F1, F2, ..., Fn and the curve function sequence f1, f2, ..., fn according to a preset matching algorithm, And determine whether the matching degree value is greater than a preset matching threshold;
  • the curve function sequence storage unit is configured to store the curve function sequence F1, F2,..., Fn in a plurality of preset first sub-networks if the matching degree value is greater than a preset matching threshold value.
  • the network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • the present application provides a computer device including a memory and a processor, the memory stores computer-readable instructions, and when the processor executes the computer-readable instructions, a data storage method based on the Internet of Vehicles is implemented , wherein the data storage method based on the Internet of Vehicles is applied to a server having the data storage authority of the vehicle terminal in the Internet of Vehicles, and the data storage method based on the Internet of Vehicles includes the following steps:
  • the designated face feature matches the owner of the first vehicle, then obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle, and The vehicle information, vehicle owner information, weather information, and traffic condition information are input into a preset sensing data prediction model to obtain the predicted sensing data output by the sensing data prediction model-time curve function sequence f1, f2. .., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • a preset matching algorithm calculate the matching degree value of the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn, and determine whether the matching degree value is Greater than the preset matching threshold;
  • the curve function sequence F1, F2,..., Fn is stored in a plurality of designated network nodes in the preset first sub-network, wherein the The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • the present application provides a computer-readable storage medium having computer-readable instructions stored thereon, and when the computer-readable instructions are executed by a processor, a data storage method based on the Internet of Vehicles is implemented, wherein the The data storage method based on the Internet of Vehicles is applied to a server that has the data storage authority of the vehicle terminal in the Internet of Vehicles, and the data storage method based on the Internet of Vehicles includes the following steps:
  • the designated face feature matches the owner of the first vehicle, then obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle, and The vehicle information, vehicle owner information, weather information, and traffic condition information are input into a preset sensing data prediction model to obtain the predicted sensing data output by the sensing data prediction model-time curve function sequence f1, f2. .., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • a preset matching algorithm calculate the matching degree value of the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn, and determine whether the matching degree value is Greater than the preset matching threshold;
  • the curve function sequence F1, F2,..., Fn is stored in a plurality of designated network nodes in the preset first sub-network, wherein the The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • the data storage method, device, computer equipment and storage medium based on the Internet of Vehicles of the present application solve the problem of excessive storage pressure on the server.
  • FIG. 1 is a schematic flowchart of a data storage method based on the Internet of Vehicles according to an embodiment of the application;
  • FIG. 2 is a schematic block diagram of the structure of a data storage device based on the Internet of Vehicles according to an embodiment of the application;
  • FIG. 3 is a schematic block diagram of the structure of a computer device according to an embodiment of the application.
  • an embodiment of the present application provides a data storage method based on the Internet of Vehicles, which is applied to a server, and the server has the data storage authority of the vehicle-mounted terminal in the Internet of Vehicles, including:
  • the designated face feature matches the owner of the first vehicle, obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle , And input the vehicle information, vehicle owner information, weather information, and traffic condition information into the preset sensor data prediction model to obtain the predicted sensor data-time curve function sequence f1, f2 output by the sensor data prediction model ,..., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • the matching degree value is greater than a preset matching threshold, store the curve function sequence F1, F2,..., Fn in a plurality of designated network nodes in the preset first sub-network, where The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • This application uses the preset first sub-network to store data (ie, curve function sequences F1, F2,..., Fn) in the network nodes (ie, vehicle-mounted terminals) in the first sub-network.
  • the storage method does not need to occupy the storage resources of the server, and the data exists in multiple network nodes, and the reliability is improved. Therefore, in the event of an unexpected situation, such as the need to determine the responsibility after a car accident, the use of the data storage method based on the Internet of Vehicles of the present application can relieve the storage pressure of the server and increase the credibility of the data.
  • step S1 use multiple preset sensors in the first vehicle to collect n types of sensor data of the first vehicle in real time, and use the n types of sensor data to generate a sensor data-time curve
  • the function sequence F1, F2,..., Fn wherein the first vehicle-mounted terminal corresponding to the first vehicle is located in the Internet of Vehicles.
  • the various sensors may be any feasible sensors, such as acceleration sensors, speed sensors, current sensors, etc., so as to obtain sensor data that can reflect the condition of the first vehicle.
  • each type of sensor data is related to time, so the sensor data-time curve can be drawn, and the corresponding sensor data-time curve function can be obtained.
  • Sequence F1, F2,..., Fn is the n types of sensor data of the first vehicle in real time, so as to obtain sensor data that can reflect the condition of the first vehicle.
  • step S2 use the preset camera in the first vehicle to collect the facial image of the driver, and input the facial image into the preset face recognition model to obtain the face recognition model Output specified facial features, and determine whether the specified facial features match the owner of the first vehicle.
  • the face recognition model can adopt any feasible model, such as a face recognition model based on a convolutional neural network. Thereby, the specified facial features output by the facial recognition model can be obtained. Since the facial features of different people are different or not completely the same, the recognition of the person can be realized by using the facial features.
  • step S3 if the designated face feature matches the owner of the first vehicle, then obtain the vehicle information and owner information of the first vehicle, and obtain the weather at the location of the first vehicle Information and traffic condition information, and input the vehicle information, vehicle owner information, weather information, and traffic condition information into the preset sensor data prediction model to obtain the predicted sensor data-time curve output by the sensor data prediction model
  • the designated face feature matches the owner of the first vehicle, it indicates that the first vehicle is in a usual driving state (it belongs to the regular driving of a common driver and is not prone to special situations), so data matching can be considered Judgment to determine whether to save the data to the server. Conversely, if the designated facial features do not match the owner of the first vehicle, it indicates that the driver and the first vehicle have not gone through a good break-in process. In comparison, it is more likely to have a situation (such as a car accident). In this case, the related data (curve function sequence f1, f2, ..., fn) is preferentially stored in the server, which is more conducive to data calling.
  • the vehicle information, vehicle owner information, weather information, and traffic condition information can reflect the normal driving conditions of the first vehicle, and can also be used as the basis for the predicted driving conditions of the first vehicle, that is, it can predict a variety of sensors. Therefore, the vehicle information, vehicle owner information, weather information, and traffic condition information are input into the preset sensor data prediction model, and the predicted sensor data-time curve function sequence f1 output by the sensor data prediction model can be obtained. , F2,..., fn.
  • the sensory data prediction model can be any feasible model, and the long and short-term memory model is preferred to use the long-term and short-term memory model to solve the characteristics of long-order dependence, and to better complete the predicted sensor data-time curve related to time series Obtaining the function sequence f1, f2,..., fn.
  • the matching degree values between the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn are calculated, and It is determined whether the matching degree value is greater than a preset matching threshold.
  • the matching algorithm can be any method, for example: according to the formula:
  • the curve function sequence F1, F2,..., Fn is stored in the preset first sub-network.
  • the network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles. If the matching degree value is greater than the preset matching threshold, it indicates that the first vehicle is in a normal driving state. Therefore, there is no need to perform special processing on the curve function sequence F1, F2,..., Fn (that is, it does not need to be stored in the server In order to avoid increasing the storage pressure).
  • the curve function sequences F1, F2, ..., Fn are stored in a plurality of designated network nodes in the preset first sub-network.
  • the network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles, so there is no need to build a new network from scratch, and even the first sub-network can be regarded as all
  • the auxiliary network of the Internet of Vehicles is described, so that the storage pressure can be alleviated without the need for new costs.
  • the method includes:
  • the curve function sequence F1, F2, ..., Fn is stored in the server. If the designated face feature does not match the owner of the first vehicle, the designated knowledge graph is used to determine the relationship between the current driver and the owner. Among them, the knowledge graph refers to a network structure graph composed of multiple knowledge nodes and relationships between knowledge nodes. Generally speaking, it is the most common phenomenon for a car owner to drive the first vehicle. It is also a common phenomenon for people related to the car owner (such as husband and wife relationship, relatives, etc.) to drive the first vehicle. For example, the situation of renting a car to someone else is relatively unconventional. At this time, storing the curve function sequence F1, F2,..., Fn in the server is beneficial for timely calling.
  • the probability of calling the curve function sequence F1, F2,..., Fn for conventional driving is much lower than that for unconventional driving (that is, whether the first knowledge node and the second knowledge node exist The status of direct connection relationship), therefore, if the first knowledge node and the second knowledge node do not have a direct connection relationship, the curve function sequence F1, F2,..., Fn is stored in the server , Thereby improving the speed of data calling.
  • the sensory data prediction model is formed by sequentially connecting a long and short-term memory structure for encoding and a long- and short-term memory structure for decoding, and the vehicle information, vehicle owner information, weather information, and traffic condition information are input
  • the step S3 of obtaining the predicted sensing data-time curve function sequence f1, f2, ..., fn output by the sensing data prediction model includes:
  • S301 Divide the vehicle information, vehicle owner information, weather information, and traffic condition information into sections according to a preset time period division method, so as to obtain multiple data sequences;
  • M t LSTM enc (X t ,M t-1)
  • Mt the hidden state vector for the t-th time period
  • LSTmenc refers to the use of the encoding to encode with the long and short-term memory architecture
  • Xt is the input data for the t-th time period
  • Mt-1 is the t-1 Hidden state vector for a period of time
  • the predicted sensor data-time curve function sequence f1, f2, ..., fn output by the sensor data prediction model is achieved.
  • the long and short-term memory architecture is a time recurrent neural network that can be used to process and predict related data in time series. It has a "processor” that judges whether information is useful or not. Only information that meets algorithm certification will be used. Leave, and the inconsistent information is forgotten through the oblivion gate.
  • the sensory data prediction model of the present application is formed by sequentially connecting the long and short-term memory architecture for encoding and the long- and short-term memory architecture for decoding.
  • the long and short-term memory architecture for encoding is used to encode multiple data sequences, that is, to encode multiple input data sequences as Vector sequence;
  • Long and short-term memory architecture for decoding is used to decode a vector sequence, that is, to convert a vector sequence into a predicted vector sequence.
  • M t LSTM enc (X t , M t-1 )
  • the hidden state vector Mt in the long and short-term memory architecture for coding is obtained.
  • the predicted sensor data-time curve function sequence f1, f2,..., fn output by the sensor data prediction model is obtained. Therefore, the reliability of the predicted sensor data-time curve function sequence f1, f2, ..., fn is ensured.
  • the step S4 includes:
  • matching degree value the second value length/(the first value length+the second value length), thereby calculating the curve function sequence F1, F2,... , Fn and the curve function sequence f1, f2, ..., fn matching degree value.
  • matching degree value the second value length/(the first value length+the second value length)
  • matching degree values between the sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn are used, and the accuracy is insufficient.
  • This application uses the above-mentioned matching measurement function to perform a unified and comprehensive analysis of the sensor data on the basis of comparing multiple curve functions, which is more accurate.
  • the method includes:
  • the first curve function sequence is stored in the server.
  • This application has two storage methods for the curve function sequences F1, F2,..., Fn, one is stored in the designated vehicle terminal, and the other is stored in the server.
  • the curve function sequences F1, F2,..., Fn are generally not stored in the server.
  • the matching degree value is not greater than the preset matching threshold, indicating that the first vehicle may be abnormal
  • the probability that the curve function sequence F1, F2,..., Fn is called is greatly increased (for example, a vehicle failure Responsibility identification is required at the time), so the curve function sequence F1, F2,..., Fn is stored in the server, which may improve the data processing speed in the future.
  • the value of the independent variable t is Value, and record it as the first time point; divide the first curve function sequence from the curve function sequence F1, F2,..., Fn, wherein the time value range of the first curve function sequence is from the The first time point to the current time point; the way of storing the first curve function sequence in the server, so as to further reduce the storage pressure of the server under the premise of sufficient data.
  • step S5 before the step S5, it includes:
  • S422 Determine whether the distance between the cluster center position and the current positioning position of the first vehicle is less than a preset first distance threshold
  • the first subnet of this application serves as a substitute for the server to store data.
  • the present application obtains multiple positioning positions of the first vehicle at multiple time points, and calculates the cluster center positions of the multiple positioning positions according to a preset clustering algorithm; if the clustering The distance between the center position and the current positioning position of the first vehicle is less than the preset first distance threshold, then multiple designated vehicle-mounted terminals are acquired; the multiple designated vehicle-mounted terminals are used as network nodes to construct the first vehicle Subnet.
  • the clustering algorithm can be any algorithm, such as a mean shift clustering algorithm.
  • the position of the cluster center reflects the daily activity center of the first vehicle.
  • the present application defines that the distance between the cluster center position and the current positioning position of the first vehicle is less than a preset first distance threshold, so that the first vehicle is in a commonly used driving area Build the first sub-network. Then obtain multiple designated vehicle terminals in the manner of whether the distance between the current positioning position of the designated vehicle terminal and the cluster center is less than the preset second distance threshold, so as to ensure that the multiple designated vehicle terminals are not only away from the current.
  • the first vehicle is closer, and is also closer to the daily driving center of the first vehicle, so as to facilitate the smooth transmission of information in the first sub-network.
  • the plurality of designated vehicle-mounted terminals are preferably the vehicle-mounted terminals closest to the cluster center.
  • the method includes:
  • the curve function sequence is sent to the plurality of designated network nodes in the first sub-network F1, F2,..., Fn acquisition request; receiving multiple curve function sequences F1, F2,..., Fn respectively sent by multiple designated network nodes; if the multiple curve function sequences F1, F2, .. . And Fn are exactly the same, indicating that the data has not been tampered with and is credible data. Based on this, it is determined that the curve function sequences F1, F2,..., Fn stored in the designated network node are verified to be correct.
  • an embodiment of the present application provides a data storage device based on the Internet of Vehicles, which is applied to a server, and the server has the data storage authority of the vehicle-mounted terminal in the Internet of Vehicles, including:
  • the sensor data collection unit 10 is configured to collect n types of sensor data of the first vehicle in real time by using a variety of preset sensors in the first vehicle, and use the n types of sensor data to generate sensor data- Time curve function sequences F1, F2, ..., Fn, wherein the first vehicle-mounted terminal corresponding to the first vehicle is located in the Internet of Vehicles;
  • the facial image acquisition unit 20 is configured to use a preset camera in the first vehicle to acquire a facial image of the driver, and input the facial image into a preset facial recognition model to obtain the human face Identify the designated facial features output by the model, and determine whether the designated facial features match the owner of the first vehicle;
  • the sensor data prediction unit 30 is configured to obtain vehicle information and owner information of the first vehicle, and obtain the location of the first vehicle if the designated face feature matches the owner of the first vehicle And input the vehicle information, owner information, weather information, and traffic condition information into the preset sensor data prediction model to obtain the predicted sensor data output by the sensor data prediction model- Time curve function sequence f1, f2, ..., fn, wherein the functions F1, F2, ..., Fn correspond to the functions f1, f2, ..., fn one-to-one;
  • the matching degree value calculation unit 40 is configured to calculate the matching degree values between the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn according to a preset matching algorithm , And determine whether the matching degree value is greater than a preset matching threshold;
  • the curve function sequence storage unit 50 is configured to store the curve function sequences F1, F2,..., Fn in the preset first sub-network if the matching degree value is greater than the preset matching threshold.
  • the network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • the device includes:
  • a designated name acquiring unit configured to, if the designated facial feature does not match the owner of the first vehicle, acquire a designated name matching the designated facial feature according to a preset correspondence relationship between the facial feature and the name ;
  • a knowledge graph selection unit for selecting a designated knowledge graph from a plurality of pre-stored knowledge graphs, wherein the designated name and the owner of the vehicle are respectively the first knowledge node and the second knowledge node in the designated knowledge graph;
  • a connection relationship judging unit configured to judge whether there is a direct connection relationship between the first knowledge node and the second knowledge node
  • the storage unit is configured to store the curve function sequence F1, F2,..., Fn in the server if there is no direct connection relationship between the first knowledge node and the second knowledge node.
  • the sensory data prediction model is formed by sequentially connecting a long and short-term memory structure for encoding and a long and short-term memory structure for decoding, and the sensory data prediction unit 30 includes:
  • the time zone division subunit is used to divide the vehicle information, vehicle owner information, weather information, and traffic condition information into sections according to a preset time zone division method, so as to obtain multiple data sequences;
  • Mt the hidden state vector for the t-th time period
  • LSTmenc refers to the use of the encoding to encode with the long- and short-term memory architecture
  • Xt is the input data for the t-th time period
  • Mt -1 is the hidden state vector of the t-1 time period
  • the predictive vector sequence obtaining subunit is used to combine the hidden state vectors of all time periods into a hidden state vector sequence, and input the hidden state vector sequence into the long and short-term memory architecture for decoding for decoding to obtain the decoding
  • the predictive vector sequence output by the long-term and short-term memory architecture;
  • the prediction vector sequence analysis subunit is used to analyze the prediction vector sequence according to the preset correspondence between the component vector and the sensor data, so as to obtain the prediction sensor data-time curve function sequence output by the sensor data prediction model f1, f2,..., fn.
  • the matching degree value calculation unit 40 includes:
  • the matching measurement function obtains the subunit, which is used according to the formula:
  • the length statistics subunit is used to count the length of the first value of the independent variable t when the matching measurement function H(t) takes the value p, and when the value of the matching measurement function H(t) is not p , The second value length of the independent variable t;
  • the device includes:
  • the first time point marking unit is configured to obtain the value of the independent variable t when the matching measurement function H(t) takes the value p for the first time if the matching degree value is not greater than the preset matching threshold, and record it as The first point in time
  • the first curve function sequence dividing unit is used to divide the first curve function sequence from the curve function sequences F1, F2,..., Fn, wherein the time value range of the first curve function sequence is from the The first time point to the current time point;
  • the first curve function sequence storage unit is used to store the first curve function sequence in the server.
  • the device includes:
  • the cluster center position calculation unit is used to obtain multiple positioning positions of the first vehicle at multiple time points, and calculate the cluster center positions of the multiple positioning positions according to a preset clustering algorithm, where The multiple time points include the current time point, and the multiple positioning positions include the current positioning position;
  • a cluster center position determining unit configured to determine whether the distance between the cluster center position and the current positioning position of the first vehicle is less than a preset first distance threshold
  • a designated vehicle-mounted terminal acquiring unit is configured to acquire a plurality of designated vehicle-mounted terminals if the distance between the cluster center position and the current positioning position of the first vehicle is less than a preset first distance threshold. Whether the distance between the current positioning position of the vehicle-mounted terminal and the cluster center is less than a preset second distance threshold, and the second distance threshold is less than the first distance threshold;
  • the first sub-network construction unit is used to construct the first sub-network by using the plurality of designated in-vehicle terminals as network nodes.
  • the device includes:
  • a data verification request receiving unit configured to receive a data verification request sent by the first vehicle-mounted terminal, the data verification request being used to request verification of the curve function sequence F1, F2, ..., Fn;
  • An acquisition request sending unit configured to send a curve function sequence F1, F2,..., Fn acquisition request to a plurality of designated network nodes in the first sub-network according to the data verification request;
  • the curve function sequence judgment unit is used to receive multiple curve function sequences F1, F2,..., Fn sent by multiple designated network nodes, and judge the multiple curve function sequences F1, F2,..., Fn Are they exactly the same;
  • the verifiability determination unit is configured to determine that the curve function sequence F1, F2,..., Fn stored in the designated network node is verified if the plurality of curve function sequences F1, F2,..., Fn are completely the same Unmistakable.
  • an embodiment of the present application also provides a computer device.
  • the computer device may be a server, and its internal structure may be as shown in the figure.
  • the computer equipment includes a processor, a memory, a network interface, and a database connected through a system bus. Among them, the processor designed by the computer is used to provide calculation and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, computer readable instructions, and a database.
  • the memory provides an environment for the operation of the operating system and computer readable instructions in the non-volatile storage medium.
  • the database of the computer equipment is used to store the data used in the data storage method based on the Internet of Vehicles.
  • the network interface of the computer device is used to communicate with an external terminal through a network connection.
  • the steps for the processor to execute the data storage method based on the Internet of Vehicles include:
  • the designated face feature matches the owner of the first vehicle, then obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle, and The vehicle information, vehicle owner information, weather information, and traffic condition information are input into a preset sensing data prediction model to obtain the predicted sensing data output by the sensing data prediction model-time curve function sequence f1, f2. .., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • a preset matching algorithm calculate the matching degree value of the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn, and determine whether the matching degree value is Greater than the preset matching threshold;
  • the curve function sequence F1, F2,..., Fn is stored in a plurality of designated network nodes in the preset first sub-network, wherein the The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • An embodiment of the present application also provides a computer-readable storage medium.
  • the computer-readable storage medium may be non-volatile or volatile, and computer-readable instructions are stored thereon, and the computer-readable instructions are processed
  • the data storage method based on the Internet of Vehicles shown in any of the above embodiments is implemented, wherein the data storage method based on the Internet of Vehicles is applied to a server, and the server has the information of the vehicle terminal in the Internet of Vehicles.
  • Data storage authority, the data storage method based on the Internet of Vehicles includes:
  • the designated face feature matches the owner of the first vehicle, then obtain vehicle information and owner information of the first vehicle, and obtain weather information and traffic condition information of the location of the first vehicle, and The vehicle information, vehicle owner information, weather information, and traffic condition information are input into a preset sensing data prediction model to obtain the predicted sensing data output by the sensing data prediction model-time curve function sequence f1, f2. .., fn, wherein the functions F1, F2,..., Fn have a one-to-one correspondence with the functions f1, f2,..., fn;
  • a preset matching algorithm calculate the matching degree value of the curve function sequence F1, F2,..., Fn and the curve function sequence f1, f2,..., fn, and determine whether the matching degree value is Greater than the preset matching threshold;
  • the curve function sequence F1, F2,..., Fn is stored in a plurality of designated network nodes in the preset first sub-network, wherein the The network nodes in the first sub-network are all vehicle-mounted terminals selected from the Internet of Vehicles.
  • Non-volatile memory may include read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • Volatile memory may include random access memory (RAM) or external cache memory.
  • RAM is available in many forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), dual-rate data rate SDRAM (SSRSDRAM), enhanced SDRAM (ESDRAM), synchronous Link (Synchlink) DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM), etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请为人工智能领域，揭示了一种基于车联网的数据存储方法、装置、计算机设备和存储介质，方法包括：实时采集所述第一车辆的n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn；采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到指定人脸特征；若所述指定人脸特征匹配所述第一车辆的车主，则得到预测传感数据-时间曲线函数序列f1、f2、...、fn；计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值；若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。从而保证了数据可信并解决了服务器的存储压力过大的问题。

Description

基于车联网的数据存储方法、装置和计算机设备
本申请要求于2020年03月05日提交中国专利局、申请号为202010148238.4，发明名称为“基于车联网的数据存储方法、装置和计算机设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种基于车联网的数据存储方法、装置、计算机设备和存储介质。
背景技术
车联网是由车辆位置、速度和路线等信息构成的巨大交互网络。车联网通过GPS、RFID、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息可以被分析和处理。在车联网中的这些信息处理的过程中，依赖于数据的存储。发明人意识到，传统技术中或者将数据存储于服务器，或者存储于本地，这二者均有显著的缺陷：服务器的存储压力增大、或者本地数据容易被篡改(导致数据不可信)。
技术问题
本申请的主要目的为提供一种基于车联网的数据存储方法、装置、计算机设备和存储介质，旨在保证数据可信并解决服务器的存储压力过大的问题。
技术解决方案
为了实现上述发明目的，第一方面，本申请提出一种基于车联网的数据存储方法，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
第二方面，本申请提供一种基于车联网的数据存储装置，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
传感数据采集单元，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
脸部图像采集单元，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
传感数据预测单元，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
匹配度值计算单元，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
曲线函数序列存储单元，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均 为从所述车联网中选出的车载终端。
第三方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现一种基于车联网的数据存储方法，其中，所述基于车联网的数据存储方法应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，所述基于车联网的数据存储方法包括以下步骤：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现一种基于车联网的数据存储方法，其中，所述基于车联网的数据存储方法应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，所述基于车联网的数据存储方法包括以下步骤：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
有益效果
本申请的基于车联网的数据存储方法、装置、计算机设备和存储介质，解决了服务器的存储压力过大的问题。
附图说明
图1为本申请一实施例的基于车联网的数据存储方法的流程示意图；
图2为本申请一实施例的基于车联网的数据存储装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本发明的最佳实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于车联网的数据存储方法，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
S1、利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位 于所述车联网中；
S2、利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
S3、若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
S4、根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
S5、若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
本申请利用预设的第一子网络，将数据(即曲线函数序列F1、F2、...、Fn)存储在所述第一子网络中的网络节点(即车载终端)中，由于这种存储方式不需要占用服务器的存储资源、并且数据存在于多个网络节点中，可靠性得到提高。因此，在出现意外状况，例如在出车祸后需要定责时，采用本申请的基于车联网的数据存储方法，能够使服务器的存储压力得到缓解，并且还能提高数据的可信度。
如上述步骤S1所述，利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中。其中所述多种传感器可为任意可行传感器，例如为加速度传感器、速度传感器、电流传感器等等，从而获取能够反应所述第一车辆状况的传感数据。并由于是实时采集所述第一车辆的n种传感数据，因此每种传感数据都与时间相关，因此可绘制出传感数据-时间曲线，并得到相应的传感数据-时间曲线函数序列F1、F2、...、Fn。
如上述步骤S2所述，利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主。人脸识别模型可采用任意可行的模型，例如基于卷积神经网络的人脸识别模型。从而可获取所述人脸识别模型输出的指定人脸特征。由于不同人的人脸特征不相同或不完全相同，因此利用所述人脸特征即可实现人的识别。
如上述步骤S3所述，若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应。若所述指定人脸特征匹配所述第一车辆的车主，表明所述第一车辆处于常用驾驶状态(属于常用驾驶员的常规驾驶，不容易出特殊状况)，因此可以考虑进行数据匹配性的判断，以确定是否将数据存入服务器。反之，若所述指定人脸特征不匹配所述第一车辆的车主，表明驾驶员与第一车辆未经过很好的磨合，相较而言，更容易出状况(例如出车祸等)，在这种情况下，相关的数据(曲线函数序列f1、f2、...、fn)优先存储在服务器中，更利于数据的调用。其中，所述车辆信息、车主信息、天气信息和交通状况信息是能够反应第一车辆的正常行驶状况的，也能作为第一车辆的预测行驶状况的依据，也即能预测出多种传感数据，因此将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，能够得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。其中所述传感数据预测模型可为任意可行模型，优先采用长短期记忆模型，以利用长短期记忆模型能解决长序依赖的特性，更好的完成与时序相关的预测传感数据-时间曲线函数序列f1、f2、...、fn的获取。
如上述步骤S4所述，根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值。其中所述匹配算法可为任意方法，例如为：根据公式：
Figure PCTCN2020098818-appb-000001
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时 间，
Figure PCTCN2020098818-appb-000002
为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。从而以所述匹配度值为依据，确认所述第一车辆的行驶状态是否异常。
如上述步骤S5所述，若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。若所述匹配度值大于预设的匹配阈值，表明第一车辆处于正常行驶的状态，因此无需对所述曲线函数序列F1、F2、...、Fn进行特殊处理(即不需要存入服务器中，以免增大存储压力)。据此，将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中。并且，所述第一子网络中的网络节点均为从所述车联网中选出的车载终端，因此无需从零开始构建新的网络，甚至于，可以将所述第一子网络视为所述车联网的附属网络，从而不需要花需新的成本，即可实现存储压力的缓解。
在一个实施方式中，所述步骤S2之后，包括：
S21、若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
S22、从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
S23、判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
S24、若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
如上所述，实现了将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。若所述指定人脸特征不匹配所述第一车辆的车主，则利用指定知识图谱判断当前的驾驶员与车主的关系。其中，知识图谱指由多个知识节点以及知识节点之间的关系构成的网络结构图谱。一般而言，车主驾驶第一车辆是最常规的现象，与车主相关的人员(例如夫妻关系、亲戚关系等)驾驶第一车辆，也是常规的现象，而对于车主无关的人员驾驶第一车辆(例如将车租给别人)的状况，相对而言，是不太常规的现象，此时将所述曲线函数序列F1、F2、...、Fn存入所述服务器中，有利于及时调用。由于常规驾驶(车主驾驶、或者与车主相关的人员驾驶)，由于对车辆更熟悉、且更爱护车辆，因此车辆故障等情况的概率更低(车辆故障时一般需要调取相关数据，以便于定责)，宏观上看，常规驾驶需要调用所述曲线函数序列F1、F2、...、Fn的概率远低于非常规驾驶(即所述第一知识节点和所述第二知识节点是否存在直接连接关系的状况)，因此若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中，从而提高数据的调用速度。
在一个实施方式中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤S3,包括：
S301、按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
S302、将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
S303、将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
S304、根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
如上所述，实现了得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。其中，所述长短期记忆架构是一种时间递归神经网络，可用于处理和预测时间序列中相关的数据，其具有一个判断信息有用与否的“处理器”，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。本申请的传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，编码用长短期记忆架构用于将多段数据序列进行编码，即将输入的多段数据序列编码为向量序列；解码用长短期记忆架构用于将向量序列进行解码，即将向量序列转换为预测的向量序列。编码用长短期 记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt。而解码用长短期记忆架构可采用任意算法进行解码处理，例如根据公式：
Figure PCTCN2020098818-appb-000003
Figure PCTCN2020098818-appb-000004
e ij＝score(s i,h j)，
Figure PCTCN2020098818-appb-000005
进行解码处理，ci为所述解码用长短期记忆架构中隐藏状态向量，aij为权重参数，si为解码用长短期记忆架构中的第i个隐藏状态向量，score(s i,h j)指采用预设的score函数根据si和hj计算出的分数，WC为权值，p为概率值，yt为解码用长短期记忆架构的第t个时间段的输出，x为多段数据序列。从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。从而保证了预测传感数据-时间曲线函数序列f1、f2、...、fn的可靠性。
在一个实施方式中，所述步骤S4,包括：
S401、根据公式：
Figure PCTCN2020098818-appb-000006
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，
Figure PCTCN2020098818-appb-000007
为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
S402、统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
S403、根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
如上所述，实现了计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。本申请根据公式：
Figure PCTCN2020098818-appb-000008
获取匹配衡量函数H(t)；再根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。传统技术中是采用单个数值比对的方式，准确性不足。本申请采用上述匹配衡量函数，在比对多条曲线函数的基础上，对传感数据进行统一、全面的分析，更准确。
在一个实施方式中，所述步骤S4之后，包括：
S411、若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
S412、从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
S413、将所述第一曲线函数序列存入所述服务器。
如上所述，实现了将所述第一曲线函数序列存入所述服务器。本申请对于曲线函数序列F1、F2、...、Fn，有两种存储方式，一种存储在指定车载终端中，一种存储在服务器中。为了避免增加服务器存储压力，一般不将曲线函数序列F1、F2、...、Fn存储在服务器中。但是，若所述匹配度值不大于预设的匹配阈值，表明所述第一车辆可能出现异常，那么曲线函数序列F1、F2、...、Fn被调用的可能性大大提高(例如车辆故障时需要进行责任认定)，因此将曲线函数序列F1、F2、...、Fn存入服务器，有处于提高将来的数据处理速度。更进一步地，并非是所有时间范围内的曲线函数序列F1、F2、...、Fn都有用，因此，采用获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；将所述第一曲线函数序列存入所述服务器的方式，以在数据够用的前提下，进一步减少服务器的存储压力。
在一个实施方式中，所述步骤S5之前，包括：
S421、获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
S422、判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
S423、若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
S424、以所述多个指定车载终端作为网络节点，构建所述第一子网络。
如上所述，实现了构建所述第一子网络。本申请的第一子网络作为服务器的代替品，以存储数据。具体地，本申请获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置；若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端；以所述多个指定车载终端作为网络节点，构建所述第一子网络。其中聚类算法可为任意算法，例如采用均值漂移聚类算法等。所述聚类中心位置即反应了所述第一车辆的日常活动中心。据此，本申请限定了，所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，以使所述第一车辆在常用的行驶区域内构建第一子网络。再以所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值的方式，获取多个指定车载终端，以保证所述多个指定车载终端不仅离当前的第一车辆较近，并且还离第一车辆的日常行驶中心较近，从而便于第一子网络中的信息传输通畅。更进一步地，其中所述多个指定车载终端优选离所述聚类中心最近的车载终端。
在一个实施方式中，所述步骤S5之后，包括：
S51、接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
S52、根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
S53、接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
S54、若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
如上所述，实现了核实所述曲线函数序列F1、F2、...、Fn。第一车辆出现故障时，例如车内部件失灵等状况，则需要判断是车主的不规范操作导致的，还是车辆本身的故有缺陷，即需要进行定责。而定责时所述曲线函数序列F1、F2、...、Fn是重要依据，因此曲线函数序列F1、F2、...、Fn的可靠性需要得到核实。因此，接收所述第一车载终端发送的数据核实请求。由于所述曲线函数序列F1、F2、...、Fn被存储在第一子网络中的多个指定网络节点中，因此向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn；若所述多个曲线函数序列F1、F2、...、Fn完全相同，表明数据未经篡改，是可信数据，据此判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
参照图2，本申请实施例提供一种基于车联网的数据存储装置，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
传感数据采集单元10，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
脸部图像采集单元20，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
传感数据预测单元30，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
匹配度值计算单元40，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
曲线函数序列存储单元50，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
指定姓名获取单元，用于若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
知识图谱选择单元，用于从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
连接关系判断单元，用于判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
存储单元，用于若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述传感数据预测单元30,包括：
时间段划分子单元，用于按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
隐藏状态向量获取子单元，用于将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
预测向量序列获取子单元，用于将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
预测向量序列解析子单元，用于根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
其中上述子单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述匹配度值计算单元40,包括：
匹配衡量函数获取子单元，用于根据公式：
Figure PCTCN2020098818-appb-000009
获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，
Figure PCTCN2020098818-appb-000010
为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
长度统计子单元，用于统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
匹配度值计算子单元，用于根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
其中上述子单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
第一时间点标记单元，用于若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
第一曲线函数序列划分单元，用于从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
第一曲线函数序列存储单元，用于将所述第一曲线函数序列存入所述服务器。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
聚类中心位置计算单元，用于获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
聚类中心位置判断单元，用于判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
指定车载终端获取单元，用于若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
第一子网络构建单元，用于以所述多个指定车载终端作为网络节点，构建所述第一子网络。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
数据核实请求接收单元，用于接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
获取请求发送单元，用于根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
曲线函数序列判断单元，用于接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
核实无误判定单元，用于若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
其中上述单元分别用于执行的操作与前述实施方式的基于车联网的数据存储方法的步骤一一对应,在此不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储基于车联网的数据存储方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现上述的任一实施例所示出的基于车联网的数据存储方法。
上述处理器执行上述基于车联网的数据存储方法的步骤包括：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性，也可以是易失性，其上存储有计算机可读指令，计算机可读指令被处理器执行时实现上述的任一实施例所示出的基于车联网的数据存储方法，其中，所述基于车联网的数据存储方法应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，所述基于车联网的数据存储方法包括：
利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆 的车主；
若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种基于车联网的数据存储方法，其中，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
    利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
    利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
    若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
    根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
    若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
  2. 根据权利要求1所述的基于车联网的数据存储方法，其中，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤之后，包括：
    若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
    从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
    判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
    若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
  3. 根据权利要求1所述的基于车联网的数据存储方法，其中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤,包括：
    按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
    将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
    将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
    根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
  4. 根据权利要求1所述的基于车联网的数据存储方法，其中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤,包括：
    根据公式：
    Figure PCTCN2020098818-appb-100001
    获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，
    Figure PCTCN2020098818-appb-100002
    为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
    统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
    根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
  5. 根据权利要求4所述的基于车联网的数据存储方法，其中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤之后，包括：
    若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
    从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
    将所述第一曲线函数序列存入所述服务器。
  6. 根据权利要求1所述的基于车联网的数据存储方法，其中，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的 网络节点均为从所述车联网中选出的车载终端的步骤之前，包括：
    获取所述第一车辆在多个时间点的多个定位位置，并根据预设的聚类算法，计算出所述多个定位位置的聚类中心位置，其中多个时间点包括当前时间点，所述多个定位位置包括当前定位位置；
    判断所述聚类中心位置与所述第一车辆的当前定位位置之间的距离是否小于预设的第一距离阈值；
    若所述聚类中心位置与所述第一车辆的当前定位位置之间的距离小于预设的第一距离阈值，则获取多个指定车载终端，其中所述指定车载终端的当前定位位置与所述聚类中心的距离是否小于预设的第二距离阈值，所述第二距离阈值小于所述第一距离阈值；
    以所述多个指定车载终端作为网络节点，构建所述第一子网络。
  7. 根据权利要求1所述的基于车联网的数据存储方法，其中，所述若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端的步骤之后，包括：
    接收所述第一车载终端发送的数据核实请求，所述数据核实请求用于请求核实所述曲线函数序列F1、F2、...、Fn；
    根据所述数据核实请求，向所述第一子网络中的多个指定网络节点发送曲线函数序列F1、F2、...、Fn获取请求；
    接收多个指定网络节点分别发送的多个曲线函数序列F1、F2、...、Fn，并判断所述多个曲线函数序列F1、F2、...、Fn是否完全相同；
    若所述多个曲线函数序列F1、F2、...、Fn完全相同，则判定所述指定网络节点中存储的曲线函数序列F1、F2、...、Fn核实无误。
  8. 一种基于车联网的数据存储装置，其中，应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，包括：
    传感数据采集单元，用于利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
    脸部图像采集单元，用于利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
    传感数据预测单元，用于若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
    匹配度值计算单元，用于根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
    曲线函数序列存储单元，用于若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
  9. 根据权利要求8所述的基于车联网的数据存储装置，其中，所述装置，包括：
    指定姓名获取单元，用于若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
    知识图谱选择单元，用于从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
    连接关系判断单元，用于判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
    存储单元，用于若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
  10. 根据权利要求8所述的基于车联网的数据存储装置，其中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述传感数据预测单元，包括：
    时间段划分子单元，用于按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
    隐藏状态向量获取子单元，用于将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
    预测向量序列获取子单元，用于将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
    预测向量序列解析子单元，用于根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
  11. 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机可读指令，其中，所述处理器执行所述计算机可读指令时实现一种基于车联网的数据存储方法：
    其中，所述基于车联网的数据存储方法应用于服务器，所述服务器具有所 述车联网中的车载终端的数据存储权限，所述基于车联网的数据存储方法包括：
    利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
    利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
    若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
    根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
    若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
  12. 根据权利要求11所述的计算机设备，其中，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤之后，包括：
    若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
    从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
    判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
    若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
  13. 根据权利要求11所述的计算机设备，其中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤,包括：
    按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
    将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量 Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
    将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
    根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
  14. 根据权利要求11所述的计算机设备，其中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤,包括：
    根据公式：
    Figure PCTCN2020098818-appb-100003
    获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，
    Figure PCTCN2020098818-appb-100004
    为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
    统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
    根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
  15. 根据权利要求14所述的计算机设备，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤之后，包括：
    若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
    从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
    将所述第一曲线函数序列存入所述服务器。
  16. 一种计算机可读存储介质，其上存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现一种基于车联网的数据存储方法，其中，所述基于车联网的数据存储方法应用于服务器，所述服务器具有所述车联网中的车载终端的数据存储权限，所述基于车联网的数据存储方法包括以下步骤：
    利用第一车辆中预设的多种传感器，实时采集所述第一车辆的n种传感数据，并利用所述n种传感数据，生成传感数据-时间曲线函数序列F1、F2、...、 Fn，其中所述第一车辆对应的第一车载终端位于所述车联网中；
    利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主；
    若所述指定人脸特征匹配所述第一车辆的车主，则获取所述第一车辆的车辆信息和车主信息，以及获取所述第一车辆的所处位置的天气信息和交通状况信息，并将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn，其中所述函数F1、F2、...、Fn与所述函数f1、f2、...、fn一一对应；
    根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值；
    若所述匹配度值大于预设的匹配阈值，则将所述曲线函数序列F1、F2、...、Fn存储到预设的第一子网络中的多个指定网络节点中，其中所述第一子网络中的网络节点均为从所述车联网中选出的车载终端。
  17. 根据权利要求16所述的计算机可读存储介质，其中，所述利用所述第一车辆中预设的摄像头采集驾驶员的脸部图像，并将所述脸部图像输入预设的人脸识别模型中，得到所述人脸识别模型输出的指定人脸特征，并判断所述指定人脸特征是否匹配所述第一车辆的车主的步骤之后，包括：
    若所述指定人脸特征不匹配所述第一车辆的车主，则根据预设的人脸特征与姓名的对应关系，获取与所述指定人脸特征匹配的指定姓名；
    从预存的多个知识图谱中选出指定知识图谱，其中所述指定姓名和所述车主分别为所述指定知识图谱中的第一知识节点和第二知识节点；
    判断所述第一知识节点和所述第二知识节点是否存在直接连接关系；
    若所述第一知识节点和所述第二知识节点不存在直接连接关系，则将所述曲线函数序列F1、F2、...、Fn存入所述服务器中。
  18. 根据权利要求16所述的计算机可读存储介质，其中，所述传感数据预测模型由编码用长短期记忆架构与解码用长短期记忆架构顺序连接而成，所述将所述车辆信息、车主信息、天气信息和交通状况信息输入预设的传感数据预测模型中，得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn的步骤,包括：
    按照预设的时间段划分方法，将所述车辆信息、车主信息、天气信息和交通状况信息进行分段划分，从而得到多段数据序列；
    将所述多段数据序列输入所述编码用长短期记忆架构中，从而根据公式：M t＝LSTM enc(X t,M t-1)，获得所述编码用长短期记忆架构中的隐藏状态向量Mt，其中Mt是第t个时间段的隐藏状态向量，LSTMenc指利用所述编码用长短期记忆架构进行编码，Xt是第t个时间段的输入数据,Mt-1是第t-1个时间段的隐藏状态向量；
    将所有时间段的隐藏状态向量组合成隐藏状态向量序列，并将所述隐藏状态向量序列输入所述解码用长短期记忆架构中进行解码，得到所述解码用长短期记忆架构输出的预测向量序列；
    根据预设的分向量与传感数据的对应关系，解析所述预测向量序列，从而得到所述传感数据预测模型输出的预测传感数据-时间曲线函数序列f1、f2、...、fn。
  19. 根据权利要求16所述的计算机可读存储介质，其中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值的步骤,包括：
    根据公式：
    Figure PCTCN2020098818-appb-100005
    获取匹配衡量函数H(t),其中Fi(t)为所述曲线函数序列F1、F2、...、Fn中的第i个函数，fi(t)为所述曲线函数序列f1、f2、...、fn中的第i个函数，E(t)为函数Fi(t)与函数fi(t)的差值函数,t为时间，
    Figure PCTCN2020098818-appb-100006
    为差值函数对时间的微分,min为最小值函数，p为大于0的匹配衡量参数；
    统计所述匹配衡量函数H(t)取值为p时，自变量t的第一取值长度，以及统计所述匹配衡量函数H(t)取值不为p时，自变量t的第二取值长度；
    根据公式：匹配度值＝所述第二取值长度/(所述第一取值长度+所述第二取值长度)，从而计算出所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值。
  20. 根据权利要求19所述的计算机可读存储介质，其中，所述根据预设的匹配算法，计算所述曲线函数序列F1、F2、...、Fn与所述曲线函数序列f1、f2、...、fn的匹配度值，并判断所述匹配度值是否大于预设的匹配阈值的步骤之后，包括：
    若所述匹配度值不大于预设的匹配阈值，则获取所述匹配衡量函数H(t)首次取值为p时，自变量t的值，并记为第一时间点；
    从所述曲线函数序列F1、F2、...、Fn中划分出第一曲线函数序列，其中所述第一曲线函数序列的时间取值范围从所述第一时间点至当前时间点；
    将所述第一曲线函数序列存入所述服务器。
PCT/CN2020/098818 2020-03-05 2020-06-29 基于车联网的数据存储方法、装置和计算机设备 WO2021174725A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010148238.4A CN111476092B (zh) 2020-03-05 2020-03-05 基于车联网的数据存储方法、装置和计算机设备
CN202010148238.4 2020-03-05

Publications (1)

Publication Number Publication Date
WO2021174725A1 true WO2021174725A1 (zh) 2021-09-10

Family

ID=71748163

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/098818 WO2021174725A1 (zh) 2020-03-05 2020-06-29 基于车联网的数据存储方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN111476092B (zh)
WO (1) WO2021174725A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328955A (zh) * 2021-12-17 2022-04-12 南京沃科电子科技有限公司 一种汽车电子知识图谱控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170103342A1 (en) * 2015-10-13 2017-04-13 Flywheel Software, Inc. Machine learning based determination of accurate motion parameters of a vehicle
CN108932863A (zh) * 2018-08-02 2018-12-04 成都秦川物联网科技股份有限公司 基于车联网的天气预告方法及车联网系统
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统
CN110459324A (zh) * 2019-06-27 2019-11-15 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412049B (zh) * 2013-07-15 2016-01-13 清华大学 一种高温注汽管道缺陷监测方法
CN103487502B (zh) * 2013-09-26 2015-12-02 上海海事大学 检测复杂导电结构表面缺陷的涡流阵列探头及系统
CN204255905U (zh) * 2014-12-12 2015-04-08 中国人民解放军国防科学技术大学 用于金属管道内壁缺陷检测的阵列式涡流传感器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170103342A1 (en) * 2015-10-13 2017-04-13 Flywheel Software, Inc. Machine learning based determination of accurate motion parameters of a vehicle
CN108932863A (zh) * 2018-08-02 2018-12-04 成都秦川物联网科技股份有限公司 基于车联网的天气预告方法及车联网系统
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统
CN110459324A (zh) * 2019-06-27 2019-11-15 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN110533112A (zh) * 2019-09-04 2019-12-03 天津神舟通用数据技术有限公司 车联网大数据跨域分析融合方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114328955A (zh) * 2021-12-17 2022-04-12 南京沃科电子科技有限公司 一种汽车电子知识图谱控制系统

Also Published As

Publication number Publication date
CN111476092A (zh) 2020-07-31
CN111476092B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
US11734977B2 (en) Machine learning-based platform for user identification
CN110658807A (zh) 一种车辆故障诊断方法、装置及系统
US10960893B2 (en) System and method for driver profiling corresponding to automobile trip
CN109607344B (zh) 一种基于神经网络垂直电梯故障预测系统及方法
JP7132346B2 (ja) 照合システム及び照合サーバ
CN111065089B (zh) 一种基于群智感知的车联网双向认证方法及装置
WO2021174725A1 (zh) 基于车联网的数据存储方法、装置和计算机设备
CN110445788B (zh) 一种车载自组网环境下面向内容的信任评估系统及方法
CN109784254A (zh) 一种车辆违规事件检测的方法、装置和电子设备
CN113328755B (zh) 一种面向边缘计算的压缩数据传输方法
KR102151272B1 (ko) 예측모델 학습을 통한 데이터 분석 방법, 장치 및 컴퓨터프로그램
CN110752977A (zh) 一种车联网can总线的异常入侵检测方法及装置
US11843949B2 (en) Cognitive roaming support
WO2022024211A1 (ja) 学習活用システム、活用装置、学習装置、プログラム及び学習活用方法
CN116707913A (zh) 一种基于差分隐私的域内身份信任管理方法
CN117312801A (zh) 基于ai的智慧城市监控系统及方法
CN116566845A (zh) 一种网络预警方法及计算机存储介质
CN114743382B (zh) 基于智慧灯杆系统的车辆违章行为识别方法和装置
CN114882974B (zh) 一种心理诊断数据库访问人工智能验证系统及方法
WO2023006224A1 (en) Entity matching with joint learning of blocking and matching
CN111798591B (zh) 车辆总里程数的确定方法、装置、计算机设备和存储介质
US11145196B2 (en) Cognitive-based traffic incident snapshot triggering
RU2724596C1 (ru) Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных
JP7262690B1 (ja) 渋滞予測装置および渋滞予測方法
CN111800753B (zh) 基于人工智能的安全防范分析报警系统及方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20923277

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20923277

Country of ref document: EP

Kind code of ref document: A1