车辆数据的处理方法、装置、设备和存储介质制造方法及图纸

本申请公开了一种车辆数据的处理方法、装置、设备和存储介质，该方法包括：根据第i次分层条件将训练数据划分为S

【技术实现步骤摘要】
车辆数据的处理方法、装置、设备和存储介质
本申请涉及车辆控制
，具体涉及一种车辆数据的处理方法、装置、设备和存储介质。
技术介绍
随着车辆智能化、网联化发展，通过机器学习的算法模型进行数据处理的需求越来越多。其中，算法模型的类型包括监督学习、无监督学习以及半监督学习等。相关技术中，可通过监督学习的算法模型对车辆数据进行处理，其中，监督学习是指通过已标记的训练数据来推断一个功能使其达到要求性能的机器学习任务。在建立监督学习的算法模型时，需要准备训练数据，通过训练数据训练算法模型。然而，由于训练数据中往往存在噪声或者异常值，这类数据参与训练会使得算法模型过拟合，导致算法模型的泛化能力较差；同时，由于训练数据量较大，算法模型的推断复杂度和推断时间会呈指数上升，导致算法模型难以即时响应，其处理效率较低。
技术实现思路
本申请提供了一种车辆数据的处理方法、装置、设备和存储介质，可以解决相关技术中提供的通过监督学习的算法模型对车辆数据进行处理的效率较低且准确度较差的问题。一方面，本申请实施例提供了一种车辆数据的处理方法，包括：根据第i次分层条件将训练数据划分为Si个集合，所述第i次分层条件包括第i次分层的集合个数和所述Si个集合中每个集合的抽样个数ni，i为自然数，i≥2，ni、Si为自然数，ni≥1，Si≥2，所述第i次分层条件是调参模型基于第一次分层条件至第i-1次分层条件计算得到的，所述训练数据包括所述车辆数据；根据所述第i次分层条件对所述Si个集合中每个集合中的训练数据进行抽样，得到所述每个集合的抽样数据；根据所述抽样数据训练目标算法模型，得到第i次训练后的算法模型，所述目标算法模型是对车辆的参数进行预测的机器学习模型；当不满足输出条件时，通过所述调参模型基于第一次分层条件至所述第i次分层条件计算得到第i+1次分层条件，重复上述步骤，直至满足所述输出条件，所述满足输出条件是指所述第i次训练后的算法模型的评价满足评价条件和/或对所述目标算法模型的训练次数达到预设次数。可选的，所述对所述Si个集合中每个集合中的数据进行抽样，得到抽样数据，包括：对所述训练数据进行归一化，得到归一化后的数据；根据所述每个集合的抽样个数对所述每个集合中的归一化后的数据进行聚类，得到所述每个集合的中心坐标；根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，得到所述抽样数据。可选的，所述根据所述每个集合的抽样个数对所述每个集合中的归一化后的数据进行聚类，包括：将所述抽样个数作为所述每个集合的K值，通过K均值聚类方法对所述每个集合中的归一化后的数据进行所述聚类。可选的，所述根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，包括：抽取距离所述中心坐标最近的ni个归一化后的数据作为所述抽样数据。可选的，所述根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，包括：抽取距离所述中心坐标最近的ni/2个归一化后的数据，以及距离所述中心坐标最远的ni/2个归一化后的数据作为所述抽样数据。可选的，所述调参模型包括贝叶斯模型，所述贝叶斯模型包括期望提升函数和代理函数。可选的，所述通过调参模型基于第一次分层条件至所述第i次分层条件计算得到第i+1次分层条件，包括：对所述第i次训练后的算法模型进行评价，得到第i次评价结果；根据第一次评价结果至所述第i次评价结果，以及所述第i次分层条件，通过所述代理函数进行函数空间拟合，得到预测值；通过所述期望提升函数根据所述预测值和标准差输出所述第i+1次分层条件。可选的，所述代理函数包括高斯回归模型。另一方面，本申请实施例提供了一种车辆数据的处理装置，包括：分层模块，用于根据第i次分层条件将训练数据划分为Si个集合，所述第i次分层条件包括第i次分层的集合个数和所述Si个集合中每个集合的抽样个数ni，i为自然数，i≥2，ni、Si为自然数，ni≥1，Si≥2，所述第i次分层条件是调参模型基于第一次分层条件至第i-1次分层条件计算得到的，所述训练数据包括所述车辆数据；压缩模块，用于根据所述第i次分层条件对所述每个集合中的训练数据进行抽样，得到所述每个集合的抽样数据；训练模块，用于根据所述抽样数据训练目标算法模型，所述目标算法模型是对车辆的参数进行预测的机器学习模型；调参模块，用于当不满足输出条件时，基于第一次分层条件至所述第i次分层条件计算得到第i+1次分层条件，将所述第i+1次分层条件输入至所述分层模块，直至满足所述输出条件，所述输出条件用于指示对所述目标算法模型的评价满足评价条件和/或对所述目标算法模型的训练次数达到预设次数。另一方面，本申请实施例提供了一种数据处理设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上任一所述的车辆数据的处理方法。另一方面，本申请实施例提供了一种电子控制器，所述电子控制器配备于车辆中，包括处理器和存储器，所述存储器中存储有如上任一所述的满足所述输出条件的目标算法模型，所述目标算法模型由所述处理器加载并运行。另一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上任一所述的车辆数据的处理方法。本申请技术方案，至少包括如下优点：通过调参模型输出分层条件，基于分层条件对训练数据进行分层和抽样得到抽样数据，从而根据抽样数据建立或训练得到目标算法模型，通过判断目标算法模型和/或训练次数是否满足输出条件，当不满足输出条件时对分层天津进行迭代，由于训练算法模型的数据是通过分层和抽样得到的，且分层条件是通过调参模型输出得到的，因此能够提高车辆数据处理的效率和准确度。附图说明为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请一个示例性实施例提供的车辆数据的处理方法的实施环境的示意图；图2是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；图3是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；图4是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；图5是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；图6是本申请一个示例性实施例提供的调参模型的示意图；图7是本申请一个示例性实施例提供的车辆数据的处理装置的框图。具体实施方式下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。本文档来自技高网...

【技术保护点】
1.一种车辆数据的处理方法，其特征在于，包括：/n根据第i次分层条件将训练数据划分为S

【技术特征摘要】
1.一种车辆数据的处理方法，其特征在于，包括：
根据第i次分层条件将训练数据划分为Si个集合，所述第i次分层条件包括第i次分层的集合个数和所述Si个集合中每个集合的抽样个数ni，i为自然数，i≥2，ni、Si为自然数，ni≥1，Si≥2，所述第i次分层条件是调参模型基于第一次分层条件至第i-1次分层条件计算得到的，所述训练数据包括所述车辆数据；
根据所述第i次分层条件对所述Si个集合中每个集合中的训练数据进行抽样，得到所述每个集合的抽样数据；
根据所述抽样数据训练目标算法模型，得到第i次训练后的算法模型，所述目标算法模型是对车辆的参数进行预测的机器学习模型；
当不满足输出条件时，通过所述调参模型基于第一次分层条件至所述第i次分层条件计算得到第i+1次分层条件，重复上述步骤，直至满足所述输出条件，所述满足输出条件是指所述第i次训练后的算法模型的评价满足评价条件和/或对所述目标算法模型的训练次数达到预设次数。


2.根据权利要求1所述的方法，其特征在于，所述对所述Si个集合中每个集合中的数据进行抽样，得到抽样数据，包括：
对所述训练数据进行归一化，得到归一化后的数据；
根据所述每个集合的抽样个数对所述每个集合中的归一化后的数据进行聚类，得到所述每个集合的中心坐标；
根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，得到所述抽样数据。


3.根据权利要求2所述的方法，其特征在于，所述根据所述每个集合的抽样个数对所述每个集合中的归一化后的数据进行聚类，包括：
将所述抽样个数作为所述每个集合的K值，通过K均值聚类方法对所述每个集合中的归一化后的数据进行所述聚类。


4.根据权利要求2所述的方法，其特征在于，所述根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，包括：
抽取距离所述中心坐标最近的ni个归一化后的数据作为所述抽样数据。


5.根据权利要求2所述的方法，其特征在于，所述根据所述每个集合的中心坐标，对所述每个集合中的归一化后的数据进行抽样，包括：
抽取距离所述中心坐标最近的ni/2个归一化后的数据，以及距离所述中心坐标最远的ni/2个归一化后的数据作为所述抽样数据。


6.根据权利要求1至5任一所述的方法，其特征在于，所述调参模型包括贝叶斯模型，...

【专利技术属性】
技术研发人员：刘鹏，陆唯佳，李兵洋，龚昊，庄杰，宋涛，
申请(专利权)人：联合汽车电子有限公司，
类型：发明
国别省市：上海;31