汽车指令异常检测方法及装置制造方法及图纸

技术编号:39494056 阅读:9 留言:0更新日期:2023-11-24 11:19
本发明专利技术提供了一种汽车指令异常检测方法,包括:获取历史汽车状态数据;处理得到历史时间序列日志;通过神经网络模型对历史日志键序列进行训练,得到原始分类器;根据车型,对原始分类器进行调整,得到目标分类器;对每个历史日志键的历史参数向量序列进行训练,得到每个历史参数向量的网络模型;获取

【技术实现步骤摘要】
汽车指令异常检测方法及装置


[0001]本专利技术涉及数据处理领域,尤其涉及一种汽车指令异常检测方法及装置


技术介绍

[0002]随着智能汽车技术的不断发展,数据驱动的汽车驾驶行为监控

驾驶安全预警以及远程控制等功能成为研究的热点

然而,由于汽车行业中车辆型号多样,行驶模式复杂,普通的异常检测算法难以应对这样的复杂性

传统的异常检测方法主要依赖于设定阈值或使用统计方法,这些方法在处理一些简单场景时可能有效,但在复杂

多变的实际环境中,其效果往往大打折扣

原因主要在于这些方法需要大量的异常样本数据作为支持,然而在实际操作中,这些异常数据并不易于获取

[0003]近期,机器学习与深度学习技术在异常检测领域展示了优越的性能

目前最接近本专利技术的实现方案可能是使用深度学习网络进行异常检测

这类方法首先使用大量的正常数据对网络进行训练,然后使用训练好的网络对新的数据进行检测,如果新的数据与训练数据存在显著差异,则认为该数据可能是异常的

尽管这种方法在某些场景下可以取得良好的效果,但由于其是全局的,未能考虑到不同车型之间的差异,因此在处理复杂和多样的车辆行驶模式时,可能并不理想

如果尝试为某一具体的车型单独训练异常检测模型,将面临数据不足,无法覆盖全面的行为模式的问题

[0004]现有的技术主要存在以下几个缺点:
[0005](a)
对异常样本数据的依赖过重:训练和调整模型往往需要大量的异常样本数据,然而在实际操作中,这些数据并不容易获取

[0006](b)
泛化能力有限:由于训练数据主要基于特定车型或特定场景收集的,因此训练出来的模型可能无法在其他车型或场景中良好运行

[0007](c)
对各种车型的差异处理不足:传统的全局模型方法并未充分考虑到不同车型的差异,从而导致在处理复杂和多样的车辆行驶模式时效果不佳


技术实现思路

[0008]本专利技术实施例的目的是提供一种汽车指令异常检测方法,以解决现有技术中所存在的问题

[0009]第一方面,本专利技术提供了一种汽车指令异常检测方法,所述汽车指令异常检测方法包括:
[0010]获取历史汽车状态数据;所述历史汽车状态数据包括车型;
[0011]对所述历史汽车状态数据进行处理,得到历史时间序列日志;所述历史时间序列日志包括历史日志键序列和每个历史日志键的历史参数向量序列;所述历史日志键序列包括多个历史日志键;
[0012]通过神经网络模型对所述历史日志键序列进行训练,得到原始训练模型;
[0013]根据所述车型,对所述原始训练模型进行调整,得到目标训练模型;
[0014]对每个历史日志键的历史参数向量序列进行训练,得到每个历史参数向量的网络模型;
[0015]获取
t
‑1时刻的汽车状态数据,并处理得到
t
‑1时刻的日志键序列和
t
‑1时刻的日志键序列中每个日志键的参数向量序列;
[0016]将所述
t
‑1时刻的步长
h
的日志键序列输入所述目标训练模型,判断
t
时刻的日志键是否正常;
[0017]当
t
时刻的日志键异常时,输出第一异常结果;
[0018]当
t
时刻的日志键正常时,将步长
h
的日志键序列中,每个日志键的参数向量输入对应的网络模型,判断每个日志键的参数向量是否正常;
[0019]当异常时,输出第二异常结果

[0020]在一种可能的实现方式中,所述对所述历史汽车状态数据进行处理,得到历史时间序列日志具体包括:
[0021]根据采集汽车状态数据的时间戳,对采集到的所述汽车状态数据集中的汽车状态数据进行排序;
[0022]对所述汽车状态数据进行状态变化筛选,保留连续的时间点上状态发生变化的汽车状态数据;
[0023]将保留的所述汽车状态数据转化为动作数据;
[0024]针对每个动作数据,将动作数据转换为时间序列日志;
[0025]对时间序列日志进行解析,得到日志键和参数向量

[0026]在一种可能的实现方式中,所述根据所述车型,对所述原始训练模型进行调整,得到目标训练模型具体包括:
[0027]移除所述原始训练模型中原有的全连接层

激活层
、Dropout
层以及最后一个
LSTM
层;
[0028]冻结所述原始训练模型的其他层;
[0029]在所述原始训练模型中添加新的
LSTM

、Dropout


全连接层和激活层;
[0030]通过添加的新的
LSTM

、Dropout


全连接层和激活层的权重进行更新,得到目标训练模型

[0031]在一种可能的实现方式中,所述对每个历史日志键的历史参数向量序列进行训练,得到每个历史参数向量的网络模型具体包括:
[0032]将参数向量序列输入待训练网络模型,得到预测参数向量;
[0033]通过平方差损失函数计算预测参数向量和实际参数向量的误差;
[0034]当所述误差处于预设范围内时,确定所述待训练网络模型为所述历史参数向量序列的网络模型

[0035]在一种可能的实现方式中,所述将所述
t
‑1时刻的步长
h
的日志键序列输入所述目标训练模型,判断
t
时刻的日志键是否正常具体包括:
[0036]将
t
‑1时刻的日志键序列,按照步长
h
进行划分,得到多个步长
h
的日志键序列;
[0037]将第一个步长
h
的日志键序列输入目标训练模型,预测第一个步长
h
之后的日志键在
t
时刻
w
条件下为
k
的条件概率;
[0038]当条件概率不在前
C
时,确定
t
时刻的日志键异常;其中
C
为设置的参数阈值

[0039]第二方面,本专利技术提供了一种汽车指令异常检测装置,所述装置包括:
[0040]历史汽车状态获取单元,所述历史汽车状态获取单元用于获取历史汽车状态数据;所述历史汽车状态数据包括车型;
[0041]处理单元,所述处理单元用于对所述历史汽车状态数据进行处理,得到历史时间序列日志本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.
一种汽车指令异常检测方法,其特征在于,所述方法包括:获取历史汽车状态数据;所述历史汽车状态数据包括车型;对所述历史汽车状态数据进行处理,得到历史时间序列日志;所述历史时间序列日志包括历史日志键序列和每个历史日志键的历史参数向量序列;所述历史日志键序列包括多个历史日志键;通过神经网络模型对所述历史日志键序列进行训练,得到原始训练模型;根据所述车型,对所述原始训练模型进行调整,得到目标训练模型;对每个历史日志键的历史参数向量序列进行训练,得到每个历史参数向量的网络模型;获取
t
‑1时刻的汽车状态数据,并处理得到
t
‑1时刻的日志键序列和
t
‑1时刻的日志键序列中每个日志键的参数向量序列;将所述
t
‑1时刻的步长
h
的日志键序列输入所述目标训练模型,判断
t
时刻的日志键是否正常;当
t
时刻的日志键异常时,输出第一异常结果;当
t
时刻的日志键正常时,将步长
h
的日志键序列中,每个日志键的参数向量输入对应的网络模型,判断每个日志键的参数向量是否正常;当异常时,输出第二异常结果
。2.
根据权利要求1所述的方法,其特征在于,所述对所述历史汽车状态数据进行处理,得到历史时间序列日志具体包括:根据采集汽车状态数据的时间戳,对采集到的所述汽车状态数据集中的汽车状态数据进行排序;对所述汽车状态数据进行状态变化筛选,保留连续的时间点上状态发生变化的汽车状态数据;将保留的所述汽车状态数据转化为动作数据;针对每个动作数据,将动作数据转换为时间序列日志;对时间序列日志进行解析,得到日志键和参数向量
。3.
根据权利要求1所述的方法,其特征在于,所述根据所述车型,对所述原始训练模型进行调整,得到目标训练模型具体包括:移除所述原始训练模型中原有的全连接层

激活层
、Dropout
层以及最后一个
LSTM
层;冻结所述原始训练模型的其他层;在所述原始训练模型中添加新的
LSTM

、Dropout


全连接层和激活层;通过添加的新的
LSTM

、Dropout


全连接层和激活层的权重进行更新,得到目标训练模型
。4.
根据权利要求1所述的方法,其特征在于,所述对每个历史日志键的历史参数向量序列进行训练,得到每个历史参数向量的网络模型具体包括:将参数向量序列输入待训练网络模型,得到预测参数向量;通过平方差损失函数计算预测参数向量和实际参数向量的误差;当所述误差处于预设范围内时,确定所述待训练网络模型为所述历史参数向量序列的网络模型

5.
根据权利要求1所述的方法,其特征在于,所述将所述
t
‑1时刻的步长
h
的日志键序列输入所述目标训练模型,判断
t
时刻的日志键是否正常具体包括:将
t
‑1时刻的日志键序列,按照步长
h
进行划分,得到多个步长
h
的日志键序列;将第一个步长
h
的日志键序列输入目标训练模型,预测第一个步长
h
之后的日志键在
t
时刻
w
...

【专利技术属性】
技术研发人员:申小平王宏超王英杰汪明伟云朋
申请(专利权)人:木卫四北京科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1