System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理领域,尤其涉及一种汽车异常检测结果可解释性语言的生成方法及装置。
技术介绍
1、随着汽车物联网技术的迭代发展,在智能化普及应用给便利驾驶者的同时,各种针对车辆的盗窃、攻击、信息窃取手段层出不穷,广大车企在安全领域构建了多场景的安全、异常检测的算法,传统异常检测算法主要依赖于机器学习或时间序列深度学习进行异常检测,对于异常数据的可解释性大多依赖于特征在数值间的统计知识,然而对于多字段之间的语义层面的链路关系并没有利用到。
2、截至目前,对于机器学习模型的可解释性研究层出不穷,目前最接近本专利技术专利的实现方案可能是使用局部解释性模型来拆解模型进行推断的过程,这类方法从训练集中选择部分数据样本,样本通常与特定决策或预测结果相关。再在选定数据样本上使用特定算法构建局部模型来观察模型推理过程来解释模型。这种方式能实现输入数据在模型推理中的部分解耦,但无法将人类对于数据与数据间特征的先验知识加入推理中,使得先验知识在模型训练时有体现,在模型推理阶段并无体现。
3、现有的技术主要存在以下几个缺点:
4、(a)对数据的人工干预分析性过重,无法实现自动化,领域内通用化。
5、(b)模型推理阶段的可解释性没有加入先验知识,无法将硬规则打入模型推理。
6、(c)可解释性偏专业化,非专业人士理解成本高。
技术实现思路
1、本专利技术实施例的目的是提供一种汽车异常检测结果可解释性语言的生成方法,以解决现有技术中所存在的问题。
2、第一方面,本专利技术提供了一种汽车异常检测结果可解释性语言的生成方法,所述方法包括:
3、获取异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据;
4、对所述异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据进行分析处理,得到异常的数据描述、结果描述、原因描述、状态描述以及异常id;
5、将异常的数据描述、结果描述、原因描述、状态描述和异常id输入预设第一模型进行训练,通过训练后的第一模型得到异常的上下文信息;
6、将针对异常的第一问题信息输入训练后的第一模型,得到第一问题的第一上下文信息;
7、将所述第一问题信息和第一上下文信息输入第二模型,对第二模型进行训练,通过训练后的第二模型得到所述第一问题的第一解释信息;
8、将所述异常、异常id和第一解释信息进行关联并存储;
9、接收第二问题信息;所述第二问题信息包括异常id;
10、根据所述异常id,查询得到所述异常id的目标解释信息。
11、在一种可能的实现方式中,所述对所述异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据进行分析处理,得到异常的数据描述、结果描述、原因描述、状态描述以及异常id具体包括:
12、数据描述对应异常检测数据库数据中的异常事件,状态描述对应车身实时传感器数据;结果描述和原因描述是针对异常事件和车身实时传感器数据的结果描述和原因描述;对异常的数据描述、结果描述、原因描述和状态描述添加异常id。
13、在一种可能的实现方式中,所述方法之前还包括:
14、获取车身信号实时数据;
15、判断所述车身信号实时数据是否异常,当所述车身信号实时数据异常时,将所述车身信号实时数据、上一时刻的车身信号实时数据、下一时刻的车身信号实时数据进行存储;所述车身信号实时数据包括:车速、转速、燃油量、温度和电池电压。
16、在一种可能的实现方式中,所述将异常的数据描述、结果描述、原因描述、状态描述和异常id输入预设第一模型进行训练,通过训练后的第一模型得到异常的上下文信息具体包括:
17、根据场景信息,调整场景信息对应的异常的比例;
18、根据调整后的异常的比例,将异常的数据描述、结果描述、原因描述、状态描述和异常id输入预设第一模型进行训练。
19、在一种可能的实现方式中,所述将所述第一问题信息和第一上下文信息输入第二模型,对第二模型进行训练之前,所述方法还包括:
20、判断所述上下文信息的信息量是否符合要求;
21、当所述上下文信息的信息量不符合要求时,对所述上下文信息进行数据增强。
22、第二方面,本专利技术提供了一种汽车异常检测结果可解释性语言的生成装置,其特征在于,所述装置包括:
23、获取模块,所述获取模块用于获取异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据;
24、处理模块,所述处理模块用于对所述异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据进行分析处理,得到异常的数据描述、结果描述、原因描述、状态描述以及异常id;
25、第一训练模块,所述第一训练模块用于将异常的数据描述、结果描述、原因描述、状态描述和异常id输入预设第一模型进行训练,通过训练后的第一模型得到异常的上下文信息;
26、预测模块,所述预测模块用于将针对异常的第一问题信息输入训练后的第一模型,得到第一问题的第一上下文信息;
27、第二训练模块,所述第二训练模块用于将所述第一问题信息和第一上下文信息输入第二模型,对第二模型进行训练,通过训练后的第二模型得到所述第一问题的第一解释信息;
28、存储模块,所述存储模块用于将所述异常、异常id和第一解释信息进行关联并存储;
29、接收模块,所述接收模块用于接收第二问题信息;所述第二问题信息包括异常id;
30、查询模块,所述查询模块用于根据所述异常id,查询得到所述异常id的目标解释信息。
31、在一种可能的实现方式中,所述装置还包括:判断模块和增强模块;
32、所述判断模块用于判断所述上下文信息的信息量是否符合要求;
33、所述增强模块用于当所述上下文信息的信息量不符合要求时,对所述上下文信息进行数据增强。
34、第三方面,本专利技术提供了一种计算机服务器,包括:存储器、处理器和收发器;
35、所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现第一方面任一项所述的汽车异常检测结果可解释性语言的生成方法;
36、所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
37、第四方面,本专利技术提供了一种芯片系统,包括处理器,所述处理器与存储器的耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现第一方面任一项所述的汽车异常检测结果可解释性语言的生成方法。
38、第五方面,本专利技术提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行权利要求1-5任意一项所述的汽车异常检测结果可解释性语言的生成方法。
39、通过应用本专利技术提本文档来自技高网...
【技术保护点】
1.一种汽车异常检测结果可解释性语言的生成方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据进行分析处理,得到异常的数据描述、结果描述、原因描述、状态描述以及异常ID具体包括:
3.根据权利要求1所述的方法,其特征在于,所述方法之前还包括:
4.根据权利要求1所述的方法,其特征在于,所述将异常的数据描述、结果描述、原因描述、状态描述和异常ID输入预设第一模型进行训练,通过训练后的第一模型得到异常的上下文信息具体包括:
5.根据权利要求1所述的方法,其特征在于,所述将所述第一问题信息和第一上下文信息输入第二模型,对第二模型进行训练之前,所述方法还包括:
6.一种汽车异常检测结果可解释性语言的生成装置,其特征在于,所述装置包括:
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:判断模块和增强模块;
8.一种计算机服务器,其特征在于,包括:存储器、处理器和收发器;
9.一种芯
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行权利要求1-5任意一项所述的汽车异常检测结果可解释性语言的生成方法。
...【技术特征摘要】
1.一种汽车异常检测结果可解释性语言的生成方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述异常检测数据库数据、异常事件描述数据、异常检测原因解释和车身信号实时数据进行分析处理,得到异常的数据描述、结果描述、原因描述、状态描述以及异常id具体包括:
3.根据权利要求1所述的方法,其特征在于,所述方法之前还包括:
4.根据权利要求1所述的方法,其特征在于,所述将异常的数据描述、结果描述、原因描述、状态描述和异常id输入预设第一模型进行训练,通过训练后的第一模型得到异常的上下文信息具体包括:
5.根据权利要求1所述的方法,其特征在于,所述将所述第一问题信息和第一上下文信息输入第二模型,对第二模型进行训练...
【专利技术属性】
技术研发人员:申小平,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:
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。