【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于人工智能的汽车数据实时处理方法。
技术介绍
1、车辆在使用过程中会出现磨损、老化等故障可能存在安全隐患，需利用传感器实时检测车辆的关键部件的运行数据，从而能够及时掌握车辆的运行状态情况，进而能够根据车辆的运行状态情况进行驾驶调整，有效避免在道路上发生意外事故，确保驾驶员和乘客的安全。由于在汽车的关键部件的运行状态存在异常时，就会产生异常的运行数据。因而为了对汽车的运行状态的异常情况进行分析，需提取出运行数据中的异常数据。
2、lof算法作为一种常用的异常分析方法，该方法一般是根据人为经验设置k值，并且该方法给每个数据设置的k值均相同。lof算法中的k值会影响异常检测的敏感性，即当k值设置过小时，能够识别出的异常数据更多，但是也容易将正常数据误判为异常数据。而当k值设置的过大时，识别出的异常数据较少，但是不太容易将正常数据误判为异常数据。因而k值设置的合适与否会影响异常检测的精度。由于车辆的关键部件的每个时刻的运行数据的变动是不一致的，而这种变动差异会导致运行数据之间的距离产生差异。其中有些运行数据与其他运行数据之间的距离不一致是由于汽车的关键部件存在异常导致的，有些运行数据的与其他运行数据之间的距离不一致是由于其他因素干扰导致。而对于那些由于其他因素干扰导致的运行数据，如果设置过小的k值，会容易将其判定为异常数据。而对于那些由于车辆的关键部件存在异常导致运动数据，如果设置过大的k值，很容易将其判定为正常数据。因而为每个数据设置固定的k值，对于检测汽车的运行数据中异常数据不太合适。因
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于人工智能的汽车数据实时处理方法，所采用的技术方案具体如下：
2、获取汽车轮胎的压力数据序列和汽车发动机的温度数据序列；
3、预设上限值，将上限值作为k值得到压力数据序列中每个压力数据在上限值下的邻域数据，根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度；根据每个压力数据在上限值下的初始异常程度，压力数据序列与温度数据序列的相关性，每个压力数据在上限值下的邻域数据，得到每个压力数据在上限值下的最终异常程度；
4、根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值；根据每个压力数据在上限值下的异常检测评估值对k值进行调整得到每个压力数据的最佳k值；
5、根据每个压力数据的最佳k值对压力数据进行异常检测得到异常数据。
6、优选的，所述将上限值作为k值得到压力数据序列中每个压力数据在上限值下的邻域数据，包括的具体步骤为：
7、基于lof算法，将上限值作为每个压力数据的k值，获取每个压力数据在k距离邻域中的压力数据，记为每个压力数据在上限值下的邻域数据。
8、优选的，所述根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度，包括的具体步骤为：
9、根据每个压力数据在上限值下的邻域数据获取每个压力数据的局部可达密度，记为每个压力数据在上限值下的局部可达密度；
10、根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度。
11、优选的，所述根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度，包括的具体计算公式为：
12、
13、其中，表示第i个压力数据在上限值下的第j个邻域数据的局部可达密度，表示第i个压力数据在上限值下的局部可达密度，表示第i个压力数据与上限值下的第j个邻域数据的欧氏距离，表示第i个压力数据在上限值下的邻域数据的数量，表示第i个压力数据在上限值下的初始异常程度。
14、优选的，所述根据每个压力数据在上限值下的初始异常程度，压力数据序列与温度数据序列的相关性，每个压力数据在上限值下的邻域数据，得到每个压力数据在上限值下的最终异常程度，包括的具体步骤为：
15、根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数；根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性；
16、根据每个压力数据的第一相关系数、第二相关系数以及邻域相关性得到每个压力数据的最终异常程度的计算方法为：
17、
18、其中，表示第i个压力数据的第二相关系数，表示第i个压力数据的第一相关系数，表示第i个压力数据在上限值下的邻域相关性，第i个压力数据在上限值下的初始异常程度，表示以自然常数为底的指数函数，表示第i个压力数据在上限值下的最终异常程度。
19、优选的，所述根据压力数据序列和温度数据序列得到第一相关系数和第二相关系数；根据每个压力数据在上限值下的邻域数据得到每个压力数据在上限值下的邻域相关性，包括的具体步骤为：
20、将任意一个压力数据记为目标压力数据，将压力数据序列与温度数据序列的秩相关系数，记为目标压力数据的第一相关系数，将与目标压力数据同时刻的温度数据记为目标温度数据，将压力数据序列中去除目标压力数据后得到的数据序列记为目标压力数据的剩余序列，将温度数据序列中去除目标温度数据后得到的数据序列记为目标温度数据的剩余序列，计算目标压力数据的剩余序列与目标温度数据的剩余序列的秩相关系数，记为目标压力数据的第二相关系数，获取每个压力数据的第一相关系数和第二相关系数；
21、获取目标压力数据在上限值下的邻域数据，将与目标压力数据在上限值下的邻域数据同时刻的温度数据作为目标温度数据在上限值下的邻域数据，计算目标压力数据与目标温度数据在上限值下的每个邻域数据的秩相关系数，将目标压力数据与目标温度数据在上限值下的所有邻域数据的秩相关系数的累加和，记为目标压力数据在上限值下的邻域相关性，获取每个压力数据在上限值下的邻域相关性。
22、优选的，所述根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值，包括的具体步骤为：
23、根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合；获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径；
24、根据每个压力数据在上限值下的若干组合，每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径得到每个压力数据在上限值下的异常检测评估值的计算方法为：
25、
26、其中，表示第i个压力数据在上限值下的增量邻域半径，表示第i个压力数据在上限值下的邻域半径，表示第i个压力数据在上限值下的减量邻域半径，表示第i个压力数据在上限值下的第个组合中的其中一个邻域数据，表示第i个压力数据在上限值下的第个组合中的另外一个邻域数据，表示第i个压力数据在上限值下的组合数量，表示第i个压力本文档来自技高网...
【技术保护点】
1.基于人工智能的汽车数据实时处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述将上限值作为K值得到压力数据序列中每个压力数据在上限值下的邻域数据，包括的具体步骤为：
3.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度，包括的具体步骤为：
4.如权利要求3所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度，包括的具体计算公式为：
5.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的初始异常程度，压力数据序列与温度数据序列的相关性，每个压力数据在上限值下的邻域数据，得到每个压力数据在上限值下的最终异常程度，包括的具体步骤为：
6.如权利要求5所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据压力数据序列和温度数据序列
7.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的邻域数据之间的最终异常程度的差值得到每个压力数据在上限值下的异常检测评估值，包括的具体步骤为：
8.如权利要求7所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的邻域数据得到每个压力在上限值下的若干组合；获取每个压力数据在上限值下的邻域半径、增量邻域半径以及减量邻域半径，包括的具体步骤为：
9.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的异常检测评估值对K值进行调整得到每个压力数据的最佳K值，包括的具体步骤为：
10.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据的最佳K值对压力数据进行异常检测得到异常数据，包括的具体步骤为：
...【技术特征摘要】
1.基于人工智能的汽车数据实时处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述将上限值作为k值得到压力数据序列中每个压力数据在上限值下的邻域数据，包括的具体步骤为：
3.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的邻域数据之间的差值得到每个压力数据在上限值下的初始异常程度，包括的具体步骤为：
4.如权利要求3所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据的局部可达密度得到每个压力数据在上限值下的初始异常程度，包括的具体计算公式为：
5.如权利要求1所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据每个压力数据在上限值下的初始异常程度，压力数据序列与温度数据序列的相关性，每个压力数据在上限值下的邻域数据，得到每个压力数据在上限值下的最终异常程度，包括的具体步骤为：
6.如权利要求5所述的基于人工智能的汽车数据实时处理方法，其特征在于，所述根据...
【专利技术属性】
技术研发人员：楚晓婧，冯辰鸿，王新艳，张凯，
申请(专利权)人：天津市职业大学，
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。