基于人工智能的车辆行驶状况监控方法及系统与流程

本发明涉及车辆行驶状况监控，具体是指基于人工智能的车辆行驶状况监控方法及系统。

背景技术：

1、车辆行驶状况监控是指通过车载诊断系统、大数据等技术，对车辆的速度、位置、车况和驾驶行为等进行实时监测和数据分析，达到提高道路交通安全、优化交通流量管理、降低交通事故发生率和车辆运营成本的目的，有助于推动智能交通设施和技术的发展。

2、然而，传统车辆行驶状况监控方法存在依靠单一的特征维度或线性模型，难以处理非结构化数据的复杂关系，导致模型性能差的技术问题；传统车辆行驶状况监控方法存在使用简单的阈值来判断异常，建模能力差，以及无法捕捉数据的复杂性和多模态分布，灵活性差的技术问题；传统车辆行驶状况监控方法存在依赖于单一模型，只考虑数据中的结构信息或概率分布特征，难以实现精准的异常检测的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的车辆行驶状况监控方法及系统，针对传统车辆行驶状况监控方法存在依靠单一的特征维度或线性模型，难以处理非结构化数据的复杂关系，导致模型性能差的技术问题，本方案创造性地采用了图神经网络模型进行车辆行驶状况监控，能够处理复杂的图结构数据，充分挖掘非结构化数据的潜在信息，提升模型性能；针对传统车辆行驶状况监控方法存在使用简单的阈值来判断异常，建模能力差，以及无法捕捉数据的复杂性和多模态分布，灵活性差的技术问题，本方案创造性地采用了高斯混合模型进行车辆行驶状况监控，能够通过高斯分布对行驶数据进行概率建模，良好适应数据的多模态分布；针对传统车辆行驶状况监控方法存在依赖于单一模型，只考虑数据中的结构信息或概率分布特征，难以实现精准的异常检测的技术问题，本方案创造性地采用了结合图神经网络模型和高斯混合模型的多层次车辆行驶状况监控方法，能够在充分利用图的结构信息的同时，深度理解数据的概率分布特征，提高了模型异常检测的精确度。

2、本发明采取的技术方案如下：本发明提供的基于人工智能的车辆行驶状况监控方法，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：第一状况监控模型构建；

6、步骤s4：第二状况监控模型构建；

7、步骤s5：多层次车辆行驶状况监控。

8、进一步地，在步骤s1中，所述数据采集，用于采集车辆行驶状况监控所需的原始数据，具体为通过采集，得到车辆监控原始数据集；

9、所述车辆监控原始数据集，具体包括车辆内部数据和行驶环境数据，所述车辆内部数据，具体包括发动机数据、传动系统数据、刹车系统数据、悬挂系统数据、车辆传感器数据和车内环境数据，所述行驶环境数据，具体包括天气条件数据和道路状况数据。

10、进一步地，在步骤s2中，所述数据预处理，用于对历史数据进行数据预处理，具体包括以下步骤：

11、步骤s21：数据清洗，用于清洗数据，具体为去除缺失值、重复值和异常值，得到初步处理数据集；

12、步骤s22：数据标注，用于标注数据，具体为将所述初步处理数据集的数据标注为正常行驶和异常行驶，并作为数据标签，得到标注数据集；

13、步骤s23：数据归一化，用于对数据进行归一化处理，具体为通过最小-最大法对所述标注数据集进行归一化处理，得到归一化数据集；

14、步骤s24：数据集分割，用于分割数据集，具体为通过对所述归一化数据集进行数据集分割，得到行驶状况训练集和行驶状况测试集；

15、步骤s25：预处理，具体为通过所述数据清洗、所述数据标注、所述数据归一化和所述数据集分割，进行数据预处理，得到所述行驶状况训练集和所述行驶状况测试集。

16、进一步地，在步骤s3中，所述第一状况监控模型构建，用于构建车辆行驶状况监控所需的第一模型，具体为构建图神经网络模型并训练，得到第一状况监控模型；

17、所述第一状况监控模型构建，具体包括以下步骤：

18、步骤s31：构建图结构，步骤包括：

19、步骤s311：构建输入节点特征矩阵，表示如下：

20、；

21、式中，表示第一个节点的特征向量，表示第二个节点的特征向量，表示第num个节点的特征向量，x表示输入节点特征矩阵，num表示节点总数，t表示转置操作；

22、步骤s312：基于相似性构建邻接矩阵，表示如下：

23、；

24、式中，为邻接矩阵的元素，用于表示节点i和节点j之间的连接关系，表示第i个节点的特征向量，表示第j个节点的特征向量，为平滑参数，表示节点i和节点j之间的欧氏距离的平方；

25、步骤s32：节点特征更新，所用公式如下：

26、；

27、式中，表示标准化的邻接矩阵，表示邻接矩阵的度矩阵，a表示邻接矩阵，i表示单位矩阵，表示第l+1层的节点特征矩阵，表示第l层的节点特征矩阵，表示第l层的权重矩阵，表示relu激活函数；

28、步骤s33：计算模型输出，所用公式如下：

29、；

30、式中，h表示平均池化输出特征向量，表示第l层第i个节点的特征向量，l表示图卷积总层数，表示图神经网络模型输出，表示sigmoid函数，表示输出权重矩阵，表示输出偏置项；

31、步骤s34：设计损失函数，所用公式如下：

32、；

33、式中，表示损失函数值，m表示样本数量，表示第m个样本的真实标签，值为0表示正常行驶，值为1表示异常行驶，表示模型第m个样本的预测概率；

34、步骤s35：构建模型，具体为通过所述构建图结构、所述节点特征更新、所述计算模型输出和所述设计损失函数，构建图神经网络模型并基于所述行驶状况训练集进行模型训练，基于所述行驶状况测试集验证模型性能，得到第一状况监控模型。

35、进一步地，在步骤s4中，所述第二状况监控模型构建，用于构建车辆行驶状况监控所需的第二模型，具体为构建高斯混合模型并训练，得到第二状况监控模型；

36、所述第二状况监控模型构建，具体包括以下步骤：

37、步骤s41：模型定义，所用公式如下：

38、；

39、式中，表示高斯混合模型概率密度函数，k表示高斯分布的数量，表示第k个高斯分布的混合系数，表示平均池化输出特征向量h在第k个高斯分布下的概率密度，表示第k个高斯分布的均值向量，表示第k个高斯分布的协方差矩阵；

40、步骤s42：期望最大化计算，步骤包括：

41、步骤s421：计算期望步，所用公式如下：

42、；

43、式中，表示第m个样本的平均池化输出特征向量，表示第m个样本属于第k个高斯分布的概率，u表示高斯分布的索引；

44、步骤s422：更新模型参数，步骤包括：

45、步骤s4221：更新均值向量，所用公式如下：

46、；

47、式中，表示更新后的第k个高斯分布的均值向量；

48、步骤s4222：更新协方差矩阵，所用公式如下：

49、；

50、式中，表示更新后的第k个高斯分布的协方差矩阵；

51、步骤s4223：更新混合系数，所用公式如下：

52、；

53、式中，表示更新后的第k个高斯分布的混合系数；

54、步骤s43：计算模型输出，所用公式如下：

55、；

56、式中，o表示对数似然函数值的负值，表示所述行驶状况训练集上对数似然函数值的负值的最小值，表示所述行驶状况训练集上对数似然函数值的负值的最大值，表示高斯混合模型输出；

57、步骤s44：构建模型，具体为通过所述模型定义、所述期望最大化计算和所述计算模型输出，构建高斯混合模型并基于所述行驶状况训练集进行模型训练，基于所述行驶状况测试集验证模型性能，得到第二状况监控模型。

58、进一步地，在步骤s5中，所述多层次车辆行驶状况监控，具体为采用所述第一状况监控模型和所述第二状况监控模型进行车辆行驶状况监控，并综合分析所述第一状况监控模型的输出和所述第二状况监控模型的输出，得到综合车辆行驶状况参考数据，基于所述综合车辆行驶状况参考数据进行车辆行驶状况监控。

59、本发明提供的基于人工智能的车辆行驶状况监控系统，包括数据采集模块、数据预处理模块、第一状况监控模型构建模块、第二状况监控模型构建模块和多层次车辆行驶状况监控模块；

60、所述数据采集模块，用于数据采集，通过数据采集，得到车辆监控原始数据集，并将所述车辆监控原始数据集发送至数据预处理模块；

61、所述数据预处理模块，用于数据预处理，通过数据预处理，得到行驶状况训练集和行驶状况测试集，并将所述行驶状况训练集发送至第一状况监控模型构建模块和第二状况监控模型构建模块，将所述行驶状况测试集发送至第一状况监控模型构建模块和第二状况监控模型构建模块；

62、所述第一状况监控模型构建模块，用于构建第一状况监控模型，通过构建图神经网络模型，得到第一状况监控模型和平均池化输出特征向量，并将所述第一状况监控模型发送至多层次车辆行驶状况监控模块，将所述平均池化输出特征向量发送至第二状况监控模型构建模块；

63、所述第二状况监控模型构建模块，用于构建第二状况监控模型，通过构建高斯混合模型，得到第二状况监控模型，并将所述第二状况监控模型发送至多层次车辆行驶状况监控模块；

64、所述多层次车辆行驶状况监控模块，用于多层次车辆行驶状况监控，通过综合分析所述第一状况监控模型的输出和所述第二状况监控模型的输出，得到综合车辆行驶状况参考数据。

65、采用上述方案本发明取得的有益效果如下：

66、（1）针对传统车辆行驶状况监控方法存在依靠单一的特征维度或线性模型，难以处理非结构化数据的复杂关系，导致模型性能差的技术问题，本方案创造性地采用了图神经网络模型进行车辆行驶状况监控，能够处理复杂的图结构数据，充分挖掘非结构化数据的潜在信息，提升模型性能。

67、（2）针对传统车辆行驶状况监控方法存在使用简单的阈值来判断异常，建模能力差，以及无法捕捉数据的复杂性和多模态分布，灵活性差的技术问题，本方案创造性地采用了高斯混合模型进行车辆行驶状况监控，能够通过高斯分布对行驶数据进行概率建模，良好适应数据的多模态分布。

68、（3）针对传统车辆行驶状况监控方法存在依赖于单一模型，只考虑数据中的结构信息或概率分布特征，难以实现精准的异常检测的技术问题，本方案创造性地采用了结合图神经网络模型和高斯混合模型的多层次车辆行驶状况监控方法，能够在充分利用图的结构信息的同时，深度理解数据的概率分布特征，提高了模型异常检测的精确度。

技术特征：

1.基于人工智能的车辆行驶状况监控方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于人工智能的车辆行驶状况监控方法，其特征在于：在步骤s3中，所述第一状况监控模型构建，用于构建车辆行驶状况监控所需的第一模型，具体为构建图神经网络模型并训练，得到第一状况监控模型；

3.根据权利要求1所述的基于人工智能的车辆行驶状况监控方法，其特征在于：在步骤s4中，所述第二状况监控模型构建，用于构建车辆行驶状况监控所需的第二模型，具体为构建高斯混合模型并训练，得到第二状况监控模型；

4.根据权利要求1所述的基于人工智能的车辆行驶状况监控方法，其特征在于：在步骤s5中，所述多层次车辆行驶状况监控，具体为采用所述第一状况监控模型和所述第二状况监控模型进行车辆行驶状况监控，并综合分析所述第一状况监控模型的输出和所述第二状况监控模型的输出，得到综合车辆行驶状况参考数据，基于所述综合车辆行驶状况参考数据进行车辆行驶状况监控。

5.根据权利要求1所述的基于人工智能的车辆行驶状况监控方法，其特征在于：在步骤s1中，所述数据采集，用于采集车辆行驶状况监控所需的原始数据，具体为通过采集，得到车辆监控原始数据集；

6.根据权利要求1所述的基于人工智能的车辆行驶状况监控方法，其特征在于：在步骤s2中，所述数据预处理，用于对历史数据进行数据预处理，具体包括以下步骤：

7.基于人工智能的车辆行驶状况监控系统，用于实现如权利要求1-6中任一项所述的基于人工智能的车辆行驶状况监控方法，其特征在于：包括数据采集模块、数据预处理模块、第一状况监控模型构建模块、第二状况监控模型构建模块和多层次车辆行驶状况监控模块。

8.根据权利要求7所述的基于人工智能的车辆行驶状况监控系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到车辆监控原始数据集，并将所述车辆监控原始数据集发送至数据预处理模块；

技术总结
本发明公开了基于人工智能的车辆行驶状况监控方法及系统，方法包括数据采集、数据预处理、第一状况监控模型构建、第二状况监控模型构建和多层次车辆行驶状况监控。本发明涉及车辆行驶状况监控技术领域，具体是指基于人工智能的车辆行驶状况监控方法及系统，本发明通过数据采集得到车辆行驶状况监控原始数据；采用数据清洗、数据标注、数据归一化和数据集分割的数据预处理方法；采用结合图神经网络模型和高斯混合模型的多层次车辆行驶状况监控方法，能够在充分利用图的结构信息的同时，深度理解数据的概率分布特征，提高了模型异常检测的精确度。

技术研发人员：田传印,申潜,王妍,李硕,李慧
受保护的技术使用者：中汽智联技术有限公司
技术研发日：
技术公布日：2024/9/23