数据处理系统、电子设备、车辆、方法及计算机程序产品与流程

本公开涉及一种数据处理系统、电子设备、车辆、预测模型构建方法、预测模型生成装置、车辆状态预测方法及计算机程序产品。

背景技术：

1、在车辆的使用过程中可能会出现各种各样的问题。当前车辆越来越依赖自动驾驶和智能座舱技术，因此通过车辆日志来对车辆状态进行提前预测至关重要。车辆系统为一个复杂的系统并且也是一个相对封闭的系统，所涉及的子系统和零部件多且复杂，这对状态预测带来了挑战。

技术实现思路

1、为了解决上述技术问题之一，本公开提供了一种数据处理系统、电子设备、车辆、预测模型构建方法、预测模型生成装置、车辆状态预测方法及计算机程序产品。

2、根据本公开的一个方面，提供了一种数据处理系统，包括处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，所述数据处理系统执行以下过程：获取第一类型车辆的数据和第二类型车辆的数据；将所述第一类型车辆的数据和所述第二类型车辆的数据分类至具有不同类别标识的多个类别中；基于所述多个类别中数据的数据特征与各类别的类别标识的关系，从所述数据特征提取关键数据特征；以及基于所述关键数据特征构建预测模型，所述预测模型用于被存储至待预测车辆后，基于待预测车辆的数据预测车辆状态。

3、根据本公开至少一个实施方式，在获取所述第一类型车辆的数据的情况下，获取第一类型车辆的预定状态时数据及多个位置或时间的预定状态前数据，还包括：基于所述第一类型车辆的多个位置或时间的预定状态前数据设置多个数据标识，其中所述类别标识基于所述数据标识设置。

4、根据本公开至少一个实施方式，在获取第二类型车辆的数据的情况下，获取第二类型车辆的获取时刻数据及多个位置或时间的获取时刻前数据，其中所述第二类型车辆的多个位置或时间分别与所述第一类型车辆的多个位置或时间相对应。

5、根据本公开至少一个实施方式，按照时间顺序，所述多个预定状态前数据包括第一预定状态前数据至第m预定状态前数据，根据所述第一预定状态前数据至第m预定状态前数据分别设置第一数据标识至第m数据标识，其中m≥2且为正整数，所述类别标识至少包括第一类别标识至第m类别标识，其中所述第一类别标识至第m类别标识分别与所述第一数据标识至第m数据标识相对应。

6、根据本公开至少一个实施方式，在所述分类的过程中，将所述第一类型车辆的多个状态前数据和所述第二类型车辆的获取时刻数据及获取时刻前数据分别分类至所述多个类别中。

7、根据本公开至少一个实施方式，所述第一类型车辆和第二类型车辆的数据分别包括多个域控数据，在通过所述关键数据特征构建预测模型的过程中，基于不同域控数据的关键数据特征之间的关系，处理各域控数据的关键数据特征，生成用于构建预测模型的新关键数据特征。

8、根据本公开至少一个实施方式，所述第一类型车辆为故障车辆，所述第二类型车辆为非故障车辆，并且所述预测模型用于预测车辆故障。

9、根据本公开的另一方面，提供了一种电子设备，所述电子设备应用于车辆并且包括处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，所述电子设备执行以下过程：将待预测车辆的数据输入所述存储器存储的预测模型；以及通过所述预测模型预测待预测车辆的车辆状态，其中，所述预测模型至少基于关键数据特征训练构建，所述关键数据特征通过以下方式获得：第一类型车辆的数据和第二类型车辆的数据分类至设置有对应类别标识的多个类别中；以及基于各类别数据的数据特征与各类别的类别标识的关系，从所述数据特征中提取所述关键数据特征。

10、根据本公开至少一个实施方式，所述第一类型车辆的数据包括预定状态时数据及多个位置或时间的预定状态前数据；以及所述第二类型车辆的数据包括获取时刻数据及多个位置或时间的获取时刻前数据，其中所述第二类型车辆的多个位置或时间分别与所述第一类型车辆的多个位置或时间相对应。

11、根据本公开至少一个实施方式，所述预测模型的构建方式还包括：基于所述第一类型车辆的多个位置或时间的状态前数据设置多个数据标识，其中所述类别标识基于所述数据标识设置。

12、根据本公开至少一个实施方式，还包括：通过所述预测模型预测车辆状态之前，将待预测车辆的数据与所述多个类别的数据进行对比，基于对比结果预测车辆状态和/或确定是否需要所述预测模型预测车辆状态。

13、根据本公开至少一个实施方式，所述第一类型车辆为故障车辆，所述第二类型车辆为非故障车辆，并且所述预测模型用于预测车辆故障。

14、根据本公开的再一方面，提供了一种车辆，所述车辆包括如上任一项所述的电子设备。

15、根据本公开的又一方面，提供了一种预测模型构建方法，包括：获取第一类型车辆的数据和第二类型车辆的数据；所述第一类型车辆的数据和所述第二类型车辆的数据分类至多个类别中，其中所述多个类别分别设有不同类别标识；计算所述多个类别中的数据中的数据特征与对应类别的类别标识的相关关系，基于所述相关关系从所述数据特征提取关键数据特征；以及通过所述关键数据特征训练预测模型，所述预测模型用于接收待预测车辆的数据以及确定与所述类别标识对应的车辆状态。

16、根据本公开至少一个实施方式，在获取所述第一类型车辆的数据的情况下，获取第一类型车辆的预定状态时数据及多个位置或时间的预定状态前数据，还包括：基于所述第一类型车辆的多个位置或时间的预定状态前数据设置多个数据标识，其中所述类别标识基于所述数据标识设置。

17、根据本公开至少一个实施方式，在获取第二类型车辆的数据的情况下，获取第二类型车辆的获取时刻数据及多个位置或时间的获取时刻前数据，其中所述第二类型车辆的多个位置或时间分别与所述第一类型车辆的多个位置或时间相对应。

18、根据本公开至少一个实施方式，按照时间顺序，所述多个预定状态前数据包括第一预定状态前数据至第m预定状态前数据，根据所述第一预定状态前数据至第m预定状态前数据分别设置第一数据标识至第m数据标识，其中m≥2且为正整数，所述类别标识至少包括第一类别标识至第m类别标识，其中所述第一类别标识至第m类别标识分别与所述第一数据标识至第m数据标识相对应。

19、根据本公开至少一个实施方式，在所述分类的过程中，将所述第一类型车辆的多个状态前数据和所述第二类型车辆的获取时刻数据及获取时刻前数据分别分类至所述多个类别中。

20、根据本公开至少一个实施方式，所述第一类型车辆和第二类型车辆的数据分别包括多个域控数据，在通过所述关键数据特征构建预测模型的过程中，基于不同域控数据的关键数据特征之间的关系，处理各域控数据的关键数据特征，生成用于构建预测模型的新关键数据特征。

21、根据本公开的又一方面，提供了一种预测模型生成装置，包括：获取单元，所述获取单元被配置为获取第一类型车辆的数据和第二类型车辆的数据；分类单元，所述分配单元被配置为将所述第一类型车辆的数据和所述第二类型车辆的数据分类至具有不同类别标识的多个类别中；特征提取单元，所述特征提取单元被配置为基于所述多个类别中数据的数据特征与各类别的类别标识的关系，从所述数据特征提取关键数据特征；以及模型构建单元，所述模型构建单元被配置为接收所述特征提取单元提取的关键数据特征，并且基于所述关键数据特征构建预测模型，所述预测模型用于预测待预测车辆的车辆状态。

22、根据本公开至少一个实施方式，还包括：数据标识设置单元，所述数据标识设置单元被配置为基于所述获取单元获取的所述第一类型车辆的多个位置或时间的预定状态前数据设置多个数据标识，其中所述分类单元的所述类别标识基于所述数据标识设置。

23、根据本公开的又一方面，提供了一种车辆状态预测方法，包括：采集待预测车辆的数据；将所述数据与所述待预测车辆的存储器中预存储的数据进行对比，获得车辆状态的第一预测结果，其中预存储的数据至少包括与对应状态相关的状态前数据；以及基于所述第一预测结果，将待预测车辆的数据输入预测模型预测车辆状态，其中所述预测模型基于从第一类型车辆的数据及从第二类型车辆的数据中提取的关键数据特征训练得到。

24、根据本公开的又一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时至少用于实施如上任一项所述的方法。