[发明专利]异常数据检测方法、装置、存储介质以及程序产品

权利要求书

1.一种车辆故障的异常数据检测方法，其特征在于，包括以下步骤：

对待检测的目标数据进行至少两种结构化处理，得到至少两种结构化数据；

对每种结构化数据进行特征提取，获取每种结构化数据的特征数据；

将每种特征数据进行特征融合，得到目标特征数据；

对所述目标特征数据进行机器学习，得到所述目标数据的识别概率；其中，所述识别概率表示所述车辆正常的概率，

其中，所述对待检测的目标数据进行至少两种结构化处理，得到至少两种结构化数据，包括：

（1）从所述目标数据中提取出所有变量以及所述变量每个取值的采样时刻；

利用所有变量的每个取值以及所述采样时刻组成第一矩阵；其中，所述第一矩阵中同一行中的元素对应相同的变量，同一列中的元素对应相同的采样时刻，所述矩阵中的元素为所述变量的取值；所述第一矩阵的行数为所述变量的个数，所述第一矩阵的列数为所述变量的采样个数；

将所述第一矩阵作为所述结构化数据，

和/或

（2）从所述目标数据中提取出所有变量以及所述变量每个取值的采样时刻；

针对每个变量，按照所述采样时刻的时序，利用所述变量的所有取值构成所述变量的一维向量；

利用每个变量的所述一维向量构成第二矩阵；其中，所述第二矩阵中一行元素对应一个所述一维向量，所述第二矩阵的行数为所述变量的个数；所述第二矩阵的列数为一列；

将所述第二矩阵作为所述结构化数据，

和/或

（3）从所述目标数据中提取出所有变量以及所述变量每个取值的时间值；

基于两两相邻的变量形成第一变量，将所述两两相邻的变量在同一时间值上的取值做比值，得到所述第一变量的所有取值；

利用所有第一变量的每个取值以及对应的所述时间值组成第三矩阵；其中，所述第三矩阵中同一行中的元素对应相同的第一变量，同一列中的元素对应相同的时间值，所述第三矩阵中的元素为所述第一变量的取值；所述第三矩阵的行数为所述变量的个数减1，所述第三矩阵的列数为所述变量的采样个数；

将所述第三矩阵作为所述结构化数据。

2.根据权利要求1所述的方法，其特征在于，所述对每个结构化数据进行特征提取，获取每种结构化数据的特征数据，包括：

针对每种结构化数据，将所述结构化数据分别输入到对应的第一卷积网络中；

通过所述第一卷积网络对所述结构化数据与设置的权重进行卷积计算，得到第一特征数据；

利用选取的激活函数对所述第一特征数据进行非线性映射，得到所述特征数据。

3.根据权利要求2所述的方法，其特征在于，所述将每种特征数据进行特征融合，得到目标特征数据，包括：

针对每种特征数据，获取所述特征数据各维度的长度，并确定各维度的最大长度；

将所述特征数据各维度扩展到对应的最大长度；

通过补零的方式填充扩展出的数据，形成所述目标特征数据。

4.根据权利要求2所述的方法，其特征在于，所述将每种特征数据进行特征融合，得到目标特征数据，包括：

针对每种特征数据，获取所述特征数据各维度的长度，并确定各维度的最小长度；

对所述特征数据进行压缩使所述特征数据从各维度对应的长度转换到各维度对应的最小长度，形成所述目标特征数据。

5.根据权利要求4所述的方法，其特征在于，所述对所述特征数据进行压缩使所述特征数据从各维度的当前长度转换到各维度的最小长度，形成所述目标特征数据，包括：

根据每个维度的最小长度构建滑动窗；

控制所述滑动窗按照预设的步长对所述特征数据进行扫描；

对所述滑动窗每次扫描到的数据进行处理，构成所述目标特征数据。

6.根据权利要求1所述的方法，其特征在于，所述对所述目标特征数据进行机器学习，得到所述目标数据的识别概率；其中，所述识别概率表示所述车辆正常的概率，包括：

将所述目标特征数据输入到训练好的第二卷积网络中，基于所述第二卷积网络对所述目标特征数据进行学习，得到所述车辆正常的概率。