[发明专利]一种数据处理方法、装置及电子设备

权利要求书

1.一种数据处理方法，包括：

获得电池的训练数据，所述训练数据中包括至少两组运行数据，所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值，所述运行数据中的运行参数包括：环境信息、停车信息、汽车行驶信息、充电信息以及放电信息，所述环境信息包括：所述电池运行环境中的天气信息或/和交通是否拥堵；所述停车信息包括：停放地点、停车方式及停车时长中的任一项或任意多项；所述汽车行驶信息包括：所述电池所在汽车的驾驶时长、驾驶速度、加速度中的任一项或任意多项；所述充电信息及放电信息包括：充放电次数或/和充放电时长；

以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本，对所述健康度预测模型进行训练；

根据所述健康度预测模型的模型参数，获得所述运行数据中的所述运行参数的参数向量，所述参数向量包括：所述健康度预测模型中的多个运算单元与所述运行参数对应的参数权重值；

以第一运行参数的参数向量为预先构建的评分模型的输入，以所述第一运行参数的评分值为所述评分模型的输出，对所述评分模型进行训练，以得到训练完成的评分模型，所述第一运行参数为所述至少两项运行参数中具有评分值的运行参数；所述第一运行参数的评分值表征所述第一运行参数对所述电池的健康度值的影响程度；

其中，所述评分模型用于以第二运行参数的参数向量作为输入，输出所述第二运行参数的评分结果，所述第二运行参数为没有评分值的运行参数；所述评分结果表征所述第二运行参数对所述电池的健康度值的影响程度。

2.根据权利要求1所述的方法，所述健康度预测模型为基于人工神经网络构建的模型，所述健康度预测模型中包括至少一层隐藏层，所述隐藏层包括多个神经网络运算单元；

其中，所述参数向量包括：所述健康度预测模型中第一层所述隐藏层的多个神经网络运算单元与所述运行参数对应的参数权重值。

3.根据权利要求2所述的方法，根据所述健康度预测模型的模型参数，获得所述运行数据中的所述运行参数的参数向量，包括：

获得所述健康度预测模型的模型参数，所述模型参数包括所述至少一层隐藏层中的多个所述神经网络运算单元与所述运行参数对应的参数权重值；

在所述至少一层隐藏层中的多个所述神经网络运算单元与所述运行参数对应的参数权重值中，获得第一层所述隐藏层的多个神经网络运算单元与所述运行参数对应的参数权重值，以组成所述运行数据中的所述运行参数的参数向量。

4.根据权利要求1或2所述的方法，以所述训练数据中的运行数据作为预先构建的健康度预测模型的训练样本，对所述健康度预测模型进行训练，包括：

对所述训练数据中所述运行数据内的运行参数进行预处理；所述预处理包括：数据归一化、数据缺失补充、数据冗余去除、数据降噪和数据异常删除中的任意一种或任意多种的组合；

将所述训练数据中所述运行数据内的运行参数作为预先构建的健康度预测模型的输入，将所述运行数据中的电池健康度值作为所述健康度预测模型的输出，对所述健康度预测模型进行训练，以得到训练完成的健康度预测模型。

5.根据权利要求1或2所述的方法，还包括：

获得电池的验证数据，所述验证数据中包括至少两组运行数据，所述运行数据包括至少两项运行参数的参数值和相应的电池健康度值；所述验证数据与所述训练数据不同；

将所述验证数据中的运行数据输入所述健康度预测模型，以得到所述健康度预测模型输出的预测结果；

根据所述预测结果，对所述模型参数进行修改。

6.根据权利要求5所述的方法，根据所述预测结果，对所述模型参数进行修改，包括：

将所述预测结果和所述验证数据中所述运行数据内的电池健康度值进行比对，得到比对结果；

根据所述比对结果，对所述模型参数进行修改。

7.根据权利要求3所述的方法，还包括：

利用预设的优化算法，对训练完成的健康度预测模型的模型参数进行优化。

8.根据权利要求1所述的方法，还包括：

利用预设的回归算法，构建所述评分模型。