[发明专利]异常数据特征提取方法、装置、设备及存储介质

说明书

本发明实施例公开了一种异常数据特征提取方法、装置、设备及存储介质，所述方法包括：获取车辆电池数据；根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；根据所述神经网络模型提取所述车辆电池数据的特征向量。采用本申请提供的技术方案，根据车辆电池数据的特点构建了神经网络模型，采用所述模型结构可以从大量的车辆电池数据中自动提取数据的特征向量，不再需要人为制定大量详细的规则，降低了工作量，根据模型自动提取的特征向量确定的异常数据也更加准确。

技术领域

本发明涉及大数据处理领域，尤其是涉及一种异常数据特征提取方法、装置、设备及存储介质。

背景技术

在国家的高度重视和大力支持下，我国的新能源汽车产业发展已经从培育期进入增长期，中国汽车工业协会发布最新产销数据显示，截至9月份，新能源汽车产销分别完成88.8万辆和87.2万辆，比上年同期分别增长20.9％和20.8％。

我国的新能源汽车巨大的产销也带来了许多安全问题，截至2019年8月18日，新能源汽车国家大数据联盟发布《新能源汽车国家监管平台大数据安全监管成果报告》显示，自今年5月起，新能源汽车国家监管平台共发现79起安全事故，涉及车辆96辆，几乎平均每1.5天就有一起烧车事故发生。专家称，电池失控是近期新能源汽车起火事故的主因。面对愈演愈烈的安全问题，如何预防新能源汽车由于电池异常发生火灾成为重中之重。

现有技术中经常采用异常树方法识别电池数据中的异常数据，即利用人工积累的知识生成规则，从而筛选出异常数据，工作量大，准确性低，而且通过人工制定的规则只能筛选出人们根据知识已知的异常数据，无法发现未知的异常数据。

发明内容

针对上述问题，本申请提出了一种异常数据特征提取方法、装置、设备及存储介质，用于自动提取电池数据中的特征向量，自动提取的特征向量更加符合数据的特点，能发现人们未知的异常数据。

在本申请第一方面提供了一种异常数据特征提取方法，所述方法包括：

获取车辆电池数据；

根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；

根据所述神经网络模型提取所述车辆电池数据的特征向量。

可选的，所述根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型，包括：

根据所述车辆电池数据时序性特点选择长短期记忆算法，根据所述车辆电池数据高纬度性特点选择自编码算法，将两种算法融合构建适合所述车辆电池数据特点的神经网络模型；

其中，所述融合后的神经网络模型为：第一层是输入层；第二层是算法编码器层，采用长短期记忆算法构建自编码算法中的编码器；第三层是隐变量层，作为特征向量层；第四层是嵌入层，采用所述自编码算法将所述第一层的数据与所述第三层的特征向量叠加在一起；第五层算法解码器层采用所述长短期记忆算法构建所述自编码算法中的解码器，第六层是输出层。

可选的，所述方法还包括：

根据所述特征向量，通过聚类方式，在所述车辆电池数据中获得异常数据。

可选的，所述方法还包括：

采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。

可选的，所述方法还包括：

采用交叉验证方法评估所述神经网络模型。

在本申请第二方面提供了一种异常数据特征提取装置，所述装置包括：

获取单元、建模单元与提取单元；

所述获取单元，用于获取车辆电池数据；