[发明专利]车辆驾驶故障检测方法、装置、设备及存储介质

说明书

本发明公开了一种车辆驾驶故障检测方法、装置、设备及存储介质，其通过深度学习模型构建驾驶故障监控模型，结合核密度估计得到所述驾驶故障监控模型的故障监控阈值，并采用动态加权因子突出故障敏感特征的影响以提高故障检测的灵敏度，得到动态监控指标，并判断动态监控指标是否超过故障监控阈值，以实现车辆行驶过程中驾驶故障的实时智能监控，进而能在检测到车辆有危险故障发生时，可以及时向驾驶员发出警告，避免交通事故意外的发生。

技术领域

本发明涉及网络技术领域，尤其涉及一种车辆驾驶故障检测方法、装置、设备以及存储介质。

背景技术

随着我国经济实力的不断发展，汽车已经从上世纪末的稀奇产品，变成现在我国国民普遍的交通工具，截止至2020年底的交通数据显示，中国汽车保有量已经到了2.75亿，这与1990仅有区区40万相比，可以说是发生了翻天覆地的变化。

随着驾驶车辆的人数逐年增多，马路上行驶的车辆数量日益增加，但是到现在为止，还没有一个有效的车辆智能检测故障的方法，无法对车辆驾驶过程中可能出现的意外故障进行有效的智能监控和故障分析，这导致现在倘若车辆在路上发生危险故障，车主往往无法对故障车辆作出及时处理，增加发生交通事故的概率，严重危害行车人与周边行车车辆的人身财产安全，对构建稳定有序的行车秩序有着不良影响。

发明内容

本发明多个方面提供了一种车辆驾驶故障检测方法、装置、设备及存储介质，其能对车辆驾驶过程中出现的驾驶故障进行监测，并在检测到发生驾驶故障时，及时向驾驶员发出警告。

本发明第一方面提供了一种车辆驾驶故障检测方法，包括：

将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型；

基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值；

获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标；

考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标；

当所述动态监控指标大于所述故障监控阈值时，判定车辆出现行车故障，并向车辆驾驶员发出故障警告。

作为上述方案的改进，所述方法还包括：

引入静态加权因子对所述异常监控指标进行处理，得到静态监控指标；

当所述静态监控指标大于所述故障监控阈值时，向车辆驾驶员发出行车安全提醒。

作为上述方案的改进，所述将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型，具体包括：

构建基于深度特征的深度支持向量数据模型；

将获取到的行车训练数据样本输入到所述深度支持向量数据模型中，得到驾驶故障监控模型。

作为上述方案的改进，所述基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值，具体包括：

获取所述行车训练数据样本在所述驾驶故障监控模型中得到的训练样本监控指标；

基于所述行车训练数据样本，构建所述训练样本监控指标的概率密度函数；

计算所述概率密度函数在预设置信度时的估计值，得到相应的控制限，并将所述控制限作为故障监控阈值。

作为上述方案的改进，所述获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标，具体包括：