[发明专利]智能网联汽车异常智能检测方法、装置及可读存储介质

权利要求书

1.一种智能网联汽车异常智能检测方法，其特征在于，所述检测方法包括：

根据根不同车辆数据类型间的关系确定样本特征的数据类型，获取所述样本特征对应的车辆数据，对所述车辆数据预处理后得到用于训练的样本数据；

用所述样本数据训练车辆异常检测决策树模型，生成泛化能力达到预设目标的决策树模型；

将所述决策树模型部署到车载终端，获取实时车辆数据，得到车辆数据是否异常的结果。

2.根据权利要求1所述的一种智能网联汽车异常智能检测方法，其特征在于，所述样本数据包含多种不同的样本特征，各类型样本数据之间互不关联。

3.根据权利要求1所述的一种智能网联汽车异常智能检测方法，其特征在于，用所述样本数据训练决策树模型，生成泛化能力达到预设目标的决策树模型具体过程为：

根据信息增益率计算方法得到特征分裂点序，生成车辆异常检测初始决策树模型，采用后剪枝方式对所述初始决策树模型进行精剪，生成优化的决策树模型。

4.根据权利要求3所述的一种智能网联汽车异常智能检测方法，其特征在于，所述根据信息增益率计算生成初始决策树模型具体为：

根据信息增益率计算方法得到特征分裂点序，信息增益率计算函数表示为：

其中，Info(U)为分裂前的信息熵，Info_A(U)表示按特征A分裂后的信息熵，U_b是特征A将U划分成n个不同类的样本子集，U为训练数据集；

根据所述特征分裂点序，生成车辆异常检测初始决策树模型initree。

5.根据权利要求3所述的一种智能网联汽车异常智能检测方法，其特征在于，通过后剪枝精剪决策树模型生成优化的决策树模型具体为：

通过以下条件确定子树是否需要剪枝：

其中，subtree为初始决策树模型initree中的子树，leaf为初始决策树模型initree中的叶子节点，子树E_sub为子树下各叶子节点误判的数量，α为惩罚因子；f(leaf)＝E_leaf+α，E_leaf为子树换成叶子后的误判数量。

6.根据权利要求3至5任一项所述的一种智能网联汽车异常智能检测方法，其特征在于，采用代价敏感因素方法测试所述优化的决策树模型，直到决策树模型误判的概率小于设定值，生成泛化能力达到预设目标的决策树模型。

7.根据权利要求6所述的一种智能网联汽车异常智能检测方法，其特征在于，采用代价敏感因素方法测试所述优化的决策树模型，直到决策树模型误判的概率小于设定值，生成泛化能力达到预设目标的决策树模型具体为：

将样本U判断错误的代价转化为抽样权重，并反馈到样本数据抽样训练中，定义的融合综合代价的样本数据抽样权重表示为：

其中，β_i为样本数据在s时刻被机器决策树模型误判的概率，按照样本数据新的权重抽样形成新的训练数据子集，生成泛化能力达到预设目标的决策树模型。

8.根据权利要求5所述的一种智能网联汽车异常智能检测方法，其特征在于，车辆管理云平台定期更新所述决策树模型。

9.一种智能网联汽车异常智能检测装置，其特征在于，所述检测装置包含：

样本数据获取模块，所述样本数据模块根据根不同车辆数据类型间的关系确定样本特征的数据类型，获取所述样本特征对应的车辆数据，对所述车辆数据预处理后得到用于训练的样本数据；

决策树模型生成模块，所述决策树模型生成模块用所述样本数据训练车辆异常检测决策树模型，生成泛化能力达到预设目标的决策树模型；

车载终端，所述车载终端内设置有所述决策树模型，所述车载终获取实时车辆数据，将其输入所述决策树模型中得到车辆数据是否异常的结果。