[发明专利]一种基于高频时序数据的车辆故障预警方法及系统

权利要求书

1.一种基于高频时序数据的车辆故障预警方法，其特征在于，包括：

对获取的车辆运行数据按车辆ID和时间顺序进行排序，且采用不同时间窗口进行划分后，得到不同时间窗口下的多元时序数据；

对排序后的车辆运行数据进行异动检测，确定潜在异常车辆；

根据多元变量间的相关关系，将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图，根据特征相关图判断潜在异常车辆的异常程度，得到不同时间窗口下潜在异常车辆的异常得分；

根据不同时间窗口下的异常得分，对异常得分超出阈值的多元时序数据进行故障类型的匹配，得到故障类型。

2.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，对获取的车辆运行数据按车辆ID进行分组，并按时间排序，设定时间窗口，将下一时刻的车辆运行数据根据车辆ID插入对应队列的队尾，直至队列长度达到时间窗口的长度后，将队头数据提取，将新车辆运行数据继续插入队尾，以使队列始终保持时间窗口的长度。

3.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，对排序后的车辆运行数据进行异动检测的过程包括：根据当前时刻与上一时刻的车辆属性相关关系判断车辆状态是否存在异常波动。

4.如权利要求3所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，通过皮尔逊相关系数得到前时刻车辆运行数据的特征相关矩阵；通过矩阵F范数比较当前时刻与上一时刻的特征相关矩阵的大小关系，以此判断车辆状态是否存在异常波动。

5.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，根据特征相关图判断潜在异常车辆的异常程度的过程包括：根据特征相关图提取多元时序数据的多尺度时空相关特征，以得到不同时间窗口下多元时序数据对应的异常得分。

6.如权利要求5所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，基于生成对抗网络进行多尺度时空相关特征的提取，具体包括：所述生成对抗网络由多层卷积层和长短期记忆网络构造，通过卷积层编码特征相关图中的空间特征，通过多层卷积层捕获多尺度空间特征，通过长短期记忆网络捕捉每层卷积层对应的时间特征，通过时间注意力机制选定最相关的时间特征，完成对多尺度时空相关特征的提取。

7.如权利要求1所述的一种基于高频时序数据的车辆故障预警方法，其特征在于，故障类型匹配的过程包括对异常得分超出阈值的多元时序数据与历史故障序列计算相似性，以相似性最高的故障序列对应的故障类型为车辆的故障类型。

8.一种基于高频时序数据的车辆故障预警系统，其特征在于，包括：

数据处理模块，被配置为对获取的车辆运行数据按车辆ID和时间顺序进行排序，且采用不同时间窗口进行划分后，得到不同时间窗口下的多元时序数据；

异动检测模块，被配置为对排序后的车辆运行数据进行异动检测，确定潜在异常车辆；

异常检测模块，被配置为根据多元变量间的相关关系，将潜在异常车辆在不同时间窗口下的多元时序数据转换为特征相关图，根据特征相关图判断潜在异常车辆的异常程度，得到不同时间窗口下潜在异常车辆的异常得分；

故障类型匹配模块，被配置为根据不同时间窗口下的异常得分，对异常得分超出阈值的多元时序数据进行故障类型的匹配，得到故障类型。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。