[發明專利]車輛數據的處理方法、裝置、設備和存儲介質

有效

• 申請號: 202011480936.0
• 申請日: 2020-12-16
• 公開（公告）號: CN112598133B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 劉鵬;陸唯佳;李兵洋;龔昊;莊杰;宋濤
• 申請（專利權）人: 聯合汽車電子有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 上海浦一知識產權代理有限公司 31211
• 代理人: 黎偉

本申請公開了一種車輛數據的處理方法、裝置、設備和存儲介質，該方法包括：根據第i次分層條件將訓練數據劃分為Ssubgt;i/subgt;個集合，第i次分層條件包括第i次分層的集合個數和每個集合的抽樣個數nsubgt;i/subgt;，i為自然數，i≥2，nsubgt;i/subgt;、Ssubgt;i/subgt;為自然數，nsubgt;i/subgt;≥1，Ssubgt;i/subgt;≥2，第i次分層條件是調參模型基于第一次分層條件至第i?1次分層條件計算得到的；根據第i次分層條件對Ssubgt;i/subgt;個集合中每個集合中的數據進行抽樣，得到每個集合的抽樣數據；根據抽樣數據訓練目標算法模型，得到第i次訓練后的算法模型；當不滿足輸出條件時，通過調參模型基于第一次分層條件至第i次分層條件計算得到第i+1次分層條件，重復上述步驟，直至滿足輸出條件。

技術領域

本申請涉及車輛控制技術領域，具體涉及一種車輛數據的處理方法、裝置、設備和存儲介質。

背景技術

隨著車輛智能化、網聯化發展，通過機器學習的算法模型進行數據處理的需求越來越多。其中，算法模型的類型包括監督學習、無監督學習以及半監督學習等。

相關技術中，可通過監督學習的算法模型對車輛數據進行處理，其中，監督學習是指通過已標記的訓練數據來推斷一個功能使其達到要求性能的機器學習任務。在建立監督學習的算法模型時，需要準備訓練數據，通過訓練數據訓練算法模型。

然而，由于訓練數據中往往存在噪聲或者異常值，這類數據參與訓練會使得算法模型過擬合，導致算法模型的泛化能力較差；同時，由于訓練數據量較大，算法模型的推斷復雜度和推斷時間會呈指數上升，導致算法模型難以即時響應，其處理效率較低。

發明內容

本申請提供了一種車輛數據的處理方法、裝置、設備和存儲介質，可以解決相關技術中提供的通過監督學習的算法模型對車輛數據進行處理的效率較低且準確度較差的問題。

一方面，本申請實施例提供了一種車輛數據的處理方法，包括：

根據第i次分層條件將訓練數據劃分為S_i個集合，所述第i次分層條件包括第i次分層的集合個數和所述S_i個集合中每個集合的抽樣個數n_i，i為自然數，i≥2，n_i、S_i為自然數，n_i≥1，S_i≥2，所述第i次分層條件是調參模型基于第一次分層條件至第i-1次分層條件計算得到的，所述訓練數據包括所述車輛數據；

根據所述第i次分層條件對所述S_i個集合中每個集合中的訓練數據進行抽樣，得到所述每個集合的抽樣數據；

根據所述抽樣數據訓練目標算法模型，得到第i次訓練后的算法模型，所述目標算法模型是對車輛的參數進行預測的機器學習模型；

當不滿足輸出條件時，通過所述調參模型基于第一次分層條件至所述第i次分層條件計算得到第i+1次分層條件，重復上述步驟，直至滿足所述輸出條件，所述滿足輸出條件是指所述第i次訓練后的算法模型的評價滿足評價條件和/或對所述目標算法模型的訓練次數達到預設次數。

可選的，所述對所述S_i個集合中每個集合中的數據進行抽樣，得到抽樣數據，包括：

對所述訓練數據進行歸一化，得到歸一化后的數據；

根據所述每個集合的抽樣個數對所述每個集合中的歸一化后的數據進行聚類，得到所述每個集合的中心坐標；

根據所述每個集合的中心坐標，對所述每個集合中的歸一化后的數據進行抽樣，得到所述抽樣數據。

可選的，所述根據所述每個集合的抽樣個數對所述每個集合中的歸一化后的數據進行聚類，包括：