(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211257618.7 (22)申请日 2022.10.14 (71)申请人 亿咖通 （湖北） 技 术有限公司 地址 430056 湖北省武汉市武汉经济技 术 开发区神龙大道18号太子湖文化数字 创意产业园创谷启动区B13 36号 (72)发明人 莫国龙　顾瑞红　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 李礼 (51)Int.Cl. G06K 9/62(2022.01) G06N 5/00(2006.01) G06N 20/20(2019.01) B60W 50/02(2012.01) (54)发明名称 一种车辆的异常定位方法、 装置、 设备及存 储介质 (57)摘要 本发明实施例提供一种车辆的异常定位方 法、 装置、 设备及存储介质， 该方法包括： 根据对 车辆进行功能运行过程中生成的至少一类运行 数据， 确定车辆在功能运行异常时对应的目标组 合数据， 目标组合数据包括运行问题类别以及各 运行问题类别关联的特征数据； 根据目标组合数 据， 对设定的机器学习模型进行训练， 获得分类 模型； 根据分类模型， 定位车辆在功能运行异常 时的运行异常对象。 利用该方法， 通过各运行数 据确定功能运行异常的问题数据， 然后基于问题 数据进行模型训练获得分类模型， 根据分类模 型， 确定不同问题下影 响决策效果的运行异常对 象， 实现了自动定位运行异常对象， 提高了异常 定位的效率和准确率， 降低了人工成本 。 权利要求书2页 说明书13页 附图2页 CN 115526263 A 2022.12.27 CN 115526263 A 1.一种车辆的异常定位方法， 其特 征在于， 包括： 根据对车辆进行功能运行过程中生成的至少一类运行数据， 确定所述车辆在功能运行 异常时对应的目标 组合数据， 所述目标 组合数据包括运行问题类别以及各运行问题类别关 联的特征数据； 根据所述目标组合数据对设定的机器学习模型进行训练， 获得分类模型； 根据所述分类模型， 定位所述车辆在功能运行异常时的运行异常对象。 2.根据权利要求1所述的方法， 其特征在于， 所述根据对车辆进行功能运行过程中生成 的至少一类运行 数据， 确定所述车辆在功能运行异常时对应的目标组合数据， 包括： 根据对车辆进行功能运行过程中生成的各所述运行数据， 确定各所述运行数据关联后 的目标关联 数据； 根据所述目标关联 数据， 结合预设的文本数值映射关系， 获得 数值型目标关联 数据； 根据所述数值型目标关联数据， 结合预设特征构造方式， 获得特征交叉后的交叉数据 并对所述交叉 数据赋值； 将所述数值型目标关联数据和所述交叉数据作为特征数据， 并将确定的运行问题类别 以及各所述运行问题类别 关联的特征数据作为车辆在功 能运行异常时对应的目标组合数 据。 3.根据权利要求2所述的方法， 其特征在于， 所述运行数据包括： 原始采集数据、 决策数 据以及问题数据； 所述根据对车辆进行功能运行过程中生成的各所述运行数据， 确定各所述运行数据关 联后的目标关联 数据， 包括： 将所述原始采集数据的采集频率以及与原始采集数据相关的决策数据的计算频率以 最低频率对齐的方式进行压缩 对齐， 获得压缩后的原 始采集数据和决策 数据； 将压缩后的原 始采集数据和决策 数据以时间戳 为标识进行关联， 获得第一关联 数据； 根据所述第一关联 数据与所述问题数据， 确定目标关联 数据。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述第 一关联数据与 所述问题数 据， 确定目标关联 数据， 包括： 对所述问题数据进行分类处 理， 获得运行问题类别； 根据所述运行问题类别的时间戳与 所述第一关联数据的时间戳的最小时间差， 确定目 标关联数据。 5.根据权利要求2所述的方法， 其特征在于， 所述根据所述数值型目标关联数据， 结合 预设特征构造方式， 获得 特征交叉后的交叉 数据并对所述交叉 数据赋值， 包括： 从所述数值型目标关联数据中提取设定个数相关的特征数据， 并对所述特征数据进行 离散处理， 获得离 散型的特 征数据集； 将所述特 征数据集以特 征相与的方式进行 特征构造， 获得交叉 数据； 将满足预设并列条件的交叉数据赋值为一， 将不满足预设并列 条件的交叉数据 赋值为 零。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标组合数据对设定的机器 学习模型进行训练， 获得分类模型， 包括： 通过随机森林模型对所述目标组合数据进行模型构建；权　利　要　求　书 1/2 页 2 CN 115526263 A 2以所述目标组合数据中的特征数据为输入和以特征数据关联的运行问题类别为目标 对所述模型进行训练， 获得 所述分类模型。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述分类模型， 定位所述车辆在 功能运行异常时的运行异常对象， 包括： 根据所述分类模型， 确定各 所述特征数据对所述分类模型的贡献度； 根据所述贡献度， 定位所述车辆在功能运行异常时的运行异常对象。 8.根据权利要求7所述的方法， 其特征在于， 所述根据所述贡献度， 定位所述车辆在功 能运行异常时的运行异常对象， 包括： 确定贡献度从大到小前连续个数贡献度总和大于设定阈值的特征数据作为目标特征 数据； 确定与所述目标 特征数据的字段名称对应的数据采集设备以及算法决策模块； 将所述数据采集设备以及算法决策模块作为车辆在功能运行异常时的运行异常对象。 9.根据权利要求8所述的方法， 其特征在于， 所述确定贡献度从大到小前连续个数贡献 度总和大于设定阈值的数据特 征作为目标 特征数据之后， 还 包括： 基于设定算法构建所述分类模型的解释器； 通过所述解释器生成解释信 息表及效果图， 以用于解释各目标数据特征对各分类问题 的贡献度。 10.一种车辆的异常定位装置， 其特 征在于， 包括： 数据确定模块， 用于根据对车辆进行功能运行过程中生成的至少一类运行数据， 确定 所述车辆在功能运行异常时对应的目标 组合数据， 所述目标 组合数据包括运行问题类别以 及各运行问题类别关联的特 征数据； 模型确定模块， 用于根据所述目标组合数据对设定的机器学习模型进行训练， 获得分 类模型； 异常定位模块， 用于根据所述分类模型， 定位所述车辆在功能运行异常时的运行异常 对象。 11.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑9中任一项所述的 车辆的异常定位方法。 12.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使处理器执行时实现权利要求1 ‑9中任一项所述的车辆的异常定 位方法。权　利　要　求　书 2/2 页 3 CN 115526263 A 3