【技术实现步骤摘要】
本专利技术涉及智能驾驶，尤其涉及一种模型训练方法、自动驾驶车辆故障预判方法及系统。
技术介绍
1、自动驾驶车辆通常由多个工作系统组成，具体可以包含底盘系统、驱动线控系统、制动线控系统、转向线控系统、电池管理系统以及自动驾驶系统等多个系统结构，任何一个工作系统出现故障均将影响车辆正常行驶。
2、相关技术中，通常在车辆上某一个或者多个工作系统上报告警信息后，手动统计与告警信息相关联的信息，并根据维修人员经验分析故障原因，定位故障位置。该种故障处理方式不仅耗时耗力，且容易出现误判，导致故障排除过程耗时较长。
3、因此，传统车辆故障处理方式存在处理效率低，且不够准确和可靠的问题。
技术实现思路
1、本专利技术提供一种模型训练方法、自动驾驶车辆故障预判方法及系统，用以解决传统车辆故障处理方式处理效率低，且不够准确和可靠的缺陷。
2、第一方面，本专利技术提供一种模型训练方法，包括：
3、获取自动驾驶车辆的多个工作系统的运行日志数据样本；其中，所述多个工作系统预先经过时钟同步处理；
4、对所述运行日志数据样本进行加注标签处理，建立训练样本集；
5、通过所述训练样本集分别对预先构建的梯度提升树模型和神经网络模型进行训练，得到第一学习模型和第二学习模型；
6、将所述第一学习模型和所述第二学习模型进行合并，得到故障预判模型。
7、根据本专利技术提供的模型训练方法，对所述运行日志数据样本进行加注标签处理，建立
8、为所述运行日志数据样本加注统一的时间标签，得到第一数据样本；
9、提取所述第一数据样本中的告警数据样本和性能指标样本；
10、为所述告警数据样本加注告警级别标签，并为所述性能指标样本加注性能标签，得到第二数据样本；
11、基于所述第二数据样本，建立训练样本集。
12、根据本专利技术提供的模型训练方法，基于所述第二数据样本，建立训练样本集，包括：
13、为所述第二数据样本添加根因特征，得到初始样本集；
14、对所述初始样本集中至少部分数据分别进行特征剔除处理和特征归一化处理，得到训练样本集。
15、根据本专利技术提供的模型训练方法，对所述初始样本集中至少部分数据进行特征剔除处理，包括：
16、确定所述初始样本集中至少部分数据的特征方差、缺失值比例以及特征相关系数；
17、提取所述至少部分数据中满足剔除条件的目标特征；其中，所述剔除条件包括所述特征方差低于预设方差阈值、所述缺失值比例高于预设比例阈值以及所述特征相关系数高于预设系数阈值中至少一种；
18、将所述至少部分数据中的所述目标特征剔除。
19、根据本专利技术提供的模型训练方法，通过所述训练样本集对预先构建的梯度提升树模型进行训练，得到第一学习模型，包括：
20、将所述训练样本集划分为多个第一样本子集；
21、基于所述多个第一样本子集，建立多个第一训练测试样本组；其中，每一所述第一训练测试样本组均包括第一测试集和第一训练集，所述第一测试集包括至少一个所述第一样本子集，所述第一训练集包括除所述第一测试集以外其余的所述第一样本子集；
22、通过所述多个第一训练测试样本组分别对所述梯度提升树模型进行训练和测试，得到多个第一学习子模型；
23、将所述多个第一学习子模型进行加权融合，得到第一学习模型。
24、根据本专利技术提供的模型训练方法，通过所述训练样本集对预先构建的神经网络模型进行训练，得到第二学习模型，包括：
25、将所述训练样本集划分为多个第二样本子集；
26、基于所述多个第二样本子集，建立多个第二训练测试样本组；其中，每一所述第二训练测试样本组均包括第二测试集和第二训练集，所述第二测试集包括至少一个所述第二样本子集，所述第二训练集包括除所述第二测试集以外其余的所述第二样本子集；
27、通过所述多个第二训练测试样本组分别对所述梯度提升树模型进行训练和测试，得到多个第二学习子模型；
28、将所述多个第二学习子模型进行加权融合，得到第二学习模型。
29、第二方面，本专利技术还提供一种自动驾驶车辆故障预判方法，包括：
30、接收自动驾驶车辆的多个工作系统上传的运行日志数据；
31、将所述运行日志数据输入故障预判模型，得到所述故障预判模型输出的故障预判结果；
32、其中，所述故障预判模型基于如上任一种所述的模型训练方法训练得到。
33、根据本专利技术提供的自动驾驶车辆故障预判方法，在得到所述故障预判模型输出的故障预判结果之后，所述方法还包括：
34、建立每一所述故障预判结果与检修方案的关联关系，得到关系数据库；
35、调取所述关系数据库中所述故障预判结果对应的目标检修方案；
36、基于所述目标检修方案，生成所述故障预判结果对应的检修建议信息。
37、根据本专利技术提供的自动驾驶车辆故障预判方法，在生成所述故障预判结果对应的检修建议信息之后，所述方法还包括：
38、获取所述检修建议信息对应的评分值；
39、将所述评分值大于预设分数阈值的检修建议信息、所述检修建议信息对应的故障预判结果和运行日志数据，作为用于对所述故障预判模型进行更新的更新数据样本。
40、第三方面，本专利技术还提供一种自动驾驶车辆故障预判系统，包括：
41、自动驾驶车辆的多个工作系统；
42、电子设备，与所述多个工作系统相连，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一种所述的自动驾驶车辆故障预判方法。
43、本专利技术提供的模型训练方法、自动驾驶车辆故障预判方法及系统，通过获取运行日志数据样本，并建立训练样本集，利用训练样本集分别对梯度提升树模型和神经网络模型进行训练，最后将训练得到的第一学习模型和第二学习模型进行合并，得到故障预判模型。由于故障预判模型利用自动驾驶车辆的多个工作系统的运行日志数据样本经加注标签后训练得到，且整合了对梯度提升树模型和神经网络模型的训练结果，得到的故障预判模型精确更高，将该模型用于车辆故障处理过程，可以提高车辆故障处理环节的处理效率以及准确性。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，对所述运行日志数据样本进行加注标签处理，建立训练样本集，包括：
3.根据权利要求2所述的模型训练方法，其特征在于，基于所述第二数据样本，建立训练样本集，包括：
4.根据权利要求3所述的模型训练方法，其特征在于，对所述初始样本集中至少部分数据进行特征剔除处理，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，通过所述训练样本集对预先构建的梯度提升树模型进行训练，得到第一学习模型，包括：
6.根据权利要求1所述的模型训练方法，其特征在于，通过所述训练样本集对预先构建的神经网络模型进行训练，得到第二学习模型，包括：
7.一种自动驾驶车辆故障预判方法，其特征在于，包括：
8.根据权利要求7所述的自动驾驶车辆故障预判方法，其特征在于，在得到所述故障预判模型输出的故障预判结果之后，所述方法还包括：
9.根据权利要求8所述的自动驾驶车辆故障预判方法，其特征在于，在生成所述故障预判结果对应的检修建议信息
10.一种自动驾驶车辆故障预判系统，其特征在于，包括：
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，对所述运行日志数据样本进行加注标签处理，建立训练样本集，包括：
3.根据权利要求2所述的模型训练方法，其特征在于，基于所述第二数据样本，建立训练样本集，包括：
4.根据权利要求3所述的模型训练方法，其特征在于，对所述初始样本集中至少部分数据进行特征剔除处理，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，通过所述训练样本集对预先构建的梯度提升树模型进行训练，得到第一学习模型，包括：
...【专利技术属性】
技术研发人员：孟庆宇，戚红建，韩硕，周玉宝，
申请(专利权)人：华能信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。