一种面向特种专用汽车多模态传感器数据预处理方法

1.本发明属于特种专用汽车检测预警领域，涉及一种面向特种专用汽车多模态传感器数据预处理方法。


背景技术：

2.特种车在运行中，相关传感器会产生大量的数据，如摄像头的图像数据、雷达获得周围环境数据、汽车各个部位产生的振动数据、转速数据、充电桩产生的激励信号等，这些信号往往包含大量的噪声，而特种专用汽车的数据预处理旨在通过一些方法将特种专用汽车的这些数据通过传感器获得然后进行处理，使数据对特种专用汽车的故障预警检测结果产生较小影响，甚至对预警结果产生积极的作用。目前数据预处理技术广泛应用于数据挖掘、金融分析、医疗研究、环境检测、故障检测和深度学习等许多领域，并获得了广泛的成功。同时数据的质量，直接决定了模型的预测或者泛化能力的好坏。而在现实情境中，数据往往包含大量的缺失值或者由于所处环境会产生大量的噪音污染数据，尤其是特种车往往存在于特殊的环境中，这将产生更大的影响。同时传感器本身质量好坏也导致数据收集的异常情况的出现。这些在汽车运行时的多耦合因素非常不利于算法模型对于最后结果的判断，故需要对真实世界的数据进行预处理，提升数据质量。常见的数据预处理方法包括：数据清洗、数据融合、数据规约、数据均衡和数据增强等，这些方法应用的结果就是对各种脏数据进行处理，得到标准的、干净的、连续的数据，以提供给数据统计、数据挖掘、预警检测等算法模型使用。而在传统的数据预处理中，传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，传统的数据预处理方法对于大数据分析在速度和可靠性上都存在很大的问题，不能满足特种汽车获得的多模态传感器数据的处理需求。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种面向特种专用汽车多模态传感器数据预处理方法，解决传统的特种专用汽车数据预处理方法在当前数据环境下，对于数据来源丰富，干扰产生原因多变等情况已经显得比较乏力，同时传统数据预处理方法对特种专用汽车多模态传感器大数据缺乏成体系的处理方法的问题。
4.该方法首先对收集到的一维数据进行数据清洗工作，使用融合专家经验的贝叶斯网络确认数据分布情况，再使用上下文推理模型捕获相邻数据中的分布信息，并使用置信度区间进行合理化判断，对于离群数据和不符合数据分布的脏数据进行数据清理；针对特种专用汽车运行过程中，多模态的传感器收集到的正常工况数据量大于异常工况数据量，而正常数据对于异常工况的预警检测作用较小，故需要使用一种数据均衡方法，使用k-means算法对多数数据进行欠采样处理，对于收集到的多传感器数据信息，通过聚类获得数据分布情况形成代表相关工况的数据簇，通过数据分布情况对多数数据簇进行随机剪裁，从而减小正常数据分布数量；对于少量异常工况数据使用基于diffusion网络的数据生成方法对少量异常工况信息进行过采样操作，diffusion通过前后推导的马尔科夫链方式生
成和真实数据高度类似的模拟数据，利用多通道交错输入加速数据精炼过程，将扩散模型以非对称方式完成面向真实数据的隐藏变量分布生成，不断缩小不均衡数据在不同分布空间与均衡数据间差异，并通过迭代加速整个模型通道的数据重建速度，保证数据均衡策略的有效性，最终能够增加异常工况样本数据，丰富少数异常工况样本簇，达到数据均衡效果；特种专用汽车多传感器数据往往是有关联的，如汽车在紧急制动时，往往会在汽车速度、齿轮转速等方面得到体现，同时具有时间相关性，针对特种专用汽车多传感器数据，提出一种基于不同时空尺度的车辆多模态数据融合方法，利用一阶图卷积与时空注意力机制，建立多传感器多模态数据间的相关性，并将不同传感器数据传入，获取传感器数据的多尺度信息；引入多尺度自适应融合优化模块，实现多尺度时空序列的数据关键信息提取与融合，并通过自适应方法优化融合效率，提高数据融合的可靠性。数据融合能够将单一传感器的工况信息和其他类别传感器所提供的工况信息通过图卷积的形式加以互补，改善预警模型的检测能力，提高数据的利用效率。
5.为达到上述目的，本发明提供如下技术方案：
6.一种面向特种专用汽车多模态传感器数据预处理方法，具体包括以下步骤：
7.s1：针对多模态的传感器收集到的特种专用汽车产生的一维数据，采用基于上下文推理的数据清理方法，具体包括：使用融合专家经验的贝叶斯网络确认数据分布情况，再使用上下文推理模型捕获相邻数据中的分布信息，并使用置信度区间进行合理化判断，对于离群数据和不符合数据分布的脏数据进行数据清理。
8.s2：针对特种专用汽车运行过程中，多模态的传感器收集到的正常工况数据量大于异常工况数据量和异常工况数据较小，而正常工况数据对于异常工况的预警检测作用较小且需要增加符合数据分布的异常工况数据时，采用基于k-means聚类和diffusion网络的数据均衡方法，具体包括：使用k-means聚类方法进行欠采样处理，通过计算数据分布情况得出样本簇聚类，对多数样本簇采用随机裁剪方法以减少冗杂重复数据实现数据均衡；针对少量数据样本簇使用基于diffusion的数据生成方法对少量异常工况信息进行过采样操作，通过模仿特种专用汽车中传感器中少数的异常工况信息概率分布生成新的数据样本来实现数据均衡。
9.s3：针对特种专用汽车多传感器收集到的多模态数据指标(对于某些任务能够产生积极的影响)，采用基于注意力机制的图神经网络和多尺度自适应优化模块的数据融合方法融合多个传感器的数据(一维数据)，实现比单一传感器数据更准确的判断，具体包括：使用先验知识对某种异常工况检测有积极影响的传感器进行组合，对这些传感器数据通过图的结构连接建立相关联系，通过融合时空注意力机制的一阶近似图卷积建立多传感器的联系，再通过多尺度自适应优化模块将多尺度时空序列的数据关键信息进行提取与融合。
10.进一步，步骤s1中，使用数据清洗方法，不仅仅针对离群数据进行清洗，还包括耦合噪声干扰产生的脏数据，或传感器发生故障时产生的异常数据等，这些数据来源于特种汽车的振动信号、速度信号、转速信号等，都是一维数据。
11.所述数据清洗方法具体包括以下步骤：
12.s11：融合专家先验知识的贝叶斯网络提供一种直观的方法来捕获数据域中特征之间的关系；针对特种专用汽车多传感器数据，通过专家知识对传感器建立数据模型；通过贝叶斯方法将数据分布信息捕获在网络结构中，获得数据特征的因果关系；其中，贝叶斯网
络通过利用条件独立性和局部结构提供数据的紧凑表示，并能有效计算联合概率分布，为上下文推理建立基础；
13.s12：特种专用汽车的上下文信息表示为相邻数据的数据分布，具有时间相关性；对输入的特种专用汽车一维数据，通过贝叶斯网络捕获数据分布关系，计算数据概率分布，通过上下文推理判断数据分布是否符合合理数据的先验概率分布，通过设置置信区间，将离群数据和异常数据进行清洗。
14.进一步，步骤s2中，针对特种专用汽车长时间运行中会产生海量数据(主要是一维数据)，其中检测汽车状态的传感器中存在大量正常工况数据，这些数据会影响相关算法的预警和故障检测效率，故使用k-means聚类方法进行欠采样处理，通过计算数据分布情况得出样本簇聚类，对多数样本簇实施随机裁剪方法以减少冗杂重复数据实现数据均衡。针对少量数据样本簇使用基于diffusion的数据生成方法对少量异常工况信息进行过采样操作，通过模仿特种专用汽车中传感器中少数的异常工况信息概率分布生成新的数据样本来实现数据均衡。
15.所述数据均衡方法具体包括以下步骤：
16.s21：通过k-means聚类对特种专用汽车传感器数据进行聚类，使得多数类样本生成n个样本簇，考虑多传感器对于不同预测任务或者故障检测任务对于数据样本数量的要求，对n个样本簇进行随机裁剪，减少对于特征提取的影响；
17.s22：基于diffusion的数据生成方法中diffusion网络分为前向链和反向链部分，前向链的作用是扰动数据，它根据预先设计的噪声进度向数据逐渐加入高斯噪声，直到数据的分布趋于先验分布，即传感器异常数据分布；再通过反向链从前向链产生的先验分布并使用参数化的高斯转换核，学习逐步恢复原数据分布；通过训练能生成与原始数据高度相似的数据。
18.进一步，步骤s22中，前向过程是不含可学习参数的，随着t不断增大，最终分布变成各向独立的高斯分布，在前向过程中加入高斯噪声，一共加t步，从而产生一系列加噪样本，β
t
表示添加噪声；
[0019][0020]
其中，q(x
t
|x
t-1
)表示t时刻和t-1时刻的数据间的联合分布概率，t表示时间步，x
t
表示时间步t时的加噪数据，i表示单位矩阵，表示数据符号高斯分布。
[0021]
由于定义为马尔可夫链，所以给定x0与x
1:t
的联合概率分布为q(x
1:t
|x0)；p
θ
(x
t-1
|x
t
)表示前向过程：
[0022][0023]
逆过程也是一个马尔可夫链过程，q(x
t:1
|x0)为近似后验；
[0024][0025][0026]
x
t:t
表示某一时刻生成的数据，p(x
0:t
)表示前向马尔科夫链推导获得的t时刻的数据分布，μ
θ
(x
t
,t)表示t时刻高斯分布的均值，q(x
t:1
|x0)表示逆向过程的0时刻的概率分布；
[0027]
最终训练是通过优化负对数似然的通常变异约束来进行，进行loss损失迭代更新
高斯转换核，ε
θ
表示一个预测近似器，表示一个符合高斯分布的数据分布，并能够重新参数化，通过重新参数化能够进行相关的训练，将异常工况数据放入训练好的diffusion网络模型，生成和原始一维信号相似分布的异常工况数据：
[0028][0029]
其中，loss表示损失函数，表示真实ε和预测ε
θ
期望差，ε表示噪声数据分布，||
·
||2表示kl散度。
[0030]
进一步，步骤s3中，考虑特种专用汽车多传感器收集到的多模态数据指标对于某些任务能够产生积极的影响，通过融合来自多个传感器的数据(一维数据)，实现比单一传感器数据更准确的判断。使用先验知识对某种异常工况检测有积极影响的传感器进行组合，对这些传感器数据通过图的结构连接建立相关联系，通过融合了时空注意力机制的一阶近似图卷积建立多传感器的联系，再通过多尺度自适应优化模块将多尺度时空序列的数据关键信息进行提取与融合。
[0031]
融合多个传感器的数据具体包括以下步骤：
[0032]
s31：将多传感器数据通过先验知识进行组合，通过图结构建立传感器数据之间的连接信息，表示为：
[0033][0034]
其中，x是数据的特征矩阵，a是邻接矩阵，i是单位矩阵，是的度矩阵，f是构建的图信息矩阵；
[0035]
s32：将建立的图信息输入融合时空注意力机制的一阶图卷积网络，对多传感器获得的特征信息和重要程度做出判断，通过gcn的传播层进行特征提取，这里并不做分类；
[0036][0037][0038]
其中，σ是激活函数，x表示当前特征矩阵，h
l
是第l层的特征矩阵，w
l
是第l层的网络权重；公式(8)是时空注意力机制，s表示注意矩阵，g表示图结构的维度关系，t表示时间步，bs表示随机误差；
[0039]
s33：使用多尺度自适应优化模块将多尺度时空序列的数据关键信息提取与融合，增强数据质量；
[0040]zt
＝attention(f(h,a)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0041][0042][0043]
其中，z
t
是图神经网络注意力机制获得的特征，yi表示第i个传感器的自适应模块，gi是从独立分布gumbel(0，1)分布中采样得到，υ是自适应学习参数；是数据融合简略表示，表示最终的融合数据，融合出的数据依然是一维数据；wi表示表示多尺度模块随机权
重，n表示传感器个数。
[0044]
本发明的有益效果在于：本发明方法主要针对传感器产生的一维数据，对这些数据使用数据清洗、数据均衡和数据融合方法行全面的处理，以保证了数据的有效性和可靠性，能够为特种专用汽车的预警和故障检测提供高质量的数据样本。数据清洗通过一种融合了贝叶斯网络的上下文推理的数据清理模型对传感器数据进行清洗；数据均衡通过基于k-means聚类的过采样方法对特种专用汽车的正常工况下的多传感器数据进行数据均衡，通过基于diffusion网络的数据生成方法对异常工况下的少量数据进行欠采样进行数据均衡；数据融合通过图结构建立多传感器的连接信息，通过图神经网络和时空注意力机制对传感器的特征信息进行提取，使用多尺度自适应优化模块进行数据融合，最终获得高质量数据。
[0045]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0046]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0047]
图1为本发明面向特种专用汽车多模态传感器数据预处理方法流程图；
[0048]
图2为基于上下文推理的数据清理方法模型；
[0049]
图3为基于k-means聚类和diffusion网络的数据均衡模型；
[0050]
图4为基于注意力机制的图神和多尺度自适应优化模块的数据融合模型；
[0051]
图5为图卷积神经网络结构图；
[0052]
图6为注意力机制结构图。
具体实施方式
[0053]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0054]
请参阅图1～图6，本发明提供一种面向特种专用汽车多模态传感器数据预处理方法，主要针对特种专用汽车多种传感器面对多场景复杂路况、车况产生的海量数据进行数据预处理工作，主要工作包括数据清洗，数据均衡和数据融合三个方面。相关数据预处理方法主要是针对特种汽车各个位置传感器获得的一维信号，如车轴或者车架等位置的振动信号、汽车的速度信号、转速信号、充电桩产生的电磁激励信号等多模态数据，本发明希望通过这些方法为后续预测和预警等工作提供高质量数据并提高检测预警效果，处理后的数据依然是一维数据的形式。其中数据清洗方法主要使用专家经验作为先验知识融入的贝叶斯
网络，结合使用基于上下文信息的推理模型对多模态的一维传感器信号中的离群点和异常分布的数据进行数据清洗。数据均衡方法使用欠采样和过采样结合的方法处理数据清洗后的一维原始数据，对多数正常工况下的传感器数据使用k-means算法对其进行聚类，然后对多数正常工况数据进行欠采样，对少数异常工况数据通过基于diffusion生成网络进行数据生成实现过采样；最后根据不同传感器获得的多模态数据，进行数据融合，先利用图卷积和时空注意力机制建立多传感器数据之间的联系，再使用多尺度自适应优化模块进行数据融合。由此，通过这些方法建立一套针对特种专用汽车多源异构大数据预处理方法，具体包括以下步骤：
[0055]
步骤1：利用特种专用汽车多传感器收集汽车运行数据(主要是一维数据)，将传感器数据上传后传入数据清洗模型，多传感器数据通过融合专家先验知识的贝叶斯网络获取数据分布信息，再结合上下文推理模型进行推理，将离群数据和被噪声严重干扰、传感器故障产生的数据通过设置置信度判断，当判断该数据分布不合理时，则将数据进行清洗，以获得较高质量的一维原始数据。
[0056]
步骤2：数据经过清洗后，考虑到特种专用汽车传感器数据中存在大量汽车正常运行数据和少量的异常工况数据，故需要对收集数据进行数据均衡。使用k-means算法对数据进行聚类，计算出多个中心点，中心点代表不同种类数据样本簇特征，将所有数据进行分类后，使用随机删除数据中心点较远特征簇的欠采样方法进行数据平衡。针对较少的异常工况信息簇，使用基于diffusion的数据生成方法，通过将异常数据传入diffusion的前向传播过程，前向传播使用马尔科夫链，同时加入高斯噪声，将异常数据分布改向为高斯分布，随着正向传播最终收敛为高斯分布，根据马尔可夫规则，反向链就是利用前向过程产生的高斯分布转换成参数化的高斯核，通过学习到的数据分布对符合高斯分布的噪声进行恢复，从而生成与原始数据分布相似的异常工况数据，通过过拟合的数据生成方法达到数据均衡，以获得较高质量的一维均衡数据.
[0057]
步骤3：考虑到特种专用汽车中多传感器多模态数据融合能够对一些异常检测和故障定位起到积极作用，使用一种多传感器数据融合的新方法，通过先验知识融合多种传感器数据，到达比单传感器更好的检测效果。通过将多种传感器提供数据通过的图结构建立联系，同过图神经网络建立传感器之间的联系，通过时空注意力机制对不同传感器进行加权操作，分配数据融合权重，最后使用多尺度自适应优化模块，通过建立相关尺度参数，得到与当前传感器组合相关尺度变量设计相关函数，通过更新相关函数数值进行自适应学习，最终将特种专用汽车的多传感器数据进行融合，获得高质量的一维融合数据。
[0058]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种面向特种专用汽车多模态传感器数据预处理方法，其特征在于，该方法具体包括以下步骤：s1：针对多模态的传感器收集到的特种专用汽车产生的一维数据，采用基于上下文推理的数据清理方法，具体包括：使用融合专家经验的贝叶斯网络确认数据分布情况，再使用上下文推理模型捕获相邻数据中的分布信息，并使用置信度区间进行合理化判断，对于离群数据和不符合数据分布的脏数据进行数据清理；s2：针对特种专用汽车运行过程中，多模态的传感器收集到的正常工况数据量大于异常工况数据量和异常工况数据较小，而正常工况数据对于异常工况的预警检测作用较小且需要增加符合数据分布的异常工况数据时，采用基于k-means聚类和diffusion网络的数据均衡方法，具体包括：使用k-means聚类方法进行欠采样处理，通过计算数据分布情况得出样本簇聚类，对多数样本簇采用随机裁剪方法以减少冗杂重复数据实现数据均衡；针对少量数据样本簇使用基于diffusion的数据生成方法对少量异常工况信息进行过采样操作，通过模仿特种专用汽车中传感器中少数的异常工况信息概率分布生成新的数据样本来实现数据均衡；s3：针对特种专用汽车多传感器收集到的多模态数据指标，采用基于注意力机制的图神经网络和多尺度自适应优化模块的数据融合方法融合多个传感器的数据，具体包括：使用先验知识对某种异常工况检测有积极影响的传感器进行组合，对这些传感器数据通过图的结构连接建立相关联系，通过融合时空注意力机制的一阶近似图卷积建立多传感器的联系，再通过多尺度自适应优化模块将多尺度时空序列的数据关键信息进行提取与融合。2.根据权利要求1所述的面向特种专用汽车多模态传感器数据预处理方法，其特征在于，步骤s1中，所述数据清洗方法具体包括以下步骤：s11：融合专家先验知识的贝叶斯网络来捕获数据域中特征之间的关系；针对特种专用汽车多传感器数据，通过专家知识对传感器建立数据模型；通过贝叶斯方法将数据分布信息捕获在网络结构中，获得数据特征的因果关系；其中，贝叶斯网络通过利用条件独立性和局部结构提供数据的紧凑表示，并能有效计算联合概率分布，为上下文推理建立基础；s12：特种专用汽车的上下文信息表示为相邻数据的数据分布，具有时间相关性；对输入的特种专用汽车一维数据，通过贝叶斯网络捕获数据分布关系，计算数据概率分布，通过上下文推理判断数据分布是否符合合理数据的先验概率分布，通过设置置信区间，将离群数据和异常数据进行清洗。3.根据权利要求1所述的面向特种专用汽车多模态传感器数据预处理方法，其特征在于，步骤s2中，所述数据均衡方法具体包括以下步骤：s21：通过k-means聚类对特种专用汽车传感器数据进行聚类，使得多数类样本生成n个样本簇，考虑多传感器对于不同预测任务或者故障检测任务对于数据样本数量的要求，对n个样本簇进行随机裁剪，减少对于特征提取的影响；s22：基于diffusion的数据生成方法中diffusion网络分为前向链和反向链部分，前向链的作用是扰动数据，它根据预先设计的噪声进度向数据逐渐加入高斯噪声，直到数据的分布趋于先验分布，即传感器异常数据分布；再通过反向链从前向链产生的先验分布并使用参数化的高斯转换核，学习逐步恢复原数据分布；通过训练能生成与原始数据高度相似的数据。
4.根据权利要求3述的面向特种专用汽车多模态传感器数据预处理方法，其特征在于，步骤s22中，前向过程是不含可学习参数的，随着t不断增大，最终分布变成各向独立的高斯分布，在前向过程中加入高斯噪声，一共加t步，从而产生一系列加噪样本，β
t
表示添加噪声；其中，q(x
t
|x
t-1
)表示t时刻和t-1时刻的数据间的联合分布概率，t表示时间步，x
t
表示时间步t时的加噪数据，i表示单位矩阵，表示数据符合高斯分布；由于定义为马尔可夫链过程，所以给定任意时刻的联合概率分布为p
θ
(x
t-1
|x
t
)；p(x
0:t
)表示t时刻的前向过程的概率分布，前向过程如下：逆过程也是一个马尔可夫链过程，q(x
t:1
|x0)为近似后验；)为近似后验；其中，x
t:t
表示某一时刻生成的数据，p(x
0:t
)表示前向马尔科夫链推导获得的t时刻的数据分布，μ
θ
(x
t
,t)表示t时刻高斯分布的均值，q(x
t:1
|x0)表示逆向过程的0时刻的概率分布；最终训练是通过优化负对数似然的通常变异约束来进行，进行loss损失迭代更新高斯转换核，ε
θ
表示一个预测近似器，表示一个符合高斯分布的数据分布，并能够重新参数化，通过重新参数化能够进行相关的训练，将异常工况数据放入训练好的diffusion网络模型，生成和原始一维信号相似分布的异常工况数据：其中，loss表示损失函数，表示真实ε和预测ε
θ
期望差，ε表示噪声数据分布，||
·
||2表示kl散度。5.根据权利要求1所述的面向特种专用汽车多模态传感器数据预处理方法，其特征在于，步骤s3中，融合多个传感器的数据，具体包括以下步骤：s31：将多传感器数据通过先验知识进行组合，通过图结构建立传感器数据之间的连接信息，表示为：其中，x是数据的特征矩阵，a是邻接矩阵能表示多传感器之间关系，i是单位矩阵，是的度矩阵，f是构建的图信息矩阵；s32：将建立的图信息输入融合时空注意力机制的一阶图卷积网络，对多传感器获得的特征信息和重要程度做出判断，通过gcn的传播层进行特征提取，这里并不做分类；
其中，σ是激活函数，x表示当前特征矩阵，h
l
是第l层的特征矩阵，w
l
是第l层的网络权重；公式(8)是时空注意力机制，s表示注意矩阵，g表示图结构的维度关系，t表示时间步，b
s
表示随机误差；s33：使用多尺度自适应优化模块将多尺度时空序列的数据关键信息提取与融合，增强数据质量；z
t
＝attention(f(h,a))
ꢀꢀꢀꢀꢀꢀꢀ
(9)(9)其中，z
t
是图神经网络注意力机制获得的特征，y
i
表示第i个传感器的自适应模块，g
i
是从独立分布gumbel(0，1)分布中采样得到，υ是自适应学习参数；是数据融合简略表示，表示最终的融合数据，融合出的数据依然是一维数据；w
i
表示多尺度模块随机权重，n表示传感器个数。

技术总结
本发明涉及一种面向特种专用汽车多模态传感器数据预处理方法，属于特种专用汽车检测预警领域。该方法包括：针对多模态的传感器收集到的特种专用汽车产生的一维数据，采用基于上下文推理的数据清理方法进行数据清理；针对特种专用汽车运行过程中，多模态的传感器收集到的正常工况数据量大于异常工况数据量，而正常工况数据对于异常工况的预警检测作用较小时，采用基于K-Means聚类和diffusion网络的数据均衡方法实现数据均衡；针对特种专用汽车多传感器收集到的多模态数据指标，采用基于注意力机制的图神经网络和多尺度自适应优化模块的数据融合方法，改善预警模型的检测能力，提高数据的利用效率。高数据的利用效率。高数据的利用效率。


技术研发人员：李嫄源 黄艳钦 朱智勤 陈诗尧 李家兴 龚康 刘秋卓
受保护的技术使用者：重庆邮电大学
技术研发日：2023.05.11
技术公布日：2023/8/14