CN105539026B - 一种胎压检测***和方法 - Google Patents

Abstract

本发明实施例公开了一种胎压检测***和方法，所述***包括：数据采集单元，用于采集车辆的行为数据；所述行为数据表征车辆的振动信息；还用于采集所述车辆的状态特征信息；建模单元，用于基于所述数据采集单元按预设胎压值多次采集的行为数据和状态特征信息建立胎压预测模型；检测单元，用于将所述数据采集单元采集的行为数据和状态特征信息按所述建模单元建立的胎压预测模型进行处理，获得特征数据；将所述特征数据与胎压特征范围中的特征数据进行匹配，获得匹配结果；基于所述匹配结果确定所述车辆的胎压是否正常。

Description

一种胎压检测***和方法

技术领域

本发明涉及检测技术，具体涉及一种胎压检测***和方法。

背景技术

轮胎是汽车行驶过程中的一大安全保障，轮胎对汽车的操纵稳定性、平顺性、安全性、舒适性以及燃油的经济性都起着至关重要的作用。道路交通事故是所有国家都面临的一个严重的问题。据美国汽车工程师学会最近的调查显示，美国每年26万起交通事故是由于轮胎气压低或渗漏造成的。而中国高速公路发生的交通事故中有70％～80％是由爆胎引起的，因高速行驶中突然爆胎而导致的车毁人亡事故被列为高速公路意外事故榜首。

现有技术中，需要通过内置的胎压检测仪器对汽车的胎压进行检测，不仅需要专业的仪器，而且成本高。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种胎压检测***和方法，无需特定的胎压检测仪器便能够实现对胎压的检测，降低检测成本。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种胎压检测***，所述***包括：数据采集单元、建模单元和检测单元；其中，

所述数据采集单元，用于采集车辆的行为数据；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；还用于采集所述车辆的状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；

所述建模单元，用于基于所述数据采集单元按预设胎压值多次采集的行为数据和状态特征信息建立胎压预测模型；

所述检测单元，用于将所述数据采集单元采集的行为数据和状态特征信息按所述建模单元建立的胎压预测模型进行处理，获得特征数据；将所述特征数据与胎压特征范围中的特征数据进行匹配，获得匹配结果；基于所述匹配结果确定所述车辆的胎压是否正常。

上述方案中，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；所述检测单元，用于当所述匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；当所述匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。

上述方案中，所述建模单元，用于对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

上述方案中，所述数据采集单元包括：加速度传感单元、角速度传感单元和方向传感单元；其中，

所述加速度传感单元，用于采集车辆的加速度行为数据；

所述角速度传感单元，用于采集车辆的角速度行为数据；

所述方向传感单元，用于采集车辆的方向行为数据。

上述方案中，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；所述建模单元，用于分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据以及对应的状态特征信息构建特征向量训练集合。

上述方案中，所述***还包括警示单元，用于当所述检测单元确定所述车辆的胎压异常时，输出警示信息。

本发明实施例还提供了一种胎压检测方法，所述方法包括：

基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；

采集车辆的行为数据和状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；

将所述行为数据和状态特征信息按所述胎压预测模型进行处理，获得特征数据；

将所述特征数据与胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常。

上述方案中，所述基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型，包括：

对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

上述方案中，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；所述提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合，包括：

分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息构建特征向量训练集合。

上述方案中，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；

所述将所述特征数据与所述胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常，包括：

将所述特征数据与所述异常胎压特征范围中的特征数据进行匹配，获得第一匹配结果；当所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配失败时，将所述特征数据与所述正常胎压特征范围中的特征数据进行匹配，获得第二匹配结果；当所述第二匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。

本发明实施例提供的胎压检测***和方法，所述***包括：数据采集单元、建模单元和检测单元；其中，所述数据采集单元，用于采集车辆的行为数据；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；还用于采集所述车辆的状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；所述建模单元，用于基于所述数据采集单元按预设胎压值多次采集的行为数据和状态特征信息建立胎压预测模型；所述检测单元，用于将所述数据采集单元采集的行为数据和状态特征信息按所述建模单元建立的胎压预测模型进行处理，获得特征数据；将所述特征数据与胎压特征范围中的特征数据进行匹配，获得匹配结果；基于所述匹配结果确定所述车辆的胎压是否正常。如此，采用本发明实施例的技术方案，通过数据采集单元采集的车辆行驶过程中表征车辆的振动信息的行为数据和状态特征信息实现对所述车辆的胎压的检测，无需特定的胎压检测仪器，一方面大大降低了胎压检测的成本，另一方面，车辆行驶过程中的行为数据和状态特征信息通常可以通过便携电子设备(如手机)获得，在没有特定的胎压检测仪器时，也可以通过便携电子设备实现对胎压的检测，大大提升了用户的操作体验。

附图说明

图1为本发明实施例的胎压检测***的一种组成结构示意图；

图2为本发明实施例的胎压检测***中的数据采集单元的组成结构示意图；

图3为本发明实施例的胎压检测***中的建模单元构建特征向量训练集合的示意图；

图4为本发明实施例的胎压检测***的另一种组成结构示意图；

图5为本发明实施例的胎压检测方法的一种流程示意图；

图6为本发明实施例的胎压检测方法的具体流程示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

实施例一

本发明实施例提供了一种胎压检测***。图1为本发明实施例的胎压检测***的一种组成结构示意图；如图1所示，所述***包括：数据采集单元11、建模单元12和检测单元13；其中，

所述数据采集单元11，用于采集车辆的行为数据；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；还用于采集所述车辆的状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；

所述建模单元12，用于基于所述数据采集单元11按预设胎压值多次采集的行为数据和状态特征信息建立胎压预测模型；

所述检测单元13，用于将所述数据采集单元11采集的行为数据和状态特征信息按所述建模单元12建立的胎压预测模型进行处理，获得特征数据；将所述特征数据与胎压特征范围中的特征数据进行匹配，获得匹配结果；基于所述匹配结果确定所述车辆的胎压是否正常。

本实施例中，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据。图2为本发明实施例的胎压检测***中的数据采集单元11的组成结构示意图；如图2所示，则所述数据采集单元11包括：加速度传感单元111、角速度传感单元112和方向传感单元113；其中，

所述加速度传感单元111，用于采集车辆的加速度行为数据；

所述角速度传感单元112，用于采集车辆的角速度行为数据；

所述方向传感单元113，用于采集车辆的方向行为数据。

这里，所述加速度传感单元111可通过加速度传感器实现，所述加速度传感器不限于压电式加速度传感器、压阻式加速度传感器、电容式加速度传感器或伺服式加速度传感器。所述角速度传感单元112可通过陀螺仪传感器实现，所述陀螺仪传感器不限于光线陀螺仪传感器、激光陀螺仪传感器或微机电***(MEMS，Micro-Electro-Mechanical System)陀螺仪传感器。所述方向传感单元113可通过磁力计传感器实现。所述磁力计传感器具体可以为矢量磁力计传感器，以通过获得磁感应强度的方向确定所述车辆的方向。

本实施例中，所述建模单元12首先依据所述数据采集单元11多次采集的行为数据和对应的状态特征信息进行建模处理，获得胎压预测模型；所述检测单元13，再对车辆的胎压进行检测时，再通过所述数据采集单元11采集车辆的行为数据，将所述行为数据输入所述建模单元12构建的所述胎压预测模型中，从而获得所述车辆当前的胎压是否处于异常状态的检测结果。

作为一种实施方式，所述建模单元12，用于对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

本实施例中，所述建模单元12，用于分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据以及对应的状态特征信息构建特征向量训练集合。

具体的，图3为本发明实施例的胎压检测***中的建模单元构建特征向量训练集合的示意图；参照图3所示，所述建模单元12按时间顺序获得所述加速度行为数据、所述角速度行为数据和所述方向行为数据，则可以理解为，所述建模单元12获得的所述加速度行为数据、所述角速度行为数据和所述方向行为数据即为上述三类行为数据的时域特征数据；其中，对获得的行为数据首先进行插值处理，以使获得的行为数据为近似均匀时间采样的数据；其中，所述插值处理可采用三次样条插值方式。插值处理后的行为数据为满足线性规则的时间序列的行为数据，也即时域特征数据。进一步地，对应每一类行为数据的时域特征数据进行坐标变换，从而获得每一类行为数据的频域特征数据；所述对应的状态特征信息为在获得所述加速度行为数据、所述角速度行为数据和所述方向行为数据的时间范围内获得的状态特征信息(包括速度信息和/或位置信息)。进一步地，对于每一类行为数据的时域特征数据和频域特征数据，进行特征数据的提取，所提取的特征数据包括：最大值、最小值、均值、方差，不限于上述提取的最大值、最小值、均值、方差，也可以是诸如平滑度等特征数据。

进一步地，对每一类行为数据(时域特征数据或频域特征数据)均提取最大值、最小值、均值、方差这四维特征为例(当然不限于这四维特征)，则每一个样本中均包含三类数据：加速度、角速度和方向；对于每一类数据包括最大值、最小值、均值、方差四维特征，结合状态特征信息(速度信息和位置信息)，相当于每一个样本中至少包括3×4+2＝14维特征。若N为样本数，每一列为一个样本的特征向量序列，则每一列的维数为14维，最后的特征向量矩阵为14×N的矩阵，每一列为一个样本，每一行代表一类特征，一列数据表示一个样本的特征向量。

本实施例中，所述建模单元12，用于采用分类器将所述特征向量训练集合中的数据建立多个分类子模型；将所述多个分类子模型通过加权平均处理获得胎压分类模型。

作为一种实施方式，所述建模单元12构建所述特征向量训练集合完成后，将所述特征向量训练集合中的数据建立胎压分类模型，所述胎压分类模型由多个分类子模型获得。具体的，所述数据采集单元11在采集用于建模的行为数据时，按照预设的胎压值采集行为数据，例如，当胎压值为1.0时，采集行为数据；当胎压值为1.5时，采集行为数据。这里，所述建模单元12按照预先设置的胎压值的不同，将所述特征向量训练集合中的数据分为正负两类，建立二分类模型，总共建立n×(n-1)/2个分类子模型，其中n为不同胎压值的数量。基于上述建立的分类子模型，通过投票方式处理获得胎压分类结果，基于所述胎压分类结果构建胎压分类模型。其中，所述胎压分类模型包括胎压样本特征向量以及对应的胎压值；需要两两不同胎压值构建模型样本时，将胎压值映射为1和0，其中1代表正类，0代表负类。例如，n＝5，类别分别对应为1、2、3、4、5，胎压值分别对应为1.0、1.5、2.0、2.5、3.0；通过将多分类问题转换成多个二分类问题，建立多个二分类模型，比如某一个二分类模型是用来区分类别1和类别2的，另一个二分类模型是用来区分类别1和类别3的，又一个是用来区分类别1和类别4的，以此类推，则建立的分类子模型包括：

1-2、1-3、1-4、1-5；

2-3、2-4、2-5；

3-4、3-5；

4-5；

其中，1、2、3、4、5分别表示类别。由此可见，共建立10个分类子模型。

进一步地，所述建模单元12基于构建的所述胎压分类模型，获得具有明显分类作用的特征属性，基于所述特征属性，对所述特征属性进行预设处理方式(如逻辑回归模型)进行处理，获得在多个维度(即加速度、角速度和方向)下，按上述处理方式处理获得不同胎压值对应的阈值或阈值范围；其中，由于胎压处于正常状态下胎压值具有一个数值范围，将所述数值范围以外的胎压值对应的阈值或阈值范围写入所述异常胎压特征范围。基于此，所述建模单元12按上述处理方式建立的模型和模型组合以及数据处理方式组成本实施例所述的胎压预测模型。

当然，本发明实施例中不限于采用分类模型进行处理，还可以通过回归模型进行处理，具体采用回归模型的处理过程可参照现有技术所述，本实施例中不详细描述。

本实施例中，在胎压监测过程中，所述检测单元13从所述数据采集单元11获取到车辆的行为数据，以及所述车辆的状态特征信息(包括车辆的速度信息和/或位置信息)，按上述所述建模单元12建立的胎压预测模型进行分析处理，获得对应的数值；或者在预设时间周期内采集至少两组车辆的行为数据，按上述所述建模单元12建立的胎压预测模型进行分析处理，获得对应的数值范围。具体的，所述建模单元12在建立胎压预测模型过程中，构建了n×(n-1)/2个分类子模型；所述检测单元13获得一个行为数据以及对应的状态特征信息后，分别通过所述n×(n-1)/2个分类子模型进行计算获得一个结果，对获得的n×(n-1)/2个结果进行投票方式处理获得最终的类别。例如，以上述n＝5，类别分别对应为1、2、3、4、5，胎压值分别对应为1.0、1.5、2.0、2.5、3.0为例，样本通过1-2、1-3、1-4、1-5这几个分类子模型输出的类别是1、1、1、5；通过2-3、2-4、2-5这几个分类子模型输出是2、4、2；通过3-4、3-5这几个分类子模型输出是3、5，通过4-5这个分类子模型输出5，那么可以得到最终结果，这个样本应该是属于五个类别中的第一类，则对应的胎压值为1.0。

基于此，本实施例中，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；则所述检测单元13，用于当所述匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；当所述匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。

采用本发明实施例的技术方案，通过数据采集单元采集的车辆行驶过程中表征车辆的振动信息的行为数据和状态特征信息实现对所述车辆的胎压的检测，无需特定的胎压检测仪器，一方面大大降低了胎压检测的成本，另一方面，车辆行驶过程中的行为数据和状态特征信息通常可以通过便携电子设备(如手机)获得，在没有特定的胎压检测仪器时，也可以通过便携电子设备实现对胎压的检测，大大提升了用户的操作体验。

实施例二

基于实施例一所示的胎压检测***，图4为本发明实施例的胎压检测***的另一种组成结构示意图，在实施例一所示的胎压检测***的基础上，本实施例中，所述胎压检测***还包括警示单元14，用于当所述检测单元13确定所述车辆的胎压异常时，输出警示信息。

本实施例中，所述警示单元14用于当所述检测单元13生成的检测结果表明车辆的胎压异常时，输出警示信息；所述警示信息包括但不限于声音警示信息或文字警示信息。例如，所述胎压检测***安置于车辆的中控台上，所述警示单元14自身输出声音警示信息，以使所述车辆的驾驶员基于所述声音警示信息获知当前车辆的胎压处于异常状态。

作为一种实施方式，所述胎压检测***安置于车辆上，所述警示单元14向与所述胎压检测***相关联的终端(例如手机、平板电脑、台式电脑)以即时消息的形式发送所述警示信息，这种方式便于输出较多的信息，便于用户通过所述即时消息中的数据获知车辆中哪一个轮胎的胎压值出现异常，也便于用户由针对性的对胎压值出现异常的轮胎进行维修或更换，避免车辆在行驶过程中突然爆胎而导致的车毁人亡事故，提升了用户的体验。这种方式下，所述警示单元14具体可与所述胎压检测***相关联的终端中预先配置的应用建立通信连接，可以理解为所述胎压检测***采集的数据以及处理后的数据可通过所述通信连接传输至所述终端的应用中，即通过所述应用输出显示所述警示单元14输出的警示信息；进一步地，所述应用还可输出所述胎压检测***中的数据采集单元11采集到的数据，便于用户能够一目了然的看到车辆当前的行为数据，以及所述车辆的每个轮胎的胎压状态。

作为另一种实施方式，所述胎压检测***安装于终端中，所述终端可以为手机、平板电脑等便携设备。所述胎压检测***可通过所述终端中预先配置的应用脚本激活或关闭、进行数据采集以及显示数据，便于对所述胎压检测***进行统一管理。即通过所述应用输出显示所述警示单元14输出的警示信息；还可输出所述胎压检测***中的数据采集单元11采集到的数据，便于用户能够一目了然的看到车辆当前的行为数据，以及所述车辆的每个轮胎的胎压状态。

采用本发明实施例的技术方案，通过数据采集单元采集的车辆行驶过程中表征车辆的振动信息的行为数据和状态特征信息实现对所述车辆的胎压的检测，无需特定的胎压检测仪器，一方面大大降低了胎压检测的成本，另一方面，车辆行驶过程中的行为数据和状态特征信息通常可以通过便携电子设备(如手机)获得，在没有特定的胎压检测仪器时，也可以通过便携电子设备实现对胎压的检测，大大提升了用户的操作体验。

基于实施例一或实施例二所述的胎压检测***，所述***中的建模单元12和检测单元13，在实际应用中均可由所述***中的中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现；所述***中的数据采集单元11，在实际应用中，可由所述***中的加速度传感器、和/或陀螺仪传感器、和/或磁力计传感器实现；所述警示单元14，在实际应用中可由所述***中的CPU、DSP或FPGA结合输出设备(例如音频输出设备)实现。

实施例三

本发明实施例还提供了一种胎压检测方法，所述胎压检测方法应用于胎压检测***中。图5为本发明实施例的胎压检测方法的流程示意图；如图5所示，所述方法包括：

步骤401：基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据。

这里，所述基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型，包括：

对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

具体的，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；所述提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合，包括：

分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息构建特征向量训练集合。

具体的，所述***按时间顺序获得所述加速度行为数据、所述角速度行为数据和所述方向行为数据，则可以理解为，所述***获得的所述加速度行为数据、所述角速度行为数据和所述方向行为数据即为上述三类行为数据的时域特征数据；其中，对获得的行为数据首先进行插值处理，以使获得的行为数据为近似均匀时间采样的数据；其中，所述插值处理可采用三次样条插值方式。插值处理后的行为数据为满足线性规则的时间序列的行为数据，也即时域特征数据。进一步地，对应每一类行为数据的时域特征数据进行坐标变换，从而获得每一类行为数据的频域特征数据；所述对应的状态特征信息为在获得所述加速度行为数据、所述角速度行为数据和所述方向行为数据的时间范围内获得的状态特征信息(包括速度信息和/或位置信息)。进一步地，对于每一类行为数据的时域特征数据和频域特征数据，进行特征数据的提取，所提取的特征数据包括：最大值、最小值、均值、方差，不限于上述提取的最大值、最小值、均值、方差，也可以是诸如平滑度等特征数据。

进一步地，对每一类行为数据(时域特征数据或频域特征数据)均提取最大值、最小值、均值、方差这四维特征为例(当然不限于这四维特征)，则每一个样本中均包含三类数据：加速度、角速度和方向；对于每一类数据包括最大值、最小值、均值、方差四维特征，结合状态特征信息(速度信息和位置信息)，相当于每一个样本中至少包括3×4+2＝14维特征。若N为样本数，每一列为一个样本的特征向量序列，则每一列的维数为14维，最后的特征向量矩阵为14×N的矩阵，每一列为一个样本，每一行代表一类特征，一列数据表示一个样本的特征向量。

这里，所述基于所述特征向量训练集合构建胎压分类模型，包括：

采用分类器将所述特征向量训练集合中的数据建立多个分类子模型；将所述多个分类子模型通过加权平均处理获得胎压分类模型。

作为一种实施方式，构建所述特征向量训练集合完成后，将所述特征向量训练集合中的数据建立胎压分类模型，所述胎压分类模型由多个分类子模型获得。具体的，在采集用于建模的行为数据时，按照预设的胎压值采集行为数据，例如，当胎压值为1.0时，采集行为数据；当胎压值为1.5时，采集行为数据。这里，所述建模单元按照预先设置的胎压值的不同，将所述特征向量训练集合中的数据分为正负两类，建立二分类模型，总共建立n×(n-1)/2个分类子模型，其中n为不同胎压值的数量。基于上述建立的分类子模型，通过投票方式处理获得胎压分类结果，基于所述胎压分类结果构建胎压分类模型。其中，所述建胎压分类模型包括胎压样本特征向量以及对应的胎压值；需要两两不同胎压值构建模型样本时，将胎压值映射为1和0，其中1代表正类，0代表负类。例如，n＝5，类别分别对应为1、2、3、4、5，胎压值分别对应为1.0、1.5、2.0、2.5、3.0；通过将多分类问题转换成多个二分类问题，建立多个二分类模型，比如某一个二分类模型是用来区分类别1和类别2的，另一个二分类模型是用来区分类别1和类别3的，又一个是用来区分类别1和类别4的，以此类推，则建立的分类子模型包括：

1-2、1-3、1-4、1-5；

2-3、2-4、2-5；

3-4、3-5；

4-5；

其中，1、2、3、4、5分别表示类别。由此可见，共建立10个分类子模型。

进一步地，基于构建的所述胎压分类模型，获得具有明显分类作用的特征属性，基于所述特征属性，对所述特征属性进行预设处理方式(如逻辑回归模型)进行处理，获得在多个维度(即加速度、角速度和方向)下，按上述处理方式处理获得不同胎压值对应的阈值或阈值范围；其中，由于胎压处于正常状态下胎压值具有一个数值范围，将所述数值范围以外的胎压值对应的阈值或阈值范围写入所述异常胎压特征范围。基于此，按上述处理方式建立的模型和模型组合以及数据处理方式组成本实施例所述的胎压预测模型。

步骤402：采集车辆的行为数据和状态特征信息；所述状态特征信息包括：速度信息和/或位置信息。

步骤403：将所述行为数据和状态特征信息按所述胎压预测模型进行处理，获得特征数据。

步骤404：将所述特征数据与胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常。

所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；

所述将所述特征数据与所述胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常，包括：

将所述特征数据与所述异常胎压特征范围中的特征数据进行匹配，获得第一匹配结果；当所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配失败时，将所述特征数据与所述正常胎压特征范围中的特征数据进行匹配，获得第二匹配结果；当所述第二匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。

本实施例中，按上述建立的胎压预测模型进行分析处理，获得对应的数值；或者在预设时间周期内采集至少两组车辆的行为数据，按上述建立的胎压预测模型进行分析处理，获得对应的数值范围。具体的，在建立胎压预测模型过程中，构建了n×(n-1)/2个分类子模型；获得一个行为数据以及对应的状态特征信息后，分别通过所述n×(n-1)/2个分类子模型进行计算获得一个结果，对获得的n×(n-1)/2个结果进行投票方式处理获得最终的类别。例如，以上述n＝5，类别分别对应为1、2、3、4、5，胎压值分别对应为1.0、1.5、2.0、2.5、3.0为例，样本通过1-2、1-3、1-4、1-5这几个分类子模型输出的类别是1、1、1、5；通过2-3、2-4、2-5这几个分类子模型输出是2、4、2；通过3-4、3-5这几个分类子模型输出是3、5，通过4-5这个分类子模型输出5，那么可以得到最终结果，这个样本应该是属于五个类别中的第一类，则对应的胎压值为1.0。本实施例中，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围，也即针对正常范围的胎压值建立对应的正常胎压特征范围，针对异常范围的胎压值建立对应的异常胎压特征范围。按照建立的分类子模型获得具有明显分类作用的特征属性，以及基于所述特征属性进行逻辑回归处理，得到特征数据，再将所述特征数据与所述异常胎压特征范围中的特征数据进行匹配，匹配一致，则表明当前的胎压异常；匹配不一致，则进一步将所述特征数据与所述正常胎压特征范围中的特征数据进行匹配，匹配一致则表明胎压正常。

综上所述，本发明实施例的胎压检测方法可包括两个过程，图6为本发明实施例的胎压检测方法的具体流程示意图；如图6所示，两个过程分别为建模过程和检测过程；其中，所述建模过程包括：行为数据采集、建立特征向量训练集合、建立胎压预测模型、获得异常胎压特征范围；所述建模过程具体可参照步骤401中所述，这里不再赘述。所述检测过程包括行为数据采集、建立特征向量训练集合、基于胎压预测模型获得特征数据、将所述特征数据与所述建模过程中获得的异常胎压特征范围进行匹配、获得检测结果；所述检测过程具体可参照步骤402至步骤404所述，这里不再赘述。

作为一种实施方式，确定所述车辆的胎压异常后，所述方法还包括：输出警示信息。

本实施例中，当确定车辆的胎压异常时，输出警示信息；所述警示信息包括但不限于声音警示信息或文字警示信息。例如，所述胎压检测***安装于车辆的中控台上，所述胎压检测***自身输出声音警示信息，以使所述车辆的驾驶员基于所述声音警示信息获知当前车辆的胎压处于异常状态。

作为一种实施方式，所述胎压检测***安置于车辆上，所述胎压检测***向与所述胎压检测***相关联的终端(例如手机、平板电脑、台式电脑)以即时消息的形式发送所述警示信息，这种方式便于输出较多的信息，便于用户通过所述即时消息中的数据获知车辆中哪一个轮胎的胎压值出现异常，也便于用户由针对性的对胎压值出现异常的轮胎进行维修或更换，避免车辆在行驶过程中突然爆胎而导致的车毁人亡事故，提升了用户的体验。这种方式下，所述胎压检测***具体可与所述胎压检测***相关联的终端中预先配置的应用建立通信连接，可以理解为所述胎压检测***采集的数据以及处理后的数据可通过所述通信连接传输至所述终端的应用中，即通过所述应用输出显示所述胎压检测***输出的警示信息；进一步地，所述应用还可输出所述胎压检测***采集到的数据，便于用户能够一目了然的看到车辆当前的行为数据，以及所述车辆的每个轮胎的胎压状态。

作为另一种实施方式，所述胎压检测***安装于终端中，所述终端可以为手机、平板电脑等便携设备。所述胎压检测***可通过所述终端中预先配置的应用脚本激活或关闭、进行数据采集以及显示数据，便于对所述胎压检测***进行统一管理。即通过所述应用输出显示所述胎压检测***输出的警示信息；还可输出所述胎压检测***采集到的数据，便于用户能够一目了然的看到车辆当前的行为数据，以及所述车辆的每个轮胎的胎压状态。

采用本发明实施例的技术方案，通过采集车辆行驶过程中表征车辆的振动信息的行为数据和状态特征信息实现对所述车辆的胎压的检测，无需特定的胎压检测仪器，一方面大大降低了胎压检测的成本，另一方面，车辆行驶过程中的行为数据和状态特征信息通常可以通过便携电子设备(如手机)获得，在没有特定的胎压检测仪器时，也可以通过便携电子设备实现对胎压的检测，大大提升了用户的操作体验。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种胎压检测***，其特征在于，所述***包括：数据采集单元、建模单元和检测单元；其中，

所述数据采集单元，用于采集车辆的行为数据；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；还用于采集所述车辆的状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；

所述建模单元，用于基于所述数据采集单元按预设胎压值多次采集的行为数据和状态特征信息建立胎压预测模型；

所述检测单元，用于将所述数据采集单元采集的行为数据和状态特征信息按所述建模单元建立的胎压预测模型进行处理，获得特征数据；将所述特征数据与胎压特征范围中的特征数据进行匹配，获得匹配结果；基于所述匹配结果确定所述车辆的胎压是否正常。

2.根据权利要求1所述的***，其特征在于，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；所述检测单元，用于当所述匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；当所述匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。

3.根据权利要求1所述的***，其特征在于，所述建模单元，用于对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

4.根据权利要求1所述的***，其特征在于，所述数据采集单元包括：加速度传感单元、角速度传感单元和方向传感单元；其中，

所述加速度传感单元，用于采集车辆的加速度行为数据；

所述角速度传感单元，用于采集车辆的角速度行为数据；

所述方向传感单元，用于采集车辆的方向行为数据。

5.根据权利要求3所述的***，其特征在于，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；所述建模单元，用于分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据以及对应的状态特征信息构建特征向量训练集合。

6.根据权利要求2所述的***，其特征在于，所述***还包括警示单元，用于当所述检测单元确定所述车辆的胎压异常时，输出警示信息。

7.一种胎压检测方法，其特征在于，所述方法包括：

基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型；所述行为数据表征车辆的振动信息；所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；

采集车辆的行为数据和状态特征信息；所述状态特征信息包括：速度信息和/或位置信息；

将所述行为数据和状态特征信息按所述胎压预测模型进行处理，获得特征数据；

将所述特征数据与胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常。

8.根据权利要求7所述的方法，其特征在于，所述基于按预设胎压值多次采集的车辆的行为数据建立胎压预测模型，包括：

对于每个预设胎压值采集的行为数据，提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合；基于所述特征向量训练集合构建胎压分类模型，基于所述胎压分类模型建立异常胎压特征范围；结合所述胎压分类模型和所述异常胎压特征范围建立胎压预测模型。

9.根据权利要求8所述的方法，其特征在于，所述行为数据包括加速度行为数据、角速度行为数据和方向行为数据；所述提取所述行为数据中与胎压程度相关联的特征数据，基于所述特征数据构建特征向量训练集合，包括：

分别获得所述加速度行为数据、角速度行为数据和方向行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息；基于行为数据的时域特征数据和/或频域特征数据，以及对应的状态特征信息构建特征向量训练集合。

10.根据权利要求7所述的方法，其特征在于，所述胎压特征范围包括：异常胎压特征范围和正常胎压特征范围；

所述将所述特征数据与所述胎压特征范围中的特征数据进行匹配，基于所述匹配结果确定所述车辆的胎压是否正常，包括：

将所述特征数据与所述异常胎压特征范围中的特征数据进行匹配，获得第一匹配结果；当所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压异常；所述第一匹配结果为所述特征数据与所述异常胎压特征范围中的特征数据匹配失败时，将所述特征数据与所述正常胎压特征范围中的特征数据进行匹配，获得第二匹配结果；当所述第二匹配结果为所述特征数据与所述正常胎压特征范围中的特征数据匹配成功时，确定所述车辆的胎压正常。