CN117278328B - 基于车联网的数据处理方法及*** - Google Patents

基于车联网的数据处理方法及*** Download PDF

Info

Publication number
CN117278328B
CN117278328B CN202311549805.7A CN202311549805A CN117278328B CN 117278328 B CN117278328 B CN 117278328B CN 202311549805 A CN202311549805 A CN 202311549805A CN 117278328 B CN117278328 B CN 117278328B
Authority
CN
China
Prior art keywords
data
vehicle
edge
target
carrying
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311549805.7A
Other languages
English (en)
Other versions
CN117278328A (zh
Inventor
丁建佳
郭文艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Icar Guard Information Technology Co ltd
Original Assignee
Guangdong Icar Guard Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Icar Guard Information Technology Co ltd filed Critical Guangdong Icar Guard Information Technology Co ltd
Priority to CN202311549805.7A priority Critical patent/CN117278328B/zh
Publication of CN117278328A publication Critical patent/CN117278328A/zh
Application granted granted Critical
Publication of CN117278328B publication Critical patent/CN117278328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0435—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply symmetric encryption, i.e. same key used for encryption and decryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
    • H04L9/0631—Substitution permutation network [SPN], i.e. cipher composed of a number of stages or rounds each involving linear and nonlinear transformations, e.g. AES algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种基于车联网的数据处理方法及***，用于提高基于车联网的数据处理的准确率。包括：对车辆状态数据进行AES算法加密，得到加密状态数据，进行车辆身份信息识别，得到对应的身份标签；对身份标签进行安全性验证，当身份标签通过安全性验证时，对加密状态数据进行边缘计算处理，得到加密状态数据的边缘数据集合；对边缘数据集合进行特征工程处理，得到边缘数据集合对应的车辆特征数据；对车辆特征数据进行车辆环境信息分析，得到车辆特征数据对应的车辆环境数据；对车辆环境数据进行车辆空间数据预测，得到车辆空间数据，对车辆空间数据进行车辆控制策略构建，得到目标车辆的车辆控制策略。

Description

基于车联网的数据处理方法及***
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于车联网的数据处理方法及***。
背景技术
随着车联网技术的不断发展，交通领域正逐渐迈入智能化和信息化的时代。车辆作为交通***的重要组成部分，其数据具有极大的潜力，可为实现更安全、高效和智能的交通管理和驾驶体验提供支持。
目前，车辆数据处理和通信方面缺乏统一的标准，导致不同厂商的车辆***之间互操作性较差。在车辆数据的采集、传输和处理过程中，对于驾驶员和车辆主人的个人隐私保护仍然是一个挑战，并且需要面对实时性的挑战，以实现更低的延迟和更高的实时性。
发明内容
本发明提供了一种基于车联网的数据处理方法及***，用于提高基于车联网的数据处理的准确率。
本发明第一方面提供了一种基于车联网的数据处理方法，所述基于车联网的数据处理方法包括：通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据；
对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；
对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合；
对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据；
对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据；
对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
结合第一方面，在本发明第一方面的第一实施方式中，所述通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据，包括：
通过多个所述传感器对所述目标车辆进行车辆数据采集，得到所述车辆状态数据；
对所述车辆状态数据进行数据分类，得到所述目标车辆的车辆运动数据集合、车辆方向信息集合以及车辆位置信息，其中，所述车辆运动数据集合包括车辆速度数据、车辆加速度数据、车辆角速度数据，所述车辆方向信息集合包括车辆行驶方向以及车辆倾角数据。
结合第一方面，在本发明第一方面的第二实施方式中，所述对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签，包括：
对所述车辆状态数据进行数据分块处理，得到多个车辆状态数据块；
对每个所述车辆状态数据块进行数据块长度分析，得到每个所述车辆状态数据块对应的数据块长度信息；
分别对多个所述数据块长度信息进行阈值分析，得到阈值分析结果；
通过所述阈值分析结果对每个所述车辆状态数据块进行数据填充处理，得到多个填充数据块；
分别对每个所述填充数据块进行AES算法加密处理，得到加密状态数据；
对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合，包括：
对所述身份标签进行原始数据转换，得到所述身份标签对应的原始身份数据；
通过预置的合法身份数据库对所述原始身份数据进行安全性验证，得到对应的安全性验证结果；
当所述安全性验证结果为所述身份标签通过安全性验证时，对所述加密状态数据进行传输协议匹配，得到目标传输协议；
基于所述目标传输协议，将所述加密状态数据传输至预置的边缘计算终端进行实时事件检测，得到实时事件集合；
对所述实时事件集合进行数据降噪处理，得到所述加密状态数据的边缘数据集合。
结合第一方面的第一实施方式，在本发明第一方面的第四实施方式中，所述对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据，包括：
对所述边缘数据集合进行时域特征提取，得到所述边缘数据集合对应的时域特征；
对所述边缘数据集合进行频域特征提取，得到所述边缘数据集合对应的频域特征；
对所述边缘数据集合进行空域特征提取，得到所述边缘数据集合对应的空域特征；
对所述时域特征、所述频域特征以及所述空域特征进行特征统计分析，得到统计特征集；
对所述统计特征集进行时间序列分析，得到对应的时间序列数据；
基于所述时间序列数据以及所述统计特征集，对所述边缘数据集合进行数据特征标准化处理，得到所述边缘数据集合对应的车辆特征数据。
结合第一方面的第四实施方式，在本发明第一方面的第五实施方式中，所述对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据，包括：
通过所述车辆特征数据以及所述车辆位置信息对所述目标车辆进行车辆坐标分析，得到所述目标车辆的车辆坐标数据；
基于所述车辆坐标数据，对所述目标车辆进行天气参数采集，得到所述目标车辆对应的天气参数数据；
基于所述车辆坐标数据，对所述目标车辆进行交通流量数据采集，得到所述目标车辆对应的交通流量数据；
基于所述交通流量数据，对所述目标车辆进行道路环境采集，得到所述目标车辆的道路环境数据；
将所述天气参数数据、所述交通流量数据以及所述道路环境数据合并为所述车辆环境数据。
结合第一方面，在本发明第一方面的第六实施方式中，所述对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息，包括：
基于所述车辆环境数据构建所述目标车辆的虚拟行驶空间；
在所述虚拟行驶空间对所述目标车辆进行车辆空间数据分析，得到所述车辆空间数据；
对所述车辆空间数据进行车辆行驶影响因子计算，得到影响因子数据集；
通过所述影响因子数据集以及所述车辆空间数据，对所述目标车辆进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
本发明第二方面提供了一种基于车联网的数据处理***，所述基于车联网的数据处理***包括：
采集模块，用于通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据；
加密模块，用于对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；
验证模块，用于对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合；
处理模块，用于对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据；
分析模块，用于对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据；
预测模块，用于对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
本发明提供的技术方案中，通过部署在目标车辆上的多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据；对车辆状态数据进行AES算法加密，得到加密状态数据，对加密状态数据进行车辆身份信息识别，得到对应的身份标签；对身份标签进行安全性验证，当身份标签通过安全性验证时，对加密状态数据进行边缘计算处理，得到加密状态数据的边缘数据集合；对边缘数据集合进行特征工程处理，得到边缘数据集合对应的车辆特征数据；对车辆特征数据进行车辆环境信息分析，得到车辆特征数据对应的车辆环境数据；对车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对车辆空间数据进行车辆控制策略构建，得到目标车辆的车辆控制策略，并根据车辆控制策略生成车辆控制提示信息。在本申请方案中，通过采用AES算法对车辆状态数据进行加密，确保了数据在传输和存储过程中的安全性，防止未经授权的访问。同时，通过身份信息的加密和验证，确保只有合法的用户能够获取到车辆的敏感信息，有效保护了车辆主人的隐私。在车辆端进行实时数据采集、边缘计算处理和控制策略构建，减少了数据传输到云端的时间延迟，提高了***的实时性和响应性。通过车辆环境信息分析和空间数据预测，***能够更全面地了解车辆所处的交通环境。基于这些信息，构建智能的车辆控制策略，使车辆能够更加智能地应对复杂的交通情境，提高驾驶的安全性和效率。
附图说明
图1为本发明实施例中基于车联网的数据处理方法的一个实施例示意图；
图2为本发明实施例中对车辆状态数据进行AES算法加密的流程图；
图3为本发明实施例中对身份标签进行安全性验证的流程图；
图4为本发明实施例中对边缘数据集合进行特征工程处理的流程图；
图5为本发明实施例中基于车联网的数据处理***的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于车联网的数据处理方法及***，用于提高基于车联网的数据处理的准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚 地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于车联网的数据处理方法的一个实施例包括：
S101、通过部署在预置的目标车辆上的多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据；
可以理解的是，本发明的执行主体可以为基于车联网的数据处理***，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，在预置的目标车辆上部署多个传感器，这些传感器涵盖了各种类型，如速度传感器、加速度传感器、角速度传感器等，以确保对车辆状态的全面感知。这种综合的数据采集方法为后续的数据处理提供了丰富的原始材料。对所得到的车辆状态数据进行数据分类，服务器从混杂的数据中提炼出目标车辆的运动、方向和位置等关键信息。例如，通过对速度数据的分类，服务器得到车辆的速度数据集合；通过对方向信息的分类，服务器获取车辆的行驶方向和倾角数据。具体来说，车辆运动数据集合包括了车辆速度、加速度和角速度等信息。速度数据反映了车辆在单位时间内的位移变化，加速度数据则展现了车辆速度的变化率，而角速度数据则描绘了车辆绕自身轴旋转的速率。这三者综合起来构成了对车辆运动状态的全面描述。同时，车辆方向信息集合包括了车辆行驶方向和倾角数据。行驶方向数据可以告诉服务器车辆当前的移动方向，而倾角数据则反映了车辆相对于水平面的倾斜程度。这对于理解车辆的姿态和行驶方向非常关键，尤其在复杂地形或紧凑交通情况下。通过这种数据处理方法，服务器得到了目标车辆的车辆位置信息。这是通过对整个数据集的综合分析而得出的，包括车辆的速度、方向等多个方面的信息。车辆位置信息为后续的环境分析和预测提供了基础。
S102、对车辆状态数据进行AES算法加密，得到加密状态数据，同时，对加密状态数据进行车辆身份信息识别，得到对应的身份标签；
需要说明的是，对加密后的车辆状态数据进行分块处理，从而更好地处理大量的车辆状态数据，将其分割成多个块，有助于后续的数据分析和处理。这种分块处理有助于提高数据的处理效率和降低计算复杂度。进行数据块长度分析，得到每个数据块对应的长度信息。目的是了解每个数据块的大小，为后续的阈值分析提供基础。通过对数据块长度的分析，服务器更好地适应不同大小的数据块，提高处理的灵活性。分别对多个数据块长度信息进行阈值分析，得到阈值分析结果。目的是确定数据填充的需要，根据分析结果，服务器调整数据填充的策略以适应不同的情况，保证数据处理的准确性。随后进行数据填充处理，即根据阈值分析结果对每个数据块进行适当的填充，以确保数据块的长度符合服务器要求。数据填充是为了保证数据块的一致性，以便进行后续的加密处理。对填充后的数据块进行AES算法加密处理。在保证数据一致性的基础上，对数据进行二次加密，以增强数据的安全性。这样即使在传输过程中发生截获，恶意获取数据的难度也会进一步增加。对加密后的状态数据进行车辆身份信息识别，得到对应的身份标签。确保只有经过授权的实体能够解密和使用数据。通过身份标签，服务器验证数据的接收方是否有权访问解密后的车辆状态数据，从而保障数据的安全性和隐私性。
S103、对身份标签进行安全性验证，当身份标签通过安全性验证时，对加密状态数据进行边缘计算处理，得到加密状态数据的边缘数据集合；
具体的，对身份标签进行原始数据转换，得到身份标签对应的原始身份数据。这样的原始身份数据包括了与车辆或驾驶员相关的唯一信息，如车辆ID或驾驶员的身份证号码等。原始身份数据通过预置的合法身份数据库进行安全性验证。这一数据库中存储了合法身份的信息，通过比对原始身份数据，服务器得到安全性验证的结果。这是为了确保数据的接收方是经过合法认证的，从而防止非法访问和数据泄露。当安全性验证结果确认身份标签通过了验证时，即表明接收方的身份是合法的，此时，对加密状态数据进行传输协议匹配，目的是确定适用于当前情境的传输协议。传输协议的选择基于网络状况、接收方的设备兼容性等因素，以确保数据能够安全、高效地传输。基于确定的传输协议，将加密状态数据传输至预置的边缘计算终端。边缘计算终端是分布在网络边缘的计算设备，它具有对数据进行实时处理和分析的能力。在这个阶段，服务器实施了实时事件检测，通过对传输过来的数据进行即时分析，得到实时事件集合。为了提高数据的准确性和可用性，服务器进行数据降噪处理。消除由于传输或采集过程中引入的噪声，确保最终得到的数据集合是可靠且具有实际意义的。通过降噪处理，服务器有效地提高了数据质量，为后续的分析和应用提供了更为可靠的基础。最终，服务器得到了加密状态数据的边缘数据集合。这个数据集合包含了经过安全性验证的车辆状态信息，经过传输协议匹配、实时事件检测和数据降噪处理的数据，为后续的车辆特征分析和环境数据预测提供了高质量的数据基础。
S104、对边缘数据集合进行特征工程处理，得到边缘数据集合对应的车辆特征数据；
需要说明的是，对边缘数据集合进行时域特征提取。时域特征通常包括了一系列描述数据在时间维度上变化的特性，如均值、标准差、最大值、最小值等。这些时域特征提供了对车辆状态数据的整体描述，反映了其在时间上的变动规律。进行频域特征提取，通过对边缘数据集合进行频域分析，可以获取数据在频率域上的信息。频域特征包括频谱、频率分量等，这有助于识别车辆状态中的周期性变化或频率成分，例如引擎的周期性振动。随后，进行空域特征提取，这包括了对空间分布的分析，揭示了车辆状态在空间上的分布规律。这涉及到对车辆传感器布局的考虑，以及车辆各部分之间的空间关系。这样的空域特征提取有助于全面理解车辆状态的整体结构。对时域特征、频域特征和空域特征进行特征统计分析，得到一个统计特征集。这个集合综合了不同特征维度上的统计信息，形成了一个全面而多样的特征描述。在统计特征集的基础上，进行时间序列分析。揭示特征之间的时间关系和动态变化规律，有助于更深层次地理解车辆状态的演化过程。最终，基于时间序列数据和统计特征集，对边缘数据集合进行数据特征标准化处理。标准化可以确保不同特征的尺度一致，使得它们在后续的分析中能够发挥作用。这一步骤增加了数据的可比性，为更高层次的模型建立和决策提供了更可靠的基础。
S105、对车辆特征数据进行车辆环境信息分析，得到车辆特征数据对应的车辆环境数据；
具体的，通过车辆特征数据以及车辆位置信息对目标车辆进行车辆坐标分析，得到目标车辆的车辆坐标数据。基于车辆位置信息，结合车辆特征数据，对目标车辆在地理坐标上的位置进行精确分析。车辆坐标数据的获取为后续的环境信息分析提供了空间基础。在获取了车辆坐标数据后，服务器进行天气参数采集。通过基于车辆坐标数据的地理位置信息，服务器调用相应的气象服务或传感器，采集目标车辆所在位置的天气参数数据。这包括温度、湿度、风速等信息，为车辆环境数据的多样性提供了气象背景。同时，服务器基于车辆坐标数据进行交通流量数据采集。服务器获取目标车辆所在位置的交通流量信息，即道路上车辆的数量和流动情况。这有助于预测交通拥堵、规划最佳行驶路线等方面。基于采集到的交通流量数据，进行道路环境采集。对目标车辆所在道路的环境进行详细分析，包括道路类型、道路条件、交叉口信息等。这样的道路环境数据有助于更全面地理解车辆运行环境，从而为车辆控制和导航提供更准确的信息。最终，将采集到的天气参数数据、交通流量数据以及道路环境数据合并为车辆环境数据。服务器综合了多个维度的环境信息，形成了对目标车辆周围环境的全面描述。这个车辆环境数据是基于车联网数据处理的关键输出，为后续的智能交通***、驾驶辅助***等应用提供了重要的输入。
S106、对车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对车辆空间数据进行车辆控制策略构建，得到目标车辆的车辆控制策略，并根据车辆控制策略生成车辆控制提示信息。
需要说明的是，基于车辆环境数据构建目标车辆的虚拟行驶空间。这一步骤考虑了目标车辆所在的环境特征，包括道路状况、交通流量、天气等多个因素。通过对这些因素的综合分析，服务器建立了目标车辆未来行驶的虚拟环境，为后续的空间数据预测提供了基础。在虚拟行驶空间中，对目标车辆进行车辆空间数据分析。分析过程关注车辆周围的空间情况，包括了其他车辆的位置、速度、行驶轨迹等信息。通过对车辆空间数据的深入分析，服务器获得了目标车辆在虚拟行驶空间中的具***置和运动状态。随后，对车辆空间数据进行车辆行驶影响因子计算，确定影响目标车辆行驶的各种因素，如交通状况、道路类型、相对速度等。通过对这些因子的计算，服务器得到了一个影响因子数据集，反映了车辆周围环境对目标车辆行驶的影响程度。随后，基于得到的影响因子数据集以及车辆空间数据，服务器进行车辆控制策略的构建。通过对影响因子的综合考量，采用机器学习、规则引擎等方法，为目标车辆制定最优的行驶策略。这个策略可以包括调整速度、变更车道、采取紧急制动等措施，以适应当前环境的变化。最终，基于构建的车辆控制策略，服务器生成车辆控制提示信息。这些提示信息可以直接传递给驾驶员，也可以作为输入传递给车辆的自动驾驶***。这样，服务器不仅为车辆提供了灵活的控制策略，还通过提示信息促进了驾驶员与自动驾驶***之间的协同工作。
本发明实施例中，通过部署在目标车辆上的多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据；对车辆状态数据进行AES算法加密，得到加密状态数据，对加密状态数据进行车辆身份信息识别，得到对应的身份标签；对身份标签进行安全性验证，当身份标签通过安全性验证时，对加密状态数据进行边缘计算处理，得到加密状态数据的边缘数据集合；对边缘数据集合进行特征工程处理，得到边缘数据集合对应的车辆特征数据；对车辆特征数据进行车辆环境信息分析，得到车辆特征数据对应的车辆环境数据；对车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对车辆空间数据进行车辆控制策略构建，得到目标车辆的车辆控制策略，并根据车辆控制策略生成车辆控制提示信息。在本申请方案中，通过采用AES算法对车辆状态数据进行加密，确保了数据在传输和存储过程中的安全性，防止未经授权的访问。同时，通过身份信息的加密和验证，确保只有合法的用户能够获取到车辆的敏感信息，有效保护了车辆主人的隐私。在车辆端进行实时数据采集、边缘计算处理和控制策略构建，减少了数据传输到云端的时间延迟，提高了***的实时性和响应性。通过车辆环境信息分析和空间数据预测，***能够更全面地了解车辆所处的交通环境。基于这些信息，构建智能的车辆控制策略，使车辆能够更加智能地应对复杂的交通情境，提高驾驶的安全性和效率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据；
（2）对车辆状态数据进行数据分类，得到目标车辆的车辆运动数据集合、车辆方向信息集合以及车辆位置信息，其中，车辆运动数据集合包括车辆速度数据、车辆加速度数据、车辆角速度数据，车辆方向信息集合包括车辆行驶方向以及车辆倾角数据。
具体的，通过多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据，可以使用各种类型的传感器，如惯性传感器、视觉传感器、雷达、激光雷达等。这些传感器能够提供关于车辆运动、周围环境以及位置的多维度信息。例如，惯性传感器可以提供车辆的加速度、角速度等信息，视觉传感器可以捕捉周围道路和车辆的图像，而雷达则用于检测周围物体的距离和速度。通过这些传感器的协同工作，可以建立一个全面的车辆数据采集***。对车辆状态数据进行数据分类。对从传感器获取的原始数据进行处理和解析，以区分不同类型的信息。例如，对于加速度和角速度数据，可以通过信号处理方法提取出车辆的运动状态信息。同时，视觉传感器捕获的图像可以通过计算机视觉技术进行目标检测和跟踪，从而获取车辆的位置信息。雷达数据则可用于识别周围障碍物的位置和运动状态。这样，就得到了车辆运动数据集合、车辆方向信息集合以及车辆位置信息。例如，通过惯性传感器，服务器获取车辆的速度、加速度和角速度数据。摄像头可以捕捉道路上的图像，用于识别车道线、其他车辆和交通标志。激光雷达可以测量周围障碍物的距离和相对速度。这样，通过这三个传感器协同工作，可以得到丰富的车辆状态数据。车辆状态数据的分类是为了更好地理解和利用这些信息。车辆运动数据集合可以包括速度、加速度和角速度等，这是关于车辆动力学行为的重要指标。车辆方向信息集合包括行驶方向和倾角等，提供了车辆朝向和姿态的关键信息。而车辆位置信息则涵盖了车辆在地理空间中的具***置，是导航和路径规划等应用的基础。例如，通过对速度、加速度和角速度数据的分析，服务器了解车辆的运动状态，判断是否需要进行急刹车或加速。通过车辆方向信息的分析，可以检测车辆是否在正确的车道上行驶，以及是否存在倾斜或转弯等情况。而通过车辆位置信息的分析，服务器确定车辆在地图上的具***置，为导航***提供准确的位置信息。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对车辆状态数据进行数据分块处理，得到多个车辆状态数据块；
S202、对每个车辆状态数据块进行数据块长度分析，得到每个车辆状态数据块对应的数据块长度信息；
S203、分别对多个数据块长度信息进行阈值分析，得到阈值分析结果；
S204、通过阈值分析结果对每个车辆状态数据块进行数据填充处理，得到多个填充数据块；
S205、分别对每个填充数据块进行AES算法加密处理，得到加密状态数据；
S206、对加密状态数据进行车辆身份信息识别，得到对应的身份标签。
需要说明的是，对车辆状态数据进行数据分块处理。将连续的车辆状态数据划分为多个较小的数据块。这样的数据分块有助于提高处理效率，同时更好地适应不同的分析和加密处理需求。例如，考虑一段时间内车辆的运动状态数据，可以将其划分为多个时间窗口，每个窗口代表一个数据块。对每个车辆状态数据块进行数据块长度分析。对每个数据块的长度进行详细分析，确定数据块内的数据数量和时间跨度。这个分析过程可以根据具体应用需求确定，例如，以时间为基准进行固定长度的数据块分析。随后，对多个数据块长度信息进行阈值分析，确定合适的阈值，用于后续的数据填充处理。阈值的设定基于数据块长度的分布情况，可以根据平均长度、标准差等统计指标来确定。这个阈值分析是为了有效地对不同长度的数据块进行处理，以提高数据一致性和稳定性。通过阈值分析的结果，对每个车辆状态数据块进行数据填充处理，使各个数据块的长度达到一个相对统一的水平。例如，对于长度较短的数据块，可以通过填充一些虚拟数据或通过插值方法进行数据填充，以使其达到阈值要求的长度。对每个填充数据块进行AES算法加密处理。AES算法是一种高级加密标准，常用于对敏感信息进行加密。通过对填充数据块进行AES加密，可以确保车辆状态数据在传输和存储过程中的安全性。这是保护车辆信息不被恶意访问或篡改的重要步骤。最终，对加密状态数据进行车辆身份信息识别。结合加密状态数据和车辆的身份信息，可以通过事先建立的身份数据库进行验证。身份信息的识别是为了确保只有授权用户才能访问和解密车辆状态数据，从而保障数据的隐私和安全性。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对身份标签进行原始数据转换，得到身份标签对应的原始身份数据；
S302、通过预置的合法身份数据库对原始身份数据进行安全性验证，得到对应的安全性验证结果；
S303、当安全性验证结果为身份标签通过安全性验证时，对加密状态数据进行传输协议匹配，得到目标传输协议；
S304、基于目标传输协议，将加密状态数据传输至预置的边缘计算终端进行实时事件检测，得到实时事件集合；
S305、对实时事件集合进行数据降噪处理，得到加密状态数据的边缘数据集合。
需要说明的是，对身份标签进行原始数据转换。身份标签通常是加密的字符串或代码，需要将其转换为原始身份数据，以便进行后续的身份验证。这个过程包括解密、解码等操作，将身份标签还原为可识别的身份信息。例如，如果身份标签是经过Base64编码的字符串，那么需要对其进行解码以获取原始数据。通过预置的合法身份数据库对原始身份数据进行安全性验证，确保身份信息的合法性和有效性。服务器会将原始身份数据与事先存储在数据库中的合法身份信息进行比对。如果身份信息在数据库中存在且有效，验证结果为通过；否则，验证结果为不通过。这个安全性验证的过程保证了只有授权用户能够进行后续的数据处理步骤。当安全性验证结果为身份标签通过安全性验证时，接下来进行传输协议匹配，确定如何安全地传输加密状态数据。通过预定义的传输协议，服务器选择最适合当前情境的数据传输方式。例如，可以选择使用HTTPS协议进行加密的数据传输，确保数据在传输过程中不被窃取或篡改。随后，基于确定的传输协议，将加密状态数据传输至预置的边缘计算终端进行实时事件检测。边缘计算终端是一个分布式的计算设备，通常位于接近数据源的位置，可以在本地进行实时事件检测和处理。从而提高数据处理的效率，减少数据传输的时延，同时保护隐私敏感的信息不被传输到远程服务器。得到实时事件集合后，对这些事件进行数据降噪处理。数据降噪是为了去除一些无关或冗余的信息，使得最终得到的数据更加精炼和有针对性。例如，可以通过滤波算法去除传感器噪声，筛选出真正具有意义的事件。这一步骤有助于提高数据的质量和可用性。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对边缘数据集合进行时域特征提取，得到边缘数据集合对应的时域特征；
S402、对边缘数据集合进行频域特征提取，得到边缘数据集合对应的频域特征；
S403、对边缘数据集合进行空域特征提取，得到边缘数据集合对应的空域特征；
S404、对时域特征、频域特征以及空域特征进行特征统计分析，得到统计特征集；
S405、对统计特征集进行时间序列分析，得到对应的时间序列数据；
S406、基于时间序列数据以及统计特征集，对边缘数据集合进行数据特征标准化处理，得到边缘数据集合对应的车辆特征数据。
对边缘数据集合进行时域特征提取。时域特征描述的是数据在时间上的变化规律。通过应用时间域分析方法，例如均值、方差、标准差、均方根等，可以提取出数据的时域特征。例如，对于车辆运动状态数据，可以提取出平均速度、加速度的标准差、转向角速度的均方根等时域特征。对边缘数据集合进行频域特征提取。频域特征描述的是数据在频率上的分布和变化情况。通过应用傅立叶变换或其他频域分析方法，可以获取数据的频域特征，例如频谱密度、主频、频带能量等。在车联网应用中，频域特征可以用于分析车辆运动的周期性，检测异常振动或震动等。对边缘数据集合进行空域特征提取。空域特征关注数据在空间上的分布和关联性。对于图像或传感器阵列等数据，可以通过空域分析方法提取出空域特征，例如纹理、边缘信息、空间分布等。在车联网中，通过对周围环境的图像数据进行空域特征提取，可以获取道路的纹理信息、车辆的位置关系等。对时域特征、频域特征以及空域特征进行特征统计分析。综合各种特征，形成一个全面的统计特征集。统计特征集可以包括各个特征的均值、方差、偏度、峰度等统计量，从而更全面地描述数据的特性。随后，对统计特征集进行时间序列分析，理解特征随时间的演变趋势。通过时间序列分析，可以检测出数据中的周期性、趋势性和异常点。这有助于理解车辆运动状态、环境变化等方面。基于时间序列数据以及统计特征集，接下来对边缘数据集合进行数据特征标准化处理。将不同特征的数据进行归一化，以便更好地进行后续的分析和建模。标准化可以通过Z-score标准化、MinMax标准化等方法实现，确保各个特征具有相同的尺度。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）通过车辆特征数据以及车辆位置信息对目标车辆进行车辆坐标分析，得到目标车辆的车辆坐标数据；
（2）基于车辆坐标数据，对目标车辆进行天气参数采集，得到目标车辆对应的天气参数数据；
（3）基于车辆坐标数据，对目标车辆进行交通流量数据采集，得到目标车辆对应的交通流量数据；
（4）基于交通流量数据，对目标车辆进行道路环境采集，得到目标车辆的道路环境数据；
（5）将天气参数数据、交通流量数据以及道路环境数据合并为车辆环境数据。
具体的，通过车辆特征数据以及车辆位置信息对目标车辆进行车辆坐标分析，得到目标车辆的车辆坐标数据。车辆坐标数据是车辆位置信息的精确表示，通过对这些数据进行分析，可以获取目标车辆在空间中的准确位置。例如，通过全球定位***（GPS）等技术获取目标车辆的经度和纬度信息，从而确定其精确位置。基于得到的车辆坐标数据，进行天气参数采集。通过与气象站点或其他天气数据源交互，可以获取目标车辆所在位置的天气参数，如温度、湿度、风速等。这些天气参数有助于理解车辆当前处境、提前做好应对恶劣天气的准备。同时，基于车辆坐标数据进行交通流量数据采集。通过与交通管理***或传感器网络进行交互，可以获取目标车辆所在位置的交通流量信息。这包括附近道路的车辆密度、车速等数据，有助于了解当前交通状况。随后，基于交通流量数据，进行道路环境采集，获取目标车辆所在道路的环境特征，如道路类型、车道数量、道路状况等。这些信息有助于车辆***更好地适应不同的驾驶环境。将天气参数数据、交通流量数据以及道路环境数据合并为车辆环境数据。通过整合这些数据，服务器得到一个综合的车辆环境信息，提供给车辆控制***和决策算法使用。例如，如果天气突变，交通拥堵严重，服务器根据合并后的车辆环境数据调整车辆的驾驶模式或提供相应的驾驶建议。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）基于车辆环境数据构建目标车辆的虚拟行驶空间；
（2）在虚拟行驶空间对目标车辆进行车辆空间数据分析，得到车辆空间数据；
（3）对车辆空间数据进行车辆行驶影响因子计算，得到影响因子数据集；
（4）通过影响因子数据集以及车辆空间数据，对目标车辆进行车辆控制策略构建，得到目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
具体的，基于车辆环境数据构建目标车辆的虚拟行驶空间。虚拟行驶空间是一个模拟的、数字化的车辆运动环境，包括道路结构、交通流量、障碍物位置等信息。通过对实际车辆环境数据的建模和仿真，服务器创建一个虚拟环境，以更好地理解目标车辆所处的场景。在虚拟行驶空间中对目标车辆进行车辆空间数据分析。对虚拟环境中的车辆位置、速度、方向等数据进行实时监测和分析。通过模拟车辆的运动轨迹和与周围环境的互动，服务器捕捉到目标车辆在虚拟环境中的动态行为。对车辆空间数据进行车辆行驶影响因子计算。影响因子是指影响车辆行驶行为的各种因素，如交通流量、路况、天气等。通过对车辆空间数据的分析，可以计算得到这些影响因子的数据集。例如，交通拥堵程度、道路湿滑程度、周围车辆的速度等都是影响因子的具体表现。基于得到的影响因子数据集以及车辆空间数据，对目标车辆进行车辆控制策略构建。根据实时获取的环境信息，通过先进的控制算法，为目标车辆制定合理的行驶策略。例如，在高交通流量时，服务器选择更加谨慎的驾驶策略以确保行车安全。根据所得的车辆控制策略生成车辆控制提示信息。这些提示信息可以包括建议的速度调整、变道建议、预测交叉口的行驶路径等。这些提示信息可以通过车辆内部显示屏、语音提示或者其他交互手段传达给驾驶员，或者直接应用到自动驾驶***中。
上面对本发明实施例中基于车联网的数据处理方法进行了描述，下面对本发明实施例中基于车联网的数据处理***进行描述，请参阅图5，本发明实施例中基于车联网的数据处理***一个实施例包括：
采集模块501，用于通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据；
加密模块502，用于对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；
验证模块503，用于对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合；
处理模块504，用于对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据；
分析模块505，用于对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据；
预测模块506，用于对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
通过上述各个组成部分的协同合作，通过部署在目标车辆上的多个传感器对目标车辆进行车辆数据采集，得到车辆状态数据；对车辆状态数据进行AES算法加密，得到加密状态数据，对加密状态数据进行车辆身份信息识别，得到对应的身份标签；对身份标签进行安全性验证，当身份标签通过安全性验证时，对加密状态数据进行边缘计算处理，得到加密状态数据的边缘数据集合；对边缘数据集合进行特征工程处理，得到边缘数据集合对应的车辆特征数据；对车辆特征数据进行车辆环境信息分析，得到车辆特征数据对应的车辆环境数据；对车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对车辆空间数据进行车辆控制策略构建，得到目标车辆的车辆控制策略，并根据车辆控制策略生成车辆控制提示信息。在本申请方案中，通过采用AES算法对车辆状态数据进行加密，确保了数据在传输和存储过程中的安全性，防止未经授权的访问。同时，通过身份信息的加密和验证，确保只有合法的用户能够获取到车辆的敏感信息，有效保护了车辆主人的隐私。在车辆端进行实时数据采集、边缘计算处理和控制策略构建，减少了数据传输到云端的时间延迟，提高了***的实时性和响应性。通过车辆环境信息分析和空间数据预测，***能够更全面地了解车辆所处的交通环境。基于这些信息，构建智能的车辆控制策略，使车辆能够更加智能地应对复杂的交通情境，提高驾驶的安全性和效率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时，可以存储在一个计算机可读取存储介质中。基于的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomacceSmemory，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，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种基于车联网的数据处理方法，其特征在于，所述基于车联网的数据处理方法包括：
通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据；具体包括：通过多个所述传感器对所述目标车辆进行车辆数据采集，得到所述车辆状态数据；对所述车辆状态数据进行数据分类，得到所述目标车辆的车辆运动数据集合、车辆方向信息集合以及车辆位置信息，其中，所述车辆运动数据集合包括车辆速度数据、车辆加速度数据、车辆角速度数据，所述车辆方向信息集合包括车辆行驶方向以及车辆倾角数据；
对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；具体包括：对所述车辆状态数据进行数据分块处理，得到多个车辆状态数据块；对每个所述车辆状态数据块进行数据块长度分析，得到每个所述车辆状态数据块对应的数据块长度信息；分别对多个所述数据块长度信息进行阈值分析，得到阈值分析结果；通过所述阈值分析结果对每个所述车辆状态数据块进行数据填充处理，得到多个填充数据块；分别对每个所述填充数据块进行AES算法加密处理，得到加密状态数据；对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；
对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合；具体包括：对所述身份标签进行原始数据转换，得到所述身份标签对应的原始身份数据；通过预置的合法身份数据库对所述原始身份数据进行安全性验证，得到对应的安全性验证结果；当所述安全性验证结果为所述身份标签通过安全性验证时，对所述加密状态数据进行传输协议匹配，得到目标传输协议；基于所述目标传输协议，将所述加密状态数据传输至预置的边缘计算终端进行实时事件检测，得到实时事件集合；对所述实时事件集合进行数据降噪处理，得到所述加密状态数据的边缘数据集合；
对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据；具体包括：对所述边缘数据集合进行时域特征提取，得到所述边缘数据集合对应的时域特征；对所述边缘数据集合进行频域特征提取，得到所述边缘数据集合对应的频域特征；对所述边缘数据集合进行空域特征提取，得到所述边缘数据集合对应的空域特征；对所述时域特征、所述频域特征以及所述空域特征进行特征统计分析，得到统计特征集；对所述统计特征集进行时间序列分析，得到对应的时间序列数据；基于所述时间序列数据以及所述统计特征集，对所述边缘数据集合进行数据特征标准化处理，得到所述边缘数据集合对应的车辆特征数据；
对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据；具体包括：通过所述车辆特征数据以及所述车辆位置信息对所述目标车辆进行车辆坐标分析，得到所述目标车辆的车辆坐标数据；基于所述车辆坐标数据，对所述目标车辆进行天气参数采集，得到所述目标车辆对应的天气参数数据；基于所述车辆坐标数据，对所述目标车辆进行交通流量数据采集，得到所述目标车辆对应的交通流量数据；基于所述交通流量数据，对所述目标车辆进行道路环境采集，得到所述目标车辆的道路环境数据；将所述天气参数数据、所述交通流量数据以及所述道路环境数据合并为所述车辆环境数据；
对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息；具体包括：基于所述车辆环境数据构建所述目标车辆的虚拟行驶空间；在所述虚拟行驶空间对所述目标车辆进行车辆空间数据分析，得到所述车辆空间数据；对所述车辆空间数据进行车辆行驶影响因子计算，得到影响因子数据集；通过所述影响因子数据集以及所述车辆空间数据，对所述目标车辆进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
2.一种基于车联网的数据处理***，其特征在于，所述基于车联网的数据处理***包括：
采集模块，用于通过部署在预置的目标车辆上的多个传感器对所述目标车辆进行车辆数据采集，得到车辆状态数据；具体包括：通过多个所述传感器对所述目标车辆进行车辆数据采集，得到所述车辆状态数据；对所述车辆状态数据进行数据分类，得到所述目标车辆的车辆运动数据集合、车辆方向信息集合以及车辆位置信息，其中，所述车辆运动数据集合包括车辆速度数据、车辆加速度数据、车辆角速度数据，所述车辆方向信息集合包括车辆行驶方向以及车辆倾角数据；
加密模块，用于对所述车辆状态数据进行AES算法加密，得到加密状态数据，同时，对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；具体包括：对所述车辆状态数据进行数据分块处理，得到多个车辆状态数据块；对每个所述车辆状态数据块进行数据块长度分析，得到每个所述车辆状态数据块对应的数据块长度信息；分别对多个所述数据块长度信息进行阈值分析，得到阈值分析结果；通过所述阈值分析结果对每个所述车辆状态数据块进行数据填充处理，得到多个填充数据块；分别对每个所述填充数据块进行AES算法加密处理，得到加密状态数据；对所述加密状态数据进行车辆身份信息识别，得到对应的身份标签；
验证模块，用于对所述身份标签进行安全性验证，当所述身份标签通过安全性验证时，对所述加密状态数据进行边缘计算处理，得到所述加密状态数据的边缘数据集合；具体包括：对所述身份标签进行原始数据转换，得到所述身份标签对应的原始身份数据；通过预置的合法身份数据库对所述原始身份数据进行安全性验证，得到对应的安全性验证结果；当所述安全性验证结果为所述身份标签通过安全性验证时，对所述加密状态数据进行传输协议匹配，得到目标传输协议；基于所述目标传输协议，将所述加密状态数据传输至预置的边缘计算终端进行实时事件检测，得到实时事件集合；对所述实时事件集合进行数据降噪处理，得到所述加密状态数据的边缘数据集合；
处理模块，用于对所述边缘数据集合进行特征工程处理，得到所述边缘数据集合对应的车辆特征数据；具体包括：对所述边缘数据集合进行时域特征提取，得到所述边缘数据集合对应的时域特征；对所述边缘数据集合进行频域特征提取，得到所述边缘数据集合对应的频域特征；对所述边缘数据集合进行空域特征提取，得到所述边缘数据集合对应的空域特征；对所述时域特征、所述频域特征以及所述空域特征进行特征统计分析，得到统计特征集；对所述统计特征集进行时间序列分析，得到对应的时间序列数据；基于所述时间序列数据以及所述统计特征集，对所述边缘数据集合进行数据特征标准化处理，得到所述边缘数据集合对应的车辆特征数据；
分析模块，用于对所述车辆特征数据进行车辆环境信息分析，得到所述车辆特征数据对应的车辆环境数据；具体包括：通过所述车辆特征数据以及所述车辆位置信息对所述目标车辆进行车辆坐标分析，得到所述目标车辆的车辆坐标数据；基于所述车辆坐标数据，对所述目标车辆进行天气参数采集，得到所述目标车辆对应的天气参数数据；基于所述车辆坐标数据，对所述目标车辆进行交通流量数据采集，得到所述目标车辆对应的交通流量数据；基于所述交通流量数据，对所述目标车辆进行道路环境采集，得到所述目标车辆的道路环境数据；将所述天气参数数据、所述交通流量数据以及所述道路环境数据合并为所述车辆环境数据；
预测模块，用于对所述车辆环境数据进行车辆空间数据预测，得到对应的车辆空间数据，同时，对所述车辆空间数据进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息；具体包括：基于所述车辆环境数据构建所述目标车辆的虚拟行驶空间；在所述虚拟行驶空间对所述目标车辆进行车辆空间数据分析，得到所述车辆空间数据；对所述车辆空间数据进行车辆行驶影响因子计算，得到影响因子数据集；通过所述影响因子数据集以及所述车辆空间数据，对所述目标车辆进行车辆控制策略构建，得到所述目标车辆的车辆控制策略，并根据所述车辆控制策略生成车辆控制提示信息。
CN202311549805.7A 2023-11-21 2023-11-21 基于车联网的数据处理方法及*** Active CN117278328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311549805.7A CN117278328B (zh) 2023-11-21 2023-11-21 基于车联网的数据处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311549805.7A CN117278328B (zh) 2023-11-21 2023-11-21 基于车联网的数据处理方法及***

Publications (2)

Publication Number Publication Date
CN117278328A CN117278328A (zh) 2023-12-22
CN117278328B true CN117278328B (zh) 2024-02-06

Family

ID=89212757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311549805.7A Active CN117278328B (zh) 2023-11-21 2023-11-21 基于车联网的数据处理方法及***

Country Status (1)

Country Link
CN (1) CN117278328B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113525340A (zh) * 2020-04-21 2021-10-22 乾碳国际公司 Ace重卡节油机器人***
CN114501430A (zh) * 2019-12-31 2022-05-13 汉熵通信有限公司 下一代物联网体系架构设计方法与应用***
WO2023003877A1 (en) * 2021-07-21 2023-01-26 View, Inc. Control of one or more devices in a vehicle
WO2023087181A1 (zh) * 2021-11-17 2023-05-25 浙江吉利控股集团有限公司 车路协同多车路径规划和路权决策方法、***和路基单元

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10037689B2 (en) * 2015-03-24 2018-07-31 Donald Warren Taylor Apparatus and system to manage monitored vehicular flow rate
CN113596764A (zh) * 2018-07-22 2021-11-02 王铁军 多模异构iot网络
US11535255B2 (en) * 2019-02-28 2022-12-27 Toyota Motor North America, Inc. Micro-weather reporting
US11726184B2 (en) * 2019-03-08 2023-08-15 Leddartech Inc. Component for a LIDAR sensor system, LIDAR sensor system, LIDAR sensor device, method for a LIDAR sensor system and method for a LIDAR sensor device
DE112020001642T5 (de) * 2019-03-29 2022-03-10 Intel Corporation Autonomes Fahrzeugsystem

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501430A (zh) * 2019-12-31 2022-05-13 汉熵通信有限公司 下一代物联网体系架构设计方法与应用***
CN113525340A (zh) * 2020-04-21 2021-10-22 乾碳国际公司 Ace重卡节油机器人***
WO2023003877A1 (en) * 2021-07-21 2023-01-26 View, Inc. Control of one or more devices in a vehicle
WO2023087181A1 (zh) * 2021-11-17 2023-05-25 浙江吉利控股集团有限公司 车路协同多车路径规划和路权决策方法、***和路基单元

Also Published As

Publication number Publication date
CN117278328A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
US12002103B2 (en) Vehicle-to-vehicle incident information collection
US11694487B1 (en) Vehicle-to-vehicle accident detection
CN109714421B (zh) 基于车路协同的智能网联汽车运行***
CN112712717B (zh) 一种信息融合的方法、装置和设备
Castignani et al. Smartphone-based adaptive driving maneuver detection: A large-scale evaluation study
EP3098798B1 (en) Data processing method, server and terminal for internet of vehicles
Boddupalli et al. Resilient cooperative adaptive cruise control for autonomous vehicles using machine learning
CN108171430A (zh) 数据处理方法、车载设备以及ubi分析中心服务器
Cui et al. Collaborative analysis framework of safety and security for autonomous vehicles
Jha et al. Ml-driven malware that targets av safety
CN112712729B (zh) 预测运动轨迹的方法和***
CN112740286A (zh) 用于将车辆的传感器数据匿名传输给车辆外部的接收单元的方法以及匿名化***、机动车和车辆外部的接收单元
Strandberg et al. A systematic literature review on automotive digital forensics: Challenges, technical solutions and data collection
Sharma et al. Cybersecurity and forensics in connected autonomous vehicles: A review of the state-of-the-art
CN113836564B (zh) 一种基于区块链的网联汽车信息安全***
CN112600839A (zh) 基于车联网平台构建安全威胁关联视图的方法及装置
Shi et al. Computing Systems for Autonomous Driving
Kaiser et al. A Vehicle Telematics Service for Driving Style Detection: Implementation and Privacy Challenges.
Cui et al. Privacy and accuracy for cloud-fog-edge collaborative driver-vehicle-road relation graphs
CN117278328B (zh) 基于车联网的数据处理方法及***
Abdo et al. Cybersecurity on connected and automated transportation systems: A survey
Agosta et al. V2I cooperation for traffic management with SafeCop
Markwood et al. Vehicle self-surveillance: Sensor-enabled automatic driver recognition
CN109215162B (zh) 无人车黑匣子的数据监测方法和装置、无人车黑匣子
Schmittner et al. A proposal for a comprehensive automotive cybersecurity reference architecture

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant