本发明涉及数据处理。更具体地，本发明涉及基于互联网的车辆检测系统及方法。
背景技术：
1、智慧终端电力运维安全数据系统是指利用智能终端设备和相关技术，对电力运维过程中的安全数据进行管理和监控的系统。这个系统可以实时采集和监测电力终端设备的运行状态、电流电压等参数，通过数据分析和处理，提供预警和故障诊断，保障电力运维的安全性。现如今随着电动汽车和混合电力汽车的发展，车辆中的电力安全变得尤为重要，因此需要通过智慧终端电力运维安全数据系统对车辆进行检测，以便及时发现问题解决问题。
2、相关技术中，例如公开号为cn110533112b的中国专利文件，公开了一种车联网大数据跨域分析融合方法，本发明通过数据预处理技术、不确定数据预处理技术和车联网行业数据处理与融合技术，优化流数据等车联网特有数据的支持；基于车联网流数据的挖掘、分析、聚类技术、行为识别、异常检测等新型数据挖掘算法，提升系统的智能化水平。
3、目前在对车辆数据进行异常检测时，会采用一些聚类方法，例如k-shape聚类算法，但是由于车辆的电力数据在采集时会产生噪声，而k-shape算法侧重于时间序列的形状和模式相似性，而噪声对于时间序列的形状影响很大，从而影响k-shape算法对相似性的评估，进而影响聚类结果的准确性。
技术实现思路
1、本发明提供一种基于互联网的车辆检测系统及方法，旨在解决相关技术中由于车辆的电力数据在采集时会产生噪声，而k-shape算法侧重于时间序列的形状和模式相似性，而噪声对于时间序列的形状影响很大，从而影响k-shape算法对相似性的评估，进而影响聚类结果的准确性的问题。
2、在第一方面中，本发明提供了基于互联网的车辆检测方法，包括：采集车辆的电流数据，得到电流数据序列；采用修正k-shape算法对标准化后的电流数据序列进行聚类，得到聚类结果，所述聚类结果为多个簇，并计算各簇之间的差异值从而确定异常数据，以对车辆进行检测；其中，所述修正k-shape算法，包括：计算向量所在的序列和向量所在的序列之间的相似性，包括：
3、；式中，表示向量a所在序列中第个数据点的值，表示向量b所在序列中第个数据点的值，表示向量a所在序列中第个数据点对应的噪声表现程度，表示向量b所在序列中第个数据点对应的噪声表现程度，表示向量a、向量b重复部分序列长度；所述噪声表现程度反映了电流数据序列中电流数据的波动频率的快慢和波动幅度的不均匀程度。
4、其效果在于：通过分析车辆电流数据序列中数据点的噪声表现程度得到用于修正k-shape算法相似性评估的修正因子，进而对k-shape算法进行修正，从而提高聚类结果的准确性，从而提高了对车辆异常检测的准确性。
5、在一实施例中，将k-shape算法中计算各簇之间的差异值作为异常程度，包括：计算聚类结果中任一簇与其他簇的距离的平均值，并将平均值归一化后的值作为各簇的异常程度。
6、在一实施例中，将k-shape算法中计算各簇之间的差异值作为异常程度，还包括：根据聚类结果中任一簇中的数据点数量和该簇与其他簇的距离的平均值之间的乘积，得到各簇的异常程度，其中，所述异常程度和簇中数据点数量呈反相关、和该簇与其他簇的距离值呈正相关。
7、其效果在于：在计算异常程度时，考虑到了异常数据的独特性（异常数据不容易与大多数数据形成大的聚类，因此异常数据往往出现在数据点较少的簇中），因此，将异常数据的独特性和k-shape算法中本身计算差异的方法结合在一起，提高了最后计算异常程度结果的准确性。
8、在一实施例中，根据聚类结果中任一簇中的数据点数量和该簇与其他簇的距离的平均值之间的乘积，得到各簇的异常程度，包括：计算修正k-shape算法的聚类结果中第个簇的异常程度，计算公式为：；式中，为第个簇中数据点个数，为聚类结果中簇的个数，表示当前第个簇与聚类结果中第个簇的距离，（）表示归一化函数，为预设参数。
9、在一实施例中，计算各簇之间的差异值从而确定异常数据，以对车辆进行检测，包括：根据各簇之间的差异值确定各簇的异常程度；响应于该簇的异常程度大于或等于预设阈值时，则将该簇确定为异常数据，以对车辆进行检测。
10、其效果在于：通过设置阈值并进行比较的方法，便于对数据处理，提高的数据处理的速度，并能够快速得到异常数据。
11、在一实施例中，所述噪声表现程度是由电流数据序列中电流数据的波动频率的快慢和波动幅度的均匀性计算得到的，包括：计算出电流数据点的噪声表现程度，其中，表示为电流数据序列中第个数据点，计算公式为：；式中，表示电流数据点局部范围内数据点个数，局部范围表示以为中心的w个数据点长度，表示电流数据点局部范围内拟合曲线的极值点个数，表示电流数据点局部范围内的拟合曲线，则表示电流数据点局部范围内第个数据点和第个数据点之间的积分，即拟合曲线在其定义域范围内与x轴围成的面积，、分别表示电流数据点局部范围内第个数据点和第个数据点的电流数据取值，（）为归一化函数。其效果在于：将数据转化为可量化的形式，便于后续进行分析。
12、在一实施例中，得到拟合曲线为的方法，包括：利用最小二乘法对电流数据点局部范围内的数据点进行曲线拟合，得到拟合曲线为。
13、其效果在于：采用最小二乘法度数据点记性曲线拟合，计算简单，有利于对数据进行处理。
14、在一实施例中，采用修正k-shape算法对标准化后的电流数据序列聚类，得到聚类结果，包括：将标准化后的电流数据序列、聚类数k、滑动窗口长度z、滑动步长d输入到k-shape聚类算法中，并选取k个点作为初始聚类中心进行k-shape聚类，得到聚类结果；其中，k、z、d的取值均为预设值。
15、在一实施例中，采集车辆的电流数据，得到电流数据序列，包括：利用电流传感器按预设频率采集预设时间内的车辆正常运行时的电流数据，得到车辆电流数据序列。
16、本发明第二方面，还提供了一种基于互联网的车辆检测系统，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现以上任一项所述的基于互联网的车辆检测方法。
17、有益效果：根据车辆电流数据序列的变化特征，计算出电流数据点的噪声表现程度，通过各电流数据点的噪声表现程度对k-shape算法中相似性度量时做出修正，可以更准确地反映序列之间的真实相似性，也可以更精确地识别那些真正的异常数据，提高了检测的准确性。
1.一种基于互联网的车辆检测方法，其特征在于，包括：
2.根据权利要求1所述的基于互联网的车辆检测方法，其特征在于，并计算各簇之间的差异值，包括：
3.根据权利要求1所述的基于互联网的车辆检测方法，其特征在于，并计算各簇之间的差异值，还包括：
4.根据权利要求3所述的基于互联网的车辆检测方法，其特征在于，根据聚类结果中任一簇中的数据点数量和该簇与其他簇的距离的平均值之间的乘积，得到差异值，并将差异值归一化后的值作为各簇的异常程度，包括：
5.根据权利要求3所述的基于互联网的车辆检测方法，其特征在于，计算各簇之间的差异值从而确定异常数据，以对车辆进行检测，包括：
6.根据权利要求1所述的基于互联网的车辆检测方法，其特征在于，包括：计算出电流数据点的噪声表现程度，其中，表示为电流数据序列中第个数据点，计算公式为：
7.根据权利要求6所述的基于互联网的车辆检测方法，其特征在于，得到拟合曲线为的方法，包括：
8.根据权利要求1-7任一项所述的基于互联网的车辆检测方法，其特征在于，采用修正k-shape算法对标准化后的电流数据序列进行聚类，得到聚类结果，包括：
9.根据权利要求1-3任一项所述的基于互联网的车辆检测方法，其特征在于，采集车辆的电流数据，得到电流数据序列，包括：
10.一种基于互联网的车辆检测系统，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1-9任一项所述的基于互联网的车辆检测方法。
