一种基于弱监督学习车机卡顿识别方法及系统与流程

1.本发明属于汽车智能化应用技术领域，具体涉及基于弱监督学习车机卡顿识别技术。


背景技术：

2.车机是安装在汽车里面的车载信息娱乐产品的简称，车机在功能上能够实现人与车、车与外界的信息通讯，车机可能出现卡顿，卡顿主要表现为操作响应延迟、掉帧、加载缓慢。
3.原有车机主要提供音乐、导航等少量且核心功能，但基于用于体验需求多样化发展、技术进步等因素，依托车机为广大车主提供更极致的车机交互体验是必然趋势，于此同时，由于车机功能的多样化、使用日益高频化、车规级硬件迭代更新周期长等因素，车机卡顿成为交互体验的重要影响因素，识别车机卡顿也成为车企亟待解决的问题。
4.目前的卡顿识别方法主要为视频流媒体的卡顿识别，其方法主要为分析帧数之间的信息差异。车机上的卡顿识别尚未涉及，其主要原因是：车机卡顿数据为车企独有数据，获取难度大；传统车机应用场景少，使用频次较低，车机卡顿现象出现频率低且影响小；当车机发生卡顿时，用户并不会主动上报，车企智能获得车机运行数据，而无法获得带“卡顿”标签的数据，无法做正负样本的分类。因此，原来没有有效识别车机卡顿的强烈需求，也没有识别车机卡顿现象的可靠方法。


技术实现要素：

5.本发明的目的是提供一种基于弱监督学习车机卡顿识别方法及系统，解决的技术问题：相关技术中还没有一种方法可判断车机是否出现卡顿。为了解决上述技术问题，本发明采用的技术方案为：一种基于弱监督学习车机卡顿识别方法，包括以下步骤：s01，从blf文件中解析并导出cpu占用率、内存消耗及车辆内部总线数据；s02，找出输出所述cpu占用率和内存消耗时刻对应所有所述车辆内部总线的值；s03，将cpu占用率及内存消耗高的数据分为一类，其余数据分为另一类；s04，使用uu学习的方法，基于所述s03中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器；s05，所述分类器实时读取cpu占用率、内存消耗及车辆内部总线数据，并通过所述分类器输出是否处于卡顿状态的判断结果。
6.优选地，在所述s03中，所述cpu占用率及内存消耗高的数据的卡顿样本的比例高于所述另一类的数据。
7.本发明还提供一种基于弱监督学习车机卡顿识别系统，包括：解析模块，用于从blf文件中解析并导出cpu占用率、内存消耗及车辆内部总线数
据；查找模块，用于找出输出所述cpu占用率和内存消耗时刻对应所有所述车辆内部总线的值；分类模块，用于将cpu占用率及内存消耗高的数据分为一类，其余数据分为另一类；学习模块，用于使用uu学习的方法，基于所述分类模块中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器；读取模块，用于所述分类器实时读取cpu占用率、内存消耗及车辆内部总线数据；输出模块，用于通过所述分类器输出是否处于卡顿状态的判断结果。
8.优选地，在所述分类模块中，所述cpu占用率及内存消耗高的数据的卡顿样本的比例高于所述另一类的数据。
9.通过采用上述技术方案，本发明可达到的有益技术效果为：本发明实用uu学习的方法，基于分类好的数据作为输入，数据的分类作为输出，学习到一个分类器，分类器实时读取cpu占用率、内存消耗及车辆内部总线数据，并通过分类器输出是否处于卡顿状态的判断结果，本发明采用uu弱监督学习的方法，无需对卡顿数据打上精确标签，只需将数据进行大致分类即可，同时解决卡顿样本少的问题。本发明通过已有的cpu占用率、内存消耗及车辆内部总线数据识别车机是否卡顿。
附图说明
10.图1为本发明的流程图。
具体实施方式
11.下面结合附图对本发明作进一步说明。
12.如图1所示，本发明提供一种基于弱监督学习车机卡顿识别方法，包括以下步骤：数据获取；数据预处理；初步分类；训练分类器；模型部署。
13.步骤一，即数据获取，从blf文件中解析并导出cpu占用率、内存消耗及车辆内部总线数据。
14.具体地，有程序脚本可以直接读取blf文件的内容，输出为excel文件。blf文件为binary logging format的缩写，即二进制数据文件。
15.步骤二，即数据预处理，找出输出cpu占用率和内存消耗时刻对应所有车辆内部总线的值。
16.具体地，找到cpu占用率和内存消耗在excel表格里对应的时间戳，然后用这个时间戳在excel表格里找到相同时间戳对应的车辆内部总线的值。
17.进一步，具体地，因不同车内传感器的数据采集频率不一致，因此需对车辆内部总线的值进行筛选，找出输出cpu占用率和内存消耗时刻对应的所有车辆内部总线的值。
18.步骤三，将cpu占用率及内存消耗高的数据分为一类，其余数据分为另一类。
19.具体地，设置一个阈值，将高于阈值的cpu占用率及内存消耗的数据分到高卡顿风险的一类，其余的数据分到另一类。
20.进一步，具体地，将cpu占用率和内存消耗高的数据分为一类，将其余数据分为另一类，此时可认为cpu占用率高级内存消耗高的数据，其卡顿样本的比例高于另一类的数据，获得了模糊的分类，分类对卡顿样本进行了初筛。
21.步骤四，即训练分类器，使用uu学习的方法，基于步骤三中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器。
22.具体地，将步骤三中的一类作为正样本，一类作为负样本，选择一个具有对称性的损失函数，选择ber或auc作为评价指标，其余步骤和传统机器学习相同。
23.进一步，具体地，使用uu学习的方法，基于初步分类好的数据作为输入（实施cpu占用率、内存消耗及车辆内部总线数据），数据的分类作为输出，学习到一个分类器，由uu弱监督学习的理论可知，当损失函数具有对称性，优化的指标为工作特性曲线下面积时，所得到的分类器将与完全监督学习时相同，选取一个合适的对称损失函数，通过最大化工作特性曲线下面积，使得分类器参数达到最优，即获得了能够识别车机卡顿的分类器。
24.步骤五，即模型部署，分类器实时读取cpu占用率、内存消耗及车辆内部总线数据，并通过分类器输出是否处于卡顿状态的判断结果。
25.具体地，将cpu占用率、内存消耗及车辆内部总线数据作为步骤四中训练好的模型的输入，模型输出为分类的结果，即卡顿或者不卡顿。
26.进一步，具体地，将学习好的分类器模型部署到车机上，实时读取cpu占用率、内存消耗及车辆内部总线数据，并通过分类器输出是否处于卡顿状态的判断结果。
27.另外，还可验证分类器模型识别车机卡顿的有效性。在实验室环境中，通过人为地制造车机卡顿现象，验证有效性。


技术特征：
1.一种基于弱监督学习车机卡顿识别方法，其特征在于，包括以下步骤：s01，从blf文件中解析并导出cpu占用率、内存消耗及车辆内部总线数据；s02，找出输出所述cpu占用率和内存消耗时刻对应所有所述车辆内部总线的值；s03，将cpu占用率及内存消耗高的数据分为一类，其余数据分为另一类；s04，使用uu学习的方法，基于所述s03中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器；s05，所述分类器实时读取cpu占用率、内存消耗及车辆内部总线数据，并通过所述分类器输出是否处于卡顿状态的判断结果。2.根据权利要求1所述的基于弱监督学习车机卡顿识别方法，其特征在于，在所述s03中，所述cpu占用率及内存消耗高的数据的卡顿样本的比例高于所述另一类的数据。3.一种基于弱监督学习车机卡顿识别系统，其特征在于，包括：解析模块，用于从blf文件中解析并导出cpu占用率、内存消耗及车辆内部总线数据；查找模块，用于找出输出所述cpu占用率和内存消耗时刻对应所有所述车辆内部总线的值；分类模块，用于将cpu占用率及内存消耗高的数据分为一类，其余数据分为另一类；学习模块，用于使用uu学习的方法，基于所述分类模块中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器；读取模块，用于所述分类器实时读取cpu占用率、内存消耗及车辆内部总线数据；输出模块，用于通过所述分类器输出是否处于卡顿状态的判断结果。4.根据权利要求3所述的基于弱监督学习车机卡顿识别系统，其特征在于，在所述分类模块中，所述cpu占用率及内存消耗高的数据的卡顿样本的比例高于所述另一类的数据。

技术总结
本发明涉及一种基于弱监督学习车机卡顿识别方法及系统，该方法包括以下步骤：从blf文件中解析并导出CPU占用率、内存消耗及车辆内部总线数据；找出输出CPU占用率和内存消耗时刻对应所有车辆内部总线的值；将CPU占用率及内存消耗高的数据分为一类，其余数据分为另一类；使用UU学习的方法，基于上一步中分类好的数据作为输入，数据的分类作为输出，学习到一个分类器；分类器实时读取CPU占用率、内存消耗及车辆内部总线数据，并通过分类器输出是否处于卡顿状态的判断结果。本发明的优点：采用弱监督学习的方法判断车机是否出现卡顿。监督学习的方法判断车机是否出现卡顿。监督学习的方法判断车机是否出现卡顿。


技术研发人员：罗咏刚 谢青青
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2021.10.29
技术公布日：2022/1/21