实施例的胎压检测系统的一种组成结构示意图；如图1所示，所述系统包括:数据采集单元11、建模单元12和检测单元13;其中，
[0040]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；
[0041]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；
[0042]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。
[0043]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系统中的数据采集单元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，
[0044]所述加速度传感单元111，用于采集车辆的加速度行为数据；
[0045]所述角速度传感单元112，用于采集车辆的角速度行为数据；
[0046]所述方向传感单元113，用于采集车辆的方向行为数据。
[0047]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系统(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。
[0048]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。
[0049]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。
[0050]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入口 ο
[0051]具体的，图3为本发明实施例的胎压检测系统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。
[0052]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3X4+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，贝Ij每一列的维数为14维，最后的特征向量矩阵为14 XN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。
[0053]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。
[0054]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nX(n-l)/2个分类子模型，其中η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I和0，其中I代表正类，O代表负类。例如，η = 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I和类别2的，另一个二分类模型是用来区分类别I和类别3的，又一个是用来区分类另IJl和类别4的，以此类推，则建立的分类子模型包括:
[0055]1-2、1_3、1-4、1-5;
[0056]2-3、2-4、2-5;
[0057]3-4、3-5;
[0058]4-5；
[0059]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。
[0060]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。
[0061]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。
[0062]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