一种确定车辆状态的方法及装置与流程

本发明涉及数据处理技术领域，尤其涉及一种确定车辆状态的方法及装置。

背景技术：

为了保证车辆的安全和可靠性能，通常情况下驾驶员或维护人员会定期对车辆进行检查。但有些实时发生的故障会威胁驾驶安全，事后检查难以改善这种问题。定期检查的方式无法预知车辆的故障周期，会造成资源浪费。常规检查则需要专业知识、设备和场地，成本较高。因此，通过分析车辆的状态数据，可以分析出车辆的故障信息。

例如，在专利文献us20180315260a1中，利用同一个车型的状态信息和故障记录，来训练故障确定模型，根据该模型和实时状态信息来确定故障。其中车辆故障情形时的状态数据，以及相应的故障记录通过人为制造故障病收集数据来获得，该专利也设计了激励驾驶员上传故障记录的方法。

专利文献wo2017/129510a1,cn140214329a,cn103135515a等，提出了利用车辆专家的专业知识以及某些状态数据的阈值来确定车辆故障的方法。

然而，专利文献us20180315260a1中所需的故障记录很难获取，或者该故障记录结构复杂难以用计算机处理。同时该发明需要较长时间的数据，实施难度较大。专利文献wo2017/129510a1,cn140214329a,cn103135515a等需要专业知识和设备，成本较高，同时无法适用于不同车型。

因此，利用现有技术的上述方式，无法及时的确定车辆的故障，且维护成本较高。

技术实现要素：

本发明实施例提供一种确定车辆状态的方法及装置，以提高车辆的安全性，并降低维护成本。

第一方面，本发明实施例提供了一种确定车辆状态的方法，包括：

获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据；

将所述监测数据进行分类，获得不同的车辆类型的监测数据集；

针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集；

对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

其中，所述监测数据还包括所述待监测车辆的历史监测数据，所述监测数据集包括实时监测数据集和历史监测数据集；

所述将所述监测数据进行分类，获得不同的车辆类型的监测数据集，包括：

将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；

将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

其中，所述根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集，包括：

对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数；

利用计算得到的相关系数，形成所述目标相关系数数据集。

其中，所述对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数，包括：

利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵；

将所述第一矩阵拆分成第二矩阵和第三矩阵；

计算所述第二矩阵与第一结果的乘积，获得第四矩阵；

其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

其中，所述对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态，包括：

对所述目标相关系数数据集进行聚类分析，获得聚类分析结果；

确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；

其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

其中，在所述确定具有所述目标车辆类型的目标车辆的状态之后，所述方法还包括：

向所述目标车辆发送提示信息，所述提示信息中包括第二类对应的第二故障类型，所述第二类为其他类中的任一类。

其中，在所述向所述目标车辆发送提示信息之前，所述方法还包括：

获取所述第二故障类型的物理含义，在所述提示信息中还包括所述第二故障类型的物理含义。

其中，在所述确定具有所述目标车辆类型的目标车辆的状态之后，所述方法还包括：

计算第三类的劣化指标，所述第三类为其他类中的任一类。

其中，所述计算第三类的劣化指标，包括：

利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对；

对所述第三类中的所有数据点对应的坐标对，进行拟合计算；

根据拟合计算的结果，计算所述第三类的劣化指标。

第二方面，本发明实施例提供了一种确定车辆状态的装置，包括：

第一获取模块，用于获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据；

第二获取模块，用于将所述监测数据进行分类，获得不同的车辆类型的监测数据集；

第三获取模块，用于针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集；

确定模块，用于对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

其中，所述监测数据还包括所述待监测车辆的历史监测数据，所述监测数据集包括实时监测数据集和历史监测数据集；

所述第二获取模块包括：

第一获取子模块，用于将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；

第二获取子模块，用于将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

其中，所述第三获取模块包括：

计算子模块，用于对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数；

获取子模块，用于利用计算得到的相关系数，形成所述目标相关系数数据集。

其中，所述计算子模块包括：

处理单元，用于利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵；

拆分单元，用于将所述第一矩阵拆分成第二矩阵和第三矩阵；

计算单元，用于计算所述第二矩阵与第一结果的乘积，获得第四矩阵；

其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

其中，所述确定模块包括：

分析子模块，用于对所述目标相关系数数据集进行聚类分析，获得聚类分析结果；

确定子模块，用于确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；

其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

其中，所述装置还包括：

计算模块，用于计算第三类的劣化指标，所述第三类为其他类中的任一类。

其中，所述计算模块包括：

处理子模块，用于利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对；

拟合子模块，用于对所述第三类中的所有数据点对应的坐标对，进行拟合计算；

计算子模块，用于根据拟合计算的结果，计算所述第三类的劣化指标。

在本发明实施例中，只根据待监测车辆的实时监测数据即可以确定出车辆的状态。与现有技术相比，利用本发明实施例的方案可及时的确定车辆状态，从而提高车辆的安全性，并降低维护成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的确定车辆状态的方法的流程图之一；

图2是本发明实施例的系统硬件结构图；

图3是本发明实施例提供的确定车辆状态的方法的流程图之二；

图4是本发明实施例中聚类分析结果的示意图；

图5是本发明实施例中劣化指标的预测示意图；

图6是本发明实施例中确定故障类型的物理含义过程示意图；

图7是本发明实施例确定车辆状态的装置的结构图之一；

图8是本发明实施例中第二获取模块的示意图；

图9是本发明实施例中第三获取模块的示意图；

图10是本发明实施例中计算子模块的示意图；

图11是本发明实施例中确定模块的示意图；

图12是本发明实施例确定车辆状态的装置的结构图之二；

图13是本发明实施例确定车辆状态的装置的结构图之三；

图14是本发明实施例确定车辆状态的装置的结构图之四；

图15是本发明实施例中计算模块的示意图；

图16是本发明实施例确定车辆状态的设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，图1是本发明实施例提供的确定车辆状态的方法的流程图，如图1所示，包括以下步骤：

步骤101、获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据。

在本发明实施例中，可在车辆上安装有监测设备，然后，通过该监测设备获得车辆的监测数据。例如，可通过待监测车辆上的obd(on-boarddiagnostics，车载确定系统)来获取监测数据。

在此，所述监测数据包括待监测车辆在某个采样时刻的实时监测数据。进一步的，为提高车辆的安全性，在本发明实施例中，所述监测数据还可包括待监测测量的历史监测数据。也即，在当前采样时刻之前的监测数据。其中，所述监测数据例如可以包括发动机状态，油量等。

步骤102、将所述监测数据进行分类，获得不同的车辆类型的监测数据集。

在本发明实施例中，基于车辆类型，将监测数据进行分类，从而获得不同的车辆类型对应的监测数据集。

如果监测数据包括实时监测数据，那么，在此步骤中，根据车辆类型，将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集。

如果监测数据包括实时监测数据和历史监测数据，那么，在此步骤中，根据车辆类型，将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；以及，根据车辆类型，将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

步骤103、针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集。

针对每个车辆类型，在此根据其对应的监测数据集，获取相关系数数据集。其中，所述目标车辆类型指的是任意的车辆类型。

在此步骤中，以目标车辆类型为例，对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数，然后，利用计算得到的相关系数，形成所述目标相关系数数据集。

具体的，利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵，之后，将所述第一矩阵拆分成第二矩阵和第三矩阵。然后，计算所述第二矩阵与第一结果的乘积，获得第四矩阵；其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

对于每个时间段，在同一采样时刻的数据，形成第一矩阵。其中行数代表不同的数据项，列数代表不同采样时刻，或者相反也可。

将第一矩阵拆分成两个矩阵：x和y，其中，x＝(x(t,1),x(t,2),x(t,3),…x(t,m))，y＝(y(t,1),y(t,2),y(t,3),…,y(t,n))。

之后，利用以下公式(1)计算相关系数矩阵tr：

tr＝x*pinv((x，y))，即：

其中，pinv表示矩阵伪逆运算。其中，t是当前时刻，k+l大于或等于m+n。计算出的矩阵tr中的每个元素代表当前时刻t的一个相关系数。

在获得了tr之后，还可将其转化为一维向量，那么，该一维向量中的每个元素都代表一个相关系数。

对于实时监测数据集和历史监测数据集，都可按照上述同样的方法，计算出对应的相关系数数据集。

步骤104、对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

在此，可利用任意的方法对所述目标相关系数数据集进行聚类分析，获得聚类分析结果。例如，dbscan(density-basedspatialclusteringofapplicationswithnoise,基于密度的噪声应用空间聚类)，k均值聚类算法(k-meansclusteringalgorithm)等。

在获得的聚类分析结果中，确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

对于其他类而言，可包括一个或多个类。每个类代表不同的故障类型。那么，在实际应用中，可用不同的数字或者文本来代表不同的故障类型，或者正常的状态。

在本发明实施例中，只根据待监测车辆的实时监测数据即可以确定出车辆的状态。与现有技术相比，利用本发明实施例的方案可及时的确定车辆状态，从而提高车辆的安全性，并降低维护成本。

在上述实施例的基础上，为进一步提高车辆的安全性，还可向所述目标车辆发送提示信息，所述提示信息中包括第二类对应的第二故障类型，所述第二类为其他类中的任一类。若存在第二故障类型的物理含义，在此，还可获取所述第二故障类型的物理含义，在所述提示信息中还包括所述第二故障类型的物理含义。所述物理含义指的是该第二故障类型所表示的含义。例如，第二故障类型可以是某些符号，那么，其物理含义则可以理解为与该符号相对应的文字说明等。

对于各个故障类型，为了使得维护人员或者驾驶人员进一步了解其发展，提高车辆的安全性，在此，还可计算第三类的劣化指标，所述第三类为其他类中的任一类，从而预估第三类的故障类型的变化趋势。具体的，利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对。然后，对所述第三类中的所有数据点对应的坐标对，进行拟合计算。最后，根据拟合计算的结果，计算所述第三类的劣化指标。

如图2所示，为本发明实施例的系统硬件结构图。结合图2，该系统包括：

多个被监控的车辆201-203上的数据接入设备，可以连接在obd接口或者其他类型的接口上。

数据存储和分析计算服务器210，该服务器可以是单个设备，还可以是一组设备，或者是虚拟计算云。

历史数据库211(可选)。

显示设备214，用于显示故障分析结果，实时监测数据；可应用于汽车公司，保险公司，机构等。

历史数据库211和显示设备214可通过有线或无线连接网络212-213与服务器210通信。

第一移动前端216，由维护人员操作，可以是维护人员的安装有app的移动终端。

第二移动前端218，由驾驶员使用，可以是驾驶员的安装有app的终端。

其中，207-209、215、217代表的是无线通信网络。

通过无线网络215向维护人员传输故障分析结果，向服务器220返回维护人员的故障定义；通过无线网络217向驾驶员传输故障分析结果以及向服务器反馈驾驶员对故障的定义。

图3是本发明实施例的确定车辆状态的方法的流程。结合图3所示，本发明实施例的方法包括：

步骤301、获取待监测车辆的实时车辆状态数据。

通过待监测车辆的obd获取其实时车辆状态数据。若有历史车辆状态数据，在此，还可获取历史状态数据。

步骤302、根据车辆类型，将获得的实时车辆状态数据进行分类，获得实时数据集。

步骤303、计算每个实时数据集的相关系数。

对于每个实时数据集，计算每两个数据项之间的相关系数，获得第一相关系数数据集。

步骤304、根据车辆类型，将获得的历史车辆状态数据进行分类，获得历史数据集。

步骤305、计算每个历史数据集的相关系数。

对于每个历史数据集，计算每两个数据项之间的相关系数，获得第二相关系数数据集。

其中，计算相关系数数据集的方法，可参照前述方法实施例的描述。

步骤306、对于每个车辆类型，基于相关系数数据集进行聚类分析。

在此，以步骤303和步骤305的结果为基础，对每个车辆类型的相关系数数据集进行分类。

根据聚类分析结果，包含最多数据点的类代表车辆正常，其他不同类代表不同的故障类型。同时，可用不同的数字或文本来代表不同的故障或者正常类型。

如图4所示，为聚类分析结果。其中，401代表的类表示车辆正常，402、403代表的类则表示车辆故障。该图仅是示意图，实际应用中，特征数量(或相关系数的坐标维度)可能不是3个，确定出的故障类型也可能不是2个。

步骤307、对于每个故障类型，计算故障劣化指标。

每个车型的每个故障类型都对应一个劣化状态计算过程。在此，首先计算同一个故障类中的每个数据点与正常类的距离，即该数据点到正常类的中心点或均值点之间的距离。该距离越大，说明故障程度越高。然后，利用该距离以及该数据点的对应时刻，组成一组坐标。基于同一个故障类中的所有坐标，进行拟合计算，得到一个拟合曲线。基于该拟合曲线计算某未来时刻的劣化状态，作为该未来时刻下，该种故障类型的劣化指标。

如图5所示，利用某个故障类中各个数据点的坐标(图中501等)，形成的拟合曲线502。那么，根据该拟合曲线的趋势，即可预测出该故障的劣化状态。其中，劣化指标指的是某个时刻，图5中的某个数据点与正常类的中心点或均值点之间的距离。

步骤308、输出故障分析结果。

在本发明实施例中，将确定的故障类型和其对应的物理含义，分发到各个结果显示终端中。如果某个故障类型的物理含义不存在，那么只将故障类型分发到各结果显示终端中。

在此，为了使得用户更全的了解故障信息，可收集用户对故障类型的反馈，并根据该反馈定义某个故障类型的物理含义，也即该故障类型所表示的含义。

如图6所示，可包括如下过程：

向用户输出输出故障分析结果，将其通过显示终端显示给维护人员或者驾驶员。之后，接收维护人员或者驾驶员对故障类型结果的反馈。统计对应每个类型车、每个故障种类的反馈信息，并选择最频繁的反馈信息，或者最频繁的关键词，作为该故障类型的物理含义。当有任一个故障类型被确定出时，检查对应于该故障类型的物理含义是否存在，如果存在，那么将该确定出的故障类型及其物理含义分发到各个结果显示终端中，如果不存在，那么只将确定出的故障类型分发到各个结果显示终端中。

通过以上分析可以看出，利用本发明实施例能够根据多个车辆的实时状态进行远程智能故障确定，可以提高车辆的安全性，并降低维护成本。

参见图7，图7是本发明实施例提供的确定车辆状态的装置的结构图，如图7所示，确定车辆状态的装置包括：

第一获取模块701，用于获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据；

第二获取模块702，用于将所述监测数据进行分类，获得不同的车辆类型的监测数据集；

第三获取模块703，用于针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集；

确定模块704，用于对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

可选的，所述监测数据还包括所述待监测车辆的历史监测数据，所述监测数据集包括实时监测数据集和历史监测数据集；如图8所示，所述第二获取模块702包括：第一获取子模块7021，用于将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；第二获取子模块7022，用于将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

可选的，如图9所示，所述第三获取模块703包括：计算子模块7031，用于对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数；获取子模块7032，用于利用计算得到的相关系数，形成所述目标相关系数数据集。

可选的，如图10所示，所述计算子模块7031包括：处理单元70311，用于利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵；拆分单元70312，用于将所述第一矩阵拆分成第二矩阵和第三矩阵；计算单元70313，用于计算所述第二矩阵与第一结果的乘积，获得第四矩阵；其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

可选的，如图11所示，所述确定模块704包括：分析子模块7041，用于对所述目标相关系数数据集进行聚类分析，获得聚类分析结果；确定子模块7042，用于确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

可选的，如图12所示，所述装置还可包括：提示模块705，用于向所述目标车辆发送提示信息，所述提示信息中包括第二类对应的第二故障类型，所述第二类为其他类中的任一类。

可选的，如图13所示，所述装置还可包括：第四获取模块706，用于获取所述第二故障类型的物理含义，在所述提示信息中还包括所述第二故障类型的物理含义。

可选的，如图14所示，所述装置还可包括：计算模块707，用于计算第三类的劣化指标，所述第三类为其他类中的任一类。

可选的，如图15所示，所述计算模块707包括：

处理子模块7071，用于利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对；拟合子模块7072，用于对所述第三类中的所有数据点对应的坐标对，进行拟合计算；计算子模块7073，用于根据拟合计算的结果，计算所述第三类的劣化指标。

本发明实施例装置的工作原理可参照前述方法实施例的描述。

在本发明实施例中，只根据待监测车辆的实时监测数据即可以确定出车辆的状态。与现有技术相比，利用本发明实施例的方案可及时的确定车辆状态，从而提高车辆的安全性，并降低维护成本。

如图16所示，本发明实施例的确定车辆状态的设备，包括：处理器1600，用于读取存储器1620中的程序，执行下列过程：

获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据；

将所述监测数据进行分类，获得不同的车辆类型的监测数据集；

针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集；

对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

收发机1610，用于在处理器1600的控制下接收和发送数据。

其中，在图16中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1600代表的一个或多个处理器和存储器1620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1610可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器1600负责管理总线架构和通常的处理，存储器1620可以存储处理器1600在执行操作时所使用的数据。

处理器1600负责管理总线架构和通常的处理，存储器1620可以存储处理器1600在执行操作时所使用的数据。

所述监测数据还包括所述待监测车辆的历史监测数据，所述监测数据集包括实时监测数据集和历史监测数据集；处理器1600还用于读取所述计算机程序，执行如下步骤:

将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

处理器1600还用于读取所述计算机程序，执行如下步骤:

对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数；

利用计算得到的相关系数，形成所述目标相关系数数据集。

处理器1600还用于读取所述计算机程序，执行如下步骤:

利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵；

将所述第一矩阵拆分成第二矩阵和第三矩阵；

计算所述第二矩阵与第一结果的乘积，获得第四矩阵；

其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

处理器1600还用于读取所述计算机程序，执行如下步骤:

对所述目标相关系数数据集进行聚类分析，获得聚类分析结果；

确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；

其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

处理器1600还用于读取所述计算机程序，执行如下步骤:向所述目标车辆发送提示信息，所述提示信息中包括第二类对应的第二故障类型，所述第二类为其他类中的任一类。

处理器1600还用于读取所述计算机程序，执行如下步骤:

获取所述第二故障类型的物理含义，在所述提示信息中还包括所述第二故障类型的物理含义。

处理器1600还用于读取所述计算机程序，执行如下步骤:

计算第三类的劣化指标，所述第三类为其他类中的任一类。

处理器1600还用于读取所述计算机程序，执行如下步骤:

利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对；

对所述第三类中的所有数据点对应的坐标对，进行拟合计算；

根据拟合计算的结果，计算所述第三类的劣化指标。

此外，本发明实施例的计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行实现以下步骤：

获取待监测车辆的监测数据，其中，所述监测数据包括所述待监测车辆的实时监测数据；

将所述监测数据进行分类，获得不同的车辆类型的监测数据集；

针对目标车辆类型，根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集；

对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态。

其中，所述监测数据还包括所述待监测车辆的历史监测数据，所述监测数据集包括实时监测数据集和历史监测数据集；

所述将所述监测数据进行分类，获得不同的车辆类型的监测数据集，包括：

将所述实时监测数据进行分类，获得不同的车辆类型的实时监测数据集；

将所述历史监测数据进行分类，获得不同的车辆类型的历史监测数据集。

其中，所述根据所述目标车辆类型的目标监测数据集，获取目标相关系数数据集，包括：

对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数；

利用计算得到的相关系数，形成所述目标相关系数数据集。

其中，所述对于所述目标监测数据集中的数据项，计算每两个数据项之间的相关系数，包括：

利用所述目标监测数据集中同一采样时刻的多个数据项组成第一矩阵；

将所述第一矩阵拆分成第二矩阵和第三矩阵；

计算所述第二矩阵与第一结果的乘积，获得第四矩阵；

其中，所述第四矩阵中的每个元素表示一个相关系数；所述第一结果为所述第二矩阵和所述第三矩阵进行矩阵伪逆运算的结果。

其中，所述对所述目标相关系数数据集进行聚类分析，确定具有所述目标车辆类型的目标车辆的状态，包括：

对所述目标相关系数数据集进行聚类分析，获得聚类分析结果；

确定第一类中的目标车辆的状态为正常，确定其他类中的目标车辆的状态为故障；

其中，所述第一类为所述聚类分析结果中包含数据点最多的类，所述其他类为所述聚类分析结果中除所述第一类之外的类。

其中，在所述确定具有所述目标车辆类型的目标车辆的状态之后，所述方法还包括：

向所述目标车辆发送提示信息，所述提示信息中包括第二类对应的第二故障类型，所述第二类为其他类中的任一类。

其中，在所述向所述目标车辆发送提示信息之前，所述方法还包括：

获取所述第二故障类型的物理含义，在所述提示信息中还包括所述第二故障类型的物理含义。

其中，在所述确定具有所述目标车辆类型的目标车辆的状态之后，所述方法还包括：

其中，所述计算第三类的劣化指标，包括：

利用所述第三类中的第一数据点与所述第一类的距离、所述第一数据点对应的采样时刻，形成坐标对；

对所述第三类中的所有数据点对应的坐标对，进行拟合计算；

根据拟合计算的结果，计算所述第三类的劣化指标。

在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，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。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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收发方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。