斯模型G2 (\v)中的期望/<,2:，方差^时，和采用极大似然估计法计算已保 留的车辆油位数据的训练样本的关于相关系数的高斯模型Gi(\v)中的期望,<，方差 相似，在此不再一一赘述。
[0086] 将计算出的期望&，方差 < 带入到式（14)中，即可获得构建的已剔除的车辆油 位数据的训练样本的关于相关系数的高斯模型G2(\v)。
[0087] 步骤202,构建贝叶斯分类器并对所构建的贝叶斯分类器进行验证。
[0088] 具体地，本实施例中，如图4所示，步骤202可分为以下五个步骤执行。
[0089] 步骤202a，获取n2个已保留的车辆油位数据的测试样本和n2个已剔除的车辆油 位数据测试样本，组成测试集N2。
[0090] 本实施例中，已保留的车辆油位数据的测试样本的个数和已剔除的车辆油位数据 测试样本的个数％可以等于已保留的车辆油位数据的训练样本的个数或小于已保留的车 辆油位数据的训练样本的个数Ii1。
[0091] 本实施例中，对已保留的车辆油位数据的测试样本和已剔除的车辆油位数据测试 样本的获取方法和本实施例二的步骤201a中的已保留的车辆油位数据的训练样本和已剔 除的车辆油位数据训练样本的获取方法相似，此处不再一一赘述。
[0092] 步骤202b，计算测试集N2中每个测试样本对应的离散系数c' Vik和相关系数 r，q,v,k〇
[0093] 本实施例中，在计算测试集N2中每个测试样本对应的离散系数c' Vik和相关系数 r' ^^寸，其计算方法和本发明车辆油位数据的筛选方法实施例一中的步骤101-步骤1〇2 相似，再次不再一一赘述。
[0094]步骤202c，根据每个测试样本对应的离散系数c'v』，相关系数r'。0及预先构 建的相应的高斯模型，计算每个测试样本％对应的油位数据的预保留概率P(ukIyi)和预剔 除概率P(Uk |y2)。
[0095] 本实施例中，首先根据式（5)中所示的关于离散系数Cv的高斯模型Gi(Cv)，将每个 测试样本％的离散系数c'Vik带入到式（5)中，获得每个测试样本Uk关于于离散系数Cv 的第一预保留概率P(c'Vik|yi);根据式（9)中所示的关于离散系数Cv的高斯模型G2(Cv), 将每个测试样本％的离散系数c'Vik带入到式（9)中，获得每个测试样本Uk关于离散系数 cv的第一预剔除概率P(c'v,k|y2)〇
[0096] 然后根据式（10)中所示的关于相关系数rqiV的高斯模型G1 (rqiV)，将每个测试样本 Uk的相关系数r'。^带入到式（10)中，获得每个测试样本Uk关于相关系数rq，v的第二预 保留概率P(r' ^1Jy1);根据式（14)中所示的关于相关系数的高斯模型G2(\v)，将每 个测试样本Uk的相关系数r' 入到式（14)中，获得每个测试样本Uk关于相关系数 r'q,v,k的第二预剔除概率P(c'v,k|y2)〇
[0097] 最后计算每个测试样本Uk对应车辆油位数据的与保留概率和预剔除概率。
[0098] 其中，每个测试样本Uk对应车辆油位数据的预保留概率P(ukIyi)和预剔除概率 P(U1Jy2)分别表示为式（15)和式（16)所示：
[0099] P(UkIy1) =P(crVikIy1)XP(rr^vjJy1) (15)
[0100] P(uk|y2) =P(crVjk|y2)XP(r,qiVjk|y2) (16)
[0101] 步骤202d，构建贝叶斯分类器P(ukI-P(uk|y2) >T。
[0102] 其中，T表示贝叶斯分类器的分类阈值。
[0103] 本实施例中，预先获知每个测试样本Uk对应的车辆的油位数据是已保留的数据类 型还是已剔除的数据类型，针对贝叶斯分类器的分类阈值T，当贝叶斯分类器的分类阈值T 取不同的值时，对测试集N2中的测试样本的分类准确率会有所不同。所以，需要对贝叶斯 分类器进行验证，获取到使贝叶斯分类器分类最优的分类阈值Tf。
[0104] 步骤202e，根据每个测试样本对应的油位数据的预保留概率P(ukIyi)和预剔除概 率P(UkIy2)，采用蒙特卡洛交叉验证的方法确定贝叶斯分类器的最优分类阈值Tf，以获得验 证后的最终分类器。
[0105] 本实施例中，采用蒙特卡洛交叉验证的方法确定贝叶斯分类器的最优分类阈值 Tf，以获得验证后的最终分类器具体包括：
[0106] 对分类阈值T等间隔的取值，如以0. 05为间隔，对分类阈值T分别取值为0. 1， 0. 15,0. 2,0. 25，……，0. 9,0.95。在分类阈值取每个值时，将测试集队中的每个测试样 本％对应的油位数据的预保留概率P(U1Jy1)和预剔除概率P(U1Jy2)输入到贝叶斯分类器 P(ukIyi)-P(ukIy2) >T中，若在某个阈值1\下，将某个测试样本输入到构建的贝叶斯分类器， 该分类器不等式取值为真，同时测试样本标记为已保留样本，即可信用样本，则判断准确次 数加1，计算分类阈值在每个取值T1下测试集N2中测试样本分类的准确次数，取出最大准 确次数下对应的分类阈值Tf，Tf为贝叶斯分类器的最优分类阈值，，则将T=Tf带入到贝叶 斯分类器中构成的分类器P(ukIyi)-P(ukIy2) >Tf为验证后的最终分类器。
[0107] 步骤203,获取待处理车辆在预设时间内的油位数值记录f^，油耗数值记录qu 及行程区间速度记录
[0108] 步骤204,根据油位数值记录& ,计算关于油位数值的离散系数cVi]，并根据油 耗数值记录及行程区间速度记录Vu计算关于油耗数值与行程区间速度的相关系数 V,j °
[0109] 本实施例中，步骤203-步骤204与本发明车辆油位数据的筛选方法实施例一的步 骤101-步骤102相同，在此不再--赘述。
[0110] 步骤205,根据待处理车辆对应的离散系数Cvi ,，相关系数及预先构建的相应 的高斯模型，计算待处理车辆对应的油位数据的预保留概率和预剔除概率。
[0111] 进一步地，如图5所示，本实施例中，步骤205可分为以下四个步骤执行。
[0112] 步骤205a，将待处理车辆对应的离散系数& ,输入到预先构建的关于离散系数cv 的高斯模型G(Cv)中，计算第一预保留概率P(CyIy1)和第一预剔除概率P(cVi]|y2)。
[0113] 具体地，本实施例中，将待处理车辆对应的离散系数cVi]输入到式（5)表示的预先 构建的关于离散系数Cv的高斯模型G1 (Cv)中，由于关于离散系数Cv的高斯模型G1 (Cv)中的 期望/Z11，方差是已知量，所以可计算待处理车辆关于离散系数&,的预保留概率，该概 率称为第一预保留概率P(cVi]Iyi)。
[0114] 将待处理车辆对应的离散系数cVij输入到式（9)表示的关于离散系数cv的高斯 模型G2(Cv)中，由于关于离散系数Cv的高斯模型G2(Cv)中的期望/V，方差都为已知 量，所以可计算待处理车辆关于离散系数&,的预剔除概率，该概率称为第一预剔除概率P(Cjy2)。
[0115] 步骤205b，将待处理车辆对应的相关系数输入到预先构建的关于相关系数 rq，v的高斯模型G(rq，v)中，计算第二预保留概率P(^yly1)和第二预剔除概率P(^yly2)13
[0116] 同理，本实施例中，将待处理车辆对应的相关系数\^输入到式（10)表示的预先 构建的关于相关系数rqiV的高斯模型Gi(rqiv)中，由于关于相关系数rqiV的高斯模型Gi(rqiV) 中的期望^,，方差<是已知量，所以可计算待处理车辆关于相关系数的预保留概率， 该概率称为第二预保留概率P(AyIyl)。
[0117] 将待处理车辆对应的相关系数&^输入到式（14)表示的关于相关系数rqiV的高 斯模型G2(rq，v)中，由于关于相关系数rq，v的高斯模型G2(rq，v)中的期望方差都为 已知量，所以可计算待处理车辆关于相关系数的预剔除概率，该概率称为第二预剔除概 率P(rq，v，jI5^2)。
[0118] 步骤205c，根据第一预保留概率P(CyIy1)和第二预保留概率P(F^Iy1)计算待 处理车辆对应的油位数据的预保留概率P(UjIyi)。
[0119] 其中，待处理车辆对应的油位数据的预保留概率P(U]|yi)可表示为式（17)所示：
[0120] P(UjIy1)=P(CvJy 1)XPUy1) (17)
[0121] 步骤205d，根据第一预剔除概率P(cVi] |y2)和第二预剔除概率P(F^Iy2)计算待 处理车辆对应的油位数据的预剔除概率P(u]Iy2)。
[0122] 其中，待处理车辆对应的油位数据的预剔除概率P(U]|y2)可表示为式（1