8)所示：
[0123] P(ujIy2) =P(cv_jIy2)XP(rq_ v_s |y2) (18)
[0124] 其中Uj表示第j个待处理车辆。
[0125] 步骤206,根据待处理车辆对应的油位数据的预保留概率，预剔除概率，验证后的 最终分类器确定待处理车辆对应的油位数据是否为需保留的油位数据。
[0126] 具体地，本实施例中，贝叶斯分类器表示为P(ukIyi)-P(ukIy2) >T，采用蒙特卡洛 交叉验证的方法确定贝叶斯分类器的分类阈值Tf后，带入到贝叶斯分类器中，即为验证 后的最终分类器P(UkIy1)-P(U1Jy2) >Tf。将计算的待处理车辆对应的油位数据的预保留 概率，预剔除概率带入到验证后的最终分类器中，则可确定待处理车辆对应的油位数据 是否为需保留的油位数据。当带入到验证后的最终分类器中，pa^iyj-po^iyjyrf成立 时，则确定待处理车辆对应的油位数据是需保留的油位数据，为可以信用的油位数据，当 P(UjIY1)-P(UjIy2) >Tf不成立时，则确定待处理车辆对应的油位数据是需剔除的油位数据， 为不可信用的油位数据。
[0127] 本实施例提供的车辆油位数据的筛选方法，通过训练集&中的训练样本计算每个 训练样本对应的离散系数cVik和相关系数rq^k，并采用极大似然估计法，计算关于离散系数 Cv的高斯模型G1 (Cv)中的期望馬,，方差(?，关于离散系数Cv的高斯模型G2 (Cv)中的期望 為2，方差 <，关于相关系数rq，v的高斯模型Gi(rq，v)中的期望 <，方差 < 和关于相关系 数\v的高斯模型G2 v)中的期望/4，方差 <，并通过测试集队对贝叶斯分类器进行验 证，获取验证后的最终分类器使待处理车辆的油位数据的分类更加准确，进而使车辆油位 数据的筛选更准确。
[0128]图6为本发明车辆油位数据的筛选装置实施例一的结构示意图，如图6所示，本实 施例中的车辆油位数据的筛选装置包括：获取模块61，计算模块62及确定模块63。
[0129] 其中，获取模块61，用于获取待处理车辆在预设时间内的油位数值记录，油耗 数值记录qu及行程区间速度记录Vu。计算模块62,用于根据油位数值记录& ,计算关于 油位数值的离散系数cVi ,，并根据油耗数值记录Ck ,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。计算模块62,还用于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。确定模块63,用于根据待处理车辆对应的油位数据的预保留概率， 预剔除概率，验证后的最终分类器确定待处理车辆对应的油位数据是否为需保留的油位数 据。
[0130] 本实施例提供的车辆油位数据的筛选装置可以执行图1所示方法实施例的技术 方案，其实现原理和技术效果类似，此处不再赘述。
[0131]图7为本发明车辆油位数据的筛选装置实施例二的结构示意图。如图7所示，该 实施例提供的车辆油位数据的筛选装置在本发明车辆油位数据的筛选装置实施例一的基 础上包括：获取模块71，计算模块72,确定模块73,第一构建模块74,第二构建模块75及验 证模块76。
[0132] 其中，获取模块71，用于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Vu。计算模块72,用于根据油位数值记录& ,计算关于 油位数值的离散系数cVi ,，并根据油耗数值记录Ck ,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。计算模块72,还用于根据待处理车辆对应的离散系 数& 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。确定模块73,用于根据待处理车辆对应的油位数据的预保留概率， 预剔除概率，验证后的最终分类器确定待处理车辆对应的油位数据是否为需保留的油位数 据。
[0133] 进一步地，计算模块73还用于将待处理车辆对应的离散系数cVi]输入到预先构建 的关于离散系数1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(CvJy2);将待处理车辆对应的相关系数rq，、〕输入到预先构建的关于相关系数rqJ勺高斯 模型G(\v)中，计算第二预保留概率P(r^|yi)和第二预剔除概率P(^yly2);根据第一 预保留概率P(cv]Iyi)和第二预保留概率P(r+yIyi)计算待处理车辆对应的油位数据的预 保留概率P(u]|yi) =P(CyIy1)XP(^Jyi);根据第一预剔除概率P(CyIy2)和第二预剔 除概率P(rqiVi_jIy2)计算待处理车辆对应的油位数据的预剔除概率P(UjIy2) =P(cVi_jIy2)X PUy2)。
[0134] 进一步地，第一构建模块74包括：获取单元741和计算单元742。
[0135]其中，获取单元741，用于获取Ii1个已保留的车辆油位数据的训练样本和ni个已 剔除的车辆油位数据训练样本，组成训练集N1;
[0136] 计算单元742,用于计算训练集N1中每个训练样本对应的离散系数c^和相关系 数rq^k。计算单元742,还用于采用极大似然估计法，分别计算已保留的车辆油位数据的训 练样本的关于离散系数(^的高斯模型G1(Cv)中的期望/Zli，方差Of1和已剔除的车辆油位数 据的训练样本的关于离散系数Cv的高斯模型G2(Cv)中的期望，方差A2:。计算单元742， 还用于采用极大似然估计法，分别计算已保留的车辆油位数据的训练样本的关于相关系数 rq，v的高斯模型G1(^v)中的期望/4,，方差_和已剔除的车辆油位数据的训练样本的关于 相关系数rq，v的高斯模型G2 (rq，v)中的期望/，方差(Jg。
[0137] 进一步地，获取模块71，还用于获取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。
[0138] 计算模块72,还用于计算测试集N2中每个测试样本对应的离散系数c' Vik和相 关系数r' 。计算模块72,还用于根据每个测试样本对应的离散系数c' Vik，相关系数 r'。^及预先构建的相应的高斯模型，计算每个测试样本Uk对应的油位数据的预保留概 率P(ukIyi)和预剔除概率P(ukIy2)。
[0139] 第二构建模块75,用于构建贝叶斯分类器P(ukIyi)-P(ukIy2) >T。
[0140] 验证模块76,用于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。
[0141] 进一步地，本实施例中，待处理车辆对应的离散系数cVij，相关系数rqiVi ^分别表示 为：
车辆对应的油位数值的均值,Hl1表示待处理车辆的预设时间内的油位数值记录fu的个数， 約表示待处理车辆对应的第i个行程区间速度记录的炜度坐标，Au表示待处理车辆对应 的第i个行程区间速度记录的经度坐标，表示待处理车辆对应的第i个行程区间速度记 录的记录时间，m2表示待处理车辆的预设时间内的油耗数值记录qu和行程区间速度记录 Vlij的个数。
[0144] 本实施例的装置可以执行图2,图3,图4,图5所示方法实施例的技术方案，其实现 原理和技术效果类似，此处不再赘述。
[0145] 本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通 过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程 序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟 或者光盘等各种可以存储程序代码的介质。
[0146] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制； 尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征 进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技 术方案的范围。
【主权项】
1. 一种车辆油位数据的筛选方法，其特征在于，包括： 获取待处理车辆在预设时间内的油位数值记录f U，油耗数值记录qu及行程区间速度 记录Vii 根据所述油位数值记录计算关于油位数值的离散系数C ,，并根据所述油耗数值记 录qu及所述行程区间速度记录V U计算关于油耗数值与行程区间速度的相关系数r ^ 根据所述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，计算所述待处理车辆对应的油位数据的预保留概率和预剔除概率； 根据所述待处理车辆对应的油位数据的预保留概率，预剔除概率，验证后