本技术涉及安全监控报警，尤其涉及一种网约车安全监控方法及系统。
背景技术：
1、随着工业技术的发展，汽车被应用到人们的日常生活中，网约车的发展也非常迅速，其中，网约车的安全管理对道路安全行驶意义重大，网约车相比于私家车行驶里程更多，受到外部环境影响的因素更多，路面的状况、气候，以及网约车车辆本身零部件的老化、磨损，会导致网约车运行状态不稳定或者出现异常情况，会影响车辆的行驶安全和稳定性，传统的网约车安全监测方法中，由于网约车传感器在采集数据的过程中，采集的数据会受到传感器的性能的影响的原因，会导致网约车运行状态的监控效果较差的问题，无法及时对网约车的异常状况进行报警。
2、加权平均法是一种常见且有效的数据融合方法，应用于多传感器数据融合和机器学习模型融合中。其核心思想是对多个数据源或模型的预测结果进行加权平均，从而得到更准确和稳定的最终结果；传统的使用加权平均法的数据融合算法对网约车的数据进行融合，从而进一步的进行监控报警时，各传感器的权重通常取平均值，没有考虑传感器的性能对不同的传感器赋予不同的权重，因此基于加权平均法的数据融合算法的权重赋值方法有待进一步提高。
技术实现思路
1、为了解决网约车传感器采集数据的过程中，采集的数据会受到传感器的性能的影响，导致网约车运行状态的监控效果较差的问题，本技术提供一种网约车安全监控方法及系统。
2、第一方面，本技术提供一种网约车安全监控方法，采用如下的技术方案：
3、一种网约车安全监控方法，包括步骤：采集网约车的各传感器的监控数据，基于非行驶时段的监控数据的波动情况和受噪声影响程度，获取各传感器在各非行驶时段的传感器动荡因子，分析行驶时段的监控数据峰值的变化趋势与所述传感器动荡因子之间的相似情况，获取传感器的准确评估系数；基于准确评估系数对传感器动荡因子进行评估获取评估动荡系数，进而获取各传感器的融合权重，将所述融合权重作为各传感器在加权平均法的数据融合中的权值，对网约车车辆的监控数据进行融合，基于融合后的监控数据对网约车进行安全监控，对异常监控数据进行报警；
4、所述传感器动荡因子的计算方法具体为：对于非行驶时段中的各传感器，基于传感器的监控数据的峰值点与平均情况之间的差异，获取传感器的波动因子；基于传感器的监控数据与预测值之间的差异情况，获取传感器的噪声明显因子，将波动因子与噪声明显因子的乘积作为传感器的传感器动荡因子。
5、本技术将网约车的行驶过程分为行驶时段和非行驶时段，通过融合非行驶时段的波动与噪声特性计算传感器动荡因子，量化传感器的可靠性，解决车辆静态情况的环境因素对传感器干扰的问题；将行驶时段的监控数据的峰值变化趋势与传感器动荡因子结合计算评估动荡系数，对传感器动荡因子进行准确评估，解决动态情况下环境因素对传感器干扰的问题；最后基于动荡评估系数获取各传感器的融合权重，调整加权平均法的数据融合中的权值，提升各传感器的监控数据的融合的准确性，减少因传感器权重不合理导致的网约车监控效果较差的问题。
6、进一步的，所述波动因子的获取方法为：
7、计算各非行驶时段中各传感器的所有监控数据的均值，作为各非行驶时段中各传感器数据的平均系数；
8、对于各非行驶时段中的各传感器的监控数据，使用峰值检测算法获取非行驶时段中所有监控数据的峰值点；
9、计算各峰值点与其所在非行驶时段中传感器的平均系数之间的差值绝对值，将所有归一化后的差值绝对值的均值作为各非行驶时段的各传感器的波动因子。
10、本技术通过计算峰值点与均值的差异情况，聚焦显著的异常波动，避免了网约车在非行驶时段中传感器的稳态振动干扰。
11、进一步的，所述噪声明显因子的获取方法为：
12、对于各非行驶时段中的各传感器采集的监控数据，使用时间序列模型对其进行预测；
13、获取各非行驶时段中传感器采集的监控数据的预测值，将所有预测值的均值与各监控数据之间的差值绝对值作为第一差异，计算所有监控数据的归一化后的第一差异的标准差获取各非行驶时段中的各传感器的噪声明显因子。
14、本技术通过时间序列预测值与监测数据之间的差异情况，动态量化了噪声强度，相比于传统的只基于现有的监测数据进行噪声量化，提升了在对传感器进行性能评估时的环境适应性。
15、进一步的，所述准确评估系数的获取方法为：
16、基于传感器在行驶时段的监控数据的峰值点附近的变化趋势获取各传感器在各行驶时段的动荡评估因子；
17、对于各传感器，将传感器在所有非行驶时段中的传感器动荡因子组成的序列作为第一序列，将传感器在所有行驶时段中的动荡评估因子组成的序列作为第二序列，将第一序列与第二序列之间的相似程度作为传感器的准确评估系数。
18、本技术基于拟合曲线峰值点的切线斜率计算动荡评估因子，相比于传统的直接使用行驶时段的监控数据进行评估，受随机噪声的干扰较小，更突出真实趋势变化，使用准确评估系数进行评估的效果更真实准确。
19、进一步的，所述动荡评估因子的获取方法为：
20、对于各传感器，使用曲线拟合算法获取其在行驶时段的监控数据的拟合曲线；
21、对于各行驶时段中各传感器的监控数据的拟合曲线，使用峰值检测算法获取拟合曲线上的各峰值点，并以各峰值点为中心，将峰值点在拟合曲线上的切线斜率的绝对值作为第一绝对值，将拟合曲线上所有第一绝对值的均值作为各传感器在各行驶时段的动荡评估因子。
22、进一步的，所述相似程度为第一序列与第二序列之间的皮尔逊相关系数。
23、进一步的，所述评估动荡系数的获取方法为：
24、计算各传感器在所有非行驶时段的传感器动荡因子的均值获取传感器的动荡系数；
25、对于各传感器，将动荡系数与准确评估系数的乘积作为传感器的评估动荡系数。
26、本技术结合动荡系数和准确评估系数，综合动态指标并对其进行评估，避免了单一评判标准的评估偏差。
27、进一步的，所述融合权重的获取方法为：
28、基于传感器在各行驶时段中的监控数据的自相关性，获取各传感器的精准系数；
29、所述融合权重的计算公式为：；式中，为各传感器的融合权重，为各传感器的精准系数，为各传感器的评估动荡系数，为各传感器的预设初始融合权重。
30、进一步的，所述精准系数的获取方法为：
31、计算各行驶时段中的各传感器的监控数据组成的序列的自相关系数，作为各行驶时段中各传感器的相关趋势；
32、对于各传感器，将其所在所有行驶时段的相关趋势的均值作为各传感器的精准系数。
33、第二方面，本技术提供一种网约车安全监控系统，采用如下的技术方案：
34、一种网约车安全监控系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的一种网约车安全监控方法。
35、将上述的一种网约车安全监控方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作系统，方便使用。
36、本技术具有以下技术效果：
37、本技术基于网约车上各传感器的性能对网约车的数据进行融合，从而对网约车进行安全监控；对于各非行驶时段，基于各传感器采集的数据的波动情况和数据预测值与实际值的差异情况，构建各非行驶时段中各传感器的传感器动荡因子，反映了传感器的稳定性和噪声水平，并基于网约车行驶时段的传感器数据的峰值的变化情况对传感器动荡因子进行评估，获取评估动荡系数；最终基于评估动荡系数，并结合传感器在网约车行驶的数据的自相关性，获取各传感器在加权平均法的数据融合算法中的权重，对每种监控数据中所有传感器采集的监控数据进行融合，从而基于融合后的数据对网约车进行安全监控，解决了由于采集的数据会受到传感器的性能的问题而影响监控数据融合的效果，从而导致网约车运行状态的监控效果较差的问题，无法及时对网约车的异常状况进行报警，改善了网约车运行状态的监控效果，提高了对网约车异常情况的报警效率。