油耗异常数据检测方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能的检测模型技术领域，尤其涉及油耗异常数据检测方法、装置、电子设备及计算机可读存储介质。

背景技术

油耗异常数据是指因个人驾驶习惯、道路状况、车载情况、天气变化等原因，导致实际油耗数据与车厂提供的正常油耗数据不同的数据。通常车厂需要获取实际车辆的正常油耗数据，用于研发改善汽车性能，并对外发布车辆的正常油耗情况，基于这种需求，车厂需要从车辆实际油耗数据中检测出异常数据。

目前，针对油耗异常数据的检测，主要有两种方法：

一种方法是根据车载设备预先设定的阈值对车载传感器所获取的油耗系数据进行异常数据评估，但这种方法难以根据本地油耗数据质量的不同进行加权评估，且随着环境的变化，该阈值可能不适用于当前情况。因此该方法存在油耗异常数据检测准确率低的缺陷。

另一种方法是将本地用户数据统一回传到服务器，通过人工识别检测异常的数据。该方法对异常数据的判断依赖个人的经验积累，因此本地油耗异常数据检测效率低，另一方面本地用户数据的共享，会引入侵犯用户隐私的安全隐患。

发明内容

本发明提供一种油耗异常数据检测方法、装置及计算机可读存储介质，其主要目的在于提升本地油耗异常数据检测的准确性和效率。

为实现上述目的，本发明提供的一种油耗异常数据检测方法，所述方法应用于每个本地节点，包括：

获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数；

以所述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

将所述本地自编码器模型参数上传到所述中心节点，并接收所述中心节点通过整合接收到的所有本地自编码器模型参数而得到的更新后的全局自编码器模型参数；

从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

返回上述的将所述本地自编码器模型参数上传到所述中心节点的步骤进行所述自编码器模型的迭代训练，直到满足预设条件时，停止迭代训练，得到目标自编码器模型；

利用所述目标自编码器模型，对所述本地油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

为实现上述目的，本发明还提供一种油耗异常数据检测方法，所述方法应用于中心节点，包括：

在所述中心节点中，对每个所述本地节点上传的本地自编码器模型参数设置权重；

根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

将所述更新后的的全局自编码器模型参数下发到每个本地节点。为了解决上述问题，本发明还提供了一种油耗异常数据检测装置，所述装置应用于本地节点，包括：

本地训练模块，用于获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数，以所在述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

联合训练模块，用于将所述本地自编码器模型参数上传到所述中心节点，并接收所述中心节点通过整合接收到的所有本地自编码器模型参数而得到的更新后的全局自编码器模型参数，从所述本地油耗数据中剔除所述本地油耗数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

迭代训练模块，用于当满足预设条件时，停止迭代训练，得到目标自编码器模型；

异常检测模块，用于利用所述目标自编码器模型，对所述本地油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

为了解决上述问题，本发明还提供了一种油耗异常数据检测装置，所述装置应用于中心节点，包括：

全局参数生成模块，用于对每个本地节点上传的本地自编码器模型参数设置权重；根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

全局参数下发模块，用于将所述更新后的的全局自编码器模型参数下发到每个本地节点。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的油耗异常数据检测方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的油耗异常数据检测方法。

本发明实施例通过联邦学习技术，利用中心节点整合多个本地节点根据本地油耗数据训练得到的本地自编码器模型参数，得到更新后的全局自编码器模型参数，在每个本地节点上，再根据所述更新后的全局自编码器模型参数进一步执行本地自编码器模型参数的迭代训练，直到满足预设条件时，得到目标自编码器模型，并利用所述目标自编码器模型对所述本地油耗数据进行异常检测。利用联邦学习技术，可以在不将每个本地节点上的油耗数据上传到所述中心节点的基础上，实现所述中心节点对多个本地节点上的自编码器模型的联合训练，在保护了个人数据不泄露的前提下达到了扩大训练样本数量的效果，因此，可以提高目标自编码器模型的精确性，提升油耗异常数据检测的准确性，同时利用目标自编码器模型对油耗异常数据进行检测，不再依赖人工进行异常检测，提高了本地油耗数据中异常数据的检测效率。

附图说明

图1为本发明一实施例提供的油耗异常数据检测方法应用于本地节点的流程示意图；

图2为图1中其中一个步骤的详细实施流程示意图；

图3为图1中另外一个步骤的详细实施流程示意图；

图4为图1中另外一个步骤的详细实施流程示意图；

图5为本发明一实施例提供的油耗异常数据检测方法应用于中心节点的流程示意图；

图6为本发明一实施例提供的油耗异常数据检测装置应用于本地节点的功能模块图；

图7为本发明一实施例提供的油耗异常数据检测装置应用于中心节点的功能模块图；

图8为本发明一实施例提供的实现所述油耗异常数据检测方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种油耗异常数据检测方法。所述油耗异常数据检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述油耗异常数据检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的油耗异常数据检测方法的流程示意图。在本实施例中，所述油耗异常数据检测方法应用在执行联邦学习的每个本地节点中。本发明实施例中，利用联邦学习技术，通过中心节点联合训练所有本地节点预构建的自编码器模型，利用所述自编码器模型可以更好的识别出油耗异常数据。

所述联邦学习技术，是一种新兴的人工智能基础技术，应用于在多参与方或多计算结点之间开展高效率的机器学习。本发明实施例中，利用所述联邦学习技术，在每个所述本地节点和所述中心节点间开展机器学习。

详细地，本发明实施例中，所述本地节点可以是任一车辆的车载设备。所述中心节点可以部署在车厂服务器上，也可以部署在第三方服务器上，所述本地节点和所述中心节点通过网络通信。

本发明实施例中，在每个本地节点执行的所述油耗异常数据检测方法包括：

S1、获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数；

所述本地油耗数据是指通过所述本地节点的车载设备获取到的车辆实际油耗信息，例如百公里消耗的油量。由于个人驾驶习惯、车辆载重以及路况不同，所述本地油耗系数数据中除正常油耗数据外，也会包括油耗异常数据。

所述中心节点下发的全局自编码器模型参数包括编码器参数和解码器参数。

S2、以所述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

本发明实施例中，所述自编码器模型是基于多层神经网络结构的深度学习模型，包括编码器和解码器两部分。通过编码器对所述本地油耗数据进行编码和压缩，得到所述本地油耗数据对应的压缩表示，通过解码器对所述本地油耗据对应的压缩表示进行解码和还原，得到所述本地油耗数据对应的还原表示。通过对比所述本地油耗数据和对应的所述还原表示，可以将还原误差大的数据归为异常数据。

详细地，参阅图2所示，所述S2包括：

S21、将所述全局自编码器模型参数，同步到所述自编码器模型的参数中；

S22、将所述训练样本输入到所述自编码器模型中，利用所述自编码器模型中的编码器和解码器对所述训练样本进行异常检测，得到解码数据；

S23、利用所述解码数据，计算得到所述本地油耗异常数据及所述本地自编码器模型参数。

本发明实施例中，所述利用所述解码数据，计算得到所述本地油耗异常数据及所述本地自编码器模型参数，包括：

识别所述解码数据中的异常分布数据，并将所述异常分布数据作为本地油耗系数异常数据；

利用所述训练样本和所述解码数据计算得到所述待训练自编码器模型的损失函数值，并根据用所述损失函数值更新所述待训练自编码器模型中的编码器参数和解码器参数，得到所述本地自编码器模型参数。

详细地，本发明实施例计算每个所述解码数据对应的还原误差，根据计算得到的全部所述还原误差，设置参考值，将高于所述参考值的还原误差对应的解码数据，归类到不符合正常分布的数据，得到本地油耗异常数据。

详细地，本发明实施例将所述训练样本对应的数据特征转换为真实结果的变量，并将所述解码数据对应的数据特征转换为解码结果的变量，分别将所述真实结果的变量和所述解码结果的变量输入到预设的损失函数中，得到所述自编码器模型的的损失函数值。

本发明实施例中，可以利用MSE(Mean Squared Error，均方误差)算法或MAE(MeanAbsolute Error，平均绝对误差)算法计算得到所述还原误差。

所述训练样本对应的数据特征或所述解码数据对应的数据特征可以包括数据的最大值、最小值、方差或均值等特征。

本实施例中，所述损失函数是用来表示所述训练样本和所述解码数据间误差的大小。根据所述损失函数计算所述自编码器模型的编码器参数和解码器参数对应的梯度，并根据所述梯度分别更新所述自编码器模型的编码器参数和解码器参数。

所述梯度，可以理解为表示对所述自编码器模型不同训练成本的参数，在所述自编码器模型的迭代训练中，尝试不同的所述梯度，寻找能得到最小化成本的参数，使所述自编码器模型算法更优。

S3、将所述本地自编码器模型参数上传到所述中心节点，并接收所述中心节点通过整合接收到的所有本地自编码器模型参数而得到的更新后的全局自编码器模型参数；

本发明实施例中，参阅图5所示，所述中心节点通过整合接收到的所有本地自编码器模型参数而得到的更新后的全局自编码器模型参数，包括：

S30、对每个所述本地节点上传的本地自编码器模型参数设置权重；

S31、根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

S32、将所述更新后的的全局自编码器模型参数下发到每个本地节点。

本发明实施例中，可以利用联邦学习技术中的FedAvg(Federated Average，联邦平均)算法整合多个本地节点上传的所述本地自编码模型参数，从而得到所述更新的全局自编码器模型参数。

S4、从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

本发明实施例中，所述迭代训练属于无监督训练，训练样本中不含本地油耗异常数据，因此，本发明实施例从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本。其中，所述无监督训练是指不对训练样本做区分或设置标签，即不做正常数据和异常数据区分。

详细地，参阅图3所示，所述S4，包括：

S41、从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本；

S42、将所述全局自编码器模型参数同步到所述自编码器模型的参数中；

S43、将所述训练样本输入到所述自编码器模型中，利用所述自编码器模型中的编码器和解码器对所述训练样本进行异常检测，得到解码数据；

S44、利用所述解码数据，计算得到所述本地油耗异常数据及所述本地自编码器模型参数。

S5、判断所述迭代训练是否满足预设条件；

本发明实施例中，所述预设条件包括下述的其中一种：迭代训练的次数达到预设数量、所述损失函数值收敛，或者迭代训练的时长达到预设时长，在实际应用中，可根据实际情况进行设置。

当所述迭代训练没有满足达到预设条件时，返回上述的S3，直到所述迭代训练满足达到预设条件时，执行S6、停止迭代训练，得到目标自编码器模型，并利用所述目标自编码器模型，对所述本地节点油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

本发明实施例中，每次迭代训练前，都会得到上一次迭代对应的更新后的全局自编码器模型参数，保证每一次迭代训练的结果都会应用到下一次迭代训练中的目的是为了不断优化所述自编码器模型。

详细地，参阅图4所示，所述S6包括：

S61、从所述本地节点中，获取本地油耗数据；

S62、将所述本地油耗数据输入到所述目标自编码器模型中；

S63、利用所述目标自编码器模型中的编码器和解码器对所述本地油耗数据进行处异常检测，得到所述本地油耗异常数据；

S64、从所述本地油耗数据中剔除所述本地油耗异常数据。

本发明实施例通过联邦学习技术，利用中心节点整合多个本地节点根据本地油耗数据训练得到的本地自编码器模型参数，得到更新后的全局自编码器模型参数，在每个本地节点上，再根据所述更新后的全局自编码器模型参数进一步执行本地自编码器模型参数的迭代训练，直到满足预设条件时，得到目标自编码器模型，并利用所述目标自编码器模型对所述本地油耗数据进行异常检测。利用联邦学习技术，可以在不将每个本地节点上的油耗数据上传到所述中心节点基础上，实现所述中心节点对多个本地节点上自编码器模型的联合训练，在保护了个人数据不泄露的前提下达到了扩大训练样本数量的效果，因此，可以提高目标自编码器模型的精确性，提升油耗异常数据检测的准确性，同时利用目标自编码器模型对油耗异常数据进行检测，不再依赖人工进行异常检测，提高了本地油耗数据中异常数据的检测效率。

如图6所示，是本发明一实施例提供的油耗异常数据检测装置应用于本地节点的功能模块图。

本发明所述油耗异常数据检测装置100可以安装于电子设备中。本发明实施例中，所述油耗异常数据检测装置100可以安装于任一车辆的车载设备中。根据实现的功能，所述油耗异常数据检测装置100可以包括本地训练模块101、联合训练模块102、循环迭代模块103及异常检测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

其中：

所述本地训练模块101，用于获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数，以所在述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

所述联合训练模块102，用于将所述本地自编码器模型参数上传到所述中心节点，并接收所述中心节点通过整合接收到的所有本地自编码器模型参数而得到的更新后的全局自编码器模型参数，从所述本地油耗数据中剔除所述本地油耗数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

所述迭代训练模块103，用于当满足预设条件时，停止迭代训练，得到目标自编码器模型；

所述异常检测模块104，用于利用所述目标自编码器模型，对所述本地油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

详细地，本发明实施例中所述油耗异常数据检测装置100中的各个模块在使用时采用与上述的图1至图4中所述的油耗异常数据检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图7所示，是本发明一实施例提供的油耗异常数据检测装置应用于中心节点的功能模块图。

本发明所述油耗异常数据检测装置200可以安装于电子设备中。本发明实施例中，所述油耗异常数据检测装置200可以安装于与任一车辆的车载设备中通讯的中央服务器中。根据实现的功能，所述油耗异常数据检测装置200可以包括全局参数生成模块201及全局参数下发模块202。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。其中：

所述全局参数生成模块201，用于对每个本地节点上传的本地自编码器模型参数设置权重；根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

所述全局参数下发模块202，用于将所述更新后的的全局自编码器模型参数下发到每个本地节点。

本发明实施例中，可以利用联邦学习技术中的FedAvg(Federated Average，联邦平均)算法整合多个本地节点上传的所述本地自编码模型参数，从而得到所述更新的全局自编码器模型参数。

详细地，本发明实施例中所述油耗异常数据检测装置200中的各个模块在使用时采用与上述的图5中所述的油耗异常数据检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图8所示，是本发明一实施例提供的油耗异常数据检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如油耗异常数据检测程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如油耗异常数据检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如油耗异常数据检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的油耗异常数据检测程序是多个指令的组合，在所述处理器10中运行时，可以实现一种油耗异常数据检测方法。

可选地，当所述电子设备1为本地节点时，所述油耗异常数据检测方法包括：

获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数；

以所述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

将所述本地自编码器模型参数上传到所述中心节点，并接收由所述中心节点整合所述本地自编码器模型参数得到的更新后的全局自编码器模型参数；

从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

返回上述的将所述本地自编码器模型参数上传到所述中心节点的步骤进行所述自编码器模型的迭代训练，直到满足预设条件时，停止迭代训练，得到目标自编码器模型；

利用所述目标自编码器模型，对所述本地油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

可选地，当所述电子设备1为中心节点时，所述油耗异常数据检测方法包括：

对每个本地节点上传的本地自编码器模型参数设置权重；

根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

将所述更新后的的全局自编码器模型参数下发到每个本地节点。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现一种油耗异常数据检测方法。

可选地，当所述可读存储介质存储有本地节点的计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取本地油耗数据，并接收中心节点下发的全局自编码器模型参数；

以所述本地油耗数据作为训练样本，并利用所述全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

将所述本地自编码器模型参数上传到所述中心节点，并接收由所述中心节点整合所述本地自编码器模型参数得到的更新后的全局自编码器模型参数；

从所述本地油耗数据中剔除所述本地油耗异常数据作为更新后的训练样本，并根据所述更新后的全局自编码器模型参数对预构建的自编码器模型进行迭代训练，得到本地自编码器模型参数及本地油耗异常数据；

返回上述的将所述本地自编码器模型参数上传到所述中心节点的步骤进行所述自编码器模型的迭代训练，直到满足预设条件时，停止迭代训练，得到目标自编码器模型；

利用所述目标自编码器模型，对所述本地油耗数据进行异常检测，得到本地油耗异常数据，并从所述本地油耗数据中剔除所述本地油耗异常数据。

可选地，当所述可读存储介质存储有中心节点的计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

对每个本地节点上传的本地自编码器模型参数设置权重；

根据所有所述本地自编码器模型参数及对应的权重，执行平均操作，得到所述更新后的全局自编码器模型参数；

将所述更新后的的全局自编码器模型参数下发到每个本地节点。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。