一种基于蓝牙的车载信息交互方法及系统

技术领域

本发明涉及信息交互技术领域，具体涉及一种基于蓝牙的车载信息交互方法及系统。

背景技术

随着科技的进步，汽车逐渐从传统的交通工具转变为智能设备，车辆间的信息交互（Vehicle-to-Vehicle communication, V2V）成为了车联网（Internet of Vehicles,IoV）的重要组成部分。而蓝牙作为一种成熟、广泛使用的无线通信技术，其在车辆间信息交互中应用也引起了越来越多的关注。车辆之间的信息交互可以提高道路安全性，优化交通流量，降低碰撞风险等。例如，当前方车辆遇到交通事故或者其他危险情况时，可以通过蓝牙向后方车辆发送警告信息，使得后方车辆可以提前做出反应，避免相撞。

然而，蓝牙的数据传输速率和通信范围相对有限，因此在处理大量车载信息时，可能会面临带宽和存储空间的挑战。例如，实时的行驶状态监测、导航信息更新、音视频内容分享等，都需要处理和传输大量数据。在这种背景下，数据压缩技术就显得非常必要。预测编码数据压缩算法通过预测下一个数值并只传输预测误差，可以有效减少需要传输的数据量，但是数据压缩效率的高低取决于模型预测效果的好坏。ARIMA模型是预测未来数据的有效工具，适用于时间序列下的具有较强动态变化的数据压缩过程，非常适合道路条件以及车辆行驶状态的复杂性和多变性的环境下的数据压缩，但是该模型的预测效果受到自回归阶数的影响，若自回归阶数设置的不合理，在使用历史数据进行拟合的过程中会出现过拟合的现象，造成了提高模型的计算复杂度的同时，还会影响当前数据预测编码压缩过程，使得当前数据的压缩效率过低，因此亟待一种适合于基于蓝牙的车载信息交互过程的数据压缩方法。

发明内容

为了解决上述问题，本发明一种基于蓝牙的车载信息交互方法及系统。

本发明的一种基于蓝牙的车载信息交互方法及系统采用如下技术方案：

本发明一个实施例提供了一种基于蓝牙的车载信息交互方法，该方法包括以下步骤：

通过在车辆上安装传感器来采集不同时间段的车辆行驶过程中不同维度的传感器数据，其中包含历史中不同时间段的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据；

根据历史的行驶过程中传感器数据获取不同维度的传感器数据的唯一性权重值；

在历史的行驶过程中传感器数据中，获取任意一个时间段的任意维度的传感器数据的变化分段点，根据变化分段点对所述时间段的传感器数据进行分段处理，获取所述时间段的变化分段；

获取每个变化分段中任意时刻的传感器数据点的相似性阈值，对变化分段中所有时刻的传感器数据点的相似性阈值进行分类，得到所述时间段中所有维度的传感器数据的各个聚簇分类结果；

对当前时间段的行驶过程中所有维度的传感器数据进行分段处理得到第一目标分段，根据第一目标分段与聚簇分类结果的最大相似性值来获取相似变化分段；获取当前时间段的行驶过程中任意一个维度的传感器数据的稳定性值；

根据当前时间段的行驶过程中任意一个维度的传感器数据的稳定性以及最大相似性值，获取当前时间段的行驶过程中所有维度的传感器数据的自回归阶数；

根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数进行ARIMA模型的构建，并进行预测编码数据压缩处理；

对经过压缩后的不同维度的传感器数据进行基于蓝牙的车载信息交互。

进一步的，所述获取不同维度的传感器数据的唯一性权重值，包括的具体方法为：

其中，

的获取方式为：在第/>

的获取方式为：获取第/>

表示在第/>

进一步的，所述获取任意一个时间段的任意维度的传感器数据的变化分段点，根据变化分段点对所述时间段的传感器数据进行分段处理，获取所述时间段的变化分段，包括的具体方法为：

对于任意一个时间段中的任意时刻，在同一个维度的传感器数据中，获取该时刻的传感器数据的斜率值，并获取传感器数据斜率变化曲线，其中横坐标为时间轴，纵坐标为每个时刻的此维度的传感器数据斜率值；根据传感器数据斜率变化曲线，获取每个时刻的传感器数据点的数据斜率值与前一个时刻的传感器数据点的数据斜率值之间的差异，预设绝对值阈值，若所述差异大于绝对值阈值，则该时刻的传感器数据点为变化分段点；根据变化分段点将此时间段的该维度的传感器数据进行分段处理，获取所述时间段的变化分段。

进一步的，所述获取每个变化分段中任意时刻的传感器数据点的相似性阈值，包括的具体方法为：

将每个时刻的传感器数据点所在变化分段定义为该时刻的传感器数据点的局部范围；

对于历史数据中第

其中，

进一步的，所述对变化分段中所有时刻的传感器数据点的相似性阈值进行分类，得到所述时间段中所有维度的传感器数据的各个聚簇分类结果，包括的具体方法为：

将每个时刻的传感器数据所在变化分段与其他时刻的传感器数据所在变化分段进行DTW匹配获取DTW距离，并对DTW距离归一化处理，记为第一DTW距离；DTW匹配后的两个时刻作为匹配时刻

将第一DTW距离与计算得到的相似性阈值进行比较，若第一DTW距离大于相似性阈值，则对应的匹配时刻的传感器数据为同一类的传感器数据，通过历史数据得到的同一个时间段中传感器数据的各个聚簇；

获取所有维度的相同时间段的传感器数据的各个聚簇分类结果。

进一步的，所述对当前时间段的行驶过程中所有维度的传感器数据进行分段处理得到第一目标分段，根据第一目标分段与聚簇分类结果的最大相似性值来获取相似变化分段值，包括的具体方法为：

对所有维度的变化分段点进行求并集操作，并集中所有变化分段点为最终的变化分段点，根据最终的变化分段点对当前时间段进行分段处理，将所有的变化分段记为第一目标分段；

对于任意一个维度，获取第一目标分段与的聚簇分类结果的最大的相似值，最大的相似性值的变化分段记为相似变化分段。

进一步的，所述获取当前时间段的行驶过程中任意一个维度的传感器数据的稳定性，包括的具体方法为：

对第一目标分段进行窗口尺度范围处理，得到第一目标分段中若干个窗口尺度范围；

当前时间段的所有维度的传感器数据的稳定性值

其中，

进一步的，所述获取当前时间段的行驶过程中所有维度的传感器数据的自回归阶数，包括的具体方法为：

对于当前时间段的行驶过程中第

其中，

进一步的，所述进行ARIMA模型的构建，并进行预测编码数据压缩处理，包括的具体方法为：

根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数，设置差分阶数，通过偏自相关图来确定移动平均阶数，进而构建当前时间段的行驶过程的ARIMA模型，对于当前时间段的行驶过程中不同维度的传感器数据，将该传感器数据输入到ARIMA模型得到预测传感器数据，根据该传感器数据与预测传感器数据得到，获取得到数据误差；根据数据误差进行预测编码数据压缩。

本发明实施例提出一种基于蓝牙的车载信息交互系统，该系统包括以下模块：

行驶过程传感器数据采集模块，用于通过在车辆上安装传感器来采集不同时间段的车辆行驶过程中不同维度的传感器数据，其中包含历史中不同时间段的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据；

预测编码数据压缩模块：

用于根据历史的行驶过程中传感器数据获取不同维度的传感器数据的唯一性权重值；在历史的行驶过程中传感器数据中，获取任意一个时间段的任意维度的传感器数据的变化分段点，根据变化分段点对所述时间段的传感器数据进行分段处理，获取所述时间段的变化分段；获取每个变化分段中任意时刻的传感器数据点的相似性阈值，对变化分段中所有时刻的传感器数据点的相似性阈值进行分类，得到所述时间段中所有维度的传感器数据的各个聚簇分类结果；

对当前时间段的行驶过程中所有维度的传感器数据进行分段处理得到第一目标分段，根据第一目标分段与聚簇分类结果的最大相似性值来获取相似变化分段；获取当前时间段的行驶过程中任意一个维度的传感器数据的稳定性值；根据当前时间段的行驶过程中任意一个维度的传感器数据的稳定性以及最大相似性值，获取当前时间段的行驶过程中所有维度的传感器数据的自回归阶数；

根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数进行ARIMA模型的构建，并进行预测编码数据压缩处理；

信息交互模块：用于对经过压缩后的不同维度的传感器数据进行基于蓝牙的车载信息交互。

本发明的技术方案的有益效果是：本发明通过采集的当前时间段的行驶过程中不同维度的传感器数据以及历史数据的不同维度的传感器数据来自适应获取自回归阶数，来构建准确的ARIMA模型进行预测编码数据压缩。通过获取历史数据中同一个时间段的不同维度的传感器数据的变化来获取唯一性权重值，并根据同一个时间段中同一个维度的传感器数据中每个时刻的传感器数据的变化获取变化分段，得到各个维度的同一个时间段所有时刻的传感器数据的相似性阈值，得到的同一个时间段中所有维度的传感器数据的各自的聚簇。根据设置的不同大小的窗口尺度范围来计算得到当前时间段的所有维度的传感器数据的稳定性，进而得到当前时间段的行驶过程中各个维度的传感器数据的自回归阶数，构建得到准确的ARIMA模型进行预测编码数据压缩，实现基于蓝牙的车载信息交互。保证了对历史数据进行聚类的过程中减少了偏差积累的影响，同时减少了不同维度的数据的唯一性变化对聚类过程的影响，避免了使用历史数据进行拟合的过程中会出现过拟合的现象，提高了对于当前时间段的行驶过程中传感器数据的预测编码压缩的压缩效率，使得可以提高进行基于蓝牙的信息交互效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于蓝牙的车载信息交互方法的步骤流程图；

图2为本发明的一种基于蓝牙的车载信息交互系统的系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于蓝牙的车载信息交互方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于蓝牙的车载信息交互方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于蓝牙的车载信息交互方法的步骤流程图，该方法包括以下步骤：

S001．通过在车辆上安装传感器来采集不同时间段的车辆行驶过程中不同维度的传感器数据，其中包含历史中不同时间段的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据。

本实施例的目的是根据在车辆上安装传感器来采集车辆形式过程中传感器数据，通过对传感器数据进行处理，自适应获取ARIMA模型中自回归阶数，实现传感器数据的预测编码压缩，进而完成基于蓝牙的车载信息交互，因此需要通过在车辆上安装传感器来采集车辆行驶过程中传感器数据。

具体的，本实施例通过在车辆上安装不同类型的传感器，来采集车辆行驶过程中不同时间段的不同类型的传感器数据，其中需要同时获取车辆历史的不同时间段的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据，根据车辆的历史的行驶过程中传感器数据作为自适应获取AIRMA模型中自回归阶数，来构建准确的ARIMA模型用于对当前时间段的行驶过程中传感器数据进行预测编码数据压缩。其中采集的不同类型的传感器数据，包括行驶速度数据、方向盘转动数据、踩踏板踩踏压力数据、陀螺仪数据、GPS数据等，不同类型的传感器数据的采样频率设置为相同，且将各个不同类型的传感器数据通过不同维度的传感器数据来表示，即每个传感器数据表示一个维度。其中采集的不同类型的传感器数据为不同时间段的传感器的数据，其中本实施例中所设置的时间段为0点到6点、6点到9点、9点到12点、12点到14点、14点到17点、17点到20点、20点到24点。需要特别说明的是，在时间段中所有传感器每一个时刻采集一次数据，本实施例以每0.5s为一个时刻，一个时间段中存在若干个时刻。

至此，获取到不同时间段的历史的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据。

S002．通过对历史数据中同一个时间段的不同维度的传感器数据进行分析，获取同一个时间段的不同维度的传感器数据的变化来获取唯一性权重值，并根据同一个时间段中同一个维度的传感器数据中每个时刻的传感器数据的变化获取变化分段，得到各个维度的变化分段的所有时刻的传感器数据的相似性阈值，得到的同一个时间段中所有维度的传感器数据的各自的聚簇。

需要说明的是，本实施例的目的是通过为了当前时间段采集的不同维度的传感器数据相较于历史的同一个时间段的不同维度的传感器数据之间的变化差异来获取当前时间段的行驶过程中稳定性值来自适应获取当前时间段的自回归阶数。但是在同一个时间段中不同维度的传感器数据的变化是不同的，一些维度中数据在行驶过程中数据变化不同，进而造成对当前时间段的行驶过程中稳定性的影响也不相同。当历史数据中不同维度的传感器数据在计算当前时间段的行驶过程中稳定性变化时，需要获取与当前时间段的行驶过程中不同维度的传感器数据相对应的最为相似的历史数据，因此需要对历史数据中同一个时间段且同一个维度的数据进行聚类处理，但是在计算历史数据之间的相似性时，会存在由于历史数据中某个时刻的传感器数据是由于同一个行驶过程中时间轴的前几个时刻造成的偏差较大，因此在分析该时刻的传感器数据的计算相似性时，存在偏差累计的过程，因此在聚类过程中数据之间的相似性阈值在不断的变化的。因此通过获取同一个时间段的不同维度的传感器数据的变化来获取唯一性权重值，并根据同一个时间段中同一个维度的传感器数据中每个时刻的传感器数据的变化获取变化分段，得到各个维度的同一个时间段所有时刻的传感器数据的相似性阈值，得到的同一个时间段中所有维度的传感器数据的各自的聚簇。

具体的，获取不同维度的传感器数据的唯一性权重值。本实施例中通过对历史数据中同一个时间段的不同维度的传感器数据进行分析，获取同一个时间段的不同维度的传感器数据的变化来获取唯一性权重值，不同维度的传感器数据的唯一性权重值表征的为此维度的传感器数据的唯一性变化，来自适应获取此维度的传感器数据的聚类条件权重值。本实施例中对不同时间段的传感器数据根据时间设置超参数，6点到9点、12点到14点和17点到20点设置为0.7，9点到12点和14点到17点设置为0.5，其余时间段设置为0.3，即本实施例认为6点到9点、12点到14点和17点到20点的时间段最能体现车辆的行驶状况的信息，9点到12点和14点到17点的时间段表征行驶状况的信息次之，因此按照上述方法进行设置，例如6点到9点、12点到14点和17点到20点为马路上车辆较多的时间段，可以表征车辆行驶状况信息的变化，而0点到6点和20点到24点为马路上车辆较少的时间段，车辆的行驶状况信息变化较为不规律，体现的信息较弱。以历史数据中第

其中，

进一步的，在任意一个时间段中同一个维度的传感器数据中每个时刻的传感器数据计算斜率值，获取传感器数据斜率变化曲线，其中横坐标为时间轴，纵坐标为每个时刻的此维度的传感器数据斜率值。根据获取每个时刻的传感器数据斜率变化曲线，获取每个时刻的传感器数据点的数据斜率值与前一个时刻的传感器数据点的数据斜率值之间的差值的绝对值，预设一个相邻时刻传感器数据点的斜率差值的绝对值阈值，本实施例以绝对值阈值等于0.65为例进行叙述，实施者可根据实际情况来进行设置，若该时刻的传感器数据点的数据斜率值与前一个时刻的传感器数据点的数据斜率值之间的差值的绝对值大于绝对值阈值，则表明该时刻的传感器数据点为变化分段点。根据变化分段点将此时间段的该维度的传感器数据进行分段处理，获取所述时间段的变化分段，其中每个变化分段的传感器数据表示为相同的传感器数据变化，即每个时刻的传感器数据点所在变化分段定义为该时刻的传感器数据点的局部范围，其中局部范围中包含有若干传感器数据点。预设一个相似性阈值的基准值，本实施例以基准值等于0.8为例进行叙述，以历史数据中第

其中，

进一步的，将同一个时间段中同一个维度的传感器数据中所有时刻的传感器数据转换至数据坐标轴中，根据获取的每个时刻的传感器数据的相似性阈值进行分类操作，其中将每个时刻的传感器数据所在变化分段与其他时刻的传感器数据所在变化分段进行DTW匹配获取DTW距离，并通过

至此，通过历史数据得到的同一个时间段中所有维度的传感器数据的各自的聚簇。

S003．获取当前时间段的行驶过程中在各个维度的传感器数据均获取对应的第一目标分段，根据第一目标分段与聚簇分类结果的最大相似性值来获取相似变化分段，根据设置的不同大小的窗口尺度范围来计算得到当前时间段的所有维度的传感器数据的稳定性值，进而得到当前时间段的行驶过程中各个维度的传感器数据的自回归阶数。

需要说明的是，本实施例通过分析当前时间段的行驶过程中在各个维度的传感器数据获取其自身的对应的变化分段，并根据与历史数据获取的对应的维度的各个聚簇之间最大相似的传感器数据的变化分段，由于数据的变化程度在不同窗口尺度下表现不同，因此本实施例通过分析不同大小的窗口尺度来分析获取两者之间的差异大小，来表征当前时间段的行驶过程中稳定性，进而根据当前时间段的行驶过程中稳定性以及与历史数据的相似性来获取自适应回归阶数。其中当前时间段的行驶过程中稳定性以及与历史数据的相似性，可以来准确的表征当前时间段的行驶过程中传感器数据与正常的行驶过程中传感器数据的偏差，进而提高了后续量化自回归阶数的准确性，进而得到当前时间段的行驶过程中各个维度的传感器数据的自回归阶数。

具体的，当前时间段的行驶过程中在各个维度的传感器数据均获取对应的变化分段点，对所有维度的变化分段点进行求并集操作，并集中所有变化分段点为本实施例所述的最终的变化分段点，进而得到所有的变化分段记为第一目标分段。获取当第一目标分段与历史数据获取的对应的维度的各个聚簇之间最大相似的传感器数据的变化分段，记为相似变化分段，其中最大相似的传感器数据同样通过第一DTW距离的加权均值来表示，其中本实施例所述的各个维度的权重为唯一性权重值，本实施例不再赘述。获取通过根据第一目标分段进行窗口尺度范围处理，在该第一目标分段中本实施例预设一个窗口尺度范围

其中，

进一步的，本实施例预设一个自回归阶数的超参数，本实施例以自回归阶数的超参数等于3进行叙述，实施者可根据实际情况来进行设置，根据获取的当前时间段的行驶过程中各个维度的传感器数据的第一目标分段与历史数据获取的对应的维度的各个聚簇之间最相似的传感器数据的相似变化分段作为当前时间段的行驶过程中相似性权重值，并结合计算得到的当前时间段的所有维度的传感器数据的稳定性值，该稳定性值表征为各个维度的传感器数据的稳定性值均为此稳定性值，获取当前时间段的行驶过程的各个维度的传感器数据的自回归阶数。以当前时间段的行驶过程中第

其中，

S004．根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数进行ARIMA模型的构建，并进行预测编码数据压缩处理。

具体的，本实施例中根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数，通过先验知识设置差分阶数，其中本实施例以差分阶数等于3为例进行叙述，实施者可根据实际情况来进行设置，通过偏自相关图来确定移动平均阶数，进而构建当前时间段的行驶过程的准确的ARIMA模型。根据构建的当前时间段的行驶过程的准确的ARIMA模型预测编码数据压缩，将实时采集的当前时间段的行驶过程中不同维度的传感器数据与各自对应的通过ARIMA模型得到的预测的传感器数据，获取得到数据误差，进而预测编码数据压缩，其中基于预测编码数据压缩为公知技术，在本实施例中不再赘述。

S005．对经过压缩后的不同维度的传感器数据进行基于蓝牙的车载信息交互。

具体的，将各个车辆之间通过配对过程来建立连接。配对过程涉及两个设备交换用于识别彼此的信息，以建立安全的连接。一般来说，这个过程需要用户进行互动，例如输入PIN码或确认配对请求。将压缩后的车载数据进行数据分片，具体分片的大小取决于蓝牙规范和特定设备的实现，本实施例预设为100字节，实施者可根据实际情况进行设置，调用蓝牙API函数BluetoothAdapter类的方法发送数据，结束于接收设备接收并确认接收到数据，接收方将收到的数据块按照正确的顺序重新组合成完整的数据。

通过以上步骤，完成了一种基于蓝牙的车载信息交互方法。

下面结合附图具体的说明本发明所提供的一种基于蓝牙的车载信息交互系统的具体方案。

请参阅图2，其示出了本发明一个实施例提供的一种基于蓝牙的车载信息交互系统的系统框图，该系统包括以下模块：

行驶过程传感器数据采集模块101，用于通过在车辆上安装传感器来采集不同时间段的车辆行驶过程中不同维度的传感器数据，其中包含历史中不同时间段的行驶过程中传感器数据以及当前时间段的行驶过程中传感器数据；

预测编码数据压缩模块102：

（1）根据历史的行驶过程中传感器数据获取不同维度的传感器数据的唯一性权重值；在历史的行驶过程中传感器数据中，获取任意一个时间段的任意维度的传感器数据的变化分段点，根据变化分段点对所述时间段的传感器数据进行分段处理，获取所述时间段的变化分段；获取每个变化分段中任意时刻的传感器数据点的相似性阈值，对变化分段中所有时刻的传感器数据点的相似性阈值进行分类，得到所述时间段中所有维度的传感器数据的各个聚簇分类结果；

（2）对当前时间段的行驶过程中所有维度的传感器数据进行分段处理得到第一目标分段，根据第一目标分段与聚簇分类结果的最大相似性值来获取相似变化分段；获取当前时间段的行驶过程中任意一个维度的传感器数据的稳定性值；根据当前时间段的行驶过程中任意一个维度的传感器数据的稳定性以及最大相似性值，获取当前时间段的行驶过程中所有维度的传感器数据的自回归阶数；

（3）根据获取的当前时间段的行驶过程的各个维度的传感器数据的自回归阶数进行ARIMA模型的构建，并进行预测编码数据压缩处理。

信息交互模块103，用于对经过压缩后的不同维度的传感器数据进行基于蓝牙的车载信息交互。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。