电动自行车的智能管理系统及其方法

摘要

本申请公开了一种电动自行车的智能管理系统及其方法，其通过利用传感器组采集车辆行驶速度和电机声音信号，通过深度学习算法对这两种数据进行特征提取、特征交互和分类，从而判断电动自行车的状态是否异常。

权利要求

1.一种电动自行车的智能管理方法，其特征在于，包括：

获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；

对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常；

其中，对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量，包括：对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量；

对所述电机声音信号进行波形特征提取以得到电机声音波形特征向量；

融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量；

其中，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量，包括：以如下融合公式融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量；

其中，所述融合公式为：

，

其中， 表示所述车辆行驶速度时序特征向量， 表示所述电机声音波形特征向量， 和 分别表示所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 的全局均值的倒数， 是单位向量， 、 、 分别表示向量的按位置相加、按位置相减和按位置点乘， 表示所述车辆速度‑电机噪声交互特征向量。

2.根据权利要求1所述的电动自行车的智能管理方法，其特征在于，对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量，包括：将所述多个预定时间点的车辆行驶速度值按照时间维度排列为车辆行驶速度时序输入向量；以及将所述车辆行驶速度时序输入向量通过包含上采样模块和一维卷积层的行驶模式特征提取器以得到所述车辆行驶速度时序特征向量。

3.根据权利要求2所述的电动自行车的智能管理方法，其特征在于，对所述电机声音信号进行波形特征提取以得到电机声音波形特征向量，包括：将所述电机声音信号通过基于卷积神经网络模型的声音波形特征提取器以得到所述电机声音波形特征向量。

4.根据权利要求3所述的电动自行车的智能管理方法，其特征在于，基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常，包括：对所述车辆速度‑电机噪声交互特征向量进行特征分布优化以得到优化车辆速度‑电机噪声交互特征向量；以及将所述优化车辆速度‑电机噪声交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述电动自行车的状态是否异常。

5.根据权利要求4所述的电动自行车的智能管理方法，其特征在于，对所述车辆速度‑电机噪声交互特征向量进行特征分布优化以得到优化车辆速度‑电机噪声交互特征向量，包括：以如下优化公式对所述车辆速度‑电机噪声交互特征向量进行特征分布优化以得到优化车辆速度‑电机噪声交互特征向量；

其中，所述优化公式为：

，

其中， 是所述车辆速度‑电机噪声交互特征向量， 是所述车辆速度‑电机噪声交互特征向量的第 个位置的特征值， 是所述车辆速度‑电机噪声交互特征向量的长度，表示所述车辆速度‑电机噪声交互特征向量 的二范数的平方，且 是加权超参数， 表示指数运算， 是所述优化车辆速度‑电机噪声交互特征向量的第 个位置的特征值。

6.一种电动自行车的智能管理系统，其特征在于，包括：

信号采集模块，用于获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；

多模态联合分析模块，用于对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及状态生成模块，用于基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常；

其中，所述多模态联合分析模块，包括：

时序分析单元，用于对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量；

波形特征提取单元，用于对所述电机声音信号进行波形特征提取以得到电机声音波形特征向量；

融合单元，用于融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量；

其中，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量，包括：以如下融合公式融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量；

其中，所述融合公式为：

，

其中， 表示所述车辆行驶速度时序特征向量， 表示所述电机声音波形特征向量， 和 分别表示所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 的全局均值的倒数， 是单位向量， 、 、 分别表示向量的按位置相加、按位置相减和按位置点乘， 表示所述车辆速度‑电机噪声交互特征向量。

说明书

电动自行车的智能管理系统及其方法

技术领域

[0001] 本申请涉及智能管理领域，且更为具体地，涉及一种电动自行车的智能管理系统及其方法。

背景技术

[0002] 电动自行车是一种广泛使用的交通工具，它可以节省能源，减少污染，提高出行效率。然而，电动自行车的使用过程中也存在一些问题，如电机故障、电池损耗、车辆失窃等，这些问题会影响电动自行车的性能和安全。

[0003] 因此，期待一种电动自行车的管理方案。

发明内容

[0004] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电动自行车的智能管理系统及其方法，其通过利用传感器组采集车辆行驶速度和电机声音信号，通过深度学习算法对这两种数据进行特征提取、特征交互和分类，从而判断电动自行车的状态是否异常。

[0005] 根据本申请的一个方面，提供了一种电动自行车的智能管理方法，其包括：获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常。

[0006] 根据本申请的另一个方面，提供了一种电动自行车的智能管理系统，其包括：信号采集模块，用于获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；多模态联合分析模块，用于对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及状态生成模块，用于基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常。

[0007] 与现有技术相比，本申请提供的一种电动自行车的智能管理系统及其方法，其通过利用传感器组采集车辆行驶速度和电机声音信号，通过深度学习算法对这两种数据进行特征提取、特征交互和分类，从而判断电动自行车的状态是否异常。

附图说明

[0008] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

[0009] 图1为根据本申请实施例的电动自行车的智能管理方法的流程图。

[0010] 图2为根据本申请实施例的电动自行车的智能管理方法的系统架构图。

[0011] 图3为根据本申请实施例的电动自行车的智能管理方法的子步骤S2的流程图。

[0012] 图4为根据本申请实施例的电动自行车的智能管理方法的子步骤S21的流程图。

[0013] 图5为根据本申请实施例的电动自行车的智能管理方法的子步骤S3的流程图。

[0014] 图6为根据本申请实施例的电动自行车的智能管理系统的框图。

具体实施方式

[0015] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0016] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

[0017] 虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

[0018] 本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

[0019] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0020] 电动自行车是一种广泛使用的交通工具，它可以节省能源，减少污染，提高出行效率。然而，电动自行车的使用过程中也存在一些问题，如电机故障、电池损耗、车辆失窃等，这些问题会影响电动自行车的性能和安全。因此，期待一种电动自行车的管理方案。

[0021] 在本申请的技术方案中，提出了一种电动自行车的智能管理方法。图1为根据本申请实施例的电动自行车的智能管理方法的流程图。图2为根据本申请实施例的电动自行车的智能管理方法的系统架构图。如图1和图2所示，根据本申请的实施例的电动自行车的智能管理方法，包括步骤：S1，获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；S2，对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及，S3，基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常。

[0022] 特别地，所述S1，获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号。应可以理解，车辆行驶速度是电动自行车运行状态的一个重要指标。通过监测车辆行驶速度的变化，可以了解电动自行车的加速度、减速度、平稳性等方面的表现。如果车辆行驶速度异常波动，可能意味着电动自行车存在故障或异常情况。电机声音信号可以反映电动自行车电机的运行状态。正常情况下，电机应该产生一定的声音，但过大的噪音或异常的声音可能是由于电机故障、轴承磨损、齿轮问题等引起的。根据本申请的实施例，可通过速度传感器来获取预定时间段内多个预定时间点的车辆行驶速度值；以及，通过声音信号传感器来获取所述预定时间段内的电机声音信号。值得一提的是，速度传感器是一种用于测量物体速度的设备或装置。它通常通过检测物体的运动或运动参数来确定速度。声音信号传感器是一种用于检测、测量和转换声音信号的设备或装置。

[0023] 相应的，在一种可能的实现方式中，可通过以下步骤获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号，例如：根据需要测量车辆的行驶速度，选择适合的速度传感器。例如，可以选择车辆上的车速传感器、GPS传感器或其他合适的传感器；根据传感器的类型和要求，将速度传感器正确安装在车辆上。确保传感器能够准确测量车辆的速度，并与数据采集系统连接；使用适当的数据采集系统来记录和存储传感器采集的数据；根据需要获取车辆行驶速度和电机声音信号的预定时间点，确定时间段内的多个时间点；将数据采集系统设置为在预定时间段内进行数据采集；在每个预定时间点，通过速度传感器获取车辆的行驶速度值。传感器会测量车辆的速度，并将其转换为相应的数字或模拟信号；同时，在每个预定时间点，通过声音信号传感器获取电机的声音信号；将获取的速度值和声音信号数据存储在数据采集系统中。

[0024] 特别地，所述S2，对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量。特别地，在本申请一个具体示例中，如图3所示，所述S2，包括：S21，对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量；S22，对所述电机声音信号进行波形特征提取以得到电机声音波形特征向量；S23，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量。

[0025] 具体地，所述S21，对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量。也就是，对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量。也就是，捕捉所述多个预定时间点的车辆行驶速度值在时间维度上呈现的时序关联。具体而言，车辆行驶速度可能在较长时间尺度上呈现出逐渐变化的趋势。例如，在道路条件恶化或车辆磨损加剧的情况下，车辆行驶速度可能会逐渐下降。特别地，在本申请的一个具体示例中，如图4所示，所述S21，包括：S211，将所述多个预定时间点的车辆行驶速度值按照时间维度排列为车辆行驶速度时序输入向量；以及，S212，将所述车辆行驶速度时序输入向量通过包含上采样模块和一维卷积层的行驶模式特征提取器以得到所述车辆行驶速度时序特征向量。

[0026] 更具体地，所述S211，将所述多个预定时间点的车辆行驶速度值按照时间维度排列为车辆行驶速度时序输入向量。考虑到所述车辆行驶速度值在时间维度上是不断变化的，其在时间维度上具有着时序的动态变化规律性，也就是说，所述多个预定时间点的车辆行驶速度值具有着时序的关联关系。因此，在本申请的技术方案中，为了能够捕捉刻画出所述车辆行驶速度值在时间维度上的时序动态变化特征，需要将所述多个预定时间点的车辆行驶速度值按照时间维度排列为车辆行驶速度时序输入向量，以此来整合所述车辆行驶速度值在时间维度上的时序分布信息。

[0027] 更具体地，所述S212，将所述车辆行驶速度时序输入向量通过包含上采样模块和一维卷积层的行驶模式特征提取器以得到所述车辆行驶速度时序特征向量。其中，上采样模块用于增加时序输入向量的时间分辨率。它可以通过插值或重复数据点的方式将输入向量的时间步长增加，从而获得更密集的时间序列数据。上采样可以提高模型对于细粒度行驶模式的感知能力，捕捉到更多的时间特征和细微变化。一维卷积层用于从时序输入向量中提取行驶模式特征。卷积层可以通过滑动窗口的方式在时序数据上进行局部特征提取。它可以捕捉到不同时间尺度上的行驶模式。

[0028] 值得注意的是，上采样是一种信号处理技术，用于增加信号的采样率或时间分辨率。在时间序列数据中，上采样可以增加数据点的数量，使得时间步长更密集，从而提高数据的时间分辨率。上采样可以通过插值或重复数据的方式实现。常见的上采样方法包括线性插值、最近邻插值、多项式插值等。这些方法可以根据已有的数据点，在它们之间生成新的数据点，以填充时间间隔。例如，线性插值可以根据相邻的数据点之间的线性关系，计算出中间时间点的数值。

[0029] 值得注意的是，一维卷积层是深度学习中常用的一种卷积神经网络（CNN）层类型之一。它主要用于处理一维序列数据，如时间序列数据、音频信号、文本数据等。一维卷积层的基本原理与二维卷积层相似，但在处理数据时只在一个维度上进行滑动窗口的卷积操作。一维卷积层通过定义一组可学习的滤波器（也称为卷积核或特征检测器），在输入序列上滑动并进行卷积运算，从而提取输入序列中的局部特征。在一维卷积层中，每个滤波器是一个一维的权重向量，它与输入序列进行逐元素的点积运算，并通过滑动窗口在整个序列上移动。通过这种滑动窗口的方式，一维卷积层可以捕捉到不同位置的局部特征。卷积运算的结果是一个特征图，其中每个位置对应一个滤波器的输出。

[0030] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的车辆行驶速度值进行时序分析以得到车辆行驶速度时序特征向量，例如：使用速度传感器等合适的设备采集车辆行驶速度数据，并确保数据采集的时间点与预定时间点对应；对采集到的数据进行预处理，包括去除噪声、异常值处理、数据校准等，以确保数据的准确性和一致性；对车辆行驶速度数据进行时序特征提取。可以计算以下类型的特征：基本统计特征：例如平均速度、最大速度、最小速度、速度变化幅度等；时域特征：例如均值、方差、标准差、自相关性等；频域特征：例如傅里叶变换、功率谱密度等；动态特征：例如速度变化率、加速度、速度变化的频率等；长期趋势特征：例如趋势线的斜率、趋势线的拟合度等；将从速度数据中提取的特征组合成一个特征向量。可以按照时间顺序排列特征，每个时间点对应一个特征向量；特征向量的维度取决于所选择的特征数量和时间点的数量；使用得到的车辆行驶速度时序特征向量作为输入，可以应用各种时序分析方法进行分析，如时间序列预测、周期性分析、异常检测等；可以使用统计方法、机器学习方法或深度学习方法来建立模型并进行分析；还可以使用可视化工具和技术，如折线图、趋势图、频谱图等，来展示和分析车辆行驶速度的时序特征。

[0031] 具体地，所述S22，对所述电机声音信号进行波形特征提取以得到电机声音波形特征向量。特别地，在本申请的一个具体示例中，将所述电机声音信号通过基于卷积神经网络模型的声音波形特征提取器以得到电机声音波形特征向量。具体地，使用所述基于卷积神经网络模型的声音波形特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的声音波形特征提取器的最后一层的输出为所述电机声音波形特征向量，所述基于卷积神经网络模型的声音波形特征提取器的第一层的输入为所述电机声音信号。

[0032] 值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种常用于处理具有网格结构数据（如图像、音频等）的深度学习模型。CNN通过在输入数据上应用卷积操作来捕捉局部特征，并通过池化操作减小数据尺寸，从而实现对输入数据的层次化表示和特征提取。以下是卷积神经网络的基本原理和主要组成部分：卷积层：卷积层是CNN的核心组件，用于提取输入数据的局部特征。它由一组卷积核（也称为滤波器）组成，每个卷积核对输入数据进行卷积操作，生成一组特征图；卷积操作通过滑动窗口在输入数据上进行，窗口在每个位置上与输入数据进行逐元素相乘，并对结果进行求和，得到特征图中对应位置的值；卷积层可以通过调整卷积核的数量、大小和步幅等参数来控制特征提取的方式和输出特征图的尺寸；激活函数：在卷积层中，每个卷积核生成的特征图通常会通过激活函数进行非线性变换，以引入非线性关系和增强网络的表达能力；常用的激活函数包括ReLU、Sigmoid、Tanh等，它们在不同的情况下具有不同的特性和优势；池化层：池化层用于减小特征图的空间尺寸，同时保留重要的特征信息。常用的池化操作包括最大池化和平均池化；池化操作通过在输入数据的局部区域上进行聚合操作，如取最大值或求平均值，将聚合结果作为输出特征图的对应位置的值；全连接层：全连接层用于将卷积层和池化层的输出特征图转换为最终的分类或回归结果。它将特征图展平为一维向量，并通过一系列全连接的神经元进行计算和变换；全连接层通常包括多个隐藏层和一个输出层，每个神经元都与前一层的所有神经元相连接，通过权重和偏置项进行计算；Dropout层：Dropout层是一种正则化技术，用于防止过拟合。它在训练过程中随机地将一些神经元的输出置为零，以减少神经元之间的依赖关系，强制网络学习更鲁棒和泛化的特征。卷积神经网络通过多个卷积层、激活函数、池化层和全连接层的堆叠，以端到端的方式学习输入数据的特征表示和模式识别。在训练过程中，CNN通过反向传播算法和优化方法（如梯度下降）来调整网络参数，使得网络能够更好地拟合训练数据。在应用阶段，CNN可以对新的输入数据进行预测和分类。

[0033] 具体地，所述S23，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量。在本申请的技术方案中，所述车辆行驶速度时序特征向量和所述电机声音波形特征向量分别表达车辆行驶速度值的时序关联特征和所述电机声音信号的信号波形的图像语义特征，因此，在使用特征交互层进行基于注意力机制的特征交互时，可以提取车辆行驶速度值时序关联特征和电机声音信号波形图像语义特征之间的依赖关系特征。但是，本申请考虑到所述车辆行驶速度时序特征向量和所述电机声音波形特征向量的特征语义分布强度相对于分类结果的目标分布的不平衡，可能导致所述车辆速度‑电机噪声交互特征向量的表达不均衡，影响所述车辆速度‑电机噪声交互特征向量的表达效果。

[0034] 基于此，优选地，对于所述车辆行驶速度时序特征向量，例如记为 和所述电机声音波形特征向量，例如记为 进行特征插值式融合的目的损失自监督平衡化，以获得所述车辆速度‑电机噪声交互特征向量，例如记为 。

[0035] 在本申请的一个具体示例中，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量，包括：以如下融合公式融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量；其中，所述融合公式为：其中， 表
示所述车辆行驶速度时序特征向量， 表示所述电机声音波形特征向量， 和
分别表示所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 的
全局均值的倒数， 是单位向量， 、 、 分别表示向量的按位置相加、按位置相减和按位置点乘， 表示所述车辆速度‑电机噪声交互特征向量。

[0036] 也就是，在考虑到基于特征语义依赖分布的融合的情况下，如果将待融合的所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 之一视为另一个的强特征增强输入，则可能损失所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 中的另一个的目标特征在类空间内的目标分布信息，导致类回归目的损失，因此通过对特征分布相对于彼此的离群分布（outlier distribution）进行交叉惩罚的方式，可以在特征插值式融合时实现特征增强和回归鲁棒的自监督式平衡，以提升所述车辆行驶速度时序特征向量 和所述电机声音波形特征向量 的特征融合效果。这样，再将所述校正特征向量 与所述车辆速度‑电机噪声交互特征向量融合，就可以提升所述车辆速度‑电机噪声交互特征向量的表达效果，以提升其通过分类器得到的分类结果的准确性。

[0037] 在本申请的另一个具体示例中，融合所述车辆行驶速度时序特征向量和所述电机声音波形特征向量以得到所述车辆速度‑电机噪声交互特征向量的编码过程，包括：使用特征交互层来对所述车辆行驶速度时序特征向量和所述电机声音波形特征向量进行基于注意力机制的特征交互以得到车辆速度‑电机噪声交互特征向量。值得一提的是，传统的注意力机制的目标在于学习一个注意力权重矩阵，应用于当前层的各个神经节点，对于那些重要的节点，赋予它们较大的权重，对于那些次要的节点，赋予它们较小的权重。由于每个神经节点都包含着某种特征信息，经过上述操作，神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而所述特征间注意力层则不同，其更多地关注到了各个特征信息间的依赖关系。

[0038] 相应的，在一种可能的实现方式中，可通过以下步骤使用特征交互层来对所述车辆行驶速度时序特征向量和所述电机声音波形特征向量进行基于注意力机制的特征交互以得到车辆速度‑电机噪声交互特征向量，例如：获取车辆行驶速度时序特征向量和电机声音波形特征向量。确保两个特征向量具有相同的时间点对应关系；构建一个特征交互层，用于将车辆行驶速度特征和电机声音特征进行交互；特征交互层通常基于注意力机制，可以是自注意力机制或注意力机制的变体，如多头注意力机制等；将车辆行驶速度时序特征向量和电机声音波形特征向量作为输入传递给特征交互层；在特征交互层中，通过计算注意力权重来对车辆行驶速度特征和电机声音特征进行交互；注意力权重可以基于两个特征的相似度或相关性来计算。常用的计算方法包括点积注意力、加性注意力等；注意力权重可以通过对特征向量进行线性变换、应用激活函数和归一化等步骤得到；使用注意力权重对车辆行驶速度特征和电机声音特征进行加权融合，得到交互后的特征表示； 可以通过将注意力权重与特征向量进行加权求和或按元素相乘等方式来进行特征融合；将交互后的特征表示作为车辆速度‑电机噪声交互特征向量输出，用于后续的分析和应用。

[0039] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量，例如：使用相应的传感器采集车辆行驶速度和电机声音信号数据，并确保数据采集的时间点与预定时间点对应；对采集到的数据进行预处理，包括去除噪声、滤波、数据校准等，以确保数据的准确性和一致性；对车辆行驶速度数据进行特征提取。可以计算统计特征，如平均速度、最大速度、速度变化率等，或者使用更高级的特征提取方法，如傅里叶变换、小波变换等，以捕捉速度的时域和频域特征；对电机声音信号数据进行特征提取。可以计算声音信号的频谱特征、时域特征、能量特征等，或者使用基于机器学习的方法，如声音分类器或声音特征提取器，提取更高级的声音特征；将从速度数据和声音信号数据中提取的特征进行融合。可以使用简单的特征拼接方法，将两个特征向量连接在一起，形成一个联合特征向量；可以使用特征加权的方法，对不同特征的重要性进行调整，以更好地反映车辆速度和电机噪声之间的交互关系；也可以使用更高级的特征融合方法，如主成分分析、因子分析、协方差矩阵融合等，以获得更具代表性和区分度的特征向量；使用得到的车辆速度‑电机噪声交互特征向量作为输入，可以应用各种机器学习或统计建模方法进行分析，如聚类、分类、回归等；特别地，所述S3，基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常。特别地，在本申请的一个具体示例中，如图5所示，所述S3，包括：S31，对所述车辆速度‑电机噪声交互特征向量进行特征分布优化以得到优化车辆速度‑电机噪声交互特征向量；以及，S32，将所述优化车辆速度‑电机噪声交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述电动自行车的状态是否异常。

[0040] 具体地，所述S31，对所述车辆速度‑电机噪声交互特征向量进行特征分布优化以得到优化车辆速度‑电机噪声交互特征向量。在本申请的技术方案中，所述车辆行驶速度时序特征向量和所述电机声音波形特征向量分别表达车辆行驶速度值的时序关联特征和所述电机声音信号的信号波形的图像语义特征，因此，在使用特征交互层进行基于注意力机制的特征交互时，可以提取车辆行驶速度值时序关联特征和电机声音信号波形图像语义特征之间的依赖关系特征，但是，如果将所述车辆行驶速度值时序关联特征和所述电机声音信号波形图像语义特征基于各自模态的特征表示作为前景对象特征，在进行跨模态依赖关系特征的提取的同时，也会引入对于源单模态特征的特征分布造成干涉相关的背景分布噪声，并且，所述车辆速度‑电机噪声交互特征向量也相应地具有跨模态的分级模态语义空间特征表达，由此，期望基于所述车辆速度‑电机噪声交互特征向量的分布特性来增强其表达效果。因此，本申请对所述车辆速度‑电机噪声交互特征向量进行基于概率密度特征模仿范式的分布增益，具体表示为： 其中， 是所述车辆速度‑电机噪声交互特征向量， 是所述车辆速度‑电机噪声交互特征向量的第个位置的特征值， 是所述车辆速度‑电机噪声交互特征向量的长度， 是所述车辆速度‑电机噪声交互特征向量 的第 个位置的特征值， 表示所述车辆速度‑电机噪声交互特征向量 的二范数的平方，且 是加权超参数， 表示指数运算， 是
所述优化车辆速度‑电机噪声交互特征向量的第 个位置的特征值。这里，基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式，所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码，在高维特征空间内区分前景对象特征和背景分布噪声，从而基于高维特征的模态语义空间分级来对高维空间进行特征空间映射的关联语义认知的分布软匹配，来获得高维特征分布的无约束的分布增益，提升所述车辆速度‑电机噪声交互特征向量 基于特征分布特性的表达效果，也就提升了所述车辆速度‑电机噪声交互特征向量通过分类器得到的分类结果的准确性。

[0041] 具体地，所述S32，将所述优化车辆速度‑电机噪声交互特征向量通过分类器以得到分类结果，所述分类结果用于表示所述电动自行车的状态是否异常。具体地，使用所述分类器的多个全连接层对所述优化车辆速度‑电机噪声交互特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

[0042] 分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

[0043] 全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

[0044] Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

[0045] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常，例如：收集一组包含正常状态和异常状态的电动自行车数据样本；对每个样本提取车辆速度时序特征向量和电机声音波形特征向量，并进行特征交互，得到车辆速度‑电机噪声交互特征向量；对数据样本进行标签标注，将正常状态标记为0，异常状态标记为1，以便进行监督学习；将数据集划分为训练集、验证集和测试集；选择适合的机器学习或深度学习模型用于异常状态检测。常见的模型包括支持向量机（SVM）、决策树、随机森林、卷积神经网络（CNN）等；将车辆速度‑电机噪声交互特征向量作为输入，将训练集输入到选定的模型中进行训练；使用训练集进行模型训练，通过优化算法（如梯度下降）调整模型参数，使其能够准确地区分正常状态和异常状态；使用验证集评估训练好的模型的性能，计算模型在异常状态检测上的准确率、召回率、F1值等指标，以选择最佳模型；根据验证集的评估结果，对模型进行调优，如调整模型的超参数、增加正则化项等，以进一步提高模型性能；使用测试集评估最终调优后的模型的性能，计算模型在异常状态检测上的准确率、召回率、F1值等指标，验证模型的泛化能力；使用最终调优后的模型对新的电动自行车数据样本进行预测，得到预测结果；根据预测结果判断电动自行车的状态是否异常，如果预测结果为1，则表示状态异常；如果预测结果为0，则表示状态正常。

[0046] 综上，根据本申请实施例的电动自行车的智能管理方法被阐明，其通过利用传感器组采集车辆行驶速度和电机声音信号，通过深度学习算法对这两种数据进行特征提取、特征交互和分类，从而判断电动自行车的状态是否异常。

[0047] 进一步地，还提供一种电动自行车的智能管理系统。

[0048] 图6为根据本申请实施例的电动自行车的智能管理系统的框图。如图6所示，根据本申请实施例的电动自行车的智能管理系统300，包括：信号采集模块310，用于获取由传感器组采集的预定时间段内多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号；多模态联合分析模块320，用于对所述多个预定时间点的车辆行驶速度值和所述预定时间段的电机声音信号进行多模态联合分析以得到车辆速度‑电机噪声交互特征向量；以及，状态生成模块330，用于基于所述车辆速度‑电机噪声交互特征向量，确定电动自行车的状态是否异常。

[0049] 如上所述，根据本申请实施例的电动自行车的智能管理系统300可以实现在各种无线终端中，例如具有电动自行车的智能管理算法的服务器等。在一种可能的实现方式中，根据本申请实施例的电动自行车的智能管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该电动自行车的智能管理系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该电动自行车的智能管理系统300同样可以是该无线终端的众多硬件模块之一。

[0050] 替换地，在另一示例中，该电动自行车的智能管理系统300与该无线终端也可以是分立的设备，并且该电动自行车的智能管理系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

[0051] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。