基于機(jī)器學(xué)習(xí)的汽車智能座艙告警篩選系統(tǒng)

doi：10.11835/j.issn.1000-582X.2025.08.009

關(guān)鍵詞：機(jī)器學(xué)習(xí)技術(shù)；智能座艙告警；告警源；CNN中圖分類號： 文獻(xiàn)標(biāo)志碼：A 文章編號：1000-582X（2025）08-099-12

Machine learning-based intelligent cabin alert filtering system for vehicles

ZHANG Ying'，YUAN Haibing2，HE Qi³ ， JIANG Libiao4a5，CHEN Yifeng6， CHEN Qiaofang4b （1. Syncore Autotech Co.，Ltd.， Guangzhou 511400，P.R. China; 2. GAC Energy Technology Co.，LTD.，

Guangzhou 510800，P.R.China; 3.GAC Toyota Motor Co.，LTD.， Guangzhou 511455，P.R. China; 4a.School of Mechanical Engineering and Robotics; 4b. Institute of Engineering Research， Guangzhou City University of

Technology，Guangzhou 510800，P.R.China; 5.Schoolof Mechanical and Automotive Engineering，South China University of Technology ，Guangzhou 510641，P.R. China; 6. School of Vehicle Engineering， Chongqing University of Technology， Chongqing 400054，P.R. China）

Abstract：This study presents amachine learning-based intelligent cabin alert filtering system for vehicles aiming to address safety risks caused by excessive and redundant alarm sources.To overcome limitations in current systems，such as alarm redundancy and inaccurate classifications，a hybrid selection strategy is proposed that combines manual expert filtering with aconvolutional neural network （CNN）model. The system integrates operational data from various devices，applying manual heuristics to eliminate likely 1 signals and employing the CNN model for robust feature extraction and precise classification.Experimental results show that the CNN model achievesaclassificationaccuracyof 89.07% on the test dataset.When combined with manual filtering， the overall selection accuracy of alarm signals reaches 99.998% ，significantly surpassing the conventional VAS system （90%） ）.These results validate the proposed method’s efectiveness in filtering alarm information.Future research will focus on expanding training datasets，optimizing model parameters，and improving text preprocessing techniques to further enhance the overall system performance.

Keywords： machine learning; intelligent cabin alarms; alarm filtering; CNN

汽車是現(xiàn)代社會重要的交通工具，其安全性受到廣泛關(guān)注。隨著智能交通系統(tǒng)的發(fā)展，汽車座艙集成了眾多電子系統(tǒng)和信息顯示裝置，如車載導(dǎo)航、駕駛輔助系統(tǒng)等。這些系統(tǒng)在提供便利的同時，可能導(dǎo)致信息過載。智能告警系統(tǒng)在座艙人機(jī)交互中扮演關(guān)鍵角色，負(fù)責(zé)及時準(zhǔn)確地傳遞關(guān)鍵安全信息，輔助駕駛員做出正確決策，避免或減輕事故危害。汽車配備多種傳感器監(jiān)測車輛狀態(tài)和周圍環(huán)境。例如，輪速傳感器、加速度傳感器、陀螺儀等實時獲取車輛行駛動態(tài)信息，如：車速、加速度、轉(zhuǎn)向角度等[2]。環(huán)境感知傳感器如：毫米波雷達(dá)、攝像頭、激光雷達(dá)監(jiān)測車輛周圍障礙物、其他車輛及行人的位置與運(yùn)動狀態(tài)3]。車輛總線數(shù)據(jù)通過車內(nèi)通信網(wǎng)絡(luò)收集來自發(fā)動機(jī)管理系統(tǒng)、制動系統(tǒng)、電池管理系統(tǒng)（針對電動汽車）等電子控制單元（electronic control unit，ECU）的數(shù)據(jù)，反映車輛關(guān)鍵部件工作狀況，為智能告警系統(tǒng)提供車輛健康狀態(tài)依據(jù)[4]。

告警系統(tǒng)在汽車座艙生產(chǎn)運(yùn)行管理中至關(guān)重要，及時提醒操作人員和工廠人員異常狀態(tài)或設(shè)備故障。智能監(jiān)控告警信息是監(jiān)控設(shè)備運(yùn)行狀態(tài)的關(guān)鍵手段[5]。設(shè)計一套高效智能預(yù)警系統(tǒng)，能提升設(shè)備操作安全性和保障車輛安全，實現(xiàn)經(jīng)濟(jì)和社會價值。然而，過多的告警源會導(dǎo)致系統(tǒng)小故障觸發(fā)大量告警信號，而大故障可能無法得到及時發(fā)現(xiàn)。因此，眾多研究人員開始探索利用數(shù)據(jù)挖掘技術(shù)提升智能預(yù)警系統(tǒng)的工作效率與控制能力。早期的方法主要基于專家經(jīng)驗及特定領(lǐng)域的知識積累，隨著監(jiān)測數(shù)據(jù)規(guī)模的增長及機(jī)器學(xué)習(xí)方法的進(jìn)步，現(xiàn)代警報系統(tǒng)逐步融合了人工智能技術(shù)，借助對語義信息的智能分析與處理手段，構(gòu)建一系列高效的故障識別模型，為汽車座艙報警功能的優(yōu)化與開發(fā)提供了有力支持]。

告警呈現(xiàn)方式包括：視覺告警、聽覺告警和觸覺告警。視覺告警傳統(tǒng)上通過儀表盤上的指示燈提示車輛故障、系統(tǒng)狀態(tài)等信息。改進(jìn)后的抬頭顯示系統(tǒng)（head up display，HUD）將重要信息投影在擋風(fēng)玻璃上，減少視線轉(zhuǎn)移。聽覺告警包括蜂鳴聲和語音提示，適用于多種駕駛場景[8]。觸覺告警通過座椅震動和方向盤震動提示駕駛員，不占用視覺、聽覺通道，有效吸引駕駛員注意。駕駛員對告警的響應(yīng)特性包括：視覺注意力分配、聽覺認(rèn)知負(fù)荷和觸覺感知敏感度。視覺告警位置、亮度、顏色和呈現(xiàn)時間影響駕駛員視線轉(zhuǎn)移速度、準(zhǔn)確性及回視道路的及時性。聽覺告警過多或不合理會增加駕駛員認(rèn)知負(fù)荷，干擾正常駕駛信息處理。觸覺告警的敏感度存在個體差異，且在不同駕駛狀態(tài)下反應(yīng)不同[10]。當(dāng)前告警系統(tǒng)研究存在問題，包括：多源信息融合的精準(zhǔn)度與可靠性、告警個性化程度不足和人因工程考慮欠缺。不同傳感器在精度、可靠性、數(shù)據(jù)更新頻率等方面存在差異，影響危險預(yù)測與告警觸發(fā)]。現(xiàn)有智能告警系統(tǒng)采用統(tǒng)一告警策略，未充分考慮駕駛員個體差異、駕駛習(xí)慣及駕駛?cè)蝿?wù)特殊性。告警系統(tǒng)設(shè)計過程中未能全面優(yōu)化告警與人的交互體驗[2]。

汽車座艙智能報警系統(tǒng)的開發(fā)目標(biāo)是對各類警報信息進(jìn)行統(tǒng)一管理與有效調(diào)度，其功能涵蓋警報數(shù)據(jù)的整合、分析與分級處理，同時涉及機(jī)器學(xué)習(xí)模型的構(gòu)建、驗證及性能評估。此外，系統(tǒng)還需要實現(xiàn)故障信息的主動推送、自動報告生成及人機(jī)交互界面的合理布局與設(shè)計[13]。如圖1所示，本研究的總體流程圍繞系統(tǒng)設(shè)計展開，旨在構(gòu)建一個具備良好適應(yīng)性、安全性與識別準(zhǔn)確性的智能報警機(jī)制，實現(xiàn)對潛在風(fēng)險的提前預(yù)警，提高汽車座艙整體的安全水平[14]。

圖1基于機(jī)器學(xué)習(xí)的汽車座艙智能告警信息分類流程

Fig. 1 Machine learning-based intelligent alert information classificationprocessfor vehiclecockpits

智能報警系統(tǒng)中的告警信息整合流程主要涉及對來自計算機(jī)監(jiān)控系統(tǒng)中各類設(shè)備運(yùn)行狀態(tài)的數(shù)據(jù)采集與歸類。這些數(shù)據(jù)涵蓋穩(wěn)態(tài)、動態(tài)及暫態(tài)等多種類型的信息，通過統(tǒng)一方式存儲至集中式數(shù)據(jù)庫，為后續(xù)分析和建模提供基礎(chǔ)支持[15]。此類集成機(jī)制有助于提升整體系統(tǒng)的可觀測性與可控性，便于工作人員全面掌握設(shè)備運(yùn)行狀況。在汽車座艙應(yīng)用場景中，告警信號依據(jù)其影響程度通常被劃分為5類：異常、事故、越限、變位以及告知。其中，前3類具有較高優(yōu)先級，，在系統(tǒng)運(yùn)行過程中實現(xiàn)快速響應(yīng)。異常信號直接反映了設(shè)備當(dāng)前的運(yùn)行狀態(tài);事故信號多由硬件故障引發(fā)，如開關(guān)跳閘等，通過保護(hù)裝置觸發(fā)告警，提示維護(hù)人員及時介人;越限信號則表示某項參數(shù)超出預(yù)設(shè)的安全范圍，屬于需要重點關(guān)注的預(yù)警信息;變位信號主要體現(xiàn)開關(guān)類部件的狀態(tài)變化過程，例如斷開或閉合操作，這類信號記錄了系統(tǒng)狀態(tài)的動態(tài)演變，也應(yīng)實時采集并納入監(jiān)控體系[17;告知類信號作為最低級別的告警信息，在設(shè)備正常運(yùn)行時持續(xù)反饋狀態(tài)，起到輔助監(jiān)測作用。針對不同類型告警信號的特征差異與優(yōu)先等級，應(yīng)采取相應(yīng)的整合策略以提高信息處理效率[18]。筆者在汽車座艙場景下采用了聯(lián)邦數(shù)據(jù)庫架構(gòu)來實現(xiàn)告警數(shù)據(jù)的集成管理，該架構(gòu)有效支持來自多種異構(gòu)設(shè)備數(shù)據(jù)源之間的分布式接人與統(tǒng)一調(diào)度[。為進(jìn)一步提升分類模型的識別精度，還需要對整合后的數(shù)據(jù)執(zhí)行一系列預(yù)處理步驟，包括：噪聲抑制、缺失值填充及數(shù)值歸一化等關(guān)鍵環(huán)節(jié)。考慮到智能告警信息具有的高維分布性和來源多樣性特點，本研究采用小波閾值去噪法對原始數(shù)據(jù)進(jìn)行降噪處理，具體流程包括：數(shù)據(jù)矩陣轉(zhuǎn)換、二維小波分解、系數(shù)閾值調(diào)整及信號重構(gòu)等步驟。經(jīng)過降噪后的數(shù)據(jù)再利用K近鄰算法完成缺失值的填補(bǔ)，最終通過歸一化操作形成結(jié)構(gòu)化且標(biāo)準(zhǔn)化的數(shù)據(jù)集，用于后續(xù)模型訓(xùn)練與性能驗證[20]。

汽車智能座艙告警篩選方法包括：1）經(jīng)驗篩選法，利用專家經(jīng)驗和規(guī)則庫篩選告警，優(yōu)點是簡單易實現(xiàn)、可解釋性強(qiáng)，但維護(hù)成本高、易誤報漏報;2）神經(jīng)網(wǎng)絡(luò)經(jīng)驗篩選法，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)歷史數(shù)據(jù)和反饋構(gòu)建模型，優(yōu)點是適應(yīng)性強(qiáng)，但模型解釋性差，需大量高質(zhì)量數(shù)據(jù);3）文本向量法：將告警文本轉(zhuǎn)化為向量，用相似度方法篩選，優(yōu)點是處理文本信息、挖掘語義，但對預(yù)處理要求高，難以處理模糊信息。

當(dāng)下研究不足之處，最主要為現(xiàn)有方法未充分考慮駕駛員個性化需求，缺乏多模態(tài)信息融合，且實時性和計算效率有待提升。研究針對以上情況基于機(jī)器學(xué)習(xí)進(jìn)行個性化實時告警篩選，基于知識圖譜的告警信息解釋，旨在提高篩選準(zhǔn)確性和可靠性，增強(qiáng)可解釋性和可信度。

1汽車座艙告警信息概述

汽車作為現(xiàn)代社會最重要的交通工具之一，其安全性一直備受關(guān)注。在智能交通系統(tǒng)蓬勃發(fā)展的背景下，汽車座艙內(nèi)集成了越來越多的電子系統(tǒng)和信息顯示裝置，如：車載導(dǎo)航、駕駛輔助系統(tǒng)、車輛狀態(tài)監(jiān)測系統(tǒng)等。這些系統(tǒng)在為駕駛員提供便利的同時，也帶來信息過載的風(fēng)險。智能告警系統(tǒng)作為座艙人機(jī)交互的關(guān)鍵環(huán)節(jié)，肩負(fù)著及時、準(zhǔn)確地向駕駛員傳遞關(guān)鍵安全信息，輔助駕駛員做出正確決策，避免或減輕事故危害的重任[21]。

原理與含義：智能駕駛輔助系統(tǒng)整合了包括自適應(yīng)巡航控制、車道保持輔助、自動緊急制動等多項功能。這些系統(tǒng)利用雷達(dá)、攝像頭等多種傳感器監(jiān)測車輛周圍的環(huán)境以及自身行駛狀態(tài)。在檢測到潛在危險或系統(tǒng)功能異常時，系統(tǒng)會發(fā)出相應(yīng)告警[22]。自適應(yīng)巡航控制告警：自適應(yīng)巡航控制系統(tǒng)能夠自動調(diào)整車速維持與前車的安全距離。若前方雷達(dá)傳感器被遮擋（如積雪或污垢覆蓋）或系統(tǒng)故障，無法準(zhǔn)確計算與前車的距離，將觸發(fā)自適應(yīng)巡航控制告警。此時，系統(tǒng)可能自動停止工作，并提示駕駛員手動控制車速。車道保持輔助告警：車道保持輔助系統(tǒng)通過攝像頭識別車道線，當(dāng)車輛偏離車道時，系統(tǒng)會輕微轉(zhuǎn)動方向盤輔助車輛回歸車道[23]。若攝像頭視野受阻（如雨水、強(qiáng)光干擾）或系統(tǒng)無法正確識別車道線，將發(fā)出車道保持輔助告警。這可能導(dǎo)致系統(tǒng)暫時無法正常工作，駕駛員需要更注意車道保持。自動緊急制動系統(tǒng)告警：該系統(tǒng)在檢測到即將與前方障礙物碰撞時會自動執(zhí)行制動。若傳感器故障，如雷達(dá)信號錯誤或軟件算法問題，可能會觸發(fā)自動緊急制動系統(tǒng)告警，導(dǎo)致系統(tǒng)誤觸發(fā)制動或在必要時無法正常工作，對行車安全構(gòu)成威脅[24]。

在智能汽車領(lǐng)域，汽車設(shè)備會在執(zhí)行動作或出現(xiàn)故障時自動且實時地發(fā)出告警信號。這些信號被收集至汽車內(nèi)的遠(yuǎn)動機(jī)，通過調(diào)度數(shù)據(jù)網(wǎng)傳輸至調(diào)度部門的智能告警系統(tǒng)。該系統(tǒng)用于集中整合其管理范圍內(nèi)各類汽車設(shè)備所產(chǎn)生的實時告警信號，依據(jù)預(yù)設(shè)邏輯對信息進(jìn)行過濾、歸類或可視化輸出。由于智能汽車中搭載的設(shè)備種類繁多，且每條告警記錄通常包含較為詳細(xì)的事件描述，因此，系統(tǒng)整體產(chǎn)生的告警數(shù)據(jù)規(guī)模較大。然而，這些告警信號中的大多數(shù)并不代表設(shè)備存在缺陷，因此，準(zhǔn)確識別缺陷告警信號是關(guān)鍵的研究課題。面對龐大的原始告警數(shù)據(jù)集，傳統(tǒng)的人工經(jīng)驗篩選方式主要基于對歷史記錄與實際缺陷情況的統(tǒng)計分析，制定相應(yīng)的信息過濾規(guī)則，實現(xiàn)對關(guān)鍵設(shè)備故障信號的有效識別[2]。該方法通常包括3個核心環(huán)節(jié)：字段劃分、關(guān)鍵詞提取及篩選策略設(shè)計。通過對真實數(shù)據(jù)樣本的深入分析發(fā)現(xiàn)，汽車設(shè)備常見的異常類型主要包括：未恢復(fù)狀態(tài)、時間同步偏差以及動作頻率異常3類，分別對應(yīng)于關(guān)鍵字匹配法、時間戳對比法以及頻次統(tǒng)計法3種篩選機(jī)制，如圖2所示。

圖2人工經(jīng)驗篩選算法整體流程

Fig.2Frameworkofartificialexperiencefilteringalgorithm

本研究通過人工經(jīng)驗篩選策略對告警系統(tǒng)輸出的各類信號進(jìn)行逐項實時解析，旨在甄別出與設(shè)備缺陷存在關(guān)聯(lián)的潛在告警信息。相較于原始告警數(shù)據(jù)，經(jīng)該方法處理后的告警數(shù)量顯著降低。通過頻率統(tǒng)計與時間序列對比，進(jìn)一步確認(rèn)部分疑似缺陷信號是否真實反映設(shè)備異常行為，例如裝置頻繁動作或事件順序（sequence of event，SOE）存在時間偏差等情況。然而，結(jié)合實際缺陷統(tǒng)計數(shù)據(jù)發(fā)現(xiàn)，并非所有通過關(guān)鍵詞匹配獲得的疑似缺陷告警均為有效缺陷信號，可能包含干擾信息或冗余內(nèi)容。因此，這些初步篩選結(jié)果將作為后續(xù)機(jī)器學(xué)習(xí)與自然語言處理技術(shù)的輸人數(shù)據(jù)，用于更深層次的特征提取與分類判斷。該策略可在大幅壓縮待分析告警數(shù)量的同時，初步識別部分真實缺陷信號，為基于機(jī)器學(xué)習(xí)的篩選方法提供有效數(shù)據(jù)基礎(chǔ)。

汽車座艙智能告警系統(tǒng)作為保障行車安全的關(guān)鍵技術(shù)，在過去幾十年取得顯著進(jìn)展，從簡單的指示燈告警發(fā)展到如今融合視覺、聽覺、觸覺多種模態(tài)的智能告警體系。然而，當(dāng)前研究仍面臨多源信息融合、告警個性化、人因工程優(yōu)化等諸多挑戰(zhàn)[2]。展望未來，隨著新技術(shù)的不斷涌現(xiàn)與應(yīng)用，智能告警系統(tǒng)有望實現(xiàn)更精準(zhǔn)的危險感知、高度個性化的交互以及沉浸式的告警體驗，為駕駛員提供全方位、高效能的安全保障，推動汽車智能化駕駛向更安全、更可靠的方向發(fā)展。

2告警信息機(jī)器學(xué)習(xí)篩選模型

2.1 人工篩選經(jīng)驗法

在對大量原始告警信號應(yīng)用人工經(jīng)驗篩選方法后，可以識別部分真實的缺陷告警，并從整體數(shù)據(jù)中提取少量疑似缺陷信號，顯著降低需要進(jìn)一步分析的告警數(shù)量。根據(jù)實際缺陷統(tǒng)計結(jié)果可知，盡管通過關(guān)鍵詞匹配所獲取的部分告警類型如：保護(hù)信號、RTU狀態(tài)、通道狀態(tài)、通訊狀態(tài)、事故總信號、遙控操作等包含設(shè)備異常的相關(guān)描述，但其中仍存在一定比例的干擾或冗余信息，非全部屬于真實缺陷信號。因此，有必要對這些初步篩選結(jié)果進(jìn)行更深人的甄別處理[27]。研究所提出的機(jī)器學(xué)習(xí)篩選方法正是針對上述6類疑似缺陷告警進(jìn)行精細(xì)化分類的關(guān)鍵步驟。為提升對不確定信號的識別準(zhǔn)確性，引人基于機(jī)器學(xué)習(xí)的二次篩選機(jī)制。接下來將介紹自然語言處理中涉及的機(jī)器學(xué)習(xí)相關(guān)理論，并詳細(xì)闡述文本分類任務(wù)中的主要處理流程，包括：文本預(yù)處理、向量化表示、分類模型訓(xùn)練與測試等內(nèi)容，同時構(gòu)建適用于告警信號篩選的機(jī)器學(xué)習(xí)分析框架。由于該方法不依賴于時間戳、信號類型或所屬場站等結(jié)構(gòu)化字段，僅依據(jù)缺陷描述文本內(nèi)容進(jìn)行判斷。因此，在對信號進(jìn)行處理時，著重分析其“內(nèi)容字段\"所承載的語義特征。在篩選實施過程中，“漏選信號\"指的是本應(yīng)被判定為存在缺陷的信號卻被錯誤歸類為正常樣本的情況，此類信號在全部缺陷樣本中所占比例稱為漏選率;而“誤選信號\"則表示將原本無缺陷的樣本誤判為缺陷信號的現(xiàn)象，誤選率反映這類錯誤判斷在所有正常樣本中所占的比例。

在利用機(jī)器學(xué)習(xí)技術(shù)處理自然語言信息時，須按照標(biāo)準(zhǔn)流程進(jìn)行相應(yīng)操作。由于機(jī)器學(xué)習(xí)模型僅能處理數(shù)值型輸入，在將文本信息輸入模型前，必須經(jīng)過一系列預(yù)處理步驟，將其轉(zhuǎn)化為可識別的數(shù)值形式。研究主要包括5個關(guān)鍵環(huán)節(jié)：訓(xùn)練集與測試集構(gòu)建、文本清洗與標(biāo)準(zhǔn)化、特征向量化、模型分類訓(xùn)練及性能評估，具體研究流程如圖3所示。

圖3機(jī)器學(xué)習(xí)篩選算法整體流程

Fig.3Frameworkofdeeplearningfilteringalgorithm

各部分內(nèi)容的實現(xiàn)方式如下：

1）訓(xùn)練集與測試集構(gòu)建：告警數(shù)據(jù)涵蓋了6種可能存在設(shè)備缺陷特征的信號類型，分為訓(xùn)練集和測試集。使用有監(jiān)督的機(jī)器學(xué)習(xí)模型，通過訓(xùn)練集數(shù)據(jù)訓(xùn)練模型學(xué)習(xí)非線性映射，用測試集數(shù)據(jù)評估模型準(zhǔn)確率。模型輸人為原始告警信號，輸出為二分類結(jié)果標(biāo)簽，缺陷信號標(biāo)記為“1”，非缺陷信號標(biāo)記為“0”。

2）文本預(yù)處理：處理原始數(shù)據(jù)以適應(yīng)文本向量化，包括：統(tǒng)一格式、過濾字符、分詞和對齊。統(tǒng)一格式涉及將告警信號編碼為字符串;過濾字符去除無效字符;分詞將句子拆分為詞語;對齊確保文本詞數(shù)一致，不足的用空白詞填充。

3）文本向量化：在自然語言處理中，為使機(jī)器學(xué)習(xí)模型能有效識別和分類文本信息，將經(jīng)過預(yù)處理的詞語轉(zhuǎn)化為數(shù)值型向量形式，完成特征提取與表示轉(zhuǎn)換。該過程的核心目標(biāo)是將詞匯映射為具有語義表達(dá)能力的低維實數(shù)向量，提升模型對文本信息的處理效果。為便于后續(xù)計算與建模，每個詞語均被表示為相同維度的數(shù)字向量，整段文本則以二維矩陣的形式輸入模型中分析。

4）機(jī)器學(xué)習(xí)分類器：本研究采用卷積神經(jīng)網(wǎng)絡(luò)模型對文本信息進(jìn)行特征提取與分類分析，實現(xiàn)告警信號的自動識別與篩選。盡管卷積神經(jīng)網(wǎng)絡(luò)常用于圖像處理，但在自然語言處理任務(wù)中表現(xiàn)出較強(qiáng)的局部特征捕捉能力。該模型主要包括：輸入層、卷積層和輸出層，其中卷積層負(fù)責(zé)自動提取文本的關(guān)鍵語義特征，通過全連接層結(jié)合Softmax函數(shù)完成最終分類決策。作為一種監(jiān)督學(xué)習(xí)方法，該模型先使用訓(xùn)練集進(jìn)行參數(shù)學(xué)習(xí)，再利用測試集評估其分類性能。模型輸出結(jié)果為二值標(biāo)簽，0表示當(dāng)前信號不屬于真實缺陷，1則表示判定為有效缺陷告警。

5）性能評價：基于模型訓(xùn)練過程中的輸出結(jié)果以及分類器在測試集上的表現(xiàn)，對所構(gòu)建的機(jī)器學(xué)習(xí)告警信號分類系統(tǒng)進(jìn)行綜合性能評估與優(yōu)化調(diào)整。設(shè)定包括：準(zhǔn)確率、誤選率及多選率等關(guān)鍵指標(biāo)，驗證系統(tǒng)在實際應(yīng)用中的可行性與有效性。

2.2神經(jīng)網(wǎng)絡(luò)篩選經(jīng)驗法

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一種模仿生物神經(jīng)系統(tǒng)運(yùn)作機(jī)制的計算模型，通過構(gòu)建多層次的人工神經(jīng)元模擬復(fù)雜的非線性映射關(guān)系。該模型由一系列相互連接的節(jié)點組成，這些節(jié)點通過彼此間的交互作用處理并轉(zhuǎn)換輸入數(shù)據(jù)。CNN被視為一種擁有高度抽象能力的系統(tǒng)，在眾多輸入、輸出實例中自主學(xué)習(xí)2者間潛在的相關(guān)性。通過對大規(guī)模數(shù)據(jù)集進(jìn)行反復(fù)訓(xùn)練，CNN依據(jù)預(yù)測誤差調(diào)整內(nèi)部參數(shù)，提高識別精度，逼近復(fù)雜非線性映射。典型的CNN架構(gòu)通常包括3個主要層次：輸人層、隱藏層和輸出層。在前饋網(wǎng)絡(luò)結(jié)構(gòu)中，信息從輸入層開始，經(jīng)過一個或多個隱藏層處理后傳遞到輸出層，整個流程為單向流動，沒有反饋回路。不同層級之間通過加權(quán)連接實現(xiàn)全連接機(jī)制，即上一層中的每一個神經(jīng)元均與下一層中的所有神經(jīng)元相連，同一層內(nèi)的神經(jīng)元之間則無直接連接。該結(jié)構(gòu)保證了模型對輸入特征的全面捕捉能力，其整體工作機(jī)制如圖4所示。

圖4神經(jīng)元網(wǎng)絡(luò)示意圖Fig.4Neural network

2.3 文本向量法

由于告警信息通常由漢字、英文字母及數(shù)字混合構(gòu)成，無法被機(jī)器學(xué)習(xí)模型直接處理，在建模前需要對原始文本進(jìn)行數(shù)字化轉(zhuǎn)換。為使分類器能夠有效解析告警內(nèi)容，應(yīng)選擇合適的向量化策略，將分詞后的詞語映射為對應(yīng)的數(shù)值表示，并將每條告警視為若干詞語的組合，構(gòu)造成二維矩陣形式，作為卷積神經(jīng)網(wǎng)絡(luò)分類器的輸入結(jié)構(gòu)。

在自然語言處理領(lǐng)域，常見的文本向量化方法主要包括2類：一類是基于統(tǒng)計頻率的詞袋模型（bag ofwords，BoW）;另一類是基于語義分布的分布式表示方法（distribution representation，DR）。其中，詞袋模型是一種較基礎(chǔ)且高效的文本編碼方式。該方法通過對語料庫中出現(xiàn)的所有詞匯進(jìn)行頻率統(tǒng)計，按出現(xiàn)頻次排序后分配唯一編號。通常高頻詞獲得較小的索引值，低頻詞對應(yīng)較大的數(shù)值，實現(xiàn)對詞語的數(shù)字化表示。其優(yōu)勢在于實現(xiàn)簡單、計算開銷小，但存在缺乏語義表達(dá)能力和維度災(zāi)難等問題，難以適應(yīng)復(fù)雜語義任務(wù)的需求?？紤]到本研究中的告警數(shù)據(jù)具有表述規(guī)范、重復(fù)性強(qiáng)、語義信息不突出等特點，且大部分文本來源于設(shè)備自動生成，對深層語義理解的要求較低，為提高模型運(yùn)行效率，研究選用詞袋模型中的詞編碼函數(shù)（word encoding function，WEF）進(jìn)行文本向量化處理。該函數(shù)依據(jù)詞語在整個語料庫中的出現(xiàn)頻率依次賦予編碼，具備實現(xiàn)簡便、資源占用少等優(yōu)點，可有效控制特征維度，避免高維稀疏問題。

相比之下，詞的分布式表示方法是一種更先進(jìn)的向量化技術(shù)，也被稱為詞嵌人（word embedding）方法。

它通過數(shù)學(xué)建模的方式將詞語映射為低維稠密的實數(shù)向量，較好捕捉詞語之間的語義關(guān)聯(lián)性。對于需要深層次語義理解的任務(wù)，如情感分析或句法結(jié)構(gòu)識別，此類方法展現(xiàn)出更優(yōu)的性能表現(xiàn)。主要優(yōu)勢包括：

1）詞間相似性體現(xiàn)：詞向量之間可通過歐氏距離衡量相似程度，語義相近的詞語其向量距離更小；

2）語義信息豐富：詞向量能夠捕捉詞語之間的深層語義關(guān)系，每一維度代表特定的語言特征;

3）維度可控：相比傳統(tǒng)方法，詞向量維度較低，有助于緩解高維帶來的計算負(fù)擔(dān)。

當(dāng)前主流的詞向量構(gòu)建方法主要包括2類：基于統(tǒng)計特征的方法和基于神經(jīng)語言模型的方法，具體介紹如下：

1）基于統(tǒng)計特征的方法：此類技術(shù)通常通過構(gòu)建詞語共現(xiàn)矩陣，結(jié)合奇異值分解等數(shù)學(xué)手段生成對應(yīng)的詞向量。盡管該類方法能夠在一定程度上刻畫詞語之間的相關(guān)關(guān)系，但由于其生成的向量普遍存在稀疏性高、維度龐大等問題，在實際應(yīng)用中已較少被采用。

2）基于神經(jīng)語言模型的方法：該方式依賴于神經(jīng)語言模型（neural network language model，NNLM）的訓(xùn)練過程，最終輸出即為所需要的詞向量表示。基本原理是借助上下文信息來預(yù)測目標(biāo)詞，獲得具有較強(qiáng)語義表達(dá)能力的嵌入向量。這類方法在自然語言處理任務(wù)中表現(xiàn)出更優(yōu)的泛化能力和適應(yīng)性。

3座艙告警信號實驗方案

3.1 實驗流程

前文已介紹了基于機(jī)器學(xué)習(xí)技術(shù)對智能座艙告警信息進(jìn)行篩選分析的整體流程及關(guān)鍵技術(shù)原理，包括人工經(jīng)驗篩選方法與機(jī)器學(xué)習(xí)篩選方法的協(xié)同應(yīng)用機(jī)制[28]。本章節(jié)旨在通過實際告警數(shù)據(jù)的篩選實驗，驗證所提方法的有效性與實用性。首先，對采集到的大規(guī)模原始告警信息進(jìn)行系統(tǒng)整理，搭建相應(yīng)的實驗平臺。隨后，依次采用人工經(jīng)驗篩選與機(jī)器學(xué)習(xí)模型進(jìn)行多階段聯(lián)合過濾，獲取實驗結(jié)果，并對相關(guān)算法與模型的性能表現(xiàn)進(jìn)行評估，驗證該方法在實際場景中的可行性，為后續(xù)研究結(jié)論的形成提供數(shù)據(jù)支撐。

實驗所用數(shù)據(jù)來源于某地市交通局安全3區(qū)車輛報警系統(tǒng)（vehicle alerting system，VAS）鏡像服務(wù)器的歷史數(shù)據(jù)庫，完整記錄了1年內(nèi)積累的所有車輛告警信息。同時，各區(qū)授權(quán)4S店提供的年度設(shè)備缺陷統(tǒng)計表作為分類結(jié)果的輔助依據(jù)。據(jù)統(tǒng)計，全年共采集告警信號約 5571×10⁴ 條，主要類型包括：保護(hù)信號、測量越限以及事件順序記錄（SOE）等。運(yùn)維人員記錄的缺陷約550條，主要也是保護(hù)信號類。初步篩選采用人工經(jīng)驗和關(guān)鍵字方法，選出疑似缺陷信號。這些信號再經(jīng)過機(jī)器學(xué)習(xí)方法篩選，得到關(guān)鍵指標(biāo)如準(zhǔn)確率、漏選率等，并得出結(jié)論。由于缺陷多與保護(hù)信號相關(guān)，機(jī)器學(xué)習(xí)方法成為篩選重點，綜合性能指標(biāo)基于整體篩選結(jié)果得出，具體篩選步驟如圖5所示。

原始告警信號按照時間順序逐一接收，首先通過人工經(jīng)驗篩選方法進(jìn)行初步處理，將篩選結(jié)果作為輸人數(shù)據(jù)送入機(jī)器學(xué)習(xí)篩選模型中進(jìn)行深人分析。人工經(jīng)驗篩選環(huán)節(jié)部署在一臺小型服務(wù)器上，使用MicrosoftSQL Server數(shù)據(jù)庫執(zhí)行數(shù)據(jù)校驗與管理任務(wù)。實驗中收集的所有原始告警信息被整合導(dǎo)人數(shù)據(jù)庫，根據(jù)VAS系統(tǒng)記錄的時間截排序后，逐條輸入到篩選算法中處理。該階段的人工經(jīng)驗篩選算法采用SQL語言編寫，因其簡潔語法和高效執(zhí)行特性，特別適合于大規(guī)模數(shù)據(jù)集的快速處理。機(jī)器學(xué)習(xí)篩選部分則運(yùn)行在標(biāo)準(zhǔn)個人電腦上，僅利用CPU完成模型訓(xùn)練與推理計算。篩選算法由MATLABR2018b實現(xiàn)，涵蓋從告警數(shù)據(jù)輸人、模型訓(xùn)練到篩選輸出的全過程，生成可視化圖表以輔助結(jié)果分析。為了驗證此方法的有效性，研究對所有歷史告警數(shù)據(jù)進(jìn)行集中測試。在實際應(yīng)用場景中，基于預(yù)先訓(xùn)練好的機(jī)器學(xué)習(xí)模型對新產(chǎn)生的告警信號實施實時接收與在線分析，提高系統(tǒng)的響應(yīng)速度及缺陷識別能力[29]。

3.2 實驗過程

對全部原始告警信號實施預(yù)處理操作，包括將文本內(nèi)容統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)字符串格式，采用文檔詞語標(biāo)記工具對其中的中文部分進(jìn)行分詞處理。該工具具備識別常見漢語詞匯的能力，實現(xiàn)較為準(zhǔn)確的詞語切分效果。在完成分詞后，進(jìn)一步將所有英文字符中的大寫形式統(tǒng)一轉(zhuǎn)換為小寫，并清除文本中包含的各類標(biāo)點符號。通過上述一系列預(yù)處理步驟，有效統(tǒng)一輸人數(shù)據(jù)的格式規(guī)范，降低無關(guān)信息對后續(xù)分析造成的干擾，同時為接下來的文本向量化表示打下良好基礎(chǔ)。使用文檔詞語標(biāo)記函數(shù)前，先構(gòu)建包含常用詞匯的漢語詞典作為參考依據(jù)。在此基礎(chǔ)上，對告警信息中的中文語句進(jìn)行詞語切分與標(biāo)注，同時具備識別復(fù)雜結(jié)構(gòu)的能力，如網(wǎng)址、表情符號及哈希標(biāo)簽等內(nèi)容。通過繪制詞語云圖可觀察到，該方法在常見詞匯識別方面表現(xiàn)良好。在完成分詞后，還要進(jìn)行文本長度標(biāo)準(zhǔn)化處理。為此，首先統(tǒng)計每條告警信號中所含詞語的數(shù)量，如圖6所示，大部分告警信息的詞數(shù)較少，最長文本共包含18個詞語。為了在保留完整信息的同時避免輸人維度過高，設(shè)定統(tǒng)一輸入長度為18，即以最長告警的詞數(shù)為基準(zhǔn)。對于詞數(shù)不足的樣本，在其文本左側(cè)補(bǔ)充占位詞，實現(xiàn)輸入數(shù)據(jù)的尺寸對齊，使所有樣本在輸入機(jī)器學(xué)習(xí)模型時保持一致格式。在完成前述預(yù)處理流程后，緊接著構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的分類型，并以處理后的告警信號數(shù)據(jù)及其對應(yīng)類別標(biāo)簽作為輸入，進(jìn)行訓(xùn)練與驗證過程。在模型輸入前的關(guān)鍵準(zhǔn)備階段，對文本信息進(jìn)行向量化表示，使其能夠被神經(jīng)網(wǎng)絡(luò)有效識別和處理。

圖6告警信號詞長統(tǒng)計

Fig.6 Alarmsignal word length statistics

考慮到本文所處理的告警信息來源于車載系統(tǒng)，其文本內(nèi)容通常具有結(jié)構(gòu)清晰、用詞規(guī)范、語義直觀等特點，屬于表達(dá)形式較為簡潔的短文本類型，一般不涉及復(fù)雜的語義理解。為兼顧計算效率與模型實用性，降低整體復(fù)雜度，研究采用詞袋模型中的詞編碼函數(shù)對文本進(jìn)行數(shù)值化轉(zhuǎn)換。該方法可將每個詞語映射為一個固定長度的實數(shù)向量，確保輸入格式的一致性，同時滿足模型高效運(yùn)算的需求。

3.3 結(jié)果分析

通過多輪實驗對比，最終確定了最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型參數(shù)，如表1所示。研究所使用的數(shù)據(jù)集涵蓋了全年采集的缺陷告警信息，樣本規(guī)模較大，具有較強(qiáng)的代表性與統(tǒng)計可信度。首先，采用人工經(jīng)驗篩選方法對原始告警信號進(jìn)行初步過濾，有效減少疑似缺陷信號的數(shù)量，使疑似缺陷信號的比例由原來的72.41% 下降至 53.31% ;隨后，利用訓(xùn)練完成的CNN模型對剩余告警信息進(jìn)行精細(xì)化二次篩選，實現(xiàn)較高的分類精度。實驗結(jié)果表明，所構(gòu)建的CNN模型具備良好的學(xué)習(xí)能力，預(yù)測性能優(yōu)于傳統(tǒng)方法。圖7展示了3種不同算法的測試準(zhǔn)確率表現(xiàn)，其中，卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率達(dá)到 89.07% ，顯示出較好的識別能力。結(jié)合人工經(jīng)驗篩選與神經(jīng)網(wǎng)絡(luò)的綜合方法，其整體告警信號的篩選準(zhǔn)確率達(dá)到了 99.998% ，顯著高于VAS系統(tǒng)所具備的 90% 準(zhǔn)確率，驗證了本方法在告警信息處理方面的有效性與優(yōu)越性，適用于實際交通設(shè)備監(jiān)測場景。圖8展示了各算法在訓(xùn)練過程中的損失變化趨勢，總體來看3類算法的訓(xùn)練損失均維持在較低水平，表明模型收斂狀態(tài)良好。

表1CNN機(jī)器學(xué)習(xí)參數(shù)

Table1 CNNmachine learningparameters

圖7預(yù)測準(zhǔn)確度 Fig.7Prediction accuracy

圖8訓(xùn)練損失 Fig.8Training loss

從算法壓縮效率角度分析，如圖9所示，各模型的壓縮比均控制在0.3以內(nèi)，表明其資源消耗較低，具備良好的計算輕量化特性，適合實際部署與運(yùn)行。此外，研究使用機(jī)器學(xué)習(xí)篩選方法對測試集樣本進(jìn)行了分類統(tǒng)計分析，其置信度分布情況詳見圖10。其中屬于0.6類別的樣本中，識別出缺陷告警104項（時間維度），多維屬性告警152項。在置信度為0.7的類別中，共有78條時間維度告警和124條多維屬性告警。在置信度為0.8的類別中，有58條時間維度告警和83條多維屬性告警。在置信度為0.9的類別中，有36條時間維度告警和61條多維屬性告警。而在置信度為1的類別中，僅有9條時間維度告警和44條多維屬性告警。隨著置信度的提高，數(shù)據(jù)量逐漸減少。這表明在高置信度下，模型對數(shù)據(jù)的篩選更加嚴(yán)格，只有少數(shù)數(shù)據(jù)能夠達(dá)到較高的置信度。

對分類結(jié)果中出現(xiàn)誤判的情況進(jìn)行分析，主要存在以下幾個方面的原因：

1）部分用于訓(xùn)練與驗證的缺陷信息來源于汽車記錄系統(tǒng)而非VAS告警系統(tǒng)，2類系統(tǒng)的描述方式存在一定差異。例如：紅綠燈同亮消缺、名稱與后臺不對應(yīng)、后臺機(jī)、擋位顯示不正確等術(shù)語在原始告警信號中無法找到明確對應(yīng)的表達(dá)，導(dǎo)致樣本標(biāo)簽與實際輸入信息不匹配，影響數(shù)據(jù)質(zhì)量，降低模型的學(xué)習(xí)效果；

圖9壓縮率 Fig.9 Compressionratio

圖10置信度 Fig.10 Confidence level

2）在實際運(yùn)維過程中，存在大量未被記錄或遺漏的真實缺陷情況，使訓(xùn)練樣本中缺陷樣本（正類）比例偏低，分類器難以準(zhǔn)確學(xué)習(xí)關(guān)鍵特征，造成模型泛化能力受限；

3）部分告警信號本身語義相近，表述高度相似但類別歸屬不同，如某些保護(hù)信號之間僅存在細(xì)微差異，卻歸入不同類別，這對模型的區(qū)分能力提出較高要求；

4）全年真實缺陷數(shù)量相對較少，導(dǎo)致可用于訓(xùn)練的正樣本規(guī)模偏小，整體數(shù)據(jù)集中有效樣本不足，影響機(jī)器學(xué)習(xí)模型訓(xùn)練的充分性與穩(wěn)定性。

研究所提出的基于機(jī)器學(xué)習(xí)技術(shù)的智能座艙告警信息分析方法在后續(xù)仍有進(jìn)一步改進(jìn)空間，主要可從以下幾個方向展開研究：1）擴(kuò)大卷積神經(jīng)網(wǎng)絡(luò)（CNN）訓(xùn)練樣本的數(shù)量，以提升模型整體識別精度;2）提高原始告警數(shù)據(jù)的質(zhì)量與準(zhǔn)確性，確保其與實際缺陷信息保持一致;3）深人探索CNN網(wǎng)絡(luò)結(jié)構(gòu)中的最優(yōu)參數(shù)組合，增強(qiáng)模型泛化能力避免過擬合現(xiàn)象;4）嘗試引入其他類型的機(jī)器學(xué)習(xí)分類器，如改進(jìn)型CNN模型，用于提升告警信號分類效果;5）優(yōu)化文本預(yù)處理流程，采用更高效的分詞策略及詞向量生成方式，提升特征表達(dá)能力；6）持續(xù)完善人工經(jīng)驗篩選機(jī)制，提升輸入數(shù)據(jù)質(zhì)量并有效過濾冗余告警。

研究所采用的詞編碼函數(shù)算法依據(jù)文本中所有唯一詞語的出現(xiàn)頻率進(jìn)行數(shù)值映射。具體而言，在完成詞語頻率統(tǒng)計后，按照頻率由高到低進(jìn)行排序，并為每個詞語分配相應(yīng)的編碼值。高頻詞匯賦予較小數(shù)值，低頻詞匯對應(yīng)較大數(shù)值，實現(xiàn)對所有詞語的唯一編號轉(zhuǎn)換，最終構(gòu)建對應(yīng)的數(shù)字向量形式，完成文本向量化操作。

在實施該算法時，首先對所有文本語料中的詞語進(jìn)行提取和統(tǒng)計，共識別出1086個不重復(fù)詞語。隨后，根據(jù)各詞頻分布情況進(jìn)行降序排列，依次賦予編碼 1～1 086 。對于長度對齊過程中使用的填充詞，則統(tǒng)一賦值為0，完成全部告警信息的向量化表示。完成上述文本預(yù)處理之后，進(jìn)人卷積神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練與測試階段。通過使用訓(xùn)練集數(shù)據(jù)多次迭代訓(xùn)練獲得最優(yōu)模型參數(shù)，再利用測試集對模型性能進(jìn)行評估，最終得出分類準(zhǔn)確率指標(biāo)，作為模型有效性的重要參考依據(jù)。此外，在系統(tǒng)部署與運(yùn)行成本方面，本文結(jié)合系統(tǒng)熵理論計算了各模塊的單位算力成本，結(jié)果詳見表2。單位成本反映了獲取單位計算資源所需要付出的成本代價。從計算結(jié)果來看，告警篩選系統(tǒng)的單位成本低于常規(guī)系統(tǒng)水平，尤其CNN方法的單位成本顯著低于傳統(tǒng)特征分類方法，表明其具備更高的性價比優(yōu)勢。因此，在實際應(yīng)用中優(yōu)先采用CNN模型輸出結(jié)果，可在控制成本的同時實現(xiàn)良好的分析效果。

表2單位成本Table2 Unit cost

4結(jié)論

在智能汽車座艙系統(tǒng)中，對危險告警的識別主要依賴于座艙告警系統(tǒng)所提供的信息。然而，在實際運(yùn)行過程中，系統(tǒng)產(chǎn)生的告警信號種類繁多，其中包含大量與設(shè)備缺陷無關(guān)的冗余信號，這為工作人員準(zhǔn)確識別關(guān)鍵告警帶來較大困難。針對上述問題，研究提出一種融合人工經(jīng)驗篩選與機(jī)器學(xué)習(xí)方法的告警信息分析策略。該方法通過雙重篩選機(jī)制，實現(xiàn)對原始告警信號的有效分類，能夠精準(zhǔn)識別出與設(shè)備故障相關(guān)的異常信號。主要研究內(nèi)容與結(jié)論如下：

1）單位成本是指獲取單位計算資源所投入的算力代價。根據(jù)系統(tǒng)熵方法計算得出的結(jié)果顯示，本研究構(gòu)建的告警篩選系統(tǒng)的單位成本顯著低于傳統(tǒng)系統(tǒng)水平。尤其在模型輸出階段，卷積神經(jīng)網(wǎng)絡(luò)（CNN）所對應(yīng)的單位成本明顯優(yōu)于傳統(tǒng)特征分類方法。因此，在實際部署中優(yōu)先采用CNN模型的輸出結(jié)果，有助于在控制成本的同時實現(xiàn)良好的識別效果。

2）在第1階段篩選中，采用人工經(jīng)驗法成功識別并過濾掉部分非缺陷告警信號，使疑似缺陷信號的比例由原來的 72.41% 下降至 53.31% 。隨后，在第2階段引入基于CNN的機(jī)器學(xué)習(xí)篩選方法進(jìn)行精細(xì)化分類。經(jīng)過訓(xùn)練與測試，模型在測試集上的分類準(zhǔn)確率達(dá)到 89.07% ，表現(xiàn)出較強(qiáng)的判別能力。綜合2種篩選方式的結(jié)果，最終對全部原始告警信號的整體篩選準(zhǔn)確率高達(dá) 99.998% ，遠(yuǎn)高于現(xiàn)有VAS系統(tǒng)約 90% 的準(zhǔn)確率。實驗結(jié)果充分驗證了該方法在實際應(yīng)用中的有效性與優(yōu)越性。

3）模型壓縮比均控制在0.3以內(nèi)，表明計算資源占用率低，具備工程化部署的可行性。通過置信度分級篩選機(jī)制，樣本數(shù)量隨置信度閾值的提升呈現(xiàn)顯著衰減趨勢，表明模型在高置信度區(qū)間對輸入數(shù)據(jù)的判別標(biāo)準(zhǔn)更為嚴(yán)格，有效過濾了低可信度樣本。從工業(yè)應(yīng)用角度而言，為告警信號處理提供了高效、實用的解決方案。

參考文獻(xiàn)

[1]IdlahcenF，IdriA，GoceriE.Exploringdataminingandmachinelearingingynecologiconcology[J].ArtificialInteligence Review，2024，57（2）：7-12.

[2]LeonardB.Wellprepared： Howtrichome polymorphismcreates anearly-warning systemagainst herbivory[J].ThePlantCell， 2024，4（12）： 6-8.

[3］秦雅琴，夏玉蘭，錢正富，等.微觀軌跡信息驅(qū)動的Bi-LSTM合流區(qū)車速預(yù)測[J].重慶大學(xué)學(xué)報，2023，46（4）：120-128. QinYQ，XiaYL，Qian ZF，etal.Vehicle speed prediction in Bi-LSTMconfluence areadriven bymicro-trajectory information[J]. Journal of Chongqing University，2023，46（4）： 120-128. （in chinese）

[4］余煒，曾孝平.麻醉術(shù)中絕對血容量不足臨床監(jiān)測告警系統(tǒng)的設(shè)計[J].重慶大學(xué)學(xué)報，2011，21（8）：43-47. Yu W，Zeng X P.Design of clinical monitoring alarm system for absoluteblood volume deficiency during anesthesia[J]. JournalofChongqing University，2011，21（8）： 43-47.（inchinese）

[5］高彥，傅春耘，楊忠，等.基于改進(jìn)粒子濾波算法的車速估計[J].重慶大學(xué)學(xué)報，2024，47（3）：44-52. Gao Y，F(xiàn)u CY，Yang Z，etal.Vehiclespeed estimationbasedonimproved particle filter algorithm[J]. Jouralof Chongqing University，2024，47（3）： 44-52.（in chinese）

[6］馮新?lián)P，張巧榮，李慶勇.基于改進(jìn)型深度網(wǎng)絡(luò)數(shù)據(jù)融合的滾動軸承故障識別[J].重慶大學(xué)學(xué)報，2019，42（2）：52-62. Feng XY，ZhangQR，LiQY.Rolling bearing faultidentificationbasedonimproveddeep networkdatafusion[J].Jouralof Chongqing University，2019，42（2）：52-62.（in chinese）

[7］王博文，王景升，王統(tǒng)一，等.基于長短時記憶網(wǎng)絡(luò)的Encoder-Decoder多步交通流預(yù)測模型[J].重慶大學(xué)學(xué)報，2021， 44（11）：71-80. Wang B，WangJS，WangTY，etal.Multi-steptrafficflowpredictionmodelbasedonencoder-decoder withlongshort-term memory networks[J]. Journal of Chongqing University，2021，44（11）： 71-80.（in chinese）

[8]Wang J，Wang Z，ChenM，etal.Aninterpretableartificialintellgencesystemfordetectingriskfactorsofgastroesophgeal variceal bleeding[J]. Npj Digital Medicine，2022，5（1）：114-121.

[9]Wang Y，Jiménez C，Quiroz M，etal.TsunamiearlywaringsystemusingofshoretsunametersinPeru[J].Oean Egeing，

[10]Najafi H，ShresthaPK，RakovecO，etal.Hig-resolutionimpact-basedearlywaringsystemforriverineflooding[J].Nature Communications，2024，15（1）： 4-6.

[11]EltounyKA，Liang X.Uncertainty-aware structuraldamage warning system using dep variationalcomposite neuralnetworks [J].Earthquake engineering amp; structural dynamics，2023，3（11）： 9-13.

[12]Braun EJ，Singh S，PenleskyA C，etal.Nursing implications of anearly warning system implemented to reduceadverse events： a qualitative study[J].BMJ quality amp; safety，2022，31（10）： 716-724.

[13]Subisi LVonGotbergA，TukralL，etal.Anearly warningsystemforemerging SARS-CoV-2variants[J].Nature Medicine， 2022， 7（4）： 9-11.

[14]Alonso A.Leak recognition system provides early warning of leaks[J]. Welding Journal，2023，6（3）： 10-13.

[15]MurrayJ，CrowellB，MurryM，etalIncorporationof real-timeearthquakemagnitudesestimatedviapeakground displacementscaling in the shake alert earthquake earlywarning system[J]. Buletinofthe Seismological SocietyofAmerica， 2023， 7（4）： 8-11.

[16]SieversBL，SiegersJY，CadenesJM，etal.Smartmarkets：harnesingthepotentialofnewtechnologiesforendemicand emerging infectious disease surveillance in traditional food markets[J]. Journal of Virology，2024，98（2）： 5-9.

[17]YangLWang Z，Zhang S，etal.Neuromorphic gustatorysystem withsalt-taste perception，information processingand excessive-intake warning capabilities[J]. Nano letters，2022，4（3）： 4-7.

[18]Roberts RD，GoodmanSJ，WilsonJW，etal.Takingthe Highwaytosave livesonlake victoria[J]. Bulltinof theAmerican Meteorological Society，2022，7（2）：103-106.

[19]TilmanAR，KruegerEHMmanusLC，etal.Maintainnghumanwellbingassocialnvironmentalsystesundergogie shifts[J].Ecological Economics，2024，4（1），221：7-10.

[20]SantiagoID，PlomaritisTA，AvalosD，etal.Comparisonof wave overtoping estimationmodels forurbanbeaches.Towards an early warning system on the Basque coast[J].Science of the Total Environment，2024，3（2）：10-12.

[21]Boza JM，AmiraliA，WiliamsSL，etal.Evaluationofafielddeployable，high-throughputRT-LAMPdeviceasaearly warningsystem forCOVID-19 throughSARS-CoV-2 measurements in wastewater[J].Scienceof theTotalEnvironment，2024， 944： 1-11.

[22]FranciscoAPSilviaGM，OteroMJ，etal.Explainablecognitivedeclinedetectioninfreedialogues withaMachineLaing approach based on pre-trained Large Language Models[J].Applied Intelligence，2024，54（24）：12613-12628.

[23]HeY，Geng Y，LiMZ.Amachine learningappoachandnumericalivestigationforintellgentforecastingofentropy generationrate insideaturbulator-insertedsolarcolectortube[J].Engineringanalysis withboundaryelements，2024，58： 375-384.

[24]Song Z，Cao S，Yang H.Aninterpretable framework formodeling global solarradiation using tree-based ensemble machine learning and Shapley additive explanations methods[J]. Applied Energy，2024，364（2）： 9-12.

[25]Guo Z，Deng J，Tang ZY.Ahybrid methodofcombinationprobabilityand machine learning for Chinese geological text segmentation[J].Computersamp; geosciences，2024，183（1）：1-11.

[26]AnconaRM，CooperBP，RandiF，etal.MachinelearningclasificationofnewfirearminjuryencountersintheStLouis region： 2010-202o[J].Journal of the American Medical Informatics Association，2024（10）： 9-11.

[27]LiZ，Han M，VoDN，etal.Machine learning-based input-augmented Koopman modeling and predictivecontrolofnonlinear processes[J].Computers and Chemical Engineering，2024，191（13）： 7-8.

[28]YagoD，Sal-AngladaG，RocaD，etal.Machine learning insolid mechanics：aplicationtoacoustic metamaterialdesign[J]. International Journal for Numerical Methods in Engineering，2024，125（14）：7-10.

[29]LiS，ZhangC，WangX，etal.Amachinelearning methodologyforivestigatingtheliquid-liquidtransitionofhydrogenunder high-pressure[J].International Journal ofModern Physics C，2024，35（12）：4-6.

（編輯 侯湘）