本技术涉及车辆功能检测领域，并且更具体地，涉及车辆功能领域中一种检测车控功能的方法和电子设备。
背景技术：
1、目前，随着智能技术的发展，车辆中集成了越来越多的智能功能，以满足用户在不同场景下的智能化需求。这些功能大多数都可以通过车辆中的电子控制单元(electroniccontrol unit，ecu)和控制系统进行控制，因此这些功能也称为“车控功能”。
2、为了保证车控功能能够更好地服务用户，一般情况下，生产商需要在车辆出厂前，对车控功能进行测试，以便于及时发现车控功能的异常，保证车辆的安全性和可靠性。
技术实现思路
1、本技术提供了一种检测车控功能的方法和电子设备，该方法能够在车辆执行车控功能过程中，及时对车控功能进行异常检测，提高用户的用车体验。
2、第一方面，提供了一种检测车控功能的方法，该方法包括：在车辆执行车控功能的情况下，获取历史运行过程中的多个时序数据，该多个时序数据包括多个运行时序数据和多个环境时序数据；根据该多个时序数据，确定该车辆在当前时刻的多个预测运行数据和多个预测环境数据；根据该多个预测运行数据、该多个预测环境数据、该多个时序数据，以及该当前时刻的多个实际运行数据和多个实际环境数据，确定该车控功能在该当前时刻是否异常。
3、上述技术方案中，在车辆运行过程中，提出了一种检测车控功能的方法，该方法能够在车辆车控功能开启的情况下，获取车辆在运行过程中的多个时序数据。其中，多个时序数据包括多个运行时序数据和多个环境时序数据。多个运行时序数据具体指的是车辆在执行车控功能过程中，多个连续时刻的自身的运行参数。运行参数例如车速、加速度等。多个环境时序数据具体指的是车辆在执行车控功能过程中，多个连续时刻的环境参数。环境参数例如环境温度、风速等。通过多个时序数据，确定车辆在当前时刻的多个预测运行数据和多个预测环境数据。预测数据可以认为是车辆在执行车控功能时，理论上当前时刻所应达到的运行数据和环境数据。最后根据多个时序数据、多个预测运行数据和多个预测环境数据，确定车控功能在当前时刻是否异常，能够通过实时比较预测数据和实际数据之间的偏差，迅速识别车控功能的异常状况，及时发现车辆异常问题。
4、结合第一方面，在某些可能的实现方式中，该根据该多个时序数据，确定该车辆在当前时刻的多个预测运行数据和多个预测环境数据，包括：从该多个运行时序数据中确定m个运行时序数据，以及从该多个环境时序数据中确定n个环境时序数据，该m个运行时序数据和该n个环境时序数据均为连续型数据，m和n均为正整数；对于该m个运行时序数据和该n个环境时序数据中的任一时序数据，基于预设分解方法，将该时序数据分解为趋势项时序数据、季节项时序数据和残差项时序数据；根据m个趋势项运行时序数据、m个季节项运行时序数据、m个残差项运行时序数据、n个趋势项环境时序数据、n个季节项环境时序数据和n个残差项环境时序数据，确定m个预测运行数据和n个预测环境数据。
5、结合第一方面和上述实现方式，在某些可能的实现方式中，该根据m个趋势项运行时序数据、m个季节项运行时序数据、m个残差项运行时序数据、n个趋势项环境时序数据、n个季节项环境时序数据和n个残差项环境时序数据，确定m个预测运行数据和n个预测环境数据，包括：根据该m个趋势项运行时序数据和该n个趋势项环境时序数据，确定趋势项时序数据序列；将该趋势项时序数据序列输入至趋势项数据预测模型中，通过该趋势项数据预测模型对该趋势项时序数据序列进行编码，得到该趋势项时序数据序列的趋势项时序数据向量；对该趋势项时序数据向量进行解码，得到该当前时刻的m+n个预测趋势项数据；根据该m个残差项运行时序数据和该n个残差项环境时序数据，确定残差时序数据序列；将该残差时序数据序列输入至残差项数据预测模型中，通过该残差项数据预测模型中的编码器基于至少一个多头概率稀疏自注意力结构及自注意力提取操作的叠加，对该残差时序数据序列进行处理，得到编码器输出；通过该残差项数据预测模型的解码器基于掩码多头概率稀疏自注意力结构及多头自注意力结构对该编码器输出进行处理，得到解码器输出；通过该残差项数据预测模型中的全连接层对该解码器输出进行处理，得到该当前时刻的m+n个预测残差项数据；根据该m+n个预测趋势项数据、该m+n个预测残差项数据、该m个季节项运行时序数据和该n个季节项环境时序数据，确定该m个预测运行数据和该n个预测环境数据。
6、结合第一方面和上述实现方式，在某些可能的实现方式中，该趋势项数据预测模型的训练过程包括：将样本趋势项时序数据序列输入该趋势项数据预测模型，通过该趋势项数据预测模型，基于门控机制对该样本趋势项时序数据序列进行编码，得到该样本趋势项时序数据序列的样本趋势项时序数据向量；对该样本趋势项时序数据向量进行解码，得到m+n个样本预测趋势项数据；基于该m+n个样本预测趋势项数据与该样本趋势项时序数据序列对应的m+n个标注趋势项数据之间的差异信息，对该趋势项数据预测模型进行训练。
7、结合第一方面和上述实现方式，在某些可能的实现方式中，该残差项数据预测模型的训练过程包括：将样本残差时序数据序列输入至残差项数据预测模型中，通过该残差项数据预测模型中的编码器基于至少一个多头概率稀疏自注意力结构及自注意力提取操作的叠加，对该样本残差时序数据序列进行处理，得到样本编码器输出；通过该残差项数据预测模型的解码器基于掩码多头概率稀疏自注意力结构及多头自注意力结构对该样本编码器输出进行处理，得到样本解码器输出；通过该残差项数据预测模型中的全连接层对该样本解码器输出进行处理，得到m+n个样本预测残差项数据；基于该m+n个样本预测残差项数据与该样本残差项时序数据序列对应的m+n个标注残差项数据之间的差异信息，对该残差项数据预测模型进行训练。
8、结合第一方面和上述实现方式，在某些可能的实现方式中，该根据该多个预测运行数据、该多个预测环境数据、该多个时序数据，以及该当前时刻的多个实际运行数据和多个实际环境数据，确定该车控功能在该当前时刻是否异常之前，该方法还包括：获取该多个时序数据对应的m个历史预测运行时序数据和n个历史预测环境时序数据；以及，该根据该多个预测运行数据、该多个预测环境数据、该多个时序数据，以及该当前时刻的多个实际运行数据和多个实际环境数据，确定该车控功能在该当前时刻是否异常，包括：根据该m个历史预测运行时序数据和该m个预测运行数据，确定m个预测运行时序数据，以及，根据该n个历史预测环境时序数据和该n个预测环境数据，确定n个预测环境时序数据；根据该多个实际运行数据和该m个运行时序数据，确定m个实际运行时序数据，以及，根据该多个实际环境数据和该n个环境时序数据，确定n个实际环境时序数据；根据该m个预测运行时序数据和该m个实际运行时序数据，确定m个第一差值；根据该n个预测环境时序数据和该n个实际环境时序数据，确定n个第二差值；根据该多个运行时序数据和该多个实际运行数据，确定p个运行时序数据，以及，根据该多个环境时序数据和该多个实际环境数据，确定q个环境时序数据，该p个运行时序数据和该q个环境时序数据均为离散型数据，p和q均为正整数；根据该m个第一差值、该n个第二差值、该p个运行时序数据和该q个环境时序数据，确定该车控功能是否异常。
9、结合第一方面和上述实现方式，在某些可能的实现方式中，该根据该m个第一差值、该n个第二差值、该p个运行时序数据和该q个环境时序数据，确定该车控功能是否异常，包括：将该m个第一差值、该n个第二差值、该p个运行时序数据和该q个环境时序数据输入至异常检测模型，通过该异常检测模型输出该车控功能的异常概率；在该异常概率小于或等于预设概率的情况下，确定该车控功能正常；在该异常概率大于该预设概率的情况下，确定该车控功能异常。
10、结合第一方面和上述实现方式，在某些可能的实现方式中，该异常检测模型的训练过程包括：根据m个第一样本差值、n个第二样本差值、p个样本运行时序数据和q个样本环境时序数据，确定该异常检测模型的样本输入序列；将该样本输入序列输入至该异常检测模型，输出样本异常概率；基于该样本异常概率与该样本输入序列对应的标注概率之间的差异信息，对该异常检测模型进行训练。
11、结合第一方面和上述实现方式，在某些可能的实现方式中，该方法还包括：在确定该车控功能异常的情况下，确定该p个运行时序数据是否包括第一异常数据，和/或，该q个环境时序数据是否包括第二异常数据；在该p个运行时序数据包括该第一异常数据的情况下，确定该车控功能的异常来源为该第一异常数据；和/或，在该q个环境时序数据包括该第二异常数据的情况下，确定该异常来源为该第二异常数据；在该p个运行时序数据不包括该第一异常数据，且该q个环境时序数据不包括该第二异常数据的情况下，对于该m个第一差值中的任一第一差值，若该第一差值大于该第一差值对应的第一阈值，确定该异常来源为该第一差值对应的运行数据；和/或，在该p个运行时序数据不包括该第一异常数据，且该q个环境时序数据不包括该第二异常数据的情况下，对于该n个第二差值中的任一第二差值，若该第二差值大于该第二差值对应的第二阈值，确定该异常来源为该第二差值对应的环境数据。
12、上述技术方案中，在异常检测模型确定车控功能异常的情况下，本技术的方法还可以进一步确定车控功能的异常来源。在确定异常来源时，由于p个运行时序数据和q个环境时序数据均是离散型数据。举例来说，p个运行时序数据可以为车窗状态、制动系统状态；q个环境时序数据可以为道路类型。在检测到车控功能异常的情况下，首先考虑是否为离散型数据引起的。原因在于，离散型数据通常代表了系统的状态或配置，如工作模式、系统启用/禁用状态等。这些数据的异常往往直接指向系统中的特定问题，它们的变化通常是非连续的，相比较于连续型数据，更容易识别和定位问题，可以快速筛选出可能的故障源，且离散型数据异常可能对系统安全和功能的影响更大，因此，离散型数据异常的检测被赋予更高的优先级。
13、本技术在排查离散型数据，首先判断p个运行时序数据是否包括第一异常数据，是则直接确定异常来源为第一异常数据，以及，判断q个环境时序数据是否包括第二异常数据，是则直接确定异常来源为第二异常数据。相反，当p个运行时序数据不包括第一异常数据且q个环境时序数据不包括第二异常数据时，再考虑连续型运行时序数据的预测值和真实值之间的m个第一差值，以及连续型环境时序数据的预测值和真实值之间的n个第二差值。对于m个第一差值中的任一第一差值，若该第一差值大于该第一差值对应的第一阈值，则确定该第一差值对应的运行数据为异常来源。同理，对于n个第二差值中的任一第二差值，若该第二差值大于该第二差值对应的第一阈值，则确定该第二差值对应的环境数据为异常来源。从而，通过上述过程，能够在车控功能异常时，准确定位到车控功能的异常来源，便于用户维修和处理。
14、第二方面，提供了一种检测车控功能的装置，该装置包括：时序数据获取模块，用于在车辆执行车控功能的情况下，获取历史运行过程中的多个时序数据，该多个时序数据包括多个运行时序数据和多个环境时序数据；数据预测模块，用于根据该多个时序数据，确定该车辆在当前时刻的多个预测运行数据和多个预测环境数据；异常检测模块，用于根据该多个预测运行数据、该多个预测环境数据、该多个时序数据，以及该当前时刻的多个实际运行数据和多个实际环境数据，确定该车控功能在该当前时刻是否异常。
15、结合第二方面，在某些可能的实现方式中，该数据预测模块具体用于：从该多个运行时序数据中确定m个运行时序数据，以及从该多个环境时序数据中确定n个环境时序数据，该m个运行时序数据和该n个环境时序数据均为连续型数据，m和n均为正整数；对于该m个运行时序数据和该n个环境时序数据中的任一时序数据，基于预设分解方法，将该时序数据分解为趋势项时序数据、季节项时序数据和残差项时序数据；根据m个趋势项运行时序数据、m个季节项运行时序数据、m个残差项运行时序数据、n个趋势项环境时序数据、n个季节项环境时序数据和n个残差项环境时序数据，确定m个预测运行数据和n个预测环境数据。
16、结合第二方面和上述实现方式，在某些可能的实现方式中，该数据预测模块还用于：根据该m个趋势项运行时序数据和该n个趋势项环境时序数据，确定趋势项时序数据序列；将该趋势项时序数据序列输入至趋势项数据预测模型中，通过该趋势项数据预测模型对该趋势项时序数据序列进行编码，得到该趋势项时序数据序列的趋势项时序数据向量；对该趋势项时序数据向量进行解码，得到该当前时刻的m+n个预测趋势项数据；根据该m个残差项运行时序数据和该n个残差项环境时序数据，确定残差时序数据序列；将该残差时序数据序列输入至残差项数据预测模型中，通过该残差项数据预测模型中的编码器基于至少一个多头概率稀疏自注意力结构及自注意力提取操作的叠加，对该残差时序数据序列进行处理，得到编码器输出；通过该残差项数据预测模型的解码器基于掩码多头概率稀疏自注意力结构及多头自注意力结构对该编码器输出进行处理，得到解码器输出；通过该残差项数据预测模型中的全连接层对该解码器输出进行处理，得到该当前时刻的m+n个预测残差项数据；根据该m+n个预测趋势项数据、该m+n个预测残差项数据、该m个季节项运行时序数据和该n个季节项环境时序数据，确定该m个预测运行数据和该n个预测环境数据。
17、结合第二方面和上述实现方式，在某些可能的实现方式中，该数据预测模块还用于：将样本趋势项时序数据序列输入该趋势项数据预测模型，通过该趋势项数据预测模型，基于门控机制对该样本趋势项时序数据序列进行编码，得到该样本趋势项时序数据序列的样本趋势项时序数据向量；对该样本趋势项时序数据向量进行解码，得到m+n个样本预测趋势项数据；基于该m+n个样本预测趋势项数据与该样本趋势项时序数据序列对应的m+n个标注趋势项数据之间的差异信息，对该趋势项数据预测模型进行训练。
18、结合第二方面和上述实现方式，在某些可能的实现方式中，该数据预测模块还用于：将样本残差时序数据序列输入至残差项数据预测模型中，通过该残差项数据预测模型中的编码器基于至少一个多头概率稀疏自注意力结构及自注意力提取操作的叠加，对该样本残差时序数据序列进行处理，得到样本编码器输出；通过该残差项数据预测模型的解码器基于掩码多头概率稀疏自注意力结构及多头自注意力结构对该样本编码器输出进行处理，得到样本解码器输出；通过该残差项数据预测模型中的全连接层对该样本解码器输出进行处理，得到m+n个样本预测残差项数据；基于该m+n个样本预测残差项数据与该样本残差项时序数据序列对应的m+n个标注残差项数据之间的差异信息，对该残差项数据预测模型进行训练。
19、结合第二方面和上述实现方式，在某些可能的实现方式中，该根据该多个预测运行数据、该多个预测环境数据、该多个时序数据，以及该当前时刻的多个实际运行数据和多个实际环境数据，确定该车控功能在该当前时刻是否异常之前，该装置还包括：预测数据获取模块，用于获取该多个时序数据对应的m个历史预测运行时序数据和n个历史预测环境时序数据；以及，该异常检测模块具体用于：根据该m个历史预测运行时序数据和该m个预测运行数据，确定m个预测运行时序数据，以及，根据该n个历史预测环境时序数据和该n个预测环境数据，确定n个预测环境时序数据；根据该多个实际运行数据和该m个运行时序数据，确定m个实际运行时序数据，以及，根据该多个实际环境数据和该n个环境时序数据，确定n个实际环境时序数据；根据该m个预测运行时序数据和该m个实际运行时序数据，确定m个第一差值；根据该n个预测环境时序数据和该n个实际环境时序数据，确定n个第二差值；根据该多个运行时序数据和该多个实际运行数据，确定p个运行时序数据，以及，根据该多个环境时序数据和该多个实际环境数据，确定q个环境时序数据，该p个运行时序数据和该q个环境时序数据均为离散型数据，p和q均为正整数；根据该m个第一差值、该n个第二差值、该p个运行时序数据和该q个环境时序数据，确定该车控功能是否异常。
20、结合第二方面和上述实现方式，在某些可能的实现方式中，该异常检测模块还用于：将该m个第一差值、该n个第二差值、该p个运行时序数据和该q个环境时序数据输入至异常检测模型，通过该异常检测模型输出该车控功能的异常概率；在该异常概率小于或等于预设概率的情况下，确定该车控功能正常；在该异常概率大于该预设概率的情况下，确定该车控功能异常。
21、结合第二方面和上述实现方式，在某些可能的实现方式中，该异常检测模块还用于：根据m个第一样本差值、n个第二样本差值、p个样本运行时序数据和q个样本环境时序数据，确定该异常检测模型的样本输入序列；将该样本输入序列输入至该异常检测模型，输出样本异常概率；基于该样本异常概率与该样本输入序列对应的标注概率之间的差异信息，对该异常检测模型进行训练。
22、结合第二方面和上述实现方式，在某些可能的实现方式中，该装置还包括：异常来源确定模块，用于在确定该车控功能异常的情况下，确定该p个运行时序数据是否包括第一异常数据，和/或，该q个环境时序数据是否包括第二异常数据；在该p个运行时序数据包括该第一异常数据的情况下，确定该车控功能的异常来源为该第一异常数据；和/或，在该q个环境时序数据包括该第二异常数据的情况下，确定该异常来源为该第二异常数据；在该p个运行时序数据不包括该第一异常数据，且该q个环境时序数据不包括该第二异常数据的情况下，对于该m个第一差值中的任一第一差值，若该第一差值大于该第一差值对应的第一阈值，确定该异常来源为该第一差值对应的运行数据；和/或，在该p个运行时序数据不包括该第一异常数据，且该q个环境时序数据不包括该第二异常数据的情况下，对于该n个第二差值中的任一第二差值，若该第二差值大于该第二差值对应的第二阈值，确定该异常来源为该第二差值对应的环境数据。
23、第三方面，提供了一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
24、第四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
25、第五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
1.一种检测车控功能的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个时序数据，确定所述车辆在当前时刻的多个预测运行数据和多个预测环境数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据m个趋势项运行时序数据、m个季节项运行时序数据、m个残差项运行时序数据、n个趋势项环境时序数据、n个季节项环境时序数据和n个残差项环境时序数据，确定m个预测运行数据和n个预测环境数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述趋势项数据预测模型的训练过程包括：
5.根据权利要求3所述的方法，其特征在于，所述残差项数据预测模型的训练过程包括：
6.根据权利要求2所述的方法，其特征在于，所述根据所述多个预测运行数据、所述多个预测环境数据、所述多个时序数据，以及所述当前时刻的多个实际运行数据和多个实际环境数据，确定所述车控功能在所述当前时刻是否异常之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述m个第一差值、所述n个第二差值、所述p个运行时序数据和所述q个环境时序数据，确定所述车控功能是否异常，包括：
8.根据权利要求7所述的方法，其特征在于，所述异常检测模型的训练过程包括：
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
10.一种电子设备，其特征在于，所述电子设备包括：
