數據驅動預測的案例
數據閉環研究：自動駕駛發展從技術驅動轉向數據驅動
再比如，Momenta實現了領先的全流程數據驅動的技術能力，包括感知、融合、預測和規控等算法模塊都可以通過數據驅動的方式高效的迭代與更新。其閉環自動化(Closed Loop Automation)是一整套讓數據流推動數據驅動的算法自動迭代的工具鏈。CLA能自動篩選出海量黃金數據，驅動算法的自動迭代，讓自動駕駛飛輪越轉越快。
來源：Momenta
軟件定義汽車背景下，數據、算法和算力是自動駕駛開發的三駕馬車。車企研發周期縮短、功能迭代加速，未來能夠持續地低成本、高效率、高效能收集數據，并通過真實數據迭代算法，最終形成數據閉環及商業閉環是自動駕駛企業可持續發展的關鍵所在。
文章來源：佐思汽車研究
免責聲明：本文系網絡轉載，版權歸原作者所有。如涉及版權，請聯系刪除！
展開 25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥150
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。
數顯驅動電路/數碼管驅動IC-VK1S38A SSOP24內部集成有數據鎖存器、LED驅動
產品品牌：永嘉微電/VINKA
產品型號：VK1S38A
封裝形式：SSOP24
概述
VK1S38A是一種帶鍵盤掃描接口的數碼管或點陣LED驅動控制專用芯片，內部集成有3線串行接口、數據鎖存器、LED 驅動、鍵盤掃描等電路。SEG腳接LED陽極，GRID腳接LED陰極，可支持8SEGx8GRID的點陣LED顯示面板，最大支持8x3按鍵矩陣。適用于家電設備（智能熱水器、微波爐、洗衣機、空調、電磁爐）、機頂盒、電子秤、智能電表等產品的顯示屏驅動。采用SSOP24L的封裝形式。
分類預測 | MATLAB實現WOA-CNN-LSTM-Attention數據分類預測
預測效果
使用教程
1 基本介紹
1.MATLAB實現WOA-CNN-LSTM-Attention數據分類預測，運行環境Matlab2021b及以上；
2.基于鯨魚優化算法（WOA）、卷積神經網絡（CNN）和長短期記憶網絡（LSTM）的數據分類預測程序；
3.多特征輸入單輸出的二分類及多分類模型。程序內注釋詳細，直接替換數據就可以用；過WOA優化算法優化學習率、卷積核大小、神經元個數，這3個關鍵參數，以測試集精度最高為目標函數
程序語言為matlab，程序可出分類效果圖，迭代優化圖，混淆矩陣圖；
4.data為數據集，輸入12個特征，分四類；main為主程序，其余為函數文件，無需運行，可在下載區獲取數據和程序內容。
5.適用領域：適用于各種數據分類場景，如滾動軸承故障、變壓器油氣故障、電力系統輸電線路故障區域、絕緣子、配網、電能質量擾動，等領域的識別、診斷和分類。
使用便捷：直接使用EXCEL表格導入數據，無需大幅修改程序。內部有詳細注釋，易于理解。
2 研究內容
注意力機制模塊：
SEBlock（Squeeze-and-Excitation Block）是一種聚焦于通道維度而提出一種新的結構單元，為模型添加了通道注意力機制，該機制通過添加各個特征通道的重要程度的權重，針對不同的任務增強或者抑制對應的通道，以此來提取有用的特征。該模塊的內部操作流程如圖，總體分為三步：首先是Squeeze 壓縮操作，對空間維度的特征進行壓縮，保持特征通道數量不變。融合全局信息即全局池化，并將每個二維特征通道轉換為實數。實數計算公式如公式所示。該實數由k個通道得到的特征之和除以空間維度的值而得，空間維數為H*W。其次是Excitation激勵操作，它由兩層全連接層和Sigmoid函數組成。
展開 康謀產品 | 仿真驅動、數據自造：Anyverse巧用合成數據重構智能座艙
然而，這些感知系統要在多樣駕駛行為、復雜座艙布局和極端光照條件下持續穩定運行，傳統的真實數據采集方式已難以支撐其開發迭代需求。智能座艙的技術演進，正由“采集驅動”轉向“仿真驅動”。
一、智能座艙仿真的挑戰與突破
圖1：座艙實例圖
智能座艙中的AI系統，不僅需要理解駕駛員的行為和狀態，還要同時感知乘員、兒童、寵物乃至環境中的潛在交互風險。其仿真面臨幾大挑戰：
（1）行為維度復雜：如疲勞駕駛、身體遮擋、嬰兒誤留、飲水打電話等多樣行為難以統一采集；
（2）環境變因多樣：如夜間光照、紅外反射、遮擋物等情況干擾傳感器判斷；
（3）隱私合規嚴苛：特別是在兒童檢測等場景，獲取真實數據存在法律與倫理障礙。
這些因素決定了：高質量的、多模態的合成數據與虛擬仿真，已成為智能座艙感知系統研發不可或缺的支撐工具。
二、合成數據：真實世界外的“數據宇宙”
在智能座艙開發中，獲取高質量訓練數據往往面臨隱私、成本和長尾場景覆蓋不足的問題。合成數據以其可控、高效、多樣、合規等優勢，正成為訓練AI感知系統的重要資源。
圖2：多種類型傳感器下的合成數據（Anyverse）
相比真實數據，合成數據具有以下優勢：
（1）全面多樣：可靈活生成不同人群、行為、座艙結構與環境變量組合，輕松覆蓋極端和低頻場景；
（2）精準標注：輸出像素級真值、凝視向量、關鍵點、分割圖等，省去人工標注；
（3）高效合規：不涉及真實乘員或兒童影像，天然滿足GDPR等隱私法規；
（4）可重復與可擴展：相同條件下隨時重建，便于模型對比測試與大規模數據擴增。
在 DMS、OMS、兒童存在檢測（CPD）、安全帶識別、寵物識別等多個智能座艙感知模塊中，合成數據不僅作為訓練數據使用，也廣泛應用于模型驗證、場景補全與魯棒性測試。
展開 數據驅動變革時代，自動駕駛研發如何破解數據跨境合規難題？
當下正是一個由數據驅動的偉大變革時代。從ADAS到AD，每一次技術的躍遷都離不開海量道路數據的采集、標注與分析。以圖像數據為例，它們是訓練和優化感知算法、提升系統安全性的寶貴資源。
然而，當計劃將這些數據送往異國研發團隊時，數據合規這個難題便擺在了面前。
一、全球化研發的數據合規挑戰
對于任何一個有全球拓展計劃的車企或技術供應商而言，跨國研發與測試通常是不可避免的，例如驗證算法在不同交通環境、氣候條件下的魯棒性。然而，當使用到這些真實世界圖像的數據時，不可避免地會捕捉到大量的個人身份信息（PII），例如行人的面部特征、清晰可辨的車牌號碼等。
這正是挑戰的核心所在。當數據跨境傳輸成為研發的剛需時，企業便會踏入全球隱私法規的“風險區域”。針對這些挑戰，康謀有一些洞察和總結，本文將與大家一起交流！
二、全球數據法規的差異與現實
自歐盟《通用數據保護條例》（GDPR）設立全球數據保護的里程碑后，隱私立法變革隨之在世界范圍內展開，中國的《個人信息保護法》（PIPL）就是其中的重要組成部分。這些法規雖都以保護個人信息為目標，卻在定義、原則和跨境規則上存在差異，給全球化車企帶來了嚴峻挑戰。
展開 數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
</p><p class="ql-align-justify">模型訓練完成后，實際預測結果與真實測試磨損值的偏差約為 3%，可節省 66% 的測試時間。模型可用于單一場景（如高速路況模型情況）或組合場景預測，顯著提升測試效率與產品安全性。</p><p class="ql-align-justify"><strong>4.AI ? 電池壽命預測</strong></p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnD6xIROfIq5CJRT83RnOic1wHcoOYHufk6rbcxV8667XP1AKk06Wo8LDw/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">在電池壽命預測方面，我們與國內某頭部企業合作（因保密問題以公開數據示例）。該項目旨在利用極少充放電數據預測電池完整壽命。例如，通過前 100 次循環中采集的電流、電壓、溫度、容量等特征數據，訓練模型預測達到 80% 容量閾值所對應的循環次數，預測完整使用次數。</p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDfmkoODrO1sicasDr9D7vPWBlMowIHIPuoUibfFPYYkhNmiadAHUx41XbQ/640?
展開 數碼管驅動IC-VK1640B SSOP24內部集成有數據鎖存器、LED驅動等電路
產品品牌：永嘉微電/VINKA
產品型號：VK1640B
封裝形式：SSOP24
概述
VK1640B是一種數碼管或點陣LED驅動控制專用芯片，內部集成有數據鎖存器、LED 驅動等電路。SEG腳接LED陽極，GRID腳接LED陰極，可支持8SEGx12GRID的LED顯示屏。適用于小型LED顯示屏驅動。采用SSOP24的封裝形式。
6混淆矩陣，根據預測結果輸出混淆矩陣。將自己標簽數據帶進去即可得到結果，可更改顏色，更改預測的個數 ￥8.9
混淆矩陣，根據預測結果輸出混淆矩陣。將自己標簽數據帶進去即可得到結果，可更改顏色，更改預測的個數，基于MATLAB平臺，程序已調通可直接運行。
RecurDyn 成功案例：旋轉輪（驅動軸總成）的油帶預測
研究產品: 驅動軸
分析目標：預測油帶的形狀并與物理試驗:預測油帶的形狀并與物理試驗對標
在物理試驗中，由于油膜具有一定厚度，會在驅動軸轉輪上呈現出非常明顯的形狀。利用Particleworks建立虛擬樣機模型，準確地復現油帶的形狀。
RecurDyn 成功案例：驅動器組件的旋轉輪發生的油帶預測
產品
:
驅動程序
仿真目的: 再現驅動器活塞桿內部的油帶現象
由于驅動器機身產生的油帶（厚污層），產生了電阻，導致產品性能下降。為了改進，建立了能模擬再現這一現象的模型，并通過Particleworks建立虛擬模型。再現了與實驗相同形狀的油帶，并隨后將其用于模型的優化。
資料驅動之生成式射出成型多質量預測技術
可利用模具內設置多個壓力感測器取得可應用之壓力數據，并將其進行后續之應用，機器學習的進步造就在質量預測上之效果逐漸提升。
在本研究利用壓力數據信息進行資料前處理，將其分為3種方法。第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
射出成型實驗設計階段
本研究采用田口方法進行模流分析。具體進行兩次的L27田口實驗，共計54個模次。在每個模次中，設置4個感測節點，以擷取壓力數據、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數據中采用了兩種不同的處理方法。首先是對整體壓力數據進行處理，其次是將射出成型過程中的三個主要階段分別進行壓力數據的分段處理。這兩種方法均運用自動編碼器進行特征編碼。塑件變形量（長度與寬度）和總重量的數據則作為預測目標。
生成式人工智能預測階段
將資料集分為訓練集(80%)和測試集(20%)。使用全域壓力數據和分段壓力數據的編碼特征以及經過標準化處理的數據指標來預測塑件變形量和總重量。
展開 【開局2021】“算法、數據、算力”驅動人工智能三要素
云計算是互聯網中一切的基礎，為大數據對海量數據的處理提供了算力支持；人工智能或者說智能系統不僅在一定程度是上達到了對數據進行智能化、自動化的采集、表示、存取和處理，同時還能在各種不同的應用場景中完成特定的功能設定。大數據本質上是一種從海量數據中加工出有價值數據的處理技術，它用來處理智能設備產生的海量數據；5G作為互聯網中一條快速傳輸的通道，為快速、海量、多樣和低價值密度的數據提供了快速穩定傳輸的保障。
中國信息通信研究院發布的《全球人工智能戰略與政策觀察（2020）》報告稱，截至2020年12月，全球已有39個國家和地區制定了人工智能的戰略政策、產業規劃文件。人工智能對新經濟發展的驅動作用日益受到重視。
隨著算法的創新、算力的增強、數據資源的累積，傳統基礎設施將實現智能化升級，人工智能技術有望推動經濟發展全要素的智能化革新。截至2020年6月底，我國人工智能核心產業規模達770億元，人工智能企業超過2600家。
我國人工智能產業快速發展的同時，關聯產業也迎來巨大發展機遇。預計2021年，圍繞算法、數據和算力人工智能的三要素，人工智能產業鏈建設力度將持續增大。
《2020-2021中國人工智能計算力發展評估報告》指出，人工智能三要素中，算力成為驅動AI產業化發展的關鍵要素。服務器是人工智能基礎設施的核心。該報告顯示，我國人工智能基礎設施市場規模在2020年達到39.3億美元，同比增長26.8%。其中，AI服務器市場規模占整體人工智能基礎設施市場的87%以上。
但目前我國整體在人工智能算力基礎設施方面準備不足，體現在芯片端對外依賴較大，服務器市場國內企業份額有限。
在算力方面，相關行業對算力的需求將更為龐大。2021年我國5G通信網絡部署加速，數據的增長速度越來越快，人工智能訓練所需的計算量將進一步呈現指數增長。
展開 