本发明涉及车辆故障预测，尤其涉及一种故障预测方法、装置以及故障预测模型的训练方法。
背景技术：
1、车辆在发生故障时，需要及时检修，否则故障升级，造成车辆安全性差，除了少量偶发性故障外，绝大数车辆故障都有其形成和演变过程，这使得在一定时间上预测故障成为可能。
2、现有技术通过从车辆系统导出的数据作为特征建立预测模型来预测车辆的故障，而车辆系统是复杂的非线性系统，其故障的形成，受多种因素影响，与车辆故障关联程度不大的冗余特征参与预测模型训练，使得预测模型训练起来比较困难，这些冗余特征还会干扰预测模型输出故障预测结果的准确性。
技术实现思路
1、本申请提供一种故障预测方法、装置以及故障预测模型的训练方法，以解决现有车辆故障预测模型训练困难、输出故障预测结果的准确性差的技术问题。
2、鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的故障预测方法、装置以及故障预测模型的训练方法。
3、第一方面，提供一种故障预测方法，包括：
4、获取目标车辆的实时运行数据，所述目标车辆为目标车型的车辆；
5、根据所述目标车辆的实时运行数据、以及预训练的故障预测模型，确定所述目标车辆在设定的预测时长发生故障的等级和概率；其中，所述预训练的故障预测模型为基于对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据得到的。
6、可选的，所述预训练的故障预测模型通过以下步骤构建：
7、针对所述多个历史运行数据的每个历史运行数据，计算该历史运行数据对历史故障事件的贡献度；
8、根据对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据和所述目标车型的历史故障事件的等级和类型，训练得到所述故障预测模型。
9、可选的，所述针对所述多个历史运行数据的每个历史运行数据，计算该历史运行数据对历史故障事件的贡献度，包括：
10、针对所述多个历史运行数据的每个历史运行数据，采用夏普利值法计算该历史运行数据对所述目标车型的历史故障事件的贡献度。
11、可选的，根据对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据和所述目标车型的历史故障事件的等级和类型，训练得到所述故障预测模型，包括：
12、将对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据进行特征提取，得到训练样本；
13、基于多个预设滑动步长，将所述训练样本分别输入到对应的初始神经网络模型进行训练，得到多个故障预测模型，所述多个故障预测模型具有不同的预测时间长度。
14、可选的，所述根据所述目标车辆的实时运行数据、以及预训练的故障预测模型，确定所述目标车辆在设定的预测时长发生故障的等级和概率，包括：
15、根据设定的预测时长，确定从所述多个故障预测模型中调用故障预测模型的数量最少的组合；
16、将所述目标车辆的实时运行数据输入所述调用故障预测模型的数量最少的组合，得到所述目标车辆在所述设定的预测时长发生故障的等级和概率。
17、可选的，所述根据设定的预测时长，确定从所述多个故障预测模型中调用故障预测模型的数量最少的组合，包括：
18、根据根据设定的预测时长，确定从所述多个故障预测模型中调用故障预测模型的数量最少的组合包括n个故障预测模型，所述n个故障预测模型具有设定的迭代顺序，所述n个故障预测模型的预测时间长度的和为设定的预测时长，n为大于1的正整数；
19、所述将所述目标车辆的实时运行数据输入所述调用故障预测模型的数量最少的组合，得到所述目标车辆在所述设定的预测时长发生故障的等级和概率，包括：
20、所述n个故障预测模型中的第一个故障预测模型接收到所述目标车辆在第一时刻的实时运行数据，按照所述设定的迭代顺序依次执行预测操作，输出所述目标车辆在第二时刻发生故障的等级和概率，所述第二时刻为所述第一时刻经过设定的预测时长的时刻。
21、可选的，所述多个故障预测模型包括：
22、预测时间长度分别为5分钟，10分钟，30分钟，60分钟，120分钟的故障预测模型。
23、可选的，所述目标车型的历史运行数据，包括：所述目标车型的历史车速信息、历史里程信息、历史电池信息以及历史温度信息。
24、第二方面，提供一种故障预测装置，包括：
25、贡献度确定单元，用于获取目标车辆的实时运行数据，所述目标车辆为目标车型的车辆；
26、故障预测单元，用于根据所述目标车辆的实时运行数据、以及预训练的故障预测模型，确定所述目标车辆在设定的预测时长发生故障的等级和概率；其中，所述预训练的故障预测模型为基于对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据得到的。
27、第三方面，提供一种故障预测模型的训练方法，包括：基于对目标车型的历史故障事件的贡献度在设定值以上的历史运行数据，训练得到故障预测模型；所述故障预测模型用于根据目标车辆的实时运行数据，确定所述目标车辆在设定的预测时长发生故障的等级和概率，其中，所述目标车辆为目标车型的车辆。
28、第四方面，本申请还提供了一种控制器，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时，使得服务器执行如第一方面提供的方法。
29、第五方面，本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，使得计算机执行如第一方面提供的方法。
30、第六方面，本申请还提供了一种计算机程序产品，包括计算机程序，当计算机程序被运行时，使得计算机执行如第一方面提供的方法。
31、本申请提供的技术方案，至少具有如下技术效果或优点：
32、本申请提供的故障预测方法、装置以及故障预测模型的训练方法，采用从目标车型的多个历史运行数据中，筛选出对目标车型的历史故障事件的贡献度较高的数据训练得到的故障预测模型，对车辆进行故障等级和概率的预测，排除目标车型的车辆系统中与目标车型的故障关联度较低的因素，降低故障预测模型建立的难度，提升故障预测模型的准确性。
33、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
1.一种故障预测方法，其特征在于，包括：
2.如权利要求1所述的故障预测方法，其特征在于，所述预训练的故障预测模型通过以下步骤构建：
3.如权利要求2所述的故障预测方法，其特征在于，所述针对所述多个历史运行数据的每个历史运行数据，计算该历史运行数据对历史故障事件的贡献度，包括：
4.如权利要求2所述的故障预测方法，其特征在于，根据对所述目标车型的历史故障事件的贡献度在设定值以上的历史运行数据和所述目标车型的历史故障事件的等级和类型，训练得到所述故障预测模型，包括：
5.如权利要求4所述的故障预测方法，其特征在于，所述根据所述目标车辆的实时运行数据、以及预训练的故障预测模型，确定所述目标车辆在设定的预测时长发生故障的等级和概率，包括：
6.如权利要求5所述的故障预测方法，其特征在于，所述根据设定的预测时长，确定从所述多个故障预测模型中调用故障预测模型的数量最少的组合，包括：
7.如权利要求4所述的故障预测方法，其特征在于，所述多个故障预测模型包括：
8.如权利要求1所述的故障预测方法，其特征在于，所述目标车型的历史运行数据，包括：所述目标车型的历史车速信息、历史里程信息、历史电池信息以及历史温度信息。
9.一种故障预测装置，其特征在于，包括：
10.一种故障预测模型的训练方法，其特征在于，包括：基于对目标车型的历史故障事件的贡献度在设定值以上的历史运行数据，训练得到故障预测模型；所述故障预测模型用于根据目标车辆的实时运行数据，确定所述目标车辆在设定的预测时长发生故障的等级和概率，其中，所述目标车辆为目标车型的车辆。
