一种数据存储方法、装置、电子设备和存储介质与流程

本技术涉及车辆领域，并且更具体地，涉及车辆领域中一种数据存储方法、装置、电子设备和存储介质。

背景技术：

1、现代车辆配备了越来越多的传感器和设备，如摄像头、雷达、激光扫描仪等，用于收集车辆周围环境的信息，这些设备产生大量的数据，特别是在自动驾驶等应用中，数据量更为庞大。车辆需要不断地与其他车辆、交通基础设施以及云服务器进行实时通信和数据交换，这些数据涉及到车辆的位置、速度、行驶轨迹、传感器数据等。

2、随着车辆数量的增加，车联网数据量呈指数增长，而车联网数据量的倍增将直接导致存储需求的增加。因此，如何对车联网数据进行存储来应对不断增长的数据量，以提高存储效率和存储灵活性成为亟需解决的技术问题。

技术实现思路

1、本技术提供了一种数据存储方法、装置、电子设备和存储介质，该方法能够提高对于车联网数据的存储效率和存储灵活性。

2、第一方面，提供了一种数据存储方法，该方法包括：获取目标车辆在当前时间段内的车联网时序数据；预测上述车联网时序数据的变化趋势；确定与上述车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述车联网时序数据进行存储。

3、在上述技术方案中，结合车联网时序数据的变化趋势，能够自适应的确定与该变化趋势适配的存储策略，智能的决定车联网时序数据该如何存储，且由于存储策略与变化趋势适配，则如果变化趋势不同，与该变化趋势适配的存储策略也可能发生变化，无需人为对存储策略进行更改。可见，上述技术方案中可以无需人为设定固定的存储策略，而是灵活的根据车联网时序数据的变化趋势确定适配的存储策略，因此对于车联网数据的存储更加灵活，且效率更高。

4、结合第一方面，在某些可能的实现方式中，上述预测上述车联网时序数据的变化趋势，包括：根据上述车联网时序数据进行聚类，得到多个簇；对于每个上述簇，预测上述簇内的车联网时序数据的变化趋势；上述确定与上述车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述车联网时序数据进行存储，包括：对于每个上述簇，确定与上述簇内的车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述簇内的车联网时序数据进行存储。

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，上述数据存储策略包括存储时长和/存储位置；上述预测上述簇内的车联网时序数据的变化趋势，包括：预测上述簇内的车联网时序数据的使用频率的变化趋势和/或数据量的变化趋势；上述确定与上述簇内的车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述簇内的车联网时序数据进行存储，包括：根据上述使用频率的变化趋势和/或数据量的变化趋势，确定与每个上述簇适配的存储位置和/或存储时长；将上述簇内的车联网时序数据存储进与上述簇适配的存储位置，和/或，按照与上述簇适配的存储时长对上述簇内的车联网时序数据进行存储。

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，上述根据上述使用频率的变化趋势和/或数据量的变化趋势，确定与每个上述簇适配的存储位置和/或存储时长，包括：在上述使用频率的变化趋势为增大趋势的情况下，确定与上述簇适配的存储位置为第一存储位置，和/或，与上述簇适配的存储时长为第一存储时长；在上述使用频率的变化趋势为减小趋势的情况下，确定与上述簇适配的存储位置为第二存储位置，和/或，与上述簇适配的存储时长为第二存储时长；其中，上述第一存储位置对应的数据查询效率高于上述第二存储位置对应的数据查询效率，上述第一存储时长大于上述第二存储时长；在上述数据量的变化趋势为增大趋势的情况下，确定与上述簇适配的存储位置为第三存储位置，和/或，与上述簇适配的存储时长为第三存储时长；在上述数据量的变化趋势为减小趋势的情况下，确定与上述簇适配的存储位置为第四存储位置，和/或，与上述簇适配的存储时长为第四存储时长；其中，上述第三存储位置的存储容量大于上述第四存储位置的存储容量，上述第三存储时长小于上述第四存储时长。

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，上述对于每个上述簇，预测上述簇内的车联网时序数据的变化趋势，包括：对于每个上述簇，通过预训练的与上述簇对应的预测模型对上述簇内的车联网时序数据的变化趋势进行预测，得到上述簇内的车联网时序数据的变化趋势；其中，每个上述簇对应有各自的预测模型，每个上述预测模型基于每个上述簇内的历史车联网时序数据训练得到，每个上述簇内的历史车联网时序数据基于预设历史时间段内收集的历史车联网时序数据进行聚类得到。

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，每个上述簇对应的预测模型通过以下方式训练得到：对每个上述簇内的历史车联网时序数据进行特征提取，得到每个上述簇对应的历史时序数据特征；根据每个上述簇对应的历史时序数据特征，对预测模型进行训练，得到训练好的每个上述簇对应的预测模型。

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，上述预测模型为长短期记忆递归神经网络模型，上述根据上述车联网时序数据进行聚类，得到多个簇，包括：采用基于密度的聚类算法，对上述车联网时序数据行聚类，得到多个簇。

10、第二方面，提供了一种数据存储装置，该装置包括：获取模块，用于获取目标车辆在当前时间段内的车联网时序数据；预测模块，用于预测上述车联网时序数据的变化趋势；存储模块，用于确定与上述车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述车联网时序数据进行存储。

11、结合第二方面和上述实现方式，在某些可能的实现方式中，预测模块包括：聚类单元，用于根据上述车联网时序数据进行聚类，得到多个簇；预测单元，用于对于每个上述簇，预测上述簇内的车联网时序数据的变化趋势；存储模块具体用于对于每个上述簇，确定与上述簇内的车联网时序数据的变化趋势适配的数据存储策略，并根据上述数据存储策略，对上述簇内的车联网时序数据进行存储。

12、结合第二方面和上述实现方式，在某些可能的实现方式中，上述数据存储策略包括存储时长和/存储位置；预测单元具体用于预测上述簇内的车联网时序数据的使用频率的变化趋势和/或数据量的变化趋势；存储模块包括：确定单元，用于根据上述使用频率的变化趋势和/或数据量的变化趋势，确定与每个上述簇适配的存储位置和/或存储时长；存储单元，用于将上述簇内的车联网时序数据存储进与上述簇适配的存储位置，和/或，按照与上述簇适配的存储时长对上述簇内的车联网时序数据进行存储。

13、结合第二方面和上述实现方式，在某些可能的实现方式中，确定单元具体用于在上述使用频率的变化趋势为增大趋势的情况下，确定与上述簇适配的存储位置为第一存储位置，和/或，与上述簇适配的存储时长为第一存储时长；在上述使用频率的变化趋势为减小趋势的情况下，确定与上述簇适配的存储位置为第二存储位置，和/或，与上述簇适配的存储时长为第二存储时长；其中，上述第一存储位置对应的数据查询效率高于上述第二存储位置对应的数据查询效率，上述第一存储时长大于上述第二存储时长；在上述数据量的变化趋势为增大趋势的情况下，确定与上述簇适配的存储位置为第三存储位置，和/或，与上述簇适配的存储时长为第三存储时长；在上述数据量的变化趋势为减小趋势的情况下，确定与上述簇适配的存储位置为第四存储位置，和/或，与上述簇适配的存储时长为第四存储时长；其中，上述第三存储位置的存储容量大于上述第四存储位置的存储容量，上述第三存储时长小于上述第四存储时长。

14、结合第二方面和上述实现方式，在某些可能的实现方式中，预测单元具体用于对于每个上述簇，通过预训练的与上述簇对应的预测模型对上述簇内的车联网时序数据的变化趋势进行预测，得到上述簇内的车联网时序数据的变化趋势；其中，每个上述簇对应有各自的预测模型，每个上述预测模型基于每个上述簇内的历史车联网时序数据训练得到，每个上述簇内的历史车联网时序数据基于预设历史时间段内收集的历史车联网时序数据进行聚类得到。

15、结合第二方面和上述实现方式，在某些可能的实现方式中，上述装置还包括：训练模块，用于对每个上述簇内的历史车联网时序数据进行特征提取，得到每个上述簇对应的历史时序数据特征；根据每个上述簇对应的历史时序数据特征，对预测模型进行训练，得到训练好的每个上述簇对应的预测模型。

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，上述预测模型为长短期记忆递归神经网络模型，聚类单元具体用于采用基于密度的聚类算法，对上述车联网时序数据行聚类，得到多个簇。

17、第三方面，提供一种电子设备，包括存储器，用于存储可执行程序代码；处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述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。

18、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。

19、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。