1.一种车辆检测数据增强训练方法，其特征在于，所述车辆检测数据增强训练方法包括：从车辆总线上进行数据捕获与存储，截取到数据报文；

对截取到的数据报文格式化后进行检测；检测通过则让命令顺利执行上传；不通过，则阻止命令执行上传；同时对检测结果进行记录存储；

根据存储情况和车‑云之间链路稳定情况，上传捕获的车辆驾驶数据和相应检测结果；

按接收到的时间顺序对上传的车辆驾驶数据和相应检测结果进行存储；

对存储的车辆驾驶数据进行合并，判断数据规模是否满足训练要求，如果不满足则进入数据增强环节，将周期内收集到的数据进行预处理，转换为用于生成对抗网络的车辆数据点阵格式；将生成的车辆数据点阵作为生成对抗网络中的样本数据，并随机生成待训练数据集；

将所述样本数据、待训练数据集一起让判别器进行判别，根据判别结果和损失函数不断对生成器和判别器进行调整，在所述样本数据、待训练数据集达到纳什均衡时，生成器生成的数据就是符合原有样本特征的新数据；

将生成的新数据集和原有数据集合并为增强数据集，用增强后的数据集训练检测模型；并将更新后的检测模型分发到各车辆车载终端；

所述截取到的数据报文包含：

1)时间戳，精确度为毫秒；

2)CANID：十六进制的汽车总线报文标识符；

3)数据：捕获到的CAN总线报文的数据部分；

4)数据字节个数：记录本时间段从CAN总线数捕获到的数据字节长度；

所述进行数据捕获时，数据收集模块根据TBOX本身存储空间，及时删除已上传数据或者重要性较低的数据；采取先到先删除加异常标签判断策略；

当TBOX存储空间剩余不足20％时，从保存最久的数据报文开始删除；内含检测异常标签的不删除；

所述将周期内收集到的数据进行预处理的包括：

1)提取一个时间窗口内的所有的CAN总线数据，根据所取得的CANID，CAN总线上的数据值，数据长度的平均值和方差按Z‑score方法对数据进行数据标准化；

2)接着将CAN命令数据减去一个共有值将数据化简为较小的数据项，然后计算平均值和标准差，由原数据减去平均值再除以标准差得到数据流特征向量；接着把n个特征向量合并为一个一维矩阵，再通过矩阵变换为方阵，所述方阵对角线元素为m维特征向量的值，每一列用一个m维向量表示：根据欧拉距离定义流特征向量相关性将第i个流量记录表示为一个m行m列的对称矩阵：

3)将上面所述对称矩阵映射为对应的车辆数据点阵，即将所述对称矩阵中元素的值映射为所述车辆数据点阵中对应的数据项；映射过程为将所求得矩阵的每个元素值和位置关系以单个像素点通过8位的灰度值(0‑255)表示，先将矩阵中所有数据归一化，再乘上固定值255即得原矩阵在0‑255范围内得取值分布，即车辆数据点阵的值由对阵矩阵按公式转换得到；将每个时间窗口内的网络流特征向量集转换为适用于生成对抗网络训练的车辆数据点阵。

2.如权利要求1所述的车辆检测数据增强训练方法，其特征在于，所述总线数据和相应检测结果前须先探测网络链路是否稳定并对要传输的数据做必要分割，具体包括：(1)在上传下载数据前均进行网络链路稳定性探测；探测方法为发送5个带900字节数据的请求报文给TSP云端，计算收到应答报文个数和平均往返时间；根据实际经验设定阈值：收到应答报文不少于3个且平均往返时间不高于50ms为链路稳定，进行传输；

(2)每次传输的数据报文不超过1KB，且云端对接收到的数据报文须进行确认；在传输一段周期内存储的CAN总线数据与检测结果时，如果数据超过1kB,则被分割为不超过1KB的数据报文分次发送。

3.如权利要求1所述的车辆检测数据增强训练方法，其特征在于，训练好的所述检测模型从云端分发到车载TBOX的检测模块；由于对网络链路要求较高，采用TSP先通知用户检测模块更新，在车辆停止且网络信号好的情况下手动发起更新命令，随后进行网络链路探测，探测到网络链路稳定后将检测模型发布到车端TBOX。

4.一种车辆检测数据增强训练系统，搭载有TBOX设备，其特征在于，在所述TBOX设备中添加车载数据收集模块和车载检测模块；

所述车载数据收集模块用于收集车辆行驶时的CAN总线数据；

所述车载检测模块，负责接收更新检测模型和实时检测异常；车辆行驶数据和检测结果，用户选择不上传或者脱敏后上传至云端；

所述云端对收集到的各车辆数据进行预处理合并后，判断模型所需数据量是否足够，如果不足则先进行数据增强，使用增强后的数据训练检测模型；最后，周期性将检测模型从云端发布到车载检测模块；

对存储的车辆驾驶数据进行合并，判断数据规模是否满足训练要求，如果不满足则进入数据增强环节，将周期内收集到的数据进行预处理，转换为用于生成对抗网络的车辆数据点阵格式；将生成的车辆数据点阵作为生成对抗网络中的样本数据，并随机生成待训练数据集；

将周期内收集到的数据进行预处理的包括：

1)提取一个时间窗口内的所有的CAN总线数据，根据所取得的CANID，CAN总线上的数据值，数据长度的平均值和方差按Z‑score方法对数据进行数据标准化；

2)接着将CAN命令数据减去一个共有值将数据化简为较小的数据项，然后计算平均值和标准差，由原数据减去平均值再除以标准差得到数据流特征向量；接着把n个特征向量合并为一个一维矩阵，再通过矩阵变换为方阵，所述方阵对角线元素为m维特征向量的值，每一列用一个m维向量表示：根据欧拉距离定义流特征向量相关性将第i个流量记录表示为一个m行m列的对称矩阵：

3)将上面所述对称矩阵映射为对应的车辆数据点阵，即将所述对称矩阵中元素的值映射为所述车辆数据点阵中对应的数据项；映射过程为将所求得矩阵的每个元素值和位置关系以单个像素点通过8位的灰度值(0‑255)表示，先将矩阵中所有数据归一化，再乘上固定值255即得原矩阵在0‑255范围内得取值分布，即车辆数据点阵的值由对阵矩阵按公式转换得到；将每个时间窗口内的网络流特征向量集转换为适用于生成对抗网络训练的车辆数据点阵。

5.一种车云架构的车辆，其特征在于，所述车云架构的车辆搭载有权利要求4所述的车辆检测数据增强训练系统，并执行权利要求1～3任意一项所述车辆检测数据增强训练方法。

6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

3任意一项所述车辆检测数据增强训练方法。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～3任意一项所述车辆检测数据增强训练方法。