CN105354638A - 一种汽车维修保养费用预测方法及系统 - Google Patents
一种汽车维修保养费用预测方法及系统 Download PDFInfo
- Publication number
- CN105354638A CN105354638A CN201510737204.8A CN201510737204A CN105354638A CN 105354638 A CN105354638 A CN 105354638A CN 201510737204 A CN201510737204 A CN 201510737204A CN 105354638 A CN105354638 A CN 105354638A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automobile
- condition
- measured
- maintenance expense
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种汽车维修保养费用预测方法和系统，包括：获取待测汽车的型号；根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。本发明能够对汽车的维修保养费用进行准确预测。
Description
技术领域
本发明涉及汽车养护维修，尤其涉及一种汽车维修保养费用预测方法及系统。
背景技术
车队(比如客运、货运、物流、公务等)的正常运营对国民经济发展有着非常重要的稳定和促进作用，而车队的养护维修费用是车队花费中非常重要的一项。如果车队管理者能够准确地预测未来一段时间(比如下个月、下个季度、下一年等)的养护维修费用，那么车队的财务规划就会更加合理，车队的运营也会更加平稳。目前市场上已经有各种软件或APP可以对车队的历史养护维修费用做分析报告，但是均没有针对养护维修费用的预测。
发明内容
本发明所要解决的技术问题是提供一种汽车维修保养费用预测方法及系统，能够对汽车的维修保养费用进行准确预测。
本发明解决上述技术问题的技术方案如下：一种汽车维修保养费用预测方法，包括以下步骤：
S1，获取待测汽车的型号；
S2，根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；
S3，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
S4，将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。
本发明的有益效果是：根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车，并分别以上路历史和里程数为搜索条件在数据库中再次搜索相关车辆，根据这些相关车辆的维修保养费用分别计算待测汽车基于车辆年龄和里程的维修保养费用，最后将基于车辆年龄和里程的维修保养费用进行融合，得到待预测车辆在未来n个月内所需要的维修保养费用。
在上述技术方案的基础上，本发明还可以做如下改进:
进一步，所述步骤S1还包括：获取待测汽车的制造年份；
所述步骤S2还包括：根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则执行S3。
采用上述进一步方案的有益效果是:通过制造年份对搜索结果进行限定，使得在数据库中搜索到的车辆与待测车辆的相似度增大，从而提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
进一步，所述重新制定搜索条件指：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件。
进一步，所述步骤S3中根据符合第一条件的车辆计算待测汽车基于车辆年龄的维修保养费用X具体为：获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；
所述步骤S3中根据符合第二条件的车辆计算待测汽车基于车辆里程的维修保养费用Y具体为：
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车的基于里程的维修保养费用Yj取加权平均值，得到Y。
采用上述进一步方案的有益效果是:通过对多个与待测车辆相似的车辆计算基于车辆年龄和里程的维修保养费用，再将多个基于车辆年龄和里程的维修保养费用分别取加权平均值，从而提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
进一步，所述步骤S5具体为：
取X和Y的平均值或加权平均值，作为所述待预测车辆在未来n个月内所需要的维修保养费用。
采用上述进一步方案的有益效果是:通过对待测车辆从两方面进行综合预测，能够提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
本发明解决上述技术问题的另一种技术方案如下:一种汽车维修保养费用预测系统，包括：
获取模块，用于获取待测汽车的型号；
第一搜索模块，用于根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；
第二搜索模块，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
融合模块，用于将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。
本发明的有益效果是:通过第一搜索模块在数据库中搜索与待测汽车型号相同的汽车，并通过第二搜索模块以上路历史和里程数为搜索条件在数据库中再次搜索相关车辆，根据这些相关车辆的维修保养费用分别计算待测汽车基于车辆年龄和里程的维修保养费用，最后通过融合模块将基于车辆年龄和里程的维修保养费用进行融合，得到待预测车辆在未来n个月内所需要的维修保养费用。
在上述技术方案的基础上，本发明还可以做如下改进:
进一步，所述获取模块还用于，获取待测汽车的制造年份；
所述第一搜索模块还用于，根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则第二搜索模块进行搜索。
采用上述进一步方案的有益效果是:通过制造年份对搜索结果进行限定，使得在数据库中搜索到的车辆与待测车辆的相似度增大，从而提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
进一步，所述第一搜索模块还用于：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件。
进一步，所述第二搜索模块还用于：
获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；
和
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车基于里程的维修保养费用Yj取加权平均值，得到Y。
采用上述进一步方案的有益效果是:通过对多个与待测车辆相似的车辆计算基于车辆年龄和里程的维修保养费用，再将多个基于车辆年龄和里程的维修保养费用分别取加权平均值，从而提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
进一步，所述融合模块还用于，取X和Y的平均值或加权平均值，作为所述待预测车辆在未来n个月内所需要的维修保养费用。
采用上述进一步方案的有益效果是:通过对待测车辆从两方面进行综合预测，能够提高待预测车辆在未来n个月内所需要的维修保养费用的预测精度。
附图说明
图1为本发明一种汽车维修保养费用预测方法的流程示意图；
图2为本发明一种汽车维修保养费用预测系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种汽车维修保养费用预测方法，包括以下步骤：
S1，获取待测汽车的型号；
所述步骤S1还包括：获取待测汽车的制造年份；
S2，根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；
所述步骤S2还包括：根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则执行S3；所述重新制定搜索条件指：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件，例如：若待测汽车为2010FordEscape，则重新制定的搜索条件为2009FordEscape和2011FordEscape，2008FordEscape和2012FordEscape，2007FordEscape和2013FordEscape，若根据制造年份搜索到的车辆数量不能满足要求，可以搜索Ford旗下其他车辆，例如：FordEdge，直到搜索到的车辆数量大于阈值t，t取值为10就可以满足要求,但是t也可以取更大的值来达到更高的预测精度。
S3，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
所述步骤S3中根据符合第一条件的车辆计算待测汽车基于车辆年龄的维修保养费用X具体为：
获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；加权平均中使用的权值系数由搜到的符合第一条件的车辆跟待测车辆的相似度来确定，相似度越大则权值越大，权值计算公式为：权值＝1-0.2*(待测车辆制造年份-符合第一条件的车辆的制造年份)；例如：若待测汽车为2010FordEscape，则所有2010FordEscape的车辆的权值为1，所有的2009FordEscape的车辆的权值为0.8，所有的2008FordEscape车辆的权值为0.6；
所述步骤S3中根据符合第二条件的车辆计算待测汽车基于车辆里程的维修保养费用Y具体为：
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车的基于里程的维修保养费用Yj取加权平均值，得到Y；在计算X和计算Y时涉及到的加权平均所使用的权值系数由搜到的符合第二条件的车辆跟待测车辆的相似度来确定，相似度越大则权值越大，权值计算公式为：权值＝1-0.2*(待测车辆制造年份-符合第二条件的车辆的制造年份)；例如：若待测汽车为2010FordEscape，则所有2010FordEscape的车辆的权值为1，所有的2009FordEscape的车辆的权值为0.8，所有的2008FordEscape车辆的权值为0.6；
S4，将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。步骤S4中涉及到的融合包括取平均值或加权平均值，步骤S4中取加权平均值时涉及到的权重系数的取值由分别满足第一搜索条件和第二搜索条件的车辆数目与同时满足第一搜索条件和第二搜索条件的车辆总数的比例来计算,比如满足第一搜索条件的车有15辆,满足第二搜索条件的车有10辆,那么X的权重是15/(15+10),Y的权重是10/(15+10)，另外，步骤S4中取加权平均值时涉及到的权重系数也可以通过训练数据和机器学习来优化权重值。
如图2所示，一种汽车维修保养费用预测系统，包括：
获取模块，用于获取待测汽车的型号和制造年份；
第一搜索模块，用于根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；以及还用于，根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则第二搜索模块进行搜索；所述第一搜索模块还用于：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件。
第二搜索模块，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
所述第二搜索模块还用于：
获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；
和
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车基于里程的维修保养费用Yj取加权平均值，得到Y。
融合模块，用于将X和Y取进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用，融合指X和Y的平均值或加权平均值，作为所述待预测车辆在未来n个月内所需要的维修保养费用。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车维修保养费用预测方法，其特征在于，包括以下步骤：
S1，获取待测汽车的型号；
S2，根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；
S3，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
S4，将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。
2.根据权利要求1所述一种汽车维修保养费用预测方法，其特征在于，所述步骤S1还包括：获取待测汽车的制造年份；
所述步骤S2还包括：根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则执行S3。
3.根据权利要求2所述一种汽车维修保养费用预测方法，其特征在于，所述重新制定搜索条件指：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件。
4.根据权利要求1所述一种汽车维修保养费用预测方法，其特征在于，所述步骤S3中根据符合第一条件的车辆计算待测汽车基于车辆年龄的维修保养费用X具体为：
获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；
所述步骤S3中根据符合第二条件的车辆计算待测汽车基于车辆里程的维修保养费用Y具体为：
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车的基于里程的维修保养费用Yj取加权平均值，得到Y。
5.根据权利要求1所述一种汽车维修保养费用预测方法，其特征在于，所述步骤S4具体为：
取X和Y的平均值或加权平均值，作为所述待预测车辆在未来n个月内所需要的维修保养费用。
6.一种汽车维修保养费用预测系统，其特征在于，包括：
获取模块，用于获取待测汽车的型号；
第一搜索模块，用于根据待测汽车的型号在数据库中搜索与待测汽车型号相同的汽车数据，得到第一搜索结果；
第二搜索模块，在所述第一搜索结果中分别搜索符合第一条件和第二条件的车辆，并分别根据符合第一条件和第二条件的车辆计算待测汽车基于车辆年龄的维修保养费用X和基于车辆里程的维修保养费用Y；
设需预测待测汽车在未来n个月内的维修保养费用，且所述待测汽车的上路历史为m个月，则所述第一条件指上路历史大于m+n个月的车辆；
设待测汽车目前的上路里程为L1，需预测待测汽车在里程为L1至L2所需的维修保养费用，则所述第二条件指上路里程大于L2，并在大于L2的里程点L4和小于L1的里程点L3均做过维修保养的车辆；
融合模块，用于将X和Y进行融合，得到所述待预测车辆在未来n个月内所需要的维修保养费用。
7.根据权利要求6所述一种汽车维修保养费用预测系统，其特征在于，所述获取模块还用于，获取待测汽车的制造年份；
所述第一搜索模块还用于，根据制造年份在数据库中搜索与待测汽车制造年份相同的同型号车辆，并判断搜索到的车辆数量是否达到阈值t，若未达到，则重新制定搜索条件进行搜索；若达到，则用第二搜索模块进行搜索。
8.根据权利要求7所述一种汽车维修保养费用预测系统，其特征在于，所述第一搜索模块还用于：以与所述待预测车辆制造年份最接近的制造年份或与所述待测车辆型号最接近的车辆的型号重新制定搜索条件。
9.根据权利要求6所述一种汽车维修保养费用预测系统，其特征在于，所述第二搜索模块还用于：
获取每一辆符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi，i为所述符合第一条件的车辆的编号；
对所有符合第一条件的车辆在第m+1个月至第m+n个月的维修保养费用总和xi取加权平均值，得到X；
和
获取每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj；
根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算待测汽车基于里程的维修保养费用：Yj＝yj*(L2-L1)/(L4-L3)；
对根据每一辆符合第二条件的车辆在里程点L3和L4的维修保养费用和yj计算得到的待测汽车基于里程的维修保养费用Yj取加权平均值，得到Y。
10.根据权利要求6所述一种汽车维修保养费用预测系统，其特征在于，所述融合模块还用于，取X和Y的平均值或加权平均值，作为所述待预测车辆在未来n个月内所需要的维修保养费用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510737204.8A CN105354638A (zh) | 2015-11-03 | 2015-11-03 | 一种汽车维修保养费用预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510737204.8A CN105354638A (zh) | 2015-11-03 | 2015-11-03 | 一种汽车维修保养费用预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105354638A true CN105354638A (zh) | 2016-02-24 |
Family
ID=55330605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510737204.8A Pending CN105354638A (zh) | 2015-11-03 | 2015-11-03 | 一种汽车维修保养费用预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105354638A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056223A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的平台 |
| CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
| CN106204793A (zh) * | 2016-06-30 | 2016-12-07 | 大连楼兰科技股份有限公司 | 车辆保养预估方法 |
| CN107145968A (zh) * | 2017-04-13 | 2017-09-08 | 河海大学常州校区 | 基于bp神经网络的光伏设备生命周期费用预测方法及系统 |
| CN107527103A (zh) * | 2016-06-21 | 2017-12-29 | 艾玛迪斯简易股份公司 | 用于挖掘搜索查询日志的数据仓库 |
| CN108665075A (zh) * | 2018-03-14 | 2018-10-16 | 斑马网络技术有限公司 | 汽车养护系统及其养护方法 |
| CN110472751A (zh) * | 2019-07-23 | 2019-11-19 | 上海易点时空网络有限公司 | 处理数据的方法以及装置 |
| CN110866770A (zh) * | 2018-08-28 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 车辆保养方案的预测方法和预测系统 |
| CN112183784A (zh) * | 2020-10-19 | 2021-01-05 | 邦邦汽车销售服务(北京)有限公司 | 一种工时信息的同步方法、装置及电子设备 |
| CN112508274A (zh) * | 2020-12-03 | 2021-03-16 | 北京交通大学 | 一种基于统计规律的列车运行里程预测方法、系统及介质 |
| US11995616B2 (en) | 2020-10-09 | 2024-05-28 | ANI Technologies Private Limited | Asset health management for vehicles |
| CN112508274B (zh) * | 2020-12-03 | 2024-07-02 | 北京交通大学 | 一种基于统计规律的列车运行里程预测方法、系统及介质 |
-
2015
- 2015-11-03 CN CN201510737204.8A patent/CN105354638A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
| CN106056223A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的平台 |
| CN107527103A (zh) * | 2016-06-21 | 2017-12-29 | 艾玛迪斯简易股份公司 | 用于挖掘搜索查询日志的数据仓库 |
| CN107527103B (zh) * | 2016-06-21 | 2023-09-05 | 艾玛迪斯简易股份公司 | 用于挖掘搜索查询日志的数据仓库 |
| CN106204793B (zh) * | 2016-06-30 | 2019-04-05 | 大连楼兰科技股份有限公司 | 车辆保养预估方法 |
| CN106204793A (zh) * | 2016-06-30 | 2016-12-07 | 大连楼兰科技股份有限公司 | 车辆保养预估方法 |
| CN107145968A (zh) * | 2017-04-13 | 2017-09-08 | 河海大学常州校区 | 基于bp神经网络的光伏设备生命周期费用预测方法及系统 |
| CN108665075B (zh) * | 2018-03-14 | 2022-04-15 | 斑马网络技术有限公司 | 汽车养护系统及其养护方法 |
| CN108665075A (zh) * | 2018-03-14 | 2018-10-16 | 斑马网络技术有限公司 | 汽车养护系统及其养护方法 |
| CN110866770A (zh) * | 2018-08-28 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 车辆保养方案的预测方法和预测系统 |
| CN110472751A (zh) * | 2019-07-23 | 2019-11-19 | 上海易点时空网络有限公司 | 处理数据的方法以及装置 |
| US11995616B2 (en) | 2020-10-09 | 2024-05-28 | ANI Technologies Private Limited | Asset health management for vehicles |
| CN112183784A (zh) * | 2020-10-19 | 2021-01-05 | 邦邦汽车销售服务(北京)有限公司 | 一种工时信息的同步方法、装置及电子设备 |
| CN112508274A (zh) * | 2020-12-03 | 2021-03-16 | 北京交通大学 | 一种基于统计规律的列车运行里程预测方法、系统及介质 |
| CN112508274B (zh) * | 2020-12-03 | 2024-07-02 | 北京交通大学 | 一种基于统计规律的列车运行里程预测方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354638A (zh) | 一种汽车维修保养费用预测方法及系统 | |
| CN104134349B (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
| Liu et al. | Customizing driving cycles to support vehicle purchase and use decisions: Fuel economy estimation for alternative fuel vehicle users | |
| CN103310287B (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
| CN105868865A (zh) | 基于多元线性回归与比例替代法的电动汽车保有量预测方法 | |
| US20220260380A1 (en) | System and Method for Estimating and Predicting Vehicle Trip Energy Consumption | |
| Nocera et al. | Micro and Macro modelling approaches for the evaluation of the carbon impacts of transportation | |
| Wood et al. | Contribution of road grade to the energy use of modern automobiles across large datasets of real-world drive cycles | |
| Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
| CN105206040B (zh) | 一种基于ic卡数据的公交串车预测方法 | |
| CN104599002A (zh) | 预测订单价值的方法及设备 | |
| CN106940930B (zh) | 高速公路行程时间预测系统和预测方法 | |
| CN109978025A (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
| CN104077483A (zh) | 城轨车辆部件故障模式和故障原因综合影响度的确定方法 | |
| Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
| KR101932695B1 (ko) | 공간 빅 데이터 분석 기반의 연료 소모량 추정 시스템 | |
| Wang et al. | A C-DBSCAN algorithm for determining bus-stop locations based on taxi GPS data | |
| Park et al. | Development of complexity index and predictions of accident risks for mixed autonomous driving levels | |
| Manepalli et al. | Crash prediction: evaluation of empirical Bayes and kriging Methods | |
| CN111915184A (zh) | 汽车行业零件质量早期预警方法及存储介质 | |
| CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
| CN110119891A (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
| CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 | |
| CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
| Ma et al. | A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160224 |
|
| RJ01 | Rejection of invention patent application after publication |