CN107833311A - 一种共享单车的故障检测方法及平台 - Google Patents

一种共享单车的故障检测方法及平台 Download PDF

Info

Publication number
CN107833311A
CN107833311A CN201711128533.8A CN201711128533A CN107833311A CN 107833311 A CN107833311 A CN 107833311A CN 201711128533 A CN201711128533 A CN 201711128533A CN 107833311 A CN107833311 A CN 107833311A
Authority
CN
China
Prior art keywords
bicycle
data
malfunction
training
state
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
Application number
CN201711128533.8A
Other languages
English (en)
Inventor
张肖
殷波
李娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201711128533.8A priority Critical patent/CN107833311A/zh
Publication of CN107833311A publication Critical patent/CN107833311A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种共享单车的故障检测方法及平台，该方法包括：采集待检测单车的实时使用数据，根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态，该方法能够有效提升共享单车的维修效率，避免共享单车资源的浪费，提升用户体验。

Description

一种共享单车的故障检测方法及平台
技术领域
本发明涉及远程监控技术领域，特别涉及一种共享单车的故障检测方法及平台。
背景技术
共享单车的普及为人类生活带来巨大便利，目前，共享单车中故障状态单车的发现主要依赖用户主动报修，故障状态单车的维修则是通过共享单车运维人员的巡检完成，仅依靠人力实现故障检测和维修大大降低了共享单车的维修效率，进而造成共享单车资源的极大浪费，影响了用户体验。
发明内容
本发明提供一种共享单车的故障检测方法及平台，能够有效提升共享单车的维修效率，避免共享单车资源的浪费，提升用户体验。
为实现上述目的，本发明提供了一种共享单车的故障检测方法，包括：
采集待检测单车的实时使用数据；
根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
可选地，在所述根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态之后还包括：
若判断出所述待检测单车的状态为故障状态时，向故障报修模块发送所述待检测单车的标识和位置信息。
可选地，采集多个单车在设定时间段内的使用数据；
获取预先存储的多个故障状态单车的使用数据；
将所述多个单车的使用数据与多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据；
根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
可选地，所述使用数据包括平均使用时长和平均使用距离。
可选地，所述根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型包括：
根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据；
根据所述训练数据集及基本检测模型生成训练后检测模型；
根据所述训练后检测模型对所述测试数据集进行检测生成检测结果；
根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型。
可选地，所述根据所述训练数据集及基本检测模型生成训练后检测模型包括：
根据所述训练数据集寻找最优超平面ω·X+b＝0，其中，ω∈Rd表示超平面的法向量，Rd表示d维的实数空间，X表示该超平面，b∈R，表示超平面参数，R表示实数集，所述训练数据集包括故障状态单车使用数据和非故障状态单车使用数据，所述最优超平面将故障状态单车使用数据和非故障状态单车使用数据分别赋予不同的惩罚系数C1和C2；
根据所述最优超平面和基本SVM模型计算得出最优分类决策函数
所述基本SVM模型选择径向基RBF核函数，所述最优分类决策函数即为训练后检测模型，其中，f(X)表示最优分类决策函数，ai *表示拉格朗日乘子的最优解，yi表示训练数据集中第i个单车使用数据对应的单车状态标志，K(Xi,X)表示径向基RBF核函数，Xi,i＝1...n表示训练数据集中的第i个单车使用数据，i＝1,2,...n，b*表示超平面参数的最优解。
为实现上述目的，本发明提供了一种共享单车的故障检测平台，包括：
采集模块，用于采集待检测单车的实时使用数据；
判断模块，用于根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
可选地，还包括：
发送模块，用于若判断出所述待检测单车的状态为故障状态时，向故障报修模块发送所述待检测单车的标识和位置信息；
故障报修模块，用于接收所述待检测单车的标识和位置信息。
可选地，还包括获取模块、存储模块和生成模块；
所述采集模块还用于采集多个单车在设定时间段内的使用数据；
所述获取模块，用于获取预先存储的多个故障状态单车的使用数据；
所述存储模块，用于预先存储多个故障状态单车的使用数据；
所述生成模块，用于将所述多个单车的使用数据与多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据，根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
可选地，所述生成模块还用于根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据，根据所述训练数据集及基本检测模型生成训练后检测模型，根据所述训练后检测模型对所述测试数据集进行检测生成检测结果；
所述判断模块还用于根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型。
本发明具有以下有益效果：
本发明提供的共享单车的故障检测方法，采集待检测单车的实时使用数据，根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态，该方法能够有效提升共享单车的维修效率，避免共享单车资源的浪费，提升用户体验。
附图说明
图1是本发明实施例一提供的一种共享单车的故障检测方法的流程示意图；
图2是本发明实施例二提供的一种共享单车的故障检测方法的流程示意图；
图3是本发明实施例三提供的一种共享单车的故障检测平台的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的一种共享单车的故障检测方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤101、采集待检测单车的实时使用数据。
步骤102、根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
本实施例提供的共享单车的故障检测方法，采集待检测单车的实时使用数据后，再根据该待检测单车的实时使用数据和预先生成的检测模型判断该待检测单车的状态是否为故障状态，能够有效提高共享单车的维修效率，避免共享单车资源的浪费，同时提升了用户的用户体验。
实施例二
图2是本发明实施例二提供的一种共享单车的故障检测方法的流程示意图，如图2所示，该方法包括以下步骤：
步骤201、采集多个单车在设定时间段内的使用数据。
优选地，本实施例中的各步骤可以由共享单车的故障检测平台执行。
优选地，设定时间段为用车高峰期，在单车的用车高峰期内采集多个单车的使用数据，多个单车为随机选取的单车，单车包括故障状态单车或非故障状态单车，优选地，用车高峰期为早7:00-晚21:00。使用数据包括每小时内单车的平均使用时长和平均使用距离，进一步地，使用数据还包括单车的标识。
步骤202、获取预先存储的多个故障状态单车的使用数据。
共享单车的故障检测平台包括事件数据库，事件数据库中预先存储有多个故障状态单车的使用数据。所述使用数据包括平均使用时长和平均使用距离。进一步地，使用数据还包括故障状态单车的标识。
步骤201与步骤202的执行顺序可根据需要进行变更，例如，步骤202可在步骤210之前执行或者步骤201和步骤202可同时执行。
步骤203、将所述多个单车的使用数据和多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据。
对单车的使用数据与故障状态单车的使用数据进行比对，根据故障状态单车的使用数据比对得出多个单车的状态。具体地，将单车的使用数据与故障状态单车的使用数据进行比对，将与故障状态单车的使用数据中状态相同的单车的使用数据确定为故障状态单车的使用数据，则单车的使用数据中剩余的数据为非故障状态单车的使用数据，从而能够判断出多个单车中状态为故障状态的单车，则多个单车中剩余单车的状态即为非故障状态。单车的状态包括故障状态和非故障状态，多个单车的使用数据包括故障状态单车使用数据和非故障状态单车使用数据，进而根据单车的状态对多个单车的使用数据和多个故障状态单车的使用数据分组生成故障状态单车使用数据组和非故障状态单车使用数据组。
步骤204、根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
具体地，步骤204包括以下步骤：
步骤2041、根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据。
首先将故障状态单车使用数据组随机分为两部分，将非故障状态单车使用数据组随机分为两部分，再生成不同的训练数据集和测试数据集，其中，训练数据集包括故障状态单车使用数据组的一部分和非故障状态单车使用数据组的一部分，测试数据组包括故障状态单车使用数据组的另一部分和非故障状态单车使用数据组的另一部分。
训练数据集或测试数据集中的使用数据可以如下表一所示：
表一
如表一所示，状态标志用于表示对应单车的状态，当状态标志为﹣1时，表示单车为非故障状态，当状态标志为1时，表示单车为故障状态。本实施例中单车的使用数据包括早7:00-晚21:00时间段内，每小时内单车的平均使用时长和平均使用距离，如单车标识为编码1的单车，在7:01-8:00这一小时内的平均使用时长为1分钟，平均使用距离为2公里，在10:01-11:00这一小时内的平均使用时长为2分钟，平均使用距离为0，在21:01-22:00这一小时内的平均使用时长为0，平均使用距离为0，最终判断出该编码1的单车当前状态为故障状态。
步骤2042、根据所述训练数据集及基本检测模型生成训练后检测模型。
具体地，本实施例中的基本检测模型采用SVM事件检测模型，简称为SVM模型，本实施例中所述的SVM模型选择径向基RBF核函数。
训练数据集包括n个训练样本，n个训练样本包括故障训练样本和非故障训练样本，故障训练样本包括故障状态单车使用数据，非故障训练样本包括非故障状态单车使用数据。每个训练样本还包括状态标志，状态标志用于表示该训练样本的实际状态，本实施例中该训练样本的实际状态即为单车的实际状态。
训练数据集可以表示为T＝{(X1,y1),(X2,y2)...，(Xn,yn)}，鉴于非线性映射函数Φ(X)可以将输入的数据映射到高维属性空间，首先利用非线性映射函数Φ(X)将训练数据集T转化成S＝{Φ(X1),y1),Φ(X2),y2)，...Φ(Xn),yn)}，其中，Xi,i＝1...n为SVM模型的输入向量，本实施例中表示训练数据集中训练样本中的单车使用数据，yn为状态标志，yn＝1表示故障状态，yn＝-1表示非故障状态。
其次，建立基本的SVM模型，为训练数据集中的故障训练样本和非故障训练样本分别赋予不同的惩罚系数C1和C2，再利用训练数据集对SVM模型进行训练寻找一个超平面，该超平面的描述公式为：
ω·X+b＝0 (1)
其中，ω∈Rd表示超平面的法向量，b∈R，表示超平面参数，R表示实数集，Rd表示d维的实数空间，X表示该超平面。此时，采用SVM模型对训练数据集中的故障训练样本和非故障训练样本两类训练样本进行判别时，两类训练样本完全分开。
鉴于在实际情况中，故障训练样本的数量远小于非故障训练样本的数量，本实施例为训练数据集中的故障训练样本和非故障训练样本分别赋予不同的惩罚系数C1和C2，可以有效避免故障训练样本和非故障训练样本的数量不一致时引起的计算误差。
对于训练数据集中的任意一个训练样本应满足(2)的条件：
yi(ω·Φ(Xi)+b)≥1-ξi (2)
其中，yi表示第i个训练数据集中训练样本的状态标志，Φ(Xi)表示转换后的输入向量，ξi≥0，表示第i个训练数据集中训练样本(Φ(Xi),yi)的松弛变量，i＝1,2，…n。
根据结构风险最小化原则，再将超平面的问题转化为式(2)所示的优化问题，具体地，
假设全部非故障训练样本组成的非故障训练样本集为全部故障样本组成的故障样本集为且q＞＞N-q，则：
其中，式(3)中所示的惩罚系数C1和C2的取值依靠经验或者穷举式搜索方法获取。
使用拉格朗日乘子法将式(3)转换为式(4)：
其中，ai为拉格朗日乘子，且ai≥0。
利用径向基RBF核函数K(Xi,Xj)＝exp(-γ||Xi-Xi||2)，将上式(4)转换为式(5)：
从式(5)得到最优解其中，将拉格朗日乘子ai大于0的训练样本称为支持向量，ω表示为:
将式(6)代入(1)中，求得另外一个参数b的最优解为b*。
再通过式(7)
求解得出
其中，Φ(Xp)和Φ(Xq)是训练样本集中任意一对非故障样本和故障样本的支持向量，bp可以通过非故障样本获得，bq可以通过故障样本获得。
综上，最后可求得最优分类决策函数为:
该最优分类决策函数(8)即为根据所述训练数据集及基本检测模型生成的训练后检测模型。其中，f(X)表示最优分类决策函数，ai *表示拉格朗日乘子的最优解，yi表示训练数据集中第i个训练数据集中训练样本的状态标志，K(Xi,X)表示径向基RBF核函数，Xi,i＝1...n表示训练数据集中的第i个训练数据中训练样本的单车使用数据，X表示超平面，i＝1,2,...n，b*表示超平面参数的最优解。
步骤2043、根据所述训练后检测模型对所述测试数据集进行检测生成检测结果。
为保证训练后检测模型的准确性，本实施例采用测试数据集对训练后检测模型进行检测，并生成检测结果。
具体地，测试数据集包括多个测试样本，每个测试样本均具有对应的状态标志，状态标志用于表示该测试样本的实际状态，也即为单车的实际状态。将测试样本中的单车使用数据输入至该训练后检测模型中，得出检测结果，该检测结果也即为训练后检测模型输出的测试样本的检测状态。
步骤2044、根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型，否则返回执行步骤2042。
比较训练后检测模型输出的测试样本的检测状态与测试样本的实际状态是否相同，若相同则表示训练后检测模型的检测结果正确，该训练后检测模型的性能良好，将该训练后检测模型作为检测模型，否则返回执行步骤2042以重新生成训练后检测模型。
步骤205、采集待检测单车的实时使用数据。
优选地，采集的待检测单车的实时使用数据包括早7:00-晚21:00内，每小时内待检测单车的平均使用时长和平均使用距离。
步骤206、根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态，若判断出所述待检测单车的状态为故障状态时，执行步骤207，否则流程结束。
将待检测单车的实时使用数据输入至检测模型后，该检测模型输出对应该待检测单车的状态标志，若输出的状态标志为1则表示待检测单车的状态为故障状态。
步骤207、向故障报修模块发送所述待检测单车的标识和位置信息。
当检测出某待检测单车的状态为故障状态后，获取该待检测单车的标识和位置信息，标识用于唯一识别单车，位置信息用于快速定位单车。向故障报修模块发送该单车的标识和位置信息，以供故障报修模块通过显示模块将该单车的标识和位置信息向维修人员显示，维修人员再根据标识和位置信息对该单车进行维修。
优选地，本实施例中所述的单车为共享单车，共享单车的运营模式为分时租赁模式。
本实施例提供的共享单车的故障检测方法，采集待检测单车的实时使用数据后，再根据该待检测单车的实时使用数据和预先生成的检测模型判断该待检测单车的状态是否为故障状态，能够有效提高共享单车的维修效率，避免共享单车资源的浪费，同时提升了用户的用户体验。
实施例三
图3是本发明实施例三提供的一种共享单车的故障检测平台的结构示意图，如图3所示，该平台包括采集模块11和判断模块12。
采集模块11用于采集待检测单车的实时使用数据；
判断模块12用于根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
进一步地，还包括发送模块13和故障报修模块14。
发送模块13用于若判断出所述待检测单车的状态为故障状态时，向故障报修模块发送所述待检测单车的标识和位置信息。
故障报修模块14用于接收所述待检测单车的标识和位置信息。
进一步地，还包括获取模块15、存储模块16和生成模块17。
采集模块11还用于采集多个单车在设定时间段内的使用数据。
获取模块15用于获取预先存储的多个故障状态单车的使用数据。
存储模块16用于预先存储多个故障状态单车的使用数据。
生成模块17用于将所述多个单车的使用数据与多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据，根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
进一步地，生成模块17还用于根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据，根据所述训练数据集及基本检测模型生成训练后检测模型，根据所述训练后检测模型对所述测试数据集进行检测生成检测结果。
判断模块12还用于根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型。
本实施例提供的共享单车的故障检测平台，采集待检测单车的实时使用数据后，再根据该待检测单车的实时使用数据和预先生成的检测模型判断该待检测单车的状态是否为故障状态，能够有效提高共享单车的维修效率，避免共享单车资源的浪费，同时提升了用户的用户体验。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种共享单车的故障检测方法，其特征在于，包括：
采集待检测单车的实时使用数据；
根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
2.根据权利要求1所述的共享单车的故障检测方法，其特征在于，在所述根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态之后还包括：
若判断出所述待检测单车的状态为故障状态时，向故障报修模块发送所述待检测单车的标识和位置信息。
3.根据权利要求1所述的共享单车的故障检测方法，其特征在于，在所述采集待检测单车的实时使用数据之前还包括：
采集多个单车在设定时间段内的使用数据；
获取预先存储的多个故障状态单车的使用数据；
将所述多个单车的使用数据与多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据；
根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
4.根据权利要求3所述的共享单车的故障检测方法，其特征在于，所述使用数据包括平均使用时长和平均使用距离。
5.根据权利要求3所述的共享单车的故障检测方法，其特征在于，所述根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型包括：
根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据；
根据所述训练数据集及基本检测模型生成训练后检测模型；
根据所述训练后检测模型对所述测试数据集进行检测生成检测结果；
根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型。
6.根据权利要求5所述的共享单车的故障检测方法，其特征在于，所述根据所述训练数据集及基本检测模型生成训练后检测模型包括：
根据所述训练数据集寻找最优超平面ω·X+b＝0，其中，ω∈Rd表示超平面的法向量，Rd表示d维的实数空间，X表示该超平面，b∈R，表示超平面参数，R表示实数集，所述训练数据集包括故障状态单车使用数据和非故障状态单车使用数据，所述最优超平面将故障状态单车使用数据和非故障状态单车使用数据分别赋予不同的惩罚系数C1和C2；
根据所述最优超平面和基本SVM模型计算得出最优分类决策函数所述基本SVM模型选择径向基RBF核函数，所述最优分类决策函数即为训练后检测模型，其中，f(X)表示最优分类决策函数，ai *表示拉格朗日乘子的最优解，yi表示训练数据集中第i个单车使用数据对应的单车状态标志，K(Xi,X)表示径向基RBF核函数，Xi,i＝1...n表示训练数据集中的第i个单车使用数据，i＝1,2,...n，b*表示超平面参数的最优解。
7.一种共享单车的故障检测平台，其特征在于，包括：
采集模块，用于采集待检测单车的实时使用数据；
判断模块，用于根据所述待检测单车的实时使用数据和预先生成的检测模型判断所述待检测单车的状态是否为故障状态。
8.根据权利要求7所述的共享单车的故障检测平台，其特征在于，还包括：
发送模块，用于若判断出所述待检测单车的状态为故障状态时，向故障报修模块发送所述待检测单车的标识和位置信息；
故障报修模块，用于接收所述待检测单车的标识和位置信息。
9.根据权利要求7所述的共享单车的故障检测平台，其特征在于，还包括获取模块、存储模块和生成模块；
所述采集模块还用于采集多个单车在设定时间段内的使用数据；
所述获取模块，用于获取预先存储的多个故障状态单车的使用数据；
所述存储模块，用于预先存储多个故障状态单车的使用数据；
所述生成模块，用于将所述多个单车的使用数据与多个故障状态单车的使用数据根据单车的状态进行分组生成故障状态单车使用数据组和非故障状态单车使用数据组，所述多个单车的使用数据包括故障状态单车的使用数据和非故障状态单车的使用数据，所述故障状态单车使用数据组包括多个故障状态单车的使用数据，所述非故障单车使用数据包括多个非故障状态单车的使用数据，根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成检测模型。
10.根据权利要求9所述的共享单车的故障检测平台，其特征在于，
所述生成模块还用于根据所述故障状态单车使用数据组和非故障状态单车使用数据组生成训练数据集和测试数据集，所述训练数据集包括故障状态单车使用数据组的一部分故障状态单车的使用数据和非故障状态单车使用数据组的一部分非故障状态单车的使用数据，所述测试数据组包括故障状态单车使用数据组的另一部分故障状态单车的使用数据和非故障状态单车使用数据组的另一部分非故障状态单车的使用数据，根据所述训练数据集及基本检测模型生成训练后检测模型，根据所述训练后检测模型对所述测试数据集进行检测生成检测结果；
所述判断模块还用于根据所述检测结果和所述测试数据集判断所述训练后检测模型的检测结果是否正确，若判断出所述训练后检测模型的检测结果正确，则所述训练后检测模型为检测模型。
CN201711128533.8A 2017-11-15 2017-11-15 一种共享单车的故障检测方法及平台 Pending CN107833311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711128533.8A CN107833311A (zh) 2017-11-15 2017-11-15 一种共享单车的故障检测方法及平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711128533.8A CN107833311A (zh) 2017-11-15 2017-11-15 一种共享单车的故障检测方法及平台

Publications (1)

Publication Number Publication Date
CN107833311A true CN107833311A (zh) 2018-03-23

Family

ID=61655430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711128533.8A Pending CN107833311A (zh) 2017-11-15 2017-11-15 一种共享单车的故障检测方法及平台

Country Status (1)

Country Link
CN (1) CN107833311A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299795A (zh) * 2018-09-19 2019-02-01 于小龙 一种基于物联网的共享单车故障报修方法及装置
CN109903550A (zh) * 2019-03-26 2019-06-18 吉林大学 校园自行车监测方法、装置及系统
CN110084481A (zh) * 2019-03-29 2019-08-02 北京摩拜科技有限公司 监控车辆状态的方法、装置及服务器
CN110189003A (zh) * 2019-05-17 2019-08-30 永安行科技股份有限公司 一种公共车辆管理方法
CN111696227A (zh) * 2019-02-27 2020-09-22 北京嘀嘀无限科技发展有限公司 一种开锁方法及装置
US10950070B2 (en) 2018-09-13 2021-03-16 International Business Machines Corporation Malfunction detection of shared vehicles

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN105572572A (zh) * 2015-12-19 2016-05-11 渤海大学 基于wknn-lssvm的模拟电路故障诊断方法
CN106482967A (zh) * 2016-10-09 2017-03-08 湖南工业大学 一种代价敏感支持向量机机车车轮检测系统及方法
CN106845653A (zh) * 2017-01-22 2017-06-13 移康智能科技（上海）股份有限公司 一种租赁单车的故障检测方法与单车租赁系统服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN105572572A (zh) * 2015-12-19 2016-05-11 渤海大学 基于wknn-lssvm的模拟电路故障诊断方法
CN106482967A (zh) * 2016-10-09 2017-03-08 湖南工业大学 一种代价敏感支持向量机机车车轮检测系统及方法
CN106845653A (zh) * 2017-01-22 2017-06-13 移康智能科技（上海）股份有限公司 一种租赁单车的故障检测方法与单车租赁系统服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
季颖生: ""基于集合卡尔曼滤波的SVM参数优化方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10950070B2 (en) 2018-09-13 2021-03-16 International Business Machines Corporation Malfunction detection of shared vehicles
CN109299795A (zh) * 2018-09-19 2019-02-01 于小龙 一种基于物联网的共享单车故障报修方法及装置
CN109299795B (zh) * 2018-09-19 2022-09-30 深圳猎吧科技有限公司 一种基于物联网的共享单车故障报修方法及装置
CN111696227A (zh) * 2019-02-27 2020-09-22 北京嘀嘀无限科技发展有限公司 一种开锁方法及装置
CN109903550A (zh) * 2019-03-26 2019-06-18 吉林大学 校园自行车监测方法、装置及系统
CN110084481A (zh) * 2019-03-29 2019-08-02 北京摩拜科技有限公司 监控车辆状态的方法、装置及服务器
CN110189003A (zh) * 2019-05-17 2019-08-30 永安行科技股份有限公司 一种公共车辆管理方法

Similar Documents

Publication Publication Date Title
CN107833311A (zh) 一种共享单车的故障检测方法及平台
CN106201871B (zh) 基于代价敏感半监督的软件缺陷预测方法
CN112859822B (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN110221965A (zh) 测试用例生成、测试方法、装置、设备及系统
CN106131158A (zh) 一种云数据中心环境下基于云租户信用度的资源调度装置
CN110309884A (zh) 基于泛在电力物联网体系的用电数据异常识别系统
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN109670653A (zh) 一种基于工业模型预测引擎进行预测的方法及装置
CN103886030B (zh) 基于代价敏感决策树的信息物理融合系统数据分类方法
CN113286315B (zh) 负载均衡判断方法、装置、设备及存储介质
CN108255706A (zh) 自动化测试脚本的编辑方法、装置、终端设备及存储介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN111652280A (zh) 基于行为的目标物数据分析方法、装置及存储介质
CN110059913A (zh) 一种计及未来态的停电计划的量化评估方法
CN107391370A (zh) 一种基于数据过采样和集成学习的软件缺陷数目预测方法
CN105956798A (zh) 一种基于稀疏随机森林的配网设备运行状态评估方法
CN107679089A (zh) 一种用于电力传感数据的清洗方法、装置和系统
CN115619005A (zh) 一种智能用电网络资源优化配置方法及系统
CN107391365A (zh) 一种面向软件缺陷预测的混合特征选择方法
CN109740567A (zh) 关键点定位模型训练方法、定位方法、装置及设备
CN104077524B (zh) 用于病毒鉴定的训练方法和病毒鉴定方法及装置
CN114066438A (zh) 基于模型的监控数据展示方法、装置、设备和存储介质
CN208224474U (zh) 用电计量设备故障监控装置
CN117574238A (zh) 基于多门控专家网络的高频电器识别模型构建方法及系统
Rui et al. Context-based intelligent scheduling and knowledge push algorithms for ar-assist communication network maintenance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323

RJ01 Rejection of invention patent application after publication