CN108091129A - 车辆故障处理方法、服务器、检测设备及车辆系统 - Google Patents
车辆故障处理方法、服务器、检测设备及车辆系统 Download PDFInfo
- Publication number
- CN108091129A CN108091129A CN201810032343.4A CN201810032343A CN108091129A CN 108091129 A CN108091129 A CN 108091129A CN 201810032343 A CN201810032343 A CN 201810032343A CN 108091129 A CN108091129 A CN 108091129A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- server
- fault
- vector
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明公开了一种车辆故障处理方法、服务器、检测设备及车辆系统。该方法通过服务器实施,包括:获取目标车辆的车辆状态信息,构建对应的目标车辆状态向量;根据预先构建的车辆故障模型对目标车辆状态向量进行处理,确定目标车辆的故障类别以及对应的故障处理方式。根据本发明,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。尤其适用于对批量车辆进行故障处理。
Description
技术领域
本发明涉及车辆技术领域,更具体地,涉及一种车辆故障处理方法、服务器、车辆、检测设备及车辆系统。
背景技术
互联网技术和设备制造技术的飞速发展,出现了共享车辆服务,例如共享自行车、共享助力车、共享电动车乃至共享汽车等,可以将车辆以分时或分段模式租赁给用户使用,有效利用车辆资源,为用户提供高效且低成本的服务,解决交通出行的问题。
但是,随着共享车辆的用户规模迅速增大,共享车辆出现故障的情况也随之增多。目前,在已经投放提供服务的共享车辆出现故障时,主要依赖共享车辆运营方的运营人员,根据自身的经验对车辆进行故障检测以及相关对应的故障处理,而运营人员自身业务素质参差不齐,会存在误检测、决策慢、处理慢等问题,同时,对于投放规模巨大的共享车辆而言,无疑存在人力成本较高并且处理效率较低的问题。
发明内容
本发明的一个目的是提供一种用于处理车辆故障的新技术方案。
根据本发明的第一方面,提供了一种车辆故障处理方法,其中,通过服务器实施,包括:
获取目标车辆的车辆状态信息,构建对应的目标车辆状态向量,
其中,所述车辆状态信息至少包括目标车辆的车体故障类型、车辆配件状态以及车辆通信状态;
根据预先构建的车辆故障模型对所述目标车辆状态向量进行处理,确定所述目标车辆的故障类别以及对应的故障处理方式。
可选地,该方法包括:
设置车辆的故障类别以及对应的故障处理方式;
分别根据不同的所述故障类别,从已获取的车辆历史状态数据中,选取多份车辆状态样本;
根据所有故障类别对应的车辆状态样本,构建对应的训练样本集合,
其中,所述训练样本集合中包括多个训练样本,每个所述训练样本包括对应的车辆状态样本向量化处理后得到的车辆状态向量、所述车辆状态样本对应的所述故障类别;
根据机器学习算法对所述训练样本集合进行训练,得到所述车辆故障模型。
可选地,所述根据机器学习算法对所述训练样本集合进行训练得到所述车辆故障模型的步骤包括:
从所述训练样本集合中,选取预定数目的所述训练样本作为验证样本,并将剩余的其他所述训练样本作为基础训练样本;
分别计算每个所述验证样本的车辆状态向量与每个所述基础训练样本的车辆状态向量之间的向量距离,得到每个所述验证样本的向量距离集合,
根据每个所述验证样本的向量距离集合,计算不同的向量距离阈值下的验证准确率,并选取最高的验证准确率对应的向量距离阈值作为最佳距离阈值;
根据所述最佳距离阈值、以及所述训练样本集合,得到对应的所述车辆故障模型。
可选地,据预先构建的车辆故障模型对所述目标车辆状态向量进行处理确定所述目标车辆的故障类别以及对应的故障处理方式的步骤包括:
计算所述目标车辆状态向量与每个所述训练样本的车辆状态向量之间的向量距离,得到目标向量距离集合;
统计所述目标向量距离集合中,与不同的所述故障类别对应的小于所述最佳距离阈值的向量距离的数目;
选取最多的所述向量距离的数目对应的所述故障类别,作为所述目标车辆的故障类别,并根据所述目标车辆的故障类别确定对应的故障处理方式。
可选地,所述获取目标车辆的车辆状态信息的步骤包括:
通过检测设备获取对应的目标车辆的车身故障类型,
和/或,
通过目标车辆获取对应的车辆状态信息。
根据本发明的第二方面,提供一种车辆故障处理方法,其中,通过检测设备实施,包括:
获取目标车辆的车体图像,进行向量化处理得到对应的目标图像向量;
根据所述目标图像向量,确定所述目标车辆的车体故障类型;
将所述目标车辆的车体故障类型,通过故障通知消息发送至服务器,
其中,所述故障通知消息至少包括所述目标车辆的唯一车辆标识以及所述车体故障类型。
所述获取目标车辆的车体图像的步骤包括:
根据预先设置的轨迹移动,扫描是否存在车辆唯一标识;
当扫描到车辆唯一标识时,将所述车辆唯一标识对应的车辆作为目标车辆,获取该目标车辆的车体图像。
根据本发明的第三方面,提供一种服务器,其中,至少包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述可移动检测设备,实施本发明的第一方面提供的任意一项车辆故障处理方法。
根据本发明的第四方面,提供一种检测设备,其中,至少包括:
摄像装置,用于获取图像;
通信装置,用于建立通信连接;
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述可移动检测设备,实施本发明的第二方面提供的车辆故障处理方法。
根据本发明的第五方面,提供一种车辆系统,其中,至少包括:
车辆;
如本发明的第三方面提供的服务器;
如本发明的第四方面提供的检测设备。
根据本发明的一个实施例,通过服务器基于预先构建的车辆故障模型,对获取的车辆状态信息进行处理,确定车辆的故障类别以及对应的故障处理方式,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。尤其适用于对批量车辆进行故障处理。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是显示可用于实现本发明的实施例的车辆系统的硬件配置的例子的框图。
图2示出了本发明的第一实施例的车辆故障处理方法的流程图。
图3示出了本发明的第一实施例的构建车辆故障模型步骤的流程图。
图4示出了本发明的第一实施例的对训练样本集合训练步骤的流程图。
图5示出了本发明的第一实施例的确定车辆故障类别步骤的流程图。
图6示出了本发明的第一实施例的服务器的框图。
图7示出了本发明的第二实施例的车辆故障处理方法的流程图。
图8示出了本发明的第二实施例的获取车体图像步骤的流程图。
图9示出了本发明的第二实施例的检测设备的框图。
图10示出了本发明的第三实施例的车辆系统的框图。
图11是本发明的第三实施例的车辆故障处理方法的例子的示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
如图1所示,车辆系统100包括服务器1000、客户端2000、车辆3000、网络4000。
服务器1000提供处理、数据库、通讯设施的业务点。服务器1000可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的,例如但不限于,网络服务器,新闻服务器,邮件服务器,消息服务器,广告服务器,文件服务器,应用服务器,交互服务器,数据库服务器,或代理服务器。在一些实施例中,每个服务器可以包括硬件,软件,或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如,服务器例如刀片服务器、云端服务器等,或者可以是由多台服务器组成的服务器群组,可以包括上述类型的服务器中的一种或多种等等。
在一个例子中,服务器1000可以如图1所示,包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600。尽管服务器也可以包括扬声器、麦克风等等,但是,这些部件与本发明的是合理无关,故在此省略。
其中,处理器1100例如可以是中央处理器CPU、微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、串行接口、红外接口等。通信装置1400例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1160例如可以包括触摸屏、键盘等。
在本实施例中,客户端2000是具有通信功能、业务处理功能的电子设备。客户端2000可以是移动终端,例如手机、便携式电脑、平板电脑、掌上电脑等等。在一个例子中,客户端2000是对车辆3000实施控制的应用设备,例如,安装有支持使用车辆获取出行服务的应用程序(APP)的手机。或者,客户端2000还可以支持提供车辆管理、检测服务的电子设备,例如,是可自主移动对车辆进行检测的检测设备或者是安装有提供车辆管理、检测服务的应用程序(APP)的手机。
如图1所示,客户端2000可以包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600、输出装置2700、摄像装置2800,等等。其中,处理器2100可以是中央处理器CPU、微处理器MCU等。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括USB接口、耳机接口等。通信装置2400例如能够进行有线或无线通信。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘、麦克风等。输出装置2700至少包括扬声器等。摄像装置2800可以是一个或多个摄像头,具有拍照、拍摄视频以及扫描二维码的功能。
车辆3000是任何可以分时或分地出让使用权供不同用户共享使用的车辆,例如,用于共享的共享自行车、共享助力车、共享电动车、共享车等等。车辆3000可以是自行车、三轮车、电动助力车、摩托车以及四轮乘用车等各种形态。
如图1所示,车辆3000可以包括处理器3100、存储器3200、接口装置3300、通信装置3400、输出装置3500、输入装置3600、定位装置3700、传感器3800,等等。其中,处理器3100可以是中央处理器CPU、微处理器MCU等。存储器3200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置3300例如包括USB接口、耳机接口等。通信装置3400例如能够进行有线或无线通信。输出装置3500例如是输出信号的装置,至少包括输出语音的装置如扬声器等,还可以包括显示装置例如液晶显示屏、触摸显示屏等。输入装置3600例如可以包括触摸屏、键盘等,也可以是麦克风输入语音信息。定位装置3700用于提供定位功能,例如可以是GPS定位模块、北斗定位模块等。传感器3800用于获取车辆姿态信息,例如可以是加速度计、陀螺仪、或者三轴、六轴、九轴微机电系统(MEMS)等。
网络4000可以是无线通信网络也可以是有线通信网络,可以是局域网也可以是广域网。在图1所示的物品管理系统中,车辆3000与服务器1000、客户端2000与服务器1000,可以通过网络4000进行通信。此外,车辆3000与服务器1000、客户端2000与服务器1000通信所基于的网络4000可以是同一个,也可以是不同的。
应当理解的是,尽管图1仅示出一个服务器1000、客户端2000、车辆3000,但不意味着限制对应的数目,车辆系统100中可以包含多个服务器1000、客户端2000、车辆3000。
以车辆3000为共享自行车为例,车辆系统100为共享自行车系统。服务器1000用于提供支持共享自行车使用所必需的全部功能。客户端2000可以是手机,其上安装有共享自行车应用程序,共享自行车应用程序可以帮助用户使用车辆3000获取相应的功能等等。
图1所示的车辆系统100仅是解释性的,并且决不是为了要限制本发明、其应用或用途。
应用于本发明的实施例中,尽管图1只示出一个服务器1000、一个客户端2000、一个车辆3000,但是,应当理解的是,具体应用中,可以根据实际需求使得所述车辆系统100包括多个服务器1000、多个客户端2000、多个车辆3000。
应用于本发明的实施例中:
服务器1000的所述存储器1200用于存储指令,所述指令用于控制所述处理器1100运行所述服务器1000执行本发明实施例提供的车辆故障处理法;
客户端2000的所述存储器2200用于存储指令,所述指令用于控制所述处理器2100运行客户端2000执行本发明实施例提供的车辆故障处理法。
尽管在图1中对服务器1000、客户端2000示出了多个装置,但是,本发明可以仅涉及其中的部分装置,例如,服务器1000只涉及存储器1200、处理器1100,客户端2000只涉及存储器2200、处理器2100和显示装置2500。
在上述描述中,技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
<第一实施例>
<方法>
本实施例中提供一种车辆故障处理方法,该车辆是被投放供用户以分时租赁、分地租赁等模式获取使用权的交通设备,该车辆可以是两轮或三轮自行车、助力车、电动车,也可以是四轮以上的机动车辆。
该车辆故障处理方法通过服务器实施。该服务器可以是各种实体形式。例如,服务器可以是云端服务器,或者还可以是如图1所示的服务器1000。一个例子中,服务器是支持提供车辆运营、管理、调度等服务的运营中心。
该故障处理方法,如图2所示,包括:步骤S2100-S2200。
步骤S2100,获取目标车辆的车辆状态信息,构建对应的目标车辆状态向量。
该车辆状态信息是表征对应车辆当前的状态的相关信息。该车辆状态信息至少包括目标车辆的车体故障类型、车辆配件状态以及车辆通信状态。
该车体故障类型可针对具体的车辆属性进行划分。例如,车辆是共享自行车,该车体故障类型可以包括车筐损坏、脚踏板损坏、自行车支架损坏、车轮损坏、车把损坏、车座损坏这6种车体故障的其中一种或任意组合,即车体故障类型可以包括上述6种车体故障以及任意组合供63种故障类型,加上车体无故障这一种类型,共计64中车体故障类型。
在本实施例中,可以由服务器通过检测设备获取对应的目标车辆车体故障类型。例如,检测设备可以是安装有管理车辆的应用程序的诸如手机这类客户端设备,使用该检测设备的用户例如运营人员,可以将目标车辆的车体故障类型输入检测设备发送至服务器;或者,检测设备是可自主移动的智能机器人或者无人机这类电子设备,可以拍摄目标车辆的车体图像进行处理确定车体故障类型后发送至服务器。应当理解的是,检测设备获取目标车辆的车体故障类型有可以由服务器主动触发。
该车辆配件状态是车辆内部配件当前的工作状态。例如,车辆是共享自行车时,该车辆配件状态包括车锁自检结果、车锁电量等,车锁自检结果包括车锁固件升级结果、车锁注册信息配置结果等等。
该车辆通信状态是车辆当前与外设设备例如服务器的交互通信状态。例如,车辆是共享自行车时,该车辆通信状态包括车辆与服务器之间的交互通信周期、最近的交互通信是否成功。
该车辆状态信息还可以包括对应的车辆的地址位置信息、车辆历史使用数据等。该车辆历史使用数据是车辆被使用时的相关数据,例如车辆是共享自行车时,该车辆历史数据包括对应车辆的骑行次数、每次骑行的时长、每次骑行的距离等等。
在本实施例中,服务器可以通过目标车辆获取对应的车辆状态信息。
目标车辆可以周期自动触发或者由服务器触发后,检测自身当前的车辆状态,生成自身的车辆状态信息,上报至服务器。或者,还可以通过近距离通信方式(如蓝牙通信方式),广播供检测设备获取后由检测设备发送至服务器,或者,检测设备也可以通过近距离通信方式,触发目标车辆检测自身当前的车辆状态后获取后转发至服务器。
在本实施例中,获取目标车辆的车辆状态信息后,构建对应的目标车辆状态向量。例如,假设目标车辆的车辆状态信息包括车体故障类型T、车辆配件状态S1、车辆通信状态S2,则目标车辆状态向量I=[T S1S2]。
步骤S2200,根据预先构建的车辆故障模型对目标车辆状态向量进行处理,确定目标车辆的故障类别以及对应的故障处理方式。
故障类别用于区分对应车辆的故障状态以及对应的故障程度,可以根据车辆具体属性进行设置。故障处理方式与故障类别对应,是对应的车辆处于对应的故障类别时实施故障处理的具体方案或者操作。
例如,车辆是共享自行车时,车辆的故障类别可以包括:车辆正常、车辆严重故障、车辆电量不足、车辆车锁损坏、车辆配件A损坏等等多个等级,对应地,故障处理方式分别是车辆无需维修、车辆需返厂维修、车辆需充电、车辆需更换车锁、车辆需更换配件A等等。
在本实施例中,车辆故障模型是针对车辆的故障类别构建的数学模型,基于该车辆故障模型对目标车辆状态向量进行处理,可以确定目标车辆的故障类别以及对应的故障处理方式。
在一个例子中,构建车辆故障类型的步骤可以如图3所示,包括:步骤S2010-S2040。
步骤S2010,设置车辆的故障类别以及对应的故障处理方式。
在本例中,可以针对具体应用时的车辆属性设置故障类别以及对应的故障处理方式。例如,车辆是共享自行车时,可以如上述共享自行车的故障类别以及对应的故障处理方式进行设置。
步骤S2020,分别根据不同的故障类别,从已获取的车辆历史状态数据中,选取多份车辆状态样本。
例如,车辆是共享自行车时,可以,根据实际应用需求或者应用场景针对每种车辆的故障类别,选取对应的指定数目的车辆状态样本。比如,可以针对每种车辆的故障类别分别选取100份车辆状态样本。
步骤S2030,根据所有故障类别对应的车辆状态样本,构建对应的训练样本集合。
在本例中,训练样本集合中包括多个训练样本,每个所述训练样本包括对应的车辆状态样本向量化处理后得到的车辆状态向量以及车辆状态样本对应的故障类别。
对车辆状态样本向量化处理可以同对目标车辆的车辆状态信息进行向量化处理的步骤,在此不再赘述。
例如,车辆是共享自行车时,假设车辆故障类别共有24种,每种车辆故障类别选取了100份图像样本,则训练样本集合中包括2400份训练样本,每份训练样本包括车辆状态向量以及故障类别。
步骤S2040,根据机器学习算法对训练样本集合进行训练,得到该车辆故障模型。
在本例中,该机器学习算法可以根据具体的应用常见或者应用需求选取。例如,可以是KNN(K-Nearest-Neighbor,K最近邻分类算法)、BP(Error Back Propagation)算法、SVM(Support-Vector-Machine,支持向量机)算法等。
具体地,步骤S2040可以如图4所示,包括:步骤S2041-S2044。
步骤S2041,从所训练样本集合中,选取预定数目的训练样本作为验证样本,并将剩余的其他训练样本作为基础训练样本。
该预定数目可以根据具体的应用场景或者应用需求设置。例如,车辆是共享自行车时,假设车辆故障类别共有24种,每种车辆故障类别选取了100份图像样本,则训练样本集合中包括2400份训练样本,可以针对每种车辆故障类别,在对应的100份训练样本中,选取10份训练样本作为验证样本,其余90份作为基础训练样本,即选取240份训练样本作为验证样本,剩余的训练样本作为基础训练样本。
步骤S2042,分别计算每个验证样本的车辆状态向量与每个基础训练样本的车辆状态向量之间的向量距离,得到每个验证样本的向量距离集合。
其中,该向量距离可以根据应用场景或者应用需求选取对应的距离计算方法进行计算。例如,该向量距离可以是欧式距离,假设验证样本的车辆状态向量为I1,基础训练样本的车辆状态向量为I2,两者之间的向量距离D(I1,I2)可以根据下述公式计算:
其中,p是验证样本的车辆状态向量或基础训练样本的车辆状态向量包含的向量元素数目。
步骤S2043,根据每个验证样本的向量距离集合,计算不同的向量距离阈值下的验证准确率,并选取最高的验证准确率对应的向量距离阈值作为最佳距离阈值。
具体地,计算不同的向量距离阈值的验证准确概率步骤包括:
针对每个预先选取的向量距离阈值,根据每个验证样本的向量距离集合,分别统计对应每种不同的车辆故障类别对应的小于向量距离阈值的向量距离的数目,将最多的向量距离数目对应的车辆故障类别作为针对该验证样本的验证车辆故障类别;
在得到该向量距离阈值下全部验证样本的验证车车辆故障类别后,统计验证样本的验证车辆故障类别与对应的车辆故障类别相同的比率作为验证准确率。
例如,训练样本集合中包括2400份训练样本,其中240份验证样本,剩余为基础训练样本,针对240份验证样本,分别计算每份验证样本与每份基础训练样本之间的向量距离,得到240个验证样本的向量距离集合;假设预先选取的向量距离阈值为K,对每个验证样本的向量距离集合,统计对应的小于K的向量距离的数目,其中,每个向量距离是对应的验证样本与具有特定车辆故障类别的基础训练样本计算的,因此,可以对应统计出不同的车辆故障类别下小于K的向量距离的数目,将小于K的向量距离的数目最多的车辆故障类别作为该验证样本的验证车辆故障类别;
当验证车辆故障类别与该验证样本的车辆故障类别相同时,验证正确,否则,验证错误,统计全部验证样本中验证车辆故障类别与该验证样本的车辆故障类别相同的比率,就是向量距离阈值为K时的验证正确率。
应当理解的是,该向量距离阈值可以根据应用场景或者应用需求预先设置,可以一定的向量距离阈值范围以缩小计算范围,提升效率。例如,向量距离阈值可以设置为1-20。
步骤S2044,根据最佳距离阈值、以及训练样本集合,得到对应的车辆故障模型。
在本例中,基于上述方法构建车辆故障模型后,基于该车辆故障模型,步骤S2200可以如图5所示,包括:步骤S2210-S2230。
步骤S2210,计算目标车辆状态向量与每个训练样本的车辆状态向量之间的向量距离,得到目标向量距离集合。
获取目标向量距离集合的步骤,与上述获取验证样本的向量距离集合的步骤类似,在此不再赘述。
步骤S2220,统计目标向量距离集合中,与不同的故障类别对应的小于最佳距离阈值的向量距离的数目。
统计小于最佳距离阈值的向量距离的数目,与上述计算验证样本的向量距离集合中小于预设的距离阈值的向量距离的数目的步骤类似,在此不再赘述。
步骤S2230,选取最多的向量距离的数目对应的故障类别,作为目标车辆的故障类别,并根据目标车辆的故障类别确定对应的故障处理方式。
确定目标车辆的故障类别后,根据此前的设置,可以确定对应的故障处理方式。
在服务器确定目标车辆的故障类别以及对应的故障处理方式后,可以通过短信、语音、邮件提醒、告警铃等方式发送至运营人员使用的具有车辆管理功能的客户端,触发运营人员去实施与故障处理方式相关的实际操作,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。
<服务器>
在本实施例中,还提供一种服务器200,用于实施车辆故障处理,如图6所示,包括:
存储器210,用于存储可执行的指令;
处理器220,用于根据指令的控制运行服务器200执行本实施例中提供的任意一项所述的车辆故障处理方法。
在本实施例中,服务器200可以具体各种实体形式。例如,服务器200可以是云端服务器。服务器200还可以是如图1所示的服务器1000。
本领域技术人员应当明白,可以通过各种方式来实现服务器200。例如,可以通过指令配置处理器来实现服务器200。例如,可以将指令存储在ROM中,并且当启动设备时,将指令从ROM读取到可编程器件中来实现服务器200。例如,可以将服务器200固化到专用器件(例如ASIC)中。可以将服务器200分成相互独立的单元,或者可以将它们合并在一起实现。服务器200可以通过上述各种实现方式中的一种来实现,或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
以上已经结合附图描述了本发明的第一实施例,根据本实施例,提供一种车辆故障处理方法以及服务器,通过服务器基于预先构建的车辆故障模型,对获取的车辆状态信息进行处理,确定车辆的故障类别以及对应的故障处理方式,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。尤其适用于对批量车辆进行故障处理。
<第二实施例>
<方法>
在本实施例中,提供一种车辆检测方法,该车辆是被投放供用户以分时租赁、分地租赁等模式获取使用权的交通设备,该车辆可以是两轮或三轮自行车、助力车、电动车,也可以是四轮以上的机动车辆。
该车辆检测方法通过检测设备实施。该检测设备是任何可以实施车辆检测的电子设备。在一个例子中,该检测设备可以是如图1所示的客户端2000。在另一个例子中,该检测设备是可自主移动的具有检测车辆功能的电子设备,例如智能机器人或无人机。
该车辆故障处理方法,如图7所示,包括步骤S3100-S3300。
步骤S3100,获取目标车辆的车体图像,进行向量化处理得到对应的目标图像向量。
目标车辆的车体图像是能反映目标车辆的车体状态的图像。该车体图像可以是图片、视频、动画等。此外,该车体图像可以是一组图像数据,包括多份图像。
在本实施例中,可以根据不同的图像模式对该车体图像进行向量化处理,得到对应的目标图像向量。例如,图像模式是RGB模式,对所述车体图像中包括的每个像素单元,可以获取在RGB颜色空间内的对应的颜色取值,基于每个像素单元的颜色取值,得到对应的目标图像向量。
在本实施例中,目标车辆的车体图像可以由检测设备获取,例如,可以通过检测设备本身配置的摄像装置拍摄获取。
在实际应用中,在车辆被投放使用后,通常会在大量车辆同时需要故障检测的情况,例如,在车辆在日常运营后被收入仓库中进行常规检测时,或者在指定地点停放有大量车辆时,在此种情况下,本实施例中检测设备是可移动的,通过可移动的检测设备,可以自适应地获取大量车辆的车体图像,以完成大量车辆的故障检测,进一步提高故障处理的效率。
因此,在一个例子中,本实施例中提供的车辆故障处理方法,获取目标车辆的车体图像的步骤S3100,如图8所示,包括:步骤S3110、S3120。
步骤S3110,根据预先设置的路径移动,扫描是否存在车辆唯一标识。
在本例中,该预先设置的路径可以唯一的,也可以是预先设置多条路径,由检测设备可以预设的路径选择规则选择其要移动的一条最优路径。
检测设备在根据预设的路径移动时,可以通过扫描是否存在车辆唯一标识来判断移动路径中是否存在需要检测故障的车辆。该车辆唯一标识是唯一标识车辆的标识。应当理解的是,不同车辆的车辆唯一标识不同,但是该车辆唯一标识可以是具有相同长度、或者相同类型的相同标识格式的标识,例如,车辆唯一标识是基于一定规则编码的二维码图像。当检测设备扫描识别到存在指定标识格式的车辆唯一标识时,就能确定移动路径中存在需要检测故障的车辆。
在本例中,检测设备可以是任何可自主移动的电子设备,例如,智能机器人、无人机等。
步骤S3120,当扫描到车辆唯一标识时,将该车辆唯一标识对应的车辆作为目标车辆,获取该目标车辆的车体图像。
通过将扫描到车辆唯一标识确定对应的目标车辆,触发获取车体图像,结合后续步骤根据车体图像检测车辆故障,可以实现检测设备自主完成大量车辆的故障检测,进一步提高故障处理的效率。
步骤S3200,根据目标图像向量,确定目标车辆的车体故障类型。
在本实施例中,可以预先采样多份车体图像样本,基于机器学习算法对车体图像样本进行训练,构建对应的车体故障模型。基于该车体故障模型对目标图像向量处理,确定目标车辆的车体故障类型。
该机器学习算法可以根据具体的应用常见或者应用需求选取。例如,可以是KNN(K-Nearest-Neighbor,K最近邻分类算法)、BP(Error Back Propagation)算法、SVM(Support-Vector-Machine,支持向量机)算法等。
车体故障类型可以根据具体应用的车辆属性设置,设置车体故障类型的例子在第一实施例中已经描述,在此不再赘述。
步骤S3300,将目标车辆的车体故障类型,通过故障通知消息发送至服务器。
该故障通知消息至少包括所述目标车辆的唯一车辆标识以及车体故障类型。
通过将目标车辆的车体故障类型发送至服务器,可以触发服务器根据目标车辆的车体故障类型,实施如第一实施例中的车辆故障处理方法,提升处理效率。
<检测设备>
在本实施例中,还提供一种检测设备300,如图9所示,至少包括摄像装置310、通信装置320、存储器330以及处理器340。
检测设备300,至少包括:
摄像装置310,用于获取图像;
通信装置320,用于建立通信连接;
存储器330,用于存储可执行的指令;
处理器340,用于根据可执行的指令的控制,运行检测设备300,实施本实施例中提供的任意一项所述车辆故障处理方法。
本领域技术人员应当明白,可以通过各种方式来实现检测设备300。例如,可以通过指令配置处理器来实现检测设备300。例如,可以将指令存储在ROM中,并且当启动设备时,将指令从ROM读取到可编程器件中来实现检测设备300。例如,可以将检测设备300固化到专用器件(例如ASIC)中。可以将检测设备300分成相互独立的单元,或者可以将它们合并在一起实现。检测设备300可以通过上述各种实现方式中的一种来实现,或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在一个例子中,该检测设备300是可移动的电子设备,例如,智能机器人或者无人机。该检测设备300还可以包括其他部件,例如,如图1所示的客户端2000。
以上已经结合附图描述了本发明的第二实施例,根据本实施例,提供一种车辆故障处理方法以及检测设备,通过对获取目标车辆的车体图像进行处理,确定目标车辆的车体故障类型后通知服务器,以触发服务器实施对应的故障处理,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。尤其适用于对批量车辆进行故障处理。
<第三实施例>
在本实施例中,提供一种车辆系统400,如图10所示,包括:
车辆410;
第一实施例提供的服务器200;
以及第二实施例提供的检测设备300。
该车辆410,是被投放供用户以分时租赁、分地租赁等模式获取使用权的交通设备,该车辆可以是两轮或三轮自行车、助力车、电动车,也可以是四轮以上的机动车辆。
在本实施例中,车辆系统400还可以包括客户端设备,该客户端设备可以是提供车辆使用服务或者车辆使用服务的电子设备,例如,安装有提供车辆使用服务或者车辆使用服务的应用程序的手机。
以下将结合图11进一步举例说明本实施例中车辆系统400实施的车辆故障处理方法。在本例中,车辆系统400包括车辆410、服务器200、检测设备300以及客户端420;车辆410是共享自行车,检测设备300是智能机器人,客户端420是安装有提供车辆管理服务的应用程序的手机,被运营人员使用。
该方法如图11所示,包括步骤S401-S406。
步骤S401,服务器200构建车辆故障模型。
构建车辆故障模型的步骤在第一实施例中已经详细描述,在此不再赘述。
步骤S402,检测设备300获取目标车辆410的车体故障类型,发送至服务器200。
获取车体故障类型的步骤在第二实施例中已经详细描述,在此不再赘述。
步骤S403,目标车辆410检测自身的车辆状态,将包括车辆配件状态、车辆通信状态的车辆状态信息发送至服务器200。
步骤S404,服务器200构建目标车辆410的目标车辆状态向量。
步骤S405,服务器200根据车辆故障模型对目标车辆状态向量进行处理,确定目标车辆410的车辆故障类别以及对应的故障处理方式。
确定目标车辆的车辆故障类别以及对应的故障处理方式的步骤在第一实施例中已经详细描述,在此不再赘述。
步骤S406,服务器200向客户端420发送故障处理通知,触发运营人员实施对应的故障处理操作。
以上已经结合附图描述了本发明的第三实施例,根据本实施例,提供一种车辆系统,包括车辆、检测设备及服务器,服务器从目标车辆及检测设备获取目标车辆的车辆状态信息,基于预先构建的车辆故障模型,对获取的车辆状态信息进行处理,确定车辆的故障类别以及对应的故障处理方式,实现无需依赖人工实施故障判断以及故障处理决策,节省故障处理时间,降低故障处理的人力成本,提升故障处理效率。尤其适用于对批量车辆进行故障处理。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种车辆故障处理方法,其中,通过服务器实施,包括:
获取目标车辆的车辆状态信息,构建对应的目标车辆状态向量,
其中,所述车辆状态信息至少包括目标车辆的车体故障类型、车辆配件状态以及车辆通信状态;
根据预先构建的车辆故障模型对所述目标车辆状态向量进行处理,确定所述目标车辆的故障类别以及对应的故障处理方式。
2.根据所述权利要求1所述的方法,其中,包括:
设置车辆的故障类别以及对应的故障处理方式;
分别根据不同的所述故障类别,从已获取的车辆历史状态数据中,选取多份车辆状态样本;
根据所有故障类别对应的车辆状态样本,构建对应的训练样本集合,
其中,所述训练样本集合中包括多个训练样本,每个所述训练样本包括对应的车辆状态样本向量化处理后得到的车辆状态向量、所述车辆状态样本对应的所述故障类别;
根据机器学习算法对所述训练样本集合进行训练,得到所述车辆故障模型。
3.根据权利要求2所述的方法,其中,所述根据机器学习算法对所述训练样本集合进行训练得到所述车辆故障模型的步骤包括:
从所述训练样本集合中,选取预定数目的所述训练样本作为验证样本,并将剩余的其他所述训练样本作为基础训练样本;
分别计算每个所述验证样本的车辆状态向量与每个所述基础训练样本的车辆状态向量之间的向量距离,得到每个所述验证样本的向量距离集合,
根据每个所述验证样本的向量距离集合,计算不同的向量距离阈值下的验证准确率,并选取最高的验证准确率对应的向量距离阈值作为最佳距离阈值;
根据所述最佳距离阈值、以及所述训练样本集合,得到对应的所述车辆故障模型。
4.根据权利要求3所述的方法,其中,根据预先构建的车辆故障模型对所述目标车辆状态向量进行处理确定所述目标车辆的故障类别以及对应的故障处理方式的步骤包括:
计算所述目标车辆状态向量与每个所述训练样本的车辆状态向量之间的向量距离,得到目标向量距离集合;
统计所述目标向量距离集合中,与不同的所述故障类别对应的小于所述最佳距离阈值的向量距离的数目;
选取最多的所述向量距离的数目对应的所述故障类别,作为所述目标车辆的故障类别,并根据所述目标车辆的故障类别确定对应的故障处理方式。
5.根据权利要求1所述的方法,其中,所述获取目标车辆的车辆状态信息的步骤包括:
通过检测设备获取对应的目标车辆的车身故障类型,
和/或,
通过目标车辆获取对应的车辆状态信息。
6.一种车辆故障处理方法,其中,通过检测设备实施,包括:
获取目标车辆的车体图像,进行向量化处理得到对应的目标图像向量;
根据所述目标图像向量,确定所述目标车辆的车体故障类型;
将所述目标车辆的车体故障类型,通过故障通知消息发送至服务器,
其中,所述故障通知消息至少包括所述目标车辆的唯一车辆标识以及所述车体故障类型。
7.根据权利要求6所述的方法,其特征在于,所述获取目标车辆的车体图像的步骤包括:
根据预先设置的轨迹移动,扫描是否存在车辆唯一标识;
当扫描到车辆唯一标识时,将所述车辆唯一标识对应的车辆作为目标车辆,获取该目标车辆的车体图像。
8.一种服务器,其中,至少包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述可移动检测设备,实施如权利要求1-5所述任意一项车辆故障处理方法。
9.一种检测设备,其中,至少包括:
摄像装置,用于获取图像;
通信装置,用于建立通信连接;
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述可移动检测设备,实施如权利要求6或7所述车辆故障处理方法。
10.一种车辆系统,其中,至少包括:
车辆;
如权利要求8所述的服务器;
如权利要求9所述的检测设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032343.4A CN108091129A (zh) | 2018-01-12 | 2018-01-12 | 车辆故障处理方法、服务器、检测设备及车辆系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032343.4A CN108091129A (zh) | 2018-01-12 | 2018-01-12 | 车辆故障处理方法、服务器、检测设备及车辆系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108091129A true CN108091129A (zh) | 2018-05-29 |
Family
ID=62183207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810032343.4A Pending CN108091129A (zh) | 2018-01-12 | 2018-01-12 | 车辆故障处理方法、服务器、检测设备及车辆系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108091129A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003157A (zh) * | 2018-06-22 | 2018-12-14 | 北京摩拜科技有限公司 | 车辆管理方法、装置、服务器及系统 |
CN109040710A (zh) * | 2018-09-26 | 2018-12-18 | 北京子歌人工智能科技有限公司 | 一种人工智能开发平台和系统 |
CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
CN109492886A (zh) * | 2018-10-25 | 2019-03-19 | 北京摩拜科技有限公司 | 车辆管理方法、服务器、客户端及车辆系统 |
CN109495546A (zh) * | 2018-10-26 | 2019-03-19 | 北京车和家信息技术有限公司 | 数据处理方法、系统及服务器 |
CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
CN110992706A (zh) * | 2019-12-24 | 2020-04-10 | 京东数字科技控股有限公司 | 一种车辆检测方法、装置以及车路协同系统 |
CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
CN111126774A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常用车识别方法、装置及电子设备 |
WO2020113619A1 (en) * | 2018-12-06 | 2020-06-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying damaged vehicle in online to offline service |
CN111274880A (zh) * | 2020-01-10 | 2020-06-12 | 丽水正阳电力建设有限公司 | 一种视频智能分析辅助巡检与异常告警方法 |
CN111415018A (zh) * | 2020-03-18 | 2020-07-14 | 上海钧正网络科技有限公司 | 一种维修出库的评定方法、装置、介质及设备 |
CN111445052A (zh) * | 2019-01-17 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 车辆信息的处理方法、装置、及电子设备 |
CN111860877A (zh) * | 2019-12-31 | 2020-10-30 | 北京骑胜科技有限公司 | 共享车辆管理方法、装置、服务器和可读存储介质 |
CN111882372A (zh) * | 2019-09-03 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种为车辆生成标识的方法和系统 |
CN112183132A (zh) * | 2020-08-26 | 2021-01-05 | 摩拜(北京)信息技术有限公司 | 一种故障车辆的处理方法和装置 |
CN112764984A (zh) * | 2020-12-25 | 2021-05-07 | 际络科技(上海)有限公司 | 一种自动驾驶测试系统和方法、电子设备和存储介质 |
CN113038426A (zh) * | 2021-02-27 | 2021-06-25 | 吉林大学 | 车联网安全检测系统以及方法 |
CN113485296A (zh) * | 2021-07-09 | 2021-10-08 | 深圳市云智易联科技有限公司 | 远程故障诊断方法、装置、计算机设备及存储介质 |
CN113821014A (zh) * | 2021-09-18 | 2021-12-21 | 江苏小牛电动科技有限公司 | 一种车辆故障检测方法、装置、设备及存储介质 |
CN114384890A (zh) * | 2021-11-30 | 2022-04-22 | 江铃汽车股份有限公司 | 车辆故障的监测方法、数据计算终端及云服务器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103430209A (zh) * | 2011-03-11 | 2013-12-04 | 莱福昂秀有限责任公司 | 视频图像捕获和车辆的识别 |
CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
DE102014210251A1 (de) * | 2013-06-05 | 2014-12-11 | Xerox Corp. | Verfahren und systeme zum auswählen von zielfahrzeugen zur besetzungsermittlung |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN105987822A (zh) * | 2015-03-18 | 2016-10-05 | 埃森哲环球服务有限公司 | 用于预测装备故障的方法和系统 |
CN106292625A (zh) * | 2016-08-03 | 2017-01-04 | 深圳市永兴元科技有限公司 | 车辆故障在线检测系统及方法 |
CN107200038A (zh) * | 2017-05-17 | 2017-09-26 | 中国铁道科学研究院铁道科学技术研究发展中心 | 一种车辆检修装置及检修方法 |
CN107256429A (zh) * | 2017-05-31 | 2017-10-17 | 天津鹿鼎科技有限公司 | 一种车辆维保方法及装置 |
-
2018
- 2018-01-12 CN CN201810032343.4A patent/CN108091129A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103430209A (zh) * | 2011-03-11 | 2013-12-04 | 莱福昂秀有限责任公司 | 视频图像捕获和车辆的识别 |
DE102014210251A1 (de) * | 2013-06-05 | 2014-12-11 | Xerox Corp. | Verfahren und systeme zum auswählen von zielfahrzeugen zur besetzungsermittlung |
CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
CN105987822A (zh) * | 2015-03-18 | 2016-10-05 | 埃森哲环球服务有限公司 | 用于预测装备故障的方法和系统 |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN106292625A (zh) * | 2016-08-03 | 2017-01-04 | 深圳市永兴元科技有限公司 | 车辆故障在线检测系统及方法 |
CN107200038A (zh) * | 2017-05-17 | 2017-09-26 | 中国铁道科学研究院铁道科学技术研究发展中心 | 一种车辆检修装置及检修方法 |
CN107256429A (zh) * | 2017-05-31 | 2017-10-17 | 天津鹿鼎科技有限公司 | 一种车辆维保方法及装置 |
Non-Patent Citations (1)
Title |
---|
周志华: "《机器学习》", 31 October 2017, 清华大学出版社 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003157A (zh) * | 2018-06-22 | 2018-12-14 | 北京摩拜科技有限公司 | 车辆管理方法、装置、服务器及系统 |
CN109040710A (zh) * | 2018-09-26 | 2018-12-18 | 北京子歌人工智能科技有限公司 | 一种人工智能开发平台和系统 |
CN109492886A (zh) * | 2018-10-25 | 2019-03-19 | 北京摩拜科技有限公司 | 车辆管理方法、服务器、客户端及车辆系统 |
CN109495546A (zh) * | 2018-10-26 | 2019-03-19 | 北京车和家信息技术有限公司 | 数据处理方法、系统及服务器 |
CN109495546B (zh) * | 2018-10-26 | 2021-11-23 | 北京车和家信息技术有限公司 | 数据处理方法、系统及服务器 |
CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
WO2020113619A1 (en) * | 2018-12-06 | 2020-06-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying damaged vehicle in online to offline service |
CN111369012A (zh) * | 2018-12-06 | 2020-07-03 | 北京嘀嘀无限科技发展有限公司 | 一种用于在线上到线下服务中识别受损车辆的系统和方法 |
CN111445052B (zh) * | 2019-01-17 | 2023-06-09 | 阿里巴巴集团控股有限公司 | 车辆信息的处理方法、装置、及电子设备 |
CN111445052A (zh) * | 2019-01-17 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 车辆信息的处理方法、装置、及电子设备 |
CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
CN111882372A (zh) * | 2019-09-03 | 2020-11-03 | 北京嘀嘀无限科技发展有限公司 | 一种为车辆生成标识的方法和系统 |
CN111126774A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常用车识别方法、装置及电子设备 |
CN111126773B (zh) * | 2019-11-26 | 2023-09-05 | 汉海信息技术(上海)有限公司 | 异常车辆识别方法、装置及电子设备 |
CN111126773A (zh) * | 2019-11-26 | 2020-05-08 | 北京摩拜科技有限公司 | 异常车辆识别方法、装置及电子设备 |
CN110992706A (zh) * | 2019-12-24 | 2020-04-10 | 京东数字科技控股有限公司 | 一种车辆检测方法、装置以及车路协同系统 |
CN111860877A (zh) * | 2019-12-31 | 2020-10-30 | 北京骑胜科技有限公司 | 共享车辆管理方法、装置、服务器和可读存储介质 |
CN111274880A (zh) * | 2020-01-10 | 2020-06-12 | 丽水正阳电力建设有限公司 | 一种视频智能分析辅助巡检与异常告警方法 |
CN111415018A (zh) * | 2020-03-18 | 2020-07-14 | 上海钧正网络科技有限公司 | 一种维修出库的评定方法、装置、介质及设备 |
CN112183132A (zh) * | 2020-08-26 | 2021-01-05 | 摩拜(北京)信息技术有限公司 | 一种故障车辆的处理方法和装置 |
CN112764984A (zh) * | 2020-12-25 | 2021-05-07 | 际络科技(上海)有限公司 | 一种自动驾驶测试系统和方法、电子设备和存储介质 |
CN112764984B (zh) * | 2020-12-25 | 2023-06-02 | 际络科技(上海)有限公司 | 一种自动驾驶测试系统和方法、电子设备和存储介质 |
CN113038426A (zh) * | 2021-02-27 | 2021-06-25 | 吉林大学 | 车联网安全检测系统以及方法 |
CN113038426B (zh) * | 2021-02-27 | 2022-07-22 | 吉林大学 | 车联网安全检测系统以及方法 |
CN113485296A (zh) * | 2021-07-09 | 2021-10-08 | 深圳市云智易联科技有限公司 | 远程故障诊断方法、装置、计算机设备及存储介质 |
CN113821014A (zh) * | 2021-09-18 | 2021-12-21 | 江苏小牛电动科技有限公司 | 一种车辆故障检测方法、装置、设备及存储介质 |
CN114384890A (zh) * | 2021-11-30 | 2022-04-22 | 江铃汽车股份有限公司 | 车辆故障的监测方法、数据计算终端及云服务器 |
CN114384890B (zh) * | 2021-11-30 | 2023-09-01 | 江铃汽车股份有限公司 | 车辆故障的监测方法、数据计算终端及云服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108091129A (zh) | 车辆故障处理方法、服务器、检测设备及车辆系统 | |
CN108280467A (zh) | 车辆故障检测方法、检测设备、服务器及车辆系统 | |
CN108055301B (zh) | 车辆调度方法、服务器、客户端及系统 | |
CN108156231A (zh) | 故障车辆与服务器通信的方法、车辆和服务器 | |
CN111492386A (zh) | 一种用于对电动车辆充电的系统和方法 | |
CN109660947A (zh) | 一种基于电子围栏的车辆定位方法及系统 | |
US20210004731A1 (en) | Ticketing method and system | |
CN105096521A (zh) | 安全预警方法及相关装置 | |
CN110149806A (zh) | 堆栈数据结构的数字助理处理 | |
CN108040354A (zh) | 一种连接蓝牙设备的方法、系统、电子设备及服务器 | |
CN108388999A (zh) | 车辆调度方法、服务器、客户端及系统 | |
CN107305740A (zh) | 路况预警方法、设备、服务器、控制设备及操作系统 | |
CN109636118A (zh) | 电助力车的调度方法、装置、服务器及系统 | |
CN108399735B (zh) | 车辆调度方法、服务器及系统 | |
CN110852499A (zh) | 回收故障车辆的方法和装置 | |
CN109255855A (zh) | 车辆的维保方法、终端及计算机可读存储介质 | |
CN109115237A (zh) | 一种乘车位置推荐方法及服务器 | |
CN107846463A (zh) | 信息推送方法、服务器、客户端及车辆系统 | |
CN109752021A (zh) | 一种行驶路线规划方法及装置 | |
CN107909378A (zh) | 车辆信息审核方法及装置、存储介质、电子设备 | |
CN109842852A (zh) | 车辆控制方法、服务器及车辆系统 | |
CN108093053A (zh) | 车辆配置方法、服务器、车辆及车辆系统 | |
CN107704331A (zh) | 电力设备故障分析处理辅助方法及装置 | |
CN113593056B (zh) | 一种基于区块链的智慧景区电子门票销售系统和核验方法 | |
CN108460921A (zh) | 车辆还车方法、装置及系统、服务器 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201221 Address after: Room 168, building 6, 741 Hangzhou Road, Yangpu District, Shanghai 200090 Applicant after: HANHAI INFORMATION TECHNOLOGY SHANGHAI Co.,Ltd. Address before: Room Bnan 1231, 2 bungalows, No. 5 Road, College, Haidian District, Beijing, 100191 Applicant before: BEIJING MOBIKE TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |