CN108108825A - 故障车辆的寻找方法、服务器及运维端 - Google Patents
故障车辆的寻找方法、服务器及运维端 Download PDFInfo
- Publication number
- CN108108825A CN108108825A CN201711350321.4A CN201711350321A CN108108825A CN 108108825 A CN108108825 A CN 108108825A CN 201711350321 A CN201711350321 A CN 201711350321A CN 108108825 A CN108108825 A CN 108108825A
- Authority
- CN
- China
- Prior art keywords
- fault car
- vehicle
- fault
- density distribution
- operation data
- 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
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种故障车辆的寻找方法、服务器及运维端,属于车辆技术领域。所述故障车辆的寻找方法包括:获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;获取所述故障车辆的所述历史运营数据;依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;和向运维端发送所述地理区域密度分布。由此实现了除用户上传报修信息之外的另一种智能识别真实故障车的方案,并增大了故障车辆被找到的概率。
Description
技术领域
本发明涉及车辆技术领域,具体地涉及一种故障车辆的寻找方法、服务器及运维端。
背景技术
随着“互联网+”时代的来临,物联网科技的革新正以一种难以预期的速度来变革着人们的生活方式,其中以车辆(例如共享单车、共享汽车等)为代表的物联网技术已较成功地融入到了人们的日常生活当中。
但是,损坏的车辆无法为用户提供服务的同时,还会占用城市的车辆停放空间;由此,对于损坏的车辆的维护和管理一直以来都是车辆运营商日常工作中非常重要的一部分。
在相关技术中,运营商试图借助用户来帮忙判断车辆是否是损坏的并可以让其选择上报报修信息;但本申请的发明人在实践本申请的过程中发现上述相关技术中至少存在以下缺陷:存在不法分子出于逃单等目的而经常上报假报修信息,使得车辆运营商很难识别出真实的故障车;另外,由于故障车辆可能会因定位故障而导致定位不准,导致运维人员难以找到故障车辆。
发明内容
本发明实施例的目的是提供一种故障车辆的寻找方法、服务器、运维端及机器可读存储介质,用以至少解决现有技术中存在假报修信息而使得真实故障车识别困难,并使得运维师傅难以寻找到故障车的技术问题。
为了实现上述目的,本发明实施例提供一种故障车辆的寻找方法,应用于服务器,该方法包括:获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;获取所述故障车辆的所述历史运营数据;依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;和向运维端发送所述地理区域密度分布。
具体的,所述车辆信息包括:所述预设时间段内的报修次数;所述车辆每次报修所对应的报修理由;和所述预设时间段内,报修订单数量和正常订单数量的比例,所述用户信息包括:所述预设时间段内,假报修订单数量和正常订单数量的比例,所述用户使用信息包括:所述车辆在最近的预设次数的订单,所述车辆的移动范围是否处于预设距离范围内。
可选的,所述依据所述故障车辆的所述历史运营数据,确定所述故障车辆的所述地理位置信息包括:获取所述故障车辆的所述移动范围;将所述故障车辆在所述移动范围内的最后一次订单的定位位置信息作为所述故障车辆的所述地理位置信息。
可选的,所述故障分析模型是基于决策树算法实现对所述故障车辆的判断。
可选的,所述向运维端发送所述地理区域密度分布之后,所述方法进一步包括:获取所述运维端对所述故障车辆的标定结果;使用所述标定结果迭代所述故障分析模型。
本发明实施例另一方面提供一种车辆故障车辆的寻找方法,应用于运维端,该方法包括:从服务器接收故障车辆的地理区域密度分布;展示所述地理区域密度分布。
可选的,在所述展示所述地理区域密度分布之后,该方法还包括:向所述服务器发送有关所述故障车辆的标定结果,其中所述标定结果用于指示经人工验证的所述车辆的故障结果。
本发明实施例一方面提供一种服务器,包括:车辆历史数据获取单元,用于获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;模型判断单元,用于将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;故障车辆历史数据获取单元,用于获取所述故障车辆的所述历史运营数据;位置信息确定单元,用于依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;密度分布确定单元,用于基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;密度分布发送单元,用于向运维端发送所述地理区域密度分布。
可选的,所述服务器还包括:标定结果获取单元,用于向运维端发送所述地理区域密度分布之后,获取所述运维端对所述故障车辆的标定结果;迭代单元,用于使用所述标定结果迭代所述故障分析模型。
本发明实施例另一方满提供一种运维端,包括:密度分布接收单元,用于从服务器故障车辆的地理区域密度分布;密度分布显示单元,用于展示所述地理区域密度分布。
本发明实施例又一方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的故障车辆的寻找方法。
通过上述技术方案,获取车辆的历史运营数据,在该历史运营数据中包含车辆信息、用户信息、以及用户使用信息,并将其结合基于机器学习算法的故障分析模型来预估车辆是否出现故障,并且基于历史运营数据分析得出故障车辆的地理位置信息,将将与其相关的地理密度分布发送至运维端。由此实现了通过模型算法来识别共享单车是否为故障车,实现了除用户上传报修信息之外的另一种智能识别真实故障车的方案;并且,能够基于对历史运营数据分析得出故障车辆的地理位置,使得即使故障车的定位模块损坏的情况下,也能够找到故障车辆的位置,增大了故障车辆被找到的概率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一实施例的故障车辆的寻找方法的流程示意图;
图2是本发明一实施例的故障车辆的寻找方法的流程示意图;
图3是运维端所显示的关于判断的故障的车辆的位置热力图;
图4是本发明一实施例的服务器的结构框图;
图5是本发明一实施例的运维端的结构框图;
图6示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
参见图1示出的是故障车辆的寻找方法一实施例的的流程示意图,该方法可被应用于车辆服务商所运营的服务器,该方法包括:
S101:获取车辆在预设时间段内的历史运营数据。
更具体地,历史运营数据是指代已经存在的车辆的运营数据,关于运营数据的类型,其中包含车辆信息、用户信息以及用户使用信息,其中用户使用信息例如包括车辆的驾驶时长、位置心跳信息(即车辆多次开锁和关锁的位置)等,更具体地将在下文结合其他实施方式展开。
S102:将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆。
其中,该基于机器学习算法的故障分析模型可以是基于随机森林、决策树算法、逻辑回归、集成学习等机器学习算法所搭建的模型等,且都属于本发明的保护范围内。
具体地,该故障分析模型可以是配置有决策树算法的算法模型,以及将历史运营数据输入至该故障分析模型中,就可以确定出车辆出现故障的概率。其中,决策树算法是一种逼近离散函数值的方法,它是一种典型的分类方法,其工作原理是:首先,对数据进行处理,利用归纳算法生成可读的规则和决策树,例如对车辆信息、用户信息以及用户使用信息进行处理;然后,使用规则和决策树对新数据进行分析和分类,将车辆区分为故障车辆和非故障车辆。
在本发明实施例中的故障分析模型的工作过程中,可以是为车辆赋予一个故障概率,并将将故障概率与预设定的概率阈值进行对比来确定车辆是否出现故障。作为示例,可以经过多次有效实验确定该概率阈值,然后将模型所确定的概率与该概率阈值进行对比,当其大于概率阈值时,可以判定车辆存在故障,以及当其不大于该概率阈值时,可以判定车辆不存在故障。上述关于故障分析模型的工作过程原理仅仅作为示例,不用作限制本发明的保护范围。
关于该故障分析模型应用的示例,可以是根据车辆信息,诸如所述预设时间段内的报修次数、所述车辆每次报修所对应的报修理由以及报修订单数量和正常订单数量的比例;连同用户信息,诸如所述预设时间段内,假报修订单数量和正常订单数量的比例;连同用户使用信息,诸如所述车辆在最近的预设次数的订单、以及所述车辆的移动范围是否处于预设距离范围内,来判断车辆中的故障车辆。作为示例的一方面,当所述预设时间段内,车辆的报修订单数量和正常订单数量的比例低于第一预定阈值时,可以判断该车辆存在故障;作为示例的另一方面,所述预设时间段内,车辆在最近的预设次数的订单(例如连续的最近三次订单),所述车辆的移动范围是否处于预设距离范围(例如移动距离都小于200米)内,则可以判断所述车辆出现故障。上述关于故障分析模型的应用仅仅作为示例,以及其他类型的故障分析模型以及其他的关于故障分析模型的应用也应当属于本发明的保护范围内。
由此实现了通过模型算法来识别共享单车是否为故障车,实现了除用户上传报修信息之外的另一种智能识别真实故障车的方案,为车辆运营商识别和管理故障车提供了一种全新的策略。
S103:获取所述故障车辆的所述历史运营数据。
S104:依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息。
具体的,服务器可以是基于故障车辆的历史运营数据来进行分析以获取该故障车辆的位置。举例而言,用户订单信息可以是在用户使用手机请求对车辆开锁时所产生的,该用户订单信息可以包括用户请求开锁时的手机定位信息,由此通过该手机定位信息可以相应确定车辆定位信息;也可以是用户骑行结束时,关锁结单的手机定位信息;以及,车辆信息可以包含车辆的基站定位信息,该基站定位信息可以是由车辆内置的SIM卡(SubscriberIdentification Module,用户身份识别卡)通过与基站之间的数据通信交互,实施LBS(Location Based Service,移动位置服务),通过电信移动运营商的网络(如GSM网)获取SIM卡的位置信息(经纬度坐标),并以相应确定车辆定位信息。
S105:基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布。
由此,车辆的运维师傅可以通过运维端来获知如图3所示的关于所预估的故障车辆的地理区域密度分布的热力图,使得运维师傅可以根据该热力图优先处理故障车辆地理区域分布大的故障车辆,提高了故障车辆的回收效率。
S106:向运维端发送所述地理区域密度分布。
优选地,在S106之后,该方法还包括对故障分析模型的优化步骤,具体包括:
S107:获取所述运维端对所述故障车辆的标定结果;
其中,所述标定结果用于指示经运维师傅人工验证的所述车辆的故障结果。
S108:使用所述标定结果迭代所述故障分析模型。
具体地,当运维端所反馈的标定结果与模型所预测的故障结果相匹配时,确定故障分析模型的分析预测功能良好,其中该标定结果包括真实的故障车和假的故障车;当运维端所反馈的标定结果与模型所预测的故障结果不匹配时,确定故障分析模型的分析预测功能不准确,还需要使用所述标定结果迭代所述故障分析模型。由此,通过人工介入,使得模型的建立与优化组成了一个正反馈的闭环系统,让故障分析模型能够得到迭代的更新和改进,令故障分析模型所输出的预测结果越来越精确。
参见图2示出的是本发明一实施例的故障车辆的寻找方法的流程示意图,该方法以拟用于运维端,该方法包括:
S201:从服务器接收故障车辆的地理区域密度分布;
S202:展示所述地理区域密度分布。
S203:向所述服务器发送有关所述故障车辆的标定结果,其中所述标定结果用于指示经人工验证的所述车辆的故障结果。
具体的,可以是响应于所述地理区域密度分布,运维人员找到服务器所判断的故障车辆,以及通过对运维端的交互操作以向服务器发送标定结果。以及当运维端所反馈的标定结果与模型所预测的故障结果相匹配时,确定故障分析模型的分析预测功能良好;当运维端所反馈的标定结果与模型所预测的故障结果不匹配时,确定故障分析模型的分析预测功能不准确,还需要作出进一步的优化。由此,通过人工介入,使得模型的建立与优化组成了一个正反馈的闭环系统,让故障分析模型能够得到迭代的更新和改进,令故障分析模型所输出的预测结果越来越精确。
在本发明实施例的应用的一方面,可以是在运维端APP上开放给各个一线作坏车召回的车辆的运维师傅,让其在故障车热力图区域内寻找故障车辆,并对故障车进行标定(如图3所示的,标定的结果可以是:找到且是故障车、没找到、找到但不是坏车)。进一步地,服务器基于该标定结果来迭代优化故障分析模型。
在本发明实施例中,通过利用大数据、机器学习、模型算法等先进的技术手段,结合车辆信息、用户信息、用户用车习惯、不同区域的用户习惯等重要资料,实时计算出各个区域实时的车辆位置、车辆型号,以及区域内故障车出现可能性的热力图,然后安排运营师傅进行召回修复处理,然后再重新投放给用户。
参见图4示出的是本发明一实施例的服务器的结构示意图,该服务器40包括:车辆历史数据获取单元401,用于获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;模型判断单元402,用于将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;故障车辆历史数据获取单元403,用于获取所述故障车辆的所述历史运营数据;位置信息确定单元404,用于依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;密度分布确定单元405,用于基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;密度分布发送单元406,用于向运维端发送所述地理区域密度分布。
在一些实施方式中,所述服务器40还包括:标定结果获取单元,用于向运维端发送所述地理区域密度分布之后,获取所述运维端对所述故障车辆的标定结果;迭代单元,用于使用所述标定结果迭代所述故障分析模型。
参见图5示出的是本发明一实施例的运维端的结构示意图,该运维端50包括:密度分布接收单元501,用于从服务器故障车辆的地理区域密度分布;密度分布显示单元502,用于展示所述地理区域密度分布。
本发明实施例中的服务器或运维端还配置有一些功能单元或功能模块,用以执行与上文实施例所描述的故障车辆的寻找方法相应的步骤,以获得与上述故障车辆的寻找方法相同或相似的技术效果,故关于本实施例中的识别装置更多的细节可以参照上文方法实施例的描述,故在此不加以赘述。
本发明一实施例还分别提供一种机器可读存储介质,该机器可读存储介质可以是搭载在服务器或运维端上的,以及该机器可读存储介质存储有应用程序,使得该服务器或运维端在运行相应的应用程序时能够执行上文实施例所阐述的故障车辆的寻找方法。
更具体地,参见图6示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图,其中计算机系统包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有系统操作所需的各种程序和数据。CPU601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所阐述的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (11)
1.一种故障车辆的寻找方法,应用于服务器,该方法包括:
获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;
将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;
获取所述故障车辆的所述历史运营数据;
依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;
基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;和
向运维端发送所述地理区域密度分布。
2.根据权利要求1所述的方法,其特征在于,
所述车辆信息包括:
所述预设时间段内的报修次数;
所述车辆每次报修所对应的报修理由;和
所述预设时间段内,报修订单数量和正常订单数量的比例,
所述用户信息包括:
所述预设时间段内,假报修订单数量和正常订单数量的比例,
所述用户使用信息包括:
所述车辆在最近的预设次数的订单,所述车辆的移动范围是否处于预设距离范围内。
3.根据权利要求2所述的方法,其特征在于,所述依据所述故障车辆的所述历史运营数据,确定所述故障车辆的所述地理位置信息包括:
获取所述故障车辆的所述移动范围;
将所述故障车辆在所述移动范围内的最后一次订单的定位位置信息作为所述故障车辆的所述地理位置信息。
4.根据权利要求1所述的方法,其特征在于,所述故障分析模型是基于决策树算法实现对所述故障车辆的判断。
5.根据权利要求1所述的方法,其特征在于,所述向运维端发送所述地理区域密度分布之后,所述方法进一步包括:
获取所述运维端对所述故障车辆的标定结果;
使用所述标定结果迭代所述故障分析模型。
6.一种车辆故障车辆的寻找方法,应用于运维端,该方法包括:
从服务器接收故障车辆的地理区域密度分布;
展示所述地理区域密度分布。
7.根据权利要求6所述的方法,其特征在于,在所述展示所述地理区域密度分布之后,该方法还包括:
向所述服务器发送有关所述故障车辆的标定结果,其中所述标定结果用于指示经人工验证的所述车辆的故障结果。
8.一种服务器,包括:
车辆历史数据获取单元,用于获取车辆在预设时间段内的历史运营数据,其中所述历史运营数据包括车辆信息、用户信息、以及用户使用信息;
模型判断单元,用于将所述历史运营数据输入基于机器学习算法的故障分析模型,判断所述车辆中的故障车辆;
故障车辆历史数据获取单元,用于获取所述故障车辆的所述历史运营数据;
位置信息确定单元,用于依据所述故障车辆的所述历史运营数据,确定所述故障车辆的地理位置信息;
密度分布确定单元,用于基于所述故障车辆的所述地理位置信息,得到所述故障车辆的地理区域密度分布;
密度分布发送单元,用于向运维端发送所述地理区域密度分布。
9.根据权利要求8所述的服务器,其特征在于,所述服务器还包括:
标定结果获取单元,用于向运维端发送所述地理区域密度分布之后,获取所述运维端对所述故障车辆的标定结果;
迭代单元,用于使用所述标定结果迭代所述故障分析模型。
10.一种运维端,包括:
密度分布接收单元,用于从服务器故障车辆的地理区域密度分布;
密度分布显示单元,用于展示所述地理区域密度分布。
11.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1-7中任一项所述的故障车辆的寻找方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350321.4A CN108108825A (zh) | 2017-12-15 | 2017-12-15 | 故障车辆的寻找方法、服务器及运维端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350321.4A CN108108825A (zh) | 2017-12-15 | 2017-12-15 | 故障车辆的寻找方法、服务器及运维端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108108825A true CN108108825A (zh) | 2018-06-01 |
Family
ID=62217436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711350321.4A Pending CN108108825A (zh) | 2017-12-15 | 2017-12-15 | 故障车辆的寻找方法、服务器及运维端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108825A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110646699A (zh) * | 2019-10-10 | 2020-01-03 | 北京嘀嘀无限科技发展有限公司 | 充电桩故障识别方法、存储介质、充电桩及电子设备 |
CN110826867A (zh) * | 2019-10-21 | 2020-02-21 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
CN111126654A (zh) * | 2018-11-01 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
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 |
CN111177207A (zh) * | 2019-09-10 | 2020-05-19 | 上海钧正网络科技有限公司 | 车辆分布监控方法、装置、运维端及可读存储介质 |
CN111275209A (zh) * | 2018-11-16 | 2020-06-12 | 丰田自动车株式会社 | 服务器装置以及信息提供方法 |
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 |
CN111369704A (zh) * | 2018-12-26 | 2020-07-03 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN111867051A (zh) * | 2019-08-02 | 2020-10-30 | 北京骑胜科技有限公司 | 一种定位故障处理方法及装置 |
CN111860878A (zh) * | 2019-12-31 | 2020-10-30 | 北京骑胜科技有限公司 | 共享单车的报修方法、服务器、电子设备及存储介质 |
CN111861627A (zh) * | 2020-04-03 | 2020-10-30 | 北京骑胜科技有限公司 | 一种共享车辆的寻找方法、装置、电子设备及存储介质 |
CN112130180A (zh) * | 2020-09-18 | 2020-12-25 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN113110390A (zh) * | 2021-04-23 | 2021-07-13 | 宁波小遛共享信息科技有限公司 | 一种车辆故障识别方法、装置、电子设备及存储介质 |
-
2017
- 2017-12-15 CN CN201711350321.4A patent/CN108108825A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126654B (zh) * | 2018-11-01 | 2023-12-19 | 北京骑胜科技有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
CN111126654A (zh) * | 2018-11-01 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
CN111275209A (zh) * | 2018-11-16 | 2020-06-12 | 丰田自动车株式会社 | 服务器装置以及信息提供方法 |
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 |
CN111369704A (zh) * | 2018-12-26 | 2020-07-03 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN111369704B (zh) * | 2018-12-26 | 2022-12-06 | 北京骑胜科技有限公司 | 一种车辆处理方法以及系统 |
CN111867051A (zh) * | 2019-08-02 | 2020-10-30 | 北京骑胜科技有限公司 | 一种定位故障处理方法及装置 |
CN111177207A (zh) * | 2019-09-10 | 2020-05-19 | 上海钧正网络科技有限公司 | 车辆分布监控方法、装置、运维端及可读存储介质 |
CN110646699A (zh) * | 2019-10-10 | 2020-01-03 | 北京嘀嘀无限科技发展有限公司 | 充电桩故障识别方法、存储介质、充电桩及电子设备 |
CN110826867B (zh) * | 2019-10-21 | 2021-03-30 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
CN110826867A (zh) * | 2019-10-21 | 2020-02-21 | 上海钧正网络科技有限公司 | 车辆管理方法、装置、计算机设备和存储介质 |
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 |
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 |
CN111860878A (zh) * | 2019-12-31 | 2020-10-30 | 北京骑胜科技有限公司 | 共享单车的报修方法、服务器、电子设备及存储介质 |
CN111861627A (zh) * | 2020-04-03 | 2020-10-30 | 北京骑胜科技有限公司 | 一种共享车辆的寻找方法、装置、电子设备及存储介质 |
CN112130180A (zh) * | 2020-09-18 | 2020-12-25 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN112130180B (zh) * | 2020-09-18 | 2023-10-27 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN113110390A (zh) * | 2021-04-23 | 2021-07-13 | 宁波小遛共享信息科技有限公司 | 一种车辆故障识别方法、装置、电子设备及存储介质 |
CN113110390B (zh) * | 2021-04-23 | 2022-09-30 | 宁波小遛共享信息科技有限公司 | 一种车辆故障识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108825A (zh) | 故障车辆的寻找方法、服务器及运维端 | |
CN103796241B (zh) | 一种基于终端上报信息判断和定位伪基站的方法 | |
US9141762B2 (en) | System and method for analyzing and controlling epidemics | |
CN102196557B (zh) | 选择用于位置推断的信标的系统和方法 | |
CN108156231A (zh) | 故障车辆与服务器通信的方法、车辆和服务器 | |
CN107818411A (zh) | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 | |
US20120185458A1 (en) | Clustering crowd-sourced data to identify event beacons | |
CN106162714A (zh) | 一种投诉信息处理方法及装置 | |
CN109360416A (zh) | 道路交通预测方法及服务器 | |
CN108271157B (zh) | 一种伪基站识别方法及装置 | |
CN111477007A (zh) | 一种车辆查控分析管理系统及方法 | |
CN107809766B (zh) | 一种用于网络优化的机器学习样本的生成方法及装置 | |
CN112837556A (zh) | 车辆位置信息监控处理方法和装置 | |
CN108924759A (zh) | 识别移动发生器的方法、装置及系统 | |
CN113792782A (zh) | 运营车辆的轨迹监测方法、装置、存储介质及计算机设备 | |
CN110267268A (zh) | 伪基站的识别方法、装置及系统 | |
CN108366374A (zh) | 可疑人员判断方法及装置 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
Parada et al. | Machine learning-based trajectory prediction for vru collision avoidance in v2x environments | |
CN108182558A (zh) | 一种基于统计特征的运距计算方法及装置 | |
CN108062805A (zh) | 一种车载数据处理方法和服务器 | |
CN109618298B (zh) | 流量控制方法、装置、设备及存储介质 | |
CN108230684A (zh) | 车牌检测方法及装置 | |
CN114419894B (zh) | 一种路内停车泊位设置与使用监测的方法与系统 | |
CN105848230B (zh) | 一种判断机动车路面竞速的方法和系统 |
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 |