CN108693868A - 故障预测模型训练的方法、车辆故障预测的方法及装置 - Google Patents

Abstract

本申请实施例提供了一种故障预测模型训练的方法以及车辆故障预测的方法，用于根据车辆信息以及目标故障预测模型获取故障码概率和部件故障概率。本申请实施例方法包括：从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件；使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率。因此，本申请实施例提升了车辆故障预测的准确性。

Description

故障预测模型训练的方法、车辆故障预测的方法及装置

技术领域

本申请实施例涉及汽车技术领域，尤其涉及一种故障预测模型训练的方法、车辆故障预测的方法、故障预测模型训练装置和车辆故障预测装置。

背景技术

随着汽车产业的快速发展，我国的汽车数量不断增加，汽车已经普遍存在用户的日常生活中，成为越来越重要的代步工具，因此，汽车的正常行驶对用户至关重要，对汽车未来可能出现的故障进行预测是保证汽车正常行驶的重要方法。

现有技术中，对于汽车未来可能出现的故障，主要是根据维修技师的维修经验和维修水平判断当前汽车可能存在的故障，然后对可能出现故障的某部件进行保养或更换。

但是，随着我国的汽车数量和车辆类型的不断增加，当维修技师的经验不足或者对当前车辆的车型了解不够时，依赖维修技师的维修水平和经验对汽车可能出现的故障的进行预测的方法不能准确地预测出汽车的故障，造成行车隐患。

发明内容

本申请实施例提供了一种故障预测模型训练的方法以及车辆故障预测方法，用于根据预测车辆的车辆信息以及目标故障预测模型获取预测车辆的故障码概率和部件故障概率，提升了车辆故障预测的准确性。

本申请实施例第一方面提供一种故障预测模型训练的方法，包括：

从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件；

使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率，所述至少一个部件的故障概率系数预置于所述初始故障预测模型中。由第一方面可知，本实施例可以根据目标故障预测模型预测车辆的故障码概率以及部件故障概率，提升了车辆故障预测的准确性。

基于本申请实施例第一方面，本申请实施例第一方面的第一种实现方式中，所述从数据库中获取多个样本数据之前，所述方法还包括：获取样本车辆的所述检测数据，所述检测数据包括所述样本车辆的车辆识别码VIN、所述行驶里程以及所述故障码；根据所述VIN识别所述样本车辆对应的所述车辆类型；将所述故障码统计到所述多个样本数据中与所述车辆类型以及所述行驶里程对应的样本数据中。

基于本申请实施例第一方面以及第一方面的第一种实现方式，本申请实施例第一方面的第二种实现方式中，所述使用所述多个样本数据训练初始故障预测模型，以得到目标故障预测模型之后，所述方法还包括：获取反馈信息；根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述故障码对应的至少一个部件的故障概率进行修正。

本申请实施例第二方面提供一种车辆故障预测的方法，包括：

获取预测车辆的车辆信息，所述车辆信息包括所述预测车辆对应的车辆类型和行驶里程；根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率，所述目标故障预测模型根据多个样本数据训练得到。由第一方面可见，本实施例中，可以根据车辆信息以及目标故障预测模型获取预测车辆的故障码概率和部件故障概率，提升了车辆故障预测的准确性。

基于本申请实施例第二方面，本申请实施例第二方面的第一种实现方式中，获取反馈信息，并将所述反馈信息上传至服务器，以使得服务器根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述部件故障概率进行修正。

基于本申请实施例第二方面以及第二方面的第一种实现方式，本申请实施例第二方面的第二种实现方式中，将所述故障码概率对应的故障码、所述车辆类型和所述行驶里程上传至数据库，以使得所述数据库更新所述多个样本数据。

本申请实施例第三方面提供一种故障预测模型训练装置，所述故障预测模型训练装置包括：接收单元、处理单元和发送单元，该接收单元用于执行上述第一方面以及任一可能的实现方式中涉及到接收操作的步骤；该处理单元用于执行上述第一方面以及任一可能的实现方式中涉及到处理操作的步骤；该发送单元用于执行上述第一方面以及任一可能的实现方式中涉及到发送的步骤。

本申请实施例第四方面提供一种车辆故障预测装置，所述车辆故障预测装置包括：接收单元、处理单元和发送单元，该接收单元用于执行上述第二方面以及任一可能的实现方式中涉及到接收操作的步骤；该处理单元用于执行上述第二方面以及任一可能的实现方式中涉及到处理操作的步骤；该发送单元用于执行上述第二方面以及任一可能的实现方式中涉及到发送的步骤。

本申请实施例第五方面提供一种计算机设备，该计算机设备包括：处理器；以及，与所述处理器通信连接的存储器；其中，所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面或第一方面任一可能的实现方式的消息处理或控制操作。

本申请实施例第六方面提供一种终端，该终端包括：处理器；以及，与所述处理器通信连接的存储器；其中，所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第二方面或第二方面任一可能的实现方式的消息处理或控制操作。

本申请第七方面提供一种包含指令的计算机程序产品，当该指令在计算机上运行时，执行上述第一方面或第一方面任一可能的实现方式的方法。

本申请第八方面提供一种包含指令的计算机程序产品，当该指令在计算机上运行时，执行上述第二方面或第二方面任一可能的实现方式的方法。

本申请实施例第九方面提供了一种计算机存储介质，其上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面或第一方面任一可能的实现方式的方法。

本申请实施例第十方面提供了一种计算机存储介质，其上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第二方面或第二方面任一可能的实现方式的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本实施例中，通过获取多个样本数据以及故障码概率对应的部件的故障概率系数对初始故障预测模型进行训练，得到用于确定故障码概率以及部件故障概率的目标故障预测模型；本实例中通过获取预测车辆的车辆类型以及行驶里程可得到预测车辆的故障码概率和故障码对应的部件故障概率，提升了预测车辆故障以及车辆部件故障的准确性，提升了行驶安全。

附图说明

图1为本申请实施例提供的一个应用场景示意图；

图2为本申请实施例提供的一种故障预测模型训练的方法的示意性流程图；

图3为本申请实施例提供的一种车辆故障预测的方法的示意性流程图；

图4为本申请实施例提供的车辆故障预测装置的一个应用场景示意图；

图5为本申请实施例提供的车辆故障预测装置的另一个应用场景示意图；

图6为本申请实施例提供的车辆故障预测装置的另一个应用场景示意图；

图7为本申请实施例提供的一种故障预测模型训练装置的示意图；

图8为本申请实施例提供的一种车辆故障预测装置的示意图；

图9为本申请实施例提供的一种计算机设备的硬件结构示意图；

图10为本申请实施例提供的一种终端的硬件结构示意图。

具体实施方式

下面结合附图，对本申请中的技术方案进行描述。

本申请实施例提供了一种故障预测模型训练的方法以及车辆故障预测方法，用于根据预测车辆的车辆信息以及目标故障预测模型获取预测车辆的故障码概率和故障码对应的部件的故障概率，提升了车辆故障预测的准确性。

请参考图1，图1为本申请实施例提供的应用场景示意图。该应用场景示意图可以包括用户101以及车辆故障预测装置102，其中车辆故障预测装置102中设置有目标预测故障模型，用户101通过在车辆故障预测装置102中输入预测车辆的车辆类型以及该预测车辆当前的行驶里程，可以从车辆故障预测102中获取到该预测车辆出现故障码的故障码概率以及该故障码对应的部件的部件故障概率，其中该故障码可以对应一个部件，也可以对应多个部件。

需要说明的是，本申请实施例中，使用该车辆故障预测装置预测车辆的故障码概率和部件故障概率时，车辆故障预测装置102还可以与预测车辆连接，车辆故障预测装置102通过该连接直接从预测车辆中获取预测车辆的车辆类型以及行驶里程，从而得到该预测车辆出现故障码的概率以及该故障码对应的部件的故障概率。

下面从故障预测模型的角度，对本申请实施例提供的一种故障预测模型训练的方法进行描述。

请参阅图2，图2为本申请实施提供的一种故障预测模型训练的方法的示意性流程图，如图2所示，本申请实施例提供的一种故障预测模型训练的方法可以包括以下步骤。

201、故障预测模型训练装置获取样本车辆的检测数据。

当样本车辆出现故障时，车辆诊断设备对样本车辆进行检测，并通过车载诊断系统(on-board diagnostic，OBD)接口从车载电脑(electronic control unit，ECU)中对样本车辆当前的状态信息进行采集，从而获取到样本车辆当前的检测数据，该检测数据包括车辆识别码(vehicle identification number,VIN)、行驶里程、故障码和故障码对应的车身系统信息等数据，该故障码为样本车辆行驶至该行驶里程时所出现的故障码，其中该车身系统信息为该故障码对应的车身系统信息。

车辆诊断设备获取到检测数据之后，故障预测模型训练装置从车辆诊断设备中获取该检测数据，并根据该VIN识别该样本车辆的车辆类型。然后根据该检测数据以及车辆类型形成检测报告。例如，该检测报告可以如表2-1所示：

表2-1.预测车辆的检测报告

其中，表2-1中的4w为预测车辆的行驶里程40000千米。

需要说明的是，本实施例中，从VIN识别出的车辆类型可以包括样本车辆的品牌、车型和年款，还可以包括其他的信息，此处不做具体限定。

故障预测模型训练装置将检测数据形成检测报告之后，将该检测报告上传至数据库中，故障预测模型训练装置将该故障码统计到数据库中的多个样本数据中，具体地，故障预测模型训练装置将该故障码统计到与车辆类型以及行驶里程相对应的样本数据中。需要说明的是，数据库中的多个样本数据中，每个样本数据都设有其对应的车辆类型以及行驶里程。

需要说明的是，该数据库可以是故障预测模型训练装置中的数据库，也可以是云端的数据库，此处不做具体限定。

202、故障预测模型训练装置从数据库中获取多个样本数据。

数据库中存储了海量的从样本车辆获取的多个样本数据，故障预测模型训练装置可以从数据库中获取多个样本数据，该多个样本数据中的每个样本数据至少包括车辆类型、行驶里程以及故障码。其中，获取1万份样本数据可以如表2-2所示：

表2-2.多个样本数据

其中，该多个样本数据中的出现次数为检测报告中故障码的出现次数。例如，故障预测模型训练装置从检测报告中包含1000次出现故障码P0001的检测报告，即在1万份样本数据中，车辆类型为2013年的丰田凯美瑞行驶至4w千米时出现故障码P0001的样本数据有1000次；车身系统信息为故障码对应的故障部件所在的系统，可以理解的是，故障码P0001对应的故障部件为燃油系统中部件。

需要说明的是，表2-2的多个样本数据为示意性，在实际应用中，多个样本数据还可是其他。

203、故障预测模型训练装置使用多个样本数据以及故障码对应的至少一个部件的故障概率系数训练初始故障预测模型。

故障预测模型训练装置获取到多个样本数据之后，故障预测模型训练装置根据该多个样本数据以及故障码对应的至少一个部件的故障概率系数对初始故障预测模型进行训练，以得到目标故障预测模型。

需要说明的是，该故障码对应的至少一个部件的故障概率系数预置于初始故障预测模型中，具体地，故障码对应的至少一个部件的故障概率系数如表2-3所示：

表2-3.故障概率系数

如表2-3所示，车辆类型为2013年的丰田凯美瑞的故障码P0001对应XX部件以及YY部件，其中故障码P0001对应的XX部件的故障概率系数为0.9，对应的YY部件的故障概率系数为0.5,车辆类型为2013年的丰田凯美瑞的故障码P000n对应ZZ部件,其中故障码P000n对应的ZZ部件的故障概率系数为0.9。

需要说明的是，表2-3所示的故障概率系数为示意性的，表2-3中仅列出2013年的丰田凯美瑞的故障码P0001对应的XX部件以及YY部件，在实际应用中，故障码P0001和P000n还可对应其他部件。即预置于初始故障预测模型的故障码至少对应一个部件。

下面对于故障预测模型训练装置根据该多个样本数据训练以及故障码对应的至少一个部件的故障概率系数对初始故障预测模型进行详细说明。

具体地，结合表2-2中的多个样本数据以及表2-3的故障概率系数对初始故障预测模型进行训练。

例如，从数据库中获取的1万份样本数据中，车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，出现故障码P0001的有1000次；车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，出现故障码P000n的有3000次；车辆类型为2013年的丰田凯美瑞的行驶至8w千米时，出现故障码P0001的有4000次。可以看出，车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，出现故障码P0001的概率为10％，车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，出现故障码P000n的为30％；车辆类型为2013年的丰田凯美瑞的行驶至8w千米时，出现故障码P0001的为40％。

结合表2-3中的故障概率系数可得到故障码对应的部件故障概率，结合表2-3以及故障码概率计算得，车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，XX部件出现故障的概率为9％,YY部件出现故障的概率为5％；车辆类型为2013年的丰田凯美瑞的行驶至4w千米时，ZZ部件出现故障的概率为21％,；车辆类型为2013年的丰田凯美瑞的行驶至8w千米时，XX部件出现故障的概率为36％,YY部件出现故障的概率为20％，具体请参考表2-4，表2-4为目标故障预测模型对应的数据列表。其中，表2-4中的里程区间表示为车辆的行驶区间，表示为车辆类型为2013年的丰田凯美瑞的行驶里程在0-4w千米之间时，出现故障码P0001的概率为10％，XX部件出现故障的概率为9％,YY部件出现故障的概率为5％。

需要说明的上，上述的计算方法是示意性的，在实际应用中，还可以根据实际去调整不同的概率统计算法，例如可用正态分布、方差分析等方法计算故障码概率以及部件概率。

表2-4.目标故障预测模型对应的数据列表

即通过多个样本数据以及故障码对应的至少一个部件的故障概率系数对初始故障预测模型进行训练，得到以车型类型-里程区间-故障码概率-部件故障概率为模型的目标故障预测模型，即通过获取车辆类型以及行驶里程即可预测出预测车辆出现的故障码概率和部件故障概率。

204、故障预测模型训练装置获取反馈信息。

故障预测模型训练装置可以从用户中获取反馈信息，该反馈信息可以是用户在对预测车辆进行检测后，根据预测车辆的实际故障情况与从目标故障预测模型得到的故障概率进行对比后反馈的。

故障预测模型训练装置根据反馈信息对目标故障预测模型中的故障码概率和故障码对应的部件的故障概率进行修正。

本实施例中，通过获取多个样本数据以及故障码概率对应的部件的故障概率系数对初始故障预测模型进行训练，得到用于确定故障码概率以及部件故障概率的目标故障预测模型；本实例中通过获取预测车辆的车辆类型以及行驶里程可得到预测车辆的故障码概率和故障码对应的部件故障概率，提升了预测车辆故障以及车辆部件故障的准确性，提升了行驶安全。

上面从故障预测模型的角度对本申请实施例进行了描述，下面从车辆故障预测的角度对本申请实施例进行描述。

请参考图3，图3为本申请实施例提供的一种车辆故障预测的方法的示意性流程图，如图3所示，本申请实施例提供的一种车辆故障预测的方法可以包括以下步骤。

301、车辆故障预测装置获取预测车辆的车辆信息。

当用户需要对车辆的故障或者可能出现的故障进行预测时，车辆故障预测装置获取预测车辆的车辆信息，该车辆信息包括车辆类型以及预测车辆当前的行驶里程。

需要说明的是，本实施例中，车辆故障预测装置可以获取由用户输入的车辆类型和预测车辆当前的行驶里程，还可直接通过OBD接口从ECU中获取预测车辆的VIN和预测车辆当前的行驶里程，然后车辆故障预测装置根据VIN识别预测车辆的车辆类型，可得到预测车辆的车辆类型和行驶里程，此处，对于获取车辆信息不做限定。

例如，本实施例中获取的预测车辆的车辆信息如表3-1所示：

表3-1.车辆信息

302、车辆故障预测装置根据车辆类型、行驶里程以及目标故障预测模型计算预测车辆的故障码概率和故障码对应的部件的故障概率系数。

车辆故障预测装置获取到预测车辆的车辆类型和行驶里程之后，车辆故障预测装置根据车辆类型、行驶里程以及目标故障预测模型计算预测车辆的故障码概率和故障码对应的部件的故障概率，该目标故障预测模型是通过海量的样本数据训练得到。

具体地，车辆故障预测装置将车辆类型和行驶里程导入目标故障预测模型中，从目标故障预测模型中获取预测车辆的故障码概率以及部件故障概率。

需要说明的是。本实施例中的车辆故障预测装置包含目标故障预测模型。

下面以由用户将车辆信息输入车辆故障预测装置为例对本实施例进行描述。

请参考图4，图4为本申请实施例提供的车辆故障预测装置的一个应用场景示意图，该车辆故障预测装置包括输入车辆类型的应用界面以及输入行驶里程的应用界面，用户获取到车辆信息之后，可以将车辆信息中的每个信息项输入车辆故障预测装置对应的界面。

请参考图5，图5本申请实施例提供的车辆故障预测装置的另一个应用场景示意图，用户将表3-1的车辆信息输入车辆故障预测装置可参考如图5。

请参考图6，图6本申请实施例提供的车辆故障预测装置的另一个应用场景示意图，图6为用户输入车辆信息后，车辆故障预测装置根据车辆信息预测出预测车辆的故障码概率以及部件故障概率，即预测车辆行驶至33205千米时，出现故障码P0001的概率为10％，故障码P0001对应的XX部件的故障概率为9％，对应的YY部件的故障概率为5％，出现故障码P000n的概率为30％，故障码P0001对应的ZZ部件的故障概率为21％。

303、车辆故障预测装置获取反馈信息。

车辆故障预测装置可以从用户中获取反馈信息，该反馈信息可以是用户在对预测车辆进行检测后，根据预测车辆的实际故障情况与从目标故障预测模型得到的故障概率进行对比后反馈的。

车辆故障预测装置将反馈信息上传至服务器端，使得服务器根据反馈信息对目标故障预测模型的故障码概率和故障码对应的部件的故障概率进行修正。

304、车辆故障预测装置将所述故障码概率对应的故障码、所述车辆类型和所述行驶里程上传至数据库。

当车辆故障预测装置获取到故障码概率之后，车辆故障预测装置同样可以获得故障码概率对应的故障码，然后车辆故障预测装置就可以将该故障码、车辆类型和行驶里程上传至数据库，以使得数据库更新用于训练初始故障预测模型的多个样本数据。

本实施例中，通过获取预测车辆的车辆信息，然后根据车辆信息中的车辆类型、行驶里程和目标故障预测模型，计算得到预测车辆的故障码概率以及部件故障概率；因此，本实施例中通过车辆类型以及行驶里程即可计算得到预测车辆的故障码概率和部件故障概率，提升了预测车辆故障以及车辆部件故障的准确性，提升了行驶安全。

上面对本申请实施例中的故障预测模型训练的方法和车辆故障预测的方法进行了描述，下面对本申请实施例中的故障预测模型训练装置和车辆故障预测装置分别进行描述。

请参阅图7，图7为本申请实施例提供的一种故障预测模型训练装置的示意性框图，其中，故障预测模型训练装置包括：

第一获取单元701，用于从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件。

训练单元702，用于使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率，所述至少一个部件的故障概率系数预置于所述初始故障预测模型中。

可选地，本实施例中，故障预测模型训练装置还包括：

第二获取单元703,用于获取样本车辆的所述检测数据，所述检测数据包括所述样本车辆的车辆识别码VIN、所述行驶里程以及所述故障码。

识别单元704，用于根据所述VIN识别所述样本车辆对应的所述车辆类型。

统计单元705，用于将所述故障码统计到所述多个样本数据中与所述车辆类型以及所述行驶里程对应的样本数据中。

可选地，本实施例中，故障预测模型训练装置还包括：

第三获取单元706，用于获取反馈信息。

修正单元707，用于根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述故障码对应的至少一个部件的故障概率进行修正。

本实施例中，通过第一获取单元701获取多个样本数据，然后训练单元702使用多个样本数据以及故障码概率对应的部件的故障概率系数对初始故障预测模型进行训练，得到用于确定故障码概率以及部件故障概率的目标故障预测模型；本实例中通过获取预测车辆的车辆类型以及行驶里程可得到预测车辆的故障码概率和故障码对应的部件故障概率，提升了预测车辆故障以及车辆部件故障的准确性，提升了行驶安全。

上面对本申请实施例中的故障预测模型训练装置进行了描述，下面对本申请实施例提供的车辆故障预测装置分别进行描述。

请参阅图8，图8为本申请实施例提供的一种车辆故障预测装置的示意性框图，其中，车辆故障预测装置包括：

第一获取单元801，用于获取预测车辆的车辆信息，所述车辆信息包括所述预测车辆对应的车辆类型和行驶里程。

计算单元802，用于根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率，所述目标故障预测模型根据多个样本数据训练得到。

本实施例中，车辆故障预测装置还包括：

可选地，第二获取单元803，用于获取反馈信息，并将所述反馈信息上传至服务器，以使得服务器根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述部件故障概率进行修正。

可选地，本实施例中，车辆故障预测装置还包括：

上传单元804，用于将所述故障码概率对应的故障码、所述车辆类型和所述行驶里程上传至数据库，以使得所述数据库更新所述多个样本数据。

本实施例中，第一获取单元801获取预测车辆的车辆信息，然后计算单元802根据车辆信息中的车辆类型、行驶里程和目标故障预测模型计算得到预测车辆的故障码概率以及部件故障概率；因此，本实施例中通过车辆类型以及行驶里程即可计算得到预测车辆的故障码概率和部件故障概率，提升了预测车辆故障以及车辆部件故障的准确性，提升了行驶安全。

本申请还提供一种计算机设备900，请参阅图9，图9为本申请实施例提供的一种计算机设备的硬件结构示意图，其中，计算机设备900包括：

处理器901、存储器902、输入输出设备903以及总线904。

所述处理器901、存储器902、输入输出设备903分别与所述总线904相连，所述存储器902中存储有计算机指令。

所述输入输出设备903用于从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件。

所述处理器901用于使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率，所述至少一个部件的故障概率系数预置于所述初始故障预测模型中。

一种可能的实现方式中，所述输入输出设备903用于获取样本车辆的所述检测数据，所述检测数据包括所述样本车辆的车辆识别码VIN、所述行驶里程以及所述故障码。

所述处理器901还用于：

根据所述VIN识别所述样本车辆对应的所述车辆类型。

将所述故障码统计到所述多个样本数据中与所述车辆类型以及所述行驶里程对应的样本数据中。

另一种可能的实现方式中，所述输入输出设备903还用于获取反馈信息。

所述处理器901还用于根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述故障码对应的至少一个部件的故障概率进行修正。

本申请还提供一种终端1000，请参阅图10，图10为本申请实施例提供的一种终端的硬件结构示意图，该终端可以为可以是手机、平板电脑、个人数据助理(personaldigital assistant，PDA)、销售终端(point of sales，POS)、车载电脑等任意终端设备，其中，终端1000包括：包括：射频(radio frequency，RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wireless fidelity，WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图10中示出的终端1000结构并不构成对终端1000的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图10对终端1000的各个构成部件进行具体的介绍：

RF电路1010可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1080处理；另外，将设计上行的数据发送给基站。通常，RF电路1010包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier，LNA)、双工器等。此外，RF电路1010还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(globalsystem of mobile communication，GSM)、通用分组无线服务(general packet radioservice，GPRS)、码分多址(code division multiple access，CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution，LTE)、电子邮件、短消息服务(short messaging service，SMS)等。

存储器1020可用于存储软件程序以及模块，处理器1080通过运行存储在存储器1020的软件程序以及模块，从而执行终端1000的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端1000的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元1030可用于接收输入的数字或字符信息，以及产生与终端1000的用户设置以及功能控制有关的键信号输入。具体地，输入单元1030可包括触控面板1031以及其他输入设备1032。触控面板1031，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1031上或在触控面板1031附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1031可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1080，并能接收处理器1080发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1031。除了触控面板1031，输入单元1030还可以包括其他输入设备1032。具体地，其他输入设备1032可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及终端1000的各种菜单。显示单元1040可包括显示面板1041，可选的，可以采用液晶显示器(liquidcrystal display，LCD)、有机发光二极管(organic light-emitting diode,OLED)等形式来配置显示面板1041。进一步的，触控面板1031可覆盖显示面板1041，当触控面板1031检测到在其上或附近的触摸操作后，传送给处理器1080以确定触摸事件的类型，随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然在图10中，触控面板1031与显示面板1041是作为两个独立的部件来实现终端1000的输入和输入功能，但是在某些实施例中，可以将触控面板1031与显示面板1041集成而实现终端1000的输入和输出功能。

终端1000还可包括至少一种传感器1050，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1041的亮度，接近传感器可在终端1000移动到耳边时，关闭显示面板1041和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端1000姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端1000还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路1060、扬声器1061，传声器1062可提供用户与终端1000之间的音频接口。音频电路1060可将接收到的音频数据转换后的电信号，传输到扬声器1061，由扬声器1061转换为声音信号输出；另一方面，传声器1062将收集的声音信号转换为电信号，由音频电路1060接收后转换为音频数据，再将音频数据输出处理器1080处理后，经RF电路1010以发送给比如另一终端1000，或者将音频数据输出至存储器1020以便进一步处理。

WiFi属于短距离无线传输技术，终端1000通过WiFi模块1070可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1070，但是可以理解的是，其并不属于终端1000的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1080是终端1000的控制中心，利用各种接口和线路连接整个终端1000的各个部分，通过运行或执行存储在存储器1020内的软件程序和/或模块，以及调用存储在存储器1020内的数据，执行终端1000的各种功能和处理数据，从而对终端1000进行整体监控。可选的，处理器1080可包括一个或多个处理单元；优选的，处理器1080可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1080中。

终端1000还包括给各个部件供电的电源1090(比如电池)，优选的，电源可以通过电源管理系统与处理器1080逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，终端1000还可以包括摄像头、蓝牙模块等，在此不再赘述。

本实施例中，所述输入单元1030用于获取预测车辆的车辆信息，所述车辆信息包括所述预测车辆对应的车辆类型和行驶里程。

所述处理器1080用于根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率，所述目标故障预测模型根据多个样本数据训练得到。

一种可能的实现方式中，所述输入单元1030还用于获取反馈信息，并将所述反馈信息上传至服务器，以使得服务器根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述部件故障概率进行修正。

另一种可能的实现方式中，所述处理器1080还用于将所述故障码概率对应的故障码、所述车辆类型和所述行驶里程上传至数据库，以使得所述数据库更新所述多个样本数据。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述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-OnlyMemory)、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。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种故障预测模型训练的方法，其特征在于，包括：

从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件；

使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率，所述至少一个部件的故障概率系数预置于所述初始故障预测模型中。

2.根据权利要求1所述的方法，其特征在于，所述从数据库中获取多个样本数据之前，所述方法还包括：

获取样本车辆的检测数据，所述检测数据包括所述样本车辆的车辆识别码VIN、所述行驶里程以及所述故障码；

根据所述VIN识别所述样本车辆对应的所述车辆类型；

将所述故障码统计到所述多个样本数据中与所述车辆类型以及所述行驶里程对应的样本数据中。

3.根据权利要求1或2所述的方法，其特征在于，所述使用所述多个样本数据训练初始故障预测模型，以得到目标故障预测模型之后，所述方法还包括：

获取反馈信息；

根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述故障码对应的至少一个部件的故障概率进行修正。

4.一种车辆故障预测的方法，其特征在于，包括：

获取预测车辆的车辆信息，所述车辆信息包括所述预测车辆对应的车辆类型和行驶里程；

根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率，所述目标故障预测模型根据多个样本数据训练得到。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取反馈信息，并将所述反馈信息上传至服务器，以使得服务器根据所述反馈信息对所述目标故障预测模型中的所述故障码概率和所述部件故障概率进行修正。

6.根据权利要求4或5所述的方法，其特征在于，所述根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率之后，所述方法还包括：

将所述故障码概率对应的故障码、所述车辆类型和所述行驶里程上传至数据库，以使得所述数据库更新所述多个样本数据。

7.一种故障预测模型训练装置，其特征在于，所述故障预测模型训练装包括：

第一获取单元，用于从数据库中获取多个样本数据，所述多个样本数据中的每个样本数据至少包括车辆类型、行驶里程和故障码，所述故障码为所述车辆类型对应的车辆行驶至所述行驶里程时所出现的故障码，所述故障码对应至少一个部件；

训练单元，用于使用所述多个样本数据以及所述至少一个部件的故障概率系数训练初始故障预测模型，以得到目标故障预测模型，所述目标故障预测模型用于确定所述故障码的故障码概率和所述故障码对应的所述至少一个部件的故障概率，所述至少一个部件的故障概率系数预置于所述初始故障预测模型中。

8.一种车辆故障预测装置，其特征在于，所述车辆故障预测装置包括：

第一获取单元，用于获取预测车辆的车辆信息，所述车辆信息包括所述预测车辆对应的车辆类型和行驶里程；

计算单元，用于根据所述车辆类型、所述行驶里程以及目标故障预测模型计算所述预测车辆的故障码概率和部件故障概率，所述目标故障预测模型根据多个样本数据训练得到。

9.一种计算机设备，其特征在于，所述计算机设备包括：

处理器；以及，

与所述处理器通信连接的存储器；其中，

所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如权利要求1-3任一项所述的方法。

10.一种终端，其特征在于，所述终端包括：

处理器；以及，

与所述处理器通信连接的存储器；其中，

所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如权利要求4-6任一项所述的方法。