CN108876137A - 一种基于多源信息的汽车安全风险预警方法及系统 - Google Patents
一种基于多源信息的汽车安全风险预警方法及系统 Download PDFInfo
- Publication number
- CN108876137A CN108876137A CN201810596608.3A CN201810596608A CN108876137A CN 108876137 A CN108876137 A CN 108876137A CN 201810596608 A CN201810596608 A CN 201810596608A CN 108876137 A CN108876137 A CN 108876137A
- Authority
- CN
- China
- Prior art keywords
- parameter
- vehicle failure
- information
- vehicle
- failure
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 33
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 19
- 238000012552 review Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000010338 mechanical breakdown Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000013139 quantization Methods 0.000 abstract description 7
- 230000004888 barrier function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源信息的汽车安全风险预警方法及系统，包括：获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数；对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数；基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级。由此可知，本发明实现了对汽车安全风险等级的自动量化判定，通过这样的方式，不仅减轻了技术人员的工作量，而且得到的结果更加客观准确。
Description
技术领域
本发明涉及汽车安全风险分析领域，尤其涉及一种基于多源信息的汽车安全风险预警方法及系统。
背景技术
近年来，我国的车辆销售量一直呈现上升的趋势，但是由于车辆的缺陷问题，汽车生产者经常需要对车辆进行召回。目前，我国缺陷汽车产品召回主要是由消费者提交汽车缺陷报告，管理部门开展缺陷技术调查，管理部门收到的缺陷汽车报告的缺陷线索数量与类型繁多，如何从众多线索中准确分析某一类型车辆某一类故障的安全风险等级，决定了产品质量监督管理部门的监管能力。但是现有技术中，技术人员首先需要耗费大量的时间对数据进行关联分析；然后采用专家研判的方式确定车辆的安全风险等级，这样不仅耗费技术人员大量的精力，而且对汽车安全风险的判定存在主观性的问题，判定结果不准确。
发明内容
有鉴于此，本发明实施例公开了一种基于多源信息的汽车安全风险预警方法及系统，解决了现有技术中，无法实现对汽车的安全风险等级进行量化分析的问题。
一种基于多源信息的汽车安全风险预警方法，其特征在于，包括：
获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数；
对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级；
基于所述汽车安全风险等级，确定安全预警措施。
可选的，
所述汽车故障模式信息，包括：
汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录；
所述汽车使用状况信息，包括：
车辆使用年限、行驶里程；
所述道路交通事故信息，包括：
交通驾驶员信息、车辆运行状态、事故发生原因、伤亡情况；
汽车故障服务公告信息，包括：
受影响车辆的范围、可能导致的故障现象、维修措施；
所述国内外召回信息包括：
召回原因、召回数量。
可选的，所述投诉销量比的获取过程包括：
统计目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量以及销售数量；
计算所述目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量之和与所述销售数量的比值，得到投诉销量比。
可选的，所述网络舆情传播影响力参数，包括：
获取针对预设故障的全网总体新闻数量、指定网络媒体新闻数量和阅读评论数量；
分别计算全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值；
依据全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值，计算所述网络舆情传播影响力参数。
可选的，所述对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数，包括：
依据所述汽车故障信息和所述汽车使用状况信息，确定汽车故障的原因参数；
依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
根据汽车故障模式信息、道路交通事故信息，确定汽车故障严重等级参数。
可选的，所述依据所述汽车故障模式信息和所述汽车使用状况信息，确定汽车故障的原因参数，包括：
依据所述车辆使用状况，统计符合预设使用条件的车辆的数量；
计算符合预设使用条件的车辆的数量占比；
基于所述符合预设使用条件的车辆的数量占比，确定汽车故障属于使用不当的可能性参数；
根据所述汽车故障模式信息对所述汽车故障属于使用不当的可能性参数进行修正；
依据修正后的所述汽车故障属于使用不当的可能性参数，计算汽车故障属于机械故障的可能性参数。可选的，所述依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数，包括：
根据所述投诉销量比和所述网路舆情传播影响力参数，计算汽车故障属于批次性问题的可能性参数；
依据所述技术服务公告信息、国内外召回信息，分析汽车的相似性缺陷；
根据所述相似性缺陷的分析结果，对所述汽车故障为批次性问题的可能性参数进行修正。
可选的，所述根据汽车故障模式信息、道路交通故障信息，确定汽车故障严重等级参数，包括：
基于所述汽车故障模式信息和预设的汽车故障等级专家知识库，确定汽车故障严重等级的参数；
依据所述道路交通事故信息，对所述汽车故障严重等级参数进行修正。
本发明实施例还公开了一种基于多源信息的汽车安全风险预警系统，包括：
数据采集模块，用于获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息以及国内外召回信息和网络舆情传播影响力参数；
多源汽车安全信息分析模块，用于对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
风险等级计算模块，用于基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级；
风险安全预警模块，用于基于所述汽车安全风险等级，确定安全预警措施。
可选的，所述多源汽车安全信息分析模块，包括：
汽车故障的原因参数确定子模块，用于依据所述汽车故障模式信息和所述汽车使用状况信息，确定汽车故障的原因参数；
汽车故障属于批次性问题的可能性参数确定子模块，用于依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
汽车故障严重等级参数确定子模块，用于根据汽车故障模拟信息、道路交通事故信息，确定汽车故障严重等级参数。
本发明实施例公开了一种基于多源信息的汽车安全风险预警方法及系统，包括：获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息以及国内外召回信息和网络舆情传播影响力参数；对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级。由此可知，本发明通过对多源汽车安全信息进行关联分析后，将造成汽车安全风险等级的因素进行量化，并通过量化的结果计算安全风险等级，这样实现了对汽车安全风险等级的自动量化判定，通过这样的方式，不仅减轻了技术人员的工作量，而且得到的结果更加客观准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种基于多源信息的汽车安全风险预警方法的流程示意图；
图2示出了本发明实施例提供的一种基于多源信息的汽车安全风险预警方法的又一流程示意图；
图3示出了本发明实施例提供的一种基于多源信息的汽车安全风险预警系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
参考图1，示出了本发明实施例提供的一种基于多源信息的汽车安全风险预警方法的流程示意图，在本实施例中，该方法包括：
S101:获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数；
本实施例中，汽车故障模式信息包括：汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录等，具体的，获取汽车故障模式信息包括：
获取车主投诉信息；
从所述车主投诉信息中，获取汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录等。
本实施例中，可以通过多种方法从车主投诉信息中，获取到汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录等。
举例说明：车主投诉信息中可以包括一些预设的字段，例如故障发生时间、故障频次以及车辆维修记录等，这样可以直接从这些字段信息中获取所需的信息；除此之外，还可以包括一些描述性的信息，可以对这些描述性的信息进行分词处理或者贴标签处理，这样得到所需的信息。
本实施例中，汽车使用状况信息包括：车辆使用年限、行驶里程等；具体的，获取汽车使用状况信息的过程包括：
采集车主投诉信息；
从所述车主投诉信息中获取车辆使用年限、行驶里程等。
本实施例中，投诉销量比的计算过程包括：
统计目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量以及销售数量；
计算所述目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量之和与所述销售数量的比值，得到投诉销量比。
本实施例中，道路交通事故信息包括：交通驾驶员信息、车辆运行状态、事故发生原因、伤亡情况等。具体的，道路交通事故的获取过程包括：
采集车主回访信息；
从所述车主回访信息中获取汽车发生道路交通事故的驾驶员信息、车辆运行状况、事故发生原因、伤亡情况等。
本实施例中，车主回访信息通常是产品质量监督管理部门、经销商或者生产者对车辆使用者进行回访后得到的。
举例说明：车主回访信息中可以包括一些预设的字段，例如驾驶员信息字段、伤亡情况等，这样可以直接从这些字段信息中获取所需的信息；除此之外，还可以包括一些描述性的信息，可以对这些描述性进行分词处理或者贴标签处理，这样得到所需的信息，例如可以得到车辆运行状况等信息。
本实施例中，汽车故障服务公告包括：受影响车辆的范围、可能导致的故障现象、维修措施等信息。具体的，获取汽车技术服务公告的过程可以包括：
判断是否存在汽车生产者上传的技术服务公告；
若包含，调取技术服务公告。
本实施例中，国内外召回信息包括：召回原因，召回数量等。
本实施例中，获取网络舆情传播影响力参数的过程，包括：
获取针对预设故障的全网总体新闻数量、指定网络媒体新闻数量和阅读评论数量；
本实施例中，可以通过网络爬取的方法从互联网中爬取针对预设故障的全网总体新闻数量、指定网络媒体新闻数量和阅读评论数量。
分别计算全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值；
依据全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值，计算所述网络舆情传播影响力参数。
举例说明：通过如下的公式1)计算全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值以及阅读评论数量的评价指标值，
1)
其中，c(t)表示评价指标；t表示评价项目，包括：全网总体新闻数量、指定网络媒体新闻数量以及阅读评论数量；n(t)表示评价项目数量；θt表示调整系数，其中调整系数θt可以是技术人员根据经验设置的，例如，全网总体新闻数量的调整系数可以为0.005，指定网络媒体新闻数量的调整系数可以为0.01，阅读评论数量调整系数可以为0.001。
通过如下的公式2)计算网络舆情传播影响力参数：
2)
需要理解的是，网络舆情传播影响力参数是通过全网总体新闻数量、指定网络媒体新闻数量以及阅读评论数量综合消费者对该故障模式的关注程度。
其中，I(c)表示为汽车故障的网络舆情传播影响力参数；w(t)表示为评价指标的权重，例如，全网总体新闻数量权重可以为0.35，指定网络媒体新闻数量权重可以为0.45，阅读评论数量权重可以为0.20。
S102：对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
S103:基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级。
举例说明：可以通过如下的公式3)计算汽车安全风险等级，
3)
其中，ER表示汽车安全风险等级，P4表示汽车故障属于批次性问题的可能性参数，S为汽车故障严重等级参数，P2为汽车故障原因参数，具体的可以指汽车故障属于机械故障的可能性参数。
S104:基于所述汽车安全风险等级，确定安全预警措施。
本实施例中，不同的汽车安全风险等级，表示车辆存在不同的风险，对于不同的风险应具备不同的安全预警措施，例如：
其中，案例关闭表示案例确定为非缺陷问题，不再继续分析；信息跟踪表示案例风险等级不高或者相关信息缺失，可以继续收集相关信息；生产者分析表示案例具有一定风险等级，管理中心要求生产者启动分析工作；缺陷调查表示案例具有较高风险等级，管理中心启动缺陷分析工作；实施召回表示案例确定为汽车缺陷，生产者启动缺陷汽车产品召回工作。
本实施例中，通过对获取到的多源汽车安全信息进行分析，确定出汽车故障原因参数、汽车故障属于批次性问题的可能性参数以及汽车故障严重等级参数，并根据以上获取到的各个参数值，计算汽车安全风险等级，基于汽车安全风险等级，确定出安全预警措施。由此可知，由此可知，本发明通过对多源汽车安全信息进行关联分析后，将造成汽车安全风险等级的因素进行量化，并通过量化的结果计算安全风险等级，这样实现了对汽车安全风险等级的自动量化判定，通过这样的方式，不仅减轻了技术人员的工作量，而且得到的结果更加客观准确。这样实现了对汽车安全风险等级的自动量化判定，这样的方式，不仅减轻了技术人员的工作量，而且得到的结果更加客观准确。
本实施例中，参考图2，示出了本发明实施例提供的一种基于多源信息的汽车安全风险预警方法的又一流程示意图，即S102具体包括如下的S201～S203：
S201:依据所述汽车故障模式信息和所述汽车使用状况信息，确定汽车故障的原因参数；
具体的，S201包括：
依据所述车辆使用状况，统计符合预设使用条件的车辆的数量；
计算符合预设使用条件的车辆的数量的占比；
基于所述符合预设使用条件的车辆的数量的占比，确定汽车故障属于使用不当的可能性参数；
根据所述汽车故障模式信息对所述汽车故障属于使用不当的可能性参数进行修正；
依据修正后的所述汽车故障属于使用不当的可能性参数，计算汽车故障属于机械故障的可能性参数。本实施例中，预设的使用条件可以是技术人员根据经验设置的，例如可以是在三包期内的车辆，具体的，可以是使用年限小于预设的年限阈值且者行驶里程小于预设的里程阈值的车辆。需要知道的是，车辆在三包期内发生故障由人为使用不当造成原因的可能性要小，也就是说，若符合预设使用条件的车辆的数量占比越大，汽车故障是由使用不当造成的原因的可能性越小。
需要说明的是，假设预设的时间阈值为三年，预设的里程阈值为六万公里，也就是统计使用时间小于三年且行驶里程小于六万公里的车辆的总数。
举例说明，假设汽车故障属于使用不当的可能性指标为P1，符合预设使用条件的车辆的数量的占比为r，则P1和r的关系如下式4)：
4)
其中，若r＝100％，则汽车故障属于使用不当的可能性参数为1,也就是说汽车故障属于使用不当的可能性很低；若75％≤r<100％，则汽车故障属于使用不当的可能性参数为2，汽车故障属于使用不当的可能性较低；若50％≤r<75％，汽车故障属于使用不当的可能性参数为3，汽车故障属于使用不当的可能性为中；若25％≤r<50％，汽车故障属于使用不当的可能性参数为4，汽车故障属于使用不当的可能性较高；若r≤10％，汽车故障属于使用不当的可能性参数为5，汽车故障属于使用不当的可能性很高。
除了汽车的使用状况可以反映汽车故障属于使用不当的可能性外，汽车的故障模式信息也可以反映汽车故障属于使用不当的可能性，为了计算出更加准确的指标值，还可以通过汽车故障模式对汽车故障属于使用不当的指标进行修正，具体的，可以通过汽车故障发生原因、道路情况、运行工况、故障频次以及车辆维修记录等对汽车故障属于使用不当的参数进行修改。
举例说明：对长期在高寒、高温和高湿等特殊气候下使用的车辆，由于这些环境会增加汽车故障的发生，可以适当提高汽车故障由使用不当造成的可能性。并且，对于长期在路面状况较差的道路上使用的车辆，也会增加汽车故障发生的几率，可以适当提高汽车故障是由使用不当造成的可能性。
本实施例中，通过汽车故障发生原因、道路情况、运行工况、故障频次以及车辆维修记录等对汽车故障属于使用不当的可能性进行修正，可以是依据专家经验适当的提高汽车故障由使用不当造成的可能性。或者还可以对不同汽车故障设定不同的修订级别、不同的道路情况设定不同的修订级别、不同的运行工况设定不同的修订级别、不同的故障频次设定不同的级别、不同的维修记录的次数或者不同的维修项目设定不同的修订级别，当确定了汽车故障发生原因、道路情况、运行工况、故障频次以及车辆维修记录，也就确定了修订级别，可以自动的对汽车故障是由使用不当造成的可能性参数的级别进行修订。
除此之外，对于定期进行维护保养的车辆，可以适当降低汽车故障属于使用不当的可能性。
本实施例中，汽车故障属于使用不当的可能性参数P1与汽车故障属于机械故障的可能性参数P2成反向关系，例如可以通过如下的公式5)表示：
5)P2＝n-P1；
其中，n等于汽车故障属于使用不当的可能性参数的最大值加1。
机械故障包括：汽车设计故障、汽车制造故障以及标识故障等；其中，标识故障包括：说明书写错误或者位置标记错误等情况。S202:依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
具体的，S202包括：
根据所述投诉销量比和所述网路舆情传播影响力参数，计算汽车故障属于批次性问题的可能性参数；
依据所述技术服务公告信息、国内外召回信息，分析汽车的相似性缺陷；
根据所述相似性缺陷的分析结果，对所述汽车故障为批次性问题的指标值进行修正。
本实施例中，通过上文的介绍可知，投诉销量比可以为目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量之和与所述销售数量的比值，该比值的大小可以适当的反应车辆为批次性问题的可能性。
举例说明：假设通过车主投诉信息确定出的批次性的第一指标表示为P3，通过如下的公式6)表示：
6)
其中，r2表示投诉销量比；
若r2≤1/10000时，汽车故障属于批次性问题的可能性指标值为1,也就是说汽车故障属于批次性问题的可能性很低；若1/10000≤r2<1/5000，则汽车故障属于批次性问题的第一指标值为2，汽车故障属于批次性问题的可能性较低；若1/5000≤r2<1/2000，则汽车故障属于批次性问题的可能性指标值为3，汽车故障属于批次性问题的可能性为中；若1/2000≤r2<1/1000，则汽车故障属于批次性问题的可能性指标值为4，汽车故障属于批次性问题的可能性较高；若r2≥1/1000，则汽车故障属于批次性问题的可能性指标值为5，汽车故障属于批次性问题的可能性很高。
通过上述的介绍可知，已经计算出了网络舆情传播影响力指标，可以通过如下的公式7)计算投诉销量比与网络舆情传播影响力对汽车故障属于批次性问题的指数值：
7)p4＝0.6×(p3×20)+0.4×I(c)；
其中，p4表示汽车故障属于批次性问题的指数值，p3表示由投诉销量比确定出的汽车故障属于批次性问题的可能性指标值，I(c)表示网络舆情传播影响力参数。
通过如下的公式8)确定该指数值对应汽车故障属于批次性问题的可能性指标值：
8)
由此可知，若P4<20时，汽车故障属于批次性问题的可能性参数为1,也就是说汽车故障属于批次性问题的可能性很低；若20≤P4<40，则汽车故障属于批次性问题的可能性参数为2，汽车故障属于批次性问题的可能性较低；若40≤P4<60，汽车故障属于批次性问题的可能性参数为3，批次性问题的可能性为中；若60≤P4<80，汽车故障属于批次性问题的可能性参数为4，汽车故障属于批次性问题的可能性较高；若P4>80，汽车故障属于批次性问题的可能性参数为5，汽车故障属于批次性问题的可能性很高。
除此之外，如果汽车生产者已经发布了目标品牌目标车型预设故障的市场服务公告，可以适当提高汽车故障属于批次性问题的可能性等级；如果没有发布相关的技术服务公告，则保持汽车故障属于批次性问题的可能性参数值不变。
并且，汽车产品生产者国内外发布的针对其他品牌或者某个系列的车辆的预设故障的召回公告，可以适当提高汽车故障为批次性问题的可能性等级如果没有发布相关的召回公告，则保持汽车故障为批次性问题的可能性不变。
其中，针对通过市场服务公告或者国内外召回信息对汽车故障属于批次性问题的可能性的修订，可以是依据专家经验进行修订的，也可以是为市场服务公告和国内外召回信息设定了不同的修订级别，例如若包含市场服务公告，则将汽车故障属于批次性问题的可能性提高一级；若包含国内外服务公告，则将汽车故障属于批次性问题的可能性提高一级。
S203:根据汽车故障模式信息、道路交通事故信息，确定汽车故障严重等级参数；
具体的，S203包括：
基于所述汽车故障模式信息和预设的汽车故障等级专家知识库，确定汽车故障严重等级的参数；
依据所述道路交通事故信息，对所述汽车故障严重等级参数进行修正。
本实施例中，通过汽车故障模式信息，例如故障发生时间、运行工况、频次以及车辆维修记录等可以确定出汽车故障等级的参数，不同的参数表示不同程度的故障。
举例说明：专家知识库中记录的故障等级参数可以如下9)所示：
9)
除此之外，还可以根据交通事故数量及伤亡人数，对故障等级参数值进行修正。
举例说明：不同的交通事故情况对应的修正参数如下式10)所示：
10)
举例说明：在对故障等级参数进行修正时，可以在原故障等级参数值的基础上加上修正的参数值，得到修正后的故障等级参数值；例如：假设故障等级参数为1，若交通事故情况为交通事故一起，未造成伤亡，也就是说修正参数值为1，则在原故障等级参数的基础上加1，得到的修正好的故障等级参数为2。需要说明的是，故障等级参数的最大值为5，对故障等级参数进行修正后，故障等级参数不能超过最大值。例如，假设原故障等级参数值为4，修正参数值为4，则最终的故障等级参数为5。
本实施例中，通过对多源汽车安全信息进行分析，得到了汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数，由此为计算汽车安全风险等级提供了依据。
参考图3，示出了本发明提供的一种基于多源信息的汽车安全风险预警系统的结构示意图，在本实施例中，该系统包括：
数据采集模块301，用于获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数；
多源汽车安全信息分析模块302，用于对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
风险等级计算模块303，用于基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级；
风险安全预警模块304，用于基于所述汽车安全风险等级，确定安全预警措施。
可选的，所述汽车故障模式信息，包括：
汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录；
所述汽车使用状况信息，包括：
车辆使用年限、行驶里程；
所述道路交通事故信息，包括：
交通驾驶员信息、车辆运行状态、事故发生原因、伤亡情况；
汽车技术服务公告信息，包括：
受影响车辆的范围、可能导致的故障现象、维修措施；
所述国内外召回信息包括：
召回原因、召回数量。
可选的，所述数据采集模块，包括：
第一统计子模块，用于统计目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量以及销售数量；
投诉销量比计算子模块，用于计算所述目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量之和与所述销售数量的比值，得到投诉销量比。
可选的，所述数据采集模块，包括：
获取子模块，用于获取针对预设故障的全网总体新闻数量、指定网络媒体新闻数量和阅读评论数量；
指标值计算子模块，用于分别计算全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值；
网络舆情传播影响力参数计算子模块，用于依据全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值，计算所述网络舆情传播影响力参数。
可选的，所述多源汽车安全信息分析模块，包括：
汽车故障的原因参数确定子模块，用于依据所述汽车故障信息和所述汽车使用状况信息，确定汽车故障的原因参数；
汽车故障属于批次性问题的可能性参数确定子模块，用于依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
汽车故障严重等级参数确定子模块，用于根据汽车故障模拟信息、道路交通事故信息，确定汽车故障严重等级参数。
可选的，所述汽车故障的原因参数确定子模块，包括：
第二统计子模块，用于依据所述车辆使用状况，统计符合预设使用条件的车辆的数量；
占比计算子模块，用于计算符合预设使用条件的车辆的数量占比；
汽车故障属于使用不当的可能性参数确定子单元，用于基于所述符合预设使用条件的车辆的数量的占比，确定汽车故障属于使用不当的可能性参数；
汽车故障属于机械故障的可能性参数确定子单元，用于依据修正后的所述汽车故障属于使用不当的可能性参数，计算汽车故障属于机械故障的可能性参数。
第一修正子单元，用于根据所述汽车故障模式信息对所述汽车故障属于使用不当的可能性参数进行修正。
可选的，汽车故障属于批次性问题的可能性参数确定子模块，包括：
汽车故障属于批次性问题的可能性参数计算子模块，用于根据所述投诉销量比和所述网路舆情传播影响力参数，计算汽车故障属于批次性问题的可能性参数；
相似性缺陷分析子模块，用于依据所述技术服务公告信息、国内外召回信息，分析汽车的相似性缺陷；
第二修正子模块，用于根据所述相似性缺陷的分析结果，对所述汽车故障为批次性问题的指标值进行修正。
可选的，汽车故障严重等级参数确定子模块，包括：
汽车故障严重等级的参数确定子单元，用于基于所述汽车故障模式信息和预设的汽车故障等级专家知识库，确定汽车故障严重等级的参数；
第三修正子模块，用于依据所述道路交通事故信息，对所述汽车故障严重等级参数进行修正。
通过本实施例的装置，实现了对汽车安全风险等级的自动量化判定，这样的方式，不仅减轻了技术人员的工作量，而且得到的结果更加客观准确。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多源信息的汽车安全风险预警方法，其特征在于，包括：
获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数；
对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级；
基于所述汽车安全风险等级，确定安全预警措施。
2.根据权利要求1所述的方法，其特征在于，
所述汽车故障模式信息，包括：
汽车故障发生时间、道路情况、运行工况、故障频次以及车辆维修记录；
所述汽车使用状况信息，包括：
车辆使用年限、行驶里程；
所述道路交通事故信息，包括：
交通驾驶员信息、车辆运行状态、事故发生原因、伤亡情况；
汽车故障服务公告信息，包括：
受影响车辆的范围、可能导致的故障现象、维修措施；
所述国内外召回信息包括：
召回原因、召回数量。
3.根据权利要求1所述的方法，其特征在于，所述投诉销量比的获取过程包括：
统计目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量以及销售数量；
计算所述目标品牌的目标车型针对预设故障的车主投诉数量和索赔数量之和与所述销售数量的比值，得到投诉销量比。
4.根据权利要求1所述的方法，其特征在于，所述网络舆情传播影响力参数，包括：
获取针对预设故障的全网总体新闻数量、指定网络媒体新闻数量和阅读评论数量；
分别计算全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值；
依据全网总体新闻数量的评价指标值、指定网络媒体新闻数量的评价指标值和阅读评论数量的评价指标值，计算所述网络舆情传播影响力参数。
5.根据权利要求1所述的方法，其特征在于，所述对所述多源汽车安全信息进行分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数，包括：
依据所述汽车故障信息和所述汽车使用状况信息，确定汽车故障的原因参数；
依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
根据汽车故障模式信息、道路交通事故信息，确定汽车故障严重等级参数。
6.根据权利要求5所述的方法，其特征在于，所述依据所述汽车故障模式信息和所述汽车使用状况信息，确定汽车故障的原因参数，包括：
依据所述车辆使用状况，统计符合预设使用条件的车辆的数量；
计算符合预设使用条件的车辆的数量占比；
基于所述符合预设使用条件的车辆的数量占比，确定汽车故障属于使用不当的可能性参数；
根据所述汽车故障模式信息对所述汽车故障属于使用不当的可能性参数进行修正；
依据修正后的所述汽车故障属于使用不当的可能性参数，计算汽车故障属于机械故障的可能性参数。
7.根据权利要求5所述的方法，其特征在于，所述依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数，包括：
根据所述投诉销量比和所述网路舆情传播影响力参数，计算汽车故障属于批次性问题的可能性参数；
依据所述技术服务公告信息、国内外召回信息，分析汽车的相似性缺陷；
根据所述相似性缺陷的分析结果，对所述汽车故障为批次性问题的可能性参数进行修正。
8.根据权利要求5所述的方法，其特征在于，所述根据汽车故障模式信息、道路交通故障信息，确定汽车故障严重等级参数，包括：
基于所述汽车故障模式信息和预设的汽车故障等级专家知识库，确定汽车故障严重等级的参数；
依据所述道路交通事故信息，对所述汽车故障严重等级参数进行修正。
9.一种基于多源信息的汽车安全风险预警系统，其特征在于，包括：
数据采集模块，用于获取多源汽车安全信息；所述多源汽车安全信息包括：汽车故障模式信息、汽车使用状况信息、投诉销量比、道路交通事故信息、技术服务公告信息以及国内外召回信息和网络舆情传播影响力参数；
多源汽车安全信息分析模块，用于对所述多源汽车安全信息进行关联分析，确定汽车故障的原因参数、汽车故障属于批次性问题的可能性参数、汽车故障严重等级参数；
风险等级计算模块，用于基于所述汽车故障的原因参数、汽车故障属于批次性问题的可能性参数和汽车故障严重等级参数，计算汽车安全风险等级；
风险安全预警模块，用于基于所述汽车安全风险等级，确定安全预警措施。
10.根据权利要求9所述的系统，其特征在于，所述多源汽车安全信息分析模块，包括：
汽车故障的原因参数确定子模块，用于依据所述汽车故障模式信息和所述汽车使用状况信息，确定汽车故障的原因参数；
汽车故障属于批次性问题的可能性参数确定子模块，用于依据所述汽车故障模式信息、投诉销量比、技术服务公告信息、国内外召回信息和网络舆情传播影响力参数，确定汽车故障属于批次性问题的可能性参数；
汽车故障严重等级参数确定子模块，用于根据汽车故障模拟信息、道路交通事故信息，确定汽车故障严重等级参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810596608.3A CN108876137B (zh) | 2018-06-11 | 2018-06-11 | 一种基于多源信息的汽车安全风险预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810596608.3A CN108876137B (zh) | 2018-06-11 | 2018-06-11 | 一种基于多源信息的汽车安全风险预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108876137A true CN108876137A (zh) | 2018-11-23 |
| CN108876137B CN108876137B (zh) | 2021-05-28 |
Family
ID=64337636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810596608.3A Active CN108876137B (zh) | 2018-06-11 | 2018-06-11 | 一种基于多源信息的汽车安全风险预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108876137B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133818A (zh) * | 2013-05-04 | 2014-11-05 | 白银博德信通科技有限公司 | 一种基于车联网的汽车历史数据分析方法及系统 |
| CN107153914A (zh) * | 2017-04-18 | 2017-09-12 | 交通运输部公路科学研究所 | 一种汽车运行风险的评价系统及方法 |
| US9792656B1 (en) * | 2014-05-20 | 2017-10-17 | State Farm Mutual Automobile Insurance Company | Fault determination with autonomous feature use monitoring |
-
2018
- 2018-06-11 CN CN201810596608.3A patent/CN108876137B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133818A (zh) * | 2013-05-04 | 2014-11-05 | 白银博德信通科技有限公司 | 一种基于车联网的汽车历史数据分析方法及系统 |
| US9792656B1 (en) * | 2014-05-20 | 2017-10-17 | State Farm Mutual Automobile Insurance Company | Fault determination with autonomous feature use monitoring |
| CN107153914A (zh) * | 2017-04-18 | 2017-09-12 | 交通运输部公路科学研究所 | 一种汽车运行风险的评价系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姜肇财等: "大数据分析在产品质量信息风险评估中的应用方法初探", 《标准科学》 * |
| 宋黎等: "我国汽车产品缺陷信息分析研究初探", 《标准科学》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108876137B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200326382A1 (en) | Secondary battery management device, secondary battery, and secondary battery management program | |
| Sayed et al. | Accident prediction models for urban unsignalized intersections in British Columbia | |
| CN108803559B (zh) | 车辆故障分析方法、装置和系统 | |
| National Research Council et al. | Evaluating vehicle emissions inspection and maintenance programs | |
| CN113240349B (zh) | 司机评价信息处理方法、装置、电子设备和可读存储介质 | |
| CN116720852B (zh) | 一种基于人工智能的新能源汽车维修数据分析管理系统 | |
| CN112550059B (zh) | 一种基于大数据的共享单车云平台智能换电方法及系统 | |
| CN114021971A (zh) | 一种高速公路运维管理综合评价系统、方法及存储介质 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
| CN112561289A (zh) | 一种能源管理体系认证中的能源绩效集成验证方法 | |
| CN115689396A (zh) | 污染物排放管控方法、装置、设备及介质 | |
| CN113762926B (zh) | 智慧监督系统及智慧监督方法 | |
| Wei et al. | Evaluating environmental benefits from driving electric vehicles: The case of Shanghai, China | |
| CN114723223A (zh) | 基于旭日图的电表健康度分析展示方法及装置 | |
| CN108876137A (zh) | 一种基于多源信息的汽车安全风险预警方法及系统 | |
| CN115759539A (zh) | 一种食品安全指数评价方法及装置 | |
| CN112505550A (zh) | 一种动力电池监控预警方法 | |
| DE102012220673A1 (de) | Elektronisches Vergleichssystem von Werten des durchschnittlichen Kraftstoffverbrauchs und der Menge eines Schadgases, das von einem entsprechenden Kraftfahrzeug ausgestoßen wird, und zugeordnetes Vergleichsverfahren | |
| CN110837948A (zh) | 一种新能源汽车安全性指数评价方法 | |
| Harrington | A Behavioral Analysis of EPA's MOBILE Emission Factor Model | |
| Walker et al. | Quantitative study of attitudes, motivations and beliefs related to speeding and speed enforcement | |
| Lueck et al. | Predicting Truck Crash Involvement: Linking Driver Behaviors to Crash Probability. | |
| Stawska et al. | Bridge rating for vehicles with grandfather provisions | |
| CN201030869Y (zh) | 铁路机务故障管理信息系统 | |
| Tselentis et al. | Investigating the Correlation between Driver’s Characteristics and Safety Performance |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |