CN109636044B - 一种智能网联车配件需求预测方法 - Google Patents

一种智能网联车配件需求预测方法 Download PDF

Info

Publication number
CN109636044B
CN109636044B CN201811540389.3A CN201811540389A CN109636044B CN 109636044 B CN109636044 B CN 109636044B CN 201811540389 A CN201811540389 A CN 201811540389A CN 109636044 B CN109636044 B CN 109636044B
Authority
CN
China
Prior art keywords
distribution
demand
data
poisson
vehicles
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.)
Active
Application number
CN201811540389.3A
Other languages
English (en)
Other versions
CN109636044A (zh
Inventor
王志刚
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.)
Ubiai Information Technology Beijing Co ltd
Original Assignee
Ubiai Information Technology Beijing 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 Ubiai Information Technology Beijing Co ltd filed Critical Ubiai Information Technology Beijing Co ltd
Priority to CN201811540389.3A priority Critical patent/CN109636044B/zh
Publication of CN109636044A publication Critical patent/CN109636044A/zh
Application granted granted Critical
Publication of CN109636044B publication Critical patent/CN109636044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种预测方法，特别是一种主要用于预测车辆零部件需求且步骤简单、预测精度高的利用智能网联车数据的车辆配件需求预测方法。引入模型中的服务半径内汽车保有数量服从参数为λ的泊松分布，根据历史经验得知某一配件的历史故障率为p，可以将配件需求分布—二项分布改进为泊松—二项分布；此外，将故障率p看作一个随机变量，通过历史数据与新数据的结合，将智能网联车记录的维修站维修数据和确切的发生故障的车辆数量应用到模型中，实现对故障率p的估计更新，提高估计精度；最后运用实例进行例证。本发明可解决由于汽车零部件的寿命和故障率不同导致估计配件需求量的拟合不准确，给配件尤其是不常用配件的准备造成困难的问题。

Description

一种智能网联车配件需求预测方法
技术领域
本发明涉及一种预测方法，特别是一种主要用于预测车辆零部件需求且步骤简单、预测精度高的利用智能网联车数据的车辆配件需求预测方法。
背景技术
随着我国的经济的飞速发展和汽车市场的繁荣，以及汽车配件作为车辆售后服务管理中的重要组成部分，为汽车产业链的中上游提供了发展的基础。因此，汽车行业必须有强大的汽车配件体系来支撑，配件有效、科学的管理会直接影响汽车售后服务和汽车销售业务的服务绩效和经济效益。为了在激烈的市场竞争中取得胜利，汽车修理行业需要将汽车配件以最快的速度和最低的成本提供给顾客，以满足顾客的需求。一方面维修厂如果要准备足够的配件，以满足客户的维修需求，以免丢失商机；另一方面过高的配件库存，容易占用资金，提高运营成本，造成生产力的浪费。为了解决矛盾，必须知道配件需要的平衡点，所以对汽车配件的需求的预测是必须的，以保证合理的库存来满足顾客的需求，又要对资金合理的使用，保证企业利润最大化。汽车配件不同于普通商品，通常只用于维修保养时才会产生配件的需求，而这种需求是与汽车故障直接相关的，因此预测汽车配件的需求，必须深入研究汽车故障规律。
而且随着智能网联车技术的发展，现阶段通过智能网联车技术可以准确获得车辆位置信息，根据该位置信息可以度量出任意维修站服务半径内的运行车辆数量；同时还可以通过智能网联车数据技术，进一步得到车辆的型号、行驶里程、行驶速度等运行状态信息。本文将主要考虑利用车辆数量信息，改进现有基于统计可靠性的配件需求预测模型，提高配件预测精度。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种步骤简单、预测精度高的利用智能网联车数据的车辆配件需求预测方法。
本发明解决其技术问题所采用技术方案是：一种利用智能网联车数据的车辆配件需求预测方法，包括以下步骤：
a、统计在维修站汽车维修服务半径内的某一品牌的汽车数量，根据统计规律在某维修站服务区域内A型汽车的保有数量服从参数为λ的泊松分布；
b、应用统计学方法获得该A型汽车某一配件的历史故障率为p，该p服从二项分布，结合服务半径内的汽车数量预测结果，将二项分布改进为泊松—二项分布，建立基于泊松—二项分布的配件预测模型；
c、将以往方法中视为常数的配件故障率p看作一个随机变量，对应于它的二项分布，建立故障率p服从二项分布的共轭先验分布—贝塔分布模型；
d、得到故障率的估计值：
Figure GDA0001969267070000021
相应得到故障率的期望为
Figure GDA0001969267070000022
其中测试数据中发生故障的配件个数为a0，没有发生故障配件个数为b0；
e、将本周期内维修站维修数据和通过智能网联车技术记录的本周期内维修站服务区域内活动车辆数据纳入到模型中，得到没有发生故障的汽车数量b1，发生故障的汽车数量a1，进一步将贝塔函数更新为：Be(a+a1,b+b1)，因此可以得到
下一周期的配件需求预测为：
Figure GDA0001969267070000023
即将故障率由初始估计
Figure GDA0001969267070000024
修正为
Figure GDA0001969267070000025
f、最后，得到平均故障率p的估计序列：
Figure GDA0001969267070000026
进一步得到每个周期汽车配件需求的精准预测。
进一步的，为更好地实现本发明，特别采用下述设置：步骤a中对汽车数量进行统计时，利用大数据网络方式获取汽车数量。
进一步的，为更好地实现本发明，特别采用下述设置：所述的大数据网络方式包括接入电子眼系统。
进一步的，为更好地实现本发明，特别采用下述设置：所述的大数据网络方式包括接入停车场系统。
进一步的，为更好地实现本发明，特别采用下述设置：所述的大数据网络方式包括接入专卖店系统。
进一步的，为更好地实现本发明，特别采用下述设置：所述的步骤b中，故障率p服从0-1分布，假设汽车维修站服务半径内所覆盖的汽车数量Y是一个随机数，服从参数为λ的泊松分布，此外如果假定每辆汽车的配件是否发生故障都是独立事件，服从故障率为p的0-1分布，此时服务区域内所有车辆配件需求数量服从二项分布。
进一步的，为更好地实现本发明，特别采用下述设置：随机变量配件需求数量X分布将是一个多层分布，其中X|Y服从参数(Y,p)的二项分布、Y服从参数为λ的泊松分布，此多层分布为泊松—二项分布；同时根据泊松分布的性质，得到随机变量配件需求数量X的期望为：E(X)＝λp，其含义表示配件需求数量X的期望为指定维修站服务半径内运行车辆数量期望与故障率期望的乘积。
进一步的，为更好地实现本发明，特别采用下述设置：所述的步骤c中，维修站内配件需求数量X服从参数为λp的泊松分布，即x|p～po(λp)，结合p～Be(a,b)。
进一步的，为更好地实现本发明，特别采用下述设置：随机变量配件需求数量X分布为一个多层分布。
进一步的，为更好地实现本发明，特别采用下述设置：所述的多层分布包括两层，第一层为X|p～po(λp)，第二层为p～Be(a,b)，综合为泊松—贝塔分布。
本发明的有益效果是：本发明的一种利用智能网联车数据的车辆配件需求预测方法，通过a至f的步骤，根据智能网联车数据得到某一维修站服务半径内的运行车辆数量，引入模型中的服务半径内汽车保有数量服从参数为λ的泊松分布，并且根据历史经验得知某一配件的历史故障率为p，可以将配件需求分布—二项分布改进为泊松—二项分布；于是，将故障率p看作一个随机变量，通过历史数据与新数据的结合，将智能网联车记录的维修站维修数据和确切的发生故障的车辆数量应用到模型中，实现对故障率p的估计更新，提高估计精度；最后运用实例进行例证。通过本发明可解决由于汽车零部件的寿命和故障率不同导致估计配件需求量的拟合不准确，给配件尤其是不常用配件的准备造成困难的问题。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全面的实施例。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得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1：
本发明的一种利用智能网联车数据的车辆配件需求预测方法，包括以下步骤：
a、统计在维修站汽车维修服务半径内的某一品牌的汽车数量，根据统计规律在某维修站服务区域内A型汽车的保有数量服从参数为λ的泊松分布；
b、应用统计学方法获得该A型汽车某一配件的历史故障率为p，该p服从二项分布，结合服务半径内的汽车数量预测结果，将二项分布改进为泊松—二项分布，建立基于泊松—二项分布的配件预测模型；
c、将以往方法中视为常数的配件故障率p看作一个随机变量，对应于它的二项分布，建立故障率p服从二项分布的共轭先验分布—贝塔分布模型；
d、得到故障率的估计值：
Figure GDA0001969267070000041
相应得到故障率的期望为
Figure GDA0001969267070000042
其中测试数据中发生故障的配件个数为a0，没有发生故障配件个数为b0；
e、将本周期内维修站维修数据和通过智能网联车技术记录的本周期内维修站服务区域内活动车辆数据纳入到模型中，得到没有发生故障的汽车数量b1，发生故障的汽车数量a1，进一步将贝塔函数更新为：Be(a+a1,b+b1)，因此可以得到
下一周期的配件需求预测为：
Figure GDA0001969267070000043
即将故障率由初始估计
Figure GDA0001969267070000051
修正为
Figure GDA0001969267070000052
f、最后，得到平均故障率p的估计序列：
Figure GDA0001969267070000053
进一步得到每个周期汽车配件需求的精准预测。
本发明的一种利用智能网联车数据的车辆配件需求预测方法，通过a至f的步骤，根据智能网联车数据判断出某一维修站服务半径内的运行车辆数量，引入模型中服务半径内汽车保有数量服从参数为λ的泊松分布，并且根据历史经验得知某一配件的历史故障率为p，可以将配件需求分布—二项分布改进为泊松—二项分布；此外，将故障率p也看作一个随机变量，通过历史数据与新数据的结合，将智能网联车数据记录的维修站维修数据和确切的发生故障的车辆数量应用到模型中，实现对故障率p的估计更新，提高估计精度；最后运用实例进行例证。通过本发明可解决由于汽车零部件的寿命和故障率不同导致估计配件需求量的拟合不准确，给配件尤其是不常用配件的准备造成困难的问题。
本发明充分利用了智能网联车数据数据，配件故障率p利用每个新周期的数据，得到新的估计值，具有自更新能力。
实施例2：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：步骤a中对汽车数量进行统计时，利用大数据网络方式获取汽车数量。通过大数据网络方式，搜集汽车的号牌信息、型号信息、定位信息等，经过处理分析得出汽车的数量，大大地节约了人工统计时间。
实施例3：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的大数据网络方式包括接入电子眼系统。这样的设计，可以方便地获取汽车的品牌型号信息和号牌信息，节约了人工统计的时间。
实施例4：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的大数据网络方式包括接入停车场系统。该设计可以方便地获取汽车的品牌型号信息和号牌信息，节约了人工统计的时间。
实施例5：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的大数据网络方式包括接入专卖店系统。可以方便地获取汽车的品牌型号信息，节约了人工统计的时间。通过接入电子眼系统、接入停车场系统以及接入专卖店系统，可以基本上囊括汽车的数据信息，方便了统计，节约了成本。
实施例6：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的步骤b中，故障率p服从0-1分布，假设汽车维修站服务半径内所覆盖的汽车数量Y是一个随机数，服从参数为λ的泊松分布，此外如果假定每辆汽车的配件是否发生故障都是独立事件，服从故障率为p的0-1分布，此时服务区域内所有车辆配件需求数量服从二项分布。
实施例7：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：随机变量配件需求数量X分布将是一个多层分布，其中X|Y服从参数(Y,p)的二项分布、Y服从参数为λ的泊松分布，此多层分布为泊松—二项分布；同时根据泊松分布的性质有随机变量配件需求数量X的期望为：E(X)＝λp，其含义表示配件需求数量X的期望为服务半径内运行车辆数量期望与故障率期望的乘积。
实施例8：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的步骤c中，维修站内配件需求数量X服从参数为λp的泊松分布，即x|p～po(λp)，结合p～Be(a,b)，形成新的、更符合配件需求数量的分布。
实施例9：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：随机变量配件需求数量X分布为一个多层分布。
实施例10：
作为优选的，为更好地实现本发明，在上述实施例的基础上进一步优化，特别采用下述设置：所述的多层分布包括两层，第一层为X|p～po(λp)，第二层为p～Be(a,b)，综合为泊松—贝塔分布。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种利用智能网联车数据的车辆配件需求预测方法，其特征在于包括以下步骤：
步骤s1、统计在维修站汽车维修服务半径内的某一品牌的汽车数量，根据统计规律可知在某维修站服务区域内A型汽车的保有数量服从参数为λ的泊松分布；
步骤s2、应用统计学方法获得该A型汽车某一配件的历史故障率为p，该p服从二项分布，结合服务半径内的汽车数量预测结果，将二项分布改进为泊松—二项分布，建立基于泊松—二项分布的配件预测模型；
步骤s3、将配件故障率p看作一个随机变量，对应于二项分布，建立故障率p服从二项分布的共轭先验分布—贝塔分布模型；
步骤s4、得到故障率的估计值：
Figure FDA0002908821470000011
相应得到配件需求的期望为
Figure FDA0002908821470000012
其中，
p0为某零件发生故障的概率估计值；
a0为当测试数据中，该零件发生故障的车辆数；
b0为当测试数据中，该零件未发生故障的车辆数；
E(X)为该维修站汽车维修服务半径内，该配件总需求的期望值；
λ：为该维修站汽车维修服务半径内车辆总数的期望值；
步骤s5、将本周期内维修站维修数据和通过智能网联车技术记录的本周期内维修站服务区域内活动车辆数据纳入到模型中，得到没有发生故障的汽车数量b1，发生故障的汽车数量a1，进一步将贝塔函数更新为：Be(a+a1,b+b1)，因此可以得到下一周期的配件需求预测为：
Figure FDA0002908821470000013
即将故障率由初始估计
Figure FDA0002908821470000014
修正为
Figure FDA0002908821470000015
其中，a为本周期以前累计统计的发生故障的汽车数量；
b为本周期以前累计统计的没有发生故障的汽车数量；
步骤s6、最后，得到配件故障率p的估计序列：
Figure FDA0002908821470000021
进一步得到每个周期汽车配件需求的精准预测。
2.根据权利要求1所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：步骤s1中对汽车数量进行统计时，利用大数据网络方式获取汽车数量。
3.根据权利要求2所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：所述的大数据网络方式包括接入电子眼系统。
4.根据权利要求3所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：所述的大数据网络方式包括接入停车场系统。
5.根据权利要求4所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：所述的大数据网络方式包括接入专卖店系统。
6.根据权利要求1所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：所述的步骤s2中，故障率p服从0-1分布，假设汽车维修站服务半径内所覆盖的汽车数量Y是一个随机数，服从参数为λ的泊松分布，此外如果假定每辆汽车的配件是否发生故障都是独立事件，服从故障率为p的0-1分布，此时服务区域内所有车辆配件需求数量服从二项分布。
7.根据权利要求6所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：随机变量配件需求数量X分布是一个多层分布，其中X|Y服从参数(Y,p)的二项分布、Y服从参数为λ的泊松分布，此多层分布为泊松—二项分布；同时根据泊松分布的性质有随机变量配件需求数量X的期望为：E(X)＝λp，其含义表示配件需求数量X的期望为特定服务站服务半径内运行车辆数量期望与故障率期望的乘积。
8.根据权利要求7所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：所述的步骤s3中，维修站内配件需求数量X服从参数为λp的泊松分布，即X|p～po(λp)，结合p～Be(a,b)，形成新的更适合的配件需求数量的分布，即综合为泊松—贝塔分布；
其中，X为维修站内配件需求数量。
9.根据权利要求1所述的一种利用智能网联车数据的车辆配件需求预测方法，其特征在于：随机变量配件需求数量X分布为一个多层分布。
CN201811540389.3A 2018-12-17 2018-12-17 一种智能网联车配件需求预测方法 Active CN109636044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811540389.3A CN109636044B (zh) 2018-12-17 2018-12-17 一种智能网联车配件需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811540389.3A CN109636044B (zh) 2018-12-17 2018-12-17 一种智能网联车配件需求预测方法

Publications (2)

Publication Number Publication Date
CN109636044A CN109636044A (zh) 2019-04-16
CN109636044B true CN109636044B (zh) 2021-03-30

Family

ID=66074565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811540389.3A Active CN109636044B (zh) 2018-12-17 2018-12-17 一种智能网联车配件需求预测方法

Country Status (1)

Country Link
CN (1) CN109636044B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414741A (zh) * 2019-08-01 2019-11-05 优必爱信息技术（北京）有限公司 一种汽车配件需求多元预测方法、系统和存储介质
CN110428170A (zh) * 2019-08-01 2019-11-08 优必爱信息技术（北京）有限公司 一种汽车配件需求动态预测方法、系统和存储介质
CN110728466B (zh) * 2019-10-24 2022-05-20 珠海格力电器股份有限公司 一种新产品的目标配件需求量确定方法及计算机设备
CN110889490B (zh) * 2019-11-13 2024-04-26 联想(北京)有限公司 预测方法、装置、计算设备以及介质
CN113781277A (zh) * 2021-08-05 2021-12-10 北京远盟普惠健康科技有限公司 一种开展康养服务的终端、系统和数据处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096803A (zh) * 2015-04-28 2016-11-09 埃森哲环球服务有限公司 自动化新备用零件预测和需求计划系统
WO2018068603A1 (zh) * 2016-10-10 2018-04-19 香港纺织及成衣研发中心有限公司 基于大数据技术的供应链管理决策支持系统
CN108022024A (zh) * 2017-12-25 2018-05-11 北京航天晨信科技有限责任公司 一种基于故障率的地面电子设备维修备件需求预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096803A (zh) * 2015-04-28 2016-11-09 埃森哲环球服务有限公司 自动化新备用零件预测和需求计划系统
WO2018068603A1 (zh) * 2016-10-10 2018-04-19 香港纺织及成衣研发中心有限公司 基于大数据技术的供应链管理决策支持系统
CN108022024A (zh) * 2017-12-25 2018-05-11 北京航天晨信科技有限责任公司 一种基于故障率的地面电子设备维修备件需求预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
the calculation of the spare parts in the auto-service enterprise on the base of real demand;dyshin oleq aleksandr et al;《engineering science》;20171231;第2卷(第3期);第78-84页 *
基于可靠性理论的特定汽车配件的需求预测研究;张永辉 等;《中国市场》;20091231(第49期);第64-66页 *

Also Published As

Publication number Publication date
CN109636044A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109636044B (zh) 一种智能网联车配件需求预测方法
CN104272328B (zh) 用于确定机动车的预期消耗值的方法
US9157383B2 (en) System, method and computer program for simulating vehicle energy use
US10127570B1 (en) Systems and methods for managing and processing vehicle operator accounts based on vehicle operation data
CN102394918B (zh) 一种车辆信息远程管理、服务系统及其实现方法
EP1286287A1 (en) Vehicle resale price analysis system
US20160071334A1 (en) Prognostics-Based Estimator
DE102015108291A1 (de) Vorrichtung und System zum Generieren eines Modells für den Gebrauch eines Kraftfahrzeugs
US20200152067A1 (en) Systems and methods for determining actual operating conditions of fleet cars
CN110428170A (zh) 一种汽车配件需求动态预测方法、系统和存储介质
CN106594131B (zh) 刹车片磨损预警方法及系统
KR20160040209A (ko) 차량 진단 및 수리 비용 추정을 미리 평가하기 위한 방법 및 시스템
CN107103383A (zh) 一种基于打车热点的动态拼车调度方法
NiewczAs et al. Stages of operating vehicles with respect to operational efficiency using city buses as an example
CA2726160A1 (en) System and method for storing performance data in a transit organization
CN108909687A (zh) 一种基于车辆行驶轨迹的保养方案定制系统及其方法
CN109583806A (zh) 一种基于智能调整下单重量后的车辆调度取件方法及系统
JP2019159663A (ja) 情報処理システム、情報処理方法、及び情報処理プログラム
CN110414741A (zh) 一种汽车配件需求多元预测方法、系统和存储介质
SE541828C2 (en) Method and control arrangement for prediction of malfunction of a wheel bearing unit of an axle in a vehicle
CN106355541A (zh) 一种基于gps数据的出租车打车难易度识别方法
JP4643755B2 (ja) 車両再販価格分析システム
Xing et al. Operation Energy Consumption Estimation Method of Electric Bus Based on CNN Time Series Prediction
CN111275305B (zh) 一种高峰时段传统出租车和网约车服务的公平评估方法
Li et al. Characteristics analysis of bus stop failure using automatic vehicle location data

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