CN110428170A - 一种汽车配件需求动态预测方法、系统和存储介质 - Google Patents
一种汽车配件需求动态预测方法、系统和存储介质 Download PDFInfo
- Publication number
- CN110428170A CN110428170A CN201910707149.6A CN201910707149A CN110428170A CN 110428170 A CN110428170 A CN 110428170A CN 201910707149 A CN201910707149 A CN 201910707149A CN 110428170 A CN110428170 A CN 110428170A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- demand
- target part
- motor vehicle
- mileage travelled
- 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
- G06Q10/06—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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种汽车配件需求动态预测方法,解决了现有技术中存在的零备件预测不准确的问题,包括以下步骤:获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车行驶已行驶里程数的目标零件故障率的威布尔分布;基于威布尔分布确定随机一辆机动车对目标零件的需求的期望值;基于机动车保有量的泊松分布和期望值确定单位时间内目标区域内目标零件的需求量。本发明的有益效果为:解决了由于配件故障率在使用周期内不同导致配件需求量的拟合不准确,可动态的根据零件使用情况对需求量进行预测,使零件需求量的预测更加准确。
Description
技术领域
本发明属于汽车备件预测领域,具体涉及一种汽车配件需求动态预测方法、系统和存储介质。
背景技术
随着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。汽车行业必须有强大的汽车配件的体系来支撑,能否实现备件有效、科学的管理会直接影响到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。但一方面维修厂如果尽快提供备件,条件是必须有足够的库存,以免丢失商机。另一方面库存过大容易占用资金造成资金不流畅,造成资源的浪费。因此如何对汽车备件的需求进行精准的预测是解决该矛盾的关键。
现有的汽车备件的预测包括:基于统计学习的配件需求预测方法(如SVM、神经网络、随机森林、深度学习)。这些模型运用的假设前提均是在数量的渐进无穷下,实际情况中的数据总是有限的,因此预测精度有限。尤其是神经网络方法容易产生局部最小值,预测产生误差。虽然SVM方法是在小样本方法下进行的,但是却无法解决由于一些稀有配件更换间隔时间过长导致的数据记录中产生大量的零数据,可能导致预测无效。
统计可靠性的配件需求预测方法是根据零备件故障率来预测其需求量的方法,而现有的统计可靠性预测方法都依赖于零件的历史故障率这一固定的统计数据进行预测,使其并不能精准的对备件数量进行预测。
发明内容
为了解决现有技术存在的汽车零件需求预测不准确的问题,本发明提供了一种汽车配件需求动态预测方法,其具有零备件预测更加准确、可靠等特点。
根据本发明的具体实施方式的一种汽车配件需求动态预测方法,包括:
获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车已行驶里程数的所述目标零件故障率的威布尔分布;
基于所述威布尔分布确定随机一辆机动车对所述目标零件的需求的期望值;
基于所述机动车保有量的泊松分布和所述期望值确定单位时间内所述目标区域内所述目标零件的需求量。
进一步的,所述期望值的确定过程包括:
基于所述威布尔分布确定随机一辆机动车在各个已行驶里程数出现的概率f(t),以及所述目标零件在各个已行驶里程数下出现故障的概率p(t);
基于各个已行驶里程数对f(t)*p(t)进行累加,得到所述目标区域内随机一辆机动车对所述目标零件的需求的期望值。
进一步的,所述确定单位时间内所述目标区域内所述目标零件的需求量的过程包括:
确定机动车保有量的泊松分布单位时间内的机动车的平均值λ,并将所述平均值λ与所述期望值做积得到单位时间内所述目标区域内所述目标零件的需求量。
进一步的,所述目标区域包括:机动车维修服务站的覆盖区域和销售网点的覆盖区域。
进一步的,所述机动车保有量历史数据、所述各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率数据通过构成智能网联车数据库的机动车信息采集系统获得。
进一步的,所述机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统。
进一步的,所述机动车信息采集系统还包括:接入的交通管理系统。
进一步的,所述单位时间包括:一个月、一个季度和一年。
根据本发明具体实施方式的一种汽车配件需求动态预测系统,包括:
机动车保有量确定模块,用于获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
零件故障率确定模块,用于获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车行驶已行驶里程数的所述目标零件故障率的威布尔分布;以及
零件需求量确定模块,用于基于所述威布尔分布确定随机一辆机动车对所述目标零件的需求的期望值;基于所述参数为λ的机动车保有量的泊松分布和所述期望值确定单位时间内所述目标区域内所述目标零件的需求量。
根据本发明具体实施方式的一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的汽车配件需求动态预测方法中各个步骤。
本发明的有益效果为:通过获取维修站服务半径内的运行车辆数量,引入模型中保有数量服从的泊松分布,以及零件故障率的威布尔分布,进而将零件需求量的预测模型改进为泊松—威布尔分布,进行估计;解决了以往由于配件故障率在使用周期内不同导致估计配件需求量的拟合不准确,尤其因为各个地区配件已使用情况分布不同造成的地区差异性,可动态的根据零件的使用情况对需求量进行预测,使零件需求量的预测更加的准确可靠。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例提供的汽车配件需求动态预测方法的流程图;
图2是根据一示例性实施例提供的泊松分布密度函数示意图;
图3是根据一示例性实施例提供的威布尔概率密度函数示意图;
图4是根据一示例性实施例提供的威布尔分布故障率函数示意图。
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。
参照图1所示,本发明的实施例提供了一种汽车配件需求动态预测方法,包括以下步骤:
获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车已行驶里程数的目标零件故障率的威布尔分布;
基于威布尔分布确定随机一辆机动车对目标零件的需求的期望值;
基于机动车保有量的泊松分布和期望值确定单位时间内目标区域内目标零件的需求量。
具体的,机动车维修服务站的覆盖区域或销售网点的覆盖半径区域内的汽车数量是一个随机数Y,服从参数为λ的泊松分布,每辆机动车的配件是否发生故障都是独立事件,服从故障率p为的0-1分布,此时维修服务站和销售网点服务区域内所有车辆配件需求数量就是一个伯努利实验,那么随机变量配件需求数量X的分布将是一个多层分布,即X|Y服从参数(Y,p)的二项分布,从而形成泊松—二项分布的多层分布,这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,即配件需求数量的期望为服务半径内运行车辆数量的期望与故障率的期望乘积。因为机动车配件的故障率在使用过程中,故障率随着已使用时间、已行驶里程的变量变化不断改变,因此我们采用威布尔分布来作为故障率的预测函数,相比于传统预测方法在汽车使用过程中固定故障率,用故障率函数更能实时地反映故障率,提高预测精度。
参照图2至图4所示,在本发明的一具体实施例中零件需求期望值的确定过程包括:
基于威布尔分布确定随机一辆机动车在各个已行驶里程数出现的概率f(t),以及目标零件在各个已行驶里程数下出现故障的概率p(t);
基于各个已行驶里程数对f(t)*p(t)进行累加,得到目标区域内随机一辆机动车对目标零件的需求的期望值。
其中,确定单位时间内目标区域内目标零件的需求量的过程包括:
确定机动车保有量的泊松分布单位时间内的机动车的平均值λ,并将平均值λ与期望值做积得到单位时间内目标区域内所述目标零件的需求量。
具体的,参照图2所示为泊松分布的概率密度函数图,随参数λ的变化而呈不同的分布类似于正态分布,其中横坐标表示车辆数,纵坐标表示该车辆数出现的概率;
图3为威布尔分布的概率密度函数,威布尔分布函数一般为分段函数并包括早期失效、正常使用与疲劳失效三个阶段,因为威布尔分布在其参数不同时会有三种不同,所以在工业中一般用威布尔分布构造形如浴盆曲线的故障率函数:其中f(t)为威布尔分布概率密度函数,F(t)为概率分布函数,β,η为分布的两个参数。β是形状参数,它的变动会对四个函数的形状带来很大影响:0-1之间时,故障率函数递减,β=0趋近无穷大,之后无限靠近0。等于1时,故障率变成常数,成为恒定故障率模型,熟悉的指数分布。1-2之间时,故障率函数递增,凹函数,增长越来越慢。等于2时,故障率函数是关于t的一次函数,一条直线。大于2时,故障率函数递增,凸函数,增长越来越快。η是尺度参数。它影响的是函数的均值和广度,可以理解为η越大,f(t)和p(t)在纵轴上覆盖的范围越小,即故障率更小了,相对应同时刻的可靠度就更大。
f(t)从完全递减,到先增后减,越来越趋近正态分布形式。相比于传统预测方法在汽车使用过程中固定故障率,用故障率函数更能实时地反映故障率,提高预测精度。
其中,图4为具体实施过程中零件故障率随汽车行驶里程数的增加而出现故障的概率。
在本发明的一具体实施例中,故障率恒定时某地区所需配件数的期望为E(X)=λp,由于不同车的故障率相互独立,对于该地区随机一辆汽车来说,其需要配件数的期望为p;假设汽车已使用时间,已行驶里程等相关变量为t,其概率密度函数为f(t),故障率函数为p(t)。故对于该地区随机一辆汽车来说,其需要配件数的期望为区域汽车发生故障的平均概率为而整个地区汽车数量服从泊松分布,所需配件数期望为E(X)=λ∫p(t)f(t)dx。并根据车联网数据将模型应用到实际情况中,即在离散的情况下对配件量的期望进行计算,在离散情况下E(X)=λ∑p(xi)f(xi),xi为该地区第i辆车的已行驶里程,即可得到所需的备件数。
以北京市某汽车维修站服务半径内对于转动轴配件的需求量的预测,首先我们可以针对该地区随机一辆汽车对于转动轴配件数的需求期望p进行计算,计算过程如下:
确定随机一辆汽车行驶里程在各里程记录(如1000km、5000km、10000km等)下的理论概率f(t),以及该区域内汽车转动轴在各里程下出现故障的概率p(t),其次对f(t)*p(t)进行累加从而对该区域随机一辆汽车转动轴配件数的需求期望p值进行计算,然后,我们对该地区汽车数量的泊松分布进行估计,求得λ,λ即为该区域内汽车的平均数量,最后可以对北京市某汽车维修站服务半径内转动轴配件的总需求量进行预测即E(x)=λP。
在本发明的另一些具体实施例中,目标区域包括:机动车维修服务站的覆盖区域、销售网点等具有维修和保养功能的覆盖区域;
机动车保有量历史数据、各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率数据通过构成智能网联车数据库的机动车信息采集系统获得;其中,机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统,以及接入的交通管理系统。
在具体实施过程中,可根据上述具有数量统计作用的系统提取所需的数据,并可根据覆盖范围内汽车数量的变化情况而间隔不同的单位时间例如一个月、一个季度、一年等时间的汽车而各种数据进行统计。例如在汽车保有量较稳定的地区可提取间隔较长时间内的数据如半年和一年,而对保有量变化较大的区域则可以一个月提取一次进行统计。
本发明的实施例还提供了一种汽车配件需求动态预测系统,包括:
机动车保有量确定模块,用于获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
零件故障率确定模块,用于获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车行驶已行驶里程数的目标零件故障率的威布尔分布;以及
零件需求量确定模块,用于基于威布尔分布确定随机一辆机动车对目标零件的需求的期望值;基于参数为λ的机动车保有量的泊松分布和期望值确定单位时间内目标区域内所述目标零件的需求量。
作为上述实施例实现方式,各个模块的构建可基于同一计算机平台进行数据的获取和分步处理,也可由不同的计算机进行分别处理后在进行合成,本发明在此不做限制。
本发明的实施例还提供了一种存储介质,该存储介质存储有计算机程序,计算机程序被处理器执行时,实现如上实施例所述的汽车配件需求动态预测方法中各个步骤。
本发明的实施例通过根据车联网判断出某一维修站服务半径内的运行车辆数量,引入模型中保有数量服从参数为λ的泊松分布,根据历史经验得知某配件的历史故障率曲线,将预测模型改进为(修正)泊松—威布尔分布,进行估计;将地区内汽车配件已使用情况及已行驶里程带入模型,预测实时地区配件需求数量。可解决由于配件故障率在使用周期内不同导致估计配件需求量的拟合不准确,尤其因为各个地区配件已使用时间分布不同造成的地区差异性,提高了机动车备件预测的准确性和可靠性。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
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 (10)
1.一种汽车配件需求动态预测方法,其特征在于,包括:
获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车已行驶里程数的所述目标零件故障率的威布尔分布;
基于所述威布尔分布确定随机一辆机动车对所述目标零件的需求的期望值;
基于所述机动车保有量的泊松分布和所述期望值确定单位时间内所述目标区域内所述目标零件的需求量。
2.根据权利要求1所述的方法,其特征在于,所述期望值的确定过程包括:
基于所述威布尔分布确定随机一辆机动车在各个已行驶里程数出现的概率f(t),以及所述目标零件在各个已行驶里程数下出现故障的概率p(t);
基于各个已行驶里程数对f(t)*p(t)进行累加,得到所述目标区域内随机一辆机动车对所述目标零件的需求的期望值。
3.根据权利要求2所述的方法,其特征在于,所述确定单位时间内所述目标区域内所述目标零件的需求量的过程包括:
确定机动车保有量的泊松分布单位时间内的机动车的平均值λ,并将所述平均值λ与所述期望值做积得到单位时间内所述目标区域内所述目标零件的需求量。
4.根据权利要求1所述的方法,其特征在于,所述目标区域包括:机动车维修服务站的覆盖区域和销售网点的覆盖区域。
5.根据权利要求1所述的方法,其特征在于,所述机动车保有量历史数据、所述各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率数据通过构成智能网联车数据库的机动车信息采集系统获得。
6.根据权利要求5所述的方法,其特征在于,所述机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统。
7.根据权利要求6所述的方法,其特征在于,所述机动车信息采集系统还包括:接入的交通管理系统。
8.根据权利要求1所述的方法,其特征在于,所述单位时间包括:一个月、一个季度和一年。
9.一种汽车配件需求动态预测系统,其特征在于,包括:
机动车保有量确定模块,用于获取目标区域内机动车保有量历史数据,建立机动车保有量的泊松分布;
零件故障率确定模块,用于获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率,建立基于机动车行驶已行驶里程数的所述目标零件故障率的威布尔分布;以及
零件需求量确定模块,用于基于所述威布尔分布确定随机一辆机动车对所述目标零件的需求的期望值;基于所述参数为λ的机动车保有量的泊松分布和所述期望值确定单位时间内所述目标区域内所述目标零件的需求量。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-8任一项所述的汽车配件需求动态预测方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707149.6A CN110428170A (zh) | 2019-08-01 | 2019-08-01 | 一种汽车配件需求动态预测方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707149.6A CN110428170A (zh) | 2019-08-01 | 2019-08-01 | 一种汽车配件需求动态预测方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428170A true CN110428170A (zh) | 2019-11-08 |
Family
ID=68412087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707149.6A Pending CN110428170A (zh) | 2019-08-01 | 2019-08-01 | 一种汽车配件需求动态预测方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428170A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898834A (zh) * | 2020-08-11 | 2020-11-06 | 北京无线电测量研究所 | 一种雷达备件优化方法、系统、介质及设备 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
CN115526369A (zh) * | 2021-06-25 | 2022-12-27 | 东风本田发动机有限公司 | 汽车零件的失效预测方法、装置、计算机设备和存储介质 |
WO2022146376A3 (en) * | 2020-12-29 | 2023-05-11 | M.B.I.S Bilgisayar Otomasyon Danismanlik Ve Egitim Hizmetleri Sanayi Ticaret Anonim Sirketi | Real-time spare part prediction system |
CN116432844A (zh) * | 2023-04-12 | 2023-07-14 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090083250A1 (en) * | 2007-09-25 | 2009-03-26 | Oracle International Corporation | Probabilistic search and retrieval of work order equipment parts list data based on identified failure tracking attributes |
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
CN108803559A (zh) * | 2018-04-28 | 2018-11-13 | 北京汽车集团有限公司 | 车辆故障分析方法、装置和系统 |
CN109636044A (zh) * | 2018-12-17 | 2019-04-16 | 优必爱信息技术(北京)有限公司 | 一种智能网联车配件需求预测方法 |
-
2019
- 2019-08-01 CN CN201910707149.6A patent/CN110428170A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090083250A1 (en) * | 2007-09-25 | 2009-03-26 | Oracle International Corporation | Probabilistic search and retrieval of work order equipment parts list data based on identified failure tracking attributes |
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
CN108803559A (zh) * | 2018-04-28 | 2018-11-13 | 北京汽车集团有限公司 | 车辆故障分析方法、装置和系统 |
CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
CN109636044A (zh) * | 2018-12-17 | 2019-04-16 | 优必爱信息技术(北京)有限公司 | 一种智能网联车配件需求预测方法 |
Non-Patent Citations (3)
Title |
---|
张宝秀 等: "《"+文化"视角下教育教学改革新探索》", 30 November 2018 * |
张建业: "《概率论与数理统计》", 31 January 2017 * |
张浩 等: "基于对故障规律统计分析的汽车备件需求预测", 《数理统计与管理》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898834A (zh) * | 2020-08-11 | 2020-11-06 | 北京无线电测量研究所 | 一种雷达备件优化方法、系统、介质及设备 |
CN111898834B (zh) * | 2020-08-11 | 2024-03-29 | 北京无线电测量研究所 | 一种雷达备件优化方法、系统、介质及设备 |
WO2022146376A3 (en) * | 2020-12-29 | 2023-05-11 | M.B.I.S Bilgisayar Otomasyon Danismanlik Ve Egitim Hizmetleri Sanayi Ticaret Anonim Sirketi | Real-time spare part prediction system |
CN115526369A (zh) * | 2021-06-25 | 2022-12-27 | 东风本田发动机有限公司 | 汽车零件的失效预测方法、装置、计算机设备和存储介质 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
CN116432844A (zh) * | 2023-04-12 | 2023-07-14 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN116432844B (zh) * | 2023-04-12 | 2024-04-02 | 北京航空航天大学 | 一种新能源车用锂电池故障更换备件需求预测方法及系统 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428170A (zh) | 一种汽车配件需求动态预测方法、系统和存储介质 | |
Alptekinoğlu et al. | The exponomial choice model: A new alternative for assortment and price optimization | |
He et al. | Customer preference and station network in the London bike-share system | |
Yu et al. | Headway-based bus bunching prediction using transit smart card data | |
US10049408B2 (en) | Assessing asynchronous authenticated data sources for use in driver risk management | |
Chen et al. | A study of hybrid neural network approaches and the effects of missing data on traffic forecasting | |
Bougueroua et al. | Economic development, mobility and traffic accidents in Algeria | |
CN109544351A (zh) | 车辆风险评估方法、装置、计算机设备及存储介质 | |
CN109636044B (zh) | 一种智能网联车配件需求预测方法 | |
US11252044B2 (en) | Network traffic prediction method, apparatus, and electronic device | |
DE102020124693A1 (de) | Adaptive Prognosesysteme und Prognoseverfahren für Fahrzeuge | |
CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
CN106327324A (zh) | 一种网络行为特征的快速计算方法和系统 | |
Murthi et al. | An empirical analysis of strategic groups in the airline industry using latent class regressions | |
Koricanac | Impact of AI on the Automobile Industry in the US | |
Li et al. | Simulation of mixed traffic with cooperative lane changes | |
Manzan | Differential interpretation in the Survey of Professional Forecasters | |
Lee et al. | Sustainability of ride-hailing services in China’s mobility market: A simulation model of socio-technical system transition | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
Heilmann et al. | Predicting motorway traffic performance by data fusion of local sensor data and electronic toll collection data | |
EP4244721A1 (en) | Systems and methods of optimizing resource allocation using machine learning and predictive control | |
CN111199247B (zh) | 一种公交运行仿真方法 | |
CN110414741A (zh) | 一种汽车配件需求多元预测方法、系统和存储介质 | |
US20230017992A1 (en) | Systems and methods for improved determination of insurance data | |
Degeler et al. | Unsupervised approach towards analysing the public transport bunching swings formation phenomenon |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |