CN110738523A - 一种维修订单量预测方法及装置 - Google Patents

Abstract

本发明提出一种维修订单量预测方法及装置，该方法包括：获取预测基础数据，其中，预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；对预测基础数据进行数据融合处理，得到融合基础数据；根据融合基础数据进行特征建模，得到维修订单量预测特征；其中，维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；根据维修订单量预测特征，预测得到维修订单量。上述方法可以实现自动预测服务站维修订单量，从而可以使得对服务站的维修订单量预测摆脱对人工的依赖。

Description

一种维修订单量预测方法及装置

技术领域

本申请涉及汽车维修服务技术领域，尤其涉及一种维修订单量预测方法及装置。

背景技术

当前对于汽车服务站的维修管理处于比较初级的阶段，对于维修订单量的预测基本上是完全依靠管理人员的经验进行估计，并没有一个体系化的客观预测方法。

随着汽车数量不断增长，以及车况、路况等影响因素越来越多变，预测维修订单量的难度越来越大，这对于维修站管理人员来说，是一项越来越困难和繁重的事务，亟需一种能够自动预测维修订单量的方法，代替人工实现对维修订单量的预测。

发明内容

基于上述需求，本申请提出一种维修订单量预测方法及装置，能够实现自动预测维修订单量。

一种维修订单量预测方法，包括：

获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

对所述预测基础数据进行数据融合处理，得到融合基础数据；

根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；

根据所述维修订单量预测特征，预测得到维修订单量。

可选的，所述预测基础数据包括历史维修数据、历史天气数据和车联网历史数据；

所述对所述预测基础数据进行数据融合处理，得到融合基础数据，包括：

将所述历史维修数据、历史天气数据和车联网历史数据以时间、经度和纬度为主键进行数据合并处理，得到融合基础数据。

可选的，所述根据所述融合基础数据进行特征建模，得到维修订单量预测特征，包括：

根据所述融合基础数据，分别对服务站地域特征、订单时间特征、订单天气特征和车辆运营特征进行建模，得到维修订单量预测特征。

可选的，根据所述融合基础数据，对服务站地域特征进行建模，包括：

对所述融合基础数据中的服务站位置进行聚类处理，得到各个维修集中区；其中，对服务站位置进行聚类处理得到的每一类别分别对应一个维修集中区；

分别统计所述各个维修集中区中的服务站数量，确定服务站地域特征。

可选的，根据所述融合基础数据，对订单时间特征进行建模，包括：

分别统计所述融合基础数据中的维修订单的各项时间属性，得到订单时间特征；其中，所述各项时间属性至少包括季节、月份、周、天中的至少一项。

可选的，根据所述融合基础数据，对订单天气特征进行建模，包括：

对所述融合基础数据中的恶劣天气进行统计，得到订单天气特征；其中，对恶劣天气进行统计至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。

可选的，根据所述融合基础数据，对车辆运营特征进行建模，包括：

统计所述融合基础数据中的各项车辆运营数据，得到车辆运营特征；

其中，所述各项车辆运营数据至少包括当日上线车辆数、7日内日均上线车辆数、30日内日均上线车辆数、当日行驶里程、7日内日均行驶里程、30日内日均行驶里程、当日平均速度、7日内平均车速、30日内平均车速中的至少一项。

可选的，所述根据所述维修订单量预测特征，预测得到维修订单量，包括：

将所述维修订单量预测特征输入预先训练得到的维修订单量预测模型，预测得到维修订单量；

其中，所述维修订单量预测模型至少通过根据维修订单量预测特征预测维修订单量训练得到。

可选的，在获取预测基础数据后，所述方法还包括：

对所述预测基础数据进行异常值剔除和缺失值填充处理。

一种维修订单量预测装置，包括：

数据获取单元，用于获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

数据处理单元，用于对所述预测基础数据进行数据融合处理，得到融合基础数据；

特征建模单元，用于根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；

订单预测单元，用于根据所述维修订单量预测特征，预测得到维修订单量。

可选的，所述预测基础数据包括历史维修数据、历史天气数据和车联网历史数据；

所述数据处理单元对所述预测基础数据进行数据融合处理，得到融合基础数据时，具体用于：

将所述历史维修数据、历史天气数据和车联网历史数据以时间、经度和纬度为主键进行数据合并处理，得到融合基础数据。

可选的，所述所述特征建模单元根据所述融合基础数据进行特征建模，得到维修订单量预测特征时，具体用于：

根据所述融合基础数据，分别对服务站地域特征、订单时间特征、订单天气特征和车辆运营特征进行建模，得到维修订单量预测特征。

可选的，所述特征建模单元根据所述融合基础数据，对服务站地域特征进行建模时，具体用于：

对所述融合基础数据中的服务站位置进行聚类处理，得到各个维修集中区；其中，对服务站位置进行聚类处理得到的每一类别分别对应一个维修集中区；

分别统计所述各个维修集中区中的服务站数量，确定服务站地域特征。

可选的，所述特征建模单元根据所述融合基础数据，对订单时间特征进行建模时，具体用于：

分别统计所述融合基础数据中的维修订单的各项时间属性，得到订单时间特征；其中，所述各项时间属性至少包括季节、月份、周、天中的至少一项。

可选的，所述特征建模单元根据所述融合基础数据，对订单天气特征进行建模时，具体用于：

对所述融合基础数据中的恶劣天气进行统计，得到订单天气特征；其中，对恶劣天气进行统计至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。

可选的，所述特征建模单元根据所述融合基础数据，对车辆运营特征进行建模时，具体用于：

统计所述融合基础数据中的各项车辆运营数据，得到车辆运营特征；

其中，所述各项车辆运营数据至少包括当日上线车辆数、7日内日均上线车辆数、30日内日均上线车辆数、当日行驶里程、7日内日均行驶里程、30日内日均行驶里程、当日平均速度、7日内平均车速、30日内平均车速中的至少一项。

可选的，所述订单预测单元根据所述维修订单量预测特征，预测得到维修订单量时，具体用于：

将所述维修订单量预测特征输入预先训练得到的维修订单量预测模型，预测得到维修订单量；

其中，所述维修订单量预测模型至少通过根据维修订单量预测特征预测维修订单量训练得到。

可选的，所述装置还包括：

数据预处理单元，用于对所述预测基础数据进行异常值剔除和缺失值填充处理。

本申请技术方案通过对获取的预测基础数据进行融合处理以及由融合处理的融合基础数据构建维修订单量预测特征，最后借助预先训练得到的维修订单量预测模型，由该维修订单量预测特征预测得到维修订单量。上述处理过程实现了自动化的维修订单量预测，可以代替人工对服务站的维修订单量进行预测，从而可以大大降低预测维修订单量对人工的依赖，减少预测维修订单量的人力消耗。

附图说明

为了更清楚地说明本申请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申请的实施例，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是本申请实施例提供的一种维修订单量预测方法的流程示意图；

图2是本申请实施例提供的另一种维修订单量预测方法的流程示意图；

图3是本申请实施例提供的一种维修订单量预测装置的结构示意图。

具体实施方式

本申请实施例技术方案适用于对服务站的维修订单量进行预测的应用场景，采用本申请实施例技术方案，能够实现自动预测服务站维修订单量。

示例性的，本申请实施例技术方案可以应用于处理器、计算机等硬件处理设备，也可以被封装为软件程序被相应的程序运行装置所运行。当上述的硬件处理设备执行本申请实施例技术方案，或者上述的软件程序被运行时，可以对汽车服务站的维修订单量进行预测。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提出一种维修订单量预测方法，参见图1所示，该方法包括：

S101、获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

具体的，上述预测基础数据，是指作为预测维修订单量的基础的数据。示例性的，本申请实施例将历史维修数据、历史天气数据和车联网历史数据中的至少一种，作为上述的预测基础数据。在此基础上，还可以将其它的数据同时作为上述的预测基础数据。

作为优选的实现方式，本申请实施例将上述的历史维修数据、历史天气数据和车联网历史数据，同时作为上述的预测基础数据。

其中，上述的历史维修数据，是指在预测维修订单量的日期之前一定时长(例如两年内)的服务站维修数据，具体可包括服务站名称、车辆标识号、维修项目、故障情况、维修时间、维修金额等。该历史维修数据可以从服务站管理平台获取。

上述的历史天气数据，是指在预测维修订单量的日期之前一定时长(例如两年)内以天为单位统计的天气情况数据。该历史天气数据可以从天气数据库获取。

上述的车联网历史数据，是指车联网平台所记录的，在预测维修订单量的日期之前所产生的车辆行驶数据。该车辆行驶数据由车装T-BOX(Telematics BOX)按照设定的采样周期(30秒)采集记录得到。

其中，上述的预测维修订单量的日期，是指需要预测该日的维修订单量的日期。例如，假设要预测明天的维修订单量，则明天的具体日期即为预测维修订单量的日期。

S102、对所述预测基础数据进行数据融合处理，得到融合基础数据；

具体的，上述融合基础数据，是指对上述预测基础数据进行数据融合后得到的数据。

上述步骤S101所获取的各项数据是分属不同类型的数据，其相互之间为独立的数据类型，并不存在关联关系。

而对于维修订单量预测来说，上述各项数据对于维修订单量都有影响，而且，各种数据之间的相互关系和相互关联，对于维修订单量的变化也具有影响。例如，当车辆故障发生频率较大并且车辆到达维修保养周期时，车辆进站维修的概率较大；又如，当某一地理位置的车辆故障数量较多时，则该地理位置处的服务站的维修订单量较多。

因此，为了能够准确预测维修订单量，本申请实施例对上述预测基础数据所包含的各项数据进行数据融合处理，得到融合基础数据。

作为一种示例性的实现方式，本申请实施例将上述的历史维修数据、历史天气数据和车辆网历史数据，以时间、经度和纬度为主键进行数据合并处理，得到融合基础数据。

具体的，假设获取的历史维修数据为T_maintenance＝{Time,Longd,Latd,......}，历史天气数据为T_weather＝{Time,Longd,Latd,......}，车联网历史数据为T_vehicle＝{Time,Longd,Latd,......}，对上述的历史维修数据、历史天气数据和车联网历史数据进行合并处理时，首先将历史维修数据T_maintenance＝{Time,Longd,Latd,......}与历史天气数据T_weather＝{Time,Longd,Latd,......}以时间Time，经度Longd，纬度Latd为主键合并为T_middle＝{Time,Longd,Latd,......}；接下来把车联网历史数据T_vehicle＝{Time,Longd,Latd,......}与T_middle＝{Time,Longd,Latd,......}以时间Time，经度Longd，纬度Latd为主键合并为T₀＝{Time,Longd,Latd,......}，T₀即最终得到的融合基础数据。

S103、根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；

具体的，上述的维修订单量预测特征，是指直接影响维修订单量的各项参数特征。

示例性的，本申请实施例根据上述的融合基础数据，分别对服务站地域特征、订单时间特征、订单天气特征和车辆运营特征进行建模，得到维修订单量的各项预测特征。

其中，上述的服务站地域特征，是指服务站所处位置的分布特征。示例性的，服务站所处位置以经纬度表示。

上述的订单时间特征，是指维修订单生成的时间的特征，例如生成维修订单的日期，该日期所处的月份、周等。

上述的订单天气特征，是指维修订单生成时的天气特征，例如天气是否恶劣等。

上述的车辆运营特征，是指维修订单生成时的车辆运营情况特征，例如运营里程、行驶速度等。

本申请实施例通过对上述的融合基础数据进行上述特征对应的数据提取和归纳，构建得到上述的维修订单量预测特征。

S104、根据所述维修订单量预测特征，预测得到维修订单量。

具体的，上述维修订单量预测特征为直接影响维修订单量的特征，因此可以直接用于预测维修订单量。

作为一种示例性的实现方式，本申请实施例利用预先训练得到的维修订单量预测模型，根据上述的维修订单量预测特征预测得到维修订单量。

其中，上述的维修订单量预测模型至少通过根据维修订单量预测特征预测维修订单量训练得到。

具体的，上述的维修订单量预测模型的构建及训练过程包括：

首先，根据任务的特点，选择回归算法。

然后，确认输入特征：各与服务站维修订单量直接相关的特征(如上述的维修订单量预测特征)；样本标签：服务站日维修订单量；输出变量：服务站日维修订单量预测值。

根据特征变量的多特征、非线性的特点，本申请实施例选择提升树算法构建维修订单量预测模型。

提升树模型可以表示为决策树的加法模型：

其中，T(x；Θ_m)表示决策树；Θ_m为决策树的参数；M为树的个数。

提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法，对于分类问题决策树(弱分类器)是二叉回归树。这样的树的线性组合可以很好地拟合训练数据，即使数据中的输入与输出之间的关系很复杂也没关系；提升树算法完成回归任务的时候可以很好地提升模型的泛化能力，适用于样本量有限的数据。也因为其弱分类器是决策树，一方面可以很好地处理多特征、非线性的特征变量，另一方面具有较强的可解释性。综合考虑到数据本身具有多特征、非线性且样本量有限的特性，本申请实施例选择使用提升树算法，以上述各项维修订单量预测特征为特征变量，服务站日维修订单量为结果变量，训练预测模型。

上一步中通过提升树算法训练得到了服务站日订单量预测模型，在这部分中将使用该预测模型对验证集的数据进行验证，并使用以下方式评估预测结果；

其中，Loss为预测误差，Y为服务站日订单量实际值，f(x)为服务站日订单量预测值。

该公式可用以评价服务站日维修订单预测算法的准确度。当该模型的对维修订单量的预测准确度小于设定准确度值时，对该模型的参数进行调整优化，直到获得准确、泛化效果更好的预测模型。

经过上述训练得到符合需求的维修订单量预测模型后，当本申请实施例处理得到维修订单量预测特征后，将各项维修订单量预测特征输入上述的维修订单量预测模型，预测得到维修订单量。

通过上述介绍可见，本申请实施例技术方案通过对获取的预测基础数据进行融合处理以及由融合处理的融合基础数据构建维修订单量预测特征，最后借助预先训练得到的维修订单量预测模型，由该维修订单量预测特征预测得到维修订单量。上述处理过程实现了自动化的维修订单量预测，可以代替人工对服务站的维修订单量进行预测，从而可以大大降低预测维修订单量对人工的依赖，减少预测维修订单量的人力消耗。

作为一种优选的实现方式，参见图2所示，本申请实施例还公开了，在执行步骤S201、获取预测基础数据后，所述方法还包括：

S202、对所述预测基础数据进行异常值剔除和缺失值填充处理。

具体的，上述的预测基础数据所包含的历史维修数据和历史天气数据在记录过程中，有很多人工原因造成的数据错位等异常现象，具体到部分字段则成为异常值；车联网历史数据所记录的车辆行驶数据的采集和传输过程中可能由于各种各样的原因出现数据的传输错误，但是为了占位或表示特殊含义，在采集后可能会出现异常值。异常值对于后续的数据处理是由负面影响的，所以需要进行异常值剔除。本申请实施例在获取到上述的预测基础数据后，对其中所包含的各项数据分别进行异常数据筛选处理，然后将筛选出的异常数据删除。

由于上述的异常值剔除处理，以及所采集的数据本身可能存在缺失，本申请实施例还对采集的预测基础数据进行缺失值填充处理。

对于所采集的预测基础数据所包含的各项数据，对其中缺失数据的字段采用向上填充的方式进行数据填充，以保证数据的连续性和完整性。

其中，上述的向上填充，是指利用空缺字段的上一个非空值来填充该字段的空值。例如，假设在上述的预测基础数据中的速度信号的第一条记录数据为80，第二条记录数据为80，第三条和第四条记录数据为空值，第五条记录数据为82，则对上述的第三条和第四条记录数据进行向上填充时，将第二条记录数据的值(即80)填充至第三条和第四条记录数据处，此时第三条和第四条记录数据的值均被填充为80。

按照上述的异常值剔除和缺失值填充处理，可以使上述预测基础数据所包含的各项数据更完整、更准确，进而可以保证以此为基础构建的维修订单量预测特征的连续性和准确性。

另外，图2所示的方法实施例中的步骤S201、S203～S205分别对应图1所示的方法实施例中的步骤S101、S102～S104，其具体内容请参见图1所示的方法实施例的内容，此处不再赘述。

如上文所述，本申请实施例根据融合基础数据进行特征建模，构建得到包括服务站地域特征、订单时间特征、订单天气特征和车辆运营特征在内的维修订单量预测特征。

在本申请另一实施例中还公开了构建上述各项特征时的具体内容。

第一方面，作为示例性的实现方式，上述的根据融合基础数据，对服务站地域特征进行建模，包括：

对所述融合基础数据中的服务站位置进行聚类处理，得到各个维修集中区；其中，对服务站位置进行聚类处理得到的每一类别分别对应一个维修集中区；

分别统计所述各个维修集中区中的服务站数量，确定服务站地域特征。

具体的，上述服务站地域特征，主要包括各个维修集中区内的服务站数量。

首先，本申请实施例将采集到的融合基础数据中所记录的服务站按照地理位置进行聚类处理，得到多个不同的维修集中区。考虑到对于总类型的不确定性，本申请实施例采用不需要预先设定分类数的DBScan(密度聚类)算法对服务站进行聚类。将上述融合基础数据中所记录的所有服务站的经度和纬度作为源数据输入DBScan算法，得到K个类别的标签，每一个类别分别对应一个维修集中区。

然后，利用统计的方法，统计每个维修集中区内的服务站总数，作为每个维修集中区内服务站数量特征输出。

示例性的，上述的服务站地域特征可表示为M_j，该M_j指第j个服务站所处维修集中区的服务站总量。

第二方面，作为示例性的实现方式，本申请另一实施例还公开了，上述根据所述融合基础数据，对订单时间特征进行建模，包括：

分别统计所述融合基础数据中的维修订单的各项时间属性，得到订单时间特征；其中，所述各项时间属性至少包括季节、月份、周、天中的至少一项。

具体的，上述订单时间特征，主要包括维修订单生成时的时间属性。示例性的，该时间属性至少包括季节、月份、周、天中的至少一项。具体如下：

A.季节

含义：维修订单生成当日所处季节。

表达式：Season_i，这里Season_i指第i日所处季节。

B.月份

含义：维修订单生成当日所处月份。

表达式：Month_i，这里Month_i指第i日所处月份。

C.周

含义：维修订单生成当日所处该月第几周。

表达式：MonthWeek_i，这里MonthWeek_i指第i日所处周。

D.天

含义：维修订单生成当日所处该周第几天。

表达式：WeekDay_i，这里WeekDay_i指第i日所处天。

按照上述各项时间属性，本申请实施例分别对融合基础数据中的各个维修订单进行各项时间属性的统计，得到各个维修订单的订单时间特征。

第三方面，作为示例性的实现方式，本申请另一实施例还公开了，上述根据所述融合基础数据，对订单天气特征进行建模，包括：

对所述融合基础数据中的恶劣天气进行统计，得到订单天气特征；其中，对恶劣天气进行统计至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。

具体的，本申请实施例对上述融合基础数据中的维修订单生成日期的天气情况进行标记，对其中的恶劣天气标注恶劣天气标签，然后在此基础上，对上述融合基础数据中的维修订单生成日的恶劣天气进行统计，得到订单天气特征。

示例性的，上述对恶劣天气进行统计，至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。具体如下：

A.恶劣天气标签

含义：当日是否是恶劣天气。

表达式：BadWeather_i，这里BadWeather_i指第i日的恶劣天气标签。

B.前7日恶劣天气数

含义：当日以前7天发生的恶劣天气总数；

表达式：BadWeather(7)_i，这里BadWeather(7)_i指第i日前7日内发生恶劣天气的天数。

C.前30日恶劣天气数

含义：当日以前30天发生的恶劣天气总数；

表达式：BadWeather(30)_i，这里BadWeather(30)_i指第i日前30日内发生恶劣天气的天数。

按照上述各项，分别对融合基础数据中的各维修订单日期的天气及该日期之前的天气情况进行统计，统计结果作为该融合基础数据的订单天气特征。

第四方面，作为示例性的是实现方式，本申请另一实施例还公开了，所述根据所述融合基础数据，对车辆运营特征进行建模，包括：

统计所述融合基础数据中的各项车辆运营数据，得到车辆运营特征；

其中，所述各项车辆运营数据至少包括当日上线车辆数、7日内日均上线车辆数、30日内日均上线车辆数、当日行驶里程、7日内日均行驶里程、30日内日均行驶里程、当日平均速度、7日内平均车速、30日内平均车速中的至少一种。

具体的，上述车辆运营特征主要由车辆运行数据构成。具体如下：

A.当日上线车辆数

含义：以维修订单生成当日车联网数据中出现的车辆识别号码(VehicleIdentification Number，VIN)数量作为当日上线车辆数。

表达式：N_ij，这里N_ij指车联网数据中在第i日第j个服务站所处维修集中区内出现的VIN号数量。

B.7日内日均上线车辆数

含义：以维修订单生成当日前7天内单日车联网数据中出现VIN号数平均值作为7日内日均上线车辆数。

表达式：

这里N_ij指车联网数据中在第i日第j个服务站所处维修集中区内出现的VIN号数量，avgN(7)_ij指在第j个服务站所处维修集中区内第i日的前7日内日均上线车辆数。

C.30日内日均上线车辆数

含义：以当日前30天内单日车联网数据中出现VIN号数平均值作为30日内日均上线车辆数。

表达式：

这里N_ij指车联网数据中在第i日第j个服务站所处维修集中区内出现的VIN号数量，avgN(30)_ij指在第j个服务站所处维修集中区内第i日的前30日内日均上线车辆数。

D.当日行驶里程

含义：维修订单生成当日车联网数据中所有车辆的行驶里程总数。

表达式：ODO_ij，这里ODO_ij指车联网数据中在第i日第j个服务站所处维修集中区内所有车辆的行驶里程总数。

E.7日内日均行驶里程

含义：维修订单生成当日前7天内日均行驶里程值。

表达式：这里ODO_ij指车联网数据中在第i日第j个服务站所处维修集中区内所有车辆的行驶里程总数，avgODO(7)_ij指在第i日第j个服务站所处维修集中区内所有车辆的前7日日均行驶里程总数。

F.30日内日均行驶里程

含义：维修订单生成当日前30天内日均行驶里程值。

表达式：

这里ODO_ij指车联网数据中在第i日第j个服务站所处维修集中区内所有车辆的行驶里程总数，avgODO(30)_ij指在第i日第j个服务站所处维修集中区内所有车辆的前30日日均行驶里程总数。

G.当日平均速度

含义：维修订单生成当日所有车辆行驶过程中平均速度。

表达式：VhlSpd_ij，这里VhlSpd_ij指第i日第j个服务站所处维修集中区内车联网数据中所有车辆行驶过程中平均速度。

H.7日内平均车速

含义：维修订单生成当日前7天内日均行驶里程值。

表达式：这里VhlSpd_ij指第i日第j个服务站所处维修集中区内车联网数据中所有车辆行驶过程中平均速度，avgVhlSpd(7)_ij指第i日的前7日内第j个服务站所处维修集中区内车联网数据中所有车辆行驶过程中平均速度。

I.30日内平均车速

含义：维修订单生成当日前30天内平均车速。

表达式：

这里VhlSpd_ij指第i日第j个服务站所处维修集中区内车联网数据中所有车辆行驶过程中平均速度，avgVhlSpd(30)_ij指第i日的前30日内第j个服务站所处维修集中区内车联网数据中所有车辆行驶过程中平均速度。

按照上述各项进行数据统计，得到的数据作为上述融合基础数据中的维修订单的车辆运营特征。

进一步的，本申请上述实施例示例性的介绍了从融合基础数据中构建维修订单量预测特征的具体处理内容。可以理解的是，在实际实施本申请实施例技术方案时，可以对上述维修订单量预测特征的具体内容进行调整，总体上以能够预测维修订单量为依据。

基于本申请实施例对上述四类共计17项维修订单量预测特征的构建，假设共有J个服务站、I个日期，则可以由上述的维修订单量预测特征形成特征空间T_feature如下：

其中，该特征空间的每一行表示一个服务站、一个日期对应的各项维修订单量预测特征。

与上述的维修订单量预测方法相对应的，本申请另一实施例还公开了一种维修订单量预测装置，参见图3所示，该装置包括：

数据获取单元100，用于获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

数据处理单元110，用于对所述预测基础数据进行数据融合处理，得到融合基础数据；

特征建模单元120，用于根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数特征；

订单预测单元130，用于根据所述维修订单量预测特征，预测得到维修订单量。

可选的，所述预测基础数据包括历史维修数据、历史天气数据和车联网历史数据；

所述数据处理单元对所述预测基础数据进行数据融合处理，得到融合基础数据时，具体用于：

将所述历史维修数据、历史天气数据和车联网历史数据以时间、经度和纬度为主键进行数据合并处理，得到融合基础数据。

可选的，所述所述特征建模单元根据所述融合基础数据进行特征建模，得到维修订单量预测特征时，具体用于：

根据所述融合基础数据，分别对服务站地域特征、订单时间特征、订单天气特征和车辆运营特征进行建模，得到维修订单量预测特征。

可选的，所述特征建模单元根据所述融合基础数据，对服务站地域特征进行建模时，具体用于：

对所述融合基础数据中的服务站位置进行聚类处理，得到各个维修集中区；其中，对服务站位置进行聚类处理得到的每一类别分别对应一个维修集中区；

分别统计所述各个维修集中区中的服务站数量，确定服务站地域特征。

可选的，所述特征建模单元根据所述融合基础数据，对订单时间特征进行建模时，具体用于：

分别统计所述融合基础数据中的维修订单的各项时间属性，得到订单时间特征；其中，所述各项时间属性至少包括季节、月份、周、天中的至少一项。

可选的，所述特征建模单元根据所述融合基础数据，对订单天气特征进行建模时，具体用于：

对所述融合基础数据中的恶劣天气进行统计，得到订单天气特征；其中，对恶劣天气进行统计至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。

可选的，所述特征建模单元根据所述融合基础数据，对车辆运营特征进行建模时，具体用于：

统计所述融合基础数据中的各项车辆运营数据，得到车辆运营特征；

其中，所述各项车辆运营数据至少包括当日上线车辆数、7日内日均上线车辆数、30日内日均上线车辆数、当日行驶里程、7日内日均行驶里程、30日内日均行驶里程、当日平均速度、7日内平均车速、30日内平均车速中的至少一项。

可选的，所述订单预测单元根据所述维修订单量预测特征，预测得到维修订单量时，具体用于：

将所述维修订单量预测特征输入预先训练得到的维修订单量预测模型，预测得到维修订单量；

其中，所述维修订单量预测模型至少通过根据维修订单量预测特征预测维修订单量训练得到。

可选的，所述装置还包括：

数据预处理单元，用于对所述预测基础数据进行异常值剔除和缺失值填充处理。

具体的，上述维修订单量预测装置的各个实施例中的各个单元的具体工作内容，请参见上述方法实施例的内容，此处不再赘述。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

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。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。

本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，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，例如多个子模块或模块可以结合或者可以集成到另一个模块，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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块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模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元，或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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)

1.一种维修订单量预测方法，其特征在于，包括：

获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

对所述预测基础数据进行数据融合处理，得到融合基础数据；

根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；

根据所述维修订单量预测特征，预测得到维修订单量。

2.根据权利要求1所述的方法，其特征在于，所述预测基础数据包括历史维修数据、历史天气数据和车联网历史数据；

所述对所述预测基础数据进行数据融合处理，得到融合基础数据，包括：

将所述历史维修数据、历史天气数据和车联网历史数据，以时间、经度和纬度为主键进行数据合并处理，得到融合基础数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述融合基础数据进行特征建模，得到维修订单量预测特征，包括：

根据所述融合基础数据，分别对服务站地域特征、订单时间特征、订单天气特征和车辆运营特征进行建模，得到维修订单量预测特征。

4.根据权利要求3所述的方法，其特征在于，根据所述融合基础数据，对服务站地域特征进行建模，包括：

对所述融合基础数据中的服务站位置进行聚类处理，得到各个维修集中区；其中，对服务站位置进行聚类处理得到的每一类别分别对应一个维修集中区；

分别统计所述各个维修集中区中的服务站数量，确定服务站地域特征。

5.根据权利要求3所述的方法，其特征在于，根据所述融合基础数据，对订单时间特征进行建模，包括：

分别统计所述融合基础数据中的维修订单的各项时间属性，得到订单时间特征；其中，所述各项时间属性至少包括季节、月份、周、天中的至少一项。

6.根据权利要求3所述的方法，其特征在于，根据所述融合基础数据，对订单天气特征进行建模，包括：

对所述融合基础数据中的恶劣天气进行统计，得到订单天气特征；其中，对恶劣天气进行统计至少包括统计恶劣天气标签、前7日恶劣天气数、前30日恶劣天气数中的至少一项。

7.根据权利要求3所述的方法，其特征在于，根据所述融合基础数据，对车辆运营特征进行建模，包括：

统计所述融合基础数据中的各项车辆运营数据，得到车辆运营特征；

其中，所述各项车辆运营数据至少包括当日上线车辆数、7日内日均上线车辆数、30日内日均上线车辆数、当日行驶里程、7日内日均行驶里程、30日内日均行驶里程、当日平均速度、7日内平均车速、30日内平均车速中的至少一项。

8.根据权利要求1所述的方法，其特征在于，所述根据所述维修订单量预测特征，预测得到维修订单量，包括：

将所述维修订单量预测特征输入预先训练得到的维修订单量预测模型，预测得到维修订单量；

其中，所述维修订单量预测模型至少通过根据维修订单量预测特征预测维修订单量训练得到。

9.根据权利要求1所述的方法，其特征在于，在获取预测基础数据后，所述方法还包括：

对所述预测基础数据进行异常值剔除和缺失值填充处理。

10.一种维修订单量预测装置，其特征在于，包括：

数据获取单元，用于获取预测基础数据，其中，所述预测基础数据至少包括历史维修数据、历史天气数据和车联网历史数据中的至少一种；

数据处理单元，用于对所述预测基础数据进行数据融合处理，得到融合基础数据；

特征建模单元，用于根据所述融合基础数据进行特征建模，得到维修订单量预测特征；其中，所述维修订单量预测特征包括影响服务站维修订单量的各项参数和/或数据特征；

订单预测单元，用于根据所述维修订单量预测特征，预测得到维修订单量。

Images