CN111626491B - 交通工具的状态预测方法、装置、服务器和存储介质 - Google Patents

交通工具的状态预测方法、装置、服务器和存储介质 Download PDF

Info

Publication number
CN111626491B
CN111626491B CN202010437052.0A CN202010437052A CN111626491B CN 111626491 B CN111626491 B CN 111626491B CN 202010437052 A CN202010437052 A CN 202010437052A CN 111626491 B CN111626491 B CN 111626491B
Authority
CN
China
Prior art keywords
training
state
feature
vehicle
neuron
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
CN202010437052.0A
Other languages
English (en)
Other versions
CN111626491A (zh
Inventor
周剑雄
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.)
Beijing Qisheng Technology Co Ltd
Original Assignee
Beijing Qisheng Technology 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 Beijing Qisheng Technology Co Ltd filed Critical Beijing Qisheng Technology Co Ltd
Priority to CN202010437052.0A priority Critical patent/CN111626491B/zh
Publication of CN111626491A publication Critical patent/CN111626491A/zh
Application granted granted Critical
Publication of CN111626491B publication Critical patent/CN111626491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G06Q50/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本公开实施例涉及一种交通工具的状态预测方法、装置、服务器和存储介质。所述方法包括：获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据所述状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；将所述多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到所述待测交通工具的状态预测结果；所述状态预测结果表征所述待测交通工具在未来时段内出现异常的概率。采用本方法能够提高运维及时性、节省维护成本。

Description

交通工具的状态预测方法、装置、服务器和存储介质
技术领域
本公开实施例涉及计算机技术领域，特别是涉及一种交通工具的状态预测方法、装置、服务器和存储介质。
背景技术
随着科技的发展，市场中出现了共享单车、共享助力车、共享电动汽车等共享交通工具，为人们的生活提供了极大地便利。以共享车辆为例，随着共享车辆的日常使用，逐渐会出现一些老化损耗的问题，比如，车辆部件损坏、车锁电池缺电、车辆无心跳上传、车辆因位置不当而无法发送或回传指令等。
当车辆出现老化损耗时，需要运维人员及时维修车辆或者更换车辆，这就需要运维人员及时获知车辆的当前状态。相关技术中，经常采用机器学习模型对车辆的当前状态做出判断，从而使得运维人员能够根据车辆的当前状态对车辆进行维护。
但是，上述根据车辆的当前状态对车辆进行维护并不能满足维护需求，有时会出现运维人员得到车辆的当前状态时车辆已经损坏的情况，从而导致车辆运维不及时。
发明内容
本公开实施例提供一种交通工具的状态预测方法、装置、服务器和存储介质，可以用于预测交通工具未来时段的状态，从而帮助运维人员提前进行维护，提高了运维及时性。
第一方面，本公开实施例提供一种交通工具的状态预测方法，该方法包括：
获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；
将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果；状态预测结果表征待测交通工具在未来时段内出现异常的概率。
第二方面，本公开实施例提供一种时序神经网络的训练方法，该方法包括：
获取状态训练数据集；状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态；其中，第二训练时间段晚于第一训练时间段；
将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。
第三方面，本公开实施例提供一种交通工具的状态预测装置，该装置包括：
历史特征向量生成模块，用于获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；
状态预测模块，用于将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果；状态预测结果表征待测交通工具在未来时段内出现异常的概率。
第四方面，本公开实施例提供一种时序神经网络的训练装置，该装置包括：
状态训练数据集获取模块，用于获取状态训练数据集；状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态；其中，第二训练时间段晚于第一训练时间段；
预测状态获取模块，用于将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
训练模块，用于利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。
第五方面，本公开实施例提供一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第六方面，本公开实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本公开实施例提供的交通工具的状态预测方法、装置、服务器和存储介质，服务器先获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；然后将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果。本公开实施例中，时序神经网络可以根据多个具有时间关联性的历史特征向量进行状态演变，从而预测出待测交通工具在未来多个时段内的未来状态，运维人员可以根据状态预测结果提前对交通工具进行维护，不仅可以提升运维的及时性，而且还可以节省维护成本，并且还可以改善用户的出行体验。
附图说明
图1为一个实施例中交通工具的状态预测方法的应用环境图；
图2为一个实施例中交通工具的状态预测方法的流程示意图；
图3为一个实施例中时序神经网络训练方法的流程示意图；
图4为一个实施例中时序神经网络的结构示意图；
图5为另一个实施例中时序神经网络训练方法的流程示意图；
图6为另一个实施例中交通工具的状态预测方法的流程示意图；
图7为一个实施例中交通工具的状态预测装置的结构框图之一；
图8为一个实施例中交通工具的状态预测装置的结构框图之二；
图9为另一个实施例中时序神经网络的训练装置的结构框图；
图10为一个实施例中服务器的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下，在共享车辆领域，当前的技术背景是：运维人员通过终端从服务器获知车辆的当前状态，根据车辆的当前状态对车辆进行维护。但是，仅根据车辆的当前状态对车辆进行维护并不能满足维护需求，有时会出现运维人员得到车辆的当前状态时车辆已经损坏的情况。因此，如何可以更好地对车辆进行维护，就成为了亟待解决的技术问题。
下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。
本公开实施例提供的交通工具的状态预测方法，可以应用于如图1所示的系统架构中。该系统架构包括交通工具101、运维终端102以及服务器103。其中，交通工具101可以为脚踏自行车、电动自行车、滑板车、摩托车等非机动或者机动车辆；运维终端102可以为手机、平板电脑、IPAD等电子设备；服务器103可以为独立的服务器或者是多个服务器组成的服务器集群。其中，交通工具101设置有通信组件，其可以通过无线的方式与运维终端102或者服务器103进行通信，例如，运维终端102可以根据用户的解锁操作向交通工具101发送解锁指令等。另外，运维终端102和服务器103之间可以采用无线或者有线的方式进行通信。本公开实施例对交通工具101、运维终端102以及服务器103之间的通信方式并不做限定。
在一个实施例中，如图2所示，提供了一种交通工具的状态预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤201，获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量。
其中，一个历史时段的状态特征数据对应一个历史特征向量。
具体地，待测交通工具采集自身的状态特征数据，并定期将状态特征数据发送到服务器。例如，待测交通工具通过全球定位模块实时采集车辆位置，并间隔15秒将采集到的车辆位置发送到服务器。本公开实施例对状态特征数据不作详细限定，可以根据实际情况进行设置。
服务器接收待测交通工具发送的状态特征数据并进行存储。在对待测交通工具的状态进行预测时，服务器从预先存储的大量状态特征数据中，获取多个连续的历史时段内的状态特征数据。
其中，历史时段可以是以天为单位，也可以是以小时为单位。例如，服务器获取待测交通工具连续5天的状态特征数据，或者服务器获取待测交通工具连续24小时的状态特征数据。历史时段还可以是其他时间单位，本公开实施例对此不作详细限定，可以根据实际情况进行设置。
在获取到多个连续的历史时段的状态特征数据之后，服务器将每个历史时段的状态特征数据生成一个历史特征向量。其中，一个历史时段对应有自己的状态特征数据。另外，需要说明的是，一个历史时段的状态特征数据可以包括多个数据，这多个数据可以是一个特征维度的数据，还可以是多个特征维度的数据，本公开实施例在此并不做限定。在一个可选的实施方式中，上述状态特征数据的特征维度可以包括硬件维度、空间维度、时间维度、行为维度中的至少一种；硬件维度包括车辆类型、车锁类型、车锁联网方式、开锁方式中的至少一种；空间维度包括车辆当前位置、用户最近的触达位置、运维人员的最近触达位置中的至少一种；时间维度包括车辆投放时长、车辆电池寿命、车锁电压变化量、车锁心跳状态中的至少一种；行为维度包括订单行为、用户上报行为、运维人员上报行为中的至少一种。
上述车辆类型可以是共享单车、共享助力车、共享汽车等；车锁类型可以电动锁、机械锁等；车锁联网方式可以是无限局域网联网、蓝牙联网等；开锁方式可以是服务器指令开锁、终端蓝牙开锁等。用户最近的触达位置是指最后一个用户使用车辆时，车辆的起始位置和结束位置；运维人员最近的触达位置是指运维人员对车辆进行维护的位置。车锁心跳状态是指车锁与服务器之间采用心跳包检测车辆是否处于联网状态。订单行为是指一段时间内的行驶距离、使用频次等车辆使用的行为；用户上报行为是指用户上报车辆损耗状态等车辆状态的行为；运维人员上报状态是指运维人员上报车辆损耗状态、维护情况的行为。
可选的，当服务器获得每个历史时段的状态特征数据之后，可以将每个历史时段的状态特征数据按照预设顺序排列，组合为该历史时段对应的历史特征向量。例如，服务器可以按照数据的时间顺序进行组合，或者按照数据的特征维度进行排列等等。
在一个可选的实施方式中，基于上述状态特征数据的特征维度，服务器根据一个历史时段的状态特征数据的特征维度生成该历史时段对应的历史特征向量，具体包括：针对任意一个历史时段，将历史时段内的多个特征维度的状态特征数据按照预设顺序组合为历史特征向量。例如，一个历史时段为一天，一天的状态特征数据为Xi，其中i＝1，2，……n；则一个历史特征特征向量为[X1，X2，……Xn]。
这样，基于上述多个历史时段的状态特征数据就可以生成多个历史特征向量，并且多个历史特征向量之间具有时间关联性。
步骤202，将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果。
其中，状态预测结果表征待测交通工具在未来时段内出现异常的概率。
具体地，当服务器获得多个时间连续的历史特征向量之后，服务器将多个历史特征向量输入到该时序神经网络中。其中，时序神经网络可以是长短期记忆网络(LSTM，LongShort-Term Memory)，这种神经网络是一种时间循环神经网络，适用于处理与时间轴相关的问题。由于多个历史特征向量具有时间关联性，时序神经网络可以根据多个历史特征向量进行状态演变，对待测交通工具的未来状态进行预测，得到待测交通工具在未来时段内出现异常的概率。
例如，根据待测交通工具在1月5日之前连续5天的电池电量，预测待测交通工具在1月5日之后连续3天电池没电的概率，这样运维人员就可以根据状态预测结果提前更换电池，避免待测交通工具因为电池没电而失联。或者，根据待测交通工具在1月5日之前连续5天的移动区域，预测待测交通工具在1月5日之后连续3天超出运营区域的概率，这样运维人员就可以提前将待测交通工具转移到安全区域，避免待测交通工具超出运营区域而丢失。本公开实施例对状态预测结果不作详细限定，可以根据实际情况进行设置。
上述交通工具的状态预测方法中，服务器先获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；然后将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果。本公开实施例中，时序神经网络可以根据多个具有时间关联性的历史特征向量进行状态演变，从而预测出待测交通工具的未来状态，运维人员可以根据状态预测结果提前对交通工具进行维护，不仅可以提升运维的及时性，而且还可以节省维护成本，并且还可以改善用户的出行体验。
在一个实施例中，上述时序神经网络为基于状态训练数据集进行训练得到的网络模型，状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态，其中，第二训练时间段晚于第一训练时间段。此处举一个简单的例子来介绍这个状态训练数据集，假设状态训练数据集包括了样本交通工具在第一训练时段1月1日到1月5日连续5天的训练特征向量，分别为t1、t2、t3、t4和t5，第二训练时段1月6日到1月8日的实际状态label1、label2和label3，则该状态训练数据集包括t1、t2、t3、t4、t5、label1、label2和label3。
基于上述状态训练数据集，如图3所示，本公开实施例还提供了一种时序神经网络的训练方法，该时序神经网络的训练方法可以包括如下步骤：
步骤301，将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态。
如图4所示，可选的，上述初始时序神经网络可以包括第一神经网络层、第二神经网络层、特征拼接层和分类层。其中，第一神经网络层、第二神经网络层、特征拼接层和分类层自下而上依次排列，第一神经网络层的输出、第二神经网络层的输出均作为特征拼接层的输入，特征拼接层的输出作为分类层的输入。
在具体训练时，服务器可以将多个时间连续的训练特征向量输入至第一神经网络层，得到多个正向影响特征；同时，服务器还会将多个时间连续的训练特征向量输入至第二神经网络层，得到多个反向影响特征；最后，将多个正向影响特征和多个反向影响特征输入至特征拼接层进行特征融合，并将融合后的影响特征输入至分类层进行分类，得到样本交通工具在所述第二训练时间段的预测状态。
其中，上述正向影响特征为在先影响样本交通工具演变为第一训练时间段内状态的特征。例如，前一天的行驶时长是在先影响样本交通工具演变为电池电量由前一天的80％降低到当天的40％的正向影响特征。上述反向影响特征为在后影响样本交通工具演变为第一训练时间段内状态的特征。例如，后一天用户上报情况是在后影响样本交通工具当天损坏的反向影响特征。上述预测状态可以是未来时段交通工具异常的概率，例如电池没电的概率，也可以是车辆损坏的概率。本公开实施例对预测状态不作详细限定，可以根据实际情况进行设置。
步骤302，利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。
在得到一个样本交通工具在第二训练时间段的预测状态和实际状态之后，服务器利用损失函数计算预测状态和实际状态之间损失值，并根据损失值调整初始时序神经网络中的可调参数。之后，向初始时序神经网络中输入另一个样本交通工具对应的多个训练特征向量，得到另一个样本交通工具在第二训练时间段的预测状态，并计算该样本交通工具在第二训练时间段的预测状态和实际状态之间的损失值。如果损失值大于或等于预设阈值，即损失值不满足收敛条件，则根据损失值继续调整初始时序神经网络中的可调参数。如果损失值小于预设阈值，即损失值满足收敛条件，则将此时得到的网络模型确定为时序神经网络。其中，损失函数可以是交叉熵损失函数(Cross-entropy loss function)，本公开实施例对损失函数和损失值的预设阈值不作详细限定，可以根据实际情况进行设置。
上述时序神经网络的训练方法中，服务器先将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；再利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。本公开实施例中，时序神经网络充分考虑训练特征向量之间的时间关联性，可以很好地进行状态演变，从而得到准确的状态预测结果。
在其中一个实施例中，上述第一训练时间段包括多个连续的子时间段，一个子时间段对应一个训练特征向量，且样本交通工具在每个子时间段对应一个训练状态；上述第一神经网络层包括多个级联的第一神经元，第二神经网络层包括多个级联的第二神经元，特征拼接层包括多个拼接神经元。需要说明的是，第一神经元、第二神经元与拼接神经元三者一一对应，且一个第一神经元和一个第二神经元均对应一个相同子时间段的训练特征向量和样本交通工具在子时间段的训练状态。为了更好的理解第一神经元、第二神经元、拼接神经元与训练特征向量以及样本交通工具的训练状态之间的关系，下面结合图4举一个简单的例子。
例如，第一训练时间段包括连续的5天，其中，每一天都对应一个训练特征向量和一个样本交通工具在当天的训练状态。第一神经网络层包括5个第一神经元，第二神经网络层包括5个第二神经元，特征拼接层包括5个拼接神经元；并且每个第一神经元都有一个对应的第二神经元和拼接神经元。其中，一个第一神经元和对应的第二神经元都对应一天的训练特征向量和样本交通工具在当天的训练状态。本公开实施例对子时间段和第一神经元、第二神经元和拼接神经元的数量不作详细限定，可以根据实际情况进行设置。
在上述实施例的基础上，如图5所示，本公开实施例还提供了一种时序神经网络的训练方法，该时序神经网络的训练方法可以包括如下步骤：
步骤401，将多个时间连续的训练特征向量输入至第一神经网络层，得到多个正向影响特征。
针对第一神经网络层，服务器按照时间从前往后的顺序，将第一训练时间段对应的各个训练特征向量输入至对应的第一神经元，一个训练特征向量输入至一个第一神经元。基于训练特征向量与样本交通工具的训练状态之间的对应关系，所以第一神经元与样本交通工具的训练状态也有一一对应的关系。也就是说，一个第一神经元，对应一个子时间段的训练特征向量以及这个子时间段样本交通工具的训练状态。
当服务器将各个训练特征向量输入至对应的第一神经元之后，服务器对当前第一神经元的前一个第一神经元的第二输出特征和当前第一神经元对应的训练特征向量执行特征提取操作，得到当前第一神经元的第一输出特征。需要解释的是，第一输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的正向影响特征，第二输出特征为前一个神经元中影响样本交通工具演变为当前第一神经元对应的训练状态的正向影响特征。
按照上述操作，服务器可以对其他第一神经元执行与当前第一神经元相同的操作，从而得到其他第一神经元对应的第一输出特征。
为了更好的理解服务器针对第一神经元的操作，这里结合图4的网络结构，举一个简单的例子来进行说明：
如图4所示，将第T天对应的第一神经元作为当前第一神经元，将第T天对应的训练特征向量输入到当前第一神经元中，由于第T天为起始时间，当前第一神经元根据第T天对应的训练特征向量进行特征提取操作，得到第一输出特征a1。其中，第一输出特征a1为当前第一神经元中影响样本交通工具演变为第T天的训练状态的正向影响特征。之后，将第T+1天对应的第一神经元作为当前第一神经元，将第T+1天对应的训练特征向量输入到当前第一神经元中，当前第一神经元会根据第T天对应的第一神经元的第二输出特征b1和第T+1天对应的训练特征向量进行特征提取操作，得到第一输出特征a2。其中，第二输出特征b1是前一个第一神经元中影响样本交通工具演变为第T+1天的训练状态的正向影响特征。以此类推，就可以得到其他第一神经元的第一输出特征。
步骤402，将多个时间连续的训练特征向量输入至第二神经网络层，得到多个反向影响特征。
针对第二神经网络层，服务器按照时间从前往后的顺序，将第一训练时间段对应的各个训练特征向量输入至对应的第二神经元。一个训练特征向量输入至一个第二神经元。基于训练特征向量与样本交通工具的训练状态之间的对应关系，所以第二神经元与样本交通工具的训练状态也有一一对应的关系。也就是说，一个第二神经元，对应一个子时间段的训练特征向量以及这个子时间段样本交通工具的训练状态。
当服务器将各个训练特征向量输入至对应的第二神经元之后，服务器对当前第二神经元的后一个第二神经元的第三输出特征和当前第二神经元对应的训练特征向量执行特征提取操作，得到当前第二神经元的第四输出特征。需要解释的是，第四输出特征为影响样本交通工具演变为当前第二神经元对应的训练状态的反向影响特征，第三输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的反向影响特征。
按照上述操作，服务器可以对其他第二神经元执行与当前第二神经元相同的操作，得到其他第二神经元对应的第四输出特征。
为了更好的理解服务器针对第二神经元的操作，这里结合图4的网络结构，举一个简单的例子来进行说明：
如图4所示，将第T天对应的第二神经元作为当前第二神经元，将第T天对应的训练特征向量输入到当前第二神经元中，当前第二神经元根据第T天对应的训练特征向量和第T+1天对应的第二神经元的第三输出特征d2进行特征提取操作，得到第四输出特征c1。其中，第四输出特征c1为当前第二神经元中影响样本交通工具演变为第T天的训练状态的反向影响特征。第三输出特征d2为后一个第二神经元影响样本交通工具演变为第T+1天的训练状态的反向影响特征。之后，将第T+1天对应的第二神经元作为当前第二神经元，将第T+1天对应的训练特征向量输入到当前第二神经元中，当前第二神经元会根据后一个第二神经元的第三输出特征d3和第T+1天对应的训练特征向量进行特征提取操作，得到第四输出特征c2。以此类推，就可以得到其他第二神经元的第四输出特征。
上述第一神经网络层、第二神经网络层可以采用长短期记忆网络(Long Short-Term Memory，LSTM)，这种神经网络是一种时间循环神经网络，可以对特征向量按照时间顺序的变化进行运算。
步骤403，将多个正向影响特征和多个反向影响特征输入至特征拼接层进行特征融合。
具体的，当服务器获得上述各个第一神经元的第一输出特征以及第二神经元的第四输出特征之后，服务器将各个第一输出特征和各个第四输出特征输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。
如图4所示，将第T天对应的第一神经元的第一输出特征a1和第二神经元的第四输出特征c1输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。以此类推，可以得到其他拼接神经元的融合后的影响特征。
步骤404，将融合后的影响特征输入至分类层进行分类，得到样本交通工具在第二训练时间段的预测状态。
服务器将多个拼接神经元得到的融合后的影响特征输入到分类层中，分类层根据多个融合后的影响特征进行分类，得到样本交通工具在第二训练时间段的预测状态。例如，服务器得到样本交通工具在后续三天电池没电的概率依次为70％、80％、90％。
上述分类层可以采用条件随机场(conditional random field，CRF)，条件随机场是一种鉴别式机率模型，与softmax这种分类器相比，条件随机场是无向性之图模型，其考虑特征向量之间的时间关联性，因而可以更好地对未来时段的状态进行预测。
步骤405，利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定时序神经网络。
上述时序神经网络是基于状态训练数据集进行训练得到的网络模型，其初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；在训练过程中，服务器将多个训练特征向量输入至第一神经网络层，可以得到多个正向影响特征；将多个训练特征向量输入至第二神经网络层，可以得到多个反向影响特征；之后，服务器将多个正向影响特征和多个反向影响特征输入至特征拼接层进行特征融合，并将融合后的影响特征输入至分类层进行分类，可以得到样本交通工具在第二训练时间段的预测状态。由于第一神经网络层考虑到时间在前的训练特征向量对后续训练状态的影响，第二神经网络层考虑到时间在后的训练特征向量对之前训练状态的影响，因此，特征拼接层将时间在前的影响和时间在后的影响融合到一起，可以帮助后续分类层更好地进行分类和预测，进而提高了预测的准确性。本公开实施例中，时序神经网络充分考虑特征向量之间的时间关联性，可以很好地进行状态演变，从而得到准确的状态预测结果。
在一个实施例，如图6所示，在上述实施例的基础上，本公开实施例涉及运维人员通过终端从服务器获知车辆的状态预测结果，并根据状态预测结果进行车辆维护的场景，具体可以包括以如下步骤：
步骤501，基于状态训练数据集进行训练得到时序神经网络。
其中，状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态，其中，第二训练时间段晚于第一训练时间段。
在实际应用中，样本交通工具可以是共享单车。多个共享单车采集自身的状态特征数据，并定期上传到服务器。服务器接收共享单车上传的状态特征数据并进行存储。之后，服务器根据多个共享单车上传的状态特征数据确定状态训练数据集，并基于状态训练数据集进行训练得到时序神经网络。具体训练过程参考上述实施例，在此不再赘述。
步骤502，获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量。
具体地，针对任意一个历史时段，将历史时段内的多个特征维度的状态特征数据按照预设顺序组合为历史特征向量。其中，特征维度包括硬件维度、空间维度、时间维度、行为维度中的至少一种；硬件维度包括车辆类型、车锁类型、车锁联网方式、开锁方式中的至少一种；空间维度包括车辆当前位置、用户最近的触达位置、运维人员的最近触达位置中的至少一种；时间维度包括车辆投放时长、车辆电池寿命、车锁电压变化量、车锁心跳状态中的至少一种；行为维度包括订单行为、用户上报行为、运维人员上报行为中的至少一种。本公开实施例对特征维度不作详细限定，可以根据实际情况进行设置。
在实际应用中，待测交通工具也是共享单车。将历史时段内的多个特征维度的状态特征数据按照预设顺序组合为历史特征向量可以是，将共享单车A某一天的开锁方式、车辆当前位置、车辆电压变化量、订单行为按照从前到后的顺序组合为一个历史特征向量。按照这样的方式，将1月5日之前连续5天的状态特征数据生成5个历史特征向量。例如，一天的状态特征数据为Xi，其中i＝1，2，……n；则一个历史特征特征向量为[X1，X2，……Xn]。
可以理解地，多个历史特征向量之间具有时间关联性，因而时序神经网络可以根据历史特征向量之间的时间关联性进行状态演变，从而进行预测。
步骤503，将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果；状态预测结果表征待测交通工具在未来时段内出现异常的概率。
在实际应用中，将共享单车的多个时间连续的历史特征向量输入到步骤501中训练的时序神经网络中，得到时序神经网络输出的状态预测结果。例如，将共享单车A的5个历史特征向量输入到时序神经网络中，得到时序神经网络输出的共享单车A在X月X日后连续三天电池没电的概率依次为70％、80％、90％。
步骤504，将状态预测结果发送至运维终端，以供运维终端展示状态预测结果。
在得到状态预测结果之后，服务器将状态预测结果发送到运维终端进行展示。运维人员根据运维终端展示的状态预测结果判断是否需要对待测交通工具进行维护。
例如，服务器将共享单车A在1月5日后连续三天电池没电的概率依次为70％、80％、90％发送到终端，终端展示电池没电的概率之后，运维人员可以选择在第二天对共享单车A进行维护，避免共享单车因电池没电而失联。
在其中一个实施例中，在获取待测交通工具在多个连续的历史时段内的状态特征数据之前，服务器接收运维终端发送的预测区域标识，该预测区域标识用于指示服务器对预测区域标识对应的区域内的待测交通工具进行状态预测。
具体地，运维人员在运维终端输入预测区域标识，运维终端将预测区域标识发送到服务器，服务器接收运维终端发送的预测区域标识。之后，服务器根据预测区域标识对应的区域内的待测交通工具分别进行状态预测。在得到多个交通工具的状态预测结果之后，服务器可以根据出现异常情况的交通工具的数量和未出现异常情况的交通工具的数量确定交通工具的异常比例，并将交通工具的异常比例发送到运维终端进行展示。
例如，服务器接收到运维终端发送的预测区域标识M，根据预测区域标识M对区域内的100辆共享单车分别进行状态预测得到状态预测结果。其中，电池没电的概率大于80％的共享单车为10辆，电池没电的概率小于或等于80％的共享单车为90辆，则可以计算出异常比例为10％。之后，服务器将共享单车的异常比例为10％发送到运维终端。
上述交通工具的状态预测方法中，服务器预先基于状态训练数据集进行训练得到时序神经网络；然后获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；最后，将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果，并将状态预测结果发送到终端进行展示。本公开实施例中，根据共享单车的历史状态预测未来状态，可以帮助运维人员提前对共享单车进行维护，从而可以提升运维即使性、节省维护成本。进一步地，还可以改善用户的出行体验。
应该理解的是，虽然图2-图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种交通工具的状态预测装置，包括：
历史特征向量生成模块601，用于获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；
状态预测模块602，用于将多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到待测交通工具的状态预测结果；状态预测结果表征待测交通工具在未来时段内出现异常的概率。
在其中一个实施例中，上述时序神经网络为基于状态训练数据集进行训练得到的网络模型；状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态；其中，第二训练时间段晚于第一训练时间段。
在其中一个实施例中，如图8所示，该装置还包括：
预测状态获取模块603，用于将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
训练模块604，用于利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。
在其中一个实施例中，上述初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；在上述实施例的基础上，上述预测状态获取模块603，如图8所示，包括：
第一子模块6031，用于将多个时间连续的训练特征向量输入至第一神经网络层，得到多个正向影响特征；正向影响特征为在先影响样本交通工具演变为第一训练时间段内状态的特征；
第二子模块6032，用于将多个时间连续的训练特征向量输入至第二神经网络层，得到多个反向影响特征；反向影响特征为在后影响样本交通工具演变为第一训练时间段内状态的特征；
第三子模块6033，用于将多个正向影响特征和多个反向影响特征输入至特征拼接层进行特征融合，并将融合后的影响特征输入至分类层进行分类，得到样本交通工具在第二训练时间段的预测状态。
在其中一个实施例中，上述第一训练时间段包括多个连续的子时间段，一个子时间段对应一个训练特征向量，且样本交通工具在每个子时间段对应一个训练状态；第一神经网络层包括多个级联的第一神经元，第二神经网络层包括多个级联的第二神经元，特征拼接层包括多个拼接神经元；第一神经元、第二神经元与拼接神经元三者一一对应，且一个第一神经元和一个第二神经元均对应一个相同子时间段的训练特征向量和样本交通工具在子时间段的训练状态。
在其中一个实施例中，上述第一子模块6031，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第一神经元；并对当前第一神经元的前一个第一神经元的第二输出特征和当前第一神经元对应的训练特征向量执行特征提取操作，得到当前第一神经元的第一输出特征；以及对其他第一神经元执行与当前第一神经元相同的操作，得到其他第一神经元对应的正向影响特征；其中，第一输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的正向影响特征，第二输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的正向影响特征。
在其中一个实施例中，上述第二子模块6032，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第二神经元；对当前第二神经元的后一个第二神经元的第三输出特征和当前第二神经元对应的训练特征向量执行特征提取操作，得到当前第二神经元的第四输出特征，以及对其他第二神经元执行与当前第二神经元相同的操作，得到其他第二神经元对应的反向影响特征；其中，第四输出特征为影响样本交通工具演变为当前第二神经元对应的训练状态的反向影响特征，第三输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的反向影响特征。
在其中一个实施例中，上述第三子模块6033，具体用于将第一神经元输出的第一输出特征和第二神经元输出的第四输出特征，输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。
在其中一个实施例中，上述历史特征向量生成模块502，具体用于针对任意一个历史时段，将历史时段内的多个特征维度的状态特征数据按照预设顺序组合为历史特征向量。
在其中一个实施例中，上述特征维度包括硬件维度、空间维度、时间维度、行为维度中的至少一种；硬件维度包括车辆类型、车锁类型、车锁联网方式、开锁方式中的至少一种；空间维度包括车辆当前位置、用户最近的触达位置、运维人员的最近触达位置中的至少一种；时间维度包括车辆投放时长、车辆电池寿命、车锁电压变化量、车锁心跳状态中的至少一种；行为维度包括订单行为、用户上报行为、运维人员上报行为中的至少一种。
在其中一个实施例中，该装置还包括：
状态预测结果发送模块，用于将状态预测结果发送至运维终端，以供运维终端展示状态预测结果。
在其中一个实施例中，该装置还包括：
接收模块，用于接收运维终端发送的预测区域标识，所述预测区域标识用于指示所述服务器对所述预测区域标识对应的区域内的待测交通工具进行状态预测。
在一个实施例中，如图9所示，提供了一种时序神经网络的训练装置，该装置包括：
状态训练数据集获取模块701，用于获取状态训练数据集；状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和样本交通工具在第二训练时间段的实际状态；其中，第二训练时间段晚于第一训练时间段；
预测状态获取模块702，用于将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
训练模块703，用于利用损失函数计算第二训练时间段的预测状态与第二训练时间段的实际状态之间的损失值，并根据损失值调整初始时序神经网络中的可调参数，直至损失值满足收敛条件为止，并将损失值满足收敛条件时所得到的网络模型确定为时序神经网络。
在其中一个实施例中，初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；上述预测状态获取模块702，包括：
第一子模块，用于将多个时间连续的训练特征向量输入至第一神经网络层，得到多个正向影响特征；正向影响特征为在先影响样本交通工具演变为第一训练时间段内状态的特征；
第二子模块，用于将多个时间连续的训练特征向量输入至第二神经网络层，得到多个反向影响特征；反向影响特征为在后影响样本交通工具演变为第一训练时间段内状态的特征；
第三子模块，用于将多个正向影响特征和多个反向影响特征输入至特征拼接层进行特征融合，并将融合后的影响特征输入至分类层进行分类，得到样本交通工具在第二训练时间段的预测状态。
在其中一个实施例中，第一训练时间段包括多个连续的子时间段，一个子时间段对应一个训练特征向量，且样本交通工具在每个子时间段对应一个训练状态；第一神经网络层包括多个级联的第一神经元，第二神经网络层包括多个级联的第二神经元，特征拼接层包括多个拼接神经元；第一神经元、第二神经元与拼接神经元三者一一对应，且一个第一神经元和一个第二神经元均对应一个相同子时间段的训练特征向量和样本交通工具在子时间段的训练状态。
在其中一个实施例中，第一子模块，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第一神经元；对当前第一神经元的前一个第一神经元的第二输出特征和当前第一神经元对应的训练特征向量执行特征提取操作，得到当前第一神经元的第一输出特征；其中，第一输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的第一输出特征，第二输出特征为影响样本交通工具演变为当前第一神经元对应的训练状态的正向影响特征；对其他第一神经元执行与当前第一神经元相同的操作，得到其他第一神经元对应的第一输出特征。
在其中一个实施例中，第二子模块，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第二神经元；对当前第二神经元的后一个第二神经元的第三输出特征和当前第二神经元对应的训练特征向量执行特征提取操作，得到当前第二神经元的第四输出特征；其中，第四输出特征为影响样本交通工具演变为当前第二神经元对应的训练状态的反向影响特征，第三输出特征为影响样本交通工具演变为当前第二神经元对应的训练状态的反向影响特征；对其他第二神经元执行与当前第二神经元相同的操作，得到其他第二神经元对应的第四输出特征。
在其中一个实施例中，第三子模块，具体用于将第一神经元输出的第一输出特征和第二神经元输出的第四输出特征，输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。
关于交通工具的状态预测装置的具体限定可以参见上文中对于交通工具的状态预测方法的限定，在此不再赘述。上述交通工具的状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于服务器的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图10是根据一示例性实施例示出的一种服务器1400的框图。参照图10，服务器1400包括处理组件1420，其进一步包括一个或多个处理器，以及由存储器1422所代表的存储器资源，用于存储可由处理组件1420执行的指令或者计算机程序，例如应用程序。存储器1422中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1420被配置为执行指令，以执行上述交通工具的状态预测的方法。
服务器1400还可以包括一个电源组件1424被配置为执行设备1400的电源管理，一个有线或无线网络接口1426被配置为将设备1400连接到网络，和一个输入输出(I/O)接口1428。服务器1400可以操作基于存储在存储器1422的操作系统，例如Window14 14erverTM，Mac O14 XTM，UnixTM,LinuxTM，FreeB14DTM或类似。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器1422，上述指令可由服务器1400的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。

Claims (24)

1.一种交通工具的状态预测方法，其特征在于，所述方法包括：
获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据所述状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；
将所述多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到所述待测交通工具的状态预测结果；所述状态预测结果表征所述待测交通工具在未来时段内出现异常的概率；
其中，所述时序神经网络的训练方法包括：
将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
利用损失函数计算所述第二训练时间段的预测状态与所述第二训练时间段的实际状态之间的损失值，并根据所述损失值调整所述初始时序神经网络中的可调参数，直至所述损失值满足收敛条件为止，并将所述损失值满足所述收敛条件时所得到的网络模型确定为所述时序神经网络；
所述初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；所述将所述第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到所述样本交通工具在所述第二训练时间段的预测状态，包括：
将所述多个时间连续的训练特征向量输入至所述第一神经网络层，得到多个正向影响特征；所述正向影响特征为在先影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
将所述多个时间连续的训练特征向量输入至所述第二神经网络层，得到多个反向影响特征；所述反向影响特征为在后影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
将所述多个正向影响特征和所述多个反向影响特征输入至所述特征拼接层进行特征融合，并将融合后的影响特征输入至所述分类层进行分类，得到所述样本交通工具在所述第二训练时间段的预测状态。
2.根据权利要求1所述的方法，其特征在于，所述时序神经网络为基于状态训练数据集进行训练得到的网络模型；所述状态训练数据集包括所述样本交通工具在所述第一训练时间段对应的多个时间连续的训练特征向量和所述样本交通工具在所述第二训练时间段的实际状态；其中，所述第二训练时间段晚于所述第一训练时间段。
3.根据权利要求1所述的方法，其特征在于，所述第一训练时间段包括多个连续的子时间段，一个子时间段对应一个训练特征向量，且所述样本交通工具在每个子时间段对应一个训练状态；
所述第一神经网络层包括多个级联的第一神经元，所述第二神经网络层包括多个级联的第二神经元，所述特征拼接层包括多个拼接神经元；
所述第一神经元、所述第二神经元与所述拼接神经元三者一一对应，且一个第一神经元和一个第二神经元均对应一个相同子时间段的训练特征向量和所述样本交通工具在所述子时间段的训练状态。
4.根据权利要求3所述的方法，其特征在于，所述将所述多个时间连续的训练特征向量输入至所述第一神经网络层，得到多个正向影响特征，包括：
按照时间从前往后的顺序，将各个训练特征向量输入至对应的第一神经元；
对当前第一神经元的前一个第一神经元的第二输出特征和所述当前第一神经元对应的训练特征向量执行特征提取操作，得到所述当前第一神经元的第一输出特征；其中，所述第一输出特征为影响所述样本交通工具演变为所述当前第一神经元对应的训练状态的正向影响特征；所述第二输出特征为影响所述样本交通工具演变为所述当前第一神经元对应的训练状态的正向影响特征；
对其他第一神经元执行与所述当前第一神经元相同的操作，得到其他第一神经元对应的第一输出特征。
5.根据权利要求3所述的方法，其特征在于，所述将所述多个时间连续的训练特征向量输入至所述第二神经网络层，得到多个反向影响特征，包括：
按照时间从前往后的顺序，将各个训练特征向量输入至对应的第二神经元；
对当前第二神经元的后一个第二神经元的第三输出特征和所述当前第二神经元对应的训练特征向量执行特征提取操作，得到所述当前第二神经元的第四输出特征；其中，所述第四输出特征为影响所述样本交通工具演变为所述当前第二神经元对应的训练状态的反向影响特征，所述第三输出特征为影响所述样本交通工具演变为所述当前第二神经元对应的训练状态的反向影响特征；
对其他第二神经元执行与所述当前第二神经元相同的操作，得到其他第二神经元对应的第四输出特征。
6.根据权利要求3所述的方法，其特征在于，所述将所述多个正向影响特征和所述多个反向影响特征输入至所述特征拼接层进行特征融合，包括：
将所述第一神经元的第一输出特征和所述第二神经元的第四输出特征，输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述状态特征数据生成多个时间连续的历史特征向量，包括：
针对任意一个历史时段，将所述历史时段内的多个特征维度的状态特征数据按照预设顺序组合为所述历史特征向量。
8.根据权利要求7所述的方法，其特征在于，所述特征维度包括硬件维度、空间维度、时间维度、行为维度中的至少一种；
所述硬件维度包括车辆类型、车锁类型、车锁联网方式、开锁方式中的至少一种；
所述空间维度包括车辆当前位置、用户最近的触达位置、运维人员的最近触达位置中的至少一种；
所述时间维度包括车辆投放时长、车辆电池寿命、车锁电压变化量、车锁心跳状态中的至少一种；
所述行为维度包括订单行为、用户上报行为、运维人员上报行为中的至少一种。
9.根据权利要求1-6任一项所述的方法，其特征在于，在所述得到所述待测交通工具的状态预测结果之后，所述方法还包括：
将所述状态预测结果发送至运维终端，以供所述运维终端展示所述状态预测结果。
10.根据权利要求1-6任一项所述的方法，其特征在于，所述获取待测交通工具在多个连续的历史时段内的状态特征数据之前，还包括：
接收运维终端发送的预测区域标识，所述预测区域标识用于指示服务器对所述预测区域标识对应的区域内的待测交通工具进行状态预测。
11.一种时序神经网络的训练方法，其特征在于，所述方法包括：
获取状态训练数据集；所述状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和所述样本交通工具在第二训练时间段的实际状态；其中，所述第二训练时间段晚于所述第一训练时间段；
将所述第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中得到在先影响交通工具状态演变的正向影响特征和在后影响交通工具状态演变的反向影响特征，根据所述正向影响特征和所述反向影响特征进行预测，得到所述样本交通工具在所述第二训练时间段的预测状态；
利用损失函数计算所述第二训练时间段的预测状态与所述第二训练时间段的实际状态之间的损失值，并根据所述损失值调整所述初始时序神经网络中的可调参数，直至所述损失值满足收敛条件为止，并将所述损失值满足所述收敛条件时所得到的网络模型确定为所述时序神经网络；
其中，所述初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；所述将所述第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中得到在先影响交通工具状态演变的正向影响特征和在后影响交通工具状态演变的反向影响特征，根据所述正向影响特征和所述反向影响特征进行预测，得到所述样本交通工具在所述第二训练时间段的预测状态，包括：
将所述多个时间连续的训练特征向量输入至所述第一神经网络层，得到多个所述正向影响特征；所述正向影响特征为在先影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
将所述多个时间连续的训练特征向量输入至所述第二神经网络层，得到多个所述反向影响特征；所述反向影响特征为在后影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
将所述多个正向影响特征和所述多个反向影响特征输入至所述特征拼接层进行特征融合，并将融合后的影响特征输入至所述分类层进行分类，得到所述样本交通工具在所述第二训练时间段的预测状态。
12.一种交通工具的状态预测装置，其特征在于，所述装置包括：
历史特征向量生成模块，用于获取待测交通工具在多个连续的历史时段内的状态特征数据，并根据所述状态特征数据生成多个时间连续的历史特征向量；其中，一个历史时段的状态特征数据对应一个历史特征向量；
状态预测模块，用于将所述多个时间连续的历史特征向量输入到时序神经网络中进行状态预测，得到所述待测交通工具的状态预测结果；所述状态预测结果表征所述待测交通工具在未来时段内出现异常的概率；
其中，所述装置还包括：
预测状态获取模块，用于将第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中进行预测，得到样本交通工具在第二训练时间段的预测状态；
训练模块，用于利用损失函数计算所述第二训练时间段的预测状态与所述第二训练时间段的实际状态之间的损失值，并根据所述损失值调整所述初始时序神经网络中的可调参数，直至所述损失值满足收敛条件为止，并将所述损失值满足所述收敛条件时所得到的网络模型确定为所述时序神经网络；
所述初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；所述预测状态获取模块，包括：
第一子模块，用于将所述多个时间连续的训练特征向量输入至所述第一神经网络层，得到多个正向影响特征；所述正向影响特征为在先影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
第二子模块，用于将所述多个时间连续的训练特征向量输入至所述第二神经网络层，得到多个反向影响特征；所述反向影响特征为在后影响所述样本交通工具演变为所述第一训练时间段内状态的特征；
第三子模块，用于将所述多个正向影响特征和所述多个反向影响特征输入至所述特征拼接层进行特征融合，并将融合后的影响特征输入至所述分类层进行分类，得到所述样本交通工具在所述第二训练时间段的预测状态。
13.根据权利要求12所述的装置，其特征在于，所述时序神经网络为基于状态训练数据集进行训练得到的网络模型；所述状态训练数据集包括所述样本交通工具在所述第一训练时间段对应的多个时间连续的训练特征向量和所述样本交通工具在所述第二训练时间段的实际状态；其中，所述第二训练时间段晚于所述第一训练时间段。
14.根据权利要求12所述的装置，其特征在于，所述第一训练时间段包括多个连续的子时间段，一个子时间段对应一个训练特征向量，且所述样本交通工具在每个子时间段对应一个训练状态；
所述第一神经网络层包括多个级联的第一神经元，所述第二神经网络层包括多个级联的第二神经元，所述特征拼接层包括多个拼接神经元；
所述第一神经元、所述第二神经元与所述拼接神经元三者一一对应，且一个第一神经元和一个第二神经元均对应一个相同子时间段的训练特征向量和所述样本交通工具在所述子时间段的训练状态。
15.根据权利要求14所述的装置，其特征在于，所述第一子模块，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第一神经元；对当前第一神经元的前一个第一神经元的第二输出特征和所述当前第一神经元对应的训练特征向量执行特征提取操作，得到所述当前第一神经元的第一输出特征；其中，所述第一输出特征为影响所述样本交通工具演变为所述当前第一神经元对应的训练状态的第一输出特征，所述第二输出特征为影响所述样本交通工具演变为所述当前第一神经元对应的训练状态的正向影响特征；对其他第一神经元执行与所述当前第一神经元相同的操作，得到其他第一神经元对应的第一输出特征。
16.根据权利要求14所述的装置，其特征在于，所述第二子模块，具体用于按照时间从前往后的顺序，将各个训练特征向量输入至对应的第二神经元；对当前第二神经元的后一个第二神经元的第三输出特征和所述当前第二神经元对应的训练特征向量执行特征提取操作，得到所述当前第二神经元的第四输出特征；其中，所述第四输出特征为影响所述样本交通工具演变为所述当前第二神经元对应的训练状态的反向影响特征，所述第三输出特征为影响所述样本交通工具演变为所述当前第二神经元对应的训练状态的反向影响特征；对其他第二神经元执行与所述当前第二神经元相同的操作，得到其他第二神经元对应的第四输出特征。
17.根据权利要求14所述的装置，其特征在于，所述第三子模块，具体用于将所述第一神经元输出的第一输出特征和所述第二神经元输出的第四输出特征，输入到对应的拼接神经元中进行特征融合，得到一个融合后的影响特征。
18.根据权利要求14-17任一项所述的装置，其特征在于，所述历史特征向量生成模块，具体用于针对任意一个历史时段，将所述历史时段内的多个特征维度的状态特征数据按照预设顺序组合为所述历史特征向量。
19.根据权利要求18所述的装置，其特征在于，所述特征维度包括硬件维度、空间维度、时间维度、行为维度中的至少一种；
所述硬件维度包括车辆类型、车锁类型、车锁联网方式、开锁方式中的至少一种；
所述空间维度包括车辆当前位置、用户最近的触达位置、运维人员的最近触达位置中的至少一种；
所述时间维度包括车辆投放时长、车辆电池寿命、车锁电压变化量、车锁心跳状态中的至少一种；
所述行为维度包括订单行为、用户上报行为、运维人员上报行为中的至少一种。
20.根据权利要求14-17任一项所述的装置，其特征在于，所述装置还包括：
发送模块，用于将所述状态预测结果发送至运维终端，以供所述运维终端展示所述状态预测结果。
21.根据权利要求14-17任一项所述的装置，其特征在于，所述装置还包括：
接收模块，用于接收运维终端发送的预测区域标识，所述预测区域标识用于指示服务器对所述预测区域标识对应的区域内的待测交通工具进行状态预测。
22.一种时序神经网络的训练装置，其特征在于，所述装置包括：
状态训练数据集获取模块，用于获取状态训练数据集；所述状态训练数据集包括样本交通工具在第一训练时间段对应的多个时间连续的训练特征向量和所述样本交通工具在第二训练时间段的实际状态；其中，所述第二训练时间段晚于所述第一训练时间段；
预测状态获取模块，用于将所述第一训练时间段对应的多个时间连续的训练特征向量输入到初始时序神经网络中得到在先影响交通工具状态演变的正向影响特征和在后影响交通工具状态演变的反向影响特征，根据所述正向影响特征和所述反向影响特征进行预测，得到所述样本交通工具在所述第二训练时间段的预测状态；
训练模块，用于利用损失函数计算所述第二训练时间段的预测状态与所述第二训练时间段的实际状态之间的损失值，并根据所述损失值调整所述初始时序神经网络中的可调参数，直至所述损失值满足收敛条件为止，并将所述损失值满足所述收敛条件时所得到的网络模型确定为所述时序神经网络；
其中，所述初始时序神经网络包括第一神经网络层、第二神经网络层、特征拼接层和分类层；所述预测状态获取模块，具体用于将所述多个时间连续的训练特征向量输入至所述第一神经网络层，得到多个所述正向影响特征；所述正向影响特征为在先影响所述样本交通工具演变为所述第一训练时间段内状态的特征；将所述多个时间连续的训练特征向量输入至所述第二神经网络层，得到多个所述反向影响特征；所述反向影响特征为在后影响所述样本交通工具演变为所述第一训练时间段内状态的特征；将所述多个正向影响特征和所述多个反向影响特征输入至所述特征拼接层进行特征融合，并将融合后的影响特征输入至所述分类层进行分类，得到所述样本交通工具在所述第二训练时间段的预测状态。
23.一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
24.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202010437052.0A 2020-05-21 2020-05-21 交通工具的状态预测方法、装置、服务器和存储介质 Active CN111626491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437052.0A CN111626491B (zh) 2020-05-21 2020-05-21 交通工具的状态预测方法、装置、服务器和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437052.0A CN111626491B (zh) 2020-05-21 2020-05-21 交通工具的状态预测方法、装置、服务器和存储介质

Publications (2)

Publication Number Publication Date
CN111626491A CN111626491A (zh) 2020-09-04
CN111626491B true CN111626491B (zh) 2023-06-16

Family

ID=72272401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437052.0A Active CN111626491B (zh) 2020-05-21 2020-05-21 交通工具的状态预测方法、装置、服务器和存储介质

Country Status (1)

Country Link
CN (1) CN111626491B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521613B (zh) * 2011-12-17 2014-01-08 山东省科学院自动化研究所 一种汽车电子系统的故障诊断方法
CN109993848A (zh) * 2017-12-29 2019-07-09 长城汽车股份有限公司 一种离合器磨损状态预测方法、装置及车辆
CN110533229B (zh) * 2019-08-13 2023-08-08 中国铁路总公司 轨道维修时刻预测方法及装置

Also Published As

Publication number Publication date
CN111626491A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Hong et al. Synchronous multi-parameter prediction of battery systems on electric vehicles using long short-term memory networks
Liu et al. Modified Gaussian process regression models for cyclic capacity prediction of lithium-ion batteries
US11065978B2 (en) Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
CN109131345B (zh) 交通工具和控制交通工具的方法和系统
US11555858B2 (en) Systems, methods, and storage media for predicting a discharge profile of a battery pack
EP3850551A1 (en) Systems and methods for managing energy storage systems
Zhou et al. Battery health prognosis using improved temporal convolutional network modeling
KR102608468B1 (ko) 배터리 상태 추정 방법 및 장치
US11084387B2 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
CN114692827A (zh) 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
NaitMalek et al. On the use of machine learning for state-of-charge forecasting in electric vehicles
CN116184210A (zh) 电池异常检测方法、装置、系统和电子装置
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN113406496B (zh) 基于模型迁移的电池容量预测方法、系统、装置及介质
CN109116244B (zh) 一种动力电池老化趋势的判断方法和装置
Lucu et al. Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data: Holistic validation with ev driving profiles
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
CN111626491B (zh) 交通工具的状态预测方法、装置、服务器和存储介质
US20220260641A1 (en) Apparatus and Method for Predicting State of Battery
US11551097B2 (en) System and method for utilizing weak supervision and a generative adversarial network to identify a location
Pau et al. Microcontroller architectures for battery state of charge prediction with tiny neural networks
CN117074951A (zh) 锂电池荷电状态的估计方法、装置、设备及可读存储介质
US20220284747A1 (en) System and method for forecasting battery state with imperfect data
CN115723624A (zh) 电池状态预测方法、装置和相关产品

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