CN111830937A - 车辆故障识别模型的构建、识别方法及装置、管理系统 - Google Patents

Abstract

本案提供了一种车辆故障识别模型的构建、识别方法及装置、管理系统，包括：提取样本车辆的样本数据；分析数据：根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度维度数据的表征信息；提取样本数据特征：从分析结果中提取出数据特征，根据数据特征建立车辆画像；对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。通过本案，能够构建车辆故障识别模型，并通过该模型对新的车辆样本进行故障判断，得出待识别的车辆发生故障的概率，为车辆的运营提供帮助，提高运营车辆的可利用率。

Description

车辆故障识别模型的构建、识别方法及装置、管理系统

技术领域

本发明涉及车辆故障识别技术领域，是一种通过数据挖掘来确定车辆表现的特征，从而建立车辆故障识别系统并识别故障车辆的方法。

背景技术

随着互联网共享理念的发展，共享单车数量在全国各城市进一步增加，但在单车数量到达一定程度后，随着单车使用次数和时间的增加，单车的故障率也开始上升，故障率的上升一定程度上给运维人员带来的较大的工作量，同时也对骑行者产生了不好的体验，甚至存在着安全隐患。

对于以上问题，主动的去识别在运营中的单车的故障情况，是非常有意义的，能够利于运维对单车的精准维护，提升用户体验，避免故障车安全隐患。目前在单车故障识别或预测方面技术还不成熟，但随着人工智能和大数据时代的发展，很多数据挖掘算法和识别算法逐渐成熟，如何将数据挖掘算法和识别算法应用在识别故障车辆方面成为亟需解决的问题。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有停车区域的识别过程中每个停车区域越界区域可能不一致引发的问题，旨在提供一种利于运维对车辆的精准维护，提升用户体验，避免故障车的安全隐患的车辆故障识别模型的构建、识别方法及装置、管理系统。

为实现上述目的，本发明提供了一种车辆故障识别模型的构建方法，包括：

S1：提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

S2：分析数据：根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度数据的表征信息；

S3：提取样本数据特征：从所述S2得到的分析结果中提取出数据特征，根据数据特征建立车辆画像；

S4：对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

优选的是，所述的车辆故障识别模型的构建方法，其中，

与所述样本车辆状态相关的多维度数据包括车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据。

优选的是，所述的车辆故障识别模型的构建方法，其中，

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；

和/或，所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；

和/或，所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；

和/或，所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；

和/或，所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。

本案还提供了一种车辆故障识别模型的构建装置，其中，包括：

样本数据提取单元，所述样本数据提取单元用于提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

数据分析单元，其连接所述样本数据提取单元，所述数据分析单元用于根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度数据的表征信息；

样本数据特征提取单元，其连接所述数据分析单元，所述样本数据特征提取单元用于从所述分析结果中提取出数据特征，根据数据特征建立车辆画像；

模型构建单元，其连接所述样本数据特征提取单元，所述模型构建单元用于对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

优选的是，所述的车辆故障识别模型的构建装置，其中，

与所述样本车辆状态相关的多维度数据包括车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据。

优选的是，所述的车辆故障识别模型的构建装置，其中：

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；

和/或，所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；

和/或，所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内以及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；

和/或，所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；

和/或，所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。

本案还提供了一种车辆故障识别方法，包括：

S5：提取待识别的车辆的特征参数；

S6：将所述特征参数输入所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

优选的是，所述的车辆故障识别方法，其中，所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出的特征参数。

本案还提供了一种车辆故障识别系统，包括特征参数提取单元、识别单元，其中，

所述特征参数提取单元用于提取待识别的车辆的特征参数；

所述识别单元，其连接所述特征参数提取单元，用于将所述特征参数输入所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

优选的是，所述的车辆故障识别系统，所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出的特征参数。

本案还提供了一种车辆管理系统，包括所述的车辆故障识别模型的构建装置。

本案还提供了一种车辆管理系统，包括所述的车辆故障识别系统。

本案还提供了一种停车区域安防系统，设置有所述的停车区域检测系统。

与现有技术相比，通过本发明的实施，达到了以下明显的技术效果：

1、通过本发明的车辆故障识别模型的构建方法及装置，基于对样本车辆的相关维度的数据进行挖掘，利用不同维度的车辆特征数据，确定了多个维度的特征，建立了车辆画像，收集大量数据利用机器学习模型进行学习，机器学习模型可以采用LGB二分类算法对样本数据迭代训练，充分的学习、挖掘故障车的规律，以此来确立了算法内部的参数，以达到能够对样本车辆进行分类的目的，依此对机器学习模型加权，构建一个能够识别出故障车的车辆故障识别模型；同时建立的车辆画像，能刻画车辆的各维度的情况，能够方便后续研究。

2、通过本发明的车辆故障识别方法及其系统，基于上述车辆故障识别模型的构建方法及装置得出的故障识别模型，提供了识别车辆是否故障的方案。

3、通过本发明的车辆故障识别方法及其系统，提取待识别的车辆的特征参数，将特征参数输入故障识别模型，能够对新的车辆样本进行故障判断，得出待识别的车辆发生故障的概率，为车辆的运营提供帮助，提高运营车辆的可利用率。

4、本发明的车辆故障识别模型的构建方法及装置、车辆故障识别方法及其系统适用于将数据挖掘算法和识别算法应用在识别故障车辆识别方面，能够利于运维对车辆的精准维护，提升用户体验，避免故障车的安全隐患。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明实施例1中的车辆故障识别模型的构建方法的示意图。

图2是本发明实施例2中的车辆故障识别模型的构建装置的示意图。

图3是本发明实施例4中的车辆故障识别系统的示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1:

如图1所示，实施例1提供了一种车辆故障识别模型的构建方法，包括：

S1：提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

S2：分析数据：根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度维度数据的表征信息；

S3：提取样本数据特征：从所述S2得到的分析结果中提取出数据特征，根据数据特征建立车辆画像；

S4：对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

S1中，选择了提取样本车辆的车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据，选取的依据就是能体现车辆故障的数据，然后根据所选定的各个维度，分别收集大量数据，利用不同维度的数据，可以更加精准的建立车辆故障识别模型，上述标记故障车辆的故障标签可以用于判定对应样本车辆是否为故障车。故障标签其实就是一个标记属性，含义是车辆是否故障。例如，车辆无故障的标记为0，车辆有故障的标记为1。

S2中，从所述样本数据中挖掘出的易导致故障的相关数据具体是根据样本数据分析故障车(故障标签为1的车辆)和非故障车(故障标签为0的车辆)在各个维度的数据上的差异，挖掘出容易导致故障的相关信息，同时也挖掘出故障车辆在各个维度维度数据的表征信息。易导致故障的相关数据具体是指从车辆各个维度的数据中找规律，找到与故障车辆关联性比较大的、容易判断出故障车辆的那些相关数据。比如故障车辆的骑行时间、骑行距离会比较短。

S3中，根据分析结果提取的数据特征建立车辆画像，车辆画像包括多个维度的画像，主要包含了故障车辆在各个维度的可视化表征情况。数据特征指的是在训练模型时利用的样本的数据的表征，比如样本有90个特征，例如：“车辆使用时长”，“车辆维修次数”，“车辆骑行总距离”，等一些列的统计指标，或者通过数据计算出来的一些指标。通过几个维度的特征数据，就构成了一辆车的一个画像，以此建立车辆画像。车辆画像是提取了车辆各个维度的数据，也就是车辆所表示出来的特征，比如：车辆运营时长、骑行次数、维修次数等，这些特征数据就构成了车辆的画像。车辆画像能够清楚的展现一辆车的相关情况；建立车辆画像的过程就是S1至S3中完成的步骤。

然后建立画像的这些数据特征，就主要是算法的输入，训练之后就形成了模型。

S4中，根据经机器学习模型处理后的车辆画像及其对应的故障标签，可以利用LGB算法学习该批样本数据，然后确定LGB算法内部参数进行加权，得到故障识别模型。在机器学习模型中输入大量的故障车和非故障车的特征，经过训练，从特征中找到故障车的规律，后续就可以根据这些特征识别出车辆是否故障。所述机器学习模型采用的算法包括LGB算法、逻辑回归算法、决策树算法中的至少一种。LGB(light GBM)是一种人工智能领域的机器学习算法，模型的构建是特征+分类算法组成，算法可以选取不同的算法，最终模型的建立包含整个流程(数据挖掘+特征的确定+输入算法训练)，得到了一个车辆故障识别模型。

本发明基于对样本车辆的相关维度的数据进行挖掘，利用不同维度的车辆特征数据，确定了多个维度的特征，建立了车辆画像，收集大量数据利用LGB(机器学习算法LightGradient Boosting Machine)模型进行学习，机器学习模型采用LGB二分类算法，该算法对样本数据迭代训练，充分的学习、挖掘故障车的规律，以此来确立了算法内部的参数，以达到能够对样本车辆进行分类的目的，依此对机器学习模型加权，构建了一个车辆故障识别模型。通过构建的故障识别模型能够识别车辆是否发生故障；为车辆的运营提供帮助，提高运营车辆的可利用率，避免故障车的安全隐患；同时建立的车辆画像，能够以可视化的方式刻画车辆的各维度的情况，方便后续研究。

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；通过数据挖掘发现，车辆的锁比较容易出现相应的故障，开锁数据能够作为锁相关的一个重要特征，包括开锁的时间和方式等。另外骑行维度还包括车辆的行驶时长、行驶速度、行驶距离等数据，对于骑行维度的数据特征，本技术提取了预设时间段内的骑行数据的特征，预设时间段可以根据实际的需求来设定，优选的，可以设置为1天-10天，然后以时间窗内的骑行特征来体现车辆骑行维度的画像。

所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；在实际的运营过程中，常常会发现故障车堆积点，因此样本车辆的位置数据也能为故障识别提供相应信息，通过数据的挖掘也证明了这一点。因此本方法提取了车辆所在位置的相关数据，包含车辆所在位置的经纬度，以及车辆所在运营网格编号为特征建立车辆位置维度的画像。同样的，也采集预设时间段内的车辆地理位置维度的数据，预设时间段可以设置为1天-10天，同时，还挖掘了样本车辆在某个时间窗(也就是某个时间段内)的平均订单量、每天骑行次数等特征，以此来补充样本车辆地理位置维度的数据。

所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；车辆属性维度是指车辆本身的属性，包含车辆电量，GPS信号强弱、电池电压的平均值等自身属性数据，车辆在正常运营过程中会上传上述自身状态数据给后台服务器，在挖掘相关数据时，会根据上传的数据挑选相关的时段持续的数据进行计算，后提取出相关特征数据。具体包含最近一个时间段的电量、GPS信号强弱、电池电压的平均值，最近一个时间段可以是最近的1天-10天，还有最近一次发送给服务器的上述数据。除了上述数据，还有车辆的固有属性，例如车辆版本信息、车辆运营时间等，以此来建立车辆自身维度画像。特征就是上述基于车辆画像建立的一些数据值，比如车辆运营时间就是其中一个特征。

所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；从数据中发掘，车辆本身的故障具有一定的周期性，周期在某一个范围，同时，对于频繁故障的车辆，其故障的可能性和严重性可能已经很大。预设时间段同样的可以设置为1天-10天，因此本方法对这方面的数据进行挖掘也很有作用。可以通过车辆的历史故障、维修次数以及历史故障部位等相关数据来建立车辆的健康维度的画像。

所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。通过对车辆历史数据的挖掘，故障车在骑行相关特征方面会有明显的特点，挖掘车辆近期的骑行数据，包括历史平均行驶时长、历史平均行驶速度、历史平均行驶距离等，提取相关的骑行信息，作为数据特征，该部分实际上是补充了车辆在骑行维度的特征，使车辆在骑行这个维度的画像更加丰富。

基于以上5个维度的特征，建立一个车辆画像，包含了车辆多个方面的信息。收集海量数据，提取上述车辆画像包含的特征，本方法采用了LGB二分类算法，确定参数后的算法即为本车辆故障识别模型的构建方法的产物，至此基于多维度画像的车辆故障识别模型完成。根据以上各个维度的数据，车辆故障识别模型能够对新的车辆样本进行故障判断，给出发生故障的概率。

实施例2:

如图2所示，实施例2提供了一种车辆故障识别模型的构建装置，其中，包括：

样本数据提取单元10，所述样本数据提取单元10用于提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

数据分析单元20，其连接所述样本数据提取单元10，所述数据分析单元20用于根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度维度数据的表征信息；

样本数据特征提取单元30，其连接所述数据分析单元20，所述样本数据特征提取单元30用于从所述分析结果中提取出数据特征，根据数据特征建立车辆画像；

模型构建单元40，其连接所述样本数据特征提取单元30，所述模型构建单元40用于对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

实施例2中的车辆故障识别模型的构建装置与实施例1中车辆故障识别模型的构建方法的工作原理一致，其中，样本数据提取单元10用于执行实施例1中的S1，数据分析单元20用于执行实施例1中的S2，样本数据特征提取单元30用于执行实施例1中的S3，模型构建单元40用于执行实施例1中的S4，其实现方法此处不再一一赘述。

与所述样本车辆状态相关的多维度数据包括车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据。

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；

所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；

所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内以及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；

所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；

所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。

实施例3:

为了减少运营中的故障单车，及时的让故障车辆得到维修，主动的去识别单车的故障情况是本技术的直接目的。因此，实施例3还提供了一种车辆故障识别方法，包括：

S5：提取待识别的车辆的特征参数；

S6：将所述特征参数输入所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

S5中，提取待识别的车辆的特征参数，包括上述车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的特征参数，不包括上述的故障标签。

S6中，将特征参数输入实施例1或2中构建的故障识别模型中，可以得出待识别的车辆发生故障的概率。

实施例3通过算法主动的去识别车辆的故障，若识别出故障，可指派运维人员对指定的车辆进行维修，实现精准维修。提高运维维护效率，以此来降低运营车辆的故障率，提升用户骑行体验，避免安全隐患。

所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出特征参数。特征参数表示与车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中与车辆易导致车辆故障相关的数据，包含从上述各个维度的数据中提取出的特征参数。

实施例4:

如图3所示，实施例4提供了一种车辆故障识别系统，包括特征参数提取单元50、识别单元60，其中，

所述特征参数提取单元50用于提取待识别的车辆的特征参数；

所述识别单元60，其连接所述所述特征参数提取单元50，用于将所述特征参数输入所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

实施例4中的车辆故障识别系统与实施例1中车辆故障识别方法的工作原理一致，其中，特征参数提取单元50用于执行实施例3中的S5，识别单元60用于执行实施例3中的S6，其实现方法此处不再一一赘述。

所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出特征参数。

实施例5:

本案还提供了一种车辆管理系统，包括所述的车辆故障识别模型的构建装置。

实施例5中的车辆管理系统主要应用于车辆故障识别模型的构建，车辆可以为共享自行车、共享电单车或共享汽车等。当车辆为共享自行车或共享电单车时，车辆故障识别模型的构建装置可以远程实现，与其它的管理装置共同构成停车区域安防系统。

实施例6:

本案还提供了一种车辆管理系统，包括所述的车辆故障识别系统。实施例6中的车辆管理系统主要应用于车辆故障识别，车辆可以为共享自行车、共享电单车或共享汽车等。当车辆为共享自行车或共享电单车时，车辆故障识别可以远程实现，与其它的管理装置共同构成停车区域安防系统。

上述实施例中的存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述车辆故障识别模型的构建、识别方法及装置、管理系统的操作，还可以执行本申请任意实施例所提供的车辆故障识别模型的构建、识别方法及装置、管理系统中的相关操作。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (12)

1.一种车辆故障识别模型的构建方法，其特征在于，包括：

S1：提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

S2：分析数据：根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度数据的表征信息；

S3：提取样本数据特征：从所述S2得到的分析结果中提取出数据特征，根据数据特征建立车辆画像；

S4：对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

2.根据权利要求1所述的车辆故障识别模型的构建方法，其特征在于，所述与所述样本车辆状态相关的多维度数据包括车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据。

3.根据权利要求2所述的车辆故障识别模型的构建方法，其特征在于，

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；

和/或，所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；

和/或，所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；

和/或，所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；

和/或，所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。

4.一种车辆故障识别模型的构建装置，其特征在于，包括：

样本数据提取单元，所述样本数据提取单元用于提取样本车辆的样本数据，所述样本数据包括与所述样本车辆状态相关的多维度数据，以及用于标记故障车辆的故障标签；

数据分析单元，其连接所述样本数据提取单元，所述数据分析单元用于根据所述样本数据分析出故障车辆与非故障车辆的数据差异，得出分析结果，所述分析结果包括从所述样本数据中挖掘出的易导致故障的相关数据以及故障车辆在各个维度数据的表征信息；

样本数据特征提取单元，其连接所述数据分析单元，所述样本数据特征提取单元用于从所述分析结果中提取出数据特征，根据数据特征建立车辆画像；

模型构建单元，其连接所述样本数据特征提取单元，所述模型构建单元用于对经机器学习模型处理后的车辆画像及其对应的故障标签进行加权得到故障识别模型。

5.如权利要求4所述的车辆故障识别模型的构建装置，其特征在于：所述与所述样本车辆状态相关的多维度数据包括车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据。

6.如权利要求5所述的车辆故障识别模型的构建装置，其特征在于：

所述车辆骑行维度的数据包括预设时间段内所述样本车辆的开锁数据、行驶时长、行驶速度、行驶距离；

和/或，所述车辆地理位置维度的数据包括所述样本车辆所在位置的经纬度、样本车辆所在运营网格的编号、平均订单量、每天骑行次数；

和/或，所述车辆属性维度的数据包括车辆版本信息、车辆运营时间、预设时间段内及最新一次接收到的车辆电量、GPS信号强弱、电池电压的平均值；

和/或，所述车辆历史故障及维护维度的数据包括预设时间段内所述样本车辆的历史故障情况、维修情况；

和/或，所述车辆历史骑行维度的数据包括所述样本车辆的历史平均行驶时长、历史平均行驶速度、历史平均行驶距离。

7.一种车辆故障识别方法，其特征在于，包括：

S5：提取待识别的车辆的特征参数；

S6：将所述特征参数输入如权利要求4所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

8.根据权利要求7所述的车辆故障识别方法，其特征在于，所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出的特征参数。

9.一种车辆故障识别系统，其特征在于，包括特征参数提取单元、识别单元，其中，

所述特征参数提取单元用于提取待识别的车辆的特征参数；

所述识别单元，其连接所述特征参数提取单元，用于将所述特征参数输入如权利要求4所述的故障识别模型，得出所述待识别的车辆发生故障的概率。

10.根据权利要求9所述的车辆故障识别系统，其特征在于，所述待识别的车辆的特征参数包括从车辆骑行维度、车辆地理位置维度、车辆属性维度、车辆历史故障及维护维度、车辆历史骑行维度的数据中提取出的特征参数。

11.一种车辆管理系统，其特征在于，包括如权利要求4所述的车辆故障识别模型的构建装置。

12.一种车辆管理系统，其特征在于，包括如权利要求9所述的车辆故障识别系统。

Images