CN111860878A - 共享单车的报修方法、服务器、电子设备及存储介质 - Google Patents
共享单车的报修方法、服务器、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111860878A CN111860878A CN201911424344.4A CN201911424344A CN111860878A CN 111860878 A CN111860878 A CN 111860878A CN 201911424344 A CN201911424344 A CN 201911424344A CN 111860878 A CN111860878 A CN 111860878A
- Authority
- CN
- China
- Prior art keywords
- repair
- data
- repair data
- bicycle
- fault
- 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
- 230000008439 repair process Effects 0.000 title claims abstract description 340
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000007477 logistic regression Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 8
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开示例提供的共享单车的报修方法、服务器、电子设备及存储介质,采用了获取用户上报的报修数据;对所述报修数据进行特征提取,获得报修数据特征值;将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;根据故障数据,生成并派发报修任务的技术方案,即通过对报修数据进行相应处理获得故障数据,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正的问题车辆的维修效率。
Description
技术领域
本公开涉及人工智能技术,尤其涉及一种共享单车的报修方法、服务器、电子设备及存储介质。
背景技术
随着物联网技术的发展,共享单车进入大众视野。在共享单车的运营过程中,单车的故障与否是其正常骑行的基础,更是关乎用户骑行的安全问题。
在现有对于共享单车的报修方法中,只要用户上报车辆故障,维修公司或相关人员就会基于维修任务对报修车辆进行维修。但是,用户上报故障的数量很多,并且并非所有都是问题车辆,也就是说会出现大量的假报修现象,换句话说,现有技术不能有效识别真、假报修。
因此,亟需一种新的共享单车的报修方法,以解决现有技术不能有效识别真、假报修的问题。
发明内容
针对上述提出的问题,本公开提供了一种共享单车的报修方法、服务器、电子设备及存储介质。
第一方面,本公开提供了一种共享单车的报修方法,包括:
获取用户上报的报修数据;
对所述报修数据进行特征提取,获得报修数据特征值;
将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应单车的故障数据;
根据故障数据,生成并派发报修任务。
在本公开可选示例中,所述报修数据包括单车固有信息、单车使用信息以及报修用户信息;
所述对所述报修数据进行特征提取,获得报修数据特征值,包括:
将单车固有信息、单车使用信息以及报修用户信息输入至预先训练的机器学习模型,输出报修数据特征值,其中,所述机器学习模型用于对报修数据进行特征提取。
在本公开可选示例中,所述报修数据还包括地理区域标识;
所述将所述报修数据特征值输入至预先训练的逻辑回归模型,包括:
根据地理区域标识,将报修数据特征值输入至与地理区域标识匹配的逻辑回归模型中。
在本公开可选示例中,在对所述报修数据进行特征提取之前,还包括:
获取若干地区的历史报修数据以及对应的维修操作数据,并作为训练集训练初始机器学习模型以获得所述预先训练的机器学习模型。
在本公开可选示例中,还包括:
将每个地区的历史报修数据以及对应的维修操作数据,输入至预先训练的机器学习模型后,获得对应每个地区的历史报修数据特征值;
将每个地区的历史报修数据特征值作为训练集,训练初始逻辑回归模型以获得所述预先训练的逻辑回归模型。
在本公开可选示例中,所述报修数据还包括故障类型;所述报修方法,还包括:
确定各报修数据中故障类型对应的安全等级;
根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据。
在本公开可选示例中,所述根据故障数据,生成并派发报修任务,包括:
判断故障概率是否大于预设阈值,若是,生成并派发报修任务。
第二方面,本公开提供一种共享单车的报修服务器,包括:
数据获取模块,用于获取用户上报的报修数据;
第一处理模块,用于对所述报修数据进行特征提取,获得报修数据特征值;
第二处理模块,用于将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;
第三处理模块,用于根据故障数据,生成并派发报修任务。
第三方面,本公开提供一种电子设备,包括:
处理器和存储器;
其中,所述存储器用于存储所述处理器的可执行指令;
当所述处理器执行所述可执行指令时,可以执行上述任一项所述方法。
第四方面,本公开提供一种存储介质,包括指令,当所述指令在所述计算机上运行时,所述计算机可以执行上述任一项所述的方法。
本公开示例提供的共享单车的报修方法、服务器、电子设备及存储介质,采用了获取用户上报的报修数据;对所述报修数据进行特征提取,获得报修数据特征值;将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;根据故障数据,生成并派发报修任务的技术方案,即通过对报修数据进行相应处理获得故障数据,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正的问题车辆的维修效率。
附图说明
通过上述附图,已示出本公开明确的示例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定示例为本领域技术人员说明本公开的概念。
图1为本公开所基于的一种应用场景示意图;
图2为本公开提供的一种共享单车的报修方法的流程示意图;
图3为本公开所基于的一种模型输入输出示意图;
图4为本公开提供的另一种共享单车的报修方法的流程示意图;
图5为本公开所基于的一种训练模型示意图;
图6为本公开所基于的另一种模型输入输出示意图;
图7为本公开提供的再一种共享单车的报修方法的流程示意图;
图8为本公开提供的一种共享单车的报修管理服务器的结构示意图;
图9为本公开提供的一种电子设备的硬件结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的示例,并与说明书一起用于解释本公开的原理。
具体实施方式
为使本公开示例的目的、技术方案和优点更加清楚,下面将结合本公开示例中的附图,对本公开示例中的技术方案进行清楚、完整地描述。
随着物联网技术的发展,共享单车进入大众视野。在共享单车的运营过程中,单车的故障与否是其正常骑行的基础,更是关乎用户骑行的安全问题。
在现有对于共享单车的报修方法中,只要用户上报车辆故障,维修公司或相关人员就会基于维修任务对报修车辆进行维修。但是,用户上报故障的数量很多,并且并非所有都是问题车辆,也就是说会出现大量的假报修现象,据统计,全国平均每天假报修的车辆占全部报修数量的87%,而平均每辆车被运维处理的周期为6.9天,其中,真正需要维修的车辆平均被运维处理的周期为10.4天,可见,大量的假报修数据导致了有限的资源被占用,人力成本升高,也因为不能及时对真正的问题车辆进行维修而造成安全问题。
针对上述问题,本公开提供了一种共享单车的报修方法、服务器及电子设备,以实现对用户上报的报修数据进行真假判断,辅助维修人员及时发现存在安全隐患的车辆,从而在有限的时间和人力资源尽可能得到保障的情况下,提高维修工作人员的检查用户报修车辆的效率。
下面以具体地示例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的示例可以相互结合,对于相同或相似的概念或过程可能在某些示例中不再赘述。下面将结合附图,对本公开的示例进行描述。
图1为本公开所基于的一种应用场景示意图,如图1所示,本公开所基于的一种应用场景包括用户终端、报修管理服务器以及任务派发终端。当用户发现共享单车存在故障时,会通过用户终端向报修管理服务器上报对应车辆的报修数据,报修管理服务器接收到报修数据后会对报修数据进行处理,当确定某车辆需要维修时,会向任务派发终端推送相应的报修任务,维修人员查看任务派发终端推送的任务消息,对故障车辆进行检修。
需要说明的是,用户终端可以为用户的智能手机、智能手环,或者是安装在共享单车上可以与报修管理服务器连接的智能设备;任务派发终端可以为维修人员的智能手机、电脑等,只要能够接收报修管理服务器派发的报修任务的智能设备即可。其中,报修管理服务器可用于执行下述各实施方式的报修方法。
第一方面,本公开提供了一种共享单车的报修方法。图2为本公开提供的一种共享单车的报修方法的流程示意图。
如图2所示的,该共享单车的报修方法包括:
步骤101、获取用户上报的报修数据。
具体来说,当用户在使用共享单车时发现车辆存在故障时,可以通过用户终端,例如手机,或者安装在共享单车上的智能设备,或者相关的网络平台,自行决定对故障进行填写上报,并由管理信息系统(Management Information System,简称MIS)或报修管理服务器接收报修数据,对于报修数据上报和获取的方式,本公开不进行限制。
作为可选示例,所述报修数据包括单车固有信息、单车使用信息以及报修用户信息。具体来说,单车固有信息反应了单车本身固有的属性,例如车辆投放天数、车辆型号等,单车使用信息反应了车辆消耗的能力属性,例如骑行时长、距离等,报修用户信息反应了上报用户的信用度以及差异性属性等,例如用户真假报修次数、性别、年龄等。
步骤102、对所述报修数据进行特征提取,获得报修数据特征值。
作为可选示例,当报修数据包括单车固有信息、单车使用信息以及报修用户信息时,则步骤102包括:
将单车固有信息、单车使用信息以及报修用户信息输入至预先训练的机器学习模型,输出报修数据特征值,其中,所述机器学习模型用于对报修数据进行特征提取。
具体来说,机器学习模型可以为深度学习模型或者是集成树模型,例如Xgboost模型,简称XGB模型,XGB模型作为一个抽象的特征提取器对报修数据进行特征提取。
举例来说,图3为本公开所基于的一种模型输入输出示意图。假设用户上报的报修数据中包括100个特征值,比如包括:车辆投放天数、车辆型号、骑行时长、骑行距离、上报用户姓名、年龄、真假报修次数等,如图3所示,将包括100个特征值的报修数据输入预先训练的XGB模型中,提取出20个报修数据特征值。
步骤103、将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据。
举例来说,继续参看图3所示,将20个报修数据特征值输入逻辑回归模型(Logistic Regression,简称LR模型)中,可以输出对应报修数据的单车的故障数据,故障数据可以为故障概率,故障概率的取值范围为0-1。
需要说明的是,本示例优先采用了XGB+LR模型,是因为LR模型计算复杂度低,易于并行化处理,易于得到离散化目标值0或1,或者容易将传统线性模型的输出值映射到(0,1)区间;但LR模型的学习能力限于线性特征,需要提前进行大量的特征工程得到有效的特征及特征组合,而XGB模型,恰好作为一个抽象的特征提取器,也就是说,本示例通过采用XGB+LR模型可以实现快速、高效的大数据处理,提高了报修数据的处理效率。
步骤104、根据故障数据,生成并派发报修任务。
作为可选示例,步骤104的一种实现方式如下:
判断故障概率是否大于预设阈值,若是,生成并派发报修任务。
具体来说,当故障概率越高,说明报修数据对应的单车真正出现问题的概率越大,则MIS或报修关联服务器可以生成报修单,并通知相应的维修人员对对应的车辆进行运维检修。其中,预设阈值可以根据本领域技术人员的经验设置,本公开对此不作限制。
本公开示例提供的共享单车的报修方法,采用了获取用户上报的报修数据;对所述报修数据进行特征提取,获得报修数据特征值;将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;根据故障数据,生成并派发报修任务的技术方案,即通过对报修数据进行相应处理获得故障数据,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正问题车辆的维修效率。
在上述示例的基础上,图4为本公开提供的另一种共享单车的报修方法的流程示意图,所述报修数据还包括地理区域标识,如图4所示的,该报修方法包括:
步骤201、获取若干地区的历史报修数据以及对应的维修操作数据,并作为训练集训练初始机器学习模型以获得所述预先训练的机器学习模型。
具体来说,获取若干地区上报的历史报修数据,所述历史报修数据包括单车固有信息、单车使用信息以及报修用户信息,即从三个维度构造数据样本,其中,单车固有信息反应了单车本身固有的属性,例如车辆投放天数、车辆型号等,单车使用信息反应了车辆消耗的能力属性,例如骑行时长、距离等,报修用户信息反应了上报用户的信用度以及差异性属性等,例如用户真假报修次数、性别、年龄等;然后根据报修数据对应的维修操作数据确定报修数据为真报修还是假报修,其中,维修操作数据包括:运维是否维修、是否上报真假、是否拉入仓库改造等数据记录;最后将真、假报修数据作为样本数据,即训练集对初始机器学习模型进行训练,将训练好的机器学习模型作为预先训练的机器学习模型。
步骤202、将每个地区的历史报修数据以及对应的维修操作数据,输入至预先训练的机器学习模型后,获得对应每个地区的历史报修数据特征值。
步骤203、将每个地区的历史报修数据特征值作为训练集,训练初始逻辑回归模型以获得所述预先训练的逻辑回归模型。
具体来说,将每个地区对应的历史报修数据以及对应的维修操作数据,输入预先训练的机器学习模型中,获得每个地区对应的历史报修数据特征值,再将每个地区对应的历史报修数据作为新的样本数据,即训练集对初始逻辑回归模型进行训练,将训练好的初始逻辑模型作为预先训练的逻辑回归模型。
步骤204、获取用户上报的报修数据。
步骤205、将所述报修数据输入至预先训练的机器学习模型,输出报修数据特征值。
其中,所述报修数据包括单车固有信息、单车使用信息以及报修用户信息。
步骤206、根据地理区域标识,将报修数据特征值输入至与地理区域标识匹配的逻辑回归模型中,输出所述报修数据对应的单车的故障数据。
步骤207、根据故障数据,生成并派发报修任务。
本实施方式中的步骤204、步骤205以及步骤207分别与前述实施方式中的步骤101、步骤102以及步骤104的实现方式类似,在此不进行赘述。
与前述实施方式不同的是,考虑到不同地区的环境差异性,在本实施方式中,首先通过多个地区的历史报修数据训练出一个总的机器学习模型,然后将每个地区的历史报修数据输入至这一个总的机器学习模型中,输出每个地区的历史报修特征值,将其作为新的样本数据,训练出对应每个城市的逻辑回归模型。从而实现了在后续测试过程中,根据用户上报的报修数据中的地理区域标识,将报修数据特征值输入对应地区的逻辑回归模型中,输出故障数据。
作为可选示例,步骤207的一种实现方式如下:
判断故障概率是否大于预设阈值,若是,生成并派发报修任务,其中预设阈值根据地区的维修资源设置。具体来说,不同地区的维修资源可能不同,例如A地区的维修人员较少或维修场地较少,则预设阈值设置偏大,以优先对故障概率较高的车辆进行维修;例如B地区的维修人员较多,则预设阈值设置偏小,优选的,地理区域标识也可以为行政划分区域的标识。
举例来说,图5为本公开所基于的一种训练模型示意图,如图5所示,首先可以获取过去一个月、一个季度或一年的全国的历史报修数据,并从单车固有信息、单车使用信息以及上报用户信息等三个维度构造数据样本,然后根据历史报修数据对应的维修操作记录确定真、假报修样本,将真、假样本作为训练集训练初始XGB模型,获得训练好的XGB模型,然后将每个城市对应的历史报修数据,例如北京、杭州的历史报修数据分别输入至训练好的XGB模型中,获得北京、杭州等每个城市对应的历史报修数据特征值,将各城市的历史报修特征值作为训练集训练初始LR模型,获得训练好的对应每个城市的LR模型,例如北京LR模型、杭州LR模型等。图6为本公开所基于的另一种模型输入输出示意图,如图6所示,假设服务器接收到来自杭州的用户上报的报修数据,则首先将报修数据输入训练好的XGB模型中,获得报修数据特征值,然后根据报修数据中的地理区域标识将报修数据特征值输入至杭州的LR模型,最终输出报修数据对应的故障概率,最后判断故障概率是否大于杭州的预设阈值,假设杭州的维修资源较多,则预设阈值可以取值偏小,例如0.5,即当获得的故障概率大于0.5时,则生成并派发报修任务。如果服务器接收到来自北京的用户上报的报修数据,则将报修数据特征值输入北京对应的LR模型中,获得故障概率,最后判断故障概率是否大于北京的预设阈值,假设北京的维修资源较少,则预设阈值可取值偏大,例如0.8,则当故障概率高于0.8时,才生成并派发报修任务。
本公开示例提供的共享单车的报修方法,采用了所述报修数据还包括地理区域标识;根据地理区域标识,将报修数据特征值输入至与地理区域标识匹配的逻辑回归模型中;其中,在将所述报修数据输入至预先训练的机器学习模型之前,还包括:获取若干地区的历史报修数据以及对应的维修操作数据,并作为训练集训练初始机器学习模型以获得所述预先训练的机器学习模型;将每个地区的历史报修数据以及对应的维修操作数据,输入至预先训练的机器学习模型后,获得对应每个地区的历史报修数据特征值;将每个地区的历史报修数据特征值作为训练集,训练初始逻辑回归模型以获得所述预先训练的逻辑回归模型,即本公开示例考虑到不同地区的差异性,对报修数据进行相应处理获得故障数据,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正问题车辆的维修效率。
在上述各示例的基础上,图7为本公开提供的再一种共享单车的报修方法的流程示意图,所述报修数据还包括故障类型,如图7所示的,该报修方法包括:
步骤301、获取用户上报的报修数据。
步骤302、确定各报修数据中故障类型对应的安全等级。
具体来说,用户上报的报修数据中还包括故障类型,所述故障类型包括刹车故障、车把手故障、车筐故障等,可预先设置各故障类型对应的安全等级,例如刹车故障的安全等级高于车把手故障的安全等级,车把手故障的安全等级要高于车筐故障的安全等级。用户上报报修数据后,报修管理服务器可以根据报修数据中的故障类型确定安全等级是高还是低。
步骤303、根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据。
具体来说,同一时间内,报修管理服务器会接收到许多用户上报的报修数据,此时可以根据故障类型对应的安全等级的高低对各报修数据进行先后处理,即优先处理安全等级高的报修数据,后处理安全等级低的报修数据,也就是,先将安全等级高的报修数据输入机器学习模型和逻辑回归模型中,获得故障概率,根据故障概率生成并派发报修任务,然后将安全等级低的报修数据输入机器学习模型和逻辑回归模型中,获得故障概率,根据故障概率生成并派发报修任务。例如,服务器接收到刹车故障、车把手故障、车筐故障等上报数据,优先处理安全等级较高的刹车故障对应的报修数据,其次处理安全等级次高的车把手故障,最后处理安全等级最低的车筐故障对应的报修数据。
步骤304、将所述报修数据输入至预先训练的机器学习模型,输出报修数据特征值。
步骤305、将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据。
步骤306、根据故障数据,生成并派发报修任务。
本实施方式中的步骤301、步骤304、步骤305以及步骤306分别与前述实施方式中的步骤101、步骤102、步骤103以及步骤104的实现方式类似,在此不进行赘述。
与前述实施方式不同的是,考虑到同一时间内报修管理服务器可能接收到很多报修数据,这些报修数据中有些严重威胁到用户的安全,比如刹车故障,有的报修数据对用户的安全威胁性较小,比如车筐故障等,为了提高用户的安全性,在本实施方式中,所述报修数据还包括故障类型,确定各报修数据中故障类型对应的安全等级;根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据,即本示例优先处理安全等级较高的报修数据。
本公开示例提供的共享单车的报修方法,采用了所述报修数据还包括故障类型;还包括:确定各报修数据中故障类型对应的安全等级;根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据。即本公开示例通过优先处理安全等级较高的报修数据,实现了对严重威胁用户安全的车辆进行优先检修,提高了用户的安全性。
第二方面,本公开提供一种共享单车的报修管理服务器。图8为本公开提供的一种共享单车的报修管理服务器的结构示意图,如图8所示的,该共享单车的报修管理服务器包括:
数据获取模块10,用于获取用户上报的报修数据;
第一处理模块20,用于对所述报修数据进行特征提取,获得报修数据特征值;
第二处理模块30,用于将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;
第三处理模块40,用于根据故障数据,生成并派发报修任务。
作为可选示例,所述报修数据包括单车固有信息、单车使用信息以及报修用户信息;
所述第一处理模块20,具体用于:
将单车固有信息、单车使用信息以及报修用户信息输入至预先训练的机器学习模型,输出报修数据特征值,其中,所述机器学习模型用于对报修数据进行特征提取。
作为可选示例,所述报修数据还包括地理区域标识;
所述第二处理模块30,具体用于:根据地理区域标识,将报修数据特征值输入至与地理区域标识匹配的逻辑回归模型中。
作为可选示例,所述报修管理服务器还包括:模型训练模块50,所述模型训练模块50具体用于:
获取若干地区的历史报修数据以及对应的维修操作数据,并作为训练集训练初始机器学习模型以获得所述预先训练的机器学习模型。
作为可选示例,所述模型训练模块50,还用于:
将每个地区的历史报修数据以及对应的维修操作数据,输入至预先训练的机器学习模型后,获得对应每个地区的历史报修数据特征值;
将每个地区的历史报修数据特征值作为训练集训练初始逻辑回归模型以获得所述预先训练的逻辑回归模型。
作为可选示例,所述报修数据还包括故障类型;所述报修管理服务器,还包括:第四处理模块60,
所述第四处理模块60,用于确定各报修数据中故障类型对应的安全等级;
根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据。
作为可选示例,所述第三处理模块40,具体用于:
判断故障概率是否大于预设阈值,若是,生成并派发报修任务。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的清洁管理服务器的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
本公开示例提供的共享单车的报修管理装置,采用数据获取模块获取用户上报的报修数据;第一处理模块用于对所述报修数据进行特征提取,获得报修数据特征值;第二处理模块将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;第三处理模块根据故障数据,生成并派发报修任务的技术方案,即通过对报修数据进行相应处理获得故障概率,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正问题车辆的维修效率。
第三方面,本公开提供了一种电子设备。图9为本公开提供的一种电子设备的硬件结构示意图。如图9所示,该电子设备具体可包括:
处理器91和存储器92;
其中,所述存储器92用于存储所述处理器91的可执行指令;
当所述处理器91执行所述可执行指令时,可以执行上述任一项所述的共享单车的报修方法。
其中,上述的存储器92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。而处理器91可由一个或多个应用专用集成电路(ASIC)、数字信号处理器架构(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器架构或其他电子元件实现。
上述指令可采用C/C++、Java、Shell或Python等语言编写,本示例对此不进行限制。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
本公开示例提供的电子设备,采用了获取用户上报的报修数据;对所述报修数据进行特征提取,获得报修数据特征值;将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;根据故障数据,生成并派发报修任务的技术方案,即通过对报修数据进行相应处理获得故障概率,进而确定是否派发报修任务,实现了对假报修数据的有效过滤,减少了资源和人力的浪费,提高了对真正问题车辆的维修效率。
第四方面,本公开提供了一种存储介质,包括指令,当所述指令在所述计算机上运行时,所述计算机可以执行上述任意所述的方法。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程以及相应的有益效果,可以参考前述方法示例中的对应过程,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和示例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种共享单车的报修方法,其特征在于,包括:
获取用户上报的报修数据;
对所述报修数据进行特征提取,获得报修数据特征值;
将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应单车的故障数据;
根据故障数据,生成并派发报修任务。
2.根据权利要求1所述的报修方法,其特征在于,所述报修数据包括单车固有信息、单车使用信息以及报修用户信息;
所述对所述报修数据进行特征提取,获得报修数据特征值,包括:
将单车固有信息、单车使用信息以及报修用户信息输入至预先训练的机器学习模型,输出报修数据特征值,其中,所述机器学习模型用于对报修数据进行特征提取。
3.根据权利要求1或2所述的报修方法,其特征在于,所述报修数据还包括地理区域标识;
所述将所述报修数据特征值输入至预先训练的逻辑回归模型,包括:
根据地理区域标识,将报修数据特征值输入至与地理区域标识匹配的逻辑回归模型中。
4.根据权利要求2所述的报修方法,其特征在于,在对所述报修数据进行特征提取之前,还包括:
获取若干地区的历史报修数据以及对应的维修操作数据,并作为训练集训练初始机器学习模型以获得所述预先训练的机器学习模型。
5.根据权利要求4所述的报修方法,其特征在于,还包括:
将每个地区的历史报修数据以及对应的维修操作数据,输入至预先训练的机器学习模型后,获得对应每个地区的历史报修数据特征值;
将每个地区的历史报修数据特征值作为训练集,训练初始逻辑回归模型以获得所述预先训练的逻辑回归模型。
6.根据权利要求1、2、4或5任一项所述的报修方法,其特征在于,所述报修数据还包括故障类型;所述报修方法,还包括:
确定各报修数据中故障类型对应的安全等级;
根据各报修数据的安全等级确定对各报修数据的处理顺序,并按照该处理顺序处理各报修数据。
7.根据权利要求1、2、4或5任一项所述的报修方法,其特征在于,所述根据故障数据,生成并派发报修任务,包括:
判断故障概率是否大于预设阈值,若是,生成并派发报修任务。
8.一种共享单车的报修服务器,其特征在于,包括:
数据获取模块,用于获取用户上报的报修数据;
第一处理模块,用于对所述报修数据进行特征提取,获得报修数据特征值;
第二处理模块,用于将所述报修数据特征值输入至预先训练的逻辑回归模型,输出所述报修数据对应的单车的故障数据;
第三处理模块,用于根据故障数据,生成并派发报修任务。
9.一种电子设备,其特征在于,包括:
处理器和存储器;
其中,所述存储器用于存储所述处理器的可执行指令;
当所述处理器执行所述可执行指令时,可以执行上述权利要求1-7中任一项所述方法。
10.一种存储介质,其特征在于,包括指令,当所述指令在所述计算机上运行时,所述计算机可以执行上述权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911424344.4A CN111860878A (zh) | 2019-12-31 | 2019-12-31 | 共享单车的报修方法、服务器、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911424344.4A CN111860878A (zh) | 2019-12-31 | 2019-12-31 | 共享单车的报修方法、服务器、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860878A true CN111860878A (zh) | 2020-10-30 |
Family
ID=72970789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911424344.4A Pending CN111860878A (zh) | 2019-12-31 | 2019-12-31 | 共享单车的报修方法、服务器、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403225A (zh) * | 2017-06-23 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种共享设备故障报修方法及装置 |
CN107766580A (zh) * | 2017-11-20 | 2018-03-06 | 北京奇虎科技有限公司 | 消息的推送方法及装置 |
CN108108825A (zh) * | 2017-12-15 | 2018-06-01 | 东峡大通(北京)管理咨询有限公司 | 故障车辆的寻找方法、服务器及运维端 |
CN108122052A (zh) * | 2017-12-19 | 2018-06-05 | 携程旅游网络技术(上海)有限公司 | 航班延误信息的推送方法、系统、存储介质和电子设备 |
CN108171340A (zh) * | 2017-12-15 | 2018-06-15 | 东峡大通(北京)管理咨询有限公司 | 用于对单车报修信息进行鉴别的方法、设备和存储介质 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-31 CN CN201911424344.4A patent/CN111860878A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403225A (zh) * | 2017-06-23 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种共享设备故障报修方法及装置 |
CN107766580A (zh) * | 2017-11-20 | 2018-03-06 | 北京奇虎科技有限公司 | 消息的推送方法及装置 |
CN108108825A (zh) * | 2017-12-15 | 2018-06-01 | 东峡大通(北京)管理咨询有限公司 | 故障车辆的寻找方法、服务器及运维端 |
CN108171340A (zh) * | 2017-12-15 | 2018-06-15 | 东峡大通(北京)管理咨询有限公司 | 用于对单车报修信息进行鉴别的方法、设备和存储介质 |
CN108122052A (zh) * | 2017-12-19 | 2018-06-05 | 携程旅游网络技术(上海)有限公司 | 航班延误信息的推送方法、系统、存储介质和电子设备 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
杨立洪;白肇强;: "基于二次组合的特征工程与XGBoost模型的用户行为预测", 科学技术与工程, no. 14, pages 191 - 194 * |
陈浩阳;曾诚;: "个人O2O优惠券预测分析", 物联网技术, no. 12, pages 80 - 83 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102902752B (zh) | 一种日志监控方法及系统 | |
CN106709012A (zh) | 一种大数据分析方法及装置 | |
CN107886414B (zh) | 一种订单合并方法和设备以及计算机存储介质 | |
CN113434685B (zh) | 一种资讯分类处理的方法及系统 | |
CN110929039A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111062562A (zh) | 一种社区网格服务联动处置控制方法及系统 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN113407617A (zh) | 基于大数据技术的实时与离线业务统一处理方法和装置 | |
CN113159901A (zh) | 融资租赁业务会话的实现方法和装置 | |
CN112257545A (zh) | 一种违规行为实时监控分析方法、装置及存储介质 | |
CN111860878A (zh) | 共享单车的报修方法、服务器、电子设备及存储介质 | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN117592778A (zh) | 风险预警系统 | |
CN110955760B (zh) | 判决结果的评价方法和相关装置 | |
CN111324583B (zh) | 一种业务日志的分类方法及装置 | |
CN114356502B (zh) | 基于边缘计算技术的非结构化数据标记、训练和发布系统及方法 | |
CN111078735A (zh) | 一种查询请求处理方法及装置 | |
CN115080979A (zh) | 安全漏洞管控平台及方法 | |
CN112035287B (zh) | 一种数据清洗结果的测试方法、装置、存储介质及设备 | |
CN110609861A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN115203014A (zh) | 一种基于深度学习的生态服务异常修复系统及修复方法 | |
CN114022206A (zh) | 一种网约车平台的黑名单和白名单的自动化管理方法及装置 | |
CN113762545A (zh) | 信息推送方法、装置、电子设备及存储介质 | |
CN115794195B (zh) | 一种基于Viper构架的银行业务管理及维护方法及装置 | |
CN115426202B (zh) | 扫描任务下发方法、装置、计算机设备及可读存储介质 |
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 |