CN111860935A - 一种交通工具的故障预测方法、装置、设备及存储介质 - Google Patents
一种交通工具的故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111860935A CN111860935A CN202010435969.7A CN202010435969A CN111860935A CN 111860935 A CN111860935 A CN 111860935A CN 202010435969 A CN202010435969 A CN 202010435969A CN 111860935 A CN111860935 A CN 111860935A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- vehicles
- characteristic data
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/04—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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本申请提供了一种交通工具的故障预测方法、装置、设备及存储介质,其中,该方法包括:获取待预测的多个交通工具的特征数据,特征数据为刹车功能的关联数据;根据多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到多个交通工具中刹车寿命到期的目标交通工具;预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型;输出故障预测结果,故障预测结果包括:目标交通工具的信息。解决了现有技术中交通工具可能在用户使用期间发生故障,存在安全隐患并且影响用户体验的问题。
Description
技术领域
本申请涉及数据预测技术领域,具体而言,涉及一种交通工具的故障预测方法、装置、设备及存储介质。
背景技术
随着社会的发展,共享设备在人们的生活中越来越普及,共享单车、共享汽车和共享充电宝在人们的生活中随处可见。用户在需要使用共享设备时,只需打开手机,通过蓝牙完成与共享设备的配对后,就可以使用共享设备。
共享设备在使用过程中可能发生故障,为维护共享设备的状况保持良好,现有技术中,一般用户在使用共享设备且发现故障或隐患后,进行故障上报,运维人员根据用户上报的信息,对对应的共享设备进行检修。
但是这样的处理方式,若用户使用共享设备期间若发生故障,不但会影响用户体验,并且可能存在安全隐患,导致运营稳定性低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种交通工具的故障预测方法、装置、设备及存储介质,能够解决现有技术中交通工具可能在用户使用期间发生故障,存在安全隐患并且影响用户体验的问题。
在本申请的第一方面,本申请提供一种交通工具的故障预测方法,所述方法包括:
获取待预测的多个交通工具的特征数据,所述特征数据为刹车功能的关联数据;
根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具;所述预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型;
输出故障预测结果,所述故障预测结果包括:所述目标交通工具的信息。
可选地,所述预测模型包括:第一模型和第二模型;
所述根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具,包括:
根据所述多个交通工具的特征数据,采用所述第一模型进行处理,得到第一预测结果,所述第一预测结果包括:所述多个交通工具中至少一个第一交通工具的信息;
根据所述多个交通工具的特征数据,采用所述第二模型进行处理,得到第二预测结果,所述第二预测结果包括:所述多个交通工具中至少一个第二交通工具的信息;
根据所述第一预测结果和所述第二预测结果进行取交集处理,确定所述目标交通工具。
可选地,所述根据所述多个交通工具的特征数据,采用所述第一模型进行处理,得到第一预测结果之前,所述方法还包括:
采用多个正样本数据以及多个无标签样本数据进行模型训练,得到所述第一模型,其中,所述正样本数据为标注已损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第一交通工具为预测刹车寿命到期的交通工具。
可选地,所述根据所述多个交通工具的特征数据,采用所述第二模型进行处理,得到第二预测结果之前,所述方法还包括:
采用多个正样本数据、多个负样本数据以及多个无标签样本数据进行模型训练,得到所述第二模型,所述正样本数据为标注已损坏的交通工具特征数据,所述负样本数据为标注未损坏的交通工具特征数据,所述无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第二交通工具为特征数据与已损坏交通工具的特征数据的相似度大于或等于预设相似度的交通工具。
可选地,所述获取待预测的多个交通工具的特征数据,包括:
获取所述多个交通工具的使用数据;
根据预设的所述刹车功能的数据类型,对所述每个交通工具的使用数据进行特征提取,得到所述每个交通工具的特征数据。
可选地,所述刹车功能的关联数据包括如下至少一种类型的数据:
完成服务订单的数据、刹车维修数据、刹车故障上报数据。
可选地,所述完成服务订单的数据包括如下至少一种数据:
已完成总订单量、所述已完成总订单量的行驶距离、所述已完成总订单量的使用总时长、单个预设时间段的平均已完成订单量、所述单个预设时间段的平均使用时长、所述单个预设时间段的平均行驶距离。
可选地,所述刹车维修数据包括如下至少一种数据:
预设维修场所内的维修数据、所述预设维修场所外的维修数据。
可选地,所述刹车故障上报数据包括如下至少一种数据:
订单用户的上报的刹车故障数据、维修用户上报的刹车故障数据。
可选地,所述方法还包括:
根据所述目标交通工具的特征数据,生成所述目标交通工具的检修计划,所述检修计划包括:所述目标交通工具的信息,和各所述目标交通工具对应的计划检修时间。
在本申请的第二方面,本申请还提供了一种交通工具的故障预测装置,所述装置包括:获取模块、处理模块和输出模块,其中:
所述获取模块,用于获取待预测的多个交通工具的特征数据,所述特征数据为刹车功能的关联数据;
所述处理模块,用于根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具;所述预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型;
所述输出模块,用于输出故障预测结果,所述故障预测结果包括:所述目标交通工具的信息。
可选地,所述装置还包括:确定模块,其中:
所述处理模块,还用于根据所述多个交通工具的特征数据,采用所述第一模型进行处理,得到第一预测结果,所述第一预测结果包括:所述多个交通工具中至少一个第一交通工具的信息;
所述处理模块,还用于根据所述多个交通工具的特征数据,采用所述第二模型进行处理,得到第二预测结果,所述第二预测结果包括:所述多个交通工具中至少一个第二交通工具的信息;
所述确定模块,确定根据所述第一预测结果和所述第二预测结果进行取交集处理,确定所述目标交通工具。
可选地,所述装置还包括:训练模块,用于采用多个正样本数据以及多个无标签样本数据进行模型训练,得到所述第一模型,其中,所述正样本数据为标注已损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第一交通工具为预测刹车寿命到期的交通工具。
可选地,所述训练模块,还用于采用多个正样本数据、多个负样本数据以及多个无标签样本数据进行模型训练,得到所述第二模型,所述正样本数据为标注已损坏的交通工具特征数据,所述负样本数据为标注未损坏的交通工具特征数据,所述无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第二交通工具为特征数据与已损坏交通工具的特征数据的相似度大于或等于预设相似度的交通工具。
可选地,所述装置还包括:提取模块,其中:
所述获取模块,还用于获取所述多个交通工具的使用数据;
所述提取模块,用于根据预设的所述刹车功能的数据类型,对所述每个交通工具的使用数据进行特征提取,得到所述每个交通工具的特征数据。
可选地,所述装置还包括:生成模块,用于根据所述目标交通工具的特征数据,生成所述目标交通工具的检修计划,所述检修计划包括:所述目标交通工具的信息,和各所述目标交通工具对应的计划检修时间。
在本申请的第三方面,提供一种交通工具的故障预测设备,所述设备可包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当交通工具的故障预测设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述第一方面任一所述方法的步骤。
在本申请的第四方面,本申请还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面任一所述方法的步骤。
基于上述任一方面,可以根据预先训练的预测模型对获取的待预测的多个交通工具的特征数据进行处理,得到刹车寿命到期的目标交通工具,并将目标交通工具信息作为故障预测结果输出,这样的预测方法可以对交通工具是否存在刹车故障隐患进行预测,若发现存在安全隐患就及时处理,保证交通工具的使用安全,避免了交通工具在用户使用过程中发生刹车故障,影响用户使用体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请一实施例提供的一种交通工具的故障预测系统的结构示意图;
图2示出了本申请一实施例提供的一种交通工具的故障预测方法的流程示意图;
图3示出了本申请另一实施例提供的一种交通工具的故障预测方法的流程示意图;
图4示出了本申请另一实施例提供的一种交通工具的故障预测方法的流程示意图;
图5示出了本申请一实施例提供的一种交通工具的故障预测装置的结构示意图;
图6示出了本申请另一实施例提供的一种交通工具的故障预测装置的结构示意图;
图7示出了本申请另一实施例提供的一种交通工具的故障预测装置的结构示意图;
图8示出了本申请另一实施例提供的一种交通工具的故障预测装置的结构示意图;
图9示出了本申请另一实施例提供的一种交通工具的故障预测装置的结构示意图;
图10示出了本申请一实施例提供的一种交通工具的故障预测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景共享交通工具的故障预测为例,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请的一个方面涉及一种交通工具的故障预测系统。该系统可以根据输入的待预测的多个交通工具的特征数据,将多个交通工具中的刹车寿命到期的目标交通工具识别并输出,交通工具可以为:共享单车、共享汽车、共享婴儿车、共享电单车、共享新能源汽车等,在此不作限制。
值得注意的是,在本申请提出申请之前,现有技术通常根据用户使用过程中上报的交通工具的刹车故障数据对对应的交通工具的刹车功能进行维修,但是这种方法只能在交通工具的刹车功能已经出现故障,并且用户上报该刹车故障的情况下,才能对其进行维修。若交通工具的刹车寿命已经到期,但是暂未出现刹车故障场景下,运维人员却无法获知该交通工具刹车寿命是否已经到期,会导致用户在使用该交通工具时,大概率会出现刹车故障,不但影响用户体验,并且会带来很大的安全隐患。
本申请提供的交通工具的故障预测方法,可以根据预先训练的预测模型对多个交通工具的特征数据进行处理,对多个交通工具中刹车寿命到期的目标交通工具进行识别并输出预测结果,因此采用本申请提供的交通工具的故障预测方法,可以解决现有技术中交通工具可能在用户使用期间发生刹车故障,存在安全隐患并且影响用户体验的问题。
图1是本申请实施例提供的一种交通工具的故障预测系统100的架构示意图,例如:交通工具的故障预测系统100可以是用于对多个交通工具进行刹车故障的预测,该多个交通工具可以为共享交通工具,也可以为非共享交通工具,只要涉及具有刹车功能的交通工具的故障检测即可。如图1所示,交通工具的故障预测系统100可以包括服务器110、网络120、服务终端130和数据库140中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务终端130获得的服务请求来确定用户意图。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(M))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,服务终端130对应的设备类型可以是移动设备,比如可以包括可穿戴设备、智能移动设备、平板计算机、膝上型计算机等。
在一些实施例中,数据库140可以连接到网络120以与交通工具的故障预测系统100中的一个或多个组件(例如,服务器110,服务终端130,数据库140等)通信。交通工具的故障预测系统100中的一个或多个组件可以经由网络120访问存储在数据库140中的数据或指令。在一些实施例中,数据库140可以直接连接到交通工具的故障预测系统100中的一个或多个组件,或者,数据库140也可以是服务器110的一部分。
下面结合上述图1示出的交通工具的故障预测系统100中描述的内容,对本申请实施例提供的交通工具的故障预测方法进行详细说明,下述交通工具的故障预测方法应用于上述系统之中,执行主体可以为服务终端或者服务器,预设场景可以根据用户需要设计和调整,任何涉及故障预测的场景均可使用,并不以实施例给出的两个场景为限。
如下结合多个具体的应用示例,对本申请实施例所提供的一种交通工具的故障预测方法进行解释说明。参照图2所示,为本申请一实施例提供的一种交通工具的故障预测方法的流程示意图,该方法可以由服务器或终端设备来执行,若该方法的执行主体为服务器,其可以为上述图1所示的服务器110,也可以为其它的服务器;若为终端设备,其可以为安装有故障检测应用的终端,如运维人员所持有的故障检测终端。在本申请的下述实施例中,均以执行主体为服务器为例进行说明,对于终端设备执行的过程,可参照服务器所执行的流程,本申请不对此限制。其中,该方法可包括:
S201:获取待预测的多个交通工具的特征数据,特征数据为刹车功能的关联数据。
该待预测的多个交通工具可以为运行中的交通工具,即所有交通工具中除了刹车已损坏交通工具之外的交通工具。
可选地,在本申请的一个实施例中,特征数据可以为与交通工具的刹车功能关联的至少一种数据。该特征数据的数据类型可能包括:类别型特征数据,也可能包括数值型特征数据,对于数值型特征数据,可以直接输入至预测模型中,而对于特征型特征数据,即非数值型特征数据,需要先进行编码得到对应的编码数值后,再输入至预测模型中。在本申请的一个实施例中,可以通过独热编码(One-Hot Encoding)对类别行特征数据进行编码,得到该类别型特征数据对应的编码数值。但是,采用该独热编码所采用的具体编码规则的选择可以根据实际需要设计,本申请不对此限制,并且,所采用的编码方式也不以上述实施例给出的独热编码为限,也可以为其它类型的编码方式,只要通过编码可得到对应的编码数值即可。
S202:根据多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到多个交通工具中刹车寿命到期的目标交通工具。
其中,预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型,用于判断当前多个交通工具是否存在刹车寿命到期的目标交通工具,防止刹车寿命到期导致用户在使用过程中出现刹车故障,从而带来的安全隐患问题。实际应用中,可将通过上述S201所获取的多个交通工具的特征数据,输入至该预测模型,通过该预测模型对该多个交通工具的特征数据进行处理,得到该预测模型中刹车寿命到期的目标交通工具,实现对多个交通工具中刹车寿命到期的交通工具的预测识别。
S203:输出故障预测结果。
可选地,故障预测结果包括:目标交通工具的信息。该目标交通工具的信息至少可包括:该目标交通工具的标识。
在本申请的一个实施例中,若该交通工具的故障预测方法由服务器,该服务器还可以根据目标交通工具的位置信息,将各目标交通工具的信息发送至对应区域的运维人员的终端设备,使得运维人员及时对管辖区域内的目标交通工具的刹车功能器件进行维护,如维修或更换。
在本申请的另一个实施例中,若该交通工具的故障预测方法由运维人员的服务终端执行,则该服务终端还可将该故障预测结果进行展示,使得运维人员及时获取故障预测结果,继而及时对管辖区域内的目标交通工具的刹车功能器件进行维护如维修或更换。
无论上述任一实施例,运维人员的服务终端还可以将所有故障预测结果均输出至服务器,通过服务器调度发送至对应的子服务器或终端设备(例如:设置在总站的服务器得到故障预测结果后,通过服务器调度将故障预测结果根据地区或是其他规则,分配至对应分站的子服务器,或对应运维人员的终端设备)。具体输出故障预测结果后的操作方式方法可以根据用户需要设计,并不以上述实施例给出的操作为限。
采用本申请实施例提供的交通工具的故障预测方法,可以根据预先训练的预测模型对获取的待预测的多个交通工具的特征数据进行处理,得到刹车寿命到期的目标交通工具,并将目标交通工具信息作为故障预测结果输出,这样的预测方法可以对交通工具是否存在刹车故障患进行预测,将安全事故问题防患于未然,若发现存在安全隐患就及时处理,保证交通工具的使用安全,避免了交通工具在用户使用过程中发生刹车故障,影响用户使用体验,达到提高运营稳定性的作用。
可选地,在本申请的一个实施例中,刹车功能的关联数据包括如下至少一种类型的数据:完成服务订单的数据、刹车维修数据、刹车故障上报数据。
其中,完成服务订单的数据包括如下至少一种数据:已完成总订单量、已完成总订单量的行驶距离、已完成总订单量的使用总时长、单个预设时间段的平均已完成订单量、单个预设时间段的平均使用时长、单个预设时间段的平均行驶距离。
举例说明:在本申请的一个实施例中,完成服务订单的数据可以包括:日均完成订单量、日均行驶距离、日均骑行总时常、骑行天数等;其中,骑行天数可以为该交通工具的总骑行天数、近一个月的骑行天数、近两周的骑行天数或近一周的骑行天数。
刹车维修数据包括如下至少一种数据:预设维修场所内的维修数据、预设维修场所外的维修数据。其中,预设维修场所内的维修数据可以包括:制动器维修次数和/或刹车部件维修次数,预设维修场所外的维修数据可以包括:预设维修场所外的维修次数和/或维修前的总里程。
可选地,若刹车故障经过维修后,对应的刹车维修数据会清零,重新统计。
刹车故障上报数据包括如下至少一种数据:订单用户的上报的刹车故障数据、维修用户上报的刹车故障数据。
可选地,在本申请的一个实施例中,刹车故障上报数据可以包括:疑似高危故障次数、刹车故障前一周的疑似高危故障次数、刹车故障前半个月的疑似高危故障次数、刹车故障前一个月的疑似高危故障次数、订单用户上报的刹车故障次数数据,和/或维修用户上报的刹车故障次数数据。
可选的,在上述实施例的基础上,本申请实施例还可提供一种故障预测方法,如下结合附图进行说明。图3为本申请另一实施例提供的一种故障预测方法的流程示意图,预测模型包括:第一模型和第二模型;如图3所示,S202可包括:
S204:根据多个交通工具的特征数据,采用第一模型进行处理,得到第一预测结果。
可选地,在本申请的一个实施例中,第一模型为采用多个正样本数据以及多个无标签样本数据进行模型训练得到的,其中,正样本数据为标注已损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据;对应的,至少一个第一交通工具为预测刹车寿命到期的交通工具。
其中,根据第一模型,确定多个交通工具的特征数据中,与正样本数据的特征相似的特征数据对应的交通工具,作为第一预测结果,即第一预测结果包括:多个交通工具中至少一个第一交通工具的信息。
可选地,在本申请的一个实施例中,第一模型可以为正样本无标签学习算法(positive unlabeled learning,PU learning),该算法是一种半监督学习算法,用来解决可以清晰确定正样本但不能确定负样本的问题,利用该算法进行预测,巧妙地解决了现有数据中正样本较少,负样本较大,且未标注样本庞大的问题。
S205:根据多个交通工具的特征数据,采用第二模型进行处理,得到第二预测结果。
其中,第二预测结果包括:多个交通工具中至少一个第二交通工具的信息。
可选地,在本申请的一个实施例中,第二模型为采用多个正样本数据、多个负样本数据以及多个无标签样本数据进行模型训练得到的,其中,正样本数据为标注已损坏的交通工具特征数据,负样本数据为标注未损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据;对应的,至少一个第二交通工具为特征数据与已损坏交通工具的特征数据的相似度大于或等于预设相似度的交通工具。其中,仅将似度大于或等于预设相似度的交通工具作为第二交通工具,可以筛选出一些损坏概率较高的交通工具,并将这些交通工具作为第二预测结果输出,从而减少运维人员的压力,防止一次预测出太多第二交通工具,造成运维人员压力大,需要人工筛选各第二交通工具需要维修的优先级,造成维修不及时的问题。
可选地,在本申请的一个实施例中,第二模型可以为极端梯度提升(ExtremeGradient Boosting,XGBoost),该算法通过不断添加树,不断进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数,去拟合上次预测的残差。当训练完成得到k棵树,要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数,最后只需要将每棵树对应的分数加起来就是该样本的预测值。
S206:根据第一预测结果和第二预测结果进行取交集处理,确定目标交通工具。
可选地,在本申请的一个实施例中,由于正样本数据中可能存在假数据,因为有些刹车故障是人为损坏的,有些是刹车寿命到期导致的,所以通过第一预测结果作为监督,与第二预测结果取交集后输出,可以确保预测结果的准确性,并且解决了实际问题中正样本数据较少,负样本数据较多,且无标签样本庞大的问题。
可选的,在上述实施例的基础上,本申请实施例还可提供一种故障预测方法,如下结合附图进行说明。图4为本申请另一实施例提供的一种故障预测方法的流程示意图,如图4所示,S201可包括:
S207:获取多个交通工具的使用数据。
S208:根据预设的刹车功能的数据类型,对每个交通工具的使用数据进行特征提取,得到每个交通工具的特征数据。
可选地,在本申请的一个实施例中,在得到每个交通工具的特征数据后,还需要对这些特征数据进行相关性分析,即对两个或多个具备相关性的特征数据进行分析,从而衡量两个特征数据之间的相关密切程度。并对各特征数据进行特征分布分析,从而直观地看出各特征数据之间的关联关系及分布状况。对特征数据进行相关性分析和特征分布分析,可以帮助运维人员发现特征数据中的导致刹车故障的关键影响因素以及驱动因素,从而对后续模型训练的关注重点提供了参考。
可选地,在本申请的一个实施例中,该方法还可包括:根据目标交通工具的特征数据,生成目标交通工具的检修计划,检修计划包括:目标交通工具的信息,和各目标交通工具对应的计划检修时间。
可选地,在本申请的一个实施例中,该交通工具的故障预测方法,可以应用于全国范围的交通工具的故障预测;也可以应用于某个城市或某个城市的某一区域,小范围的交通工具的故障预测;具体本申请的应用场景和应用范围并不以上述实施例给出的为限,可以根据用户需要灵活调整。
可选地,在本申请的一个实施例中,可以通过该交通工具的故障预测方法对全国范围的交通工具的故障预测,再通过该交通工具的故障预测方法对某个城市或某个城市的某一区域的交通工具的故障预测,随后获取全国范围的交通工具的故障预测结果中,该城市或该城市的该区域的交通工具的故障预测结果,并将该结果与上述某个城市或某个城市的某一区域的交通工具的故障预测结果取交集,最终的交集结果即为该城市或该城市的该区域的交通工具的最终故障预测结果。这种全国预测结果和各个城市的预测结果去交集的形式,进一步提高了最终预测结果的稳定性,提高了预测的准确度。
采用本申请提供的一种交通工具的故障预测方法,可以根据第一模型和第二模型,对获取的待预测的多个交通工具的特征数据进行处理,并取两个模型输出结果的交集,为最终得到的刹车寿命到期的目标交通工具,并将目标交通工具信息作为故障预测结果输出,这样的预测方法减少了运维人员的压力,可以直接通过预设模型对交通工具的刹车寿命是否到期进行预测,并且预测过程中是通过两个模型进行预测的,提高了预测结果的准确性,并且可以对交通工具是否存在刹车故障隐患进行预测,将安全事故问题防患于未然,若发现存在安全隐患就及时提醒运维人员处理,避免了交通工具在用户使用过程中发生故障,影响用户体验,达到提高运营稳定性的作用。
基于同一发明构思,本申请实施例中还提供了与交通工具的故障预测方法对应的交通工具的故障预测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述交通工具的故障预测方法相似,因此装置的实施可以参见方法的实施,有益效果的重复之处不再赘述。
下述结合附图对本申请所提供的交通工具的故障预测装置进行解释说明,该交通工具的故障预测装置可执行上述图1-图4任一交通工具的故障预测方法,其具体实现以及有益效果参照上述,如下不再赘述。
图5为本申请一实施例提供的一种交通工具的故障预测装置的结构示意图,如图5所示,该装置包括:获取模块301、处理模块302和输出模块303,其中:
获取模块301,用于获取待预测的多个交通工具的特征数据,特征数据为刹车功能的关联数据。
处理模块302,用于根据多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到多个交通工具中刹车寿命到期的目标交通工具;预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型。
输出模块303,用于输出故障预测结果,故障预测结果包括:目标交通工具的信息。
图6为本申请一实施例提供的一种交通工具的故障预测装置的结构示意图,如图6所示,该装置还包括:确定模块304,其中:
处理模块302,还用于根据多个交通工具的特征数据,采用第一模型进行处理,得到第一预测结果,第一预测结果包括:多个交通工具中至少一个第一交通工具的信息。
处理模块302,还用于根据多个交通工具的特征数据,采用第二模型进行处理,得到第二预测结果,第二预测结果包括:多个交通工具中至少一个第二交通工具的信息;
确定模块304,确定根据第一预测结果和第二预测结果进行取交集处理,确定目标交通工具。
图7为本申请一实施例提供的一种交通工具的故障预测装置的结构示意图,如图7所示,该装置还包括:训练模块305,用于采用多个正样本数据以及多个无标签样本数据进行模型训练,得到第一模型,其中,正样本数据为标注已损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据。
对应的,至少一个第一交通工具为预测刹车寿命到期的交通工具。
可选地,训练模块305,还用于采用多个正样本数据、多个负样本数据以及多个无标签样本数据进行模型训练,得到第二模型,正样本数据为标注已损坏的交通工具特征数据,负样本数据为标注未损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据。
对应的,至少一个第二交通工具为特征数据与已损坏交通工具的特征数据的相似度大于或等于预设相似度的交通工具。
图8为本申请一实施例提供的一种交通工具的故障预测装置的结构示意图,如图8所示,该装置还包括:提取模块306,其中:
获取模块301,还用于获取多个交通工具的使用数据。
提取模块306,用于根据预设的刹车功能的数据类型,对每个交通工具的使用数据进行特征提取,得到每个交通工具的特征数据。
图9为本申请一实施例提供的一种交通工具的故障预测装置的结构示意图,如图9所示,该装置还包括:生成模块307,用于根据目标交通工具的特征数据,生成目标交通工具的检修计划,检修计划包括:目标交通工具的信息,和各目标交通工具对应的计划检修时间。
图10为本申请一实施例提供的一种交通工具的故障预测设备的结构示意图,如图10所示,该交通工具的故障预测设备包括:处理器601、存储器602和总线603;存储器602存储有处理器601可执行的机器可读指令,当交通工具的故障预测设备运行时,处理器601与存储器602之间通过总线603通信,处理器601执行机器可读指令,以执行如前述方法实施例所提供的交通工具的故障预测方法的步骤。
具体地,存储器602中所存储的机器可读指令为本申请前述实施例所述的交通工具的故障预测方法的执行步骤,处理器601可执行该交通工具的故障预测方法对交通工具的故障预测进行处理,因此,该电子设备同样具备前述方法实施例中所述的全部有益效果,本申请亦不再重复描述。
需要说明的是,该交通工具的故障预测设备可以是通用计算机或特殊用途的计算机,以及其他用于处理数据的服务器等,三者都可以用于实现本申请的交通工具的故障预测方法。本申请尽管仅仅通过计算机和服务器分别对交通工具的故障预测方法进行了说明,但是为了方便起见,也可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,交通工具的故障预测设备可以包括用于执行程序指令的一个或多个处理器、通信总线、和不同形式的存储介质,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。
为了便于说明,在交通工具的故障预测设备中仅描述了一个处理器。然而,应当注意,本申请中的交通工具的故障预测设备还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述交通工具的故障预测方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述交通工具的故障预测方法,从而,解决现有技术中交通工具可能在用户使用期间发生故障,存在安全隐患并且影响用户体验的问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,多个模块或组件可以结合或者可以集成到另一个系统,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通信接口,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种交通工具的故障预测方法,其特征在于,所述方法包括:
获取待预测的多个交通工具的特征数据,所述特征数据为刹车功能的关联数据;
根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具;所述预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型;
输出故障预测结果,所述故障预测结果包括:所述目标交通工具的信息。
2.根据权利要求1所述的方法,其特征在于,所述预测模型包括:第一模型和第二模型;
所述根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具,包括:
根据所述多个交通工具的特征数据,采用所述第一模型进行处理,得到第一预测结果,所述第一预测结果包括:所述多个交通工具中至少一个第一交通工具的信息;
根据所述多个交通工具的特征数据,采用所述第二模型进行处理,得到第二预测结果,所述第二预测结果包括:所述多个交通工具中至少一个第二交通工具的信息;
根据所述第一预测结果和所述第二预测结果进行取交集处理,确定所述目标交通工具。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个交通工具的特征数据,采用所述第一模型进行处理,得到第一预测结果之前,所述方法还包括:
采用多个正样本数据以及多个无标签样本数据进行模型训练,得到所述第一模型,其中,所述正样本数据为标注已损坏的交通工具特征数据,无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第一交通工具为预测刹车寿命到期的交通工具。
4.根据权利要求2所述的方法,其特征在于,所述根据所述多个交通工具的特征数据,采用所述第二模型进行处理,得到第二预测结果之前,所述方法还包括:
采用多个正样本数据、多个负样本数据以及多个无标签样本数据进行模型训练,得到所述第二模型,所述正样本数据为标注已损坏的交通工具特征数据,所述负样本数据为标注未损坏的交通工具特征数据,所述无标签样本数据为无标注的交通工具特征数据;
对应的,所述至少一个第二交通工具为特征数据与已损坏交通工具的特征数据的相似度大于或等于预设相似度的交通工具。
5.根据权利要求1所述的方法,其特征在于,所述获取待预测的多个交通工具的特征数据,包括:
获取所述多个交通工具的使用数据;
根据预设的所述刹车功能的数据类型,对每个所述交通工具的使用数据进行特征提取,得到每个所述交通工具的特征数据。
6.根据权利要求1所述的方法,其特征在于,所述刹车功能的关联数据包括如下至少一种类型的数据:
完成服务订单的数据、刹车维修数据、刹车故障上报数据。
7.根据权利要求6所述的方法,其特征在于,所述完成服务订单的数据包括如下至少一种数据:
已完成总订单量、所述已完成总订单量的行驶距离、所述已完成总订单量的使用总时长、单个预设时间段的平均已完成订单量、所述单个预设时间段的平均使用时长、所述单个预设时间段的平均行驶距离。
8.根据权利要求6所述的方法,其特征在于,所述刹车维修数据包括如下至少一种数据:
预设维修场所内的维修数据、所述预设维修场所外的维修数据。
9.根据权利要求6所述的方法,其特征在于,所述刹车故障上报数据包括如下至少一种数据:
订单用户的上报的刹车故障数据、维修用户上报的刹车故障数据。
10.根据权利要求1-9中任一所述的方法,其特征在于,所述方法还包括:
根据所述目标交通工具的特征数据,生成所述目标交通工具的检修计划,所述检修计划包括:所述目标交通工具的信息,和各所述目标交通工具对应的计划检修时间。
11.一种交通工具的故障预测装置,其特征在于,所述装置包括:获取模块、处理模块和输出模块,其中:
所述获取模块,用于获取待预测的多个交通工具的特征数据,所述特征数据为刹车功能的关联数据;
所述处理模块,用于根据所述多个交通工具的特征数据,采用预先训练的预测模型进行处理,得到所述多个交通工具中刹车寿命到期的目标交通工具;所述预测模型为采用多个已损坏交通工具的特征数据进行训练得到的模型;
所述输出模块,用于输出故障预测结果,所述故障预测结果包括:所述目标交通工具的信息。
12.一种交通工具的故障预测设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当交通工具的故障预测设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至10任一所述方法的步骤。
13.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至10任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435969.7A CN111860935A (zh) | 2020-05-21 | 2020-05-21 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435969.7A CN111860935A (zh) | 2020-05-21 | 2020-05-21 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860935A true CN111860935A (zh) | 2020-10-30 |
Family
ID=72985202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435969.7A Pending CN111860935A (zh) | 2020-05-21 | 2020-05-21 | 一种交通工具的故障预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860935A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465793A (zh) * | 2020-12-04 | 2021-03-09 | 郑州捷安高科股份有限公司 | 列车故障检测方法、装置、设备及存储介质 |
CN112801351A (zh) * | 2021-01-14 | 2021-05-14 | 陈登兴 | 一种基于大数据的车辆破损预测管理系统及方法 |
CN116778308A (zh) * | 2023-08-23 | 2023-09-19 | 北京阿帕科蓝科技有限公司 | 对象识别方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9283945B1 (en) * | 2013-03-14 | 2016-03-15 | Wabtec Holding Corp. | Braking systems and methods of determining a safety factor for a braking model for a train |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
CN108875281A (zh) * | 2018-08-08 | 2018-11-23 | 佛山科学技术学院 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
CN109903550A (zh) * | 2019-03-26 | 2019-06-18 | 吉林大学 | 校园自行车监测方法、装置及系统 |
CN110084374A (zh) * | 2019-04-24 | 2019-08-02 | 第四范式(北京)技术有限公司 | 构建基于pu学习的模型的方法、装置及预测方法、装置 |
CN110348580A (zh) * | 2019-06-18 | 2019-10-18 | 第四范式(北京)技术有限公司 | 构建gbdt模型的方法、装置及预测方法、装置 |
CN110411729A (zh) * | 2019-08-07 | 2019-11-05 | 科大讯飞股份有限公司 | 刹车片使用寿命预测方法及装置 |
CN110457481A (zh) * | 2019-08-20 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种分类模型训练的方法、装置、设备以及存储介质 |
CN110458592A (zh) * | 2019-06-18 | 2019-11-15 | 北京海致星图科技有限公司 | 基于知识图谱和机器学习算法挖掘银行潜在授信客户方法 |
CN110555717A (zh) * | 2019-07-29 | 2019-12-10 | 华南理工大学 | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
-
2020
- 2020-05-21 CN CN202010435969.7A patent/CN111860935A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9283945B1 (en) * | 2013-03-14 | 2016-03-15 | Wabtec Holding Corp. | Braking systems and methods of determining a safety factor for a braking model for a train |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
CN108875281A (zh) * | 2018-08-08 | 2018-11-23 | 佛山科学技术学院 | 一种基于深度学习的混合智能健康状态诊断方法及装置 |
CN109903550A (zh) * | 2019-03-26 | 2019-06-18 | 吉林大学 | 校园自行车监测方法、装置及系统 |
CN110084374A (zh) * | 2019-04-24 | 2019-08-02 | 第四范式(北京)技术有限公司 | 构建基于pu学习的模型的方法、装置及预测方法、装置 |
CN110348580A (zh) * | 2019-06-18 | 2019-10-18 | 第四范式(北京)技术有限公司 | 构建gbdt模型的方法、装置及预测方法、装置 |
CN110458592A (zh) * | 2019-06-18 | 2019-11-15 | 北京海致星图科技有限公司 | 基于知识图谱和机器学习算法挖掘银行潜在授信客户方法 |
CN110555717A (zh) * | 2019-07-29 | 2019-12-10 | 华南理工大学 | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 |
CN110411729A (zh) * | 2019-08-07 | 2019-11-05 | 科大讯飞股份有限公司 | 刹车片使用寿命预测方法及装置 |
CN110457481A (zh) * | 2019-08-20 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种分类模型训练的方法、装置、设备以及存储介质 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
张红斌;邱蝶蝶;邬任重;朱涛;滑瑾;姬东鸿;: "基于极端梯度提升树算法的图像属性标注", 山东大学学报(工学版), no. 02, pages 12 - 20 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465793A (zh) * | 2020-12-04 | 2021-03-09 | 郑州捷安高科股份有限公司 | 列车故障检测方法、装置、设备及存储介质 |
CN112801351A (zh) * | 2021-01-14 | 2021-05-14 | 陈登兴 | 一种基于大数据的车辆破损预测管理系统及方法 |
CN116778308A (zh) * | 2023-08-23 | 2023-09-19 | 北京阿帕科蓝科技有限公司 | 对象识别方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860935A (zh) | 一种交通工具的故障预测方法、装置、设备及存储介质 | |
CN111291916B (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
US11906112B2 (en) | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN116449762B (zh) | 基于物联网实现智能设备的安全预警方法及装置 | |
CN113807622A (zh) | 一种事件决策生成方法、装置、电子设备及存储介质 | |
CN112241127B (zh) | 自动驾驶安全评分方法、装置、计算机设备和存储介质 | |
CN112559371A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
CN110264055B (zh) | 部件危害性评估方法、装置、设备及计算机可读存储介质 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
CN117252108A (zh) | 基于语义完整性的数据合理性验证方法、系统及存储介质 | |
CN111555908A (zh) | 基于专家经验规则的电网复杂故障事件识别方法、装置及系统 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN114912854B (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN112819071A (zh) | 故障信息聚类方法、装置、计算机设备及存储介质 | |
CN107679478B (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
CN112085610A (zh) | 目标物定损方法、装置、电子设备及计算机可读存储介质 | |
CN116579677B (zh) | 一种高速铁路电务车载设备全生命周期管理方法及系统 | |
CN116401111B (zh) | 脑机接口的功能检测方法、装置、电子设备及存储介质 | |
CN116755910B (zh) | 基于冷启动的宿主机高可用预测方法、装置和电子设备 | |
CN115345247B (zh) | 模型训练和公路轴载确定方法、装置、设备及介质 |
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 |