CN111861043A - 一种车辆失联预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明公开一种车辆失联预测方法、装置、计算机设备和存储介质，其中方法包括：获取待预测车辆的位置信息；获取待预测车辆所处环境的光照强度；获取待预测车辆的行驶特征和基本特征；将位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。本发明能够确定出车辆的失联概率，从而可以提前获知车辆是否即将失联，以便于能够第一时间完成干预动作，能够实现运维对车辆的精准维护，及时维修，提高车辆利用率，减少资产损失，降低运维人员寻找车辆的难度并减少其工作量。

Description

一种车辆失联预测方法、装置、计算机设备和存储介质

技术领域

本发明涉及机器学习技术领域，尤其涉及一种车辆失联预测方法、装置、计算机设备和存储介质。

背景技术

随着共享交通工具如共享单车和助力车行业的不断发展，共享单车和助力车遍布全国各地，在各大城市中分布使用，车辆数量达到百万级甚至千万级，随着车辆使用次数和时间的增加，由于车辆信号丢失造成的失联问题，使得资产损失越来越严重，同时也增加了车辆运维人员的工作量。

共享车辆作为共享交通工具的一种类型，通常会设置有定位模块以及通信模块，以便与后台的联系，定期向后台上报车辆自身信息。当设置的模块供电出现问题时，例如电能耗尽无法及时补充，或者电源模块故障的原因，将会导致车辆与后台失联。

然而，对于采用太阳能电池给各模块供电的车辆而言，当车辆长期处于光照不足区域时，将很容易导致车辆因断电而失联，车辆失联后将使得运维人员难以确定车辆的准确位置，因而对运营公司造成财产损失，并且增加了运维人员的工作量。

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技术中车辆失联后难以准确确定车辆准确位置造成财产损失并增加运维人员的工作量。

为实现上述目的，本发明提供了一种车辆失联预测方法，包括：获取待预测车辆的位置信息；获取所述待预测车辆所处环境的光照强度；获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

在本发明的较佳实施方式中，所述待预测车辆所处环境包括光照充足区域和光照不足区域，所述获取待预测车辆的位置信息，包括：获取所述待预测车辆的当前位置；根据所述当前位置确定所述待预测车辆处于光照充足区域或者光照不足区域。

在本发明的较佳实施方式中，所述光照不足区域的划定步骤包括：查询发生过失联的车辆信息，得到历史失联车辆；获取所述历史失联车辆失联时的停放位置；根据所述停放位置划定光照不足区域。

在本发明的较佳实施方式中，若所述待预测车辆处于停放状态，所述车辆失联预测方法还包括：获取所述待预测车辆的当前停放区域内其他车辆经过所述失联预测模型进行预测的输出结果；将所述其他车辆的输出结果与所述待预测车辆进行关联，输入到所述失联预测模型中。

在本发明的较佳实施方式中，车辆失联预测方法还包括：获取所述待预测车辆上传的心跳信息；将所述心跳信息输入到所述失联预测模型中。

在本发明的较佳实施方式中，还包括：判断所述失联概率是否达到预设阈值；当所述失联概率达到所述预设阈值时，发送用于提醒运维人员进行运维处理的提示信息。

在本发明的较佳实施方式中，还包括：获取所述失联概率对应的预测失联时间，其中，不同的失联概率对应不同的预测失联时间；发送用于告知运维人员所述待预测车辆的预测失联时间的提示信息。

在本发明的较佳实施方式中，所述失联预测模型的训练过程包括：获取历史失联车辆的样本数据，所述样本数据包括历史失联车辆的停放区域、所处环境的光照强度、历史行驶特征和历史基本特征；利用预先建立的神经网络模型对所述样本数据进行训练，得到所述失联预测模型。

为实现上述目的，本发明还提供了一种车辆失联预测装置，包括：位置获取模块，用于获取待预测车辆的位置信息；光照获取模块，用于获取所述待预测车辆所处环境的光照强度；特征获取模块，用于获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；预测模块，用于将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

为实现上述目的，本发明还提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行所述车辆失联预测方法。

为实现上述目的，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行所述车辆失联预测方法。

本发明提供的装置或方法具有以下技术效果：

1、通过获取待预测车辆的位置信息、所处环境的光照强度并获取其行驶特征和基本特征，将这些信息和特征作为预先训练得到的失联预测模型的输入，由该失联预测模型对待预测车辆进行失联预测，得到车辆失联概率，从而可以提前获知车辆是否即将失联，以便于能够第一时间完成干预动作，能够实现运维对车辆的精准维护，及时维修，提高车辆利用率，减少资产损失，降低运维人员寻找车辆的难度并减少其工作量。

2、通过将其他车辆的预测结果以及心跳信息作为失联预测模型的输入参数，输入到失联预测模型中，可以进行同一停放区域的关联分析，提高失联预测模型预测结果的准确性；并且基于电量信息、电压和电流等信息来分析预测车辆的失联时间，可以提高失联预测的准确性。

3、通过利用车辆在行驶过程中的各种特征和车辆基本特征，通过收集光照相关数据，使用神经网络建立了车辆失联预测模型，能够更准确的预测车辆是否会失联。为车辆的运营提供帮助，提高运营车辆的可利用率，避免车辆丢失和造成资产损失。

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是本发明的车辆失联预测方法的一个较佳实施例的流程图；

图2是本发明的失联预测模型的一个较佳实施例的示意图；

图3是本发明的车辆失联预测方法的另一个较佳实施例的流程图；

图4是本发明的车辆失联预测装置的一个较佳实施例的示意图；

图5是本发明的一个实施例提供的计算机设备的内部结构图。

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。

为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。

本发明实施例提供了一种车辆失联预测方法，该方法可以用于预测即将失联的车辆。本发明实施例中所述的车辆可以是指共享自行车、共享助力车等，需要后台对其状态和位置进行监控，或者定期上报状态信息的车辆。也即是说，本发明实施例实际上是针对需要统一维护并且与后台保持联系的车辆进行失联预测，从而实现主动去预测运营的车辆的失联情况，由工作人员在未失联但即将失联时，及时进行车辆维护和维修，提高车辆利用率和用户体验，并减少资产损失。本发明实施例的车辆失联预测方法主要由后台来执行，可以是由配置在后台服务器上的软件程序来定期对每个车辆进行失联预测。

如图1所示，本发明实施例的车辆失联预测方法包括：

步骤S101，获取待预测车辆的位置信息。

待预测车辆可以是当前系统内能够监控到的任意车辆。在进行车辆失联预测时，可以对当前所有车辆进行预测，对于其中任意一个车辆，均可以作为待预测车辆，该车辆可以是在行驶过车中的车辆，也可以是停放未使用的车辆。当然，为了减少处理的数据量，可以对所有的车辆进行过滤，将满足一定条件的车辆作为待预测车辆进行失联预测，例如优先对未使用的车辆进行预测，对长时间未产生订单的车辆进行预测等。由于车辆在与后台保持联系的过程中，需要定期向后台上报信息，例如上报位置、电压、电流等电参数，因此，可以对车辆上报信息的频率、信号强度或者电参数等对车辆进行预判断，对于存在异常的车辆或者低于正常水平的车联进行失联预测。例如，在当前一段时间内，车辆上报信息的频率低于预设值时，则认为该车辆存在异常，对这部分车辆进行失联预测；或者上报信息的信号强度低于预设值时，认为该车辆存在电量低的情况，需要进行失联预测，其他参数同理。

由于车辆上一般都设置有定位装置，可以对车辆进行定位，因此，待预测车辆的位置信息可以由该待预测车辆主动上报给后台服务器，也可以是由后台服务器主动获取待预测车辆的位置信息。

本发明实施例中，对于待预测车辆，首先获取其位置信息，如果车辆处于未使用状态，则可以确定其当前停放区域，当前停放区域可以是预先在车辆所处环境进行区域划分得到的区域中的一种，例如，预先在车辆所在城市进行区域划分，将该城市中可停放车辆的区域划分为光照充足区域和光照不足区域。由于光照对车辆的续航存在很大影响，因此，在进行失联预测时，可以先确定该待预测车辆是处于光照充足区域还是光照不足区域。

步骤S102，获取所述待预测车辆所处环境的光照强度。

待预测车辆所处环境是指待预测车辆所处的大范围区域，例如，其所在城市，县区等，该所处环境包括多类停放区域，例如光照充足区域、光照不足区域以及非停车区域，根据车辆的位置信息可以确定出待预测车辆所处的环境。本发明实施例的光照强度主要是指该环境下的太阳光的光照强度，通常情况下，同一环境下的各个区域的光照强度基本相同。对于共享车辆，尤其是共享单车而言，基本采用太阳能作为供电能源，当光照强度低或者车辆长时间处于光照不足区域时，将可能造成车辆供电不足，进而导致失联。本发明实施例中以光照强度作为待预测车辆的失联预测的一个依据，从而可以准确地预测车辆失联概率。

本发明实施例中，待预测车辆所处环境的光照强度可以从气象数据中获取，或者从第三方数据端获取，具体获取方式不做限定。

步骤S103，获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数。

行驶特征为待预测车辆在用户的使用过车的一些参数信息，例如，订单的行驶距离、行驶速度等。车辆在使用的时候，通常是由用户的订单信息来确定的，该订单信息需要从用户开始使用车辆时，从用户扫码开锁开始，记录车辆行驶，直到停车、关锁，整个骑行阶段的数据信息，作为行驶特征进行车辆失联预测。车辆的行驶特征可以反映出待预测车辆的状态，例如，车辆长时间未使用或者在当前一段时间内，使用的频次高，但是行驶的距离很短，这说明该车辆可能存在无法开锁或者供电不足无法进行开锁的问题，失联的概率比较大。作为一种可选的实施方式，本发明实施例中，还可以结合用户的相关特征进行结合判断，例如，骑行用户的历史驾驶风格等信息来进行具体的特征关联分析和挖掘。

上述行驶特征可以从采集到的车辆在行驶过程中的订单信息中获取得到。

基本特征是指车辆本身的使用参数，包括车辆运营时间、行驶总路程、配件更换历史、维修历史等，以这些基本特征来辅助判断车辆信号稳定状况。

步骤S104，将所述位置信息、所述光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

失联预测模型可以是神经网络结构的模型，经过大量样本数据进行训练得到的。具体地，失联预测模型可以包括输入层、卷积层、池化层、输出层等组成的神经网络，主要是根据输入的特征种类或者所需要分析的特征种类设置卷积核的数量，构建基础网络结构，然后利用样本集中的训练样本进行训练和学习，利用验证样本进行预测准确性的验证，在达到一定的收敛的情况下，完成最终的训练过程，从而得到该失联预测模型。需要说明的是，对于失联预测模型中的网络结构可以根据输入和输出的参数进行调节，本领域技术人员在已知现有的神经网络结构的基础上，基于本发明实施例中所给出的输入和输出参数可以设置基本的模型结构。本发明主要在于结合光照强度、行驶特征、基本特征以及位置信息作为输入，来分析预测车辆的失联概率，对应具体的模型结构不做限定。

本发明实施例中，待预测车辆所处环境的光照强度是该车辆的能量来源，因此，该光照强度能够影响车辆的续航时间，以其作为输入参数，能够从能量来源上进行综合分析；而位置信息能够确定车辆是否在充足的光照条件下停放；行驶特征和基本特征则能够直接体现出待预测车辆的行驶使用情况和其本身的参数特性，例如，在当前之前很长一段时间待预测车辆未被使用，并且其行驶总路程很长，并且当前停放区域为光照不足区域，则该待预测车辆即将失联的概率极大，失联预测模型综合以上各个输入数据进行预测，得到相应的输出结果，如果预测出即将失联，则提前指派运维人员对该车辆进行维修或者检测，实现失联的提前预防。

可选地，本发明实施例中，失联预测模型可以是二分类模型，可以输出待预测车辆即将失联或者不会失联的结果。失联预测模型的预测过程示意图如图2所示。

根据本发明实施例，通过获取待预测车辆的位置信息、所处环境的光照强度并获取其行驶特征和基本特征，将这些信息和特征作为预先训练得到的失联预测模型的输入，由该失联预测模型对待预测车辆进行失联预测，得到待预测车辆的失联概率，从而可以提前获知车辆是否即将失联，以便于能够第一时间完成干预动作，能够实现运维对车辆的精准维护，及时维修，提高车辆利用率，减少资产损失，降低运维人员寻找车辆的难度并减少其工作量。

作为一种可选实施方式，若所述待预测车辆处于停放状态，本发明实施例的车辆失联预测方法还包括：获取所述待预测车辆的当前停放区域内其他车辆经过所述失联预测模型进行预测的输出结果；将所述其他车辆的输出结果与所述待预测车辆进行关联，输入到所述失联预测模型中。

本发明实施例中，对于处于同一停放区域内的其他车辆可以利用图1所示流程进行相同方式的预测，得到输出结果。对于其他车辆的失联预测的输出结果，再与待预测车辆进行关联，然后一起输入到失联预测模型中，也即是将其他车辆的输出结果作为一个输入参数，用于分析预测待预测车辆是否即将失联。由于其他车辆与待预测车辆处于同一停放区域，如果在该区域内出现失联或者即将失联的车辆，则可以反映出待预测车辆也存在即将失联的风险，属于正相关因素，将其纳入到失联预测模型的输入参数中，可以进行同一停放区域的关联分析，提高失联预测模型预测结果的准确性。

作为另一种可选实施方式，本发明实施例的车辆失联预测方法还包括：获取所述待预测车辆上传的心跳信息；将所述心跳信息输入到所述失联预测模型中。

心跳信息是待预测车辆定期向后台上报的信息，其内容可以包括车辆的位置信息、电量信息、电压和电流等，同时，后台在接收到心跳信息时，还可以根据接收到的心跳信息的时间来获知待预测车辆的心跳频率，还可以获知接收心跳信息的信号强度等信息。该心跳信息一方面可以告知后台车辆的一些基本参数信息，另一方面能够保证车辆与后台的联系状态。后台在进行车辆失联预测的时候，可以将该心跳信息作为输入参数，一并输入到失联预测模型中。由于电量信息、电压和电流以及心跳频率和信号强度等信息可以直接反应出车辆的当前状态，例如，电量、电压和电流越大，车辆的能源供应越充足，其失联的概率则越小；心跳频率越低或者信号强度越弱，则失联的概率较大等，基于这原理采用历史数据来训练车辆预测模型，然后即可利用待预测车辆的这些信息来分析预测车辆的失联概率和失联时间等，可以提高失联预测的准确性。

本发明实施例中，所述待预测车辆所处环境包括光照充足区域和光照不足区域，本发明实施例的另一种可选实施方式如图3所示，车辆失联预测方法包括：

步骤S1011，获取所述待预测车辆的当前位置；

步骤S1012，根据所述当前位置确定所述待预测车辆处于光照充足区域或者光照不足区域。若处于光照不足区域则执行步骤S102。

如上述实施例所述，本发明实施例中，车辆采用太阳能作为车辆与后台进行通信的能量来源，当车辆处于光照充足区域时，在未发生其他遮挡的情况下，还是能够维持正常的联系状态，因此，该区域停放的车辆可以不进行失联预测，本发明实施例优先对处于光照不足区域的车辆进行失联预测。本发明实施例中所述的光照充足区域可以是指完全露天状态的区域，其周围高物遮挡，绝大部分情况下能够得到太阳的照射；光照不足区域是指具有遮挡物导致该区域只有部分或者完全无太阳照射的区域。

本发明实施例中，光照充足区域和光照不足区域可以由工作人员到实地探测后来划定，也可以采用其他方式进行划定，作为一种可选实施方式，所述光照不足区域的划定步骤包括：查询发生过失联的车辆信息，得到历史失联车辆；获取所述历史失联车辆失联时的停放位置；根据所述停放位置划定光照不足区域。

如上所述，发明人发现，车辆失联一般发生在光照不足区域，依据这一理论，本发明实施例可以通过查询历史失联车辆，统计其失联时的停放位置，然后划定出光照不足区域，例如，失联车辆的停放位置在某个区域比较集中，则将该区域划定为光照不足区域。具体地，这里对于光照区域的划定可以是在车辆预测模型训练的过程中，利用历史失联车辆的数据确定的；也可以是其他方式来进行划定的。本发明实施例中，通过过往车辆失联的区域，划定光照不足的区域，相比于人工划定区域，能够极大地降低人工成本，不需要人工进行实地探测。

步骤S102-104与图1所示的步骤相同，具体参见图1的相关描述，这里不做赘述。

如图3所示，步骤S105具体可以包括：

步骤S1051，判断所述失联概率是否达到预设阈值；

步骤S1052，当所述失联概率达到所述预设阈值时，发送用于提醒运维人员进行运维处理的提示信息。当未达到预设阈值时，则确定待预测车辆在一段时间内不会发生失联。本实施例中，当失联概率超过预设阈值时，需要及时告知运维人员进行维护或者维修等处理，因此，需要向其发送相应的提示信息。

本发明实施例中，失联概率越高则表示车辆失联的可能性更大，预设阈值可以根据经验值或者统计值来确定，例如，0.5或者0.6等。

进一步地，本发明实施例中，确定所述待预测车辆即将失联，包括：获取所述失联概率对应的预测失联时间，其中，不同的失联概率对应不同的预测失联时间；发送用于告知运维人员所述待预测车辆的预测失联时间的提示信息。预测失联时间可以表示该待预测车辆经过预测失联时间后可能失联，本实施例中，可以将该预测失联时间发送给运维人员，以对其进行提醒，在预测失联时间达到之前对车辆进行维护或者维修。

发明人发现，在光照不足区域停留的时间越长，车辆失联的概率越大，预测失联时间越快，基于这一对应关系，本发明实施例中将失联概率与预测失联时间进行关联，失联概率与预测失联时间负相关，失联概率越大，对应的预测失联时间越短，也即是车辆会在很短时间内失联，基于此，本发明实施例中在确定出车辆的失联概率之后，可以确定出其对应的预测失联时间，在该时间内指派相应的运维人员进行车辆的维修和检测，最大程度降低资产的损失。

本发明实施例中，所述失联预测模型的训练过程包括：

步骤S1，获取历史失联车辆的样本数据，所述样本数据包括历史失联车辆的停放区域、所处环境的光照强度、历史行驶特征和历史基本特征。

具体地，获取历史失联车辆所处环境的光照强度，确定历史失联车辆的停放区域，并获取其历史行驶特征和历史基本特征等基础数据，用于进行训练和学习。

步骤S2，利用预先建立的神经网络模型对所述样本数据进行训练，得到所述失联预测模型。利用预先建立的神经网络模型对上述样本数据进行机器学习，进行一系列的处理和特征提取，确定出神经网络模型中的参数，然后利用验证集数据进行验证，当准确率达到一定值时，则认为该模型已经训练完成，得到最终的失联预测模型。

本发明实施例通过利用车辆在行驶过程中的各种特征和车辆基本特征，通过收集光照相关数据，使用神经网络建立了车辆失联预测模型，能够更准确的预测车辆是否会失联。为车辆的运营提供帮助，提高运营车辆的可利用率，避免车辆丢失和造成资产损失。

本发明实施例还提供了一种车辆失联预测装置，该装置可以用于执行本发明上述实施例中所述的车辆失联预测方法，如图3所示，该装置包括：

位置获取模块401，用于获取待预测车辆的位置信息；

光照获取模块402，用于获取所述待预测车辆所处环境的光照强度；

特征获取模块403，用于获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；

预测模块404，用于将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

根据本发明实施例，通过获取待预测车辆的位置信息、所处环境的光照强度并获取其行驶特征和基本特征，将这些信息和特征作为预先训练得到的失联预测模型的输入，由该失联预测模型对待预测车辆进行失联预测，得到能够确定出车辆失联概率，从而可以提前获知车辆是否即将失联，以便于能够第一时间完成干预动作，能够实现运维对车辆的精准维护，及时维修，提高车辆利用率，减少资产损失，降低运维人员寻找车辆的难度并减少其工作量。

可选地，所述待预测车辆所处环境包括光照充足区域和光照不足区域，所述位置获取模块包括：获取单元，用于获取所述待预测车辆的当前位置；判断单元，用于根据所述当前位置确定所述待预测车辆处于光照充足区域或者光照不足区域。

可选地，所述光照不足区域通过以下模块划定：查询模块，用于查询发生过失联的车辆信息，得到历史失联车辆；停放位置获取模块，用于获取所述历史失联车辆失联时的停放位置；根据所述停放位置划定光照不足区域。

可选地，车辆失联预测装置还包括：结果获取模块，用于获取所述待预测车辆的当前停放区域内其他车辆经过所述失联预测模型进行预测的输出结果；所述预测模块还用于将所述其他车辆的输出结果与所述待预测车辆进行关联，输入到所述失联预测模型中。

可选地，车辆失联预测装置还包括：心跳获取模块，用于获取所述待预测车辆上传的心跳信息；所述预测模块还用于将所述心跳信息输入到所述失联预测模型中。

可选地，还包括：阈值判断模块，用于判断所述失联概率是否达到预设阈值；当所述失联概率达到所述预设阈值时，发送用于提醒运维人员进行运维处理的提示信息。

可选地，所述阈值判断模块包括：获取子单元，用于获取所述失联概率对应的预测失联时间，其中，不同的失联概率对应不同的预测失联时间；发送子单元，用于发送用于告知运维人员所述待预测车辆的预测失联时间的提示信息。

上述关于装置部分的具体描述可以参见上述方法实施例，这里不再赘述。

本发明的一个实施例中，还提供了一种计算机设备，该计算机设备可以是上述实施例中的后台服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口，还可以包括显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆失联预测方法，该计算机设备还可以包括显示屏和输入装置，其显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板等。

另一方面，则该计算机设备可以不包括显示屏和输入装置，本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，实现以下步骤：

获取待预测车辆的位置信息；

获取所述待预测车辆所处环境的光照强度；

获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；

将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

在一个实施例中，提供了一种可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行：

获取待预测车辆的位置信息；

获取所述待预测车辆所处环境的光照强度；

获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；

将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

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，本申请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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (11)

1.一种车辆失联预测方法，其特征在于，包括：

获取待预测车辆的位置信息；

获取所述待预测车辆所处环境的光照强度；

获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；

将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

2.如权利要求1所述的车辆失联预测方法，其特征在于，所述待预测车辆所处环境包括光照充足区域和光照不足区域，所述获取待预测车辆的位置信息，包括：

获取所述待预测车辆的当前位置；

根据所述当前位置确定所述待预测车辆处于光照充足区域或者光照不足区域。

3.如权利要求2所述的车辆失联预测方法，其特征在于，所述光照不足区域的划定步骤包括：

查询发生过失联的车辆信息，得到历史失联车辆；

获取所述历史失联车辆失联时的停放位置；

根据所述停放位置划定光照不足区域。

4.如权利要求1所述的车辆失联预测方法，其特征在于，若所述待预测车辆处于停放状态，所述车辆失联预测方法还包括：

获取所述待预测车辆的当前停放区域内其他车辆经过所述失联预测模型进行预测的输出结果；

将所述其他车辆的输出结果与所述待预测车辆进行关联，并输入到所述失联预测模型中。

5.如权利要求1所述的车辆失联预测方法，其特征在于，还包括：

获取所述待预测车辆上传的心跳信息；

将所述心跳信息输入到所述失联预测模型中。

6.如权利要求1所述的车辆失联预测方法，其特征在于，还包括：

判断所述失联概率是否达到预设阈值；

当所述失联概率达到所述预设阈值时，发送用于提醒运维人员进行运维处理的提示信息。

7.如权利要求1所述的车辆失联预测方法，其特征在于，还包括：

获取所述失联概率对应的预测失联时间，其中，不同的失联概率对应不同的预测失联时间；

发送用于告知运维人员所述待预测车辆的预测失联时间的提示信息。

8.如权利要求1-7任一项所述的车辆失联预测方法，其特征在于，所述失联预测模型的训练过程包括：

获取历史失联车辆的样本数据，所述样本数据包括历史失联车辆的停放区域、所处环境的光照强度、历史行驶特征和历史基本特征；

利用预先建立的神经网络模型对所述样本数据进行训练，得到所述失联预测模型。

9.一种车辆失联预测装置，其特征在于，包括：

位置获取模块，用于获取待预测车辆的位置信息；

光照获取模块，用于获取所述待预测车辆所处环境的光照强度；

特征获取模块，用于获取所述待预测车辆的行驶特征和基本特征，其中，所述行驶特征为所述待预测车辆在被使用过程中的信息，所述基本特征为所述待预测车辆本身的使用参数；

预测模块，用于将所述位置信息、光照强度、行驶特征和基本特征输入到预先训练得到的失联预测模型中，得到所述待预测车辆的失联概率。

10.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-8中任一项所述的车辆失联预测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-8中任一项所述的车辆失联预测方法。

Images