CN111898895A - 一种基于大数据融合的车辆质量评价方法及系统 - Google Patents
一种基于大数据融合的车辆质量评价方法及系统 Download PDFInfo
- Publication number
- CN111898895A CN111898895A CN202010720593.4A CN202010720593A CN111898895A CN 111898895 A CN111898895 A CN 111898895A CN 202010720593 A CN202010720593 A CN 202010720593A CN 111898895 A CN111898895 A CN 111898895A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- vehicle
- list
- historical data
- 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.)
- Granted
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据融合的车辆质量评价方法及系统,涉及数据分析与预测算法技术领域,首先从汽车智能平台中获取车辆运行时的历史数据,然后将车辆上报的历史数据加载为标准格式的json字符串,接着对从平台中加载的历史数据进行解析处理,并对每辆车一天上报的数据按上报时间进行排序,以使得每帧数据与监控指标列表的指标表达式相匹配。当所有车辆当天的全部数据都处理完后,代入评分模型以计算每辆车的得分,并根据车辆得分判断车辆的质量情况。通过本发明解决了现有技术电动汽车的指标分散且不易获取,不同车型参数的有效值区间设置不够灵活的技术问题,提高了工作效率。
Description
技术领域
本发明涉及数据分析与预测算法技术领域,尤其是涉及一种基于大数据融合的车辆质量评价方法及系统。
背景技术
近年来,世界范围内的能源和环境问题逐渐加剧,在交通领域,电动汽车因其具有的能源经济性和环境友好性成为节能减排的重要工具,同时随着智能交通的发展,新能源汽车必将成为其中的重要一环。新能源汽车作为国家战略,目前还处于研发和发展阶段,车辆的健康性、安全性受到广泛关注,一定程度上也成为评价车辆质量优劣的一个标准。为了提高运营的可靠性并降低风险,构建一套可量化的监控和评分指标体系对车辆进行状态评估与故障诊断等显的尤为重要。
目前,针对电动汽车状态评估和故障诊断多集中在实验室环境和仿真环境下,即通过双通道冗余CAN总线数据传输的方式,收集一段时间内车载终端can总线上报的车辆状态数据和故障状态。在数据处理过程中也有差异,通过在车极端作为监管平台的第二服务器之间增设第一服务器,将车机端的运行数据,按照预设规则整理成待上报数据后再向第二服务器发送。当有协议变更需求时,可以按照变更内容灵活地新增、修改、删除协议属性。同时在开始使用模型分析问题之前,必须对数据质量进行评估并对问题数据进行预处理。为了提高数据的安全性,也有对互联互通的每一个服务进行安全加固,每一次请求都需要进行数据权限校验,每次请求都需要枚举所有权限。
但是基于实验室环境下监控到的车辆状态数据和故障数据并没有考虑到实际行驶过程中复杂的行驶工况和行驶过程全信号的影响,导致统计结果不全面与准确度低。并且对不同车型监控时需要获取车辆的详细静态参数,对不同车型参数的有效值区间往往需要手动修改,造成了巨大的工作量,不易实现自动化且不具备普适性。
因此,有必要开发一种基于大数据融合的车辆质量评价方法及系统。
发明内容
有鉴于此,本发明的目的在于提供一种基于大数据融合的车辆质量评价方法及系统,用于解决现有技术电动汽车的指标分散且不易获取,不同车型参数的有效值区间设置不够灵活的技术问题。
第一方面,本发明提供了一种基于大数据融合的车辆质量评价方法,包括如下步骤:
步骤1,从云平台中获取车辆运行的历史数据;
步骤2,对所述历史数据作数据清洗以及插补处理,得到历史数据矩阵,所述历史数据矩阵包括车辆运行的终端时间、车辆状态、充电状态、运行模式、车速、里程、总电压、总电流、荷电状态、经度以及纬度;
步骤3,从云平台中获取质量评分主题列表,所述质量评分主题列表包括电池警告主题列表、数据超限主题列表以及车辆状态主题列表,通过质量评分主题列表关联找到各主题列表下的监控指标列表,所述监控指标列表包括指标ID、指标名称、指标表达式、指标描述、指标权重以及指标等级,并将步骤2中处理后的所述历史数据矩阵与所述指标表达式进行融合,以生成监控指标标记数据集;
步骤4,对所述监控指标标记数据集按照不同指标名称进行汇总,以形成不同指标名称的排列矩阵;
步骤5,对所述不同指标名称的排列矩阵按照时间排序,并对相同时间内与相同指标名称的历史数据矩阵作去重处理,然后将去重后的历史数据矩阵进行汇总,以生成指标汇总数据矩阵;
步骤6,依据步骤3中的所述指标权重,将所述指标汇总数据矩阵用于构建评分模型,并将所述质量评分主题列表与所述监控指标列表融合后的结果,代入所述评分模型,以生成评分计算结果。
进一步地,所述步骤2中的历史数据处理具体包括如下步骤:步骤21,判断处理后的所述历史数据矩阵是否存在数据缺失,若未存在数据缺失,历史数据矩阵作为与指标表达式相融合的有效数据,反之,则继续判断所述历史数据矩阵中的数据缺失比例是否超过数据缺失阈值;步骤22,若所述历史数据矩阵中的数据缺失比例超过数据缺失阈值,则删除所述历史数据矩阵,反之,则采用插补法填充所述历史数据矩阵中的缺失数据,以生成数据插补后的历史数据矩阵。
进一步地,根据所述步骤3中的监控指标列表将指标表达式划分为两种模式,其中一种模式可转化为sql语义模式,所述所述sql语义模式按照名称位、数值符号位、值位以及逻辑符号进行划分;另一种模式为复杂模式,所述复杂模式则按照统一通用名称进行表示。
进一步地,所述指标表达式为json字符串,所述json字符串包括名称位、符号位、值位以及逻辑位,其中,所述名称位对应所述历史数据矩阵中上报数据项的名称,所述符号位支持‘>’、‘<’、‘==’、‘>=’、‘<=’、‘!=’几类操作符,所述值位对应所述历史数据矩阵中上报数据项的值,所述逻辑位则支持逻辑或与逻辑与的操作。
进一步地,将所述历史数据矩阵转化为支持sql语义模式的数据表,同时将所述指标表达式转为spl语义的表达式,与所述数据表进行融合,以生成监控指标标记数据集,并从所述监控指标标记数据集中筛选符合监控指标列表的数据集,同时将所述监控指标列表的数据集在同一时间内出现的指标相同的数据集作去重处理,再将去重后的历史数据矩阵进行汇总,以生成指标汇总数据矩阵。
进一步地,依据指标权重将所述指标汇总数据矩阵用于构建评分模型,所述评分模型的计算公式表示为:报文评分=(报文条数-a1指标次数)* a1权重/报文条数+(报文条数- a2指标次数)* a2权重/报文条数+…+(报文条数- an指标次数)*an权重/报文条数,其中,a1表示监控指标列表中的第一个监控指标,a2表示监控指标列表中的第二个监控指标,an表示监控指标列表中的第n个监控指标,所述报文条数为车辆一天按报文上报间隔上报的总条数,所述指标次数为车辆上报报文符合监控指标列表中某个指标表达式算法要求的报文条数,所述权重为某一指标在整个评分体系中所占的比重。
第二方面,本发明还提供了一种基于大数据融合的车辆质量评价系统。所述车辆质量评价系统执行所述基于大数据融合的车辆质量评价方法的步骤。
本发明带来了以下有益效果:
本发明所述的一种基于大数据融合的车辆质量评价方法及系统,首先从汽车智能平台中获取车辆运行时的历史数据,然后将车辆上报的历史数据加载为标准格式的json字符串,接着对从平台中加载的历史数据进行解析处理,并对每一辆车一天的上报数据按上报时间排序,以使得每帧数据与监控指标列表的指标表达式相匹配。当所有车辆当天的全部数据都处理完后,代入评分模型计算每辆车的得分,并根据车辆得分用判断车辆的质量情况。解决了现有技术电动汽车的指标分散且不易获取,不同车型参数的有效值区间设置不够灵活的技术问题,提高了工作效率,使其具有普适性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明所述的一种基于大数据融合的车辆质量评价方法的流程图;
图2为本发明所述步骤2中的处理历史数据的流程图;
图3为本发明所述质量评分主题列表的示意图;
图4为本发明所述的一种基于大数据融合的车辆质量评价方法及系统的示意图。
具体实施方式
如图1所示,一种基于大数据融合的车辆质量评价方法,包括如下步骤:
步骤S1,从云平台中获取车辆运行的历史数据;
步骤S2,对所述历史数据作数据清洗以及插补处理,得到历史数据矩阵,所述历史数据矩阵包括车辆运行的终端时间、车辆状态、充电状态、运行模式、车速、里程、总电压、总电流、荷电状态、经度以及纬度;
步骤S3,从云平台中获取质量评分主题列表,所述质量评分主题列表包括电池警告主题列表、数据超限主题列表以及车辆状态主题列表,通过质量评分主题列表关联找到各主题列表下的监控指标列表,所述监控指标列表包括指标ID、指标名称、指标表达式、指标描述、指标权重以及指标等级,并将步骤2中处理后的所述历史数据矩阵与所述指标表达式进行融合,以生成监控指标标记数据集;
步骤S4,对所述监控指标标记数据集按照不同指标名称进行汇总,以形成不同指标名称的排列矩阵;
步骤S5,对所述不同指标名称的排列矩阵按照时间排序,并对相同时间内与相同指标名称的历史数据矩阵作去重处理,然后将去重后的历史数据矩阵进行汇总,以生成指标汇总数据矩阵;
步骤S6,将所述指标汇总数据矩阵依据步骤S3中的所述指标权重,构建评分模型,并将所述质量评分主题列表与所述监控指标列表融合后的结果,代入所述评分模型,以生成评分计算结果。
在本实施例中,从汽车智能平台中获取车辆运行时的历史数据,然后将车辆上报的历史数据加载为标准格式的json字符串,接着对从平台中加载的历史数据进行解析处理。考虑到历史数据通常是按天数统计的,所以经过解析后的历史数据包括多个历史数据矩阵,所述历史数据矩阵包括车辆运行的终端时间、车辆状态、充电状态、运行模式、车速、里程、总电压、总电流、荷电状态(State of Charge,SOC)、经度以及纬度,且所述历史数据矩阵中每一行代表车辆上传的一帧数据。
如图2所示,对所述步骤2中的历史数据作处理包括如下步骤:
步骤21,判断处理后的所述历史数据矩阵是否存在数据缺失,若未存在数据缺失,历史数据矩阵作为与指标表达式相融合的有效数据,反之,则继续判断所述历史数据矩阵中的数据缺失比例是否超过数据缺失阈值。
步骤22,若所述历史数据矩阵中的数据缺失比例超过数据缺失阈值,则删除所述历史数据矩阵,反之,则采用插补法填充所述历史数据矩阵中的缺失数据,以生成数据插补后的历史数据矩阵。
实际情况是由于车辆运行工况复杂,数据传输过程存在着各种干扰和不确定性因素,因此平台采集的历史数据中常常存在一些数据错误和数据缺失的问题,针对所述历史数据矩阵中的数据缺失问题,本发明采用了以下数据处理的相关方法。如果数据缺失的形式为整行缺失或某一属性列缺失,或数据缺失比例高于数据缺失阈值,可以采用删除法将该历史数据矩阵删除;如果历史数据矩阵中某属性比列的数据只是小部分缺失或者是数据缺失比例不高于数据缺失阈值,则可采用数据插补填充缺失的数据。例如,若所述数据缺失阈值为5%,数据缺失比例超过5%的历史数据矩阵采用删除法进行处理,低于5%的采用插补法补全数据。
对所述历史数据进行插补处理的具体过程如下:
判断所述历史数据矩阵中是否存在数据缺失,获得第一判断结果。
若所述第一判断结果为所述历史数据矩阵中存在数据缺失,判断所述历史矩阵中的数据缺失比例是否超过数据缺失阈值,获得第二判断结果。
若所述第二判断结果为所述历史数据矩阵中的数据缺失比例超过数据缺失阈值,删除所述历史数据矩阵。
若所述第一判断结果为所述历史数据矩阵中存在数据缺失,且所述第二判断结果为所述历史数据矩阵中的数据缺失比例不超过数据缺失阈值,则采用插补法替换为与所述数据相邻的数据的值,生成数据插补后的历史数据矩阵。
在生成数据插补后的历史数据矩阵后,再获取第一列表中的质量评分主题列表,如图3所示,所述质量评分主题列表包括电池警告主题列表、数据超限主题列表以及车辆状态主题列表,且每个主题列表又包括若干监控指标列表。需要说明的是,由于质量评分主题列表与若干监控指标列表存储在不同的列表中,只能是在当获取当第一列中的质量评分主题列表之后,通过各主题列表关联找到存储在第二列表中的若干监控指标列表,而所述监控指标列表又是由指标ID、指标名称、指标表达式、指标描述、指标权重以及指标等级等组成。因此将获取到的监控指标列表依据指标表达式划分为可转化为sql语义模式与复杂模式,其中,所述sql语义模式是按照名称位、数值符号位、值位以及逻辑符号划分,而所述复杂模式则是按照统一通用名称表示。
需要说明的是,监控指标列表中定义了每个指标的名称、每个指标的名称、所属主题、指标权重、指标表达式。所有指标权重的总和为100,指标从属主题权重为该主题下所有指标权重之和。并且各指标的权重可动态修改,同时所属主题权重也相应动态修改,但是修改后所有主题权重之和仍不能超过100。所述指标表达式为json字符串,且所述json字符串均包括名称位、符号位、值位以及逻辑位。其中,所述名称位对应所述历史数据矩阵中的数据项名称,所述符号位支持>’、‘<’、‘==’、‘>=’、‘<=’、‘!=’几类操作符,所述值位对应所述历史数据矩阵中的项值,所述逻辑位则支持逻辑或与逻辑与的操作。
在本实施例中,所述步骤S3中的具体融合过程如下:首先是将所述历史数据矩阵转化为支持sql语义模式的数据表,同时将所述指标表达式转为spl语义的表达式与所述数据表进行融合,以生成监控指标标记数据集,并从所述监控指标标记数据集中筛选符合监控指标列表的数据集,同时将所述监控指标列表的数据集在同一时间内出现的指标相同的数据集作去重处理,即不计入所述监控指标列表的数据集中。然后再将去重后的历史数据矩阵按照不同指标名称进行汇总,以生成指标汇总数据矩阵。
具体地,依据步骤S3中的指标权重将指标汇总数据矩阵用于构建评分模型,并将质量评分主题列表与监控指标列表融合后的结果,代入所述评分模型。其中,评分模型的计算公式表示为:报文评分=(报文条数-a1指标次数)*a1权重/报文条数+(报文条数-a2指标次数)*a2权重/报文条数+…+(报文条数-an指标次数)*an权重/报文条数,其中,a1表示监控指标列表中的第一个监控指标,a2表示监控指标列表中的第二个监控指标,an表示监控指标列表中的第n个监控指标,所述报文条数为车辆一天按报文上报间隔上报的总条数,所述指标次数为车辆上报报文符合监控指标列表中某个指标表达式算法要求的报文条数,所述权重为某一指标在整个评分体系中所占的比重。且评分越高,权重越大,反之评分越低,则权重越小。最后把若干指标的评分相加后便能得到相对应主题的报文评分结果,并根据评分结果判定汽车质量。
本发明还提供了一种基于大数据融合的车辆质量评价系统,所述车辆质量评价系统执行所述基于大数据融合的车辆质量评价方法的步骤。
综上所述,本发明提供的基于大数据融合的车辆质量评价方法及系统如图4所示,首先是按天加载历史数据,所述历史数据为监控车辆当天实时上报符合GBT32960国标的数据。然后判断历史数据的每帧数据是否符合json协议规范,并通过车辆唯一识别码vin码进行分组,对每一辆车一天的上报数据按上报时间排序,以使得每帧数据与监控指标列表的指标表达式相匹配,若该帧数据符合所述监控指标列表的指标表达式,那么所述监控指标项加1。所有车辆当天的全部数据都处理完后,代入评分模型计算每辆车的得分,并根据车辆得分用判断车辆的质量情况。
Claims (7)
1.一种基于大数据融合的车辆质量评价方法,其特征在于,包括如下步骤:
步骤1,从云平台中获取车辆运行的历史数据;
步骤2,对所述历史数据作数据清洗以及插补处理,得到历史数据矩阵,所述历史数据矩阵包括车辆运行的终端时间、车辆状态、充电状态、运行模式、车速、里程、总电压、总电流、荷电状态、经度以及纬度;
步骤3,从云平台中获取质量评分主题列表,所述质量评分主题列表包括电池警告主题列表、数据超限主题列表以及车辆状态主题列表,通过质量评分主题列表关联找到各主题列表下的监控指标列表,所述监控指标列表包括指标ID、指标名称、指标表达式、指标描述、指标权重以及指标等级,并将步骤2中处理后的所述历史数据矩阵与所述指标表达式进行融合,以生成监控指标标记数据集;
步骤4,对所述监控指标标记数据集按照不同指标名称进行汇总,以形成不同指标名称的排列矩阵;
步骤5,对所述不同指标名称的排列矩阵按照时间排序,并对相同时间内与相同指标名称的历史数据矩阵作去重处理,然后将去重后的历史数据矩阵进行汇总,以生成指标汇总数据矩阵;
步骤6,依据步骤3中的所述指标权重,将所述指标汇总数据矩阵用于构建评分模型,并将所述质量评分主题列表与所述监控指标列表融合后的结果,代入所述评分模型,以生成评分计算结果。
2.根据权利要求1所述的基于大数据融合的车辆质量评价方法,其特征在于,所述步骤2中的历史数据处理具体包括如下步骤:
步骤21,判断处理后的所述历史数据矩阵是否存在数据缺失,若未存在数据缺失,历史数据矩阵作为与指标表达式相融合的有效数据,反之,则继续判断所述历史数据矩阵中的数据缺失比例是否超过数据缺失阈值;
步骤22,若所述历史数据矩阵中的数据缺失比例超过数据缺失阈值,则删除所述历史数据矩阵,反之,则采用插补法填充所述历史数据矩阵中的缺失数据,以生成数据插补后的历史数据矩阵。
3.根据权利要求1所述的基于大数据融合的车辆质量评价方法,其特征在于,根据所述步骤3中的监控指标列表将指标表达式划分为两种模式,其中一种模式可转化为sql语义模式,所述所述sql语义模式按照名称位、数值符号位、值位以及逻辑符号进行划分;另一种模式为复杂模式,所述复杂模式则按照统一通用名称进行表示。
4.根据权利要求1或3所述的基于大数据融合的车辆质量评价方法,其特征在于,所述指标表达式为json字符串,所述json字符串包括名称位、符号位、值位以及逻辑位,其中,所述名称位对应所述历史数据矩阵中上报数据项的名称,所述符号位支持‘>’、‘<’、‘==’、‘>=’、‘<=’、‘!=’几类操作符,所述值位对应所述历史数据矩阵中上报数据项的值,所述逻辑位则支持逻辑或与逻辑与的操作。
5.根据权利要求1或3所述的基于大数据融合的车辆质量评价方法,其特征在于,将所述历史数据矩阵转化为支持sql语义模式的数据表,同时将所述指标表达式转为spl语义的表达式,与所述数据表进行融合,以生成监控指标标记数据集,并从所述监控指标标记数据集中筛选符合监控指标列表的数据集,同时将所述监控指标列表的数据集在同一时间内出现的指标相同的数据集作去重处理,再将去重后的历史数据矩阵进行汇总,以生成指标汇总数据矩阵。
6.根据权利要求1或6所述的基于大数据融合的车辆质量评价方法,其特征在于,依据指标权重将所述指标汇总数据矩阵用于构建评分模型,所述评分模型的计算公式表示为:报文评分=(报文条数-a1指标次数)* a1权重/报文条数+(报文条数- a2指标次数)* a2权重/报文条数+…+(报文条数- an指标次数)*an权重/报文条数,其中,a1表示监控指标列表中的第一个监控指标,a2表示监控指标列表中的第二个监控指标,an表示监控指标列表中的第n个监控指标,所述报文条数为车辆一天按报文上报间隔上报的总条数,所述指标次数为车辆上报报文符合监控指标列表中某个指标表达式算法要求的报文条数,所述权重为某一指标在整个评分体系中所占的比重。
7.一种基于大数据融合的车辆质量评价系统,其特征在于,所述车辆质量评价系统执行上述权利要求1至6任一项基于大数据融合的车辆质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720593.4A CN111898895B (zh) | 2020-07-24 | 2020-07-24 | 一种基于大数据融合的车辆质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720593.4A CN111898895B (zh) | 2020-07-24 | 2020-07-24 | 一种基于大数据融合的车辆质量评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898895A true CN111898895A (zh) | 2020-11-06 |
CN111898895B CN111898895B (zh) | 2023-06-13 |
Family
ID=73189794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720593.4A Active CN111898895B (zh) | 2020-07-24 | 2020-07-24 | 一种基于大数据融合的车辆质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898895B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444986A (zh) * | 2022-04-11 | 2022-05-06 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246147A1 (en) * | 2000-12-08 | 2004-12-09 | Von Grabe J. B. | Real time vehicular routing and traffic guidance system |
CN104217002A (zh) * | 2014-09-14 | 2014-12-17 | 北京航空航天大学 | 一种基于高质量数据获取的路况信息填补方法 |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN108647885A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制系统有限责任公司 | 基于层次分析法与熵权值法的电动汽车充电网络评价方法 |
CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
CN110414855A (zh) * | 2019-08-01 | 2019-11-05 | 广州运达智能科技有限公司 | 一种基于分类的地铁车辆安全性评价方法 |
CN111210163A (zh) * | 2020-01-15 | 2020-05-29 | 桂林电子科技大学 | 一种基于多源数据的公交车辆风险评价系统与方法 |
-
2020
- 2020-07-24 CN CN202010720593.4A patent/CN111898895B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246147A1 (en) * | 2000-12-08 | 2004-12-09 | Von Grabe J. B. | Real time vehicular routing and traffic guidance system |
CN104217002A (zh) * | 2014-09-14 | 2014-12-17 | 北京航空航天大学 | 一种基于高质量数据获取的路况信息填补方法 |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN108647885A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制系统有限责任公司 | 基于层次分析法与熵权值法的电动汽车充电网络评价方法 |
CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
CN110414855A (zh) * | 2019-08-01 | 2019-11-05 | 广州运达智能科技有限公司 | 一种基于分类的地铁车辆安全性评价方法 |
CN111210163A (zh) * | 2020-01-15 | 2020-05-29 | 桂林电子科技大学 | 一种基于多源数据的公交车辆风险评价系统与方法 |
Non-Patent Citations (2)
Title |
---|
韩澍 等: "一种应用于实时公交车辆轨迹获取的多源数据融合技术", 《第十三届中国智能交通年会大会论文集》, pages 28 - 37 * |
黎新华;李俊辉;: "城市轨道交通运营安全预警系统研究", 现代城市轨道交通, no. 10, pages 53 - 57 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444986A (zh) * | 2022-04-11 | 2022-05-06 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
CN114444986B (zh) * | 2022-04-11 | 2022-06-03 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111898895B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN109558988B (zh) | 一种基于大数据融合的电动汽车能耗预测方法及系统 | |
CN112485019B (zh) | 车辆故障诊断方法、装置、车辆及存储介质 | |
CN102801552A (zh) | 基于网络建模的用于错误隔离和错误减轻的系统和方法 | |
CN107423205B (zh) | 一种用于数据防泄漏系统的系统故障预警方法及系统 | |
CN110588658A (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN114049699B (zh) | 一种基于数据分析的车辆燃油经济性评价方法 | |
CN112199394A (zh) | 告警信息推送方法、系统、智能终端及存储介质 | |
CN116449762B (zh) | 基于物联网实现智能设备的安全预警方法及装置 | |
CN111898895B (zh) | 一种基于大数据融合的车辆质量评价方法及系统 | |
CN113163353A (zh) | 一种电源车的智能健康服务系统及其数据传输方法 | |
CN116011110A (zh) | 一种自动驾驶汽车安全性等级评估方法及系统 | |
CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
CN110611715A (zh) | 一种服务链路集合云监控信息的系统和方法 | |
CN117061170B (zh) | 一种基于特征选择的智能制造工业大数据分析方法 | |
CN113221457A (zh) | 一种车辆保养信息的确定方法、装置、设备及介质 | |
CN115544900B (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 | |
CN115817179A (zh) | 动力电池的安全预警方法、装置、服务器及存储介质 | |
CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
CN115480944A (zh) | 车载娱乐终端的黑屏故障分析方法、装置、车辆及介质 | |
CN114064434A (zh) | 一种日志异常的预警方法、装置、电子设备及存储介质 | |
CN114884813A (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
CN112722007B (zh) | 一种基于深度学习的列车运行综合预警方法 | |
CN117273670B (zh) | 一种具有学习功能的工程资料管理系统 | |
Nai et al. | A prognosis method evaluating fault tendency percentage for key equipment in urban rail transit signal system based on enhanced naive Bayesian classifying |
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 |