CN112149844A - 维修金额的预测方法、装置、设备和介质 - Google Patents

维修金额的预测方法、装置、设备和介质 Download PDF

Info

Publication number
CN112149844A
CN112149844A CN202010989566.7A CN202010989566A CN112149844A CN 112149844 A CN112149844 A CN 112149844A CN 202010989566 A CN202010989566 A CN 202010989566A CN 112149844 A CN112149844 A CN 112149844A
Authority
CN
China
Prior art keywords
maintenance
user group
vehicle
amount
target vehicle
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
Application number
CN202010989566.7A
Other languages
English (en)
Inventor
孙中辉
郭彦颖
付盈
王泽坤
彭勇
田博
李英锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Jiefang Automotive Co Ltd
Original Assignee
FAW Jiefang Automotive Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Jiefang Automotive Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202010989566.7A priority Critical patent/CN112149844A/zh
Publication of CN112149844A publication Critical patent/CN112149844A/zh
Pending legal-status Critical Current

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Abstract

本发明实施例公开了一种维修金额的预测方法、装置、设备和介质。其中，该方法包括：获取目标车辆的行驶信息；根据目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定目标车辆的单车单次维修金额。本发明实施例能够通过预先建立的基于用户群的维修金额预测模型，准确快速的预测出车辆的风险维修金额。

Description

维修金额的预测方法、装置、设备和介质
技术领域
本发明实施例涉及一种数据处理技术，尤其涉及一种维修金额的预测方法、装置、设备和介质。
背景技术
随着整车销售进入微利期，售后服务开始日益显山露水，售后服务市场正逐渐受到众多4S店的欢迎。所谓“汽车售后市场”，是指汽车在售出之后维修和保养所使用的零配件和服务。围绕着整车售后服务市场，在现有技术中，对于售后维修金额的费用问题，多数的商用车企业主要是采用售后保修措施，即设定一定时长的保修期，或者与用户签署专项保修计划；其中维保策略是以专业人员的经验判断确定的。
上述方案的缺陷在于：质保措施较为单一，维保策略通过人工判定，导致售后服务体系不科学，从而在一定程度上影响企业的盈利状况。
发明内容
本申请实施例提供一种维修金额的预测方法、装置、设备和介质，可以通过预先建立的基于用户群的维修金额预测模型，准确快速的预测出车辆的风险维修金额。
第一方面，本发明实施例提供了一种维修金额的预测方法，包括：
获取目标车辆的行驶信息；
根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额。
可选的，所述目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种。
可选的，基于用户群的维修金额预测模型的训练过程包括：
建立单车单次维修金额子模型；以及建立基于用户群的可靠性增长子模型；
根据单车单次维修金额子模型确定车辆的单次维修金额；以及根据基于用户群的可靠性增长子模型确定车辆在历史行程中的损坏频次；
将所述单次维修金额和所述损坏频次作为训练样本，训练得到基于用户群的维修金额预测模型。
可选的，建立单车单次维修金额子模型，包括：
获取各用户群的维修历史数据；
将所述维修历史数据作为训练样本，训练得到单车单次维修金额子模型；
相应的，建立基于用户群的可靠性增长子模型，包括：
从所述各用户群的维修历史数据中获取中间用户群的维修历史数据；
将所述中间用户群的维修历史数据作为训练样本，训练得到基于用户群的可靠性增长子模型。
可选的，根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额，包括：
将所述目标车辆的行驶信息输入预先训练的基于用户群的维修金额预测模型中，得到所述基于用户群的维修金额预测模型的输出结果；
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的单车单次维修金额；其中，所述维修金额包括瞬时维修金额和累积维修金额。
可选的，还包括：
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的里程维修金额。
第二方面，本发明实施例提供了一种维修金额的预测装置，包括：
行驶信息获取模块，用于获取目标车辆的行驶信息；
维修金额确定模块，用于根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额。
可选的，所述目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种。
可选的，还包括：
模型训练模块，用于建立单车单次维修金额子模型；以及建立基于用户群的可靠性增长子模型；
根据单车单次维修金额子模型确定车辆的单次维修金额；以及根据基于用户群的可靠性增长子模型确定车辆在历史行程中的损坏频次；
将所述单次维修金额和所述损坏频次作为训练样本，训练得到基于用户群的维修金额预测模型。
可选的，模型训练模块，具体用于：
获取各用户群的维修历史数据；
将所述维修历史数据作为训练样本，训练得到单车单次维修金额子模型；
相应的，模型训练模块，还具体用于：
从所述各用户群的维修历史数据中获取中间用户群的维修历史数据；
将所述中间用户群的维修历史数据作为训练样本，训练得到基于用户群的可靠性增长子模型。
可选的，维修金额确定模块，具体用于：
将所述目标车辆的行驶信息输入预先训练的基于用户群的维修金额预测模型中，得到所述基于用户群的维修金额预测模型的输出结果；
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的单车单次维修金额；其中，所述维修金额包括瞬时维修金额和累积维修金额。
可选的，维修金额确定模块，还具体用于：
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的里程维修金额。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中的任一种所述的维修金额的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例中的任一种所述的维修金额的预测方法。
本发明实施例获取目标车辆的行驶信息；并根据目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定目标车辆的单车单次维修金额。本发明实施例能够通过预先建立的基于用户群的维修金额预测模型，准确快速的预测出车辆的风险维修金额。
附图说明
图1是本发明实施例一中的维修金额的预测方法的流程示意图；
图2是本发明实施例二中的维修金额的预测方法的流程示意图；
图3是本发明实施例二中的瞬时维修金额的曲线示意图；
图4是本发明实施例二中的累积维修金额的曲线示意图；
图5是本发明实施例三中的维修金额的预测装置的结构示意图；
图6是本实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的维修金额的预测方法的流程示意图。本实施例可适用于预测行驶车辆未来行驶里程中风险维修金额的情况。本实施例方法可由维修金额的预测装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于电子设备中。可实现本申请任意实施例所述的维修金额的预测方法。如图1所示，该方法具体包括如下：
S110、获取目标车辆的行驶信息。
在本实施例中，目标车辆为用户正常生活中使用到的行驶汽车，例如私家车或者货车等生活消费车辆；行驶信息为用户驾驶目标车辆在历史行程中产生的基本信息；在本实施例中，可选的，目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种；其中，维修次数指的是该目标车辆从刚开始行驶至当前时刻下，去维修店进行车辆维修的总次数；在本实施中，目标车辆的行驶信息还可以包括目标车辆的承载用途。
具体的，在维修系统中，会根据不同车辆的属性信息(例如车型、工况、载重、行驶环境、出勤率、行驶时间和行驶里程等)将这些车辆划分到不同的用户群中，以达到将多个车辆进行归类管理的目的。
S120、根据目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定目标车辆的单车单次维修金额。
由于传统方式下，对于车辆的维修只能是出现问题后再去维修店进行处理，且维修金额是以维修店的工作人员进行经验评估收取，或者提前签订保修合同，但是拥有该车辆的用户并不能对自己的车辆在行驶过程中的维修风险有一个精确的认知，对车辆的运营风险评估不足；同时对汽车的售后服务也有所影响。
因此，在本实施例中，通过预先训练好的基于用户群的维修金额预测模型，自动快速的预测出待运营车辆的风险维修金额，不仅帮助用户建立成本收益运营模型(即基于用户群的维修金额预测模型)，汽车销售商也可以根据该模型实现对待销售车辆的维修金额的一个评估参考，同时汽车制造商也可以根据该模型实现对待销售车辆制定合理的维保策略。
本发明实施例获取目标车辆的行驶信息；并根据目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定目标车辆的单车单次维修金额。本发明实施例能够通过预先建立的基于用户群的维修金额预测模型，准确快速的预测出车辆的风险维修金额。
实施例二
图2是本发明实施例二中的维修金额的预测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化，并可与上述技术方案中任意可选方案组合。如图2所示，该方法包括：
S210、获取目标车辆的行驶信息。
S220、将目标车辆的行驶信息输入预先训练的基于用户群的维修金额预测模型中，得到基于用户群的维修金额预测模型的输出结果。
在本实施例中，可以通过在装载有基于用户群的维修金额预测模型的计算机上，点击运行该模型，在弹出的展示界面上，操作鼠标输入目标车辆的行驶信息；再进行下一步，以得到基于用户群的维修金额预测模型的输出结果；具体的，本实施例中，基于用户群的维修金额预测模型的输出结果可以以曲线图的形式进行展示。
S230、根据基于用户群的维修金额预测模型的输出结果，确定目标车辆的单车单次维修金额；其中，维修金额包括瞬时维修金额和累积维修金额。
在本实施例中，瞬时维修金额为目标车辆在上一预设里程节点行驶到当前预设里程节点的预测维修金额；累积维修金额为目标车辆从刚开始行驶至当前预设里程节点的预测维修金额。
本实施例中瞬时维修金额和累积维修金额可以以曲线图的形式进行展示，使得预测者能够清楚直观的了解到目标车辆在不同行驶里程下的风险维修金额的变化；具体的，瞬时维修金额的曲线展示示意图如图3所示；累积维修金额的曲线展示示意图如图4所示。
在上述实施例的基础上，可选的，基于用户群的维修金额预测模型的训练过程包括：
建立单车单次维修金额子模型；以及建立基于用户群的可靠性增长子模型；
根据单车单次维修金额子模型确定车辆的单次维修金额；以及根据基于用户群的可靠性增长子模型确定车辆在历史行程中的损坏频次；
将单次维修金额和损坏频次作为训练样本，训练得到基于用户群的维修金额预测模型。
在本实施例中，单车单次维修金额子模型能够有效反映出车辆的单次维修金额；基于用户群的可靠性增长子模型能够有效反映出车辆在历史行程中出现的损坏频次；以使得通过单车单次维修金额子模型和基于用户群的可靠性增长子模型，构建出基于用户群的维修金额预测模型。本实施例通过单车单次维修金额子模型改变了以往的依据经验判断，降低了企业的盈利风险；同时通过基于用户群的可靠性增长子模型来快速精准的判定用户群的符合程度。
在上述实施例的基础上，可选的，建立单车单次维修金额子模型，包括：
获取各用户群的维修历史数据；
将维修历史数据作为训练样本，训练得到单车单次维修金额子模型；
相应的，建立基于用户群的可靠性增长子模型，包括：
从各用户群的维修历史数据中获取中间用户群的维修历史数据；
将中间用户群的维修历史数据作为训练样本，训练得到基于用户群的可靠性增长子模型。
在本实施例中，各用户群的维修历史数据均可在维修店(例如汽车销售售后服务点)的业务系统中获得；其中，业务系统按照属性信息将不同车辆划分到不同的用户群中，以实现对多车辆数据的统一管理。
具体的，在获取各用户群的维修历史数据时，需要对这些数据进行预处理；例如，维修历史数据分为新产品投产、产品成熟期和法规扰动期间的数据，在截取维修历史数据时，需要综合考虑以上需求；同时寻找对应月份的汽车销量数据，如果销量数据很小，说明该历史数据量太小，不适合用来估算单车单次维修金额子模型，不选择该类数据作为维修历史数据；以达到选取有代表性的数据去训练模型，使得单车单次维修金额子模型的适用性更强。
其中，单车单次维修金额子模型的基本思想如下。
假设车辆中某一零部件的寿命服从均值为L，方差为q的正态分布，则得到该零件的概率分布函数
Figure BDA0002690407340000091
于是某零部件在某行驶里程N0下的条件损坏概率
Figure BDA0002690407340000092
即等于一个定值。
整车是由成千上万个零部件组成的，假设整车的零部件总数量为k，每个零部件寿命分别服从(L1,q1)(L2,q2)...，(Lk,qk)的正态分布，并且相对应的零部件维修金额为M1，M2，...，Mk；基于上述分析，得到某一行驶里程N0下，损坏零部件维修金额是
Figure BDA0002690407340000093
因此在某一行驶里程N0下，只要样本数量足够多时，那么该里程N0下对应的零部件维修金额的数学期望应该是趋近于某一定值。
在车辆的使用过程中，某一行驶里程下，有的车发生了故障，有的车没有发生故障，因此需要考虑没有发生故障车辆的当量里程；假设车辆质保期内，所有的车维修都会到维修店内进行维修，也就是质保期内所有车辆发生的故障也就是维修店内所有的故障记录；如果销售1000辆车，维修记录中只有400辆车的维修记录，那么剩下的600辆车就是在质保期内没有发生任何故障，这600辆车在质保期内的当量行驶里程，按照年平均行驶里程来计算。
中间用户群的维修历史数据可以是用户维修车队提供的或者在各用户群的维修历史数据中抽取相关车型的维修数据；用户群的数据需要依据工程经验，反复核算是否具备相同使用特征真正意义上的类似用户。
其中，从车辆质保数据库中，按照某一用户群要求，任意选择C辆车，组成可靠性增长车队；基于用户群的可靠性增长子模型的基本思想是假设某一车队由C辆车组成，在某一行驶里程Ri下，整个车队的损坏频次si，转换成单个的整车可靠性增长模型，相当于在行驶里程C·Ri下，整车损坏频次为si。具体的，由于用户群的目标车辆数量太多，将会缺少低里程的索赔记录，同时用户群的目标车辆数量太少，将会缺少高里程的索赔记录；因此，车辆的数量推荐在5-15之间。
在上述实施例的基础上，可选的，本实施例方法还包括：
根据基于用户群的维修金额预测模型的输出结果，确定目标车辆的里程维修金额。
在本实施例中，里程维修金额为目标车辆在不同保修里程下的维修金额，可包括平均风险水平下的里程维修金额和一定风险置信水平下的里程维修金额；即对应平均里程下的建议质保价格，通过根据基于用户群的维修金额预测模型输出的曲线图，制作直观清晰的数据展示，可使得用户和质保人员准确了解到该目标车辆的风险维修情况。
具体的，目标车辆的某一里程维修金额可以如下表展示。
里程/万公里 ≤5 ≤30 ≤50 ≤80 ≤90 ≤110 ≤120 ≤130 ≤140
维修均值/元 0.01 0.02 0.03 0.05 0.05 0.05 0.06 0.06 0.06
维修下限/元 0.01 0.01 0.02 0.03 0.03 0.04 0.04 0.04 0.04
维修上限/元 0.02 0.02 0.04 0.06 0.07 0.07 0.08 0.09 0.08
实施例三
图5是本发明实施例三中的维修金额的预测装置的结构示意图，本实施例可适用于预测行驶车辆未来行驶里程中风险维修金额的情况。该装置配置于电子设备中，可实现本申请任意实施例所述的维修金额的预测方法。该装置具体包括如下：
行驶信息获取模块510，用于获取目标车辆的行驶信息；
维修金额确定模块520，用于根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额。
在上述实施例的基础上，可选的，所述目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种。
在上述实施例的基础上，可选的，本实施例装置还包括：
模型训练模块，用于建立单车单次维修金额子模型；以及建立基于用户群的可靠性增长子模型；
根据单车单次维修金额子模型确定车辆的单次维修金额；以及根据基于用户群的可靠性增长子模型确定车辆在历史行程中的损坏频次；
将所述单次维修金额和所述损坏频次作为训练样本，训练得到基于用户群的维修金额预测模型。
在上述实施例的基础上，可选的，模型训练模块，具体用于：
获取各用户群的维修历史数据；
将所述维修历史数据作为训练样本，训练得到单车单次维修金额子模型；
相应的，模型训练模块，还具体用于：
从所述各用户群的维修历史数据中获取中间用户群的维修历史数据；
将所述中间用户群的维修历史数据作为训练样本，训练得到基于用户群的可靠性增长子模型。
在上述实施例的基础上，可选的，维修金额确定模块520，具体用于：
将所述目标车辆的行驶信息输入预先训练的基于用户群的维修金额预测模型中，得到所述基于用户群的维修金额预测模型的输出结果；
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的单车单次维修金额；其中，所述维修金额包括瞬时维修金额和累积维修金额。
在上述实施例的基础上，可选的，维修金额确定模块520，还具体用于：
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的里程维修金额。
通过本发明实施例三的维修金额的预测装置，能够通过预先建立的基于用户群的维修金额预测模型，准确快速的预测出车辆的风险维修金额。
本发明实施例所提供的维修金额的预测装置可执行本发明任意实施例所提供的维修金额的预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四中的电子设备的结构示意图，如图6所示，该电子设备包括处理器610、存储器620、输入装置630和输出装置640；电子设备中处理器610的数量可以是一个或多个，图6中以一个处理器610为例；电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的维修金额的预测方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的维修金额的预测方法。
存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置640可包括显示屏等显示设备。
实施例五
本实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的维修金额的预测方法。
当然，本发明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的方法操作，还可以执行本发明任意实施例所提供的维修金额的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种维修金额的预测方法，其特征在于，所述方法包括：
获取目标车辆的行驶信息；
根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种。
3.根据权利要求1所述的方法，其特征在于，基于用户群的维修金额预测模型的训练过程包括：
建立单车单次维修金额子模型；以及建立基于用户群的可靠性增长子模型；
根据单车单次维修金额子模型确定车辆的单次维修金额；以及根据基于用户群的可靠性增长子模型确定车辆在历史行程中的损坏频次；
将所述单次维修金额和所述损坏频次作为训练样本，训练得到基于用户群的维修金额预测模型。
4.根据权利要求3所述的方法，其特征在于，建立单车单次维修金额子模型，包括：
获取各用户群的维修历史数据；
将所述维修历史数据作为训练样本，训练得到单车单次维修金额子模型；
相应的，建立基于用户群的可靠性增长子模型，包括：
从所述各用户群的维修历史数据中获取中间用户群的维修历史数据；
将所述中间用户群的维修历史数据作为训练样本，训练得到基于用户群的可靠性增长子模型。
5.根据权利要求1所述的方法，其特征在于，根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额，包括：
将所述目标车辆的行驶信息输入预先训练的基于用户群的维修金额预测模型中，得到所述基于用户群的维修金额预测模型的输出结果；
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的单车单次维修金额；其中，所述维修金额包括瞬时维修金额和累积维修金额。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述基于用户群的维修金额预测模型的输出结果，确定所述目标车辆的里程维修金额。
7.一种维修金额的预测装置，其特征在于，所述装置包括：
行驶信息获取模块，用于获取目标车辆的行驶信息；
维修金额确定模块，用于根据所述目标车辆的行驶信息和预先训练的基于用户群的维修金额预测模型，确定所述目标车辆的单车单次维修金额。
8.根据权利要求7所述的装置，其特征在于，所述目标车辆的行驶信息包括行驶里程、行驶时长、车辆型号、故障信息、维修次数和维修费用中的至少一种。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～6中任一所述的维修金额的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6中任一所述的维修金额的预测方法。
CN202010989566.7A 2020-09-18 2020-09-18 维修金额的预测方法、装置、设备和介质 Pending CN112149844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010989566.7A CN112149844A (zh) 2020-09-18 2020-09-18 维修金额的预测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010989566.7A CN112149844A (zh) 2020-09-18 2020-09-18 维修金额的预测方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN112149844A true CN112149844A (zh) 2020-12-29

Family

ID=73892492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010989566.7A Pending CN112149844A (zh) 2020-09-18 2020-09-18 维修金额的预测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112149844A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002117164A (ja) * 2000-10-11 2002-04-19 Komatsu Ltd 作業車両の修理費予測システム
JP2006277370A (ja) * 2005-03-29 2006-10-12 Toshiba Corp 回路基板の品質解析システム及び品質解析方法
US20100121809A1 (en) * 2008-11-13 2010-05-13 Joachim Holz Method and system for predicting test time
US20100262442A1 (en) * 2006-07-20 2010-10-14 Standard Aero, Inc. System and method of projecting aircraft maintenance costs
KR20100129931A (ko) * 2009-06-02 2010-12-10 한국철도기술연구원 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템
CN106022787A (zh) * 2016-04-25 2016-10-12 王琳 一种基于大数据的人车多因子评估方法及系统
CN106650209A (zh) * 2016-09-30 2017-05-10 中车南京浦镇车辆有限公司 一种车辆应用实时信息确定可靠性增长趋势及参数的方法
CN107862339A (zh) * 2017-11-15 2018-03-30 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN108693868A (zh) * 2018-05-25 2018-10-23 深圳市轱辘车联数据技术有限公司 故障预测模型训练的方法、车辆故障预测的方法及装置
US20190147540A1 (en) * 2017-11-15 2019-05-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for outputting information
CN109800866A (zh) * 2017-11-16 2019-05-24 北京航空航天大学 一种基于GA-Elman神经网络的可靠性增长预测方法
US20190197798A1 (en) * 2017-12-22 2019-06-27 Lyft, Inc. Fleet Maintenance Management for Autonomous Vehicles
CN110472751A (zh) * 2019-07-23 2019-11-19 上海易点时空网络有限公司 处理数据的方法以及装置
CN110738523A (zh) * 2019-10-15 2020-01-31 北京经纬恒润科技有限公司 一种维修订单量预测方法及装置
CN110827088A (zh) * 2019-11-07 2020-02-21 深圳鼎然信息科技有限公司 基于大数据的用车成本预测方法、装置及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002117164A (ja) * 2000-10-11 2002-04-19 Komatsu Ltd 作業車両の修理費予測システム
JP2006277370A (ja) * 2005-03-29 2006-10-12 Toshiba Corp 回路基板の品質解析システム及び品質解析方法
US20100262442A1 (en) * 2006-07-20 2010-10-14 Standard Aero, Inc. System and method of projecting aircraft maintenance costs
US20100121809A1 (en) * 2008-11-13 2010-05-13 Joachim Holz Method and system for predicting test time
KR20100129931A (ko) * 2009-06-02 2010-12-10 한국철도기술연구원 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템
CN106022787A (zh) * 2016-04-25 2016-10-12 王琳 一种基于大数据的人车多因子评估方法及系统
CN106650209A (zh) * 2016-09-30 2017-05-10 中车南京浦镇车辆有限公司 一种车辆应用实时信息确定可靠性增长趋势及参数的方法
CN107862339A (zh) * 2017-11-15 2018-03-30 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
US20190147540A1 (en) * 2017-11-15 2019-05-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for outputting information
CN109800866A (zh) * 2017-11-16 2019-05-24 北京航空航天大学 一种基于GA-Elman神经网络的可靠性增长预测方法
US20190197798A1 (en) * 2017-12-22 2019-06-27 Lyft, Inc. Fleet Maintenance Management for Autonomous Vehicles
CN108693868A (zh) * 2018-05-25 2018-10-23 深圳市轱辘车联数据技术有限公司 故障预测模型训练的方法、车辆故障预测的方法及装置
CN110472751A (zh) * 2019-07-23 2019-11-19 上海易点时空网络有限公司 处理数据的方法以及装置
CN110738523A (zh) * 2019-10-15 2020-01-31 北京经纬恒润科技有限公司 一种维修订单量预测方法及装置
CN110827088A (zh) * 2019-11-07 2020-02-21 深圳鼎然信息科技有限公司 基于大数据的用车成本预测方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟小军;陈凯;王颖辉;鲁耀波;: "基于动态规划的可靠性增长试验增长目标确立方法", 兵工自动化, no. 04, 15 April 2009 (2009-04-15) *

Similar Documents

Publication Publication Date Title
Kargupta et al. MineFleet®: an overview of a widely adopted distributed vehicle performance data mining system
Barabino et al. Rethinking bus punctuality by integrating Automatic Vehicle Location data and passenger patterns
US20200210905A1 (en) Systems and Methods for Managing Networked Vehicle Resources
CN110718057B (zh) 路网运行状态评价方法、装置、电子设备及介质
WO2020239503A1 (fr) Procede de prediction d'au moins un profil de la vitesse d'un vehicule sur un reseau routier
CN113792782A (zh) 运营车辆的轨迹监测方法、装置、存储介质及计算机设备
CA3037941A1 (en) Method and system for generating and using vehicle pricing models
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN113506050A (zh) 员工绩效的评估方法、装置、电子设备及可读存储介质
WO2023241388A1 (zh) 模型训练方法及装置、补能意图识别方法及装置、设备、介质
CN111178948B (zh) 一种共享汽车动态借车实现方法
CN112232662A (zh) 服务监控系统及方法
CN106021547B (zh) 基于车联网的客户车辆保养流失识别分析方法及系统
CN117172889A (zh) 基于时段的租赁渠道风险评估方法、装置、设备及介质
CN112149844A (zh) 维修金额的预测方法、装置、设备和介质
CN111383055A (zh) 租车中心仓选品方法、装置、设备及计算机可读存储介质
Ruch et al. The impact of fleet coordination on taxi operations
CN111833595B (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN113743815A (zh) 运营车辆的风险监控方法、装置、存储介质及计算机设备
Reinke et al. Implementing integrated transportation planning in metropolitan planning organization: Procedural and analytical issues
CN111160593A (zh) 预约借车方法、模型、服务器、设备端、客户端和系统
Trosvik et al. Electric vehicle adoption in Sweden and the impact of local policy instruments
CN114548463A (zh) 线路信息预测方法、装置、计算机设备和存储介质
CN117436718B (zh) 一种基于多维引擎的智能数据管理平台
CN116862573B (zh) 基于增量训练的城际网约车短期出行需求预测方法及系统

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