CN112348224A - 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 - Google Patents
一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112348224A CN112348224A CN202010944928.0A CN202010944928A CN112348224A CN 112348224 A CN112348224 A CN 112348224A CN 202010944928 A CN202010944928 A CN 202010944928A CN 112348224 A CN112348224 A CN 112348224A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sample data
- information
- historical sample
- mileage
- 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 61
- 238000010801 machine learning Methods 0.000 claims abstract description 53
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及一种车辆电瓶寿命的预测方法、装置、设备及存储介质,该方法包括:获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;构建当前机器学习模型;根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型。基于多个车辆特征信息训练电瓶寿命预测模型,可以提高预测电瓶寿命的准确率。
Description
技术领域
本申请涉及电瓶寿命预测领域,特别涉及一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质。
背景技术
随着新能源车推广,逐渐形成新能源车取代传统燃油车的趋势。电瓶作为新能源车的核心部件,具有一定的寿命,达到一定使用寿命后,随时会有亏电等问题,造成车因电瓶故障无法启动。
影响电瓶使用寿命的因素有很多,比如说,好质量的车会有各种自动驾驶控制,不会让电瓶工作在过高的温度中,这样,电瓶在好质量的车中的适用性更好一点,电瓶在好质量的车中的使用寿命更长一点;车行驶的速度、加速度越快,电瓶需要输出的功率就越大,电瓶工作的温度越高,会在一定程度上影响电瓶的使用寿命;在现有技术中只有单一影响电瓶使用寿命的因素对应的电瓶剩余使用寿命的预测,没有多个影响电瓶使用寿命的因素对应的电瓶剩余使用寿命的预测。
发明内容
本申请实施例要解决的是现有技术中只有单一影响电瓶使用寿命的因素对应的电瓶剩余使用寿命的预测的技术问题。
为解决上述技术问题,一方面,本申请实施例提供了一种车辆电瓶寿命的预测方法,该方法包括:
获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
构建当前机器学习模型;
根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;
将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
另一方面提供了一种车辆电瓶寿命的预测装置,该装置包括:
样本集合获取模块,用于获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
当前机器学习模型模块,用于构建当前机器学习模型;
当前机器学习模型训练模块,用于根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息模块,用于接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;
当前车辆的电瓶剩余使用时长信息确定模块,用于将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
另一方面提供了一种电子设备,该电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的车辆电瓶寿命的预测方法。
另一方面提供了一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的车辆电瓶寿命的预测方法。
本申请实施例提供的车辆电瓶寿命的预测方法、装置、设备及存储介质,具有如下技术效果:
获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
构建当前机器学习模型;
根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;
将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。如此,基于多个车辆特征信息训练电瓶寿命预测模型,以此可以提高预测电瓶寿命的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种应用环境的示意图;
图2是本申请实施例提供的一种车辆电瓶寿命的预测方法的流程示意图;
图3是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图;
图4是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图;
图5是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图;
图6是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图;图7是本申请实施例提供的一种车辆电瓶寿命的预测装置的结构示意图。
具体实施方式
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,显然,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。基于本申请中的实施例,本领域普通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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,包括服务器101和车端102,服务器101从车端102获取车辆的训练样本集合;所述训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;所述车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;服务器101构建当前机器学习模型;服务器101根据所述车辆标识信息、所述车辆行驶时长和所述车辆行驶里程和所述电瓶剩余使用时长信息对所述当前机器学习模型进行训练,得到电瓶寿命预测模型;服务器101接收当前车辆信息;所述当前车辆信息包括当前车辆标识,所述当前车辆的行驶里程,所述当前车辆的行驶时长;服务器101将所述当前车辆信息输入至训练好的所述电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。本申请实施例中,服务器101还可以位移动终端、计算机终端、服务器、系统和平台等。因此,本申请实施例的执行主体可以是移动终端、计算机终端、服务器等,可以是某个系统,还可以是某个平台,下文将以服务器为例进行阐述。
本申请实施例中,车端102的数据与服务器102的数据之间的传输可以为可以通过有线链路连接,也可以通过无线链路连接。
以下介绍本申请一种车辆电瓶寿命的预测方法的具体实施例,图2是本申请实施例提供的一种车辆电瓶寿命的预测方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,该方法可以包括:
S201:服务器获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
本申请实施例中,车辆特征信息包括车辆标识信息和车辆运行特征信息:
车辆标识信息可以包括车牌、车型、车辆品牌和车系等;具体的,车牌是对各车辆的编号与信息登记,是具体为哪辆车的身份证明。车型是具体讲的是某一款车,比如说奥迪A8,也可以叫做车辆种类信息。车辆品牌可以为丰田、宝马和奥迪等,不限于此;车系按照国家分类可以分为欧系车、美式车、德国车、日式车、韩系车、国产车等等。
可选的,车辆标识信息可以为车辆中央控制单元本身就储存的数据,车辆运行特征信息可以为车辆中央控制单元通过各种感测器采集到的,车辆中央控制单元将车辆标识信息和车辆运行特征信息发给车辆外置的服务器。
车辆运行特征信息可以包括车辆行驶时长、车辆行驶里程,还包括车辆行驶加速度、车辆行驶速度和车辆的发动机功率。具体的,车辆行驶时长为车辆自出厂后,车辆累计的使用时长,也可以为车辆自售出后,车辆累计的使用时长。
可选的,在电瓶寿命预测模型训练前期,服务器得到的历史样本数据集合得样本数据数量比较少;或者收集到的样本数据数基于历史时间戳比较稀疏;或者若干个历史样本数据中缺少某个中重要的特征信息,比如说缺少车辆行驶里程;为了解决上述问题,增加数据的丰富性,下面给出可以获取较丰富的历史样本数据集合的一种可选的实施方式。
一种可选的实施方式,请参阅图3,图3是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图,该方法包括:
S301:服务器获取历史样本数据集合;历史样本数据集合中每个历史样本数据包括车辆标识信息、车辆行驶时长、车辆行驶里程和电瓶剩余使用时长信息;车辆标识信息包括车辆种类信息;
S302:服务器将历史样本数据集合基于车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
S303:服务器将每个历史样本数据子集合中的历史样本数据按照车辆行驶时长进行排序;
S304:服务器基于排序后的历史样本数据和历史样本数据的车辆行驶里程生成补充样本数据;
S305:服务器基于补充样本数据对历史样本数据子集合进行扩充,得到更新后的历史样本数据子集合;
S306:服务器基于更新后的历史样本数据子集合得到训练样本集合。
比如说,车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、数据缺失、280公里、350公里,可能因为感测器的临时故障,未能采集到在车辆行驶时长为3h的时候的车辆行驶里程,造成数据缺失。可选的,服务器可以通过插值算法进行补偿。插值算法的种类有很多,下面介绍两种可选的实施方式:
第一种可选的实施方式,可以基于待插入数据相关的历史样本数据的平均思想对该历史样本数据集合进行插值。,数据缺失位置上的数据可以为排列在数据缺失的车辆行驶时长之前的N个车辆行驶里程和排列在数据缺失的车辆行驶时长之后的N个车辆行驶里程的平均值,数据缺失位置上的数据可以为140公里和280公里之和的平均值210,也可以为70公里、140公里、280公里、350公里之和的平均值210;也可以通过计算车辆行驶里程70公里和车辆行驶里程140公里的平均值105公里,确定车辆行驶时长为1.5h对应的车辆行驶里程为105公里,如此,补充了数据缺失位置上的数据,扩充了历史样本数据子集合,增加了样本数量。
第二种可选的实施方式,数据缺失位置上的数据还可以根据车辆行驶时长对应的车辆行驶里程的走势进行线性拟合和曲线拟合得到一个函数,既可以补充数据缺失位置上的数据,也可以近似得到车辆行驶时长6h的车辆行驶里程,但不限于此。
(以拉格朗日差值公式为例,数据缺失位置上的数据可以基于排列在数据缺失的车辆行驶时长之前的N个车辆行驶里程和排列在数据缺失的车辆行驶时长之后的N个车辆行驶里程通过拉格朗日差值公式得到,除了以上方法,数据缺失位置上的数据还可以根据车辆行驶时长对应的车辆行驶里程的走势进行线性拟合和曲线拟合得到一个函数,既可以补充数据缺失位置上的数据,也可以近似得到车辆行驶时长6h的车辆行驶里程,但不限于此。)
可选的,收集到的大量历史样本数据集合中可以因为感测器故障检测得到不合理的样本数据,或者数据传输过程中数据包内容出错等问题,造成服务器接收到不合理或者错误的样本数据,为了解决上述问题,删除不合理或者错误的样本数据,下面给出两种可以的实施方式。
第一种可选的实施方式中,请参阅图4,图4是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图,该方法包括:
S401:服务器获取历史样本数据集合;历史样本数据集合中每个历史样本数据包括车辆标识信息、车辆行驶时长、车辆行驶里程和电瓶剩余使用时长信息;车辆标识信息包括车辆种类信息;
S402:服务器根据每个历史样本数据中的车辆行驶时长和车辆行驶里程确定历史样本数据的时长里程比值;
S403:若历史样本数据集合中存在有历史样本数据的时长里程比值超过历史样本数据包含的车辆种类信息对应的预设时长里程比值区间,服务器将历史样本数据从历史样本数据集合中删除,得到更新后的历史样本数据子集合;
S404:服务器基于更新后的历史样本数据子集合得到训练样本集合。
比如说,车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、1公里、280公里、350公里,时长里程比值为1/70,2/140,3/1,4/280,5/350,3/1不在小于1大于0的预设时长里程比值区间,不符合实际情况,应该剔除掉。
车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、0公里、280公里、350公里,时长里程比值为1/70、2/140、3/0,4/280,5/350,3/0为正无穷,不在小于1大于0的预设时长里程比值区间,不符合实际情况,应该剔除掉。
车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、1000公里、280公里、350公里,车辆行驶时长3h对应的车辆行驶里程肯定小于等于大于280公里,此处车辆行驶时长3h对应的车辆行驶里程大于280公里,不符合实际情况,应该剔除掉。
第二种可选的实施方式,请参阅图5,图5是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图,该方法包括:
S501:服务器获取历史样本数据集合;历史样本数据集合中每个历史样本数据包括车辆标识信息、车辆行驶时长、车辆行驶里程和电瓶剩余使用时长信息;车辆标识信息包括车辆种类信息;
S502:服务器将历史样本数据集合基于车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
S503:服务器将每个历史样本数据子集合中的历史样本数据中的车辆行驶里程按照车辆行驶时长由短及长进行排序,得到对应的车辆行驶里程序列;
S504:若车辆行驶里程序列中存在有车辆行驶里程小于等于前一个车辆行驶里程;或者;大于等于后一个车辆行驶里程;服务器将车辆行驶里程对应的历史样本数据从历史样本数据集合中删除,得到更新后的历史样本数据子集合;
S505:服务器基于更新后的历史样本数据子集合得到训练样本集合。
比如说,车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、1公里、280公里、350公里,车辆行驶时长3h对应的车辆行驶里程小于140公里,不符合实际情况,应该剔除掉。
车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、0公里、280公里、350公里,车辆行驶时长3h对应的车辆行驶里程小于140公里,不符合实际情况,应该剔除掉。0公里是采集到的数据值,数据缺失是无任何数据,有一定的区别。
车辆种类信息为奥迪A8,车辆行驶时长为1h、2h、3h、4h、5h对应的车辆行驶里程为70公里、140公里、1000公里、280公里、350公里,车辆行驶时长3h对应的车辆行驶里程肯定大于280公里,不符合实际情况,应该剔除掉。
第三种可选的实施方式,请参阅图6,图6是本申请实施例提供的一种获取车辆的训练样本集合的方法的流程示意图,该方法包括:
S601:服务器获取历史样本数据集合;历史样本数据集合中每个历史样本数据包括车辆标识信息、车辆行驶时长、车辆行驶里程和电瓶剩余使用时长信息;车辆标识信息包括车辆种类信息;
S602:服务器将历史样本数据集合基于车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
S603:服务器将每个历史样本数据子集合中的历史样本数据中的车辆行驶里程按照车辆行驶时长由短及长进行排序,得到对应的车辆行驶里程序列;
S604:服务器根据车辆行驶里程序列中的车辆行驶里程确定第一平均值和标准偏差值;
S605:若车辆行驶里程与第一平均值之间的剩余误差大于标准偏差值的三倍,服务器将车辆行驶里程对应的历史样本数据从历史样本数据集合中删除,得到更新后的历史样本数据子集合;
S606:服务器基于更新后的历史样本数据子集合得到训练样本集合。
比如说,
将每个历史样本数据子集合中的历史样本数据中的车辆行驶里程按照车辆行驶时长由短及长进行排序,得到对应的车辆行驶里程序列;
;抽取车辆行驶里程序列中N个车辆行驶里程,N个车辆行驶里程对应的数值为x1,x2...,xn,算出其算术平均值x及剩余误差vi=xi-x(i=1,2,...,n),并按贝塞尔公式算出标准偏差σ,若某个测量值xb的剩余误差vb(1<=b<=n),满足下式
|vb|=|xb-x|>3σ
则认为xb是含有粗大误差值的坏值,应予剔除。σ为上述筛选出N个车辆行驶时长对应的N个车辆行驶里程的标准差,如下公式所示:
S202:服务器构建当前机器学习模型;
上述的当前机器学习模型可以是卷积神经网络学习模型或者XG-Boost学习模型;
S203:服务器根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;
现在以XG-Boost学习模型为例进行说明。
通俗的讲,该算法思想就是不断地添加树,不断地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、新的分类标准或者新的训练模型,去拟合上次预测的残差、损失值。当我们训练完成得到k棵树,我们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。
本申请实施例中,基于当前机器学习模型,对训练样本集合中的车辆特征信息进行预测操作,确定车辆特征信息对应的电瓶预测剩余使用时长信息,基于车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息,确定损失值;
基于损失值和上述车辆特征信息对应的电瓶预测剩余使用时长信息对当前机器学习模型进行更新,以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤,基于当前机器学习模型,对训练样本集合中的车辆特征信息进行预测操作,确定车辆特征信息对应的电瓶预测剩余使用时长信息,基于车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息,确定损失值;
当损失值小于或等于预设阈值时,将当前机器学习模型确定为电瓶寿命预测模型。
可选的,建立第一棵树,基于车辆特征信息中的特征进行第一种分类,根据增益函数确定第一增益值;
基于上述特征进行第二种分类,根据增益函数确定第二增益值;
基于上述特征进行第三种分类,根据增益函数确定第三增益值;依次循环至第M次,比较上述M个增益值,确定M个增益值中最大的增益值,最大的增益值对应的分类种类为目标分类;
不断地基于车辆特征信息的特征进行上述特征分类,依次循环至第M次,比较上述M个增益值,确定M个增益值中最大的增益值,最大的增益值对应的分类种类为目标分类;M为预设的树的深度。
建立第二棵树,去拟合基于第一棵树中车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息的残差,训练方法如上述;
建立第K棵树,去拟合基于第K-1棵树中车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息的损失值,训练方法如上述;依次循环,当损失值小于或等于预设阈值时,将当前机器学习模型确定为电瓶寿命预测模型。
样本数据对应的电瓶预测剩余使用时长信息即K棵树中对应的预测值之和。原理如下:
任何机器学习的问题都可以从目标函数出发,目标函数的主要由两部分组成:损失函数+正则项。
其中,损失函数用于描述模型拟合数据的程度。正则项用于控制模型的复杂度。
对于正则项,我们常用的L2正则和L1正则。
L1正则:Ω(w)=λ||w||1
L2正则:Ω(w)=λ||w||2
在这里,选择树模型为基学习器时,需要正则的对象,或者说需要控制复杂度的对象就是这K颗树,通常树的参数有树的深度,叶子节点的个数,叶子节点值的取值,即叶子节点的权重。
所以,目标函数形式如下:
L(yi,y^i)+∑Kk=1Ω(fk(xi))
学习的过程分解成先学第一颗树,然后基于第一棵树学习第二颗树。也就是说:
y^0i=常数
y^1i=y^0i+f1(xi)
y^2i=y^1i+f2(xi)
y^Ki=y^K-1i+fK(xi)
所以,对于第K次的目标函数为:
ObjK=∑iL(yi,y^Ki)+Ω(fK)+constant
==>ObjK=∑iL(yi,y^K-1i+fK(xi))+Ω(fK)+constant
上面的式子意义很明显,只需要寻找一颗合适的树fK使得目标函数最小。然后不断的迭代K次就可以完成K个学习器的训练。
树通过拟合上一颗树的负梯度值,通过对损失函数进行泰勒展开。
二阶泰勒展开:
f(x+Δx)=f(x)+f′(x)Δx+12f″(x)Δx2f(x+Δx)
对损失函数二阶泰勒展开:
∑iL(yi,y^K-1i+fK(xi))=∑i[L(yi,y^K-1i)+L′(yi,y^K-1i)fK(xi)+12L″(yi,y^K-1i)f2K(xi)]
注意的是,这里的yi是标签值是个常数,而y^K-1i是前一次学习到的结果,也是个常数。所以只要把变化量Δx看成我们需要学习的模型fK(x)就可以展成上面的这个样子了。
这里,我们用gi记为第i个样本损失函数的一阶导,hi记为第i个样本损失函数的二阶导。
gi=L′(yi,y^K-1i) (1)
hi=L″(yi,y^K-1i) (2)
(1)式和(2)非常的重要,贯穿了整个树的构建(分裂,叶子节点值的计算)。以及(2)式是我们利用xgboost做特征选择时的其中一个评价指标。
所以我们可以得到我们进化后的目标函数:
∑i[L(yi,y^K-1i)+gifK(xi)+12hif2K(xi)]+Ω(fK)+constant
基于上述原理,对电瓶寿命预测模型的确定的一个实施例的过程进行如下阐述:
假设定义树的复杂度为:树的深度设置为3,树的颗数设置为6,另外再设置两个正则的参数,λ=1,γ=0。选择损失函数。
推导出损失函数的一阶导数以及二阶导数。
建立第一颗树(k=1):
建树的时候从根节点开始,在根节点上的样本数据有M个。在根节点处进行分裂,分裂的时候需要计算下列式子。
上述式子表达是:在结点处把样本分成左子结点和右子结点两个集合。分别求两个集合的GL、HL、GR、HR,然后计算增益Gain。
以2h为划分时(x<2):
左子结点包含的样本IL=[1]
右子节点包含的样本IR=[2,3,4,5]
根据左子结点的一阶导数,右子结点的二阶导数,右子结点的一阶导数,右子结点的二阶导数计算第一个增益Gain;
以3h为划分时(x<3):
左子结点包含的样本IL=[1,2]
右子节点包含的样本IR=[3,4,5]
根据左子结点的一阶导数,右子结点的二阶导数,右子结点的一阶导数,右子结点的二阶导数计算第二个增益Gain;
以4h为划分时(x<4):
左子结点包含的样本IL=[1,2,3]
右子节点包含的样本IR=[4,5]
根据左子结点的一阶导数,右子结点的二阶导数,右子结点的一阶导数,右子结点的二阶导数计算第三个增益Gain;
以5h为划分时(x<5):
左子结点包含的样本IL=[1,2,3,4]
右子节点包含的样本IR=[5]
根据左子结点的一阶导数,右子结点的二阶导数,右子结点的一阶导数,右子结点的二阶导数计算第四个增益Gain;
从第一个增益Gain,第二个增益Gain,第三个增益Gain,第四个增益Gain中选择数值最大的,所以在根节点处可以根据最大的增益对应的分类规则进行分裂。
由于本次设置的最大深度是3,此时只有1层,所以还需要继续往下分裂。
分裂的时候把此时的样本数据结点看成根节点,其实就是循环上面的过程,同样也是需要遍历所有特征(x)的所有取值作为分裂点,选取增益最大的点。
建立第2颗树(k=2):基于上述车辆特征信息对应的电瓶预测剩余使用时长信息对当前机器学习模型进行更新,拟合基于第1棵树中车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息的损失值,建立第2颗树,当损失值小于或等于预设阈值时,确定第2颗树的当前机器学习模型。
这里,我们开始拟合我们第二颗树。其实过程和第一颗树完全一样。拟合第二颗树是在第一颗树预测的结果基础上。
新生成的树是要拟合上次预测的残差的,即当生成t棵树后,预测分数可以写成:
分裂的跟上面的规则一样,选取增益最大的取值作为分裂点。
建立第3颗树(k=3):
按照上面的规则,车辆行驶时长。
建立第4颗树(k=4):
按照上面的规则,对车辆品牌进行分类。
建立第5颗树(k=5):
按照上面的规则,对车型进行分类。
建立第6颗树(k=6);
按照上面的规则,对车系进行分类。
以车辆标识信息和车辆运行特征信息进行分类组合可以取得更好的一种集成学习模型,可以以车辆标识信息和车辆运行特征信息多重维度对电瓶寿命进行预测。
另一种,以卷积神经网络学习模型为例进行说明:
基于当前机器学习模型,对样本数据集合中的车辆特征信息进行预测操作,确定车辆特征信息对应的电瓶预测剩余使用时长信息;
基于车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息,确定损失值;
当损失值大于预设阈值时,基于损失值进行反向传播,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:基于当前机器学习模型,对样本数据集合中的车辆特征信息进行预测操作,确定车辆特征信息对应的电瓶预测剩余使用时长信息;
当损失值小于或等于预设阈值时,将当前机器学习模型确定为电瓶寿命预测模型。
S204:服务器接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;
S205:服务器将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
本申请实施例还提供了一种车辆电瓶寿命的预测装置,图7是本申请实施例提供的一种车辆电瓶寿命的预测装置的结构示意图,如图7所示,该装置包括:
样本集合获取模块701用于获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
当前机器学习构建模块702用于构建当前机器学习模型;
当前机器学习模型训练模块703用于根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息模块704用于接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;
当前车辆的电瓶使用时长信息确定模块705用于将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
该装置实施例中的装置与方法实施例基于同样地申请构思。
本申请的实施例还提供了车辆电瓶寿命的预测设备,该设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现车辆电瓶寿命的预测方法。
本申请的实施例还提供了一种存储介质,存储介质可设置于服务器之中以保存用于实现方法实施例中一种目标对象识别方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的车辆电瓶寿命的预测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的车辆电瓶寿命的预测方法、装置、设备及存储介质的实施例可见,本申请中获取车辆的训练样本集合;训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;构建当前机器学习模型;根据车辆标识信息、车辆行驶时长和车辆行驶里程和电瓶剩余使用时长信息对当前机器学习模型进行训练,得到电瓶寿命预测模型;接收当前车辆信息;当前车辆信息包括当前车辆标识,当前车辆的行驶里程,当前车辆的行驶时长;将当前车辆信息输入至训练好的电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息,如此,基于多个车辆特征信息训练电瓶寿命预测模型,可以提高预测电瓶寿命的准确率。。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车辆电瓶寿命的预测方法,其特征在于,所述方法包括:
获取车辆的训练样本集合;所述训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;所述车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
构建当前机器学习模型;
根据所述车辆标识信息、所述车辆行驶时长和所述车辆行驶里程和所述电瓶剩余使用时长信息对所述当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息;所述当前车辆信息包括当前车辆标识,所述当前车辆的行驶里程,所述当前车辆的行驶时长;
将所述当前车辆信息输入至训练好的所述电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
2.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,所述获取车辆的训练样本集合,包括:
获取历史样本数据集合;所述历史样本数据集合中每个历史样本数据包括所述车辆标识信息、所述车辆行驶时长、所述车辆行驶里程和所述电瓶剩余使用时长信息;所述车辆标识信息包括车辆种类信息;
将所述历史样本数据集合基于所述车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
将每个历史样本数据子集合中的历史样本数据按照所述车辆行驶时长进行排序;
基于排序后的历史样本数据和所述历史样本数据的车辆行驶里程生成补充样本数据;
基于所述补充样本数据对所述历史样本数据子集合进行扩充,得到更新后的历史样本数据子集合;
基于更新后的历史样本数据子集合得到所述训练样本集合。
3.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,所述获取车辆的训练样本集合,包括:
获取历史样本数据集合;所述历史样本数据集合中每个历史样本数据包括所述车辆标识信息、所述车辆行驶时长、所述车辆行驶里程和所述电瓶剩余使用时长信息;所述车辆标识信息包括车辆种类信息;
根据每个历史样本数据中的所述车辆行驶时长和所述车辆行驶里程确定所述历史样本数据的时长里程比值;
若所述历史样本数据集合中存在有历史样本数据的时长里程比值超过所述历史样本数据包含的所述车辆种类信息对应的预设时长里程比值区间,将所述历史样本数据从所述历史样本数据集合中删除,得到更新后的历史样本数据子集合;
基于更新后的历史样本数据子集合得到所述训练样本集合。
4.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,所述获取车辆的训练样本集合,包括:
获取历史样本数据集合;所述历史样本数据集合中每个历史样本数据包括所述车辆标识信息、所述车辆行驶时长、所述车辆行驶里程和所述电瓶剩余使用时长信息;所述车辆标识信息包括车辆种类信息;
将所述历史样本数据集合基于所述车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
将每个所述历史样本数据子集合中的历史样本数据中的所述车辆行驶里程按照所述车辆行驶时长由短及长进行排序,得到对应的车辆行驶里程序列;
若所述车辆行驶里程序列中存在有车辆行驶里程小于等于前一个车辆行驶里程;或者;大于等于后一个车辆行驶里程;将所述车辆行驶里程对应的历史样本数据从所述历史样本数据集合中删除,得到更新后的历史样本数据子集合;
基于更新后的历史样本数据子集合得到所述训练样本集合。
5.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,所述获取车辆的训练样本集合,包括:
获取历史样本数据集合;所述历史样本数据集合中每个历史样本数据包括所述车辆标识信息、所述车辆行驶时长、所述车辆行驶里程和所述电瓶剩余使用时长信息;所述车辆标识信息包括车辆种类信息;
将所述历史样本数据集合基于所述车辆种类信息区分为多个历史样本数据子集合;其中,每个历史样本数据子集合中的历史样本数据中的车辆种类信息是一致的,任两个历史样本数据子集合中的历史样本数据中的车辆种类信息是不一致的;
将每个所述历史样本数据子集合中的历史样本数据中的所述车辆行驶里程按照所述车辆行驶时长由短及长进行排序,得到对应的车辆行驶里程序列;
根据所述车辆行驶里程序列中的车辆行驶里程确定第一平均值和标准偏差值;
若所述车辆行驶里程与所述第一平均值之间的剩余误差大于所述标准偏差值的三倍,将所述车辆行驶里程对应的历史样本数据从所述历史样本数据集合中删除,得到更新后的历史样本数据子集合;
基于更新后的历史样本数据子集合得到所述训练样本集合。
6.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,所述根据所述车辆标识信息、所述车辆行驶时长和所述车辆行驶里程和所述电瓶剩余使用时长信息对所述当前机器学习模型进行训练,得到电瓶寿命预测模型,包括:
基于当前机器学习模型,对所述训练样本集合中的所述车辆特征信息进行预测操作,确定所述车辆特征信息对应的电瓶预测剩余使用时长信息,基于所述车辆特征信息对应的所述电瓶预测剩余使用时长信息和电瓶剩余使用时长信息,确定损失值;
基于所述损失值和上述所述车辆特征信息对应的所述电瓶预测剩余使用时长信息对当前机器学习模型进行更新,以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤,基于当前机器学习模型,对训练样本集合中的车辆特征信息进行预测操作,确定车辆特征信息对应的电瓶预测剩余使用时长信息,基于车辆特征信息对应的电瓶预测剩余使用时长信息和电瓶剩余使用时长信息,确定损失值;
当损失值小于或等于预设阈值时,将当前机器学习模型确定为电瓶寿命预测模型。
7.根据权利要求1所述的车辆电瓶寿命的预测方法,其特征在于,
所述车辆特征信息还包括车辆行驶加速度、车辆行驶速度和车辆的发动机功率。
8.一种车辆电瓶寿命的预测装置,其特征在于,所述装置包括:
样本集合获取模块,用于获取车辆的训练样本集合;所述训练样本集合中包括多个车辆特征信息以及每个车辆特征信息对应的电瓶剩余使用时长信息;所述车辆特征信息包括车辆标识信息、车辆行驶时长和车辆行驶里程;
当前机器学习模型模块,用于构建当前机器学习模型;
当前机器学习模型训练模块,用于根据所述车辆标识信息、所述车辆行驶时长和所述车辆行驶里程和所述电瓶剩余使用时长信息对所述当前机器学习模型进行训练,得到电瓶寿命预测模型;
接收当前车辆信息模块,用于接收当前车辆信息;所述当前车辆信息包括当前车辆标识,所述当前车辆的行驶里程,所述当前车辆的行驶时长;
当前车辆的电瓶剩余使用时长信息确定模块,用于将所述当前车辆信息输入至训练好的所述电瓶寿命预测模型,得到当前车辆的电瓶剩余使用时长信息。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的车辆电瓶寿命的预测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一所述的车辆电瓶寿命的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944928.0A CN112348224A (zh) | 2020-09-10 | 2020-09-10 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944928.0A CN112348224A (zh) | 2020-09-10 | 2020-09-10 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348224A true CN112348224A (zh) | 2021-02-09 |
Family
ID=74357847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944928.0A Pending CN112348224A (zh) | 2020-09-10 | 2020-09-10 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348224A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN111582596A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合交通状态信息的纯电动汽车续航里程风险预警方法 |
-
2020
- 2020-09-10 CN CN202010944928.0A patent/CN112348224A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN111582596A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合交通状态信息的纯电动汽车续航里程风险预警方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN115964470B (zh) * | 2023-02-20 | 2023-09-08 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304679A (zh) | 一种自适应可靠性分析方法 | |
JP5070574B2 (ja) | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN111445008A (zh) | 一种基于知识蒸馏的神经网络搜索方法及系统 | |
CN106570197A (zh) | 基于迁移学习的搜索排序方法和装置 | |
CN112348224A (zh) | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 | |
CN110136678B (zh) | 一种编曲方法、装置及电子设备 | |
CN101501711A (zh) | 用于信号识别装置的学习数据集的优化方法以及能够优化学习数据集的信号识别装置 | |
CN114814592A (zh) | 锂电池健康状态估计与剩余使用寿命预测方法及设备 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN111291886B (zh) | 神经网络模型的融合训练方法及装置 | |
Huang et al. | Designing importance samplers to simulate machine learning predictors via optimization | |
CN112256957A (zh) | 一种信息排序方法、装置、电子设备及存储介质 | |
CN109711475B (zh) | 识别物品的方法、装置、售货设备及计算机可读存储介质 | |
CN117400785A (zh) | 纯电续航里程的预测方法、装置、电子设备及车辆 | |
CN113628077B (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN114861858A (zh) | 一种路面异常数据检测方法、装置、设备及可读存储介质 | |
JP2020024633A (ja) | 訓練データ評価装置、訓練データ評価方法、およびプログラム | |
CN113763767A (zh) | 学习试题推送方法、装置、计算机设备和存储介质 | |
Peters et al. | Towards inferring environment models for control functions from recorded signal data | |
CN117574788B (zh) | 一种基于多尺度建模的电池健康度预测方法及装置 | |
CN112990246B (zh) | 孤立树模型建立的方法和装置 |
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 |