CN112434829A - 一种车辆维保项目确定方法、系统、装置及存储介质 - Google Patents
一种车辆维保项目确定方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN112434829A CN112434829A CN202011344951.2A CN202011344951A CN112434829A CN 112434829 A CN112434829 A CN 112434829A CN 202011344951 A CN202011344951 A CN 202011344951A CN 112434829 A CN112434829 A CN 112434829A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- maintenance
- determining
- user
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 238000013179 statistical model Methods 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 38
- 230000036541 health Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 13
- 239000000243 solution Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Abstract
本发明公开了一种车辆维保项目确定方法、系统、装置及存储介质,方法包括:获取车辆的车况信息以及车主的用户信息;根据所述车况信息构造车辆行驶画像,并根据所述用户信息构造用户行为画像;根据所述车辆行驶画像和所述用户行为画像确定车辆的异常点数据;将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目。本发明提高了车辆维保项目确定的准确性与全面性,同时无需人工对车辆进行故障排查,大大提高了车辆维保的效率,保证了车辆维保的有效性和针对性,降低了行车风险和维保成本。本发明可广泛应用于车辆维修保养技术领域。
Description
技术领域
本发明涉及车辆维修保养技术领域,尤其是一种车辆维保项目确定方法、系统、装置及存储介质。
背景技术
车辆维修保养是保证车辆正常使用、日常行车安全不可缺少的过程。目前的车辆维保大多是依托车辆使用人、维修门店技工来进行,通常按照标准化的流程来展开,比如按行车里程或者时间间隔,但是每辆车的具体车况不同,面对的路况、环境也不一样,日常使用习惯也千差万别,这样标准化的维保流程很难保证每辆车车况良好。出现隐患时事前难以及时察觉,事后也无法判断是否与维保过程有关。现有的技术条件下,虽然有OBD设备可以通过行车电脑获取部分车况信息,但是这少量信息远远不够掌握车况。而且,现有技术中大多是通过维保人员个人经验来进行判断,从而确定车辆需要进行的维保项目,这种方法一方面过于依赖维保人员的个人经验,其判断结果可能并不准确,另一方面需要维保人员花费大量时间对车辆进行排查,效率十分低下。
名词解释:
OBD设备:采用ECU协议技术从汽车OBD接口传输数据,可以实时掌握汽车工作参数以及故障情况的设备。
VIN码:Vehicle Identification Number,即车辆识别号码,是一组由十七个字母或数字组成,用于汽车上的一组独一无二的号码,可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种车辆维保项目确定方法、系统、装置及存储介质,提高了车辆维保项目确定的准确性与全面性,保障了车辆处于良好的可行驶状态。
本发明一方面所采取的技术方案是:
一种车辆维保项目确定方法,包括以下步骤:
获取车辆的车况信息以及车主的用户信息;
根据所述车况信息构造车辆行驶画像,并根据所述用户信息构造用户行为画像;
根据所述车辆行驶画像和所述用户行为画像确定车辆的异常点数据;
将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目。
进一步,所述车况信息包括车辆配置数据、车辆运行数据以及车辆维保记录数据,所述用户信息包括用户基本数据和用户行为记录数据,所述获取车辆的车况信息以及车主的用户信息这一步骤,其具体包括:
通过OBD设备获取车辆配置数据和车辆运行数据,并通过车辆的VIN码获取车辆维保记录数据;
获取用户提供的用户基本数据,并根据所述用户基本数据获取用户行为记录数据。
进一步,所述根据所述车况信息构造车辆行驶画像这一步骤,其具体包括:
根据所述车辆配置数据确定车辆事实标签;
对所述车辆运行数据进行脱敏处理和结构化处理,并利用序列规则和回归分析算法得到车辆运行标签;
根据所述车辆维保记录数据确定车辆维保标签;
根据所述车辆事实标签、所述车辆运行标签和所述车辆维保标签构造车辆行驶画像。
进一步,所述根据所述用户信息构造用户行为画像这一步骤,其具体包括:
根据所述用户基本数据确定用户事实标签;
根据所述用户行为记录数据确定辅助标签;
对所述用户事实标签和所述辅助标签进行体系化梳理,并利用多维度关联规则构造用户行为画像。
进一步,所述将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目这一步骤,其具体包括:
将所述异常点数据输入预先建立的大数据统计模型,得到异常点解决方案;
将所述异常点数据和所述车辆维保记录数据输入预先建立的知识图谱,识别得到车辆的待检查配件;
获取所述待检查配件的图像信息,根据所述图像信息进行配件健康识别,并输出配件健康识别结果;
根据所述异常点解决方案和所述配件健康识别结果确定车辆维保项目,并将所述车辆维保项目推送给用户或维保人员。
进一步,所述车辆维保项目确定方法还包括构建大数据统计模型的步骤,其具体包括:
获取预设时段内所有车辆的维保数据;
以品牌和车型作为维度对所述维保数据进行分组,并针对常见的车辆问题进行关联统计和聚类分析,得到大数据统计模型。
进一步,所述车辆维保项目确定方法还包括构建知识图谱的步骤,其具体包括:
获取预设时段内所有车辆的配置数据和维保数据,并获取车辆领域的常用术语;
确定所述配置数据和所述维保数据中的高频特征词,并确定所述常用术语中的高频术语;
根据所述高频特征词和所述高频术语建立第一实体概念,并通过关系抽取建立所述第一实体概念间的关联关系、通过属性抽取为所述第一实体概念添加属性标注,得到第二实体概念;
根据所述第二实体概念构建知识图谱。
本发明另一方面所采取的技术方案是:
一种车辆维保项目确定系统,包括:
信息获取模块,用于获取车辆的车况信息以及车主的用户信息;
画像构造模块,用于根据所述车况信息构造车辆行驶画像,并根据所述用户信息构造用户行为画像;
异常点确定模块,用于根据所述车辆行驶画像和所述用户行为画像确定车辆的异常点数据;
维保项目确定模块,用于将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目。
本发明另一方面所采取的技术方案是:
一种车辆维保项目确定装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述车辆维保项目确定方法。
本发明另一方面所采取的技术方案是:
一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述车辆维保项目确定方法。
本发明的有益效果是:本发明一种车辆维保项目确定方法、系统、装置及存储介质,通过构造车辆行驶画像和用户行为画像,可以全面分析评估车辆可能存在故障的异常点;通过大数据统计模型和知识图谱,可以根据异常点数据准确确定车辆需要进行的维保项目;本发明提高了车辆维保项目确定的准确性与全面性,同时无需人工对车辆进行故障排查,大大提高了车辆维保的效率,降低了行车风险和维保成本。
附图说明
图1是本发明实施例提供的车辆维保项目确定方法的步骤流程图;
图2是本发明实施例提供的车辆维保项目确定方法的具体实施流程图;
图3是本发明实施例提供的车辆维保项目确定系统的结构框图;
图4是本发明实施例提供的车辆维保项目确定装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。
参照图1,本发明实施例提供了一种车辆维保项目确定方法,包括以下步骤:
S101、获取车辆的车况信息以及车主的用户信息;
具体地,车况信息包括车辆配置数据、车辆运行数据以及车辆维保记录数据,用户信息包括用户基本数据和用户行为记录数据。步骤S101具体包括以下步骤:
S1011、通过OBD设备获取车辆配置数据和车辆运行数据,并通过车辆的VIN码获取车辆维保记录数据;
具体地,可通过OBD设备获取当前车辆的车辆配置数据和车辆运行数据,以及通过汽车的VIN码获取车辆的维修保养记录数据。车辆配置数据包括与汽车车型相关的数据,如每个品牌的每个年代的每款车型的详细配置信息、车辆外观内饰及详细配件拍照等图片视频数据、车主用户测评的文本数据等各类数据,还包括可以通过互联网获取公开信息,以及机构合作获得的包括品牌、车型、配件等海量数据;车辆维保记录数据可通过VIN码查询获取,如汽车维保企业上传到汽车维修电子健康档案系统的大量同类车型的维保记录。
S1012、获取用户提供的用户基本数据,并根据用户基本数据获取用户行为记录数据。
具体地,用户基本数据包括但不限于如性别、年龄、家庭住址、单位地址、职业工作等数据,可根据获取的用户基本数据获取用户行为记录数据如用户出行记录、用户加油卡记录等。
S102、根据车况信息构造车辆行驶画像,并根据用户信息构造用户行为画像;
具体地,车辆行驶画像可以全面描绘当前车辆在过去时间内的行驶状况,用户行为画像可以全面描述用户在过去时间内的驾驶习惯。根据车况信息构造车辆行驶画像这一步骤,具体包括以下步骤:
A1、根据车辆配置数据确定车辆事实标签;
A2、对车辆运行数据进行脱敏处理和结构化处理,并利用序列规则和回归分析算法得到车辆运行标签;
A3、根据车辆维保记录数据确定车辆维保标签;
A4、根据车辆事实标签、车辆运行标签和车辆维保标签构造车辆行驶画像。
具体地,将车辆配置数据包括但不限于如品牌、车型、车牌号、VIN码、发动机号码等数据作为事实标签;通过汽车上的OBD设备收集的车辆运行数据,如急加速、急刹车、急转弯、长时间持续刹车等状态数据,又如水温温度、油耗比变化、发动机负荷、转向灯使用频率等车辆基础数据,又如从一次起步到停止的行驶时间、行驶里程、车速变化、行驶路段等车辆出行数据,将以上获取的数据进行脱敏处理后对数据进行结构化处理,利用大数据对收集到的数据进行每部分的统计及关联组合的统计,结合序列规则和回归分析等算法进行建模,按每一天的行驶、每个月的行驶、节假日行驶等维度进行分析总结出汽车的车辆运行标签,如上下班高峰驾驶、经常开长途高速、频繁急加速等;通过汽车电子健康记录的车辆维保数据确定车辆维保标签。通过一系列的标签分类及层级关系,并结合通过OBD设备收集的驾驶员不良驾驶习惯、车辆健康信息、车辆安防状况等数据作为系统辅助建议,构造出车辆行驶画像。
根据用户信息构造用户行为画像这一步骤,具体包括以下步骤:
B1、根据用户基本数据确定用户事实标签;
B2、根据用户行为记录数据确定辅助标签;
B3、对用户事实标签和辅助标签进行体系化梳理,并利用多维度关联规则构造用户行为画像。
具体地,根据用户基本数据包括但不限于如性别、年龄、家庭住址、单位地址、职业工作等信息作为事实标签;根据用户访问网站、APP产生的用户行为记录数据,包括但不限于异地访问记录、加油卡记录等信息作为辅助标签;根据用户画像体系,先将散乱的事实标签和辅助标签进行体系化梳理,通过多维度关联规则、广义关联规则的方法建立模型后在标签之间进行信息抽取,初步结合人工分类以得到模型标签,如一线城市上班族,越野车爱好者、长途高速用户群等,再通过系列的标签分类及层级关系,构造出车主的用户行为画像。
应该认识到,通过用户行为画像和车辆行驶画像,用户可以全面了解自己的车的具体健康状况,在使用系统的过程中可以根据实际建议纠正自己的驾驶习惯;维保人员可以快速了解到车主的驾驶状况,以及短时间内了解全车的健康状况,如同样是越野车,根据频繁驾驶在城市路段、频繁驾驶在高速路段和频繁驾驶在野外路段的车主,提供不同的维保方案,在检查车的过程中着重关注相关的部件健康程度。
S103、根据车辆行驶画像和用户行为画像确定车辆的异常点数据;
具体地,异常点数据即车辆在维保过程中可能存在的故障或隐患,本发明实施例应用海量的汽车数据,汽车维保数据,行驶数据,对汽车维保过程建模,不同车况涉及到的不同维保项目,不同的过程、配件等,就可以发现汽车维保过程中可能存在的问题。建模过程中应用机器学习及人工智能技术,采用描述型数据分析,考虑关联规则、序列规则、聚类、决策树等模型。在实际应用中,定期进行优化,或者当发现模型在真实的业务场景中效果不好时,也要启动优化;必要时重新选择一个新的模型或者在模型中增加新的考虑因素。综合上述过程开发实现大数据预警评估系统,可以针对不同车况提供事前预警、个性化的维修保养项目建议,事后也可以评估维修保养的合理性和有效性。
S104、将异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据大数据统计模型的输出结果和知识图谱的输出结果确定车辆维保项目。
具体地,得到表征车辆可能存在的问题和故障的异常点数据后,还需要对其进行验证,本发明实施例通过大数据统计模型和知识图谱进行识别验证,进而确定需要进行的车辆维保项目。本发明实施例的异常点数据包括品牌、车型、异常配件等信息。步骤S104具体包括以下步骤:
S1041、将异常点数据输入预先建立的大数据统计模型,得到异常点解决方案;
具体地,通过OBD设备收集的车况信息在服务器后台做汇聚,以及汽车电子健康档案中的维修记录数据做汇聚,在进行数据清洗及脱敏处理后,通过大数据统计并以品牌及车型等维度为基础做分组,针对常见的汽车问题进行关联统计及聚类分析,并将分析结果以树模型进行存储。大数据统计模型接收输入的品牌、车型、异常配件等信息,返回关于输入车型及配件的相关信息的常见问题及相关建议。如当输入“奥迪,A6L2.0T,3年,14万里程,发动机异响”,大数据统计模型根据该异常点数据进行分组统计,并返回结果如:“18%的奥迪车主反映过该问题,26%的A6L在行驶3年反映过该问题,31%的A6L在行驶14万公里反映过该问题,建议检查气缸阀门是否完好、检查机油是否需要更换、通过加速或踩离合器踏板判断问题特征”等相关建议,以供车主或维保人员尽快定位问题所在。
S1042、将异常点数据和车辆维保记录数据输入预先建立的知识图谱,识别得到车辆的待检查配件;
S1043、获取待检查配件的图像信息,根据图像信息进行配件健康识别,并输出配件健康识别结果;
具体地,在历史维保过程中,车主在出现车辆发生故障或维修人员在维修保养前后通过拍照取证时,将所拍的照片传送至系统服务器,利用大量积累图片作为数据集,主要包括但不限于汽车外观的完好与出现缺陷的图片、汽车轮胎完好与不同磨损程度的图片、火花塞不同损耗程度的图片、刹车片不同损耗程度的图片等,采用深度学习技术中的卷积神经网络进行对图像的特征提取,以进行深度学习训练得到最优的图像识别模型。根据该图像识别模型进行配件健康识别,如轮胎的磨损程度结果。
可以理解的是,通过配件健康识别,当车主或维保人员在对车辆检查的过程中,可以对特定配件进行拍照并上传至系统,系统根据识别结果返回配件的健康或磨损程度,根据不同的程度可以提供不同的维保方案。
S1044、根据异常点解决方案和配件健康识别结果确定车辆维保项目,并将车辆维保项目推送给用户或维保人员。
具体地,大数据统计模型因为输入数据、模型选择等原因,可能会推导出一些似是而非的结论,利用知识图谱可以排除这样的问题,提高模型的有效性和正确性;例如汽车制动的问题,只能从制动相关的部分找原因。本发明实施例采用知识图谱和大数据统计模型协同,具有以下优点:
(1)可以将异常点数据输入利用知识图谱进行推理分析,得到的结果作为先验知识,大数据统计模型以此为基础进行后续的分析;
例如通过OBD数据发现刹车距离变长,或者车主认为刹车踏板变软时,正常应检查制动系统,包括刹车片、刹车盘以及刹车油的问题,也可能是环境问题如雨雪天气;知识图谱综合环境和车辆已有的维保记录,分析出得出检查点,排除环境影响,如果刹车片、刹车油已更换使用了较长时间,就需要进一步检查。
(2)利用知识图谱作为优化目标的约束,指导前述大数据统计模型的学习过程,将知识图谱中的知识表示为优化目标的后验正则项。大数据模型的数据源维度多,知识图谱的推理结果可以为大数据模型选择初始数据集,减小特征筛选的工作量。
进一步作为可选的实施方式,车辆维保项目确定方法还包括构建大数据统计模型的步骤,其具体包括:
C1、获取预设时段内所有车辆的维保数据;
C2、以品牌和车型作为维度对维保数据进行分组,并针对常见的车辆问题进行关联统计和聚类分析,得到大数据统计模型。
进一步作为可选的实施方式,车辆维保项目确定方法还包括构建知识图谱的步骤,其具体包括:
D1、获取预设时段内所有车辆的配置数据和维保数据,并获取车辆领域的常用术语;
D2、确定配置数据和维保数据中的高频特征词,并确定常用术语中的高频术语;
D3、根据高频特征词和高频术语建立第一实体概念,并通过关系抽取建立第一实体概念间的关联关系、通过属性抽取为第一实体概念添加属性标注,得到第二实体概念;
D4、根据第二实体概念构建知识图谱。
具体地,大数据统计模型只能发现关联性,缺乏深层次的逻辑分析,因此需要构建知识图谱进行进一步的推理分析。知识图谱包括模式层和数据层,模式层由具有层次化关系的概念构成,数据层由概念的实体以及实体之间的关系构成。
本发明实施例的知识图谱是由节点和关系构成的结构化网络,记录了各种汽车整车、零部件、车辆使用环境、维保项目和车主用户之间的各种动态关系和静态属性。汽车大量采用了机械、电子和软件等多零部件构成,汽车维保知识可以以图谱的方式将汽车的原理、结构、使用手册、拆装方法、维护手段、故障诊断和相关资深技术专家的领域知识等进行结构化管理,提高维修保养的有效性,降低汽车因故障造成的风险,减少人为的不利因素,有效降低汽车维修保养成本。
构建知识图谱的关键是知识获取,知识获取的主要任务包括实体识别、关系抽取、属性抽取、知识图谱补全、以及其它面向实体的获取任务。其中关系抽取是自动构建大型知识图谱的关键任务,该任务将从朴素文本中抽取出未知的关系事实,并将它们添加到知识图谱中。
本发明实施例中,知识图谱的构建采用“自顶向下”的方法,先对领域所具备的知识点、概念、术语建模,提炼出最具广泛性的概念,然后在此基础上逐步进行细化,定义出更多的属性和关系来约束更为具体的类别。例如针对汽车领域,首先定义本体概念“汽车”,从“汽车”扩展出“车型”、“配件”;从“配件”扩展出“发动机”、“制动系统”、“座椅”;从“组织”扩展出“经销商”、“车厂”,此外,每个概念本身还具备概念属性,如“发动机”的功率,制动液的工作压力等。通过结构化数据集和知识库获取每个概念的对应实体集,在此基础上通过自然语言处理相关技术自动抽取半结构化和非结构化中的领域实体,通过统计、聚类、命名实体识别、关系抽取、属性抽取等分析方法自动构建车辆维保领域知识图谱。自动构建车辆维保领域知识图谱的具体流程如下:
(1)获取数据
获取所有车辆的配置数据和维保数据以及车辆领域的常用术语作为种子实体集,可通过爬取互联网的汽车数据、已有知识库、各种通用及专用的车辆维修保养手册等来获取。
(2)数据处理与统计分析
使用词频分析、聚类、统计分析等方法,统计出高频特征词和高频术语。
(3)知识获取
对知识建模定义的知识要素进行实例化的获取,具体包括概念的实例化、关系抽取和属性抽取。
实体概念的实例化需要对数据进行实体抽取,对于结构化数据,将高频术语和高频词添加到对应概念的实体;对于非结构化数据,使用实体识别技术进行建模,抽取出实体后作为对应概念的实例。
得到一系列离散的实体概念后,需要通过关系抽取建立概念间的关系。常见的关联关系有:isA(继承关系),hasA(组成关系),useA(依赖关系)及其它关联关系。例如“汽车”和“奥迪”是isA关系,“汽车”和“轮胎”是hasA关系,“汽车”和“配件厂商”则是useA关系。
建立概念间的关系后,还需要为每个概念补充属性信息,以实现对实体自身的充分描述。一方面参考领域术语的定义、注释、解释,以及业务数据的结构、语料信息,为概念添加属性。另一方面,通过在结构化数据里抽取训练语料,在非结构化的数据上建立属性标注模型,进而对数据进行实体属性抽取。
(4)优化与验证
检查定义的完全性:定义是完整的,完全能表达所描述术语的含义;检查定义的一致性:由概念定义的实例、约束得出的推论与概念本身的语义不会产生矛盾。还需要评估核心概念是否合理,辨析每个概念的合理性、必要性。
基于业务实际不断优化迭代的过程,直到领域知识的完全结构确定下来不再修改(可以继承),说明已完成领域知识结构化。
(5)车辆维保知识图谱补全
通过实体概念建立和关系抽取得到的知识图谱通常使用三元组的形式保存:(头实体,关系,尾实体)。但这样的知识图谱往往是比较离散化的,还存在很多关系补全问题。知识图谱的补全是通过现有知识图谱来预测实体之间的关系,建立实体间的新关联,获取数据中的隐含关系,是对关系抽取的重要补充。
知识图谱补全(Knowledge Graph Completion,KGC)主要被抽象成一个预测问题,即预测出三元组中缺失的部分,所以可分成以下3个子任务:
头实体预测:(?,r,t),给定三元组的尾实体以及和关系,然后预测可以组成正确三元组的实体,例如(?,相互焊接,保险杠)。
尾实体预测:(h,r,?),给定三元组的头实体以及和关系,然后预测可以组成正确三元组的实体,例如(车架纵梁,相互焊接,?)。
关系预测:(h,?,t),给定头实体和尾实体,预测两个实体之间可能存在的关系。例如(车架纵梁,?,保险杠)。
因为汽车技术也在不断演化,新的技术在汽车生产中不断涌现,本发明实施例采用动态知识图谱补全(Dynamic KGC)方法,涉及的不止知识图谱中的实体或关系,基于现有的实体间的关系,实体的属性值或本体的概念层次关系对未出现的实体进行的知识发现。适用于数据中出现一些没有出现的词,或者后期想对知识图谱进行补全的场景。
以上是对本发明实施例的方法步骤以及知识图谱的构建过程进行了说明,下面结合附图对本发明实施例的具体实施流程作进一步说明。
如图2所示为本发明实施例提供的车辆维保项目确定方法的具体实施流程图。本发明实施例先通过车况信息和用户信息分别构造车辆行驶画像和用户行为画像,然后根据车辆行驶画像和用户行为画像确定车辆存在的异常点并输出异常点数据;一方面异常点数据通过大数据统计模型识别得到异常点解决方案,另一方面异常点数据通过知识图谱识别,确定待检查配件,然后通过配件健康识别得到配件健康识别结果;综合异常点解决方案和配件健康识别结果确定车辆维保项目,并推送给用户或维保人员。
可以理解的是,大数据统计模型依赖海量的数据建模,知识图谱利用人类已有的结构化知识数据,从不同维度建立车辆维保的分析工具,两者互相协作,针对车辆维保的问题,知识图谱提供定性分析,大数据模型提供定量分析,经过不断优化迭代,持续积累维保过程中出现的维保问题及与之对应的问题解决办法,不断优化分析决策结果,从而达到提供精准维保项目建议的目标。
实际应用时,用户也可以直接提出问题,利用知识图谱中的专家“知识”,快速定位问题,给出标准的解决办法,需要进一步检查的问题;也可以通过采集行车数据和环境数据,应用大数据统计模型分析状况,存在异常点时提交到知识图谱,对照知识图谱的专家“知识”,明确需要进一步检查的问题。对于需要检查的,通过配件健康识别进行分析验证,确认问题的存在。最后再运用知识图谱确认解决方案,并汇总大数据统计分析,给出维保建议。
本发明实施例通过构造车辆行驶画像和用户行为画像,可以全面分析评估车辆可能存在故障的异常点;通过大数据统计模型和知识图谱,可以根据异常点数据准确确定车辆需要进行的维保项目;本发明提高了车辆维保项目确定的准确性与全面性,同时无需人工对车辆进行故障排查,大大提高了车辆维保的效率,摆脱了传统车辆维保对人工的完全依赖,提高了维保的有效性和针对性,降低了行车风险和维保成本。
下面结合具体实施例对本发明做进一步说明。
刹车片是汽车正常使用的关键部件之一,日常使用中不可避免的磨损,磨损严重时就需要及时更换刹车片。而刹车片的磨损情况得把车升举起来或者把轮胎拆掉才能看到,普通车主显然无法做到。且刹车片的磨损率,并不是简单的与行驶里程或者时间长短相关,影响更多的是车主的驾驶行为习惯,部分用户在驾驶过程中踩刹车的频率达到了很高的水平,这样导致的结果可能行驶2万公里,就得换一次刹车片。
由于无法简单给出一个多久更换刹车片的结论,目前通行的做法在4S店或门店保养时,检查刹车片的磨损,维保人员根据自己的经验,综合判断刹车片磨损程度、已经行驶里程等,预估出需要更换的行驶里程,车主以此为依据去更换刹车片。这样依赖个人经验的结果,就难以避免出现下列情况:1)没有及时更换刹车片,增加了行车风险;2)过早更换刹车片,增加了维保成本。
本发明实施例在日常通过OBD等设备采集行车数据的基础上,综合应用知识图谱和大数据统计模型,可以精准给出更换刹车片的时间,并提醒车主。具体流程如下:
S1、获取车型、行驶里程、保养维修记录等基本车况信息;
S2、通过OBD等设备采集行车数据,包括发动机状态,行驶速度、制动状态,以及位置信息(经纬度、海拔高度)等并上传到服务器,服务器根据位置信息利用GIS系统获得道路信息,以及天气状况等环境信息;
S3、建立车辆行驶画像和用户行为画像,对行车数据和环境数据进行分析,找出可能存在的异常点,例如同样车型、同等行驶里程的情况下,制动所需时间过长;汇总异常点数据并提交到知识图谱,用户也可以手动输入异常状态,例如刹车软;
S4、知识图谱根据异常点数据,保养维修记录,必要时用户输入的异常状态,分析可能存在的问题,例如刹车片已经更换有2万公里的行驶里程,就需要检查刹车片,也可能是刹车油的问题或者其它问题,汇总所有需要检查的问题,通过配件健康识别做进一步分析验证;
S5、根据配件健康识别的需要,提供车辆所需的相关信息,可以是图像,也可以有文字、声音、视频等等,通过配件健康识别进行验证识别,例如,根据提供刹车片照片判断其磨损程度;
S6、配件健康识别结果可以反馈到知识图谱,由知识图谱分析给出维保建议;例如更换磨损严重的刹车片;
S7、同时将行车数据、异常点数据等提交到大数据统计模型,得出同类问题的解决方案;
S8、汇总知识图谱推理分析结果和大数据统计模型分析结果,输出维保项目建议;例如确认刹车片需要更换的必要性,给出更换刹车片的里程和时间,并提醒用户或维保人员。
参照图3,本发明实施例提供了一种车辆维保项目确定系统,包括:
信息获取模块,用于获取车辆的车况信息以及车主的用户信息;
画像构造模块,用于根据车况信息构造车辆行驶画像,并根据用户信息构造用户行为画像;
异常点确定模块,用于根据车辆行驶画像和用户行为画像确定车辆的异常点数据;
维保项目确定模块,用于将异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据大数据统计模型的输出结果和知识图谱的输出结果确定车辆维保项目。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4,本发明实施例还提供了一种车辆维保项目确定装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当至少一个程序被至少一个处理器执行,使得至少一个处理器实现上述一种车辆维保项目确定方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于执行上述一种车辆维保项目确定方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种电力系统发电侧备用容量测定方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。上述方法可以使用标准编程技术—包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。上述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,上述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所描述步骤的指令或程序时,本文所描述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所描述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所描述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种车辆维保项目确定方法,其特征在于,包括以下步骤:
获取车辆的车况信息以及车主的用户信息;
根据所述车况信息构造车辆行驶画像,并根据所述用户信息构造用户行为画像;
根据所述车辆行驶画像和所述用户行为画像确定车辆的异常点数据;
将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目。
2.根据权利要求1所述的一种车辆维保项目确定方法,其特征在于,所述车况信息包括车辆配置数据、车辆运行数据以及车辆维保记录数据,所述用户信息包括用户基本数据和用户行为记录数据,所述获取车辆的车况信息以及车主的用户信息这一步骤,其具体包括:
通过OBD设备获取车辆配置数据和车辆运行数据,并通过车辆的VIN码获取车辆维保记录数据;
获取用户提供的用户基本数据,并根据所述用户基本数据获取用户行为记录数据。
3.根据权利要求2所述的一种车辆维保项目确定方法,其特征在于,所述根据所述车况信息构造车辆行驶画像这一步骤,其具体包括:
根据所述车辆配置数据确定车辆事实标签;
对所述车辆运行数据进行脱敏处理和结构化处理,并利用序列规则和回归分析算法得到车辆运行标签;
根据所述车辆维保记录数据确定车辆维保标签;
根据所述车辆事实标签、所述车辆运行标签和所述车辆维保标签构造车辆行驶画像。
4.根据权利要求2所述的一种车辆维保项目确定方法,其特征在于,所述根据所述用户信息构造用户行为画像这一步骤,其具体包括:
根据所述用户基本数据确定用户事实标签;
根据所述用户行为记录数据确定辅助标签;
对所述用户事实标签和所述辅助标签进行体系化梳理,并利用多维度关联规则构造用户行为画像。
5.根据权利要求2所述的一种车辆维保项目确定方法,其特征在于,所述将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目这一步骤,其具体包括:
将所述异常点数据输入预先建立的大数据统计模型,得到异常点解决方案;
将所述异常点数据和所述车辆维保记录数据输入预先建立的知识图谱,识别得到车辆的待检查配件;
获取所述待检查配件的图像信息,根据所述图像信息进行配件健康识别,并输出配件健康识别结果;
根据所述异常点解决方案和所述配件健康识别结果确定车辆维保项目,并将所述车辆维保项目推送给用户或维保人员。
6.根据权利要求1至5任一项所述的一种车辆维保项目确定方法,其特征在于,所述车辆维保项目确定方法还包括构建大数据统计模型的步骤,其具体包括:
获取预设时段内所有车辆的维保数据;
以品牌和车型作为维度对所述维保数据进行分组,并针对常见的车辆问题进行关联统计和聚类分析,得到大数据统计模型。
7.根据权利要求1至5任一项所述的一种车辆维保项目确定方法,其特征在于,所述车辆维保项目确定方法还包括构建知识图谱的步骤,其具体包括:
获取预设时段内所有车辆的配置数据和维保数据,并获取车辆领域的常用术语;
确定所述配置数据和所述维保数据中的高频特征词,并确定所述常用术语中的高频术语;
根据所述高频特征词和所述高频术语建立第一实体概念,并通过关系抽取建立所述第一实体概念间的关联关系、通过属性抽取为所述第一实体概念添加属性标注,得到第二实体概念;
根据所述第二实体概念构建知识图谱。
8.一种车辆维保项目确定系统,其特征在于,包括:
信息获取模块,用于获取车辆的车况信息以及车主的用户信息;
画像构造模块,用于根据所述车况信息构造车辆行驶画像,并根据所述用户信息构造用户行为画像;
异常点确定模块,用于根据所述车辆行驶画像和所述用户行为画像确定车辆的异常点数据;
维保项目确定模块,用于将所述异常点数据分别输入预先建立的大数据统计模型和知识图谱,并根据所述大数据统计模型的输出结果和所述知识图谱的输出结果确定车辆维保项目。
9.一种车辆维保项目确定装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至7任一项所述的一种车辆维保项目确定方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7任一项所述的一种车辆维保项目确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344951.2A CN112434829A (zh) | 2020-11-26 | 2020-11-26 | 一种车辆维保项目确定方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344951.2A CN112434829A (zh) | 2020-11-26 | 2020-11-26 | 一种车辆维保项目确定方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434829A true CN112434829A (zh) | 2021-03-02 |
Family
ID=74698286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011344951.2A Pending CN112434829A (zh) | 2020-11-26 | 2020-11-26 | 一种车辆维保项目确定方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434829A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219946A (zh) * | 2021-04-29 | 2021-08-06 | 东风商用车有限公司 | 一种驾驶室电检系统、方法、设备和可读存储介质 |
CN113282683A (zh) * | 2021-05-21 | 2021-08-20 | 青岛海尔科技有限公司 | 设备画像的确定方法、装置、存储介质及电子装置 |
CN113608515A (zh) * | 2021-06-29 | 2021-11-05 | 潍柴动力股份有限公司 | 车辆维保的闭环控制方法、控制器和闭环控制系统 |
CN113886712A (zh) * | 2021-11-04 | 2022-01-04 | 杭州以诺行汽车科技股份有限公司 | 基于erp的人工智能汽车维修推荐方法、系统和存储介质 |
CN115095205A (zh) * | 2022-06-24 | 2022-09-23 | 张青霞 | 一种基于云服务的智能型立体停车设备 |
CN115511124A (zh) * | 2022-09-27 | 2022-12-23 | 上海网商电子商务有限公司 | 一种基于售后维修记录的客户分级方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596348A (zh) * | 2018-04-27 | 2018-09-28 | 重庆车云金服科技股份有限公司 | 汽车保养信息推送方法及系统 |
CN110209835A (zh) * | 2019-05-09 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种异常检测方法及装置、计算机存储介质及电子设备 |
CN111368752A (zh) * | 2020-03-06 | 2020-07-03 | 德联易控科技(北京)有限公司 | 车辆损伤的分析方法和装置 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111767440A (zh) * | 2020-09-03 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的车辆画像方法、计算机设备和存储介质 |
-
2020
- 2020-11-26 CN CN202011344951.2A patent/CN112434829A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596348A (zh) * | 2018-04-27 | 2018-09-28 | 重庆车云金服科技股份有限公司 | 汽车保养信息推送方法及系统 |
CN110209835A (zh) * | 2019-05-09 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种异常检测方法及装置、计算机存储介质及电子设备 |
CN111368752A (zh) * | 2020-03-06 | 2020-07-03 | 德联易控科技(北京)有限公司 | 车辆损伤的分析方法和装置 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111767440A (zh) * | 2020-09-03 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的车辆画像方法、计算机设备和存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219946A (zh) * | 2021-04-29 | 2021-08-06 | 东风商用车有限公司 | 一种驾驶室电检系统、方法、设备和可读存储介质 |
CN113219946B (zh) * | 2021-04-29 | 2023-03-03 | 东风商用车有限公司 | 一种驾驶室电检系统、方法、设备和可读存储介质 |
CN113282683A (zh) * | 2021-05-21 | 2021-08-20 | 青岛海尔科技有限公司 | 设备画像的确定方法、装置、存储介质及电子装置 |
CN113608515A (zh) * | 2021-06-29 | 2021-11-05 | 潍柴动力股份有限公司 | 车辆维保的闭环控制方法、控制器和闭环控制系统 |
CN113886712A (zh) * | 2021-11-04 | 2022-01-04 | 杭州以诺行汽车科技股份有限公司 | 基于erp的人工智能汽车维修推荐方法、系统和存储介质 |
CN115095205A (zh) * | 2022-06-24 | 2022-09-23 | 张青霞 | 一种基于云服务的智能型立体停车设备 |
CN115095205B (zh) * | 2022-06-24 | 2023-12-26 | 普智城市科技(深圳)有限公司 | 一种基于云服务的智能型立体停车设备 |
CN115511124A (zh) * | 2022-09-27 | 2022-12-23 | 上海网商电子商务有限公司 | 一种基于售后维修记录的客户分级方法 |
CN115511124B (zh) * | 2022-09-27 | 2023-04-18 | 上海网商电子商务有限公司 | 一种基于售后维修记录的客户分级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434829A (zh) | 一种车辆维保项目确定方法、系统、装置及存储介质 | |
US20210090359A1 (en) | Predictive vehicle diagnostic method | |
US11354899B2 (en) | Visual inspection support using extended reality | |
US10275407B2 (en) | Apparatus and method for executing an automated analysis of data, in particular social media data, for product failure detection | |
Abrahams et al. | Vehicle defect discovery from social media | |
CN111324602A (zh) | 一种实现面向金融大数据分析可视化方法 | |
US20040199542A1 (en) | Vehicle diagnostic knowledge delivery | |
US20230016482A1 (en) | Systems and methods for providing renewing carbon offsets for a user driving period | |
Vasconcelos et al. | Smartphone-based outlier detection: a complex event processing approach for driving behavior detection | |
CN111209400B (zh) | 一种数据分析的方法及装置 | |
CN109829601B (zh) | 一种驾驶员驾驶车辆风险行为的预测方法及系统 | |
US20200065405A1 (en) | Computer System & Method for Simplifying a Geospatial Dataset Representing an Operating Environment for Assets | |
CN113423063B (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
Chen et al. | Driving behaviors analysis based on feature selection and statistical approach: a preliminary study | |
Barbado et al. | Interpretable machine learning models for predicting and explaining vehicle fuel consumption anomalies | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
US20210012263A1 (en) | Computer System and Method of Evaluating Fuel Efficiency of Assets Using a Predictive Model | |
CN114529383B (zh) | 实现税务缴纳追踪和税款流失预警方法及系统 | |
US20210150591A1 (en) | Systems and methods for automatically determining associations between damaged parts and repair estimate information during damage appraisal | |
CN111062555B (zh) | 城市画像的构建方法、装置、介质及电子设备 | |
CN114202313A (zh) | 车辆油耗管理方法、装置、计算机存储介质和电子设备 | |
Vallati et al. | In defence of design patterns for AI planning knowledge models | |
Ma et al. | A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods | |
CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
Kumar | Driver Usage Risk Profiling by Analyzing Vehicle Driving Behavior using Machine Learning Model Based on Vehicular Cloud Telematics Data |
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 |