CN112801351A - 一种基于大数据的车辆破损预测管理系统及方法 - Google Patents

一种基于大数据的车辆破损预测管理系统及方法 Download PDF

Info

Publication number
CN112801351A
CN112801351A CN202110050660.0A CN202110050660A CN112801351A CN 112801351 A CN112801351 A CN 112801351A CN 202110050660 A CN202110050660 A CN 202110050660A CN 112801351 A CN112801351 A CN 112801351A
Authority
CN
China
Prior art keywords
vehicle
behavior
model
time
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
Application number
CN202110050660.0A
Other languages
English (en)
Other versions
CN112801351B (zh
Inventor
陈登兴
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.)
Guangzhou Public Mdt Infotech Ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211042760.XA priority Critical patent/CN115640869A/zh
Priority to CN202110050660.0A priority patent/CN112801351B/zh
Publication of CN112801351A publication Critical patent/CN112801351A/zh
Application granted granted Critical
Publication of CN112801351B publication Critical patent/CN112801351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • 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
    • 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

Abstract

本发明公开了一种基于大数据的车辆破损预测管理系统及方法，所述系统包括车辆信息模块、伤车行为模块、网络平台模块，所述车辆信息模块用于从汽车行驶数据记录仪中获取并输出车辆信息数据，所述伤车行为模块用于从汽车行驶数据记录仪中获取并输出伤车行为数据，所述网络平台模块用于结合车辆信息数据、伤车行为数据分别建立车辆信息模型以及伤车行为模型，并对模型计算处理输出处理结果，根据网络平台输出的处理结果，本发明可以预测当前车辆未来的破损状况，以此改善驾驶人员的车辆使用习惯并为车辆维修提供参考避免因维修带来的经济损失。

Description

一种基于大数据的车辆破损预测管理系统及方法
技术领域
本发明涉及车辆管理技术领域，具体为一种基于大数据的车辆破损预测管理系统及方法。
背景技术
当前汽车已经成为大众出行的首要交通工具，汽车的管理对于当前社会来说具有极为重要的地位，而车辆的破损随着驾驶人员的使用在所难免，对于车辆破损目前没有比较实用以及方便的方法进行预防，除此以外，当车辆出现破损问题时，部分维修方会利用车辆维修信息的不平等，谎报维修信息给维修车辆的驾驶员，从而给不知情的驾驶员造成大量的经济损失，因此如何预防、预测车辆的破损并且减少车辆使用人员的经济损失是当前亟待解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的车辆破损预测管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的车辆破损预测管理系统，包括车辆信息模块、伤车行为模块、网络平台模块，所述车辆信息模块用于从汽车行驶数据记录仪中获取并输出车辆信息数据，所述伤车行为模块用于从汽车行驶数据记录仪中获取并输出伤车行为数据，所述网络平台模块用于结合车辆信息数据、伤车行为数据分别建立车辆信息模型以及伤车行为模型，并对模型计算处理输出处理结果。
进一步的，所述车辆信息模块包括基本车辆信息单元、表显里程单元、车辆运行时间单元，所述基本车辆信息单元用于提取车辆的固有属性数据，所述表显里程单元用于提取车辆的表显里程数据，所述车辆运行时间单元用于提取车辆的运行时间数据。
进一步的，所述伤车行为模块包括时间-时间类型伤车行为单元、时间-里程类型伤车行为单元、次数-时间类型伤车行为单元、次数-里程类型伤车行为单元，所述时间-时间类型伤车行为单元用于获取并输出时间-时间类型伤车行为数据，所述时间-里程类型伤车行为单元用于获取并输出时间-里程类型伤车行为数据，所述次数-时间类型伤车行为单元用于获取并输出次数-时间类型伤车行为数据，所述次数-里程类型伤车行为单元用于获取并输出次数-里程类型伤车行为数据。
进一步的，所述网络平台模块包括车辆信息模型单元以及伤车行为模型单元，所述车辆信息模型单元用于结合车辆信息数据建立车辆信息模型并对模型计算处理输出处理结果，所述伤车行为模型单元用于结合伤车行为数据建立伤车行为模型并对模型计算处理输出处理结果。
一种基于大数据的车辆破损预测管理方法，所述方法包括以下步骤：
S1：将使用人员的移动终端与汽车行驶数据记录仪通讯连接，由移动终端筛选汽车行驶数据记录仪记录的行车记录数据并提取出车辆信息数据以及伤车行为数据，所述伤车行为数据表示该数据对应的行为会对车辆造成一定程度的损坏，转步骤S2；
S2：移动终端将提取的车辆信息数据以及伤车行为数据发送至网络平台，网络平台分别对车辆信息数据以及伤车行为数据进行分项建模，获得车辆信息模型以及伤车行为模型，转步骤S3；
S3：将获得的车辆信息模型以及伤车行为模型储存至网络平台数据库，转步骤S4；
S4：当使用人员的车辆出现非交通事故类型故障时，由使用人员通过移动终端发送实际故障原因数据至网络平台，网络平台将实际故障原因数据与对应的车辆信息模型、伤车行为模型绑定，转步骤S5；
S5：重复以上步骤S4直至网络平台数据库储存的数据容量达到要求，再由当前移动终端上传车辆信息数据、伤车行为数据至网络平台，网络平台将当前车辆信息模型、伤车行为模型与其他车辆信息模型、伤车行为模型进行比对，输出相似度最高的车辆信息模型、伤车行为模型以及其对应的实际故障原因数据，由此实际故障原因数据预测当前车辆未来的破损状况，转步骤S6；
S6：由比较相似度最高的伤车行为模型获取不同车辆信息模型对应的实际故障原因数据，横向对比实际故障原因数据判断车辆信息模型对应车辆部件的质量。
进一步的，所述步骤S2中，所述车辆信息数据包括基本车辆信息数据、表显里程数值、车辆运行时间数值，所述基本车辆信息数据由车辆的固有属性决定且此基本车辆信息数据无法改变，所述表显里程数值为汽车累计行驶距离长度，所述车辆运行时间数值为车辆行驶数据记录仪存在记录以来运行的时间长度，所述伤车行为数据包括损坏车辆类型信息数据、伤车时间数值、伤车次数数值，所述损坏车辆类型信息数据为车辆损坏类型的文本信息，所述伤车时间数值为损坏车辆行为的累计持续时间长度，所述伤车次数数值为损坏车辆行为的累计次数大小，所述步骤S2中网络平台将基本车辆信息数据分项为车辆信息模型，所述车辆信息模型由车辆信息模型子项链状组成，所述网络平台将表显里程数值、车辆运行时间数值与损坏车辆类型信息数据、伤车时间数值、伤车次数数值结合计算获得伤车行为模型子项。
进一步的，所述车辆信息模型子项内容可表示为E(m,n,l,k)，其中m为网络平台数据库中车辆信息模型的编号，n为车辆信息模型子项位于链状车辆信息模型的顺序编号，l为网络平台数据库中车辆信息模型总数量，k为链状车辆信息模型中车辆信息模型子项总数量，根据公式1：
Figure BDA0002899031520000031
其中ΔC为车辆信息模型相似度，Si为车辆信息模型子项比较计算权重系数，
Figure BDA0002899031520000032
为当前车辆信息模型子项，mo为
Figure BDA0002899031520000033
对应的网络平台数据库中车辆信息模型编号，
Figure BDA0002899031520000034
为与当前车辆信息模型子项进行对比的车辆信息模型子项，mp为
Figure BDA0002899031520000035
对应的网络平台数据库中车辆信息模型编号。
进一步的，所述表显里程数值为L，所述车辆运行时间数值为T，所述损坏车辆类型信息数据对应的伤车时间数值为t、伤车次数数值为c，根据公式2：
Figure BDA0002899031520000036
其中E(t-T)为时间-时间类型伤车行为模型子项；
根据公式3：
Figure BDA0002899031520000037
其中E(t-L)为时间-里程类型伤车行为模型子项；
根据公式4：
Figure BDA0002899031520000038
其中E(c-T)为次数-时间类型伤车行为模型子项；
根据公式5：
Figure BDA0002899031520000041
其中E(c-L)为次数-里程类型伤车行为模型子项；
进一步的，所述伤车行为模型子项包括时间-时间类型伤车行为模型子项E(t,T)、时间-里程类型伤车行为模型子项E(t,L)、次数-时间类型伤车行为模型子项E(c,T)以及次数-里程类型伤车行为模型子项E(c,L)，所述E(t,T)在伤车行为模型子项中的数量为α，所述E(t,T)根据行为类型以及子项编号可表示为E(t,T,e,f)，所述E(t,L)伤车行为模型子项中的数量为β，所述E(t,L)根据行为类型以及子项编号可表示为E(t,L,e,f)，所述E(c,T)在伤车行为模型子项中的数量为γ，所述E(c,T)根据行为类型以及子项编号可表示为E(c,T,e,f)，所述E(c,L)在伤车行为模型子项中的数量为ε，所述E(c,L)根据行为类型以及子项编号可表示为E(c,L,e,f)，根据公式6：
Figure BDA0002899031520000042
其中ΔE(t,T)为时间-时间类型伤车行为模型子项相似度，
Figure BDA0002899031520000043
为当前时间-时间类型伤车行为模型子项，
Figure BDA0002899031520000044
为与当前时间-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式7：
Figure BDA0002899031520000045
其中ΔE(t,l)为时间-里程类型伤车行为模型子项相似度，
Figure BDA0002899031520000046
为当前时间-里程类型伤车行为模型子项，
Figure BDA0002899031520000047
为与当前时间-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式8：
Figure BDA0002899031520000048
其中ΔE(c,T)为次数-时间类型伤车行为模型子项相似度，
Figure BDA0002899031520000051
为当前次数-时间类型伤车行为模型子项，
Figure BDA0002899031520000052
为与当前次数-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式9：
Figure BDA0002899031520000053
其中ΔE(c,L)为次数-里程类型伤车行为模型子项相似度，
Figure BDA0002899031520000054
为当前次数-里程类型伤车行为模型子项，
Figure BDA0002899031520000055
为与当前次数-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式10：
ΔD＝ΔE(t,T)+ΔE(t,L)+ΔE(c,T)+ΔE(c,L)
其中ΔD为伤车行为模型相似程度。
与现有技术相比，本发明所达到的有益效果是：本发明将建立的车辆信息模型以及伤车行为模型储存至网络平台，由当前车辆的车辆信息模型以及伤车行为模型计算搜索到最为接近的历史车辆信息模型以及伤车行为模型，然后根据其对应的实际故障原因数据预测当前车辆未来的破损状况。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明模块、单元结构示意图；
图2是本发明的结构示意图；
图3是本发明的车辆信息模型与车辆信息模型子项的结构示意图；
图4是本发明的伤车行为模型与其模型子项的结构示意图；
图5是本发明的时间-时间类型伤车行为模型子项结构示意图；
图6是本发明的时间-里程类型伤车行为模型子项结构示意图；
图7是本发明的次数-时间类型伤车行为模型子项结构示意图；
图8是本发明的次数-里程类型伤车行为模型子项结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-8，本发明提供技术方案：
一种基于大数据的车辆破损预测管理系统，包括车辆信息模块、伤车行为模块、网络平台模块，所述车辆信息模块用于从汽车行驶数据记录仪中获取并输出车辆信息数据，所述伤车行为模块用于从汽车行驶数据记录仪中获取并输出伤车行为数据，所述网络平台模块用于结合车辆信息数据、伤车行为数据分别建立车辆信息模型以及伤车行为模型，并对模型计算处理输出处理结果。
所述车辆信息模块包括基本车辆信息单元、表显里程单元、车辆运行时间单元，所述基本车辆信息单元用于提取车辆的固有属性数据，所述表显里程单元用于提取车辆的表显里程数据，所述车辆运行时间单元用于提取车辆的运行时间数据。
所述伤车行为模块包括时间-时间类型伤车行为单元、时间-里程类型伤车行为单元、次数-时间类型伤车行为单元、次数-里程类型伤车行为单元，所述时间-时间类型伤车行为单元用于获取并输出时间-时间类型伤车行为数据，所述时间-里程类型伤车行为单元用于获取并输出时间-里程类型伤车行为数据，所述次数-时间类型伤车行为单元用于获取并输出次数-时间类型伤车行为数据，所述次数-里程类型伤车行为单元用于获取并输出次数-里程类型伤车行为数据。
所述网络平台模块包括车辆信息模型单元以及伤车行为模型单元，所述车辆信息模型单元用于结合车辆信息数据建立车辆信息模型并对模型计算处理输出处理结果，所述伤车行为模型单元用于结合伤车行为数据建立伤车行为模型并对模型计算处理输出处理结果。
以上模块与单元的结构如图1所示。
一种基于大数据的车辆破损预测管理方法，所述方法包括以下步骤：
S1：将使用人员的移动终端与汽车行驶数据记录仪通讯连接，由移动终端筛选汽车行驶数据记录仪记录的行车记录数据并提取出车辆信息数据以及伤车行为数据，所述伤车行为数据表示该数据对应的行为会对车辆造成一定程度的损坏，转步骤S2；
S2：移动终端将提取的车辆信息数据以及伤车行为数据发送至网络平台，网络平台分别对车辆信息数据以及伤车行为数据进行分项建模，获得车辆信息模型以及伤车行为模型，转步骤S3；
S3：将获得的车辆信息模型以及伤车行为模型储存至网络平台数据库，转步骤S4；
S4：当使用人员的车辆出现非交通事故类型故障时，由使用人员通过移动终端发送实际故障原因数据至网络平台，网络平台将实际故障原因数据与对应的车辆信息模型、伤车行为模型绑定，转步骤S5；
S5：重复以上步骤S4直至网络平台数据库储存的数据容量达到要求，再由当前移动终端上传车辆信息数据、伤车行为数据至网络平台，网络平台将当前车辆信息模型、伤车行为模型与其他车辆信息模型、伤车行为模型进行比对，输出相似度最高的车辆信息模型、伤车行为模型以及其对应的实际故障原因数据，由此实际故障原因数据预测当前车辆未来的破损状况，转步骤S6；
S6：由比较相似度最高的伤车行为模型获取不同车辆信息模型对应的实际故障原因数据，横向对比实际故障原因数据判断车辆信息模型对应车辆部件的质量。
以上步骤S1至S6的流程结构如图2所示。
所述步骤S2中，所述车辆信息数据包括基本车辆信息数据、表显里程数值、车辆运行时间数值，所述基本车辆信息数据由车辆的固有属性决定且此基本车辆信息数据无法改变，所述表显里程数值为汽车累计行驶距离长度，所述车辆运行时间数值为车辆行驶数据记录仪存在记录以来运行的时间长度，所述伤车行为数据包括损坏车辆类型信息数据、伤车时间数值、伤车次数数值，所述损坏车辆类型信息数据为车辆损坏类型的文本信息，所述伤车时间数值为损坏车辆行为的累计持续时间长度，所述伤车次数数值为损坏车辆行为的累计次数大小，所述步骤S2中网络平台将基本车辆信息数据分项为车辆信息模型，所述车辆信息模型由车辆信息模型子项链状组成，所述网络平台将表显里程数值、车辆运行时间数值与损坏车辆类型信息数据、伤车时间数值、伤车次数数值结合计算获得伤车行为模型子项。
所述车辆信息模型子项内容可表示为E(m,n,l,k)，其中m为网络平台数据库中车辆信息模型的编号，n为车辆信息模型子项位于链状车辆信息模型的顺序编号，l为网络平台数据库中车辆信息模型总数量，k为链状车辆信息模型中车辆信息模型子项总数量，根据公式1：
Figure BDA0002899031520000081
其中ΔC为车辆信息模型相似度，Si为车辆信息模型子项比较计算权重系数，
Figure BDA0002899031520000082
为当前车辆信息模型子项，mo为
Figure BDA0002899031520000083
对应的网络平台数据库中车辆信息模型编号，
Figure BDA0002899031520000084
为与当前车辆信息模型子项进行对比的车辆信息模型子项，mp为
Figure BDA0002899031520000085
对应的网络平台数据库中车辆信息模型编号，当网络平台判断
Figure BDA0002899031520000086
与
Figure BDA0002899031520000087
相同时，
Figure BDA0002899031520000088
的值为0，当网络平台判断
Figure BDA0002899031520000089
与
Figure BDA00028990315200000810
不相同时，
Figure BDA00028990315200000811
的值为1，由以上公式1来判断当前车辆信息模型与比较车辆信息模型的相似程度，车辆信息模型子项比较计算权重系数Si存在关系Sn＞Sn+1，及在链状车辆信息模型子项中车辆信息模型子项的权重由首至尾逐渐降低，在实际运用中，车辆信息模型子项由首至尾可依次为车辆品牌、车型、排量等等。
以上车辆信息模型与车辆信息模型子项的结构如图3所示。
所述表显里程数值为L，所述车辆运行时间数值为T，所述损坏车辆类型信息数据对应的伤车时间数值为t、伤车次数数值为c，根据公式2：
Figure BDA00028990315200000812
其中E(t-T)为时间-时间类型伤车行为模型子项；
根据公式3：
Figure BDA00028990315200000813
其中E(t-L)为时间-里程类型伤车行为模型子项；
根据公式4：
Figure BDA00028990315200000814
其中E(c-T)为次数-时间类型伤车行为模型子项；
根据公式5：
Figure BDA0002899031520000091
其中E(c-L)为次数-里程类型伤车行为模型子项；
由以上公式2至公式5，本发明将伤车行为模型的模型子项分为四种类型，包括时间-时间类型伤车行为模型子项、时间-时间类型伤车行为模型子项、次数-时间类型伤车行为模型子项、次数-里程类型伤车行为模型子项，以此四种类型评判当前伤车行为模型的相似程度，伤车行为模型与其模型子项的结构关系如图4所示。
所述伤车行为模型子项包括时间-时间类型伤车行为模型子项E(t,T)、时间-里程类型伤车行为模型子项E(t,L)、次数-时间类型伤车行为模型子项E(c,T)以及次数-里程类型伤车行为模型子项E(c,L)，所述E(t,T)在伤车行为模型子项中的数量为α，所述E(t,T)根据行为类型以及子项编号可表示为E(t,T,e,f)，所述E(t,L)伤车行为模型子项中的数量为β，所述E(t,L)根据行为类型以及子项编号可表示为E(t,L,e,f)，所述E(c,T)在伤车行为模型子项中的数量为γ，所述E(c,T)根据行为类型以及子项编号可表示为E(c,T,e,f)，所述E(c,L)在伤车行为模型子项中的数量为ε，所述E(c,L)根据行为类型以及子项编号可表示为E(c,L,e,f)，根据公式6：
Figure BDA0002899031520000092
其中ΔE(t,T)为时间-时间类型伤车行为模型子项相似度，
Figure BDA0002899031520000093
为当前时间-时间类型伤车行为模型子项，
Figure BDA0002899031520000094
为与当前时间-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数，当网络平台判断
Figure BDA0002899031520000095
与
Figure BDA0002899031520000096
相同时，
Figure BDA0002899031520000097
的值为1，当
Figure BDA0002899031520000098
与
Figure BDA0002899031520000099
不同时，
Figure BDA00028990315200000910
的值为1；
例如伤车行为：“下车熄火后未关空调”，其中下车熄火后未关空调持续的时间为t，当前车辆运行时间数值为T，此伤车行为属于时间-时间类型，以上时间-时间类型伤车行为模型子项与伤车行为模型的结构关系如图5所示。
根据公式7：
Figure BDA00028990315200000911
其中ΔE(t,l)为时间-里程类型伤车行为模型子项相似度，
Figure BDA0002899031520000101
为当前时间-里程类型伤车行为模型子项，
Figure BDA0002899031520000102
为与当前时间-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数，当网络平台判断
Figure BDA0002899031520000103
与
Figure BDA0002899031520000104
相同时，
Figure BDA0002899031520000105
的值为1，当
Figure BDA0002899031520000106
与
Figure BDA0002899031520000107
不同时，
Figure BDA0002899031520000108
的值为1；
例如伤车行为：“离合没踩到底换挡”，其中离合没踩到底换挡持续的时间为t，当前车辆表显里程数值为L，此伤车行为属于时间-里程类型，以上时间-里程类型伤车行为模型子项与伤车行为模型的结构关系如图6所示。
根据公式8：
Figure BDA0002899031520000109
其中ΔE(c,T)为次数-时间类型伤车行为模型子项相似度，
Figure BDA00028990315200001010
为当前次数-时间类型伤车行为模型子项，
Figure BDA00028990315200001011
为与当前次数-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数，当网络平台
Figure BDA00028990315200001012
与
Figure BDA00028990315200001013
相同时，
Figure BDA00028990315200001014
的值为1，当
Figure BDA00028990315200001015
与
Figure BDA00028990315200001016
不同时，
Figure BDA00028990315200001017
的值为1；
例如伤车行为：“油表灯亮了才加油”，其中油表灯亮了才加油的次数为c，当前车辆运行时间数值为T，此伤车行为属于次数-时间类型，以上次数-时间类型伤车行为模型子项与伤车行为模型的结构关系如图7所示。
根据公式9：
Figure BDA00028990315200001018
其中ΔE(c,L)为次数-里程类型伤车行为模型子项相似度，
Figure BDA00028990315200001019
为当前次数-里程类型伤车行为模型子项，
Figure BDA00028990315200001020
为与当前次数-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
例如伤车行为：“驾驶时打死方向”，其中驾驶时打死方向的次数为c，当前车辆表显里程数值为L，此伤车行为属于次数-里程类型，以上次数-里程类型伤车行为模型子项与伤车行为模型的结构关系如图8所示。
根据公式10：
ΔD＝ΔE(t,T)+ΔE(t,L)+ΔE(c,T)+ΔE(c,L)
其中ΔD为伤车行为模型相似程度。
本发明由车辆信息模型子项以及伤车行为模型子项计算获得与比较车辆最相似车辆的实际故障原因数据，因为网络平台录入车辆的行驶路程以及时间要远大于比较车辆，所以当前输出的相似度最高车辆的实际故障原因可以很好的反映比较车辆的未来破损状况，与此同时可将相似度高的数个伤车行为模型导出，获得不同车辆信息模型对应的不同实际故障原因，对其进行横向对比可获得不同车辆信息模型对应的车辆部件质量数据，此车辆部件质量数据可用于车辆生产厂家优化车辆部件，同时可为驾驶人员提供参考。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的车辆破损预测管理系统，包括车辆信息模块、伤车行为模块、网络平台模块，其特征在于：所述车辆信息模块用于从汽车行驶数据记录仪中获取并输出车辆信息数据，所述伤车行为模块用于从汽车行驶数据记录仪中获取并输出伤车行为数据，所述网络平台模块用于结合车辆信息数据、伤车行为数据分别建立车辆信息模型以及伤车行为模型，并对模型计算处理输出处理结果。
2.根据权利要求1所述的一种基于大数据的车辆破损预测管理系统，其特征在于：所述车辆信息模块包括基本车辆信息单元、表显里程单元、车辆运行时间单元，所述基本车辆信息单元用于提取车辆的固有属性数据，所述表显里程单元用于提取车辆的表显里程数据，所述车辆运行时间单元用于提取车辆的运行时间数据。
3.根据权利要求1所述的一种基于大数据的车辆破损预测管理系统，其特征在于：所述伤车行为模块包括时间-时间类型伤车行为单元、时间-里程类型伤车行为单元、次数-时间类型伤车行为单元、次数-里程类型伤车行为单元，所述时间-时间类型伤车行为单元用于获取并输出时间-时间类型伤车行为数据，所述时间-里程类型伤车行为单元用于获取并输出时间-里程类型伤车行为数据，所述次数-时间类型伤车行为单元用于获取并输出次数-时间类型伤车行为数据，所述次数-里程类型伤车行为单元用于获取并输出次数-里程类型伤车行为数据。
4.根据权利要求1所述的一种基于大数据的车辆破损预测管理系统，其特征在于：所述网络平台模块包括车辆信息模型单元以及伤车行为模型单元，所述车辆信息模型单元用于结合车辆信息数据建立车辆信息模型并对模型计算处理输出处理结果，所述伤车行为模型单元用于结合伤车行为数据建立伤车行为模型并对模型计算处理输出处理结果。
5.一种基于大数据的车辆破损预测管理方法，其特征在于：所述方法包括以下步骤：
S1：将使用人员的移动终端与汽车行驶数据记录仪通讯连接，由移动终端筛选汽车行驶数据记录仪记录的行车记录数据并提取出车辆信息数据以及伤车行为数据，所述伤车行为数据表示该数据对应的行为会对车辆造成一定程度的损坏，转步骤S2；
S2：移动终端将提取的车辆信息数据以及伤车行为数据发送至网络平台，网络平台分别对车辆信息数据以及伤车行为数据进行分项建模，获得车辆信息模型以及伤车行为模型，转步骤S3；
S3：将获得的车辆信息模型以及伤车行为模型储存至网络平台数据库，转步骤S4；
S4：当使用人员的车辆出现非交通事故类型故障时，由使用人员通过移动终端发送实际故障原因数据至网络平台，网络平台将实际故障原因数据与对应的车辆信息模型、伤车行为模型绑定，转步骤S5；
S5：重复以上步骤S4直至网络平台数据库储存的数据容量达到要求，再由当前移动终端上传车辆信息数据、伤车行为数据至网络平台，网络平台将当前车辆信息模型、伤车行为模型与其他车辆信息模型、伤车行为模型进行比对，输出相似度最高的车辆信息模型、伤车行为模型以及其对应的实际故障原因数据，由此实际故障原因数据预测当前车辆未来的破损状况，转步骤S6；
S6：由比较相似度最高的伤车行为模型获取不同车辆信息模型对应的实际故障原因数据，横向对比实际故障原因数据判断车辆信息模型对应车辆部件的质量。
6.根据权利要求5所述的一种基于大数据的车辆破损预测管理方法，其特征在于：所述步骤S2中，所述车辆信息数据包括基本车辆信息数据、表显里程数值、车辆运行时间数值，所述基本车辆信息数据由车辆的固有属性决定且此基本车辆信息数据无法改变，所述表显里程数值为汽车累计行驶距离长度，所述车辆运行时间数值为车辆行驶数据记录仪存在记录以来运行的时间长度，所述伤车行为数据包括损坏车辆类型信息数据、伤车时间数值、伤车次数数值，所述损坏车辆类型信息数据为车辆损坏类型的文本信息，所述伤车时间数值为损坏车辆行为的累计持续时间长度，所述伤车次数数值为损坏车辆行为的累计次数大小，所述步骤S2中网络平台将基本车辆信息数据分项为车辆信息模型，所述车辆信息模型由车辆信息模型子项链状组成，所述网络平台将表显里程数值、车辆运行时间数值与损坏车辆类型信息数据、伤车时间数值、伤车次数数值结合计算获得伤车行为模型子项。
7.根据权利要求5或6所述的一种基于大数据的车辆破损预测管理方法，其特征在于：所述车辆信息模型子项内容可表示为E(m,n,l,k)，其中m为网络平台数据库中车辆信息模型的编号，n为车辆信息模型子项位于链状车辆信息模型的顺序编号，l为网络平台数据库中车辆信息模型总数量，k为链状车辆信息模型中车辆信息模型子项总数量，根据公式1：
Figure FDA0002899031510000021
其中ΔC为车辆信息模型相似度，Si为车辆信息模型子项比较计算权重系数，
Figure FDA0002899031510000031
为当前车辆信息模型子项，mo为
Figure FDA0002899031510000032
对应的网络平台数据库中车辆信息模型编号，
Figure FDA0002899031510000033
为与当前车辆信息模型子项进行对比的车辆信息模型子项，mp为
Figure FDA0002899031510000034
对应的网络平台数据库中车辆信息模型编号。
8.根据权利要求5或6所述的一种基于大数据的车辆破损预测管理方法，其特征在于：所述表显里程数值为L，所述车辆运行时间数值为T，所述损坏车辆类型信息数据对应的伤车时间数值为t、伤车次数数值为c，根据公式2：
Figure FDA0002899031510000035
其中E(t-T)为时间-时间类型伤车行为模型子项；
根据公式3：
Figure FDA0002899031510000036
其中E(t-L)为时间-里程类型伤车行为模型子项；
根据公式4：
Figure FDA0002899031510000037
其中E(c-T)为次数-时间类型伤车行为模型子项；
根据公式5：
Figure FDA0002899031510000038
其中E(c-L)为次数-里程类型伤车行为模型子项。
9.根据权利要求5或6所述的一种基于大数据的车辆破损预测管理方法，其特征在于：所述伤车行为模型子项包括时间-时间类型伤车行为模型子项E(t,T)、时间-里程类型伤车行为模型子项E(t,L)、次数-时间类型伤车行为模型子项E(c,T)以及次数-里程类型伤车行为模型子项E(c,L)，所述E(t,T)在伤车行为模型子项中的数量为α，所述E(t,T)根据行为类型以及子项编号可表示为E(t,T,e,f)，所述E(t,L)伤车行为模型子项中的数量为β，所述E(t,L)根据行为类型以及子项编号可表示为E(t,L,e,f)，所述E(c,T)在伤车行为模型子项中的数量为γ，所述E(c,T)根据行为类型以及子项编号可表示为E(c,T,e,f)，所述E(c,L)在伤车行为模型子项中的数量为ε，所述E(c,L)根据行为类型以及子项编号可表示为E(c,L,e,f)，根据公式6：
Figure FDA0002899031510000041
其中ΔE(t,T)为时间-时间类型伤车行为模型子项相似度，
Figure FDA0002899031510000042
为当前时间-时间类型伤车行为模型子项，
Figure FDA0002899031510000043
为与当前时间-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式7：
Figure FDA0002899031510000044
其中ΔE(t,l)为时间-里程类型伤车行为模型子项相似度，
Figure FDA0002899031510000045
为当前时间-里程类型伤车行为模型子项，
Figure FDA0002899031510000046
为与当前时间-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式8：
Figure FDA0002899031510000047
其中ΔE(c,T)为次数-时间类型伤车行为模型子项相似度，
Figure FDA0002899031510000048
为当前次数-时间类型伤车行为模型子项，
Figure FDA0002899031510000049
为与当前次数-时间类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式9：
Figure FDA00028990315100000410
其中ΔE(c,L)为次数-里程类型伤车行为模型子项相似度，
Figure FDA00028990315100000411
为当前次数-里程类型伤车行为模型子项，
Figure FDA00028990315100000412
为与当前次数-里程类型伤车行为模型子项进行对比的伤车行为模型子项，Qi为伤车行为类型比较计算权重系数；
根据公式10：
ΔD＝ΔE(t,T)+ΔE(t,L)+ΔE(c,T)+ΔE(c,L)
其中ΔD为伤车行为模型相似程度。
CN202110050660.0A 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统及方法 Active CN112801351B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211042760.XA CN115640869A (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统
CN202110050660.0A CN112801351B (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110050660.0A CN112801351B (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统及方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211042760.XA Division CN115640869A (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统

Publications (2)

Publication Number Publication Date
CN112801351A true CN112801351A (zh) 2021-05-14
CN112801351B CN112801351B (zh) 2022-12-13

Family

ID=75810990

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211042760.XA Pending CN115640869A (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统
CN202110050660.0A Active CN112801351B (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统及方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211042760.XA Pending CN115640869A (zh) 2021-01-14 2021-01-14 一种基于大数据的车辆破损预测管理系统

Country Status (1)

Country Link
CN (2) CN115640869A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130238181A1 (en) * 2012-03-12 2013-09-12 Toyota Motor Eng. & Man. North America (Tema) On-board vehicle path prediction using processed sensor information
CN107085768A (zh) * 2017-04-25 2017-08-22 交通运输部公路科学研究所 一种用于评价汽车使用可靠性的系统及方法
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
CN109272603A (zh) * 2018-10-26 2019-01-25 北京长城华冠汽车技术开发有限公司 车辆故障分析数据库及构建方法、故障预测方法、故障预测系统
CN109544727A (zh) * 2018-12-12 2019-03-29 中南林业科技大学 一种云计算车辆故障统计分析方法
US20200031371A1 (en) * 2018-07-25 2020-01-30 Continental Powertrain USA, LLC Driver Behavior Learning and Driving Coach Strategy Using Artificial Intelligence
CN111369012A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 一种用于在线上到线下服务中识别受损车辆的系统和方法
CN111860935A (zh) * 2020-05-21 2020-10-30 北京骑胜科技有限公司 一种交通工具的故障预测方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130238181A1 (en) * 2012-03-12 2013-09-12 Toyota Motor Eng. & Man. North America (Tema) On-board vehicle path prediction using processed sensor information
CN107085768A (zh) * 2017-04-25 2017-08-22 交通运输部公路科学研究所 一种用于评价汽车使用可靠性的系统及方法
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
US20200031371A1 (en) * 2018-07-25 2020-01-30 Continental Powertrain USA, LLC Driver Behavior Learning and Driving Coach Strategy Using Artificial Intelligence
CN109272603A (zh) * 2018-10-26 2019-01-25 北京长城华冠汽车技术开发有限公司 车辆故障分析数据库及构建方法、故障预测方法、故障预测系统
CN111369012A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 一种用于在线上到线下服务中识别受损车辆的系统和方法
CN109544727A (zh) * 2018-12-12 2019-03-29 中南林业科技大学 一种云计算车辆故障统计分析方法
CN111860935A (zh) * 2020-05-21 2020-10-30 北京骑胜科技有限公司 一种交通工具的故障预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡伊等: "基于车载记录仪数据的车辆风险模型实证", 《计算机系统应用》 *

Also Published As

Publication number Publication date
CN115640869A (zh) 2023-01-24
CN112801351B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN107085768B (zh) 一种用于评价汽车使用可靠性的方法
KR101617349B1 (ko) 운전 습관 분석 진단 시스템 및 방법
US20160133070A1 (en) Vehicle preventive maintenance system
US20030114965A1 (en) Method and system for condition monitoring of vehicles
US20150325062A1 (en) System for processing fleet vehicle operation information
CN101187943B (zh) 自动更新系统、自动更新方法及其程序
CN107085773A (zh) 一种用于评价在用汽车技术状况的系统及方法
CN112613406A (zh) 一种基于大数据的商用车多维度运行评估方法
CN110490373B (zh) 基于rcm的轨道车辆计划维修任务优化方法及装置
CN112682125B (zh) 一种车辆机油寿命实时预测方法及装置
CN114548861A (zh) 基于数字孪生的仓库管理方法
CN113190653A (zh) 一种基于区块链的交通数据监测系统
CN112801351B (zh) 一种基于大数据的车辆破损预测管理系统及方法
CN108960220B (zh) 基于状态机模型的信号系统通信数据可靠性分析方法
US6865434B1 (en) Management system of monitor wafers
Ortega A note on some functional relationships involving the mean inactivity time order
CN106204793B (zh) 车辆保养预估方法
CN113052525A (zh) 货物体积预估方法、拼单方法、装置及电子设备
CN110119891B (zh) 一种适于大数据的交通安全影响因素辨识方法
CN106097015A (zh) 一种市场预测系统及方法
CN116485266A (zh) 一种基于物联网的加油用油智能管理方法及系统
CN110322046A (zh) 一种消除异常货量影响的货量预测方法及系统
CN113935400A (zh) 一种车辆故障诊断方法、装置、系统及存储介质
CN201030869Y (zh) 铁路机务故障管理信息系统
CN108075918A (zh) 互联网业务变更检测方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20221122

Address after: Room 1305, N East Tower, Yangcheng International Trade Center, Tiyu East Road, Tianhe District, Guangzhou, Guangdong 510000

Applicant after: Guangzhou public Mdt InfoTech Ltd.

Address before: 215000 23 Wuxiang road Changshu Suzhou Jiangsu Province

Applicant before: Chen Dengxing

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant