CN112836831A - 汽车维修关联配件的数据处理方法和装置 - Google Patents
汽车维修关联配件的数据处理方法和装置 Download PDFInfo
- Publication number
- CN112836831A CN112836831A CN202011643364.3A CN202011643364A CN112836831A CN 112836831 A CN112836831 A CN 112836831A CN 202011643364 A CN202011643364 A CN 202011643364A CN 112836831 A CN112836831 A CN 112836831A
- Authority
- CN
- China
- Prior art keywords
- data
- accessory
- training
- association model
- maintenance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种汽车维修关联配件的数据处理方法和装置。该方法包括:通过采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。通过上述方法,解决了现有技术汽车维修配件查找效率较低的技术问题,达到了提高提高配件查找采购效率,减少人力资源消耗的技术效果。
Description
技术领域
本申请涉及汽车服务行业技术领域,具体而言,涉及一种汽车维修关联配件的数据处理方法和装置。
背景技术
由于汽车配件种类较多,且同一配件在不同地方存在不同别名,在进行汽车配件采购的过程中,人工查找所需配件,耗时、费力且易出错。
现有技术中,在汽车配件的采购过程中,主要采用依据历史经验的推荐规则对汽车配件进行查找和推荐,由于配件种类较多,不同地区的配件别名可能存在不同,因此在汽车配件的查找过程中,现有技术存在效率较低的技术问题。
申请内容
本申请的主要目的在于提供一种汽车维修关联配件的数据处理方法,通过配件关联模型对待识别的汽车维修数据进行处理,输出与所述待识别的汽车维修数据的关联配件数据,达到了提高配件查找采购效率的技术效果。
为了实现上述目的,本申请提出了一种汽车维修关联配件的数据处理方法。
本发明的第二方面,还提出了一种汽车维修关联配件的数据处理装置。
本发明的第三方面,还提出了一种计算机可读存储介质。
有鉴于此,根据本发明的第一方面,提出了一种汽车维修关联配件的数据处理方法,包括:采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。
进一步地,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型,包括:基于所述训练维修数据对预先建立的配件关联模型进行训练,包括:识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;基于所述训练数据集,对所述预先建立的配件关联模型进行训练;基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
进一步地,识别所述训练维修数据中的配件特征数据,基于所述配件特征数据构建训练数据集,包括:识别所述训练维修数据中的配件需求数据,所述配件需求数据包括:事故案件数据、车辆结构数据和配件基本数据;识别所述配件需求数据中的配件特征数据,所述配件特征数据包括:车辆类型、品牌、车系和车辆型号;将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理,构建训练数据集。
进一步地,基于所述训练数据集,对所述预先建立的配件推荐模型进行训练,包括:对所述训练数据集中的训练样本数据进行识别,识别所述训练样本数据中的配件特征数据;基于所述训练样本数据中的配件特征数据,对所述预先建立的配件关联模型进行训练;基于所述配件关联模型对所述训练样本数据进行处理,输出训练关联配件数据。
进一步地,基于预设条件对配件关联模型进行校验,获得标准配件关联模型,包括:识别所述训练维修数据中与所述配件需求数据对应的配件订单数据,将所述配件订单数据与所述训练配件关联数据进行对比;若所述对比结果满足预设条件,获得关联配件推荐模型;若所述对比结果不满足预设条件,对所述配件关联模型继续校验,直至满足预设条件,获得标准配件关联模型。
进一步地,在基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据之后,还包括:基于所述关联配件数据,匹配与所述关联配件数据对应的配件采集端口。
本发明的第二方面,提出了一种汽车维修关联配件的数据处理装置,包括:数据采集模块,用于采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;配件关联模块,包括:训练模型模块,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及数据处理模块,基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。结果输出模块,用于输出所述关联配件数据。
进一步地,所述配件关联模块,包括:训练模型模块,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型,包括:样本构建模块,识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;模型训练模块,基于所述训练数据集,对所述预先建立的配件关联模型进行训练;模型校验模块,基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
进一步地,所述样本构建模块,包括:识别所述训练维修数据中的配件需求数据,所述配件需求数据包括:事故案件数据、车辆结构数据和配件基本数据;识别所述配件需求数据中的配件特征数据,所述配件特征数据包括:车辆类型、品牌、车系和车辆型号;将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理,构建训练数据集。
本发明的第三方面,提出了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,该计算机程序被处理器执行时实现如上述的关联配件的数据处理方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
在本申请中,在汽车配件的采集过程中,通过获取训练维修数据,建立配件关联模型,并对所述配件关联模型进行训练,对所述配件关联模型进行校验,获得标准配件关联模型,通过所述标准配件关联模型对多户待识别维修数据进行处理,获得与所述待识别维修数据对应的关联配件数据,达到了提高配件查找和采购的效率,减少人力资源消耗的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图;
图2为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图;
图3为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图;
图4为本申请提供的一种汽车维修关联配件的数据处理装置的结构示意图;
图5为本申请提供的另一种汽车维修关联配件的数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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前提下所获得的所有其他实施例,都应当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。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、产品或设备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。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,“连接”可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
图1为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图,如图1所示,该方法包括以下步骤:
S101:采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;
所述训练维修数据为完成配件采购的维修数据,用于训练配件关联模型,可由已完成汽车维修的汽车维修数据库中获得。获取的汽车维修数据类型包括:汽车事故案件数据,配件采集需求数据和汽车改装需求数据等汽车维修数据类型。
S102:基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;
图2示出了对预先建立的配件关联模型进行训练的流程示意图,具体如下:
S201:识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;
识别所述训练维修数据中的配件需求数据,所述配件需求数据包括:事故案件数据、车辆结构数据和配件基本数据;识别所述配件需求数据中的配件特征数据,所述配件特征数据包括:车辆类型、品牌、车系和车辆型号;将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理,构建训练数据集。
举例说明,对所述训练数据中的配件需求数据进行识别,识别所述配件需求数据为事故案件数据,匹配所述事故案件数据中的配件特征数据,车辆类型为乘用车,车辆品牌为奥迪,车辆型号为A6L,基于所述配件特征数据将所述训练数据进行分类,匹配具有相同特征数据的其他数据,构成训练数据集。
S202:基于所述训练数据集,对所述预先建立的配件关联模型进行训练;
对所述训练数据集中的训练样本数据进行识别,识别所述训练样本数据中的配件特征数据;基于所述训练样本数据中的配件特征数据,对所述预先建立的配件关联模型进行训练;基于所述配件关联模型对所述训练样本数据进行处理,输出训练关联配件数据。
S203:基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
识别所述训练维修数据中与所述配件需求数据对应的配件订单数据,将所述配件订单数据与所述训练配件关联数据进行对比;若所述对比结果满足预设条件,获得关联配件推荐模型;若所述对比结果不满足预设条件,对所述配件关联模型继续校验,直至满足预设条件,获得标准配件关联模型。
所述预设条件为配件关联数值,所述关联系数值为统一配件在不同案件中关联关系的具体表现形式。
通过对所述配件关联模型进行校验,提高所述配件关联模型的基于维修数据进行配件关联的效果,提高配件关联的关联效果。
S103:基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据;
将所述待识别汽车维修数据输入所述标准配件关联模型,获取所述标准配件关联模型输出的关联配件数据,其中所述关联配件数据是基于所述配件关联程度由高至低顺序输出。
S104:基于所述关联配件数据,匹配与所述关联配件数据对应的配件采集端口。
图3示出了所述待识别汽车维修数据通标准配件关联模型进行处理的流程示意图,具体如下:
S301:识别所述待识别汽车维修数据中的配件需求数据与配件特征数据;
S302:通过标准配件关联模型对所述配件需求数据与配件特征数据进行处理,输出与所述待识别汽车维修数据对应的关联配件数据;
S303:基于所述关联配件数据,匹配与所述关联配件数据对应的配件采集端口。
基于所述关联配件数据,匹配配件采集服务端口,包括电商接口,搜索引擎接口或其他接口,可根据用户设置,外接服务端口,实现对汽车维修数据的关联配件数据的识别获取与关联配件订单生成。
图4为本申请提供的一种汽车维修关联配件的数据处理装置的结构示意图,具体如下,
数据采集模块41,用于采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;
配件关联模块42,包括:
训练模型模块,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及
数据处理模块,基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。
结果输出模块43,用于输出所述关联配件数据。
图5为本申请提供的另一种汽车维修关联配件的数据处理装置的结构示意图。
训练模型模块51,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型,包括:
样本构建模块52,识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;
模型训练模块53,基于所述训练数据集,对所述预先建立的配件关联模型进行训练;
模型校验模块54,基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,在本申请中,在汽车配件的采集过程中,通过获取训练维修数据,建立配件关联模型,并对所述配件关联模型进行训练,对所述配件关联模型进行校验,获得标准配件关联模型,通过所述标准配件关联模型对多户待识别维修数据进行处理,获得与所述待识别维修数据对应的关联配件数据,达到了提高提高配件查找采购效率,减少人力资源消耗的技术效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
显然,本领域的技术人员应该明白,上述的本申请的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。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)
1.一种汽车维修关联配件的数据处理方法,其特征在于,包括:
采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;
基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及
基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。
2.根据权利要求1所述的关联配件的数据处理方法,其特征在于,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型,包括:
基于所述训练维修数据对预先建立的配件关联模型进行训练,包括:
识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;
基于所述训练数据集,对所述预先建立的配件关联模型进行训练;
基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
3.根据权利要求2所述的关联配件的数据处理方法,其特征在于,识别所述训练维修数据中的配件特征数据,基于所述配件特征数据构建训练数据集,包括:
识别所述训练维修数据中的配件需求数据,所述配件需求数据包括:事故案件数据、车辆结构数据和配件基本数据;
识别所述配件需求数据中的配件特征数据,所述配件特征数据包括:车辆类型、品牌、车系和车辆型号;
将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理,构建训练数据集。
4.根据权利要求2所述的关联配件的数据处理方法,其特征在于,基于所述训练数据集,对所述预先建立的配件推荐模型进行训练,包括:
对所述训练数据集中的训练样本数据进行识别,识别所述训练样本数据中的配件特征数据;
基于所述训练样本数据中的配件特征数据,对所述预先建立的配件关联模型进行训练;
基于所述配件关联模型对所述训练样本数据进行处理,输出训练关联配件数据。
5.根据权利要求2或4任一项权利要求所述的关联配件的数据处理方法,其特征在于,基于预设条件对配件关联模型进行校验,获得标准配件关联模型,包括:
识别所述训练维修数据中与所述配件需求数据对应的配件订单数据,将所述配件订单数据与所述训练配件关联数据进行对比;
若所述对比结果满足预设条件,获得关联配件推荐模型;
若所述对比结果不满足预设条件,对所述配件关联模型继续校验,直至满足预设条件,获得标准配件关联模型。
6.根据权利要求1所述的关联配件的数据处理方法,其特征在于,在基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据之后,还包括:
基于所述关联配件数据,匹配与所述关联配件数据对应的配件采集端口。
7.一种汽车维修关联配件的数据处理装置,其特征在于,包括:
数据采集模块,用于采集汽车维修数据,所述汽车维修数据至少包括:待识别汽车维修数据和训练维修数据;
配件关联模块,包括:
训练模型模块,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型;以及
数据处理模块,基于所述标准配件关联模型对所述待识别汽车维修数据进行处理,获得关联配件数据。
结果输出模块,用于输出所述关联配件数据。
8.根据权利要求7所述的关联配件的数据处理装置,其特征在于,所述配件关联模块,包括:
训练模型模块,基于所述训练维修数据对预先建立的配件关联模型进行训练,获得标准配件关联模型,包括:
样本构建模块,识别所述训练维修数据中的配件需求数据,基于所述配件需求数据构建训练数据集;
模型训练模块,基于所述训练数据集,对所述预先建立的配件关联模型进行训练;
模型校验模块,基于预设条件对配件关联模型进行校验,获得标准配件关联模型。
9.根据权利要求8所述的关联配件的数据处理装置,其特征在于,所述样本构建模块,包括:
识别所述训练维修数据中的配件需求数据,所述配件需求数据包括:事故案件数据、车辆结构数据和配件基本数据;
识别所述配件需求数据中的配件特征数据,所述配件特征数据包括:车辆类型、品牌、车系和车辆型号;
将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理,构建训练数据集。
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,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的关联配件的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643364.3A CN112836831B (zh) | 2020-12-30 | 2020-12-30 | 汽车维修关联配件的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643364.3A CN112836831B (zh) | 2020-12-30 | 2020-12-30 | 汽车维修关联配件的数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836831A true CN112836831A (zh) | 2021-05-25 |
CN112836831B CN112836831B (zh) | 2022-04-12 |
Family
ID=75927128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011643364.3A Active CN112836831B (zh) | 2020-12-30 | 2020-12-30 | 汽车维修关联配件的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836831B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786886A (zh) * | 2014-12-25 | 2016-07-20 | 上海通用汽车有限公司 | 车辆维修目录系统 |
CN107451778A (zh) * | 2017-07-31 | 2017-12-08 | 无锡市书同文数据有限公司 | 汽车零部件数据匹配处理方法 |
CN107748893A (zh) * | 2017-09-29 | 2018-03-02 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108647700A (zh) * | 2018-04-14 | 2018-10-12 | 华中科技大学 | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
US20200104805A1 (en) * | 2018-09-28 | 2020-04-02 | Mitchell International, Inc. | Methods for estimating repair data utilizing artificial intelligence and devices thereof |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN111931954A (zh) * | 2020-07-21 | 2020-11-13 | 中汽研汽车检验中心(天津)有限公司 | 一种基于obd的机动车智能维修指导系统 |
-
2020
- 2020-12-30 CN CN202011643364.3A patent/CN112836831B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786886A (zh) * | 2014-12-25 | 2016-07-20 | 上海通用汽车有限公司 | 车辆维修目录系统 |
CN107451778A (zh) * | 2017-07-31 | 2017-12-08 | 无锡市书同文数据有限公司 | 汽车零部件数据匹配处理方法 |
CN107748893A (zh) * | 2017-09-29 | 2018-03-02 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108647700A (zh) * | 2018-04-14 | 2018-10-12 | 华中科技大学 | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
US20200104805A1 (en) * | 2018-09-28 | 2020-04-02 | Mitchell International, Inc. | Methods for estimating repair data utilizing artificial intelligence and devices thereof |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN111931954A (zh) * | 2020-07-21 | 2020-11-13 | 中汽研汽车检验中心(天津)有限公司 | 一种基于obd的机动车智能维修指导系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
CN115081651A (zh) * | 2022-05-16 | 2022-09-20 | 开思时代科技(深圳)有限公司 | 基于大数据的汽车配件管理方法、系统及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112836831B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836831B (zh) | 汽车维修关联配件的数据处理方法和装置 | |
CN106557829B (zh) | 用车业务中获取需求与运力不匹配区域的方法和装置 | |
CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
CN103092827A (zh) | 多策略译员稿件自动匹配的方法 | |
CN114462887A (zh) | 用于提供车辆维修提示的方法和系统 | |
CN105045927A (zh) | 建设工程工料机数据自动编码方法及系统 | |
CN109145003B (zh) | 一种构建知识图谱的方法及装置 | |
CN104184763A (zh) | 一种反馈信息处理方法及系统、服务设备 | |
CN108319646A (zh) | 基于用户历史行为的车源搜索方法及装置 | |
CN107924494A (zh) | 用于基于可替代的维修指示符来聚类维修订单的方法和系统 | |
CN112995201B (zh) | 一种基于云平台的资源价值评估处理方法和相关装置 | |
WO2016013280A1 (ja) | データ分析方法、及びデータ分析システム | |
CN106408137A (zh) | 系列车型电器线束配置方法 | |
CN109003148B (zh) | 广告推送方法、装置、服务器及可读存储介质 | |
CN116340883A (zh) | 配电网数据资源融合方法、装置、设备及存储介质 | |
CN110569383A (zh) | 店铺信息处理方法、装置、存储介质及计算机设备 | |
CN110895755A (zh) | 职位匹配方法以及装置、设备、存储介质 | |
CN103729747A (zh) | 发动机个性养护方案推荐系统、方法以及个性养护系统 | |
CN112434140B (zh) | 一种答复信息处理方法及系统 | |
CN114862243A (zh) | 用于辅助决策的数据处理方法和装置 | |
CN113890948A (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
CN115984002B (zh) | 用于车辆交易管理的数据处理方法和装置 | |
CN113486086A (zh) | 一种基于特征工程的数据挖掘方法及系统 | |
CN106202390B (zh) | 一种数据库完善系统及方法 | |
CN115454299B (zh) | 一种用户身份鉴权的公共门户服务编排管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |