CN113191595B - 车辆运营全生命周期成本关联数据分析方法及系统 - Google Patents

车辆运营全生命周期成本关联数据分析方法及系统 Download PDF

Info

Publication number
CN113191595B
CN113191595B CN202110371940.1A CN202110371940A CN113191595B CN 113191595 B CN113191595 B CN 113191595B CN 202110371940 A CN202110371940 A CN 202110371940A CN 113191595 B CN113191595 B CN 113191595B
Authority
CN
China
Prior art keywords
data
vehicle
vehicle operation
life cycle
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.)
Active
Application number
CN202110371940.1A
Other languages
English (en)
Other versions
CN113191595A (zh
Inventor
李尚城
丁小云
程杰
张燕
夏凡
鲁力
余意
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.)
Dongfeng Changxing Technology Co ltd
Original Assignee
Dongfeng Changxing Technology 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 Dongfeng Changxing Technology Co ltd filed Critical Dongfeng Changxing Technology Co ltd
Priority to CN202110371940.1A priority Critical patent/CN113191595B/zh
Publication of CN113191595A publication Critical patent/CN113191595A/zh
Application granted granted Critical
Publication of CN113191595B publication Critical patent/CN113191595B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及车辆运营全生命周期成本关联数据分析方法及系统，所述方法包括步骤：使用K‑Means算法对爬取的互联网数据内容进行聚类处理；将K‑Means聚类结果进行筛选，提取指定范围内车辆运营全生命周期成本的关键词；提取车辆数据、司机数据和平台数据形成不同运营模式；分别获取车辆维修保养数据、车辆订单数据、车辆运行数据，并进行数据处理、聚合；建立高价值司机模型、车辆运营全生命周期成本模型、车辆残值模型；搭建车辆运营全生命周期成本关联数据管理网站；将车辆数据和/或司机数据和/或平台数据输入数据管理网站进行数据分析获得对应结果。本发明能够精确地计算出车辆运营全生命周期成本，优化资产管理。

Description

车辆运营全生命周期成本关联数据分析方法及系统
技术领域
本发明属于大数据分析技术领域，具体地指车辆运营全生命周期成本关联数据分析方法及系统。
背景技术
近年来，随着中国经济的快速发展和城市规模的不断提升，居民对日常交通出行的需求也在不断增加。我国的网约车经济呈现出快速增长的态势，现代信息技术的发展促进了Uber、DiDi、东风出行等网约车的出现，网约车已成为智能交通系统的重要组成部分。网约车提供快车、顺风车等多种出行方式，同时在打车时间和需求车型等方面给乘客更多的选择空间，极大地满足了居民日常出行需求。但出行公司也面对着一系列的问题如：难以准确地计算出全生命周期成本、运营车辆选择困难、司机管理困难。这些问题严重阻碍了出行公司的盈利，特别是运营全生命周期成本计算问题已成为近年来制约出行公司发展的瓶颈，给出行公司的日常管理和运行带来了巨大的压力和挑战。
多家传统汽车公司进行业务转型升级时，都扩展了网约车相关服务。出行公司运营全生命周期成本涉及到几乎所有公司与车辆的细节，如具体到每个司机的接单量、维保费用、维保次数进行司机画像。
运营TCO即车辆全生命周期内的运营成本，目前运营TCO各个影响因素(司机、订单、车型、维修保养等)组成复杂，基础成本项多达200多项，且相互影响，分析车辆运营关联多方面影响要素与全生命周期成本的关系能为公司决策者及进一步研究者提供理论基础。
发明内容
针对上述现有技术的不足之处，本发明提出一种车辆运营全生命周期成本关联数据分析方法及系统，能够精确地计算出车辆运营全生命周期成本。
本发明一种车辆运营全生命周期成本关联数据分析方法，其特殊之处在于，所述方法包括如下步骤：
1)利用互联网数据进行车辆运营全生命周期成本关键词搜索，使用K-Means算法对爬取的互联网数据内容进行聚类处理；
2)将K-Means聚类结果进行筛选，提取指定范围内车辆运营全生命周期成本的关键词；
3)把提取出的关键词进行类别划分，提取车辆数据、司机数据和平台数据形成不同运营模式；
4)分别获取车辆维修保养数据、车辆订单数据、车辆运行数据，并进行数据处理、聚合；
5)建立高价值司机模型、车辆运营全生命周期成本模型、车辆残值模型；
6)搭建车辆运营全生命周期成本关联数据管理网站，建立并定时更新存储车辆数据、司机数据和平台数据的数据库；
7)将车辆数据和/或司机数据和/或平台数据输入所述车辆运营全生命周期成本关联数据管理网站进行数据分析获得对应结果。
优选地，所述步骤1的具体步骤包括：
1.1)对爬取到的论文进行文本预处理，分割论文为短句，并去除非ASCII码，去除标点符号；
1.2)将预处理得到的短句转换为Word2Vec，准备进行进一步分析；
1.3)基于K-Means算法对Word2Vec数据进行聚类分析，从预处理数据选择k个初始中心点，作为聚类中心a＝a1,a2,...ak；
1.4)计算Word2Vec数据中各个样本xi分别到k个聚类中心的距离，将该点分到最近最小的聚类中心所对应的类中；
1.5)针对每个类别ai，重新计算它的聚类中心
Figure BDA0003009649590000031
1.6)重复步骤1.4)、1.5)，直到最小误差变化到达阈值h，形成Word2Vec数据簇。
优选地，所述步骤4)中利用哈希表处理数据，先将已知的参数项信息保存到哈希表里，查找其他未知字符串是否出现过或者出现频率；利用哈希表处理爬取到的相关车辆的配置参数数据，以此来增加参数项，让主客观评价结果及计算结果更加准确。
优选地，所述车辆维修保养数据的处理过程为：按车辆VIN码进行维修保养数据聚合；计算出每个车辆的购车时间、行驶里程、维修费用、维修次数、保养费用、保养次数作为车辆维修保养参数。
优选地，所述车辆订单数据的处理过程为：按车辆VIN码进行订单数据聚合；计算出每个车辆的月订单数、空驶行程、总行驶里程、目的地位置作为车辆订单数据；进行目的地位置搜索，爬取目的地位置POI分类，拼接至数据表。
优选地，所述车辆运行数据的处理过程为：按车辆VIN码进行TBOX运行数据聚合；计算出每个车辆的总行驶里程、SOC变化、能耗、百公里能耗作为车辆运行数据数据。
优选地，将车辆维修保养数据、车辆订单数据、车辆运行数据的按车辆的VIN码进行数据聚合。
优选地，所述车辆运营全生命周期成本模型包括：
租赁模式：
Figure BDA0003009649590000032
个人模式：
Figure BDA0003009649590000033
车队模式：
Figure BDA0003009649590000034
专车模式：
Figure BDA0003009649590000041
其中，S为生命周期总行驶里程，N为车辆使用周期，CVZi为第i年折旧成本，CVB为采购成本，CVCi为第i年车辆残值，CQi为第i年其它成本，CEi为第i年能耗成，CMi为第i年维保成本，Cmu为月使用成，CPi为第i年人力成本，CDCi为第i年司机成本，COCi为第i年其他人力成本，CLi为第i年平台成本，CPB为平台搭建成本，CPoi为第i年平台运营成本，CPMi为第i年平台维护成本。
优选地，所述高价值司机模型包括用于计算司机MFM系数m的MFMPEI模型和用于计算司机PEI系数p的PEI模型，将m、p值高于设定参数的两者交集对应的司机作为高价值司机。
本发明还提出一种车辆运营全生命周期成本关联数据分析系统，所述分析系统执行上述车辆运营全生命周期成本关联数据分析方法。
与现有技术相比，本发明的有益效果在于：
1、本发明能够精确地计算出车辆运营全生命周期成本。
2、本发明帮助车辆运营公司掌握车辆运营成本的具体组成、便于实时掌握司机绩效。
3、本发明能够优化资产管理计划，提高绩效并降低风险与成本。
附图说明
图1为本发明方法的流程图。
图2为TCO聚类筛选结果示意图。
图3为车辆运营全生命周期成本关联数据管理网站示意图。
图4为车辆运营全生命周期成本关联数据分析计算结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明提出的车辆运营全生命周期成本关联数据分析方法包括步骤：
1)利用互联网数据进行车辆运营全生命周期成本关键词搜索，使用K-Means算法对爬取的互联网数据内容进行聚类处理；具体步骤包括：
1.1)对爬取到的论文进行文本预处理，分割论文为短句，并去除非ASCII码，去除标点符号；
1.2)将预处理得到的短句转换为Word2Vec，准备进行进一步分析；
1.3)基于K-Means算法对Word2Vec数据进行聚类分析，从预处理数据选择k个初始中心点，作为聚类中心a＝a1,a2,...ak；
1.4)计算Word2Vec数据中各个样本xi分别到k个聚类中心的距离，将该点分到最近最小的聚类中心所对应的类中；
1.5)针对每个类别ai，重新计算它的聚类中心
Figure BDA0003009649590000051
1.6)重复步骤1.4)、1.5)，直到最小误差变化到达阈值h，形成Word2Vec数据簇。
2)将K-Means聚类结果进行筛选，提取指定范围内距离TCO(全生命周期成本)距离近的关键词；
2.1)使用seaborn库进行关键词聚类结果可视化；
2.2)使用FastText库的most_similar函数搜索与TCO(全生命周期成本)最相近的关键词，得到燃油费、电费、保险费等关键词，并针对这些关键词继续进行most_similar搜索，得到更多关键词，如油价、电价等，筛选结果如图2所示；
2.3)结合实际出行公司运营人员经验，把提取出的关键词进行类别划分，主要分为购车成本、能耗成本、维保成本、公司运营成本这四大类；
2.4)使用FastText库的most_similar函数分别搜索与购车、能耗、维保、运营相关的关键词；
2.5)按类分别记录步骤2.4)得到的关键词，结合实际出行公司运营人员经验，进行关键词增删改；
3)把提取出的关键词进行类别划分，提取车辆数据、司机数据和平台数据形成不同运营模式；
主要提取出车辆数据、平台数据以及测评数据即车辆、平台、司机三大类数据。依据车、司机、平台三大类数据，可以应用分析四种不同的运营模式即专车模式(车+司机+平台)、个人模式(司机)、租赁模式(车)以及车队模式(车+司机)。
4)分别获取车辆维修保养数据、车辆订单数据、车辆运行数据，并进行数据处理、聚合。
车辆维修保养数据的处理过程为：按车辆VIN码进行维修保养数据聚合；计算出每个车辆的购车时间、行驶里程、维修费用、维修次数、保养费用、保养次数作为车辆维修保养参数。
车辆订单数据的处理过程为：按车辆VIN码进行订单数据聚合；计算出每个车辆的月订单数、空驶行程、总行驶里程、目的地位置作为车辆订单数据；进行目的地位置搜索，爬取目的地位置POI分类，拼接至数据表。
车辆运行数据的处理过程为：按车辆VIN码进行TBOX运行数据聚合；计算出每个车辆的总行驶里程、SOC变化、能耗、百公里能耗作为车辆运行数据数据。
将车辆维修保养数据、车辆订单数据、车辆运行数据的按车辆的VIN码进行数据聚合。
利用哈希表处理数据，先将已知的参数项信息保存到哈希表里，查找其他未知字符串是否出现过或者出现频率；利用哈希表处理爬取到的相关车辆的配置参数数据，以此来增加参数项，让主客观评价结果及计算结果更加准确。
5)建立高价值司机模型、车辆运营全生命周期成本模型、车辆残值模型。
采用HedonicPrice特征价格法建立特征价格子模型。一种多样性商品具有多方面的不同特征或品质(如汽车的百公里能耗、主客观评分等特征)，商品价格则是所有这些特征的综合反映和表现。当商品某一方面的特征改变时，商品的价格也会随之改变。将汽车商品的价格分解，以显现出其各项特征的隐含价格，在保持汽车的特征不变的情况下，将汽车价格变动中的特征因素分解，从价格的总变动中逐项剔除特征变动的影响，剩下的便是纯粹由供求关系引起的价格变动。车辆运营全生命周期成本模型包括：
租赁模式：
Figure BDA0003009649590000071
个人模式：
Figure BDA0003009649590000072
车队模式：
Figure BDA0003009649590000073
专车模式：
Figure BDA0003009649590000074
其中，S为生命周期总行驶里程，N为车辆使用周期，CVZi为第i年折旧成本，CVB为采购成本，CVCi为第i年车辆残值，CQi为第i年其它成本，CEi为第i年能耗成，CMi为第i年维保成本，Cmu为月使用成，CPi为第i年人力成本，CDCi为第i年司机成本，COCi为第i年其他人力成本，CLi为第i年平台成本，CPB为平台搭建成本，CPoi为第i年平台运营成本，CPMi为第i年平台维护成本。
采购成本：CVB＝零售价×折扣率+印花税+牌照办理费+装饰费用+各类税费-补贴
能耗成本：CE＝正常能耗费+充能误工费
维保成本：
Figure BDA0003009649590000075
Figure BDA0003009649590000076
其它成本：CVQ＝贷款费用+车辆年检费+道路通行及违章费用+
流量费
折旧成本：CVZ(采购成本CVB-车辆残值CVC)
月使用成本：Cmu＝[折旧成本+日常使用成本(能耗+维保)]/月份
人力成本：CP＝司机成本+其它人力成本
平台成本：CL＝平台搭建成本+平台经营成本+平台维护成本
将现有司机数据按MFMPEI模型(总行驶里程、维修次数、维修金额、月平均订单数、百公里能耗、月平均订单金额)进行高价值司机分类高价值司机模型包括用于计算司机MFM系数m的MFMPEI模型和用于计算司机PEI系数p的PEI模型，将m、p值高于设定参数的两者交集对应的司机作为高价值司机。
使用K-Means聚类各个要素数据，并输入进MFMPEI模型，输出高价值司机分类，MFMPEI模型计算公式如下：
Figure BDA0003009649590000081
其中m为司机MFM系数，Ml为总行驶里程，F为维修次数，Mp为维修金额；
Figure BDA0003009649590000082
其中p为司机PEI系数，Pd为月平均订单数，Ed为百公里能耗，Id为月平均订单金额；
综合司机的PEI系数和MFM系数进行司机价值评价，p>＝pH的为接单高价值司机，m>＝mH的为行驶高价值司机，选择二者的交集作为高价值司机类；司机价值评价计算公式如下：
V＝(m>＝mH)&&(p>＝pH)
6)搭建车辆运营全生命周期成本关联数据管理网站，建立并定时更新存储车辆数据、司机数据和平台数据的数据库。
使用MYSQL数据库存储车辆数据，静态数据库中存放车型参数、车型名称、司机名称、运行车辆VIN码、购车成本参数、运营成本参数等，动态数据库中存放TBOX运行数据、维修保养数据、订单数据等。
使用Vue和Django REST Framework搭建数据管理网站，实现车辆数据自动上传、统计分析，采用Django框架的意义有：用于搭建web应用程序，免去不同web应用相同代码部分的重复编写，只需关心Web应用核心的业务逻辑实现，MVC设计模式的核心思想是分工、解耦，让不同的代码块之间降低耦合，增强代码的可扩展性和可移植性，实现向后兼容。MVC的优点：实现解耦，为了满足高内聚低耦合，实现应用的复用。
网站页面截图如图3所示，车辆运营公司定期上传运行车辆的维保数据、TBOX运行数据、订单数据以供更新数据库，并在后台利用XGBoost构建残值模型，及时更新车辆残值。
7)将车辆数据和/或司机数据和/或平台数据输入所述车辆运营全生命周期成本关联数据管理网站进行数据分析获得对应结果。车辆运营全生命周期成本关联数据分析计算结果如图4所示。
基于上述方法，本发明还提出一种车辆运营全生命周期成本关联数据分析系统，所述分析系统执行上述的车辆运营全生命周期成本关联数据分析方法。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种车辆运营全生命周期成本关联数据分析方法，其特征在于：所述方法包括如下步骤：
1)利用互联网数据进行车辆运营全生命周期成本关键词搜索，使用K-Means算法对爬取的互联网数据内容进行聚类处理；
1.1)对爬取到的论文进行文本预处理，分割论文为短句，并去除非ASCII码，去除标点符号；
1.2)将预处理得到的短句转换为Word2Vec，准备进行进一步分析；
1.3)基于K-Means算法对Word2Vec数据进行聚类分析，从预处理数据选择k个初始中心点，作为聚类中心a＝a1,a2,...ak；
1.4)计算Word2Vec数据中各个样本xi分别到k个聚类中心的距离，将该点分到最近最小的聚类中心所对应的类中；
1.5)针对每个类别ai，重新计算它的聚类中心
Figure FDA0003853975450000011
i∈[1,k]；
1.6)重复步骤1.4)、1.5)，直到最小误差变化到达阈值h，形成Word2Vec数据簇；
2)将K-Means聚类结果进行筛选，提取指定范围内车辆运营全生命周期成本的关键词；
3)把提取出的关键词进行类别划分，提取车辆数据、司机数据和平台数据形成不同运营模式；
4)分别获取车辆维修保养数据、车辆订单数据、车辆运行数据，并进行数据处理、聚合；利用哈希表处理数据，先将已知的参数项信息保存到哈希表里，查找其他未知字符串是否出现过或者出现频率；利用哈希表处理爬取到的相关车辆的配置参数数据，以此来增加参数项，让主客观评价结果及计算结果更加准确；
5)建立高价值司机模型、车辆运营全生命周期成本模型、车辆残值模型；
6)搭建车辆运营全生命周期成本关联数据管理网站，建立并定时更新存储车辆数据、司机数据和平台数据的数据库；
7)将车辆数据和/或司机数据和/或平台数据输入所述车辆运营全生命周期成本关联数据管理网站进行数据分析获得对应结果。
2.根据权利要求1所述的车辆运营全生命周期成本关联数据分析方法，其特征在于：所述车辆维修保养数据的处理过程为：按车辆VIN码进行维修保养数据聚合；计算出每个车辆的购车时间、行驶里程、维修费用、维修次数、保养费用、保养次数作为车辆维修保养参数。
3.根据权利要求1所述的车辆运营全生命周期成本关联数据分析方法，其特征在于：所述车辆订单数据的处理过程为：按车辆VIN码进行订单数据聚合；计算出每个车辆的月订单数、空驶行程、总行驶里程、目的地位置作为车辆订单数据；进行目的地位置搜索，爬取目的地位置POI分类，拼接至数据表。
4.根据权利要求1所述的车辆运营全生命周期成本关联数据分析方法，其特征在于：所述车辆运行数据的处理过程为：按车辆VIN码进行TBOX运行数据聚合；计算出每个车辆的总行驶里程、SOC变化、能耗、百公里能耗作为车辆运行数据数据。
5.根据权利要求1所述的车辆运营全生命周期成本关联数据分析方法，其特征在于：将车辆维修保养数据、车辆订单数据、车辆运行数据的按车辆的VIN码进行数据聚合。
6.一种车辆运营全生命周期成本关联数据分析系统，其特征在于：所述分析系统执行权利要求1～5中任一项所述的车辆运营全生命周期成本关联数据分析方法。
CN202110371940.1A 2021-04-07 2021-04-07 车辆运营全生命周期成本关联数据分析方法及系统 Active CN113191595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371940.1A CN113191595B (zh) 2021-04-07 2021-04-07 车辆运营全生命周期成本关联数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371940.1A CN113191595B (zh) 2021-04-07 2021-04-07 车辆运营全生命周期成本关联数据分析方法及系统

Publications (2)

Publication Number Publication Date
CN113191595A CN113191595A (zh) 2021-07-30
CN113191595B true CN113191595B (zh) 2022-12-23

Family

ID=76974817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371940.1A Active CN113191595B (zh) 2021-04-07 2021-04-07 车辆运营全生命周期成本关联数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN113191595B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156871A (zh) * 2015-03-23 2016-11-23 同济大学 一种基于全生命周期拥有成本的电动汽车车型选择方法
CN107506899A (zh) * 2017-07-28 2017-12-22 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的光伏设备评价方法
CN107590543A (zh) * 2017-09-07 2018-01-16 深圳市蓝泰源信息技术股份有限公司 一种智能公交车生命周期的监控方法
CN112508213A (zh) * 2020-12-25 2021-03-16 武汉理工大学 一种运营纯电动汽车残值评估方法及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787064A (zh) * 2016-03-01 2016-07-20 广州铭诚计算机科技有限公司 一种基于大数据的挖掘平台构建方法
CN107180303A (zh) * 2017-05-12 2017-09-19 国网上海市电力公司 一种基于全寿命周期成本管理的配电网规划方法
CN110533357A (zh) * 2019-06-06 2019-12-03 上海凯京信达科技集团有限公司 一种基于大数据的货运成本的计算方法
CN111914138A (zh) * 2020-08-18 2020-11-10 斯润天朗(无锡)科技有限公司 基于车联网大数据的工况分析方法、装置和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156871A (zh) * 2015-03-23 2016-11-23 同济大学 一种基于全生命周期拥有成本的电动汽车车型选择方法
CN107506899A (zh) * 2017-07-28 2017-12-22 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本的光伏设备评价方法
CN107590543A (zh) * 2017-09-07 2018-01-16 深圳市蓝泰源信息技术股份有限公司 一种智能公交车生命周期的监控方法
CN112508213A (zh) * 2020-12-25 2021-03-16 武汉理工大学 一种运营纯电动汽车残值评估方法及设备

Also Published As

Publication number Publication date
CN113191595A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Kouridis et al. Uncertainty estimates and guidance for road transport emission calculations
CN112508600A (zh) 一种基于互联网公开数据的车辆价值评估方法
Zhou et al. A multiscale and high-precision LSTM-GASVR short-term traffic flow prediction model
Chen et al. Exploration and mining evaluation system and price prediction of uranium resources
Gaol et al. Adoption of business intelligence to support cost accounting based financial systems—case study of XYZ company
Bousonville et al. Data driven analysis and forecasting of medium and heavy truck fuel consumption
Grushevenko et al. Complex method of petroleum products demand forecasting considering economic, demographic and technological factors
Behnamian et al. Data mining-based firefly algorithm for green vehicle routing problem with heterogeneous fleet and refueling constraint
CN113191595B (zh) 车辆运营全生命周期成本关联数据分析方法及系统
CN116663742A (zh) 基于多因素和模型融合的区域运力预测方法
CN110020666B (zh) 一种基于乘客行为模式的公共交通广告投放方法及系统
Liu et al. Improved energy and emissions modeling for project evaluation (MOVES-Matrix)
CN104899652A (zh) 综合数据交互下的文化演艺运营平台决策支持系统
Dubey et al. Contextual relationship among antecedents of truck freight using interpretive structural modelling and its validation using MICMAC analysis
Huang Research and application of business law information management system based on big data
Yuan et al. A gray prediction method for economic loss of road traffic accidents based on Logistic model.
Yang et al. Curb weight probability distribution and the recommended gross weight of passenger car in mechanical parking garage design
CN114861340B (zh) 一种基于元模型的复杂产品数字样机生成式设计方法
Jones et al. Realistic US Long-Haul Drive Cycle for Vehicle Simulations, Costing, and Emissions Analysis
Ma et al. A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods
Wang Statewide transportation planning: an interactive modeling process
Wang et al. The state subdivision of public traffic vehicles based on K-means algorithm
CN115271260B (zh) 一种公铁联运运量预测方法、装置、设备及可读存储介质
Hakimelahi et al. Updating of a Travel Demand Model Based on Fuel Consumption Data
Zhu et al. Green Routing Fuel Saving Opportunity Assessment: A Case Study on California Large-Scale Real-World Travel 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
GR01 Patent grant
GR01 Patent grant