CN115906317A - 一种基于碳中和的预测发动机寿命的方法及系统 - Google Patents
一种基于碳中和的预测发动机寿命的方法及系统 Download PDFInfo
- Publication number
- CN115906317A CN115906317A CN202211519625.XA CN202211519625A CN115906317A CN 115906317 A CN115906317 A CN 115906317A CN 202211519625 A CN202211519625 A CN 202211519625A CN 115906317 A CN115906317 A CN 115906317A
- Authority
- CN
- China
- Prior art keywords
- engine
- data set
- data
- value
- difference
- 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
Images
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于碳中和的预测发动机寿命的方法及系统,涉及特征提取领域。包括对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q学习设计发动机维修决策模型;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将发动机数据分为显性数据集合和隐性数据集合,通过聚类分析指标获得共同网络行为特征的数据集合;计算群体中所有变量的综合标准差RMSSTD,计算聚类后群体间差异的大小R_Square;通过该模型计算结果与共同网络行为特征提取得到购买发动机部件的预测用户集合;能够实现车部件再生概率的评测。
Description
技术领域
本发明涉及特征提取领域,具体而言,涉及一种基于碳中和的预测发动机寿命的方法及系统。
背景技术
截至2020年,我国汽车保有量达2.81亿辆,按照国际5%的报废比例最低水平,预计2020年我国的报废汽车量将超过1400万量。但根据统计结果,我国2020年报废汽车回收拆解数量仅为206.6万辆,报废汽车回收率不足15%,其他大部分车辆违规重新进入偏远地区市场和非法拆装市场,这是我国报废汽车回收行业的症结所在,其根本原因在于报废车辆在正规车辆拆解厂体现的价值,得不到报废汽车所有人的认可。报废汽车在拆解后,一部分进行修复翻新(再制造)后回收再利用,一部分破碎后作为废金属和废塑料,出售给金属和塑料再生企业作为生产原料资源化,其他不能回收的部分作为废料焚烧或填埋处理,其中的经济价值依次递减。再制造是实现报废汽车最大化价值的主要途径,但再制造需要占用大量的拆解件库存。而为了实现报废车辆的最大化经济价值,减小报废汽车所有人的价值鸿沟,拆解厂需要一种能够实现对报废车的拆解件可再生的概率评测的智能方法及系统。
发明内容
本发明的目的在于提供一种基于碳中和的预测发动机寿命的方法,其能够实现对报废车的拆解件可再生的概率进行智能评测。
本发明的另一目的在于提供一种基于碳中和的预测发动机寿命的系统,其能够实现对报废车的拆解件可再生的概率进行智能评测。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于碳中和的预测发动机寿命的方法,其包括如下步骤,步骤一、对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmaxQ(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:Q(s,a)=[s,a];步骤二、通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将上述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;计算群体中所有变量的综合标准差RMSSTD,计算公式如下:其中,Si代表第i个变量在各群内的标准差之和;RMSSTD越小则聚类效果越好;计算聚类后群体间差异的大小R_Square,计算公式如下:其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;通过如下公式计算:其中p表示变量指标的数量,n表示组员数量,表示总体平均值;通过该模型计算结果与上述共同网络行为特征的数据集合提取得到购买发动机部件的预测用户集合;步骤三、构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
在本发明的一些实施例中,上述步骤一中,Q增强学习算法具体包括如下内容:1)设置相关参数;2)初始化Q表,迭代次数为episode=0;3)随机初始化状态St,t=0;4)根据Q表选择动作at;5)执行动作at,获取下一个状态St+1计算得到的回报rt;6)更新Q表;7)判断寿命件和单元体是否超过寿命,当判断为是时回到步骤3)进行多次迭代运算后,最终保存Q表;当判断为否时判断发动机是否到达全寿命,当判定为是时保存Q表;当判定为否时回到步骤4)进行多次迭代运算后,最终保存Q表。
在本发明的一些实施例中,上述步骤二中,上述显性数据包括用户点评、打分和评论数据;上述隐性数据包括用户点击行为、购买行为和搜索行为。
在本发明的一些实施例中,上述一种基于碳中和的预测发动机寿命的方法,步骤三中,构建上述分类预测模型包括,给定数据集里有m个分类类别,预测给定观察值是否属于具有最高后验概率的特定类别,当预测X属于类别C时,表示当且仅当:P(Ci|X)>P(Cj|X)1≤j≤m,j≠i,此时,如果最大化P(Ci|X),其中P(Ci|X)最大的类Ci称为最大后验假设,根据贝叶斯定理得到:其中,P(X)对于所有的类别是均等的,最大化P(Ci|X)时P(X|Ci)P(Ci)取最大值。
在本发明的一些实施例中,上述步骤三中、预测未知样本X的类别时,对每个类别Ci估算得到相应的P(X|Ci)P(Ci)最大值:
P(Ci|X)>P(Cj|X)1≤j≤m,j≠i。
第二方面,本申请实施例提供一种基于碳中和的预测发动机寿命的系统,其包括,
发动机评估模块:对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmaxQ(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:Q(s,a)=[s,a];
购买用户预测模块:通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将上述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;计算群体中所有变量的综合标准差RMSSTD,计算公式如下:其中,Si代表第i个变量在各群内的标准差之和;RMSSTD越小则聚类效果越好;计算聚类后群体间差异的大小R_Square,计算公式如下:其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],R_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;通过如下公式计算:
分类预测模块:构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
在本发明的一些实施例中,构建上述分类预测模型包括,给定数据集里有m个分类类别,预测给定观察值是否属于具有最高后验概率的特定类别,当预测X属于类别C时,表示当且仅当:
P(Ci|X)>P(Cj|X)1≤j≤m,j≠i,此时,如果最大化P(Ci|X),其中P(Ci|X)最大的类Ci称为最大后验假设,根据贝叶斯定理得到:其中,P(X)对于所有的类别是均等的,最大化P(Ci|X)时P(X|Ci)P(Ci)取最大值。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本申请在碳中和的背景下,对报废车辆的发动机部件赋予唯一的编号,将基于Q学习的发动机维修决策模型设计好后,进行Q学习算法设计,完成算法训练前工作。获取Q学习算法的发动机数据,并将发动机数据分成显性数据集合和隐性数据集合,通过分析聚类分析指标结合显性数据和隐性数据集合之间的共同网络行为特征。然后对可再用发动机评价数据集合进行预测,从而为可再用发动机提供更准确的概率值,通过概率值越大得到越准确的用户预测结果,实现对报废车的拆解件可再生的概率进行智能评测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例1基于碳中和的预测发动机寿命的方法的流程图;
图2为本发明实施例1中Q增强学习算法的流程图;
图3为本发明实施例1中步骤三的流程图;
图4为本发明实施例2基于碳中和的预测发动机寿命的系统的原理图;
图5为本发明实施例3电子设备的原理图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
实施例1
请参阅图1~图3,图1~图3所示为本申请实施例提供的基于碳中和的预测发动机寿命的方法的示意图。基于碳中和的预测发动机寿命的方法,其包括如下步骤,步骤一、对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmaxQ(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:Q(s,a)=[s,a];步骤二、通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将上述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;计算群体中所有变量的综合标准差RMSSTD,计算公式如下:
其中,Si代表第i个变量在各群内的标准差之和;RMSSTD越小则聚类效果越好;计算聚类后群体间差异的大小R_Square,计算公式如下:其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;通过如下公式计算:其中p表示变量指标的数量,n表示组员数量,表示总体平均值;通过该模型计算结果与上述共同网络行为特征的数据集合提取得到购买发动机部件的预测用户集合;步骤三、构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
步骤1中,对报废车辆的发动机部件赋予唯一的编号,首先将基于Q学习的发动机维修决策模型中的状态、动作、回报和设计好后,进行Q学习算法设计,设计完成后算法训练前工作也就全部完成。其次,从发动机评估模块获取发动机数据,并将发动机数据分成显性数据集合和隐性数据集合。通过聚类分析指标结合显性数据和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合。然后,构建分类预测模型对可再用发动机评价数据集合预测,从而为可再用发动机提供更准确的概率值。
RMSSTD(Root-Mean-Square Standard Deviation):群体中所有变量的综合标准差,RMSSTD越小表明群体内(簇内)个体对象的相似程度越高,聚类效果越好。R-Square:聚类后群体间差异的大小,也就是聚类结果可以在多大比例上解释原数据的方差,R-Square越大表明群体间(簇间)的相异性越高,聚类效果就越好。按照聚类的思想来看,一个好的聚类给果,应该是在R-Square E[0,11]的范围内,并且Square越接近1越好,这说明了各个群类之间的差异,即B越大,而同组内(群内)各对象间的差异,即W越小,这正是聚类分析所希望达到的效果。最后,通过步骤二得到的模型与购买用户共同特征提取出可能购买拆解件用户集合。
其中,通过车型数据管理模块采集对应车型的不同年度的保有量数据,收集拆解件求购信息,对不同年度对应拆解件的需求进行评估,并通过人工智能模型预测拆解件可再生价值评估及库存的动态管理,从而实现拆解件库存的动态管理,达到拆解件再利用与资源化有效统一,进而实现整个报废汽车拆解件再利用的规范化和标准化。
在本发明的一些实施例中,上述步骤一中,Q增强学习算法具体包括如下内容:1)设置相关参数;2)初始化Q表,迭代次数为episode=0;3)随机初始化状态St,t=0;4)根据Q表选择动作at;5)执行动作at,获取下一个状态St+1计算得到的回报rt;6)更新Q表;7)判断寿命件和单元体是否超过寿命,当判断为是时回到步骤3)进行多次迭代运算后,最终保存Q表;当判断为否时判断发动机是否到达全寿命,当判定为是时保存Q表;当判定为否时回到步骤4)进行多次迭代运算后,最终保存Q表。
Q学习算法是一种基于无模型的增强学习算法,具有无须建立环境模型、收敛效果好等优点。Q学习是增强学习中的一种无关模型的、基于状态行为值函数的、离策略的增强学习算法。离策略是指,智能体agent不是利用初始的策略π去生成训练样本来更新策略π,而是利用策略μ来与环境互交生成训练样本,然后利用这些样本去更新策略π。
Q学习采用表格的形式来存储学习到的知识,即状态动作值。Q表训练好后,最终得出的策略是根据Q表来决定的,即根据当前状态选择Q表中最大Q值对应的动作作为输出。因此,将Q表设计为存储状态和动作对Q值的矩阵:Q(s,a)=[s,a]。
在本发明的一些实施例中,上述步骤二中,上述显性数据包括用户点评、打分和评论数据;上述隐性数据包括用户点击行为、购买行为和搜索行为。
显性数据包括用户点评、打分、评论等数据。由于显性数据存在一定的问题,譬如用户很少参与评论,从而造成显性打分数据较可能存在欺诈嫌疑或者仅给定了部分信息;用户一旦评分,就不会去更新用户评分分值等。隐性数据:主要是指用户点击行为、购买行为和搜索行为等,这些数据隐性的揭示了用户对商品喜好,隐性数据也存在一定的问题,譬如如何识别用户是为自己购买商品,还是做为礼物赠送给朋友。因此,将显性数据和隐性数据放入聚类分析指标进行运算,获得更加据有典型付费用户特征的优化数据集合。
在本发明的一些实施例中,上述一种基于碳中和的预测发动机寿命的方法,步骤三中,构建上述分类预测模型包括,给定数据集里有m个分类类别,预测给定观察值是否属于具有最高后验概率的特定类别,当预测X属于类别C时,表示当且仅当:P(Ci|X)>P(Cj|X)1≤j≤m,j≠i,此时,如果最大化P(Ci|X),其中P(Ci|X)最大的类Ci称为最大后验假设,根据贝叶斯定理得到:其中,P(X)对于所有的类别是均等的,最大化P(Ci|X)时P(X|Ci)P(Ci)取最大值。
在本发明的一些实施例中,上述步骤三中、预测未知样本X的类别时,对每个类别Ci估算得到相应的P(X|Ci)P(Ci)最大值:
P(Ci|X)>P(Cj|X)1≤j≤m,j≠i。
贝叶斯定理是朴素贝叶斯分类法(Naive Bayesian ClaSSifier)的基础,如果给定数据集里有M个分类类别,通过朴素贝叶斯分类法,可以预测给定观察值是否属于具有最高后验概率的特定类别。
实施例2
请参阅图4,图4为本申请实施例提供的基于碳中和的预测发动机寿命的系统的示意图。基于碳中和的预测发动机寿命的系统,其包括,发动机评估模块:对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmaxQ(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:Q(s,a)=[s,a];购买用户预测模块:通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将上述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;计算群体中所有变量的综合标准差RMSSTD,计算公式如下:其中,Si代表第i个变量在各群内的标准差之和;RMSSTD越小则聚类效果越好;计算聚类后群体间差异的大小R_Square,计算公式如下:其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],R_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;通过如下公式计算:其中p表示变量指标的数量,n表示组员数量,表示总体平均值;通过该模型计算结果与上述共同网络行为特征的数据集合提取得到购买发动机部件的预测用户集合;分类预测模块:构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
在本发明的一些实施例中,构建上述分类预测模型包括,给定数据集里有m个分类类别,预测给定观察值是否属于具有最高后验概率的特定类别,当预测X属于类别C时,表示当且仅当:
P(Ci|X)>P(Cj|X)1≤j≤m,j≠i,此时,如果最大化P(Ci|X),其中P(Ci|X)最大的类Ci称为最大后验假设,根据贝叶斯定理得到:其中,P(X)对于所有的类别是均等的,最大化P(Ci|X)时P(X|Ci)P(Ci)取最大值。
本申请实施例与实施例1的原理相同,在此不做重复描述。可以理解,图4所示的结构仅为示意,基于碳中和的预测发动机寿命的系统还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
实施例3
请参阅图5,图5为本申请实施例提供的电子设备的示意图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例2所提供的基于碳中和的预测发动机寿命的系统对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal ProceSSing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于碳中和的预测发动机寿命的方法及系统:本申请在碳中和的背景下,对报废车辆的发动机部件赋予唯一的编号,将基于Q学习的发动机维修决策模型设计好后,进行Q学习算法设计,完成算法训练前工作。获取Q学习算法的发动机数据,并将发动机数据分成显性数据集合和隐性数据集合,通过分析聚类分析指标结合显性数据和隐性数据集合之间的共同网络行为特征。然后对可再用发动机评价数据集合进行预测,从而为可再用发动机提供更准确的概率值,通过概率值越大得到越准确的用户预测结果,实现对报废车的拆解件可再生的概率进行智能评测。
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 (7)
1.一种基于碳中和的预测发动机寿命的方法,其特征在于,包括如下步骤,
步骤一、对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;
其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmax Q(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;
Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:
Q(s,a)=[s,a];
步骤二、通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将所述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;
计算群体中所有变量的综合标准差RMSSTD,计算公式如下:
计算聚类后群体间差异的大小R_Square,计算公式如下:
其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],R_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;
通过该模型计算结果与所述共同网络行为特征的数据集合提取得到购买发动机部件的预测用户集合;
步骤三、构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
2.如权利要求1所述的一种基于碳中和的预测发动机寿命的方法,其特征在于,步骤一中,Q增强学习算法具体包括如下内容:
1)设置相关参数;
2)初始化Q表,迭代次数为episode=0;
3)随机初始化状态St,t=0;
4)根据Q表选择动作at;
5)执行动作at,获取下一个状态St+1计算得到的回报rt;
6)更新Q表;
7)判断寿命件和单元体是否超过寿命,当判断为是时回到步骤3)进行多次迭代运算后,最终保存Q表;当判断为否时判断发动机是否到达全寿命,当判定为是时保存Q表;当判定为否时回到步骤4)进行多次迭代运算后,最终保存Q表。
3.如权利要求1所述的一种基于碳中和的预测发动机寿命的方法,其特征在于,步骤二中,所述显性数据包括用户点评、打分和评论数据;所述隐性数据包括用户点击行为、购买行为和搜索行为。
5.如权利要求4所述的一种基于碳中和的预测发动机寿命的方法,其特征在于,步骤三中、预测未知样本X的类别时,对每个类别Ci估算得到相应的P(X|Ci)P(Ci)最大值:
P(Ci|X)>P(Cj|X)1≤j≤m,j≠i。
6.一种基于碳中和的预测发动机寿命的系统,其特征在于,包括,
发动机评估模块:对报废车辆的各发动机部件赋予唯一的编号,设置各发动机部件的相关参数,构建基于Q增强学习算法设计发动机维修决策模型;
其中Q值的更新公式如下:
Q(st,at)←Q(st,at)+α[rt+γmax Q(st+1,a)-Q(st,at)],式中,a为学习率;y为回报折扣率;st为第t步时智能体所处状态;at为第t步时智能体决策的动作;Q(st,at)为状态行为值函数;
Q增强学习算法根据更新公式不断更新Q表直到Q表收敛;Q表设计为存储状态s和动作a对应Q值的矩阵;Q表训练好后,根据当前状态选择Q表中最大Q值对应的动作作为输出,状态动作值表示为:
Q(s,a)=[s,a];
购买用户预测模块:通过步骤一获取发动机数据,发动机数据为发动机维修决策模型的相关参数,并将所述发动机数据分为显性数据集合和隐性数据集合;通过聚类分析指标结合显性数据集合和隐性数据集合之间的网络行为特征,获得共同网络行为特征的数据集合;
计算群体中所有变量的综合标准差RMSSTD,计算公式如下:
计算聚类后群体间差异的大小R_Square,计算公式如下:
其中,W代表聚类分组后的各组内部的差异程度,B代表聚类分组后各组之间的差异程度,T代表聚类分组后所有数据对象总的差异程度,并且T=W+B;R_Square取值范围为[0,11],R_Square越大则聚类效果就越好;B越大则同组内各对象间的差异W越小;
通过该模型计算结果与所述共同网络行为特征的数据集合提取得到购买发动机部件的预测用户集合;
分类预测模块:构建分类预测模型对可再用发动机评价数据集合进行预测,分类预测模型采用贝叶斯定理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519625.XA CN115906317A (zh) | 2022-11-30 | 2022-11-30 | 一种基于碳中和的预测发动机寿命的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519625.XA CN115906317A (zh) | 2022-11-30 | 2022-11-30 | 一种基于碳中和的预测发动机寿命的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906317A true CN115906317A (zh) | 2023-04-04 |
Family
ID=86486557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211519625.XA Pending CN115906317A (zh) | 2022-11-30 | 2022-11-30 | 一种基于碳中和的预测发动机寿命的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582316A (zh) * | 2023-05-08 | 2023-08-11 | 海南方沽科技股份有限公司 | 一种基于大数据的计算机网络数字化监测预警系统及方法 |
-
2022
- 2022-11-30 CN CN202211519625.XA patent/CN115906317A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582316A (zh) * | 2023-05-08 | 2023-08-11 | 海南方沽科技股份有限公司 | 一种基于大数据的计算机网络数字化监测预警系统及方法 |
CN116582316B (zh) * | 2023-05-08 | 2024-02-13 | 海南方沽科技股份有限公司 | 一种基于大数据的计算机网络数字化监测预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Default prediction in P2P lending from high-dimensional data based on machine learning | |
Xu et al. | A dirichlet mixture model of hawkes processes for event sequence clustering | |
Liu et al. | Variable selection in clustering for marketing segmentation using genetic algorithms | |
CN107633444B (zh) | 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法 | |
Ford et al. | A real-time self-adaptive classifier for identifying suspicious bidders in online auctions | |
CN111553127A (zh) | 一种多标记的文本类数据特征选择方法及装置 | |
Hryniewicz et al. | Bayesian analysis of time series using granular computing approach | |
CN110619540A (zh) | 一种神经网络的点击流预估方法 | |
CN115906317A (zh) | 一种基于碳中和的预测发动机寿命的方法及系统 | |
Hasheminejad et al. | A hybrid clustering and classification approach for predicting crash injury severity on rural roads | |
CN116680320A (zh) | 一种基于大数据的混合匹配方法 | |
CN112215629B (zh) | 基于构造对抗样本的多目标广告生成系统及其方法 | |
CN111210347A (zh) | 交易风险预警方法、装置、设备及存储介质 | |
Seid | Road accident data analysis: Data preprocessing for better model building | |
CN110837853A (zh) | 一种快速分类模型构建方法 | |
Zhang et al. | Critical safety management driver identification based upon temporal variation characteristics of driving behavior | |
Surono et al. | Implementation of Takagi Sugeno Kang fuzzy with rough set theory and mini-batch gradient descent uniform regularization | |
CN116401368A (zh) | 一种基于主题事件分析的意图识别方法和系统 | |
CN115049072A (zh) | 一种在二分类中同时实现差分隐私和机器学习公平的方法 | |
CN114936701A (zh) | 综合能源消耗实时监测方法、装置及终端设备 | |
Hasanin et al. | Experimental Studies on the Impact of Data Sampling with Severely Imbalanced Big Data | |
CN113850483A (zh) | 一种企业信用风险评级系统 | |
CN111538752A (zh) | 基于车联网的车辆用途识别方法、系统及存储介质 | |
CN117171141B (zh) | 一种基于关系图谱的数据模型建模方法 | |
Grabusts | Numerical data clustering ontology approach |
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 |