CN116189332B - 一种车辆健康评分方法、装置、电子设备以及存储介质 - Google Patents
一种车辆健康评分方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116189332B CN116189332B CN202211288858.3A CN202211288858A CN116189332B CN 116189332 B CN116189332 B CN 116189332B CN 202211288858 A CN202211288858 A CN 202211288858A CN 116189332 B CN116189332 B CN 116189332B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- representing
- value
- module
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 81
- 238000013077 scoring method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 230000001419 dependent effect Effects 0.000 claims abstract description 75
- 238000012417 linear regression Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 39
- 238000000611 regression analysis Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 53
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，揭露一种车辆健康评分方法、装置、电子设备以及存储介质，所述方法包括：划分待评分车辆的检测模块与检测项目，构建检测项目的原始特征与乱序特征，计算特征命中率，识别特征命中率对应的接受区域，从所述原始特征中确定目标特征；构建目标特征的线性回归模型与正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，计算目标特征的特征权重值；计算检测模块对应的模块扣分值，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分。本发明可以提升车辆健康评分的效率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种车辆健康评分方法、装置、电子设备以及存储介质。
背景技术
车辆健康评分是指对车辆的特征数据进行分析，查找车辆的异常的特征数据，从而对车辆健康程度进行评分的过程。
目前对于车辆故障事前预警的方式大多都是传统思路，即响应维修与计划维修，响应维修即是出了事故之后然后去进行车辆的维修，目的性较强，但是安全性不足，一些小的故障可能会因此变成大的故障才被发现；计划维修即是定期对车辆进行维护，有一定预防性但会造成一定的资源浪费；随着技术的不断发展，预防性维护的思路逐渐出现，即通过对车辆整体的情况进行分析，通过对数据的智能化处理，告知用户车辆可能存在的风险，从而达到智能化维修的目的。因此，亟待一种预防性维护的车辆健康评分方法提升车辆健康评分的效率。
发明内容
为了解决上述问题，本发明提供了一种车辆健康评分方法、装置、电子设备以及存储介质，可以提升车辆健康评分的效率。
第一方面，本发明提供了一种车辆健康评分方法，包括：
划分待评分车辆的检测模块与检测项目，构建所述检测项目的原始特征与乱序特征，根据所述乱序特征，计算所述原始特征的特征命中率，识别所述特征命中率对应的接受区域，并利用所述接受区域从所述原始特征中确定目标特征；
构建所述目标特征的线性回归模型与正交变量，根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值；
利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则，计算所述待评分车辆的最终健康评分。
第二方面，本发明提供了一种车辆健康评分装置，所述装置包括：
目标特征确定模块，用于划分待评分车辆的检测模块与检测项目，构建所述检测项目的原始特征与乱序特征，根据所述乱序特征，计算所述原始特征的特征命中率，识别所述特征命中率对应的接受区域，并利用所述接受区域从所述原始特征中确定目标特征；
特征权重计算模块，用于构建所述目标特征的线性回归模型与正交变量，根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值；
健康评分计算模块，用于利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则，计算所述待评分车辆的最终健康评分。
第三方面，本发明提供一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的车辆健康评分方法。
第四方面，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的车辆健康评分方法。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明实施例首先通过划分待评分车辆的检测模块与检测项目，以用于对车辆进行分块健康检测，提升车辆故障检测的准确率；进一步地，本发明实施例通过构建所述检测项目的原始特征与乱序特征，以用于将原本不会相互竞争的原始特征打乱顺序，构建原始特征与乱序特征之间的相互竞争关系；进一步地，本发明实施例通过根据所述乱序特征，计算所述原始特征的特征命中率，以用于利用所述特征命中率表征抽象的原始特征，并保障后续利用所述特征命中率对所述原始特征进行迭代，最终目的是为了从命中率高的特征中选择最终的重要特征；进一步地，本发明实施例通过识别所述特征命中率对应的接受区域，以用于利用概率分布中的接受区域选择合适的命中率作为后续选择合适的特征的基础；进一步地，本发明实施例通过利用所述接受区域从所述原始特征中确定目标特征，以用于将特征命中率高的原始特征作为所述目标特征，利用所述特征命中率作为筛选所述原始特征的指标；进一步地，本发明实施例通过构建所述目标特征的线性回归模型与正交变量，以用于利用所述正交变量作为所述线性回归模型中自变量与因变量之间的中间值，确定自变量与因变量之间的关联关系，即车辆特征与车辆健康之间的关系；进一步地，本发明实施例通过根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，以用于利用所述正交变量表征所述自变量与所述因变量，目的在于利用不同的表征结果查询所述自变量与所述因变量之间的关系；进一步地，本发明实施例通过利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值，以用于利用所述特征权重值表征所述目标特征的重要程度；进一步地，本发明实施例通过利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，以用于确定车辆的每个检测模块在健康评分上的扣分值；进一步地，本发明实施例通过确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，以用于在将所述待评分车辆的检测模块中的特征考虑在内的同时，考虑车辆使用率与延迟养护，提升对所述待评分车辆的健康评估的准确率。
因此，根据本发明实施例提出的一种车辆健康评分方法、装置、电子设备以及存储介质，可以有效提升车辆健康评分的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种车辆健康评分方法的流程示意图；
图2为本发明一实施例中图1提供的一种车辆健康评分方法中乱序特征的分布示意图；
图3-图4为本发明一实施例中图1提供的一种车辆健康评分方法中特征命中率的单次计算结果与迭代计算结果示意图；
图5为本发明一实施例中图1提供的一种车辆健康评分方法中接受区域的分布示意图；
图6为本发明一实施例中图1提供的一种车辆健康评分方法中延迟评分规则的部分示意图；
图7为本发明一实施例提供的一种车辆健康评分装置的模块示意图；
图8为本发明一实施例提供的实现车辆健康评分方法的电子设备的内部结构示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种车辆健康评分方法，车辆健康评分方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，车辆健康评分方法可以由安装在终端设备或服务端设备的软件或硬件来执行，软件可以是区块链平台。服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的车辆健康评分方法的流程示意图。其中，图1中描述的车辆健康评分方法包括：
S1、划分待评分车辆的检测模块与检测项目，构建检测项目的原始特征与乱序特征，根据乱序特征，计算原始特征的特征命中率，识别特征命中率对应的接受区域，并利用接受区域从原始特征中确定目标特征。
本发明实施例通过划分待评分车辆的检测模块与检测项目，以用于对车辆进行分块健康检测，提升车辆故障检测的准确率。其中，待评分车辆有多辆样本车辆，包括存在模块故障的车辆与模块正常的车辆，检测模块是指对每辆车的整体划分得到的多个模块，例如左车灯模块、右车灯模块、电池模块、发动机模块与左车门模块，检测项目是指检测模块中的多个待检测项，包括告警数据与性能数据，例如电池模块的电流检测项目与电压检测项目，另外所划分的检测项目的数量视检测模块的实际场景而定。
进一步地，本发明实施例通过构建检测项目的原始特征与乱序特征，以用于将原本不会相互竞争的原始特征打乱顺序，构建原始特征与乱序特征之间的相互竞争关系。其中，原始特征是指检测模块中的检测项目的平均值、最大值、最小值与方差构成的数据组合，例如以车辆每天的数据为样本，电池模块的检测项目包括电流、电压、温度与功率，每个检测项目包括平均值、最大值、最小值与方差，即一天内的平均电流、最大电流、最小电流与方差，则可以构造原始特征为：
其中，X表示自变量输入、Y表示因变量输入；fault_degree表示故障程度，0代表健康，1代表故障；每一竖列代表一辆车的数据；current表示电流，vol表示电压，temp表示温度，p表示功率；avg表示平均值，max表示最大值，min表示最小值，D表示方差；电流的最大值与最小值从一天的电流数据中提取得到。乱序特征是指将原始特征打乱顺序之后的特征，且在每个车辆的同一检测项目中打乱，例如上述的'current_avg':[20,18,16,17,19]表示5个样本车辆所对应的电流平均值，将这几个电流平均值的顺序打乱。
本发明的一实施例中，构建检测项目的原始特征与乱序特征，包括：查询检测项目的历史数值及其对应的数值类别；根据历史数值及其对应的数值类别，利用下述格式构建检测项目的原始特征：
X＝pd.DataFrame({'A_avg':[x],'A_max':[x],'A_min':[x],'A_D':[x]})
Y＝pd.Series([1/0],name＝‘fault_degree’)
T＝(X,Y)
其中，T表示检测项目的原始特征，X表示自变量输入、Y表示因变量输入，A表示检测项目，avg、max、min、D表示数值类别，x表示历史数值，fault_degree表示车辆的故障程度，0代表健康车辆，1代表故障车辆，pd.DataFrame与pd.Series表示构建原始特征的函数，name表示名称；
对原始特征进行顺序打乱，得到乱序特征。
可选地，对原始特征进行顺序打乱，得到乱序特征可以通过shuffle函数实现，其中，shuffle函数可以重新排列数据，Shadow为阴影数据帧，即打乱排序的数据，其意义为真实数据的相关性，一定比随机打乱顺序的数据，相关性要高。
参阅图2所示，表示本发明一实施例中提供的一种车辆健康评分方法中乱序特征的分布示意图。在图2中，current表示电流，avg表示平均值，max表示最大值，min表示最小值，D表示方差，则current_avg':[20,18,16,17,19]可以表示原始特征中5个样本车辆所对应的电流平均值，'current_max':[30,32,34,31,28]可以表示原始特征中5个样本车辆所对应的电流最大值，'current_min':[15,13,12,10,13]可以表示原始特征中5个样本车辆所对应的电流最小值，'current_D':[x,x,x,x,x]表示原始特征中5个样本车辆所对应的电流的方差，shuffle_current系列的数据表示将原始特征进行顺序打乱之后的乱序特征，例如shuffle_current_avg表示乱序特征中的5个样本车辆所对应的电流平均值。
进一步地，本发明实施例通过根据乱序特征，计算原始特征的特征命中率，以用于利用特征命中率表征抽象的原始特征，并保障后续利用特征命中率对原始特征进行迭代，最终目的是为了从命中率高的特征中选择最终的重要特征。其中，特征命中率是指由1与0多次迭代之后的数值，例如将每个原始特征的重要性和阈值进行比较(阈值定义为阴影特征中记录最高特种的重要性)，当原始特征的重要性高于此阈值时，认为“命中(hit)”，即仅当某项特征的性能优于最佳随机特征时，它才有用，命中之后赋值为1，并进行多次迭代，最后的赋值为多个0与1累加的结果，即命中次数。
本发明的一实施例中，根据乱序特征，计算原始特征的特征命中率，包括：构建乱序特征与原始特征之间的拟合随机森林；确定拟合随机森林中的乱序重要度与原始重要度；利用乱序重要度中的最大重要度与原始重要度之间的大小比较结果确定原始特征的特征命中率。
参阅图3-图4所示，表示本发明一实施例中提供的一种车辆健康评分方法中特征命中率的单次计算结果与迭代计算结果示意图。在图3中，current表示电流，avg表示平均值，max表示最大值，min表示最小值，D表示方差，则current_avg可以表示原始特征中的电流平均值，current_max可以表示原始特征中的电流最大值，current_min可以表示原始特征中的电流最小值，current_D表示可以表示原始特征中的电流平均值，shuffle_current系列的数据表示将原始特征进行顺序打乱之后的乱序特征，例如shuffle_current_avg表示乱序特征中的电流平均值，Feature importance％表示乱序重要度与原始重要度，hits表示特征命中率，例如current_avg:26：1表示原始特征中电流平均值的原始重要度为26时的单次的特征命中率为1；在图4中，current表示电流，avg表示平均值，max表示最大值，min表示最小值，D表示方差，例如current_avg:20表示原始特征中电流平均值的迭代的特征命中率为20。
进一步地，本发明实施例通过识别特征命中率对应的接受区域，以用于利用概率分布中的接受区域选择合适的命中率作为后续选择合适的特征的基础。其中，接受区域是指概率分布中的区域，例如将一系列n次试验得到的二项式分布中的两个最极端部分(称为分布的尾部)来定义面积(在我们的示例中，每个尾部占分布的0.5％)，其中拒绝区域：0-3，此处结束的要素被视为噪音，因此将其丢弃；犹豫区域：3-17，Boruta对于该区域中的特征犹豫不决；接受区域：18-20，此处的特征被认为是可预测的，因此将其保留。
参阅图5所示，表示本发明一实施例中提供的一种车辆健康评分方法中接受区域的分布示意图。在图5中，current_avg，current_max，current_min，current_D表示原始特征中的电流平均值，电流最大值，电流最小值，电流方差，图像中的横轴表示迭代的特征命中率，纵轴表示关于迭代的特征命中率的二项式分布。
本发明的一实施例中，识别特征命中率对应的接受区域，包括：利用特征命中率的最大概率级别计算特征命中率的概率分布；根据概率分布的分布类别，确定特征命中率对应的接受区域。
其中，最大概率级别是指最大不确定性级别的50％的概率，可选地，利用特征命中率的最大概率级别计算特征命中率的概率分布可以利用二项式分布公式P＝p^k*p^(n-k)～X～b(n,p)实现，其中P为特征命中率对应的概率分布，n表示特征命中率的总次数，p表示最大概率级别0.5，k表示n次试验中事件恰好发生k次。
进一步地，本发明实施例通过利用接受区域从原始特征中确定目标特征，以用于将特征命中率高的原始特征作为目标特征，利用特征命中率作为筛选原始特征的指标。其中，目标特征是指符合接受区域的特征命中率对应的原始特征以及历史故障与使用寿命两个特殊的特征，例如接受区域为18-20，特征命中率为current_avg：20，current_max：15，current_min：2，current_D：10，则符合接受区域的特征命中率为20，则将20对应的current_avg作为目标特征。
本发明的一实施例中，利用接受区域从原始特征中确定目标特征，包括：从特征命中率中查询在接受区域内的目标命中率；将目标命中率对应的原始特征、历史故障以及使用寿命作为目标特征。
S2、构建目标特征的线性回归模型与正交变量，根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用自变量回归结果与因变量回归结果计算目标特征的特征权重值。
本发明实施例通过构建目标特征的线性回归模型与正交变量，以用于利用正交变量作为线性回归模型中自变量与因变量之间的中间值，确定自变量与因变量之间的关联关系，即车辆特征与车辆健康之间的关系。其中，线性回归模型是指由自变量与因变量构成的函数模型，例如上述的T＝(X,Y)中的X自变量输入与Y因变量输入。正交变量是指线性回归模型中自变量与因变量之间的中间值。
本发明的一实施例中，构建目标特征的线性回归模型与正交变量，包括：利用数据分析软件构建目标特征的线性回归模型，并利用下述公式确定线性回归模型中自变量与因变量之间的函数关系：
其中，Y表示线性回归模型中自变量与因变量之间的函数关系，Y表示因变量，Xj表示自变量，β0表示常数项，βj表示偏回归系数，j表示自变量的序号，p表示自变量的总数；
利用下述公式对函数关系中的自变量进行奇异值分解，得到分解奇异值：
Xj→PΔQ′
其中，Xj表示分解奇异值，P表示关于XX'的特征向量矩阵，Q'表示关于X'X的特征向量矩阵，Δ表示包含Xj的奇异值的对角矩阵，j表示自变量的序号；
利用下述公式对分解奇异值进行最小二乘正交变换，得到正交变量：
Z＝PQ'
其中，Z表示正交变量，P表示分解奇异值中的关于XX'的特征向量矩阵，Q'表示分解奇异值中的关于X'X的特征向量矩阵。
进一步地，本发明实施例通过根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，以用于利用正交变量表征自变量与因变量，目的在于利用不同的表征结果查询自变量与因变量之间的关系。其中，自变量回归结果是指自变量与正交变量之间的线性回归模型，因变量回归结果是指因变量与正交变量之间的线性回归模型。
本发明的一实施例中，根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，包括：根据正交变量，利用下述公式对线性回归模型进行因变量回归分析，得到因变量回归结果：
其中，Y表示因变量回归结果，由于Z之间互不关联，Y与Z之间的标准回归系数平方就等于其简单相关系数平方，也就是说代表Y变异中Zk的贡献大小，β0表示常数项，Z表示正交变量，k表示正交变量的序号，K表示正交变量的数量，βk表示偏回归系数；
根据正交变量，利用下述公式对线性回归模型进行自变量回归分析，得到自变量回归结果：
其中，Xj表示自变量回归结果，λ0表示常数项，Z表示正交变量，k表示正交变量的序号，K表示正交变量的数量，λjk表示偏回归系数，j表示自变量Xj的序号。
进一步地，本发明实施例通过利用自变量回归结果与因变量回归结果计算目标特征的特征权重值，以用于利用特征权重值表征目标特征的重要程度。其中，特征权重值是指目标特征的重要程度。
本发明的一实施例中，利用自变量回归结果与因变量回归结果计算目标特征的特征权重值，包括：根据自变量回归结果与因变量回归结果，利用下述公式计算目标特征的相对权重：
其中，εj表示目标特征的相对权重，λjk表示自变量回归结果的偏回归系数，j表示自变量Xj的序号，βk表示因变量回归结果的偏回归系数，k表示正交变量的序号，K表示正交变量的数量；
根据相对权重，利用下述公式计算目标特征的特征权重值：
其中，R2表示目标特征的特征权重值，εj表示目标特征的相对权重，j表示自变量的序号，p表示自变量的总数。
示例性地，对于因变量回归分析结果Y，由于Z之间互不关联，Y与Z之间的标准回归系数平方就等于其简单相关系数平方，也就是说代表Y变异中Zk的贡献大小；同时对每个Xj分别作关于Zk回归，即/> 因为Zk间独立不相关，所以Xj关于Zk的回归系数就等于Xj和Zk间的相关系数，因此每个Zk的变异可通过Xj完全解释，/>就是标准化Xj对Zk的可解释方差比例，故每个/>代表了由Xj引起/>的比例，那么/>值就是Xj通过与Zk的关系引起Y变异的比例值，计算Xj的相对重要性就相当于计算/>和/>的乘积和，即相对权重，而各自变量Xj的相对权重总和等于全模型的贡献大小，所以εj就是Xj对于因变量的可解释方差比例。
S3、利用特征权重值与目标特征计算检测模块对应的模块扣分值，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分。
本发明实施例通过利用特征权重值与目标特征计算检测模块对应的模块扣分值，以用于确定车辆的每个检测模块在健康评分上的扣分值。
本发明的一实施例中，利用特征权重值与目标特征计算检测模块对应的模块扣分值，包括：构建目标特征的异常等级及其对应的异常扣分规则；根据异常扣分规则，利用下述公式计算目标特征的扣分比率：
其中，SCORE(wi)表示目标特征的扣分比率，X表示异常扣分规则中的总扣分，Xmax表示异常扣分规则中的扣分值中最大值，Xmin表示异常扣分规则中的扣分值中最小值；
根据扣分比率与特征权重值，利用下述公式计算检测模块对应的模块扣分值：
其中，S表示检测模块对应的模块扣分值，wi表示目标特征的第i个序号的特征的值，w表示特征权重值，n表示目标特征的数量，SCORE(wi)表示目标特征的扣分比率。
示例性地，构建目标特征的异常等级及其对应的异常扣分规则为：假设电流额定值为12A-16，超过额定值但在5％以内为轻微异常，超过5％但在15％以内为中等异常，超过15％为重大异常，即得到异常等级；异常扣分规则包括当前故障评分规则、历史故障评分规则与使用寿命评分规则，当前故障评分规则：实际扣分＝重大*N1+中等*N2+轻微*N3+正常*N4(N1＝100,N2＝30,N3＝10,N4＝0)；历史故障评分规则：实际扣分＝重大*N1+中等*N2+轻微*N3+正常*N4(N1＝20,N2＝8,N3＝3,N4＝0)；使用寿命评分规则：实际扣分＝使用寿命/设计寿命×100。
进一步地，本发明实施例通过确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，以用于在将待评分车辆的检测模块中的特征考虑在内的同时，考虑车辆使用率与延迟养护，提升对待评分车辆的健康评估的准确率。其中，使用率评分规则是指车辆使用率的权重分配与扣分的规则，延迟评分规则是指延迟养护的权重分配与扣分的规则。
本发明的一实施例中，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，包括：查询待评分车辆的延迟保养天数与行驶里程数；利用延迟保养天数与行驶里程数构建待评分车辆的延迟评分规则；确定车辆使用率的使用率扣分值，并利用使用率扣分值构建待评分车辆的使用率评分规则。
示例性地，设置延迟养护与车辆使用率权重为0.1与0.1，根据车辆多少天没有保养天数以及里程数来设计扣分分数指标，以天数以及里程数先到达的为准，根据车辆在一个月内运行的里程数来设计指标车辆使用率评分规则，例如最近30d车辆运行1500km(该数值根据实际情况进行修改)，那么系统认为车辆是健康的，扣分值＝(1500–D)/1500×100，D是近30天车辆运行里程，如果扣分值小于0按0计算。
参阅图6所示，表示本发明一实施例中提供的一种车辆健康评分方法中延迟评分规则的部分示意图。在图6中，第一行表示在车辆属于的故障等级为重大延迟的前提下，若延迟保养天数达到180天，并且行驶里程数达到5000km，则对应的扣分值为100分。
本发明的一实施例中，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分，包括：利用下述公式计算模块扣分值对应的平均扣分值：
其中，表示模块扣分值对应的平均扣分值，S1、S2与Sn表示模块扣分值，1、2、n表示模块扣分值对应的检测模块的序号；
根据平均扣分值、使用率评分规则与延迟评分规则，利用下述公式计算待评分车辆的总扣分值：
其中，S’表示待评分车辆的总扣分值，表示模块扣分值对应的平均扣分值，P[1]与K[1]表示延迟评分规则中的延迟养护权重与延迟养护扣分值，P[2]与K[2]表示使用率评分规则中的车辆使用率权重与车辆使用率扣分值，P[3]表示平均扣分值的权重；
根据总扣分值，利用下述公式计算待评分车辆的最终健康评分：
H＝100-S’
其中，H表示待评分车辆的最终健康评分，S’表示待评分车辆的总扣分值。
其中，平均扣分值的权重由1-延迟养护权重-车辆使用率权重得到。
可以看出，本发明实施例首先通过划分待评分车辆的检测模块与检测项目，以用于对车辆进行分块健康检测，提升车辆故障检测的准确率；进一步地，本发明实施例通过构建所述检测项目的原始特征与乱序特征，以用于将原本不会相互竞争的原始特征打乱顺序，构建原始特征与乱序特征之间的相互竞争关系；进一步地，本发明实施例通过根据所述乱序特征，计算所述原始特征的特征命中率，以用于利用所述特征命中率表征抽象的原始特征，并保障后续利用所述特征命中率对所述原始特征进行迭代，最终目的是为了从命中率高的特征中选择最终的重要特征；进一步地，本发明实施例通过识别所述特征命中率对应的接受区域，以用于利用概率分布中的接受区域选择合适的命中率作为后续选择合适的特征的基础；进一步地，本发明实施例通过利用所述接受区域从所述原始特征中确定目标特征，以用于将特征命中率高的原始特征作为所述目标特征，利用所述特征命中率作为筛选所述原始特征的指标；进一步地，本发明实施例通过构建所述目标特征的线性回归模型与正交变量，以用于利用所述正交变量作为所述线性回归模型中自变量与因变量之间的中间值，确定自变量与因变量之间的关联关系，即车辆特征与车辆健康之间的关系；进一步地，本发明实施例通过根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，以用于利用所述正交变量表征所述自变量与所述因变量，目的在于利用不同的表征结果查询所述自变量与所述因变量之间的关系；进一步地，本发明实施例通过利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值，以用于利用所述特征权重值表征所述目标特征的重要程度；进一步地，本发明实施例通过利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，以用于确定车辆的每个检测模块在健康评分上的扣分值；进一步地，本发明实施例通过确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，以用于在将所述待评分车辆的检测模块中的特征考虑在内的同时，考虑车辆使用率与延迟养护，提升对所述待评分车辆的健康评估的准确率。
因此，本发明实施例提出的一种车辆健康评分方法可以有效提升车辆健康评分的效率。
如图7所示，是本发明车辆健康评分装置功能模块图。
本发明车辆健康评分装置700可以安装于电子设备中。根据实现的功能，车辆健康评分装置可以包括目标特征确定模块701、特征权重计算模块702以及健康评分计算模块703。本发明模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
目标特征确定模块701，用于划分待评分车辆的检测模块与检测项目，构建检测项目的原始特征与乱序特征，根据乱序特征，计算原始特征的特征命中率，识别特征命中率对应的接受区域，并利用接受区域从原始特征中确定目标特征；
特征权重计算模块702，用于构建目标特征的线性回归模型与正交变量，根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用自变量回归结果与因变量回归结果计算目标特征的特征权重值；
健康评分计算模块703，用于利用特征权重值与目标特征计算检测模块对应的模块扣分值，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分。
详细地，本发明实施例中车辆健康评分装置700中的各模块在使用时采用与上述的图1至图6中的车辆健康评分方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图8所示，是本发明实现车辆健康评分方法的电子设备的结构示意图。
电子设备可以包括处理器80、存储器81、通信总线82以及通信接口83，还可以包括存储在存储器81中并可在处理器80上运行的计算机程序，如车辆健康评分程序。
其中，处理器80在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器80是电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在存储器81内的程序或者模块(例如执行车辆健康评分程序等)，以及调用存储在存储器81内的数据，以执行电子设备的各种功能和处理数据。
存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器81在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。存储器81在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器81还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器81不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
通信总线82可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。总线被设置为实现存储器81以及至少一个处理器80等之间的连接通信。
通信接口83用于上述电子设备8与其他设备之间的通信，包括网络接口和用户接口。可选地，网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与至少一个处理器80逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
电子设备中的存储器81存储的数据库配置化连接程序是多个计算机程序的组合，在处理器80中运行时，可以实现：
划分待评分车辆的检测模块与检测项目，构建检测项目的原始特征与乱序特征，根据乱序特征，计算原始特征的特征命中率，识别特征命中率对应的接受区域，并利用接受区域从原始特征中确定目标特征；
构建目标特征的线性回归模型与正交变量，根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用自变量回归结果与因变量回归结果计算目标特征的特征权重值；
利用特征权重值与目标特征计算检测模块对应的模块扣分值，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分。
具体地，处理器80对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。存储介质可以是易失性的，也可以是非易失性的。例如，计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种存储介质，可读存储介质存储有计算机程序，计算机程序在被电子设备的处理器所执行时，可以实现：
划分待评分车辆的检测模块与检测项目，构建检测项目的原始特征与乱序特征，根据乱序特征，计算原始特征的特征命中率，识别特征命中率对应的接受区域，并利用接受区域从原始特征中确定目标特征；
构建目标特征的线性回归模型与正交变量，根据正交变量，对线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用自变量回归结果与因变量回归结果计算目标特征的特征权重值；
利用特征权重值与目标特征计算检测模块对应的模块扣分值，确定待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据模块扣分值、使用率评分规则与延迟评分规则，计算待评分车辆的最终健康评分。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车辆健康评分方法，其特征在于，所述方法包括：
划分待评分车辆的检测模块与检测项目，构建所述检测项目的原始特征与乱序特征，根据所述乱序特征，计算所述原始特征的特征命中率，识别所述特征命中率对应的接受区域，并利用所述接受区域从所述原始特征中确定目标特征；其中，所述检测模块为每辆车的整体划分得到的多个模块，包括左车灯模块、右车灯模块、电池模块、发动机模块与左车门模块；所述检测项目为检测模块中的多个待检测项，包括告警数据与性能数据；所述原始特征为检测模块中的检测项目的平均值、最大值、最小值与方差构成的数据组合；所述乱序特征是对原始特征进行顺序打乱所得的特征；
构建所述目标特征的线性回归模型与正交变量，根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值；
利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则，计算所述待评分车辆的最终健康评分；
其中，所述根据所述乱序特征，计算所述原始特征的特征命中率，包括：构建所述乱序特征与所述原始特征之间的拟合随机森林；确定所述拟合随机森林中的乱序重要度与原始重要度；利用所述乱序重要度中的最大重要度与所述原始重要度之间的大小比较结果确定所述原始特征的特征命中率；
所述利用所述接受区域从所述原始特征中确定目标特征，包括：从所述特征命中率中查询在所述接受区域内的目标命中率；将所述目标命中率对应的原始特征、历史故障以及使用寿命作为目标特征；
所述确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则，包括：查询所述待评分车辆的延迟保养天数与行驶里程数；利用所述延迟保养天数与行驶里程数构建所述待评分车辆的延迟评分规则；确定所述车辆使用率的使用率扣分值，并利用所述使用率扣分值构建所述待评分车辆的使用率评分规则。
2.根据权利要求1所述的方法，其特征在于，所述构建所述检测项目的原始特征与乱序特征，包括：
查询所述检测项目的历史数值及其对应的数值类别；
根据所述历史数值及其对应的数值类别，利用下述格式构建所述检测项目的原始特征：
X = pd.DataFrame({'A_avg': [x], ' A _max': [x], ' A _min': [x], ' A _D':[ x]})
Y = pd.Series([1/ 0], name =‘fault_degree’)
T=(X, Y)
其中，T表示所述检测项目的原始特征，X表示自变量输入、Y表示因变量输入，A表示所述检测项目，avg、max、min、D表示所述数值类别，x表示所述历史数值，fault_degree表示车辆的故障程度，0代表健康车辆，1代表故障车辆，pd.DataFrame与pd.Series表示构建所述原始特征的函数，name表示名称；
对所述原始特征进行顺序打乱，得到所述乱序特征。
3.根据权利要求1所述的方法，其特征在于，所述构建所述目标特征的线性回归模型与正交变量，包括：
利用数据分析软件构建所述目标特征的线性回归模型，并利用下述公式确定所述线性回归模型中自变量与因变量之间的函数关系：
其中，表示所述线性回归模型中自变量与因变量之间的函数关系，/>表示所述因变量，表示所述自变量，/>表示常数项，/>表示偏回归系数，/>表示自变量的序号，/>表示自变量的总数；
利用下述公式对所述函数关系中的自变量进行奇异值分解，得到分解奇异值：
其中，表示所述分解奇异值，P表示关于XX'的特征向量矩阵，Q'表示关于X'X的特征向量矩阵，Δ表示包含/>的奇异值的对角矩阵，/>表示自变量的序号；
利用下述公式对所述分解奇异值进行最小二乘正交变换，得到所述正交变量：
Z = PQ'
其中，Z表示所述正交变量，P表示所述分解奇异值中的关于XX' 的特征向量矩阵，Q'表示所述分解奇异值中的关于X'X的特征向量矩阵。
4.根据权利要求1所述的方法，其特征在于，所述根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，包括：
根据所述正交变量，利用下述公式对所述线性回归模型进行因变量回归分析，得到所述因变量回归结果：
其中，表示所述因变量回归结果，/>表示常数项，/>表示所述正交变量，/>表示所述正交变量的序号，/>表示所述正交变量的数量，/>表示偏回归系数；
根据所述正交变量，利用下述公式对所述线性回归模型进行自变量回归分析，得到所述自变量回归结果：
其中，表示所述自变量回归结果，/>表示常数项，/>表示所述正交变量，/>表示所述正交变量的序号，/>表示所述正交变量的数量，/>表示偏回归系数，/>表示自变量/>的序号。
5.根据权利要求1所述的方法，其特征在于，所述利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值，包括：
根据所述自变量回归结果与所述因变量回归结果，利用下述公式计算所述目标特征的相对权重：
其中，表示所述目标特征的相对权重，/>表示所述自变量回归结果的偏回归系数，/>表示自变量/>的序号，/>表示所述因变量回归结果的偏回归系数，/>表示所述正交变量的序号，/>表示所述正交变量的数量；
根据所述相对权重，利用下述公式计算所述目标特征的特征权重值：
其中，表示所述目标特征的特征权重值，/>表示所述目标特征的相对权重，/>表示自变量的序号，/>表示自变量的总数。
6.根据权利要求1所述的方法，其特征在于，所述利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，包括：
构建所述目标特征的异常等级及其对应的异常扣分规则；
根据所述异常扣分规则，利用下述公式计算所述目标特征的扣分比率：
其中，表示所述目标特征的扣分比率，X表示所述异常扣分规则中的总扣分，表示所述异常扣分规则中的扣分值中最大值，/>表示所述异常扣分规则中的扣分值中最小值；
根据所述扣分比率与所述特征权重值，利用下述公式计算所述检测模块对应的模块扣分值：
其中，表示所述检测模块对应的模块扣分值，/>表示所述目标特征的第i个序号的特征的值，/>表示所述特征权重值，/>表示所述目标特征的数量，/>表示所述目标特征的扣分比率。
7.根据权利要求1所述的方法，其特征在于，所述根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则，计算所述待评分车辆的最终健康评分，包括：
利用下述公式计算所述模块扣分值对应的平均扣分值：
其中，表示所述模块扣分值对应的平均扣分值，/>、/>与/>表示所述模块扣分值，/>、2、n表示所述模块扣分值对应的检测模块的序号；
根据所述平均扣分值、所述使用率评分规则与所述延迟评分规则，利用下述公式计算所述待评分车辆的总扣分值：
其中，表示所述待评分车辆的总扣分值，/>表示所述模块扣分值对应的平均扣分值，与/>表示所述延迟评分规则中的延迟养护权重与延迟养护扣分值，/>与/>表示所述使用率评分规则中的车辆使用率权重与车辆使用率扣分值，/>表示所述平均扣分值的权重；
根据所述总扣分值，利用下述公式计算所述待评分车辆的最终健康评分：
其中，H表示所述待评分车辆的最终健康评分，表示所述待评分车辆的总扣分值。
8.一种车辆健康评分装置，其特征在于，所述装置包括：
目标特征确定模块，用于划分待评分车辆的检测模块与检测项目，构建所述检测项目的原始特征与乱序特征；构建所述乱序特征与所述原始特征之间的拟合随机森林；确定所述拟合随机森林中的乱序重要度与原始重要度；利用所述乱序重要度中的最大重要度与所述原始重要度之间的大小比较结果确定所述原始特征的特征命中率；识别所述特征命中率对应的接受区域，并从所述特征命中率中查询在所述接受区域内的目标命中率，将所述目标命中率对应的原始特征、历史故障以及使用寿命作为目标特征；其中，所述检测模块为每辆车的整体划分得到的多个模块，包括左车灯模块、右车灯模块、电池模块、发动机模块与左车门模块；所述检测项目为检测模块中的多个待检测项，包括告警数据与性能数据；所述原始特征为检测模块中的检测项目的平均值、最大值、最小值与方差构成的数据组合；所述乱序特征是对原始特征进行顺序打乱所得的特征；
特征权重计算模块，用于构建所述目标特征的线性回归模型与正交变量，根据所述正交变量，对所述线性回归模型进行自变量回归分析与因变量回归分析，得到自变量回归结果与因变量回归结果，利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值；
健康评分计算模块，用于利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值，查询所述待评分车辆的延迟保养天数与行驶里程数，利用所述延迟保养天数与行驶里程数构建所述待评分车辆的延迟评分规则，确定车辆使用率的使用率扣分值，并利用所述使用率扣分值构建所述待评分车辆的使用率评分规则，根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则，计算所述待评分车辆的最终健康评分。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的车辆健康评分方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的车辆健康评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211288858.3A CN116189332B (zh) | 2022-10-20 | 2022-10-20 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211288858.3A CN116189332B (zh) | 2022-10-20 | 2022-10-20 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116189332A CN116189332A (zh) | 2023-05-30 |
| CN116189332B true CN116189332B (zh) | 2024-03-19 |
Family
ID=86442977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211288858.3A Active CN116189332B (zh) | 2022-10-20 | 2022-10-20 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116189332B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750964A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车辆状态确定方法及装置 |
| CN105389863A (zh) * | 2015-10-16 | 2016-03-09 | 江苏南亿迪纳数字科技发展有限公司 | 一种对车况进行评估的车况指数计算方法 |
| CN111444657A (zh) * | 2020-03-10 | 2020-07-24 | 五邑大学 | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| CN113095197A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种车辆行驶状态识别方法、装置、电子设备和可读存储介质 |
| CN113222385A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种电动汽车行驶工况构建与评价方法 |
| CN113627229A (zh) * | 2021-05-31 | 2021-11-09 | 中国兵器工业计算机应用技术研究所 | 目标检测方法、系统、设备以及计算机存储介质 |
| CN114742157A (zh) * | 2022-04-12 | 2022-07-12 | 一汽解放汽车有限公司 | 车辆健康状态确定方法、装置、设备、存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140258044A1 (en) * | 2013-03-11 | 2014-09-11 | CarGurus, LLC | Price scoring for vehicles |
| US20160063418A1 (en) * | 2014-09-03 | 2016-03-03 | General Electric Company | System and Method for Inferring Vehicle Health |
-
2022
- 2022-10-20 CN CN202211288858.3A patent/CN116189332B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750964A (zh) * | 2013-12-31 | 2015-07-01 | 中国移动通信集团公司 | 一种车辆状态确定方法及装置 |
| CN105389863A (zh) * | 2015-10-16 | 2016-03-09 | 江苏南亿迪纳数字科技发展有限公司 | 一种对车况进行评估的车况指数计算方法 |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| CN111444657A (zh) * | 2020-03-10 | 2020-07-24 | 五邑大学 | 一种疲劳驾驶预测模型的构建方法、装置及存储介质 |
| CN113095197A (zh) * | 2021-04-06 | 2021-07-09 | 深圳市汉德网络科技有限公司 | 一种车辆行驶状态识别方法、装置、电子设备和可读存储介质 |
| CN113222385A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种电动汽车行驶工况构建与评价方法 |
| CN113627229A (zh) * | 2021-05-31 | 2021-11-09 | 中国兵器工业计算机应用技术研究所 | 目标检测方法、系统、设备以及计算机存储介质 |
| CN114742157A (zh) * | 2022-04-12 | 2022-07-12 | 一汽解放汽车有限公司 | 车辆健康状态确定方法、装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116189332A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271512B (zh) | 舆情评论信息的情感分析方法、装置及存储介质 | |
| CN103297435B (zh) | 一种基于web日志的异常访问行为检测方法与系统 | |
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
| CN111614690A (zh) | 一种异常行为检测方法及装置 | |
| CN110020002A (zh) | 事件处理方案的查询方法、装置、设备和计算机存储介质 | |
| CN112989332B (zh) | 一种异常用户行为检测方法和装置 | |
| CN116449762B (zh) | 基于物联网实现智能设备的安全预警方法及装置 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
| CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
| CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| CN113434746B (zh) | 基于用户标签的数据处理方法、终端设备及存储介质 | |
| CN116189332B (zh) | 一种车辆健康评分方法、装置、电子设备以及存储介质 | |
| CN112966965A (zh) | 进出口大数据的分析和决策方法、装置、设备及存储介质 | |
| CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN110782163A (zh) | 企业数据处理方法和装置 | |
| CN115550077A (zh) | 一种实时在线检测危险源数据并触发自动防御方法 | |
| CN115186759A (zh) | 模型训练方法及用户分类方法 | |
| CN114840767A (zh) | 基于人工智能的业务推荐方法及相关设备 | |
| CN114692082A (zh) | 换电用户的识别方法、系统、设备和介质 | |
| CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
| CN117522211B (zh) | 碳足迹信息采集方法及装置 |
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 |