CN117807376A - 一种自助洗车机的数据收集方法及系统 - Google Patents
一种自助洗车机的数据收集方法及系统 Download PDFInfo
- Publication number
- CN117807376A CN117807376A CN202410229426.8A CN202410229426A CN117807376A CN 117807376 A CN117807376 A CN 117807376A CN 202410229426 A CN202410229426 A CN 202410229426A CN 117807376 A CN117807376 A CN 117807376A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- user
- maintenance
- washing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013480 data collection Methods 0.000 title claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 278
- 238000005406 washing Methods 0.000 claims abstract description 141
- 230000008859 change Effects 0.000 claims abstract description 103
- 238000005299 abrasion Methods 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 99
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000003973 paint Substances 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
Abstract
本发明涉及数据收集领域，尤其涉及一种自助洗车机的数据收集方法及系统，包括收集用户的洗车数据；根据洗车时长及洗车次数分析用户对车辆的维护周期；获取用户历史洗车后外观数据和本次洗车后外观数据，根据用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；结合维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；根据磨损变化数据，筛选出目标维修点，将用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，为维修点提供了提前准备保养方案的机会，更好满足用户需求，结合磨损变化数据和目标维修点，为客户端提供个性化维修方案。
Description
技术领域
本申请涉及到数据收集技术领域，特别是涉及到一种自助洗车机的数据收集方法及系统。
背景技术
随着汽车行业的快速发展，自助洗车机作为一种方便快捷的洗车方式，逐渐受到广大车主的青睐。
现有技术中，自助洗车机在收集洗车数据时，能获取车辆的车型参数、洗车时长及洗车次数，而难以根据历史洗车后外观数据和本次洗车后外观数据，导致无法全面了解车辆的磨损情况，由于磨损情况主要是针对车漆的磨损，用户可能会根据个人喜好和车辆状态选择性地进行保养，由于无法预测用户的保养维护的概率，目标维修点无法根据用户的保养维护的概率去提前准备保养方案，导致在用户实际请求保养时，维修点可能无法及时提供合适的保养方案。另外，用户在收到磨损数据和状态数据后，往往需要自己分析和判断车辆的状况，然后选择相应的维修点。然而，由于缺乏专业的知识和经验，用户可能无法准确地判断车辆的问题和选择最佳的维修点。
因此，现有技术存在缺陷，需要改进。
发明内容
为了解决现有技术中的一个或者几个问题，本申请的主要目的为提供一种自助洗车机的数据收集方法及系统。
为了实现上述发明目的，本申请提出一种自助洗车机的数据收集方法，所述方法包括：
收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
结合所述维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；
根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
进一步地，所述将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点之后，还包括：
获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据；
根据所述行为数据及车型参数分析所述用户车辆的状态数据；
根据所述状态数据，筛选出目标维修点；
结合所述目标维修点和状态数据和磨损变化数据发送至用户端，将所述磨损变化数据及状态数据发送至目标维修点。
进一步地，在所述结合所述维护周期和磨损变化数据之后，在所述分析用户对车辆的保养维护的概率之前，包括：
根据所述磨损变化数据确定所述车辆的磨损程度及磨损位置；
基于所述磨损位置及磨损程度，确定所述车辆保养成本及磨损位置的重要程度；
构建贝叶斯网络模型，将所述车辆保养成本、磨损位置的重要程度及维护周期加入预设的权重系数并输入所述贝叶斯网络模型中；
通过所述贝叶斯网络模型评估所述用户的保养维护的概率。
进一步地，所述根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆的磨损变化数据，包括：
将所述用户历史洗车后外观数据和本次洗车后外观数据进行预处理；
对所述预处理后的所述用户历史洗车后外观数据和本次洗车后外观数据进行特征识别，包括划痕识别及凹陷识别；
对所述特征识别的结果进行量化处理，包括测量划痕的长度及深度，测量凹陷的厚度及范围；
将所述量化处理后的特征，加入时间变化趋势，得到车辆的磨损变化数据。
进一步地，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据，包括：
获取所述用户在将车辆驶入洗车机区域时的车辆行为数据；
获取所述用户在将清洁完成的车辆驶出洗车机区域时的车辆行为数据；
根据驶入时的行为数据及驶出时的行为数据，分析行为数据是否存在误差；
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值未超过预设的范围时；
则选取所述驶出时的行为数据与所述驶入时的行为数据之间的平均值作为最终行为数据。
进一步地，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据，还包括：
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值超过预设的范围时；
则将驶出时的行为数据与所述驶入时的行为数据，分别结合所述车型参数来分析状态数据；
若所述驶出时的行为数据分析得到的状态数据为预设的正常状态参数时，则判定驶入时的行为数据受车辆的污垢物影响，将所述驶出时的行为数据作为最终行为数据。
进一步地，所述通过所述贝叶斯网络模型评估所述用户的保养维护的概率，包括：
设置贝叶斯网络模型的变量节点；
将所述磨损程度、磨损位置、保养成本输入所述变量节点中；
设置贝叶斯网络模型的证据节点；
将所述维护周期输入所述证据节点中；
基于所述证据节点和所述变量节点，通过变量消除法计算所述用户的保养维护的概率。
进一步地，所述结合所述目标维修点、状态数据和磨损变化数据发送至用户端之前，还包括：
获取距离所述洗车机预设范围内的维修点；
根据所述状态数据和所述磨损变化数据，筛选出符合维修项目的目标维修点；
将所述目标维修点的保养价格进行估算，结合所述目标维修点估算的价格和磨损变化数据发送至所述用户端。
本申请实施例还提供一种自助洗车机的数据收集系统，包括：
收集模块，用于收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
第一分析模块，用于根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
第一获取模块，用于获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
第二分析模块，用于结合所述维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；
发送模块，用于根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请实施例的自助洗车机的数据收集方法及系统，通过收集用户的历史洗车后外观数据和本次洗车后外观数据，结合车辆的磨损变化数据，全面了解车辆的磨损情况。这样可以更加准确地预测车辆的保养维护的概率，为维修点提供更加准确的保养方案。由于用户可能会根据个人喜好和车辆状态选择性地进行保养，维修点无法预测用户的保养维护的概率，导致在用户实际请求保养时，维修点可能无法及时提供合适的保养方案。而本方法结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，为维修点提供了提前准备保养方案的机会，可以更好地满足用户的需求。结合磨损变化数据和目标维修点，为用户提供个性化的服务方案，可以更好地满足用户的需求。
附图说明
图1 为本申请一实施例的自助洗车机的数据收集方法的流程示意图；
图2 为本申请一实施例的自助洗车机的数据收集方法的流程示意图；
图3 为本申请一实施例的自助洗车机的数据收集系统的结构示意框图；
图4 为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种自助洗车机的数据收集方法，包括热交换器，所述方法包括：
S1、收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
S2、根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
S3、获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
S4、结合所述维护周期和磨损变化数据，分析用户对车辆的保养维护的概率；
S5、根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
如上述步骤S1-S2所述，收集用户的洗车数据时，可通过传感器、摄像头或其他数据采集装置来记录用户的车辆信息，车型参数，以及用户使用自助洗车机的数据，如洗车时长和次数。这有助于建立一个用户车辆使用和维护的基本档案。通过积累这些数据，可以更准确地判断用户对车辆的维护习惯和频率，从而推断出维护周期，有助于提前预测和准备维护工作。根据洗车时长及洗车次数判断用户对车辆的维护周期，是分析用户的洗车频率和单次洗车时长，以此推算出用户可能的维护习惯和周期；根据维护周期可了解用户的维护习惯有助于预测车辆出现的磨损情况，用户会护理的概率。
如上述步骤S3所述，获取用户历史洗车后外观数据和本次洗车后外观数据，可通过高分辨率摄像头或其他传感器，对比收集到的历史和当前车辆外观数据，分析差异。这能够直观地了解车辆外部的磨损情况，特别是对于车漆等表面的磨损，为用户提供更全面的车辆状况信息；分析车辆的磨损变化数据是通过对收集到的数据进行处理，使用算法来识别和量化车辆的磨损程度。磨损变化数据分析可以帮助用户了解车辆的具体磨损情况，为后续的维护和保养提供科学依据。
如上述步骤S4-S5所述，结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，是通过算法分析用户的维护习惯、车辆磨损程度，预测用户对车辆进行保养的可能性。由于磨损情况主要是针对车漆的磨损，用户可能会根据个人喜好和车辆状态选择性地进行保养，则通过预测用户的保养维护的概率，可以帮助维修点提前准备维修方案和资源，提高服务效率和满意度。筛选出目标维修点是根据车辆状态数据和磨损变化数据，通过算法筛选出最适合车辆当前状况的维修点。这可以为用户提供最为精准的维修建议，提高维修服务的针对性和效率。发送数据至目标维修点是将收集到的所有数据通过移动应用、短信或其他通讯方式发送给目标维修点，维修点可以提前准备维修资源和方案，提高维修服务的响应速度和质量。
在一实施例中，所述将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点之后，还包括：
获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据；
根据所述行为数据及车型参数分析所述用户车辆的状态数据；
根据所述状态数据，筛选出目标维修点；
结合所述目标维修点和状态数据和磨损变化数据发送至用户端，将所述磨损变化数据及状态数据发送至目标维修点。
如上所述，获取用户在将车辆行驶在洗车机区域时的车辆行为数据，可通过安装在洗车机区域的传感器，收集车辆在进入和离开洗车区域时的制动和转向数据。这些数据有助于分析车辆在操控上的变化，进一步了解车辆的状态。分析用户车辆的状态数据是根据车辆行为数据和车型参数，运用数据分析技术，评估车辆的技术状态。状态数据分析可以帮助用户了解车辆的运行状况，及时发现问题。筛选出目标维修点是根据车辆状态数据和磨损变化数据，通过算法筛选出最适合车辆当前状况的维修点。这可以为用户提供最为精准的维修建议，提高维修服务的针对性和效率。发送数据至用户端和目标维修点是将收集到的所有数据通过移动应用、短信或其他通讯方式发送给用户和目标维修点。用户可以接收到个性化的维修建议，而维修点可以提前准备维修资源和方案，提高维修服务的响应速度和质量。
具体的，通过收集用户的历史洗车后外观数据和本次洗车后外观数据，结合车辆的磨损变化数据，全面了解车辆的磨损情况。这样可以更加准确地预测车辆的保养维护的概率，为维修点提供更加准确的保养方案。由于用户可能会根据个人喜好和车辆状态选择性地进行保养，维修点无法预测用户的保养维护的概率，导致在用户实际请求保养时，维修点可能无法及时提供合适的保养方案。而本方法结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，并将目标维修点、状态数据和磨损变化数据发送至用户端，为维修点提供了提前准备保养方案的机会，可以更好地满足用户的需求。现有技术中，用户在收到磨损变化数据和状态数据后，往往需要自己分析和判断车辆的状况，然后选择相应的维修点。然而，由于缺乏专业的知识和经验，用户可能无法准确地判断车辆的问题和选择最佳的维修点。而本方法通过分析行为数据及车型参数，提供了更加准确的车辆状态数据，结合磨损变化数据和目标维修点，为用户提供个性化的服务方案，可以更好地满足用户的需求。
在一可行实施例中，还可获取所述用户车辆的车漆的颜色参数，当分析用户对车辆的保养维护的概率大于预设的阈值时，可生成颜色参数、保养维护的概率、磨损变化数据及状态数据发送至目标维修点，目标维修点可拥有充足的时间了解车主的保养意愿，并提前调配出车辆颜色对应的车漆，实现快速解决车辆的磨损的维护。具体的是：设用户A拥有一辆红色轿车，使用自助洗车机进行洗车。自助洗车机根据方法收集了用户A的洗车数据，包括车型参数（红色轿车）、洗车时长（10分钟）及洗车次数（3次）。根据洗车时长及洗车次数，自助洗车机判断用户A对车辆的维护周期为每两周洗车一次。自助洗车机还获取了用户A的历史洗车后外观数据和本次洗车后外观数据。通过分析这些数据，自助洗车机分析了车辆的磨损情况，发现车漆存在一些微小的划痕和颜色褪色现象。结合维护周期和磨损变化数据，自助洗车机分析出用户A对车辆的保养维护的概率较高，即用户A可能更倾向于保养车辆的磨损问题。在用户将车辆行驶在洗车机区域时，自助洗车机获取了车辆行为数据，包括制动数据和转向数据。根据这些行为数据及车型参数，自助洗车机进一步分析了用户A车辆的状态数据，如刹车灵敏度、转向稳定性等。根据用户A的状态数据和磨损变化数据，自助洗车机筛选出目标维修点，即附近的修车店X。自助洗车机将用户A的保养维护的概率、磨损变化数据及状态数据发送至修车店X，并提前准备好适合用户A车辆状况的保养方案。综上所述，自助洗车机不仅能收集基本的洗车数据，还能全面了解车辆的磨损情况，预测用户的保养维护的概率，并向目标维修点提供准确的保养方案，为用户提供个性化、高效的服务。
参照图2，在一个实施例中，在所述结合所述维护周期和磨损变化数据之后，在所述分析用户对车辆的保养维护的概率之前，包括：
S41、根据所述磨损变化数据确定所述车辆的磨损程度及磨损位置；
S42、基于所述磨损位置及磨损程度，确定所述车辆保养成本及磨损位置的重要程度；
S43、构建贝叶斯网络模型，将所述车辆保养成本、磨损位置的重要程度及维护周期加入预设的权重系数并输入所述贝叶斯网络模型中；
S44、通过所述贝叶斯网络模型评估所述用户的保养维护的概率。
如上所述，利用所收集到的历史洗车后外观数据和本次洗车后外观数据，通过对比分析确定车辆的磨损程度及磨损位置。基于磨损变化数据的结果，并结合车型参数，确定不同磨损位置及磨损程度对车辆保养成本的影响程度以及各磨损位置的重要性。把车辆保养成本、磨损位置的重要程度及维护周期作为模型的输入，通过预设的权重系数构建贝叶斯网络模型。贝叶斯网络是一种概率图模型，它可以用来描述各个变量之间的概率关系，并用于推断给定条件下的其他变量的概率分布。将车辆保养成本、磨损位置的重要程度及维护周期三个变量作为贝叶斯网络的节点，并确定它们之间的概率关系；构建的贝叶斯网络模型，将用户的车辆维护周期及磨损变化数据作为输入，并得出用户针对不同磨损位置的保养维护的概率。根据用户的个性化需求，为目标维修点提供更加精准的保养效率和准确性。根据用户的个性化需求，为其提供更加精准的保养方案，提高保养效率和准确性。通过对车辆的磨损程度及位置、保养成本和维护周期进行分析，能够提前预测用户对车辆的保养维护的概率，为用户提供个性化、高效的服务。
在一实施例中，所述通过轮廓检测所述字符区域的边界，所述根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆的磨损变化数据，包括：
将所述用户历史洗车后外观数据和本次洗车后外观数据进行预处理；
对所述预处理后的所述用户历史洗车后外观数据和本次洗车后外观数据进行特征识别，包括划痕识别及凹陷识别；
对所述特征识别的结果进行量化处理，包括测量划痕的长度及深度，测量凹陷的厚度及范围；
将所述量化处理后的特征，加入时间变化趋势，得到车辆的磨损变化数据。
如上述步骤所述，预处理历史和本次洗车后外观数据，可包括去除噪声、图像增强等操作，以提高后续特征识别的准确性。对预处理后的历史和本次洗车后外观数据进行特征识别，包括划痕和凹陷的识别。这可涉及到计算机视觉等技术，如边缘检测、轮廓检测、形态学操作等。对特征识别的结果进行量化处理，如测量划痕长度和深度、测量凹陷厚度和范围等，并将其转化为数字化的数据以方便后续分析。将量化处理后的特征与时间变化趋势相结合，以得到车辆的磨损变化数据。时间变化趋势可以反映车辆磨损的加速度和趋势，可有助于更准确地预测车辆未来的磨损情况。通过自动化的特征识别技术，可以快速准确地提取磨损变化数据，相比人工检查更高效，减少了人为误差。测量划痕的长度和深度，以及凹陷的厚度和范围。量化处理的好处在于，它为磨损情况提供了具体的数值描述，便于进行更精确的磨损程度评估和趋势分析。结合时间变化趋势分析，可以观察到车辆磨损随时间的发展情况，这有助于用户理解磨损的进展速度和模式，从而更好地规划维护和保养。
在一实施例中，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据，包括：
获取所述用户在将车辆驶入洗车机区域时的车辆行为数据；
获取所述用户在将清洁完成的车辆驶出洗车机区域时的车辆行为数据；
根据驶入时的行为数据及驶出时的行为数据，分析行为数据是否存在误差；
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值未超过预设的范围时；
则选取所述驶出时的行为数据与所述驶入时的行为数据之间的平均值作为最终行为数据。
如上所述，收集用户在车辆进入洗车区域时的实际操作数据，如制动和转向数据。这有助于了解用户如何控制车辆进入洗车区域，并可能揭示任何潜在的操作错误或不规范行为。收集用户在车辆离开洗车区域时的行为数据。与驶入时的数据相结合，这有助于全面了解用户在洗车过程中的行为模式。在收集到两组数据后，进行误差分析可以识别数据中可能的不一致或异常，这可能是由于用户操作错误、传感器误差或其他因素造成的。能够确保数据的准确性，排除异常值对数据分析结果的影响，提高数据分析的可靠性。如果两组数据之间的误差在可接受的范围内，那么可以认为用户的行为是稳定的，此时取两组数据的平均值作为最终代表用户行为的数据。
在一实施例中，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据，还包括：
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值超过预设的范围时；
则将驶出时的行为数据与所述驶入时的行为数据，分别结合所述车型参数来分析状态数据；
若所述驶出时的行为数据分析得到的状态数据为预设的正常状态参数时，则判定驶入时的行为数据受车辆的污垢物影响，将所述驶出时的行为数据作为最终行为数据。
如上所述，当驶出时的行为数据与驶入时的行为数据之间的误差值超过预设的范围时，表明可能存在一些异常情况，如用户的操作失误、车辆的故障或其他外部因素，通过识别数据误差，可以采取措施纠正或排除这些异常情况，确保数据的准确性和可靠性。在误差值超过预设范围的情况下，将驶出时的行为数据和驶入时的行为数据分别与车型参数结合进行分析，可以帮助更准确地判断车辆的实际状态。如果驶出时的行为数据分析得到的状态数据为预设的正常状态参数，这意味着车辆在洗车后恢复了正常的工作状态。这种判定方法可以帮助识别和校正由于车辆污垢物（如泥土、灰尘等）影响导致的异常数据，确保数据分析的准确性。如果驶入时的行为数据受到污垢物的影响，那么以驶出时的行为数据作为最终行为数据是合理的，因为它代表了车辆在清洁后的实际性能。这提供了一个清洁后车辆性能的真实指标，有助于优化洗车服务，提高用户满意度，并减少由于数据不准确导致的误判风险。
在一实施例中，所述通过所述贝叶斯网络模型评估所述用户的保养维护的概率，包括：
设置贝叶斯网络模型的变量节点；
将所述磨损程度、磨损位置、保养成本输入所述变量节点中；
设置贝叶斯网络模型的证据节点；
将所述维护周期输入所述证据节点中；
基于所述证据节点和所述变量节点，通过变量消除法计算所述用户的保养维护的概率。
如上所述，所述的贝叶斯网络模型是一种图形模型，它表示一组变量及其条件依赖性通过有向无环图（DAG）。在这种模型中，节点代表变量，有向边代表条件依赖性。变量节点代表不确定的信息。变量节点可包括“磨损程度”、“磨损位置”和“保养成本”。这些变量节点的值是通过实际数据输入的。例如，“磨损程度”可以是轻度、中度或重度，“磨损位置”具体车辆的某个部分位置，“保养成本”是根据保养历史和当前市场情况估计的数值。证据节点代表观察到的数据或者是决策者提供的先验信息。通过将“维护周期”作为证据节点，是一个观察到的周期性维护事件。通过变量消除法（也称为变量消去法或信念传播算法），可以计算出在给定证据的情况下，各个变量节点的概率分布。最终得到“保养维护的概率”，即用户会对磨损的车漆进行保养的概率。具体的是，磨损程度：可以设定为一个离散的变量，例如低、中、高三个级别；磨损位置：可以设定为一个离散的变量，例如前部、中部、后部三个位置；保养成本：可以设定为一个连续的变量，表示保养该磨损所需的成本；将磨损程度、磨损位置、保养成本作为输入，分别放入对应的变量节点中。维护周期：可以设定为一个离散的变量，表示用户的维护周期，例如每月、每季度、每年等；将用户提供的维护周期作为输入，放入维护周期的证据节点中。首先，根据证据节点的取值，将证据节点和变量节点进行联合推理，得到一个临时的联合概率分布。然后，使用变量消除法逐步消除不需要的变量，直到得到所需的后验概率分布，即用户的保养维护的概率。由上分析，通过建立贝叶斯网络模型，可以根据用户提供的磨损程度、磨损位置、保养成本等信息，结合维护周期的证据节点，计算出用户进行保养的概率。这样可以为用户提供一个量化的参考，帮助他们更好地决策是否进行保养。贝叶斯网络模型可以根据用户的具体情况和维护周期，对保养维护的概率进行个性化的评估。例如，如果用户的维护周期较长，而磨损程度和保养成本较高，模型可能会给出较低的保养维护的概率，而目标维修点则可根据此概率来权衡是否要提前准备保养材料。
在一实施例中，所述结合所述目标维修点、状态数据和磨损变化数据发送至用户端之前，还包括：
获取距离所述洗车机预设范围内的维修点；
根据所述状态数据和所述磨损变化数据，筛选出符合维修项目的目标维修点；
将所述目标维修点的保养价格进行估算，结合所述目标维修点估算的价格和磨损变化数据发送至所述用户端。
如上所述，利用定位技术，如GPS或地理信息系统（GIS），来确定用户当前位置与最近的维修点之间的距离。这样，用户可以知道最近的维修服务位置，方便他们选择服务，提高了用户寻找维修服务的效率，减少了寻找维修点所需的时间和努力。系统会分析车辆的状态数据和磨损变化数据，以确定哪些维修点需要进行维修。原理是通过对收集到的数据应用算法和标准，如阈值比较或模式识别，来识别出最可能需要维修的部件。确保用户只收到与其车辆当前状况相关的维修建议，提高了信息的准确性和相关性。系统会根据维修点的类型、所需工作的复杂性以及部件的价格来估算维修成本。原理是基于历史数据和行业标准来建立价格模型。用户可以提前了解维修成本，从而做出更加明智的经济决策。系统将维修点的位置、估算的维修价格以及磨损变化数据综合起来，发送给用户。原理是通过一个用户界面，如应用程序或短信，将所有相关信息一次性呈现给用户。实现提供了一个方便的途径来获取所有相关信息，并在一个地方进行比较和决策。
本申请的自助洗车机的数据收集方法，通过收集用户的历史洗车后外观数据和本次洗车后外观数据，结合车辆的磨损变化数据，全面了解车辆的磨损情况。这样可以更加准确地预测车辆的保养维护的概率，为维修点提供更加准确的保养方案。由于用户可能会根据个人喜好和车辆状态选择性地进行保养，维修点无法预测用户的保养维护的概率，导致在用户实际请求保养时，维修点可能无法及时提供合适的保养方案。而本方法结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，并将目标维修点、状态数据和磨损变化数据发送至用户端，为维修点提供了提前准备保养方案的机会，可以更好地满足用户的需求。现有技术中，用户在收到磨损变化数据和状态数据后，往往需要自己分析和判断车辆的状况，然后选择相应的维修点。然而，由于缺乏专业的知识和经验，用户可能无法准确地判断车辆的问题和选择最佳的维修点。而本方法通过分析行为数据及车型参数，提供了更加准确的车辆状态数据，结合磨损变化数据和目标维修点，为用户提供个性化的服务方案，可以更好地满足用户的需求。
参照图3，本申请实施例中还提供一种自助洗车机的数据收集系统，包括：
收集模块1，用于收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
第一分析模块2，用于根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
第一获取模块3，用于获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
第二分析模块4，用于结合所述维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；
发送模块5，用于根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
如上所述，可以理解地，本申请中提出的所述自助洗车机的数据收集系统的各组成部分可以实现如上所述自助洗车机的数据收集方法任一项的功能，具体结构不再赘述。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存监控数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自助洗车机的数据收集方法。
上述处理器执行上述的自助洗车机的数据收集方法，包括：收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；根据所述洗车时长及洗车次数分析用户对车辆的维护周期；获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆的磨损变化数据；结合所述维护周期和磨损变化数据，分析用户对车辆的保养维护的概率；获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据；根据所述行为数据及车型参数分析所述用户车辆的状态数据；根据所述状态数据和磨损变化数据，筛选出目标维修点；结合所述目标维修点、状态数据和磨损变化数据发送至用户端，将所述用户对车辆的保养维护的概率、磨损变化数据及状态数据发送至目标维修点。
上述的自助洗车机的数据收集方法，通过收集用户的历史洗车后外观数据和本次洗车后外观数据，结合车辆的磨损变化数据，全面了解车辆的磨损情况。这样可以更加准确地预测车辆的保养维护的概率，为维修点提供更加准确的保养方案。由于用户可能会根据个人喜好和车辆状态选择性地进行保养，维修点无法预测用户的保养维护的概率，导致在用户实际请求保养时，维修点可能无法及时提供合适的保养方案。而本方法结合维护周期和磨损变化数据，分析用户对车辆的保养维护的概率，并将目标维修点、状态数据和磨损变化数据发送至用户端，为维修点提供了提前准备保养方案的机会，可以更好地满足用户的需求。现有技术中，用户在收到磨损变化数据和状态数据后，往往需要自己分析和判断车辆的状况，然后选择相应的维修点。然而，由于缺乏专业的知识和经验，用户可能无法准确地判断车辆的问题和选择最佳的维修点。而本方法通过分析行为数据及车型参数，提供了更加准确的车辆状态数据，结合磨损变化数据和目标维修点，为用户提供个性化的服务方案，可以更好地满足用户的需求。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种自助洗车机的数据收集方法，包括步骤：收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；根据所述洗车时长及洗车次数分析用户对车辆的维护周期；获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆的磨损变化数据；结合所述维护周期和磨损变化数据，分析用户对车辆的保养维护的概率；获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据；根据所述行为数据及车型参数分析所述用户车辆的状态数据；根据所述状态数据和磨损变化数据，筛选出目标维修点；结合所述目标维修点、状态数据和磨损变化数据发送至用户端，将所述用户对车辆的保养维护的概率、磨损变化数据及状态数据发送至目标维修点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种自助洗车机的数据收集方法，其特征在于，所述方法包括：
收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
结合所述维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；
根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
2.根据权利要求1所述的自助洗车机的数据收集方法，其特征在于，在所述结合所述维护周期和磨损变化数据之后，在所述分析用户对车辆的保养维护的概率之前，包括：
根据所述磨损变化数据确定所述车辆的磨损程度及磨损位置；
基于所述磨损位置及磨损程度，确定所述车辆保养成本及磨损位置的重要程度；
构建贝叶斯网络模型，将所述车辆保养成本、磨损位置的重要程度及维护周期加入预设的权重系数并输入所述贝叶斯网络模型中；
通过所述贝叶斯网络模型评估所述用户的保养维护的概率。
3.根据权利要求1所述的自助洗车机的数据收集方法，其特征在于，所述根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆的磨损变化数据，包括：
将所述用户历史洗车后外观数据和本次洗车后外观数据进行预处理；
对所述预处理后的所述用户历史洗车后外观数据和本次洗车后外观数据进行特征识别，包括划痕识别及凹陷识别；
对所述特征识别的结果进行量化处理，包括测量划痕的长度及深度，测量凹陷的厚度及范围；
将所述量化处理后的特征，加入时间变化趋势，得到车辆的磨损变化数据。
4.根据权利要求1所述的自助洗车机的数据收集方法，其特征在于，所述将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点之后，还包括：
获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，所述行为数据包括制动数据及转向数据；
根据所述行为数据及车型参数分析所述用户车辆的状态数据；
根据所述状态数据，筛选出目标维修点；
结合所述目标维修点和状态数据和磨损变化数据发送至用户端，将所述磨损变化数据及状态数据发送至目标维修点。
5.根据权利要求4所述的自助洗车机的数据收集方法，其特征在于，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，包括：
获取所述用户在将车辆驶入洗车机区域时的车辆行为数据；
获取所述用户在将清洁完成的车辆驶出洗车机区域时的车辆行为数据；
根据驶入时的行为数据及驶出时的行为数据，分析行为数据是否存在误差；
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值未超过预设的范围时；
则选取所述驶出时的行为数据与所述驶入时的行为数据之间的平均值作为最终行为数据。
6.根据权利要求5所述的自助洗车机的数据收集方法，其特征在于，所述获取所述用户在将车辆行驶在洗车机区域时的车辆行为数据，还包括：
当所述驶出时的行为数据与所述驶入时的行为数据之间的误差值超过预设的范围时；
则将驶出时的行为数据与所述驶入时的行为数据，分别结合所述车型参数来分析状态数据；
若所述驶出时的行为数据分析得到的状态数据为预设的正常状态参数时，则判定驶入时的行为数据受车辆的污垢物影响，将所述驶出时的行为数据作为最终行为数据。
7.根据权利要求2所述的自助洗车机的数据收集方法，其特征在于，所述通过所述贝叶斯网络模型评估所述用户的保养维护的概率，包括：
设置贝叶斯网络模型的变量节点；
将所述磨损程度、磨损位置、保养成本输入所述变量节点中；
设置贝叶斯网络模型的证据节点；
将所述维护周期输入所述证据节点中；
基于所述证据节点和所述变量节点，通过变量消除法计算所述用户的保养维护的概率。
8.一种自助洗车机的数据收集系统，其特征在于，包括：
收集模块，用于收集用户的洗车数据，所述洗车数据包括车型参数、洗车时长及洗车次数；
第一分析模块，用于根据所述洗车时长及洗车次数分析用户对车辆的维护周期；
第一获取模块，用于获取所述用户历史洗车后外观数据和本次洗车后外观数据，根据所述用户历史洗车后外观数据和本次洗车后外观数据，分析车辆外观的磨损变化数据；
第二分析模块，用于结合所述维护周期和磨损变化数据，分析用户会对车辆进行保养维护的概率；
发送模块，用于根据所述磨损变化数据，筛选出目标维修点，将所述用户对车辆的保养维护的概率、磨损变化数据发送至目标维修点。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410229426.8A CN117807376B (zh) | 2024-02-29 | 2024-02-29 | 一种自助洗车机的数据收集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410229426.8A CN117807376B (zh) | 2024-02-29 | 2024-02-29 | 一种自助洗车机的数据收集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807376A true CN117807376A (zh) | 2024-04-02 |
| CN117807376B CN117807376B (zh) | 2024-06-04 |
Family
ID=90430361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410229426.8A Active CN117807376B (zh) | 2024-02-29 | 2024-02-29 | 一种自助洗车机的数据收集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807376B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001063532A (ja) * | 2000-10-31 | 2001-03-13 | Tatsumi Soken Kk | 洗車場システム |
| JP2005085028A (ja) * | 2003-09-09 | 2005-03-31 | Ikko:Kk | メインテナンス促進方法、メインテナンス促進装置及びメインテナンス促進システム並びにカード |
| CN105313806A (zh) * | 2014-08-05 | 2016-02-10 | 麦恩电子有限公司 | 车辆保养提醒 |
| CN105667462A (zh) * | 2014-12-08 | 2016-06-15 | 福特全球技术公司 | 连接的车辆系统的磨损估计与保养计划的方法和设备 |
| CN107610363A (zh) * | 2017-10-12 | 2018-01-19 | 上海车来车往网络科技有限公司 | 移动互联网智能自助洗车平台管理系统 |
| CN110866770A (zh) * | 2018-08-28 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 车辆保养方案的预测方法和预测系统 |
| KR20200128224A (ko) * | 2019-04-18 | 2020-11-12 | 주식회사 오토스테이 | 세차장의 공간을 통합한 게러지형 세차장 구조 및 이를 이용한 차량 정보 통합 시스템 |
| CN112579911A (zh) * | 2020-12-29 | 2021-03-30 | 深圳市顺易通信息科技有限公司 | 一种车辆洗车信息的推荐方法及系统 |
| CN116703353A (zh) * | 2023-05-04 | 2023-09-05 | 中国第一汽车股份有限公司 | 一种新能源汽车预测保养方法、电子设备及存储介质 |
-
2024
- 2024-02-29 CN CN202410229426.8A patent/CN117807376B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001063532A (ja) * | 2000-10-31 | 2001-03-13 | Tatsumi Soken Kk | 洗車場システム |
| JP2005085028A (ja) * | 2003-09-09 | 2005-03-31 | Ikko:Kk | メインテナンス促進方法、メインテナンス促進装置及びメインテナンス促進システム並びにカード |
| CN105313806A (zh) * | 2014-08-05 | 2016-02-10 | 麦恩电子有限公司 | 车辆保养提醒 |
| CN105667462A (zh) * | 2014-12-08 | 2016-06-15 | 福特全球技术公司 | 连接的车辆系统的磨损估计与保养计划的方法和设备 |
| CN107610363A (zh) * | 2017-10-12 | 2018-01-19 | 上海车来车往网络科技有限公司 | 移动互联网智能自助洗车平台管理系统 |
| CN110866770A (zh) * | 2018-08-28 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 车辆保养方案的预测方法和预测系统 |
| KR20200128224A (ko) * | 2019-04-18 | 2020-11-12 | 주식회사 오토스테이 | 세차장의 공간을 통합한 게러지형 세차장 구조 및 이를 이용한 차량 정보 통합 시스템 |
| CN112579911A (zh) * | 2020-12-29 | 2021-03-30 | 深圳市顺易通信息科技有限公司 | 一种车辆洗车信息的推荐方法及系统 |
| CN116703353A (zh) * | 2023-05-04 | 2023-09-05 | 中国第一汽车股份有限公司 | 一种新能源汽车预测保养方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807376B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11594083B1 (en) | Method and system for determining a state change of an autonomous device | |
| Carvalho et al. | A cookbook for using model diagnostics in integrated stock assessments | |
| CN111325416A (zh) | 预测叫车平台的用户流失的方法和装置 | |
| US20050216793A1 (en) | Method and apparatus for detecting abnormal behavior of enterprise software applications | |
| EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
| JP2022546729A (ja) | 複雑な人間挙動に関するモジュール式予測 | |
| CN114816901A (zh) | 通过ai的方式对软件变更后的健康状态进行评估的方法 | |
| CA3037941A1 (en) | Method and system for generating and using vehicle pricing models | |
| CN111833594A (zh) | 车流量预测方法、装置、电子设备及存储介质 | |
| CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
| CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN111091401A (zh) | 一种网约车定价方法、系统、存储介质及设备 | |
| CN114169400A (zh) | 饮用水源地土壤环境参数预警方法、系统、装置及存储介质 | |
| CN110458144A (zh) | 物体区域入侵检测方法、系统、装置及可读存储介质 | |
| CN117807376B (zh) | 一种自助洗车机的数据收集方法及系统 | |
| CN117172756A (zh) | 模具管理方法、装置、设备及存储介质 | |
| CN101957941A (zh) | 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法 | |
| CN117493115A (zh) | 埋点采集状态检测方法、装置、电子设备及存储介质 | |
| CN117422518A (zh) | 一种洗车站管理方法和系统 | |
| CN114819619A (zh) | 车联网系统服务健康分析方法和装置 | |
| CN114414585A (zh) | 二维码污损自动识别方法、装置及共享车辆 | |
| Rehder et al. | Influence of different ground truth hypotheses on the quality of Bayesian networks for maneuver detection and prediction of driving behavior | |
| CN113561917A (zh) | 车辆清洗判断方法、装置、电子设备和存储介质 | |
| CN118112933B (zh) | 基于用户习惯生成洗车参数的方法、系统、设备及介质 | |
| CN118469268B (zh) | 一种数字化工厂耗材管理系统及方法 |
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 |