CN108197977A - 一种车辆品牌的推荐方法及装置 - Google Patents
一种车辆品牌的推荐方法及装置 Download PDFInfo
- Publication number
- CN108197977A CN108197977A CN201711377288.4A CN201711377288A CN108197977A CN 108197977 A CN108197977 A CN 108197977A CN 201711377288 A CN201711377288 A CN 201711377288A CN 108197977 A CN108197977 A CN 108197977A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- various brands
- data
- obtains
- brand
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车辆品牌的推荐方法及装置,属于智能交通大数据领域。所述方法包括:选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;对选取的静态信息和历史轨迹数据按照不同维度进行统计,得到统计结果;根据统计结果,预测各品牌的车辆销量及车辆质量;根据车辆选购者的需求、预测的各品牌的车辆销量及车辆质量,向车辆选购者推荐车辆品牌。本发明中,基于最原始的车辆的静态信息及车辆的轨迹数据,预测出各品牌的车辆销量和车辆质量,进而为车辆选购者提供详细的参考标准,解决了车辆选购者选择难的困扰;同时,还可以为车辆生产厂家提供精准的市场数据,便于车辆生产厂家及时调整生产策略及改进车辆质量。
Description
技术领域
本发明涉及智能交通大数据领域,尤其涉及一种车辆品牌的推荐方法及装置。
背景技术
随着社会经济的快速发展,无论是私家车还是物流运输车都在以指数级的速度飞速增长;各车辆生产厂家也在不断的推出各种品牌、各种功能、各种大小的车辆,面对如此多种类的车辆,对于购车者来说,特别是没有经验的购车者来说,如何选购一款满足自己需求并且性价比高的车辆成为了困扰;同时,对于车辆生产厂家而言,随时投入市场的车辆的增加,对生产问题的汇总也变得越来越复杂。
发明内容
为解决现有技术的不足,本发明提供一种车辆品牌的推荐方法及装置。
一方面,本发明提供一种车辆品牌的推荐方法,包括:
步骤S1:选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
步骤S2:对所述静态信息和所述历史轨迹数据按照不同维度进行统计,得到统计结果;
步骤S3:根据所述统计结果,预测各品牌的车辆销量及车辆质量;
步骤S4:根据车辆选购者的需求、预测的各品牌的车辆销量及车辆质量,向所述车辆选购者推荐车辆品牌。
可选地,所述步骤S2之前,还包括:对所述历史轨迹数据进行降噪处理;
对应地,所述步骤S2中,所述对所述静态信息和所述历史轨迹数据按照不同维度进行统计,具体为:对所述静态数据和降噪后的历史轨迹数据按照不同的维度进行统计。
可选地,所述静态数据,包括:车辆的品牌、重量及车牌号码;
可选地,所述历史轨迹数据,包括:车辆的车牌号码及时间维度上一系列的位置数据;
对应地,所述步骤S2,具体包括:
根据车牌号码对所述静态信息和所述历史轨迹数据进行融合,得到各车辆的综合数据;
对各综合数据,执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
对各综合数据,执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算所述匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
可选地,所述步骤S3中,所述根据所述统计结果,预测各品牌的车辆销量,具体为:
执行以下操作中的至少一项:
根据所述各品牌的车辆数量,预测各品牌的车辆销量;
根据所述各重量的车辆数量,预测各重量区间的车辆销量;
根据所述各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
可选地,所述步骤S3中,所述根据所述统计结果,预测各品牌的车辆质量,具体为:
执行以下操作中的至少一项:
根据所述各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
另一方面,本发明提供一种车辆品牌的推荐装置,包括:
选取模块,用于选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
统计模块,用于对所述选取模块选取的静态信息和历史轨迹数据按照不同维度进行统计,得到统计结果;
第一预测模块,用于根据所述统计模块得到的统计结果,预测各品牌的车辆销量;
第二预测模块,用于根据所述统计模块得到的统计结果,预测各品牌的车辆质量;
推荐模块,用于根据车辆选购者的需求、第一预测模块预测的各品牌的车辆销量及第二预测模块预测的各品牌的车辆质量,向所述车辆选购者推荐车辆品牌。
可选地,所述装置,还包括:降噪模块;
所述降噪模块,用于对所述选取模块选取的历史轨迹数据进行降噪处理;
所述统计模块,具体用于:对所述选取模块选取的静态信息和所述降噪模块降噪后的历史轨迹数据按照不同的维度进行统计。
可选地,所述静态数据,包括:车辆的品牌、重量及车牌号码;
可选地,所述历史轨迹数据,包括:车辆的车牌号码及时间维度上一系列的位置数据;
对应地,所述统计模块,具体包括:融合子模块、第一统计子模块和第二统计子模块;
所述融合子模块,用于根据车牌号码对所述选取模块选取的静态信息和历史轨迹数据进行融合,得到各车辆的综合数据;
所述第一统计子模块,用于执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
所述第二统计子模块,用于执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算所述匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
可选地,所述第一预测模块,具体用于:
执行以下操作中的至少一项:
根据所述第一统计子模块得到的各品牌的车辆数量,预测各品牌的车辆销量;
根据所述第一统计子模块得到的各重量的车辆数量,预测各重量区间的车辆销量;
根据所述第一统计子模块得到的各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
可选地,所述第二预测模块,具体用于:
执行以下操作中的至少一项:
根据所述第二统计子模块得到的各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述第二统计子模块得到的预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述第二统计子模块得到的各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
本发明的优点在于:
本发明中,基于最原始的车辆的静态信息及车辆的轨迹数据,对车辆进行不同维度的分类统计,从而预测各品牌的车辆销量和车辆质量,进而为车辆选购者提供详细的参考标准,解决了车辆选购者选择难的困扰;同时,根据预测的各品牌的车辆销量和车辆质量,还可以为车辆生产厂家提供精准的市场数据,便于车辆生产厂家及时调整生产策略及改进车辆质量。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1为本发明提供的一种车辆品牌的推荐方法流程图;
附图2为本发明提供的一种车辆品牌的推荐装置模块组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
根据本发明的实施方式,提供一种车辆品牌的推荐方法,如图1所示,包括:
步骤101:选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
本实施例中,在车辆投入市场以及被选购时,维护车辆的静态信息,包括:车辆的品牌、重量、车牌号码、油箱大小、厂家信息、注册地、车主信息等;
优选地,在本实施例中,步骤101之前,还包括:采集各车辆的车载设备上报的轨迹数据并保存;
对应地,步骤101中,选取预设时间段内车辆的历史轨迹数据,具体为:在保存的历史轨迹数据中,任意选取预设时间段内的历史轨迹数据;
其中,预设时间段,可以根据需求自行设定,例如,预设时间段设定为连续的三年;历史轨迹数据,包括:车辆的车牌号码、时间维度上一系列的位置数据、行驶里程等。
步骤102:对选取的静态信息和历史轨迹数据按照不同维度进行统计,得到统计结果;
根据本发明的实施方式,步骤102之前,还包括:对选取的历史轨迹数据进行降噪处理;
对应地,步骤102中,对选取的静态信息和历史轨迹数据按照不同维度进行统计,具体为:对选取的静态数据和降噪后的历史轨迹数据按照不同的维度进行统计,。
其中,对选取的历史轨迹数据进行降噪处理,具体为:将选取的历史轨迹数据中不准确的位置数据移除,以保证数据的准确性。
进一步地,在本实施例中,步骤102,具体包括:
根据车牌号码对选取的静态信息和历史轨迹数据进行融合,得到各车辆的综合数据;
对各综合数据,执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
对各综合数据,执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
其中,预设时间维度不大于预设时间段,其可以根据需求自定设定,例如,设定预设时间维度为一年。
进一步地,在本实施例中,根据车牌号码对选取的静态信息和历史轨迹数据进行融合,得到各车辆的综合数据,具体为:比对各静态信息和历史轨迹数据中含有的车牌号码,将含有相同车牌号码的静态信息与历史轨迹数据进行融合,得到对应的各车辆的综合数据。
例如,在本实施例中,按照车辆的品牌统计,得到解放牌车辆有35000辆;按照车辆的重量统计,得到8吨的车辆有20000辆;按照车辆的品牌和重量统计,得到解放牌车辆在8吨至15吨之间的有16020辆;按照车辆的品牌和维修站停靠次数统计,得到解放牌车辆在维修站停靠次数为5次至10次之间的有17063辆;按照车辆的品牌和维修站停靠次数,以预设时间维度统计,得到在某一年里解放牌车辆在维修站停靠次数为5次至10次之间的有5000辆;按照车辆的品牌和保养行驶里程统计,得到解放牌车辆在保养里程为5万公里至7万公里之间的有3000辆。
步骤103:根据得到的统计结果,预测各品牌的车辆销量及车辆质量;
可选地,根据得到的统计结果,预测各品牌的车辆销量,具体为:与步骤102对应,执行以下操作中的至少一项:
根据各品牌的车辆数量,预测各品牌的车辆销量;
根据各重量的车辆数量,预测各重量区间的车辆销量;
根据各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
可选地,根据统计结果,预测各品牌的车辆质量,具体为:与步骤102对应,执行以下操作中的至少一项:
根据各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
需要指出地,步骤103中进行预测的依据,与步骤102中得到的统计结果相对应;
例如,步骤102中,对各综合数据按照车辆的品牌进行分类统计,得到各品牌的车辆数量,对应地,步骤103中,根据各品牌的车辆数量,预测各品牌的车辆销量。
步骤104:根据车辆选购者的需求、预测的各品牌的车辆销量及车辆质量,向车辆选购者推荐车辆品牌。
具体地,根据车辆选购者的需求、预测的各品牌的车辆销量及车辆质量,向车辆选购者推荐最受欢迎的品牌、不同重量最受欢迎的品牌、以及不同品牌质量最好的车。
进一步地,本实施例中的方法,还包括:将预测的各品牌的车辆销量及车辆质量与厂家信息相关联,从而为各厂家提供精准的市场数据。
本实施例中,基于最原始的车辆的静态信息及车辆的轨迹数据,对各车辆进行不同维度的分类统计,从而预测各品牌的车辆销量和车辆质量,进而为车辆选购者提供详细的参考标准,解决了车辆选购者选择难的困扰;同时,根据预测的各品牌的车辆销量和车辆质量,还可以为车辆生产厂家提供精准的市场数据,以便于车辆生产厂家及时调整生产策略及改进车辆质量。
实施例二
根据本发明的实施方式,提供一种车辆品牌的推荐装置,如图2所示,包括:
选取模块201,用于选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
统计模块202,用于对选取模块201选取的静态信息和历史轨迹数据按照不同维度进行统计,得到统计结果;
第一预测模块203,用于根据统计模块202得到的统计结果,预测各品牌的车辆销量;
第二预测模块204,用于根据统计模块202得到的统计结果,预测各品牌的车辆质量;
推荐模块205,用于根据车辆选购者的需求、第一预测模块203预测的各品牌的车辆销量及第二预测模块204预测的各品牌的车辆质量,向车辆选购者推荐车辆品牌。
根据本发明的实施方式,所述装置,还包括:维护模块和采集模块,其中:
维护模块,用于在车辆投入市场以及被选购时,维护车辆的静态信息;
采集模块,用于采集各车辆的车载设备上报的轨迹数据并保存;
对应地,选取模块201,具体用于:选取维护模块维护的静态信息以及采集模块保存的历史轨迹数据。
其中,静态信息,包括:车辆的品牌、重量、车牌号码、油箱大小、厂家信息、注册地、车主信息等;历史轨迹数据,包括:车辆的车牌号码、时间维度上一系列的位置数据、行驶里程等。
根据本发明的实施方式,所述装置,还包括:降噪模块;
降噪模块,用于对选取模块201选取的历史轨迹数据进行降噪处理;
对应地,统计模块202,具体用于:对选取模块201选取的静态信息和降噪模块降噪后的历史轨迹数据按照不同的维度进行统计,得到统计结果。
根据本发明的实施方式,统计模块202,具体包括:融合子模块、第一统计子模块和第二统计子模块,其中:
融合子模块,用于根据车牌号码对选取模块201选取的静态信息和历史轨迹数据进行融合,得到各车辆的综合数据;
第一统计子模块,用于执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
第二统计子模块,用于执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
根据本发明的实施方式,第一预测模块203,具体用于:
执行以下操作中的至少一项:
根据第一统计子模块得到的各品牌的车辆数量,预测各品牌的车辆销量;
根据第一统计子模块得到的各重量的车辆数量,预测各重量区间的车辆销量;
根据第一统计子模块得到的各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
根据本发明的实施方式,第二预测模块204,具体用于:
执行以下操作中的至少一项:
根据第二统计子模块得到的各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据第二统计子模块得到的预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据第二统计子模块得到的各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
本发明中,基于最原始的车辆的静态信息及车辆的轨迹数据,对车辆进行不同维度的分类统计,从而预测各品牌的车辆销量和车辆质量,进而为车辆选购者提供详细的参考标准,解决了车辆选购者选择难的困扰;同时,根据预测的各品牌的车辆销量和车辆质量,还可以为车辆生产厂家提供精准的市场数据,便于车辆生产厂家及时调整生产策略及改进车辆质量。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种车辆品牌的推荐方法,其特征在于,包括:
步骤S1:选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
步骤S2:对所述静态信息和所述历史轨迹数据按照不同维度进行统计,得到统计结果;
步骤S3:根据所述统计结果,预测各品牌的车辆销量及车辆质量;
步骤S4:根据车辆选购者的需求、预测的各品牌的车辆销量及车辆质量,向所述车辆选购者推荐车辆品牌。
2.根据权利要求1所述的方法,其特征在于,
所述步骤S2之前,还包括:对所述历史轨迹数据进行降噪处理;
所述步骤S2中,所述对所述静态信息和所述历史轨迹数据按照不同维度进行统计,具体为:对所述静态数据和降噪后的历史轨迹数据按照不同的维度进行统计。
3.根据权利要求1所述的方法,其特征在于,
所述静态数据,包括:车辆的品牌、重量及车牌号码;
所述历史轨迹数据,包括:车辆的车牌号码及时间维度上一系列的位置数据;
所述步骤S2,具体包括:
根据车牌号码对所述静态信息和所述历史轨迹数据进行融合,得到各车辆的综合数据;
对各综合数据,执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
对各综合数据,执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算所述匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3中,所述根据所述统计结果,预测各品牌的车辆销量,具体为:
执行以下操作中的至少一项:
根据所述各品牌的车辆数量,预测各品牌的车辆销量;
根据所述各重量的车辆数量,预测各重量区间的车辆销量;
根据所述各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
5.根据权利要求3所述的方法,其特征在于,所述步骤S3中,所述根据所述统计结果,预测各品牌的车辆质量,具体为:
执行以下操作中的至少一项:
根据所述各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
6.一种车辆品牌的推荐装置,其特征在于,包括:
选取模块,用于选取车辆的静态信息及预设时间段内车辆的历史轨迹数据;
统计模块,用于对所述选取模块选取的静态信息和历史轨迹数据按照不同维度进行统计,得到统计结果;
第一预测模块,用于根据所述统计模块得到的统计结果,预测各品牌的车辆销量;
第二预测模块,用于根据所述统计模块得到的统计结果,预测各品牌的车辆质量;
推荐模块,用于根据车辆选购者的需求、第一预测模块预测的各品牌的车辆销量及第二预测模块预测的各品牌的车辆质量,向所述车辆选购者推荐车辆品牌。
7.根据权利要求6所述的装置,其特征在于,所述装置,还包括:降噪模块;
所述降噪模块,用于对所述选取模块选取的历史轨迹数据进行降噪处理;
所述统计模块,具体用于:对所述选取模块选取的静态信息和所述降噪模块降噪后的历史轨迹数据按照不同的维度进行统计。
8.根据权利要求6所述的装置,其特征在于,
所述静态数据,包括:车辆的品牌、重量及车牌号码;
所述历史轨迹数据,包括:车辆的车牌号码及时间维度上一系列的位置数据;
所述统计模块,具体包括:融合子模块、第一统计子模块和第二统计子模块;
所述融合子模块,用于根据车牌号码对所述选取模块选取的静态信息和历史轨迹数据进行融合,得到各车辆的综合数据;
所述第一统计子模块,用于执行以下操作中的至少一项:
按照车辆的品牌,对各综合数据进行分类统计,得到各品牌的车辆数量;
按照车辆的重量,对各综合数据进行分类统计,得到各重量区间的车辆数量;
按照车辆的品牌和重量,对各综合数据进行分类统计,得到各品牌在各重量区间的车辆数量;
所述第二统计子模块,用于执行以下操作中的至少一项:
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,对各综合数据进行分类统计,得到各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据的数量并作为维修站停靠次数,按照车辆的品牌和维修站停靠次数,以预设时间维度对各综合数据进行分类统计,得到预设时间维度中各品牌在各维修站停靠次数区间的车辆数量;
将各综合数据中的位置数据与各维修站的位置数据进行匹配,得到匹配的位置数据,计算所述匹配的位置处车辆的行驶里程并作为保养行驶里程,按照车辆的品牌和保养行驶里程,对各综合数据进行分类统计,得到各品牌在各保养行驶里程区间的车辆数量。
9.根据权利要求8所述的装置,其特征在于,所述第一预测模块,具体用于:
执行以下操作中的至少一项:
根据所述第一统计子模块得到的各品牌的车辆数量,预测各品牌的车辆销量;
根据所述第一统计子模块得到的各重量的车辆数量,预测各重量区间的车辆销量;
根据所述第一统计子模块得到的各品牌在各重量区间的车辆数量,预测各品牌在各重量区间的车辆销量。
10.根据权利要求8所述的装置,其特征在于,所述第二预测模块,具体用于:
执行以下操作中的至少一项:
根据所述第二统计子模块得到的各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述第二统计子模块得到的预设时间维度中各品牌在各维修站停靠次数区间的车辆数量,预测各品牌的车辆质量;
根据所述第二统计子模块得到的各品牌在各保养行驶里程区间的车辆数量,预测各品牌的车辆质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711377288.4A CN108197977B (zh) | 2017-12-19 | 2017-12-19 | 一种车辆品牌的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711377288.4A CN108197977B (zh) | 2017-12-19 | 2017-12-19 | 一种车辆品牌的推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197977A true CN108197977A (zh) | 2018-06-22 |
CN108197977B CN108197977B (zh) | 2020-11-27 |
Family
ID=62576959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711377288.4A Active CN108197977B (zh) | 2017-12-19 | 2017-12-19 | 一种车辆品牌的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197977B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191234A (zh) * | 2018-08-02 | 2019-01-11 | 武汉纺织大学 | 一种综合服装推荐方法、装置和存储介质 |
CN109218770A (zh) * | 2018-10-19 | 2019-01-15 | 深圳市轱辘汽车维修技术有限公司 | 一种汽修视频的评估方法、装置及设备 |
CN111612536A (zh) * | 2020-05-20 | 2020-09-01 | 上海评驾科技有限公司 | 一种基于车联网数据的换车指数的计算方法 |
CN114579859A (zh) * | 2022-03-04 | 2022-06-03 | 北京永泰万德信息工程技术有限公司 | 一种车辆个性化配置方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750964A (zh) * | 2013-12-31 | 2015-07-01 | ***通信集团公司 | 一种车辆状态确定方法及装置 |
JP2015149007A (ja) * | 2014-02-07 | 2015-08-20 | いすゞ自動車株式会社 | 車両の通風抵抗予測装置、方法、及びプログラム |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN106022490A (zh) * | 2015-11-06 | 2016-10-12 | 刘翔英 | 一种商品与服务在线订购和管理的互联网平台 |
CN106202344A (zh) * | 2016-07-04 | 2016-12-07 | 吴本刚 | 一种车载数据的质量管理与有用数据挖掘装置 |
CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及*** |
-
2017
- 2017-12-19 CN CN201711377288.4A patent/CN108197977B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750964A (zh) * | 2013-12-31 | 2015-07-01 | ***通信集团公司 | 一种车辆状态确定方法及装置 |
JP2015149007A (ja) * | 2014-02-07 | 2015-08-20 | いすゞ自動車株式会社 | 車両の通風抵抗予測装置、方法、及びプログラム |
CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及*** |
CN106022490A (zh) * | 2015-11-06 | 2016-10-12 | 刘翔英 | 一种商品与服务在线订购和管理的互联网平台 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN106202344A (zh) * | 2016-07-04 | 2016-12-07 | 吴本刚 | 一种车载数据的质量管理与有用数据挖掘装置 |
Non-Patent Citations (1)
Title |
---|
高攀: ""基于多策略数据挖掘模型的图书销售智能分析***研究与设计"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191234A (zh) * | 2018-08-02 | 2019-01-11 | 武汉纺织大学 | 一种综合服装推荐方法、装置和存储介质 |
CN109191234B (zh) * | 2018-08-02 | 2021-11-05 | 武汉纺织大学 | 一种综合服装推荐方法、装置和存储介质 |
CN109218770A (zh) * | 2018-10-19 | 2019-01-15 | 深圳市轱辘汽车维修技术有限公司 | 一种汽修视频的评估方法、装置及设备 |
CN109218770B (zh) * | 2018-10-19 | 2021-08-10 | 深圳市轱辘车联数据技术有限公司 | 一种汽修视频的评估方法、装置及设备 |
CN111612536A (zh) * | 2020-05-20 | 2020-09-01 | 上海评驾科技有限公司 | 一种基于车联网数据的换车指数的计算方法 |
CN114579859A (zh) * | 2022-03-04 | 2022-06-03 | 北京永泰万德信息工程技术有限公司 | 一种车辆个性化配置方法及*** |
CN114579859B (zh) * | 2022-03-04 | 2022-10-14 | 北京永泰万德信息工程技术有限公司 | 一种车辆个性化配置方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108197977B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197977A (zh) | 一种车辆品牌的推荐方法及装置 | |
Tselentis et al. | Innovative motor insurance schemes: A review of current practices and emerging challenges | |
CN100535957C (zh) | 交通信息*** | |
US20180074481A1 (en) | Systems and methods of use for commodities analysis, collection, resource-allocation, and tracking | |
CN103890816B (zh) | 用于评价车辆事故的***和方法 | |
CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
Milenković et al. | Decision‐Support Framework for Selecting the Optimal Road Toll Collection System | |
CN108777004B (zh) | 高速公路客运车辆跨省匹配方法及装置 | |
CN107231798A (zh) | 用于监控车辆制动***运行的方法和装置 | |
CN105389985B (zh) | 一种基于手机传感器的智能驾驶行为分析方法 | |
CN104303014A (zh) | 交通路径分担率控制***以及交通路径分担率控制方法 | |
CN104132725A (zh) | 一种基于物联网技术的地磅防作弊*** | |
CN108764375A (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN102052946A (zh) | 车用燃油监管方法 | |
CN106447765A (zh) | 产品数据的处理装置及方法 | |
CN107741331A (zh) | 一种测试轮胎性能的方法 | |
CN109636044A (zh) | 一种智能网联车配件需求预测方法 | |
CN113423063B (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN109410368A (zh) | 一种基于铁路车号信息计算货车运行里程的方法 | |
Bodini et al. | Techniques for on-board vibrational passenger comfort monitoring in public transport | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及*** | |
Sørensen et al. | Use of mobile phone data for analysis of number of train travellers | |
Yeow et al. | Using spatially explicit commodity flow and truck activity data to map urban material flows |
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 |