CN110516823B - 一种基于时序模型的车辆智慧保养模型 - Google Patents
一种基于时序模型的车辆智慧保养模型 Download PDFInfo
- Publication number
- CN110516823B CN110516823B CN201910784276.6A CN201910784276A CN110516823B CN 110516823 B CN110516823 B CN 110516823B CN 201910784276 A CN201910784276 A CN 201910784276A CN 110516823 B CN110516823 B CN 110516823B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mileage
- model
- maintenance
- day
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 107
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 56
- 230000001932 seasonal effect Effects 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 230000002354 daily effect Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于时序模型的车辆智慧保养模型,所述车辆智慧保养模型包括:第一获取单元,用于根据预先建立的深度神经网络模型获取车辆的当日等效里程;确定单元,用于利用所述车辆的当日等效里程确定车辆的剩余保养里程;第二获取单元,用于根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数。本发明提供的技术方案,可以准确的告知车主所需保养的具体时间,使得用户合理的安排自己的时间进行保养。
Description
技术领域
本申请涉及汽车保养技术领域,具体涉及一种基于时序模型的车辆智慧保养模型。
背景技术
随着市场的推广和用户认知度的提高,在未来几年,网联车会发生***式增长,且用户量会保持激增状态。汽车产业的快速发展,催生了车辆保养业务的快速增长。
相关技术的保养方案大多只考虑行车里程单一维度,通过车辆保养警报信息报告督促车主回厂保养,但只考虑行车里程太单一,不完整,不能体现车辆真正健康状况。
发明内容
为至少在一定程度上克服相关技术中存在的车辆保养警报信息不能体现车辆真正健康状况问题,本申请提供一种基于时序模型的车辆智慧保养模型。
根据本申请实施例的第一方面,提供一种基于时序模型的车辆智慧保养模型,包括:
第一获取单元,用于根据预先建立的深度神经网络模型获取车辆的当日等效里程;
确定单元,用于利用所述车辆的当日等效里程确定车辆的剩余保养里程;
第二获取单元,用于根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数。
优选的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史的天气数据为深度神经网络模型的输入层训练样本,以历史的天气对车辆的影响的权重为深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
优选的,所述第一获取单元,包括:
第一获取模块,用于以车辆上次保养的日期到所述当日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重;
第二获取模块,用于利用所述车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重获取车辆的当日等效里程。
进一步的,所述第二获取模块,用于按下式确定车辆的当日等效里程l:
上式中,i∈[1,n],n为所述当日的日期,l′为日期为i时车辆的实际行驶里程数,wi为日期为i时的天气对车辆的影响的权重;其中,i=1时为车辆上次保养的日期。
优选的,所述确定单元,用于按下式确定车辆的剩余保养里程L:
L=l1-(l-l2)
上式中,l1为车辆的保养周期里程,l为车辆的当日等效里程,l2为车辆上次保养时车辆的里程数。
优选的,所述预先建立的季节性ARIMA模型的建立过程,包括:
以历史前n1个月的车辆的每天的行驶里程数为季节性ARIMA(p,d,q)模型的输入,获取预测的历史后n2个月的车辆的每天的行驶里程数;
利用网格搜索法对季节性ARIMA(p,d,q)模型进行调参,并利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,所述最优的季节性ARIMA(p,d,q)模型即预先建立的季节性ARIMA模型;
其中,N=n1+n2,N为历史时间的总月数,p为回归系数,d为差分系数,q为移动平均系数。
进一步的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,包括:
利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的每天的车辆的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值;
选取最小的AIC值对应的季节性ARIMA(p,d,q)模型为最优的季节性ARIMA(p,d,q)模型。
具体的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的车辆的每天的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值,包括:
按下式确定季节性ARIMA(p,d,q)模型的AIC值:
上式中,k∈[1,K],K为历史后n2个月的总天数,ssr为残差平方和;
其中,按下式确定残差平方和ssr:
上式中,ak为历史后n2个月中第k天车辆的行驶里程数,ak′预测的历史后n2个月中第k天车辆的行驶里程数。
进一步的,所述第二获取单元,包括:
第三获取模块,用于以历史若干天中的每天的车辆的驾驶里程为预先建立的季节性ARIMA模型的输入,获取未来若干天中每天的车辆的行驶里程;
确定模块,用于利用未来若干天中每天的车辆的驾驶里程和所述车辆的剩余保养里程确定所述车辆的剩余保养天数。
其中,j∈[1,m],lj为未来若干天中第m天车辆的行驶里程数。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请提供的技术方案,通过根据预先建立的深度神经网络模型获取车辆的当日等效里程,利用所述车辆的当日等效里程确定车辆的剩余保养里程,根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数,从而可以准确的告知车主所需保养的具体时间,使得用户合理的安排自己的时间进行保养;
本申请提供的技术方案,通过利用历史的天气数据、车辆的历史行驶数据和车辆的历史保养数据,丰富了数据维度,使得获取的车辆的剩余保养天数结果更客观更精确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于时序模型的车辆智慧保养模型的结构框图;
图2是根据一示例性实施例示出的一种基于时序模型的车辆智慧保养方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于时序模型的车辆智慧保养模型的结构框图,如图1所示,所述车辆智慧保养模型包括:
第一获取单元,用于根据预先建立的深度神经网络模型获取车辆的当日等效里程;
确定单元,用于利用所述车辆的当日等效里程确定车辆的剩余保养里程;
第二获取单元,用于根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数。
进一步的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史的天气数据为深度神经网络模型的输入层训练样本,以历史的天气对车辆的影响的权重为深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
进一步的,所述第一获取单元,包括:
第一获取模块,用于以车辆上次保养的日期到所述当日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重;
第二获取模块,用于利用所述车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重获取车辆的当日等效里程。
例如,车主甲的汽车上次保养的日期是2019年1月1日,当日的日期为2019年4月1日,则以2019年1月1日至2019年4月1日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取2019年1月1日至2019年4月1日之间的每天的天气对车辆的影响的权重;其中,2019年1月1日至2019年4月1日之间的每天包括2019年1月1日和2019年4月1日。
具体的,所述第二获取模块,用于按下式确定车辆的当日等效里程l:
上式中,i∈[1,n],n为所述当日的日期,l′为日期为i时车辆的实际行驶里程数,wi为日期为i时的天气对车辆的影响的权重;其中,i=1时为车辆上次保养的日期。
进一步的,所述确定单元,用于按下式确定车辆的剩余保养里程L:
L=l1-(l-l2)
上式中,l1为车辆的保养周期里程,l为车辆的当日等效里程,l2为车辆上次保养时车辆的里程数;
例如,车主乙的汽车保养周期里程为10000公里,该汽车的当日等效里程为31000公里,该汽车上次保养时车辆的里程数为25000公里,则车辆的剩余保养里程=10000-(31000-25000)=4000公里。
进一步的,所述预先建立的季节性ARIMA模型的建立过程,包括:
以历史前n1个月的车辆的每天的行驶里程数为季节性ARIMA(p,d,q)模型的输入,获取预测的历史后n2个月的车辆的每天的行驶里程数;
利用网格搜索法对季节性ARIMA(p,d,q)模型进行调参,并利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,所述最优的季节性ARIMA(p,d,q)模型即预先建立的季节性ARIMA模型;
其中,N=n1+n2,N为历史时间的总月数,p为回归系数,d为差分系数,q为移动平均系数。
具体的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,包括:
利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的每天的车辆的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值;
选取最小的AIC值对应的季节性ARIMA(p,d,q)模型为最优的季节性ARIMA(p,d,q)模型。
具体的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的车辆的每天的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值,包括:
按下式确定季节性ARIMA(p,d,q)模型的AIC值:
上式中,k∈[1,K],K为历史后n2个月的总天数,ssr为残差平方和;
其中,按下式确定残差平方和ssr:
上式中,ak为历史后n2个月中第k天车辆的行驶里程数,ak′预测的历史后n2个月中第k天车辆的行驶里程数;
例如,以车主丙的汽车为例,当日的日期为2019年4月1日,车主丙于2018年4月1日买的该汽车,并于2018年4月1日开始使用该汽车,则历史时间的总月数N=n1+n2=12,假设n1=6,n2=6,一个月有30天,那么n1个月有180天,n2个月有180天,则历史后n2个月的总天数K=180,k∈[1,180]。
进一步的,所述第二获取单元,包括:
第三获取模块,用于以历史若干天中的每天的车辆的驾驶里程为预先建立的季节性ARIMA模型的输入,获取未来若干天中每天的车辆的行驶里程;
确定模块,用于利用未来若干天中每天的车辆的驾驶里程和所述车辆的剩余保养里程确定所述车辆的剩余保养天数。
其中,j∈[1,m],lj为未来若干天中第m天车辆的行驶里程数。
本发明提供的技术方案,一方面考虑了天气数据对驾驶情况的影响和历史行驶里程,充分的使得每个用户区分化,可以让各个维度优异的用户得到相对应的奖励(例如晚于其他用户进行保养);另一方面,预测车辆的剩余保养天数,可以使用户合理的安排自己的时间进行保养;
其中,考虑历史行驶里程即是考虑了实际路况、驾驶环境和驾驶行为等。
图2是根据一示例性实施例示出的一种基于时序模型的车辆智慧保养方法的流程图,如图2所示,一种基于时序模型的车辆智慧保养方法用于终端中,包括以下步骤:
101.根据预先建立的深度神经网络模型获取车辆的当日等效里程;
102.利用所述车辆的当日等效里程确定车辆的剩余保养里程;
103.根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数。
进一步的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史的天气数据为深度神经网络模型的输入层训练样本,以历史的天气对车辆的影响的权重为深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
进一步的,所述步骤101,包括:
以车辆上次保养的日期到所述当日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重;
利用所述车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重获取车辆的当日等效里程。
例如,车主甲的汽车上次保养的日期是2019年1月1日,当日的日期为2019年4月1日,则以2019年1月1日至2019年4月1日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取2019年1月1日至2019年4月1日之间的每天的天气对车辆的影响的权重;其中,2019年1月1日至2019年4月1日之间的每天包括2019年1月1日和2019年4月1日。
具体的,所述利用所述车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重获取车辆的当日等效里程,包括:
按下式确定车辆的当日等效里程l:
上式中,i∈[1,n],n为所述当日的日期,l′为日期为i时车辆的实际行驶里程数,wi为日期为i时的天气对车辆的影响的权重;其中,i=1时为车辆上次保养的日期。
进一步的,获取车辆的当日等效里程之后所述步骤102,包括:
按下式确定车辆的剩余保养里程L:
L=l1-(l-l2)
上式中,l1为车辆的保养周期里程,l为车辆的当日等效里程,l2为车辆上次保养时车辆的里程数。
例如,车主乙的汽车保养周期里程为10000公里,该汽车的当日等效里程为31000公里,该汽车上次保养时车辆的里程数为25000公里,则车辆的剩余保养里程=10000-(31000-25000)=4000公里。
进一步的,所述预先建立的季节性ARIMA模型的建立过程,包括:
以历史前n1个月的车辆的每天的行驶里程数为季节性ARIMA(p,d,q)模型的输入,获取预测的历史后n2个月的车辆的每天的行驶里程数;
利用网格搜索法对季节性ARIMA(p,d,q)模型进行调参,并利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,所述最优的季节性ARIMA(p,d,q)模型即预先建立的季节性ARIMA模型;
其中,N=n1+n2,N为历史时间的总月数,p为回归系数,d为差分系数,q为移动平均系数。
具体的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,包括:
利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的每天的车辆的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值;
选取最小的AIC值对应的季节性ARIMA(p,d,q)模型为最优的季节性ARIMA(p,d,q)模型。
具体的,所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的车辆的每天的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值,包括:
按下式确定季节性ARIMA(p,d,q)模型的AIC值:
上式中,k∈[1,K],K为历史后n2个月的总天数,ssr为残差平方和;
其中,按下式确定残差平方和ssr:
上式中,ak为历史后n2个月中第k天车辆的行驶里程数,ak′预测的历史后n2个月中第k天车辆的行驶里程数。
例如,以车主丙的汽车为例,当日的日期为2019年4月1日,车主丙于2018年4月1日买的该汽车,并于2018年4月1日开始使用该汽车,则历史时间的总月数N=n1+n2=12,假设n1=6,n2=6,一个月有30天,那么n1个月有180天,n2个月有180天,则历史后n2个月的总天数K=180,k∈[1,180]。
进一步的,确定车辆的剩余保养里程之后,所述步骤103,包括:
以历史若干天中的每天的车辆的驾驶里程为预先建立的季节性ARIMA模型的输入,获取未来若干天中每天的车辆的行驶里程;
利用未来若干天中每天的车辆的驾驶里程和所述车辆的剩余保养里程确定所述车辆的剩余保养天数。
具体的,所述利用未来若干天中每天的车辆的驾驶里程和所述车辆的剩余保养里程确定所述车辆的剩余保养天数,包括:
其中,j∈[1,m],lj为未来若干天中第m天车辆的行驶里程数。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于时序模型的车辆智慧保养模型,其特征在于,所述车辆智慧保养模型包括:
第一获取单元,用于根据预先建立的深度神经网络模型获取车辆的当日等效里程;
确定单元,用于利用所述车辆的当日等效里程确定车辆的剩余保养里程;
第二获取单元,用于根据所述车辆的剩余保养里程,利用预先建立的季节性ARIMA模型获取车辆的剩余保养天数;
所述预先建立的季节性ARIMA模型的建立过程,包括:
以历史前n1个月的车辆的每天的行驶里程数为季节性ARIMA(p,d,q)模型的输入,获取预测的历史后n2个月的车辆的每天的行驶里程数;
利用网格搜索法对季节性ARIMA(p,d,q)模型进行调参,并利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,所述最优的季节性ARIMA(p,d,q)模型即预先建立的季节性ARIMA模型;
其中,N=n1+n2,N为历史时间的总月数,p为回归系数,d为差分系数,q为移动平均系数;
所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数获取最优的季节性ARIMA(p,d,q)模型,包括:
利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的每天的车辆的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值;
选取最小的AIC值对应的季节性ARIMA(p,d,q)模型为最优的季节性ARIMA(p,d,q)模型;
所述利用所述预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的车辆的每天的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值,包括:
利用预测的历史后n2个月的车辆的每天的行驶里程数和历史后n2个月的车辆的每天的行驶里程数获取季节性ARIMA(p,d,q)模型的AIC值;
所述季节性ARIMA(p,d,q)模型的AIC值的获取包括:
按下式确定季节性ARIMA(p,d,q)模型的AIC值:
上式中,k∈[1,K],K为历史后n2个月的总天数,ssr为残差平方和;
其中,按下式确定残差平方和ssr:
上式中,ak为历史后n2个月中第k天车辆的行驶里程数,ak′预测的历史后n2个月中第k天车辆的行驶里程数。
2.根据权利要求1所述的车辆智慧保养模型,其特征在于,所述预先建立的深度神经网络模型的建立过程,包括:
以历史的天气数据为深度神经网络模型的输入层训练样本,以历史的天气对车辆的影响的权重为深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
3.根据权利要求1所述的车辆智慧保养模型,其特征在于,所述第一获取单元,包括:
第一获取模块,用于以车辆上次保养的日期到所述当日之间的每天的天气数据为所述预先建立的深度神经网络模型的输入,获取车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重;
第二获取模块,用于利用所述车辆上次保养的日期到所述当日间之间的每天的天气对车辆的影响的权重获取车辆的当日等效里程。
5.根据权利要求1所述的车辆智慧保养模型,其特征在于,所述确定单元,用于按下式确定车辆的剩余保养里程L:
L=l1-(l-l2)
上式中,l1为车辆的保养周期里程,l为车辆的当日等效里程,l2为车辆上次保养时车辆的里程数。
6.根据权利要求5所述的车辆智慧保养模型,其特征在于,所述第二获取单元,包括:
第三获取模块,用于以历史若干天中的每天的车辆的驾驶里程为预先建立的季节性ARIMA模型的输入,获取未来若干天中每天的车辆的行驶里程;
确定模块,用于利用未来若干天中每天的车辆的驾驶里程和所述车辆的剩余保养里程确定所述车辆的剩余保养天数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784276.6A CN110516823B (zh) | 2019-08-23 | 2019-08-23 | 一种基于时序模型的车辆智慧保养模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784276.6A CN110516823B (zh) | 2019-08-23 | 2019-08-23 | 一种基于时序模型的车辆智慧保养模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516823A CN110516823A (zh) | 2019-11-29 |
CN110516823B true CN110516823B (zh) | 2023-06-27 |
Family
ID=68626441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910784276.6A Active CN110516823B (zh) | 2019-08-23 | 2019-08-23 | 一种基于时序模型的车辆智慧保养模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516823B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785055B (zh) * | 2021-01-18 | 2024-02-06 | 优必爱信息技术(北京)有限公司 | 车辆加油日期预测方法及设备 |
CN113911051A (zh) * | 2021-11-04 | 2022-01-11 | 艾尔卡(北京)科技有限公司 | 一种获取车辆当前行驶里程的方法、装置和电子设备 |
CN115438811A (zh) * | 2022-08-18 | 2022-12-06 | 合众新能源汽车有限公司 | 增程式车辆智能保养方法、装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139476A (zh) * | 2015-08-05 | 2015-12-09 | 武汉理工大学 | 一种矿区车辆保养信息提示方法 |
CN105922952A (zh) * | 2016-05-31 | 2016-09-07 | 惠州华阳通用电子有限公司 | 一种车辆保养提醒方法及装置 |
CN106515478A (zh) * | 2016-10-27 | 2017-03-22 | 合肥工业大学 | 电动汽车剩余行驶里程在线预测方法及装置 |
WO2019018980A1 (en) * | 2017-07-24 | 2019-01-31 | Beijing Didi Infinity Technology And Development Co., Ltd. | METHODS AND SYSTEMS FOR VEHICLE MANAGEMENT |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
-
2019
- 2019-08-23 CN CN201910784276.6A patent/CN110516823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139476A (zh) * | 2015-08-05 | 2015-12-09 | 武汉理工大学 | 一种矿区车辆保养信息提示方法 |
CN105922952A (zh) * | 2016-05-31 | 2016-09-07 | 惠州华阳通用电子有限公司 | 一种车辆保养提醒方法及装置 |
CN106515478A (zh) * | 2016-10-27 | 2017-03-22 | 合肥工业大学 | 电动汽车剩余行驶里程在线预测方法及装置 |
WO2019018980A1 (en) * | 2017-07-24 | 2019-01-31 | Beijing Didi Infinity Technology And Development Co., Ltd. | METHODS AND SYSTEMS FOR VEHICLE MANAGEMENT |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
Non-Patent Citations (2)
Title |
---|
基于序列模式挖掘的公交车辆维修保养数据;高亮泉;《华南农业大学硕士论文》;20170414;正文第1-38页 * |
基于自回归求和滑动平均模型的;赖国书;《科学技术与工程》;20190228;第176-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110516823A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516823B (zh) | 一种基于时序模型的车辆智慧保养模型 | |
US20230118340A1 (en) | Artificial intelligence-based systems and methods for vehicle operation | |
CN108072381B (zh) | 一种路径规划的方法及装置 | |
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN105954040B (zh) | 应用于无人驾驶汽车的测试方法和装置 | |
CN103177570B (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
EP4016412A1 (en) | Traffic prediction | |
CN112579900B (zh) | 二手车置换信息推荐方法、***及设备 | |
CN110807926B (zh) | 一种基于混合交通的道路阻抗预测方法及装置 | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN110738523A (zh) | 一种维修订单量预测方法及装置 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN111862583B (zh) | 一种车流量预测方法及装置 | |
WO2019049141A1 (en) | SYSTEM AND METHOD FOR USING KNOWLEDGE COLLECTED BY A VEHICLE | |
CN111121803B (zh) | 获取道路常用停靠点的方法及装置 | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
CN116453541A (zh) | 一种声源强度预测方法、装置、电子设备及存储介质 | |
CN115080388B (zh) | 一种面向自动驾驶***的仿真测试场景生成方法 | |
CN116386317A (zh) | 一种交通路口的车流量预测方法及装置 | |
JP2022002101A (ja) | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム | |
JP7103237B2 (ja) | 流量予測装置及び流量予測方法 | |
Mauritzen | With great power (prices) comes great tail pipe emissions? A natural experiment of electricity prices and electric car adoption. |
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 |