CN114463029A - 一种车辆加油日确定方法、装置、设备和相关*** - Google Patents
一种车辆加油日确定方法、装置、设备和相关*** Download PDFInfo
- Publication number
- CN114463029A CN114463029A CN202111508270.XA CN202111508270A CN114463029A CN 114463029 A CN114463029 A CN 114463029A CN 202111508270 A CN202111508270 A CN 202111508270A CN 114463029 A CN114463029 A CN 114463029A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- current
- date
- refueling
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0259—Targeted advertisements based on store location
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Loading And Unloading Of Fuel Tanks Or Ships (AREA)
Abstract
本发明公开了一种车辆加油日确定方法、装置、设备和相关***。所述方法可以包括:基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;将当前日期、当前车油量、当前车辆位置和车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。本发明通过对用户习惯进行加油行为的分析,以对用户的加油日期进行预测,可以提醒用户在更合适的时间、地点以及油价优惠时机加油,给用户提供更加个性化服务,提升了用户体验。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种车辆加油日确定方法、装置、设备和相关***。
背景技术
新技术与传统产业深度融合,为汽车行业带来巨大的变革,网联化的智慧出行方式渐渐成为人们驾车出行的关注点,也让汽车从交通工具向移动生活空间转移。智慧出行是通过产业互联网的建设与新基建的紧密结合而形成的具有“线上资源合理分配,线下高效优质运行”的新业态和新模式。智慧出行的基本类有以下几种,无人驾驶、车路协同、智能驾驶舱、智慧用车服务等。
此外,随着人们对于车辆需求的增加,车主除了对于车辆本身智能驾舱需求之外,对于智慧用车服务的需求也不断提升,比如智慧停车、智慧加油等结合基建服务的智慧用车需求。
值得一提的是,结合基建服务的智慧用车功能较为复杂,如智慧加油车主想要使用智慧加油服务时,需用手机下载app或需要在公众号查询目的加油站是否支持智慧加油服务,大大的增加了用户使用功能的复杂度。
发明内容
发明人发现,现在的加油提醒一般是基于车辆油箱报警提醒,然后同步到车辆上的车载终端或者警示装置来实现对驾驶员的提醒,随着智慧加油的发展,这种方法显示出了明显的延迟性弊端,且不能够准确地为驾驶人员提供个性化服务。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种车辆加油日确定方法、装置、设备和相关***。
第一方面,本发明实施例提供了一种车辆加油日确定方法,可以包括:
基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;
将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
可选的,若当前日期为车辆加油日,所述方法还可以包括:
获取前方路线上的加油站,并基于用户画像中的用户偏好,确定所述加油站中是否存在有用户喜好的加油站;
若存在,则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
可选的,该方法还可以包括:比较当前位置到所述用户喜好的加油站之间的导航距离,与所述车辆的当前油量所能行驶的最大行驶距离的大小;
若导航距离小于所述最大行驶距离,则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
可选的,该方法还可以包括:获取前方路线上的加油站及所述加油站的油价优惠信息;
将所述加油站的导航距离和油价优惠力度进行排序,以确定出所述车辆的当前油量所能行驶的行驶距离范围内油价优惠力度最优的加油站;
以当前位置为起点,以所述油价优惠力度最优的加油站为终点进行导航。
第二方面,本发明实施例提供了一种车辆加油时间段确定方法,该方法可以包括:
基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识,并确定未来时间段;
将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
第三方面,本发明实施例提供了一种机器学习模型训练方法,可以包括:
获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该历史日期是否进行了加油操作;
用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述车辆位置、所述历史日期以及所述车辆标识,输入到所述递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
可选的,确定所述车辆在历史日期是否进行了加油操作,可以包括:
基于车辆停止时车辆位置、车辆停止时的车油量、车辆停止时间,以及再次启动时的车辆位置和车辆再次启动时的车油量、车辆再次启动时间,确定车辆是否进行了加油操作。
可选的,还可以包括:
对所述样本数据进行下述至少一项处理:数据预处理、数据归一化处理和数据平衡处理;
对所述样本数据进行预处理包括:剔除所述样本数据中的重复样本数据;和/或,对所述样本数据中的缺失项进行填充;
对所述样本数据进行归一化处理包括:将所述样本数据中不同维度的特征赋予一致的权重;
对所述样本数据进行平衡处理包括:基于所述样本数据的类别,筛选所述样本数据;和/或,均衡划分所述样本数据集中的训练样本和测试样本。
第四方面,本发明实施例提供了一种机器学习模型训练方法,可以包括:
获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该日期是否进行了加油操作;
基于所述训练样本集中的历史日期,确定历史时间段;
用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述历史时间段、所述车辆位置以及所述车辆标识,输入到所述递归神经网络模型中,输出所述历史时间段车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
第五方面,本发明实施例提供了一种车辆加油日确定装置,可以包括:
第一获取模块,用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;
第一确定模块,用于将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
第六方面,本发明实施例提供了一种车辆加油时间段确定装置,可以包括:
第一获取模块,用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;
第一确定模块,用于基于当前日期确定未来时间段;并将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
第七方面,本发明实施例提供了一种机器学习模型训练装置,可以包括:
第二获取模块,用于获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该历史日期是否进行了加油操作;
训练模块,用于用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述车辆位置、所述历史日期以及所述车辆标识,输入到所述递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
第八方面,本发明实施例提供了一种机器学习模型训练装置,可以包括:
第二获取模块,用于获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该历史日期是否进行了加油操作;
第二确定模块,用于基于所述训练样本集中的历史日期,确定历史时间段;
训练模块,用于用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述历史时间段、所述车辆位置以及所述车辆标识,输入到所述递归神经网络模型中,输出所述历史时间段车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
第九方面,本发明实施例提供了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,该程序被处理器执行时实现如第一方面所述的车辆加油日确定方法,或实现如第二方面所述的车辆加油时间段确定方法,或实现如第三方面所述的机器学习模型训练方法,或实现如第四方面所述的机器学习模型训练方法。
第十方面,本发明实施例提供了一种车载终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的车辆加油日确定方法,或实现如第二方面所述的车辆加油时间段确定方法。
第十一方面,本发明实施例提供了一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第三方面所述的机器学习模型训练方法,或实现如第四方面所述的机器学习模型训练方法。
第十二方面,本发明实施例提供了一种机器学习模型训练***,可以包括终端和服务器;
所述终端用于采集训练样本集,所述训练样本集中的样本数据包括:历史日期的车油量、车辆位置、车辆标识以及在历史日期是否进行了加油操作;
所述服务器中包括如权利要求12所述的机器学习模型训练装置,用于接收所述终端发送的训练样本集,并用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述车辆位置、所述历史日期以及所述车辆标识,输入到所述递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
第十三方面,本发明实施例提供了一种机器学习模型训练***,可以包括终端和服务器;
所述终端用于采集训练样本集,所述训练样本集中的样本数据包括:历史日期的车油量、车辆位置、车辆标识以及在历史日期是否进行了加油操作;
所述服务器中包括如权利要求13所述的机器学习模型的训练装置,用于接收所述终端发送的训练样本集,并基于所述训练样本集中的历史日期,确定历史时间段;用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述历史时间段、所述车辆位置以及所述车辆标识,输入到所述递归神经网络模型中,输出所述历史时间段车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
第十四方面,本发明实施例提供了一种车辆加油日确定***,可以包括:车载终端和服务器;
所述车载终端用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;并将所述当前日期、所述当前车油量、所述当前车辆位置以及所述车辆标识发送给所述服务器;
所述服务器用于将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日;并将确定结果发送给所述车载终端。
第十五方面,本发明实施例提供了一种车辆加油时间段确定***,可以包括:车载终端和服务器;
所述车载终端用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;并将所述当前日期、所述当前车油量、所述当前车辆位置以及所述车辆标识发送给所述服务器;
所述服务器用于基于当前日期确定未来时间段,并将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段;并将确定结果发送给所述车载终端。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供了一种车辆加油日确定方法、装置、设备和相关***,该方法可以包括:基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;将当前日期、当前车油量、当前车辆位置和车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。本发明通过对用户习惯进行加油行为的分析,以对用户的加油日期进行预测,可以提醒用户在更合适的时间、地点以及油价优惠时机加油,给用户提供更加个性化服务,提升了用户体验。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中提供的机器学习模型训练方法的流程示意图;
图2为本发明实施例1中提供的机器学习模型训练装置的结构示意图;
图3为本发明实施例1中提供的机器学习模型训练***的结构示意图;
图4为本发明实施例2中提供的另一种机器学习模型训练方法的流程示意图;
图5为本发明实施例3中提供的车辆加油日确定方法的流程示意图;
图6为本发明实施例3中提供的一个具体的车辆加油日确定方法的流程示意图;
图7为本发明实施例3中提供的车辆加油日确定装置的结构示意图;
图8为本发明实施例3中提供的车辆加油日确定***的结构示意图;
图9为本发明实施例4中提供的车辆加油时间段确定方法的流程示意图。
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例。虽然附图中显示了本公开的示例性实施例,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例所限制。相反,提供这些实施例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1
本发明实施例1中提供了一种机器学习模型训练方法,本发明实施例中的上述方法可以通过习惯加油日确定装置来实现。参照图1所示,该方法可以包括以下步骤:
步骤S11、获取训练样本集,训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该日期是否进行了加油操作。
步骤S12、用训练样本集中的样本数据对递归神经网络模型进行训练,将车油量、车辆位置、历史日期以及车辆标识,输入到递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定递归神经网络模型中的模型训练参数。
需要说明的是,本发明实施例中的上述递归神经网络模型,是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial NeuralNetwork,ANN),是深度学习(deep learning)算法之一。
本发明实施例中采集的样本数据是基于历史日期为基准采集的,采集了历史日期中某一个时间点的车油量、车辆位置、车辆标识以及在该日期是否进行了加油操作的。
在此需要说明的是,车油量可以通过车辆上的油表获取,也可以通过设置于油箱中的液位计获取,本发明实施例对此并不作具体限定,本发明实施例中的上述车油量为车辆剩余油量使用0~1之间的数字表示,其中0表示油箱的燃油已空,1表示油箱的燃油已加满;上述车辆位置通过车辆上自带的定位装置获取,例如可以是经纬度坐标,也可以是地点名坐标等等;上述车辆标识主要为用户标识以及车辆自身油箱容积的标识等等,由于每个用户的加油习惯不同,需要针对不同用户的标识进行打标并采集数据;而车辆自身油箱容积的标识与剩余油量结合可以预测车辆还能行驶的最大行驶距离,以便于后期判断给用户推荐选择的加油站的距离是否满足最大行驶距离的限定等。
在一个可选的实施例中,本发明实施例中的上述训练样本集中的样本数据,可以是在车辆启动或者熄灭时采集的,具体是否进行了加油操作需要进行判断才能够确定,本实施例中的发明人使用下次获取(检测)到的车油量来判断上次采集的样本数据是否进行了加油操作,具体的实现方式如下:
基于车辆停止时车辆位置、车辆停止时的车油量、车辆停止时间,以及再次启动时的车辆位置和车辆再次启动时的车油量、车辆再次启动时间,以确定车辆是否进行了加油操作。
在一个具体的示例中,参照表1所示,为采集的历史样本数据。
表1
本发明实施例中提供的上述历史样本数据中,参照表1所示,采集的为不同的用户,当然本发明实施例中并不局限与两个用户的历史数据,而且将大量的用户数据进行采集,进而在筛选后,使用筛选后的样本数据进行训练。本发明实施例中的上述车辆位置可以为地点位置,也可以是坐标位置,只要便于计算机设备识读,本发明实施例对上述位置的标识方式不作具体限定;上述日期“2003030730”表示2020年3月3日07:30。
本发明实施例中上述车辆是否进行了加油操作是下次获取到的车油量、位置等来判断的。例如,样本数据1为车辆开启后车油量、车辆位置以及车辆开启的时间、样本数据2为车辆停车熄火前的车油量、车辆位置以及车辆熄火时间,样本数据3为再次开启时车油量、车辆位置和车辆开启时间。通过比较样本数据2与样本数据1中的车油量变化,呈现减少趋势,且车辆位置不同,可以判断出样本数据1和样本数据2中均未进行加油操作;通过判断样本数据2和样本数据3,其车油量未变化,且车辆位置也未变化,判断样本数据3也未进行加油操作。同样的,通过判断样本数据5、样本数据6以及样本数据7,可明显判断出样本数据5中未进行加油操作,而样本数据7相对与样本数据6车油量增加了,且车辆位置相同,则可以判断出车辆在位置3处进行了加油操作,可以判断出样本数据6为在加油站停车熄火之前采集的数据,而样本数据7为加油完毕之后车辆开启时采集的数据。
在此需要说明的是,本发明实施例中获取的训练样本集,其中的样本数据并不只是包括进行了加油操作的样本数据,还包括未进行加油操作的样本数据。而进行了加油操作的样本数据中,连续的两个样本数据中的车油量(油箱的信号量)以及车辆位置(轨迹数据)可以统计出用户一次加油行为。该样本数据中可以体现出加油开始前的车辆剩余油量、加油完成之后的车辆剩余油量以及加油开始时间、加油完成时间等等,车辆位置的轨迹数据可以体现出车辆驾驶到加油站之前的起点位置、加油站位置和车辆从加油站驶离后的结束位置等等。
在一个具体的示例中,车油量是根据车辆开始加油前的剩余油量和车辆加油完成剩余油量,可以通过记录每次车辆最终停靠车的剩余油量,并且在记录车辆启动时间点的剩余油量。加油时间点,也记录车辆最终停靠的时间,以及车辆再次启动的时间点,以及每次停靠的位置和到达此地的启动位置以及驶离后最终到达的目的地的位置,举例说明:用户每次启动车辆,记录车辆当前位置,启动时间以及剩余油量,用户到达目的地后的记录车辆当前的位置,停止的时间以及剩余油量,根据固定的频率,以及机制将这些数据进行采集。
在另一个可选的实施例中,参照图1所示,该方法还可以包括:对样本数据进行下述至少一项处理:数据预处理、数据归一化处理和数据平衡处理。
其中,对样本数据进行预处理包括:剔除样本数据中的重复样本数据;和/或,对样本数据中的缺失项进行填充。例如,样本数据中具有重复数据或缺失数据,则可以对重复数据或缺失数据进行剔除处理;还可以是仅剔除样本数据中的重复数据,而对样本数据中的缺失数据进行填充,例如可以采用填充算法对缺失数据进行填充。
对样本数据进行归一化处理包括:将样本数据中不同维度的特征赋予一致的权重。例如,将样本数据的各个特征维度设置为一致的权重,以提高模型迭代求解的收敛速度。
对样本数据进行平衡处理包括:基于样本数据的类别,筛选样本数据;和/或,均衡划分样本数据集中的训练样本和测试样本。当样本数据作为预先构建的用户加油***衡,避免在后面的模型训练时由于样本数据的数据量倾斜导致的训练结果不理想。
还需要说明的是,为了使得样本数据更加均衡,若训练样本集中既包括训练数据,同时也包括测试数据,则按一定比例对样本数据进行划分。例如,可以按8:2的比例对样本数据进行划分,80%的样本数据用作训练数据,对预测模型进行训练;20%的样本数据用作测试数据,对训练好的预测模型进行测试,并进行模型评价。
需要说明的是,本发明实施例中对上述数据预处理、数据归一化处理和数据平衡处理的执行先后并不作具体限定,可以先执行数据预处理,也可以先执行数据归一化处理,也可以先执行数据平衡处理,当然也可以同步执行,本发明实施例对此不作具体限定。
在另一个可选的实施例中,用训练样本集中的样本数据对递归神经网络模型进行训练之前,还可以包括:采用分箱算法和/或聚类算法对样本数据进行噪声处理。
由于本发明实施例中训练样本集中的样本数据是通过不同的智能终端发送来的,因此数据在进行解压之后,数据是否是可以使用的训练数据需要进行甄选,本发明实施例中的数据筛选代表的信息是,收集到后台服务软件进行持久化保存的车油量,时间,车辆位置,进行条件的筛选或者将信息存在问题的,例如解压缩失败的数据。下一步将保留下的数据根据规则,以及筛选处理后已经结构化的数据格式,将数据内容进行抽取,分组,排列融合后,格式转换,持久化至数据仓库中。最后通过融合后的持久化数据,再进行模型的训练,同步完成至用户加油习惯模型。
可以理解的是,数据的筛选主要是解决采集到的数据存在的问题或者无意义的数据,从而能够通过准确的特征信息,进行模型的训练,其中筛选的分类主要有以下:
其一,无法使用的数据,这里包括的情况可以是无法将数据按照协议定义的标准的gzip格式进行数据解压的数据。解压缩后无法根据约定的数据定义的格式,按照定义的格式进行解析的数据信息。解析过程中,缺少约定的必要的传输信息,或者传输信息没有按照约定的规则进行使用,例如:数据的定义范围是0到1,但提供的信息为2,超出了定义的范围数据。此上说明的数据都定义为无法使用的数据。
其二,无意义的数据,这里包括的情况为车辆上次熄火时的停车位置,与再次启动的位置,相差很远,导致无法确定用户是否存在加油操作行为,因此数据无意义。车辆启动和车辆停止的位置相同,且车油量没有变化,这类数据表明用户并没有做出任何有意义的出行行为,因此数据无意义,需要去重或者去燥。数据中存在不符合标准的数据,例如走行50KM,剩余车油量一直保持不变的情况,也代表数据无意义。此上说明的数据都是定义为无意义的数据。
特征的融合其主要的是将用户加油习惯模型学习需要的训练样本进行整合,进行数据维度的降维,将可以归类融合的特征数据,进行合并处理,提取有效的特征数据,并且将多维的特征,进行削减,降低维度,减少模型训练的资源消耗,其主要的方法是将采集到的用户数据,根据油量的变化,将样本数据进行划分,划分为没有油量变化的数据和有油量变化的,将有油量变化的数据,其加油的位置形成位置集合数据,并采用聚类算法对位置集合数据进行聚类,以生成对位置集合数据的聚堆数据。
其中,聚类算法可以采用具有噪声的基于密度的聚类方法,对位置集合数据的聚类具体可以是,通过聚类算法将位置集合数据中,位置之间的距离在预设阈值范围内的至少多个位置点聚类为一堆,以生成聚堆数据。其中,距离的预设阈值可以由相关技术人员按经验值或实验值进行预设,例如可以是500米。示例性的,通过DBSCAN聚类算法将位置集合数据中,位置之间距离在500米范围内的至少4个位置点聚类为一堆,可以聚类成多堆,以生成聚堆数据。根据聚堆数据,将非聚堆数据定义为噪音数据进行剔除,将聚堆数据中的加油日期时间数据转换为周一至周日的周期数据作为训练数据的样本,例如:用户1在周一进行加油,将这类的样本再进行数据标准化以及归一化。
本发明实施例中被筛选抛弃的数据,同时也可反向验证车辆硬件设备是否存在问题,并且所生成的筛选后的数据,也可以同步到其他的数据业务中。例如,根据被筛选抛弃的数据,进行分析,若数据为无法使用的数据,存在这样的数据的智能设备,应该会存在某些未识别到的漏洞,类似可能存在网络传输的漏洞,场景机制的漏洞或执行环境的漏洞,例如:执行环境存在漏洞,导致压缩后会有字节丢失,或者传改,导致解析数据失败。或者存在无意义的数据,可能识别到仪表或提供信号协议存在问题,导致出现无意义的数据。例如:走行50KM,但车油量数据没有变化,可能是车辆的油量信号存在问题。
在另一个可选的实施例中,该方法还可以包括:使用训练样本集中的测试样本对递归神经网络模型进行验证;其中,对递归神经网络模型进行验证,将递归神经网络模型的准确率、精确率、召回率和/或接受者操作特征曲线下方的面积大小与预设的阈值进行比较,以确定递归神经网络模型是否训练完成。
本发明实施例中训练的停止条件可以是,训练的迭代次数超过预设的次数阈值;或是,当前模型的输出结果的误差满足预设的误差要求。例如,接受者操作特征曲线下方的面积大小(AUC)的数值介于0.5到1.0之间,AUC的数值越大,代表模型的性能越好。
在一个可选的实施例中,上述步骤S12中,用训练样本集中的样本数据对递归神经网络模型进行训练,以确定递归神经网络模型中的模型训练参数。
训练参数可以包括:预测标签、截距项、和迭代次数等。其中,预测标签为用户的目标行为,可以用户加油,或者没有加油,以及扩展的其他行为的至少一种。截距项能够提高训练的用户加油习惯预测模型的准确度,具体可以由相关技术人员按需求进行设定。迭代次数可以依据模型的实际情况进行确定,例如可以设置为100次。本发明实施例中,由于预测模型是定周期进行更新的,因此会将更新后的训练模型数据,进行整合,标记,发布。使后续的功能可以更新使用到最新的用户加油习惯日递归神经网络模型中。
基于同一发明构思,本发明实施例中还提供了一种车辆加油日确定装置,参照图2所示,该装置可以包括:第一获取模块11以及第一确定模块12,其工作原理如下:
第一获取模块11用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;第一确定模块12用于将当前日期、当前车油量、当前车辆位置和车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
在另一个可选的实施例中,上述第一确定模块12还用于基于车辆停止时车辆位置、车辆停止时的车油量、车辆停止时间,以及再次启动时的车辆位置和车辆再次启动时的车油量、车辆再次启动时间,确定车辆是否进行了加油操作。
在另一个可选的实施例中,参照图2所示,该装置还可以包括:数据预处理模块13、数据归一化处理模块14和数据平衡处理模块15;其中,数据预处理模块13用于剔除样本数据中的重复样本数据;和/或,对样本数据中的缺失项进行填充;数据归一化处理模块14用于将样本数据中不同维度的特征赋予一致的权重;数据平衡处理模块15用于基于样本数据的类别,筛选样本数据;和/或,均衡划分样本数据集中的训练样本和测试样本。
在另一个可选的实施例中,参照图2所示,还可以包括:噪声处理模块16,噪声处理模块16用于采用分箱算法和/或聚类算法对样本数据进行噪声处理。
在另一个可选的实施例中,参照图2所示,该装置还可以包括:验证模块17,验证模块17用于使用训练样本集中的测试样本对递归神经网络模型进行验证;其中,对递归神经网络模型进行验证,将递归神经网络模型的准确率、精确率、召回率和/或接受者操作特征曲线下方的面积大小与预设的阈值进行比较,以确定递归神经网络模型是否训练完成。
关于上述实施例中的机器学习模型训练装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述机器学习模型训练方法。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述机器学习模型训练方法。
基于同一发明构思,本发明实施例中还提供了一种机器学习模型训练***,参照图3所示,该***可以包括:终端31和服务器32;
终端31用于采集训练样本集,训练样本集中的样本数据包括:历史日期的车油量、车辆位置、车辆标识以及在历史日期是否进行了加油操作;
服务器32中包括上述机器学习模型训练装置,用于接收终端发送的训练样本集,并用训练样本集中的样本数据对递归神经网络模型进行训练,将车油量、车辆位置、历史日期以及车辆标识,输入到递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定递归神经网络模型中的模型训练参数。
本发明实施例中的上述终端可以是安装在车辆上的智能设备进行采集,例如使用车载终端。在通过该智能设备发送给后台的服务器对大量的样品数据进行处理。
终端(车辆智能设备)将采集到的数据以及相关需要信息整体进行压缩处理,将压缩后的数据通过通信设备传输至后台服务器,其中上传的频率分为两种情况其一是根据数据量的大小,其二是固定机制。后台服务器同步到信息后,会针对数据进行分类处理,在根据不同的管道,将信息持久化到相关的智能设备中。需要说明的是,数据收集的内容是可以由技术人员根据实际需求进行类别的添加或删除,本发明实施例对此不作任何限定。
其中,数据的压缩方案采用的是gzip的标准压缩方式,根据当前的数据量大小若已经到达16KB的数据大小,则将采集到的数据进行gzip的标准压缩,并且将数据同步至后台服务器。或者车辆在长期未启动,时间超过240小时的情况下,车辆再次启动则将当前已经采集到的数据进行gzip标准压缩处理,将数据同步至后台服务器。数据同步采用的是标准的https的网络协议,通过安全的网络协议,接收到后台服务器,后台服务器按照定义的协议进行数据解析,解析数据类型,同步时间,按照数据类型和同步时间统一进行持久化存储至智能设备中。
实施例2
基于同一发明构思,本发明实施例中还提供了另一种机器学习模型训练方法,参照图4所示,该方法可以包括以下步骤:
步骤S41、获取训练样本集,训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该日期是否进行了加油操作。
步骤S42、基于训练样本集中的历史日期,确定历史时间段。
步骤S43、用训练样本集中的样本数据对递归神经网络模型进行训练,将车油量、历史时间段、车辆位置以及车辆标识,输入到递归神经网络模型中,输出历史时间段车辆是否进行了加油操作;以确定递归神经网络模型中的模型训练参数。
需要说明的是,本实施例2与上述实施例1的主要区别是增加了步骤S42,以对历史日期划分不同的时间段;例如将时间段划分为00:00~06:00、06:00~09:00、09:00~12:00、12:00~15:00、15:00~18:00、18:00~21:00、21:00~24:00等。将时间段作为一个训练数据,以确定出加油的具体时间段,相比与实施例1中训练的为加油日,这样更能够准确地根据用户的加油习惯,向用户推荐具体的加油时间段。
基于同一发明构思,本发明实施例中还提供了另一种机器学习模型训练方法,可以参照图2所示,可以包括:第一获取模块11和第一确定模块12;其工作原理如下:
第一获取模块11获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该日期是否进行了加油操作;第一确定模块12基于所述训练样本集中的历史日期,确定历史时间段;且第一确定模块12用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述历史时间段、所述车辆位置以及所述车辆标识,输入到所述递归神经网络模型中,输出所述历史时间段车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述机器学习模型训练方法。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述机器学习模型训练方法。
基于同一发明构思,本发明实施例中还提供了另一种机器学习模型训练***,也可以参照图3所示,该***可以包括:终端1和服务器2;
终端1用于采集训练样本集,训练样本集中的样本数据包括:历史日期的车油量、车辆位置、车辆标识以及在历史日期是否进行了加油操作;服务器2中包括上述机器学习模型的训练装置,用于接收终端1发送的训练样本集,并基于训练样本集中的历史日期,确定历史时间段;用训练样本集中的样本数据对递归神经网络模型进行训练,将车油量、历史时间段、车辆位置以及车辆标识,输入到递归神经网络模型中,输出历史时间段车辆是否进行了加油操作;以确定递归神经网络模型中的模型训练参数。
实施例3
基于同一发明构思,本发明实施例中提供了一种车辆加油日确定方法,参照图5所示,该方法可以包括:
步骤S51、基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识。
步骤S52、将当前日期、当前车油量、当前车辆位置和车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
需要说明的是,本发明实施例中预先训练的递归神经网络模型可以是通过实施例1中的方式训练得到的,也可以采用其他方式训练得到,本发明实施例对此并不作具体限定。本发明实施例中将上述确定当前日期是否为车辆加油日作为消息提示给用户,便于用户出行策略。
还需要说明的是,本发明实施例中的上述方法的触发场景可以是用户任意的出行场景,包括但不限于以下场景:上下班出行场景、旅游出行场景、探亲访友出行场景、聚合出行场景、宴会出行场景等。场景包括启动辆、驾驶中、停车等用户驾驶行为的场景。其中,本发明实施例尤其会针对用户上班出行或者下班出行的预先定义的前提下,在用户启动车辆的场景下,进行时机的触发。
在一个具体的示例中,用户的上下班信息可以由通勤的信息进行提供,这里可以是现有的通勤模块信息,按照统一的通勤标准,提供家、公司之间的通勤预测标签即可。在根据当前车辆的状态是否为启动车机获取KL15on的状态,建立上下班的推送信息的基础场景。
本发明实施例通过对用户习惯进行加油行为的分析,以对用户的加油日期进行预测,可以提醒用户在更合适的时间、地点以及油价优惠时机加油,给用户提供更加个性化服务,提升了用户体验。
在另一个具体的示例中,通过车辆启动后获得的车辆标识,通过标准的https协议进行网络通信,用户习惯加油日发布的预测模型获取到用户的唯一标识,通过时间计算出此时所在的一周的周几时间,通过用户习惯加油日的预测模型,进行结果预测,或者是加油日或非加油日,1或0的结果数据,将结果数据同步至车辆智能设备,做下一步的决策。实例:用户A,每周三下班或周五上班会进行加油,今天是周三,根据预测模型会提供结果是为1即加油日的结果数据,并展示给用户。
在另一个可选的实施例中,参照图6所示,该方法还可以包括:
步骤S53、获取前方路线上的加油站,并基于用户画像中的用户偏好,确定加油站中是否存在有用户喜好的加油站。
本发明实施例中的上述前方路线上的加油站,可以通过导航路线中的导航数据获取,也可以通过探路功能获取,本发明实施例对此并不作具体限定。
步骤S54、若存在,则以用户喜好的加油站为终点,以当前位置为起点进行导航。
本发明实施例中,通过识别用户偏好的加油站品牌,针对性的为用户提供个性化定制服务,例如通过识别用户常用回家轨迹路段上是否存在用户喜好品牌加油站,在满足上述加油日提醒的条件下,为用户智能推荐下班途中喜好品牌的加油站。
在另一个可选的实施例中,还参照图6所示,该方法还可以包括:
步骤S55、比较当前位置到用户喜好的加油站之间的导航距离,与车辆的当前油量所能行驶的最大行驶距离的大小。
步骤S54、若导航距离小于最大行驶距离,则以用户喜好的加油站为终点,以当前位置为起点进行导航。
本发明实施例中,判断当前位置与该加油站的距离,并判断车辆当前剩余油量是否支持到达该加油站的所需里程数,如果支持到达该加油站,则可为用户提供该加油站的导航线路。
在另一个可选的实施例中,还参照图6所示,该方法还可以包括:
步骤S56、获取前方路线上的加油站及加油站的油价优惠信息。
步骤S57、将加油站的导航距离和油价优惠力度进行排序,以确定出车辆的当前油量所能行驶的行驶距离范围内油价优惠力度最优的加油站。
步骤S58、以当前位置为起点,以油价优惠力度最优的加油站为终点进行导航。
本发明实施例是针对前方路线上有多个满足条件的加油站,则按照加油站距离当前定位的里程以及优惠力度进行排序,展示出里程最短加油站和优惠力度最大的加油站信息,以供用户选择。
基于同一发明构思,本发明实施例中还提供了一种车辆加油日确定装置,参照图7所示,该装置可以包括:第一获取模块71和第一确定模块72,其工作原理如下:
第一获取模块71用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识。第一确定模块72用于基于当前日期确定未来时间段;并将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
在一个可选的实施例中,参照图7所示,还包括:判断模块73和导航模块74。上述第一获取模块71还用于获取前方路线上的加油站,判断模块73基于用户画像中的用户偏好,判断述加油站中是否存在有用户喜好的加油站,若存在,导航模块74则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
在另一个可选的实施例中,还参照图7所示,上述判断模块73还用于比较当前位置到所述用户喜好的加油站之间的导航距离,与所述车辆的当前油量所能行驶的最大行驶距离的大小;若导航距离小于所述最大行驶距离,导航模块74则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
在另一个可选的实施例中,还包括排序模块75,上述第一获取模块71还用于获取前方路线上的加油站及所述加油站的油价优惠信息;排序模块75用于将所述加油站的导航距离和油价优惠力度进行排序,以使第一确定模块72确定出所述车辆的当前油量所能行驶的行驶距离范围内油价优惠力度最优的加油站;导航模块74以当前位置为起点,以所述油价优惠力度最优的加油站为终点进行导航。
关于上述实施例中的车辆加油日确定装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述车辆加油日确定方法。
基于同一发明构思,本发明实施例中还提供了一种车载终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述车辆加油日确定方法。
基于同一发明构思,本发明实施例中还提供了一种车辆加油日确定***,参照图8所示,该***可以包括:车载终端81和服务器82;
所述车载终端81用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;并将所述当前日期、所述当前车油量、所述当前车辆位置以及所述车辆标识发送给所述服务器82;
所述服务器82用于将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日;并将确定结果发送给所述车载终端。
本发明实施例中的上述装置、介质、车载终端和相关***的具体实现方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例4
本发明实施例4中提供了一种车辆加油时间段确定方法,参照图9所示,该方法可以包括以下步骤:
步骤S91、基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识。
步骤S92、基于当前日期,确定未来时间段。
本发明实施例中,可以是基于当前的时间,确定出未来2小时~4小时的时间段,判断未来2~4小时时间段是否需要进行加油操作;也可以是基于当前时间,确定当前时间至未来3小时之间的时间段,确定该时间段是否需要进行加油操作。本发明实施例中,对于未来时间段的确定方式是提前预估的,即本发明实施例中并不局限于预测当前时间是否需要进行加油操作,而且需要预测未来的某一个时间段是否需要进行加油操作。但是,本发明实施例中对于如何基于当前时间来预估未来时间段的方式,并不作具体限定,可以是用户自行设置,也可以是根据油量到达1/3格时触发本预测方法。
步骤S93、将当前日期、未来时间段、当前车油量、当前车辆位置和车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
需要说明的是,本发明实施例4与上述实施例3不同之处在于确定的不是加油日,而且确定的加油时间段,相应的,使用的上述预先训练的递归神经网络模型也与实施例3中的模型不再相同。本发明实施例中的上述递归神经网络模型可以是通过实施例2中的方式预先训练好的,也可以是通过其他方式预先训练好的,本实施例对此并不作具体限定。
本发明实施例中提供的上述方法,能够更加准确的确定出加油时间段,这样更能够准确地根据用户的加油习惯,向用户推荐具体的加油时间段,进一步提升了用户的体验。
基于同一发明构思,本发明实施例中还提供了一种车辆加油日确定装置,可以参照图7所示,该装置可以包括:第一获取模块71和第一确定模块72,其工作原理如下:
第一获取模块71用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;第一确定模块71用于基于当前日期确定未来时间段;第一确定模块71并将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述车辆加油时间段确定方法。
基于同一发明构思,本发明实施例中还提供了一种车载终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述车辆加油时间段确定方法。
基于同一发明构思,本发明实施例中还提供了一种车辆加油时间段确定***,可以参照图8所示,该***可以包括:车载终端81和服务器82;
所述车载终端81用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;并将所述当前日期、所述当前车油量、所述当前车辆位置以及所述车辆标识发送给所述服务器;
所述服务器82用于基于当前日期确定未来时间段,并将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段;并将确定结果发送给所述车载终端。
本发明实施例中的上述装置、介质、车载终端和相关***的具体实现方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种车辆加油日确定方法,其特征在于,包括:
基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;
将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
2.根据权利要求1所述的方法,其特征在于,若当前日期为车辆加油日,所述方法还包括:
获取前方路线上的加油站,并基于用户画像中的用户偏好,确定所述加油站中是否存在有用户喜好的加油站;
若存在,则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
3.根据权利要求2所述的方法,其特征在于,还包括:比较当前位置到所述用户喜好的加油站之间的导航距离,与所述车辆的当前油量所能行驶的最大行驶距离的大小;
若导航距离小于所述最大行驶距离,则以所述用户喜好的加油站为终点,以当前位置为起点进行导航。
4.根据权利要求1~3中任一项所述的方法,其特征在于,还包括:获取前方路线上的加油站及所述加油站的油价优惠信息;
将所述加油站的导航距离和油价优惠力度进行排序,以确定出所述车辆的当前油量所能行驶的行驶距离范围内油价优惠力度最优的加油站;
以当前位置为起点,以所述油价优惠力度最优的加油站为终点进行导航。
5.一种车辆加油时间段确定方法,其特征在于,包括:
基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识,并确定未来时间段;
将所述当前日期、所述未来时间段、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定未来时间段是否为车辆加油时间段。
6.一种机器学习模型训练方法,其特征在于,包括:
获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该历史日期是否进行了加油操作;
用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述车辆位置、所述历史日期以及所述车辆标识,输入到所述递归神经网络模型中,输出该历史日期车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
7.根据权利要求6所述的方法,其特征在于,确定所述车辆在历史日期是否进行了加油操作,包括:
基于车辆停止时车辆位置、车辆停止时的车油量、车辆停止时间,以及再次启动时的车辆位置和车辆再次启动时的车油量、车辆再次启动时间,确定车辆是否进行了加油操作。
8.根据权利要求6所述的方法,其特征在于,还包括:
对所述样本数据进行下述至少一项处理:数据预处理、数据归一化处理和数据平衡处理;
对所述样本数据进行预处理包括:剔除所述样本数据中的重复样本数据;和/或,对所述样本数据中的缺失项进行填充;
对所述样本数据进行归一化处理包括:将所述样本数据中不同维度的特征赋予一致的权重;
对所述样本数据进行平衡处理包括:基于所述样本数据的类别,筛选所述样本数据;和/或,均衡划分所述样本数据集中的训练样本和测试样本。
9.一种机器学习模型训练方法,其特征在于,包括:
获取训练样本集,所述训练样本集中的样本数据包括:车油量、车辆位置、历史日期、车辆标识以及在该日期是否进行了加油操作;
基于所述训练样本集中的历史日期,确定历史时间段;
用所述训练样本集中的样本数据对递归神经网络模型进行训练,将所述车油量、所述历史时间段、所述车辆位置以及所述车辆标识,输入到所述递归神经网络模型中,输出所述历史时间段车辆是否进行了加油操作;以确定所述递归神经网络模型中的模型训练参数。
10.一种车辆加油日确定装置,其特征在于,包括:
第一获取模块,用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;
第一确定模块,用于将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日。
11.一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,该程序被处理器执行时实现如权利要求1~4中任一项所述的车辆加油日确定方法,或实现如权利要求5所述的车辆加油时间段确定方法,或实现如权利要求6~8中任一项所述的机器学习模型训练方法,或实现如权利要求9所述的机器学习模型训练方法。
12.一种车载终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~4中任一项所述的车辆加油日确定方法,或实现如权利要求5所述的车辆加油时间段确定方法。
13.一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求6~8中任一项所述的机器学习模型训练方法,或实现如权利要求9所述的机器学习模型训练方法。
14.一种车辆加油日确定***,其特征在于,包括:车载终端和服务器;
所述车载终端用于基于当前日期,获取当前车油量、当前车辆位置、以及车辆标识;并将所述当前日期、所述当前车油量、所述当前车辆位置以及所述车辆标识发送给所述服务器;
所述服务器用于将所述当前日期、所述当前车油量、所述当前车辆位置和所述车辆标识,输入到预先训练的递归神经网络模型中,确定当前日期是否为车辆加油日;并将确定结果发送给所述车载终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111508270.XA CN114463029A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆加油日确定方法、装置、设备和相关*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111508270.XA CN114463029A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆加油日确定方法、装置、设备和相关*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463029A true CN114463029A (zh) | 2022-05-10 |
Family
ID=81406521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111508270.XA Pending CN114463029A (zh) | 2021-12-10 | 2021-12-10 | 一种车辆加油日确定方法、装置、设备和相关*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463029A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029163A (zh) * | 2019-12-25 | 2021-06-25 | 沈阳美行科技有限公司 | 车辆路径匹配方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-10 CN CN202111508270.XA patent/CN114463029A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029163A (zh) * | 2019-12-25 | 2021-06-25 | 沈阳美行科技有限公司 | 车辆路径匹配方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
RU2683902C2 (ru) | Транспортное средство, способ и система для планирования режимов транспортного средства с использованием изученных предпочтений пользователя | |
CN101533561B (zh) | 交通信息管理服务器、导航终端及其方法 | |
CN110782065B (zh) | 电动汽车充电桩推荐方法、服务器、终端及*** | |
US8924240B2 (en) | System for monitoring vehicle and operator behavior | |
US20200184591A1 (en) | System and Methods for Analyzing Roadside Assistance Service of Vehicles in Real Time | |
CN112380448B (zh) | 车辆数据处理方法、装置、计算机设备和存储介质 | |
CN111127130B (zh) | 基于用户偏好的能源站点推荐方法、存储介质和电子设备 | |
CN107341166B (zh) | 一种车载app的推荐方法及*** | |
US9430476B2 (en) | Method and apparatus of user recommendation system for in-vehicle apps | |
US20110060495A1 (en) | Method of predicting energy consumption, apparatus for predicting energy consumption, and terminal apparatus | |
CN111310055A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
US20150262198A1 (en) | Method and apparatus of tracking and predicting usage trend of in-vehicle apps | |
CN107421555B (zh) | 确定导航路径的方法和装置 | |
CN111598663A (zh) | 一种消息推送方法,装置,电子设备和存储介质 | |
CN111090445B (zh) | 车辆服务升级方法、装置和*** | |
CN103430203A (zh) | 远程无线通讯智能执行ping操作的***及方法 | |
CN112418524A (zh) | 充电站可用状态的预测方法、装置、设备和存储介质 | |
JP2005208943A (ja) | サービス候補提供システム及びユーザ側通信装置並びにサービス候補提供サーバ | |
WO2023129224A1 (en) | Systems and methods for updating maps and evaluating map accuracy based on collected image data | |
CN114463029A (zh) | 一种车辆加油日确定方法、装置、设备和相关*** | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
CN110553657A (zh) | 一种基于聊天机器人的导航方法及*** | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN107205002B (zh) | 订制交通附加服务的方法、装置及*** |
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 |