[发明专利]基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质

权利要求书

1.一种基于神经网络的车辆故障和舒适度预测方法，其特征在于，包括：

基于样本车辆的原始数据，获取关联于车辆故障和舒适度的多个特征数据；

对所述特征数据进行特征处理后生成对应的数值特征数据；

将所述数值特征数据按照预设比例划分为训练集和测试集，以分别训练和测试一用于预测车辆故障和舒适度的神经网络模型；

其中，所述神经网络模型包括一特征提取模块和两个预测训练模块；所述特征提取模块供故障预测任务和舒适度预测任务共享使用，用于提取故障特征和舒适度特征；所述两个预测训练模块分别供故障预测任务和舒适度预测任务独占使用，用于分别输出故障预测结果和舒适度预测结果。

2.如权利要求1所述的方法，其特征在于，所述关联于车辆故障和舒适度的多个特征数据包括如下特征数据中的任意一种或多种的组合：

车辆在预设时段内的订单数量特征数据、车辆总投放时长特征数据、车辆骑行总里程特征数据、车辆在预设时段内的开锁失败错误码特征数据、车辆在预设时段内的订单平均骑行时长特征数据、预设时段内周围用户活跃等级特征数据、天气特征数据、车辆在预设时段内基于定位信息的Geohash网格中平均每小时车辆的数量特征数据、距离最近一次车辆维修的时间特征数据。

3.如权利要求1所述的方法，其特征在于，包括：

对所述样本车辆进行标签标记；

其中，所述样本车辆所标记的标签包括故障标签和舒适度标签；所述故障标签用于标记样本车辆是否故障，所述舒适度标签用于标记样本车辆是否舒适。

4.如权利要求3所述的方法，其特征在于，对所故障标签的标记方式包括：

对在预设时段内有维修标记的样本车辆标记为故障；

对在所述预设时段内没有维修标记且有报障的样本车辆标记为故障；

对在所述预设时段内没有维修标记且无报障的样本车辆标记为未故障。

5.如权利要求3所述的方法，其特征在于，对所舒适度标签的标记方式包括：

根据短时换车订单对样本车辆的舒适度进行判断，并基于判断的结果对该样本车辆进行舒适度标签的标记。

6.如权利要求1所述的方法，其特征在于，所述对所述特征数据进行特征处理后生成对应的数值特征数据，包括：

对所述特征数据中的类别特征数据进行独热编码处理和特征嵌入处理后生成对应的数值特征数据；

对所述特征数据中的数值特征数据不作处理。

7.如权利要求1所述的方法，其特征在于，所述特征提取模块包括LSTM神经网络和/或GRU神经网络。

8.如权利要求1所述的方法，其特征在于，所述预测训练模块包括：

XGB模块，以提取出的特征数据为输入，并输出对应的第一分类结果；将其中得分大于预设分值的分类结果归为第一类别特征，其余归为第二类别特征；

LGB模块，以提取出的特征数据和所述第二类别特征为输入，并输出对应的第二分类结果；

Bagging模块，以XGB模块输出的第一分类结果和LGB模块输出的第二分类结果为输入，并为第一分类结果和第二分类结果赋予预设权重后进行加权计算，以得到最终分类结果。

9.一种基于神经网络的车辆故障和舒适度预测装置，其特征在于，包括：

数据获取模块，用于基于样本车辆的原始数据，获取关联于车辆故障和舒适度的多个特征数据；

特征处理模块，用于对所述特征数据进行特征处理后生成对应的数值特征数据；

网络模型模块，用于将所述数值特征数据按照预设比例划分为训练集和测试集，以分别训练和测试一用于预测车辆故障和舒适度的神经网络模型；其中，所述神经网络模型包括一特征提取模块和两个预测训练模块；特征提取模块供故障预测任务和舒适度预测任务共享使用，用于提取故障特征和舒适度特征；两个预测训练模块分别供故障预测任务和舒适度预测任务独占使用，用于分别输出故障预测结果和舒适度预测结果。