[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

说明书

本发明公开了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，其包括：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；对特征数据进行特征处理后生成对应的数值特征数据；将数值特征数据按照预设比例划分为训练集和测试集，以分别用于训练和测试一神经网络模型；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；特征提取模块用于提取故障特征和舒适度特征；两个预测训练模块分别用于分别输出故障预测结果和舒适度预测结果。本发明将深度学习方法引入到共享车辆实际业务中，大大降低了试错成本和运营成本，有效提高共享车辆整体质量和售后服务。

技术领域

本发明涉及车辆技术领域，尤其涉及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。

背景技术

随着互联网技术的发展，在全国各个大、中型城市兴起的共享单车几乎随处可见。但随着共享单车的投放增长和单车业务的日趋成熟，与崭新的共享单车相比，早期投放的共享单车难免有或轻或重的受损。例如海边气候造成金属腐蚀、遭到破坏者的蓄意破坏等诸多因素，共享单车的车座、车把、车链条受损现象屡见不鲜，单车舒适度受到严重影响。

若采用全面大量维修骑行不舒适单车的方案，将不可避免地耗时耗力，维修成本过高，而若只维修故障严重的单车，又会使得车辆质量持续下降。这种现象使得售后人员面临降低维修成本、运营成本与提高单车质量保证单车舒适度的双重矛盾。

因此，究竟应该在单车处于何种健康程度时着手维修，又该如何定义健康程度，究竟怎样质量的单车需要维修，又该给维修人员制定怎样的目标，这些都是本领域亟需解决的难题。

现有的判断单车是否有故障的常用方法是对用户报障进行算法筛选，保留用户报障中确有故障的车辆，派单给维修人员维修，并结合运维人员扫街检查单车故障。但是，这种报障方法的报障精度低，误报率高，无法判断单车的具体故障，而且仍需耗费大量的人力。

现有的判断单车舒适度的常用方法是采用用户订单进行分析，检索出短时间内多次短时换骑车，则认为该车辆为故障车辆，并派单给维修人员。这种分析方法的预测准确率虽高，但只能在故障发生一段时间后才能得到分析结果并通知维修人员，问题的发现和解决都缺乏实时性，较为滞后。

因此，现有的单车故障判断方法和单车舒适度判断方法，都有较多不足之处，运维人员工作量大，问题车暴露滞后等超高成本和运营限制等缺陷。因此，本领域亟需一种能实现及时准确预测车辆硬件故障以及舒适与否，并协助运维维修人员定位故障车的解决方案。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有的车辆故障判断方法和车辆舒适度判断方法，都有较多不足之处，运维人员工作量大，问题车暴露滞后等超高成本和运营限制等缺陷。

为实现上述目的，本发明的第一方面提供了一种基于神经网络的车辆故障和舒适度预测方法，其包括：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；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。

在本发明第一方面的较佳实施方式中，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。