[发明专利]一种基于机器学习算法的蓄电池馈电风险识别方法

权利要求书

1.一种基于机器学习算法的蓄电池馈电风险识别方法，包括以下步骤：

（1）获取蓄电池异常耗电的样本数据，构造特征变量，得出特征数据训练集；

（2）基于孤立森林构建异常识别算法模型；

（3）对算法模型进行调优，进行蓄电池风险实时预测，并给出预警结果信息。

2.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（1）获取蓄电池异常耗电的样本数据包括：

(1.1)数据采集：采集云端足够多辆车，T-1日的车辆蓄电池相关网络数据，数据包括异常事件、开始时刻、结束时刻、单次故障时间；

(1.2)数据清洗：对数据进行清洗，去除因格式或采集错误产生的错误数据，建立异常数据表。

3.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（1）构造特征变量，得出特征数据训练集包括：

(1.3) 构造特征变量：基于异常数据表，计算单车单天累计故障次数，以及单车单天累计异常时间；

(1.4)特征数据训练集构造：将特征变量数据进行随机抽样，得到目标特征数据训练集。

4.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（2）所述基于孤立森林构建异常识别算法模型的过程包括：

(2.1)模型构建：对每个目标特征数据训练集建立一棵树模型，即用目标特征数据训练集传入bulid_tree方法从而构建一棵树模型，重复上述过程建立n棵树结构，并输出平均路径长度集；

(2.2)聚类分析：根据不同蓄电池异常特征输出的平均路径长，通过聚类模型，识别出蓄电池正常耗电车辆、蓄电池馈电低风险车辆以及蓄电池馈电高风险车辆。

5.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（2）还包括：

(2.3)数据验证：针对以上算法识别出的馈电风险车辆，进行电话回访，验证车主最近实际馈电无法启动的情况；同时针对售后反馈的历史已馈电车辆，基于已馈电车辆发生馈电时刻之前的历史数据，利用以上算法进行识别，比对算法识别结果及实际馈电情况，进行准确率验证。

6.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（3）对算法模型进行调优是通过积累样本数据，使模型不断学习从而参数调优。

7.根据权利要求1所述的蓄电池馈电风险识别方法，其特征在于，所述步骤（2）中，当监控到有新的蓄电池相关网络数据上传时，使用该模型进行预测，得到蓄电池馈电风险预测结果，如果馈电风险发生，则向车主推送车辆馈电预警信息，提前告知车主馈电风险。