本發(fā)明涉及車輛工程，尤其涉及一種車輛生命使用周期預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、近年來，車輛的生產(chǎn)量和換購量呈梯度式上升，傳統(tǒng)車輛壽命評估主要依賴車輛里程數(shù)和使用年限，結(jié)果主觀且不準(zhǔn)確，無法全面反映車輛的實(shí)際使用狀況和剩余壽命。

2、且主機(jī)廠難以掌握車輛的全生命周期數(shù)據(jù)，缺乏有效的技術(shù)手段進(jìn)行車輛壽命管理，導(dǎo)致維護(hù)和更換計(jì)劃不夠精準(zhǔn)。因此目前主機(jī)廠無法準(zhǔn)確預(yù)測車輛生命使用周期。

3、上述內(nèi)容僅用于輔助理解本發(fā)明的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種車輛生命使用周期預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決如何基于車聯(lián)網(wǎng)平臺和數(shù)智化技術(shù)預(yù)測車輛生命使用周期的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種車輛生命使用周期預(yù)測方法，所述車輛生命使用周期預(yù)測方法包括以下步驟：

3、采集車輛的運(yùn)行數(shù)據(jù)；

4、基于所述運(yùn)行數(shù)據(jù)，生成特征向量；

5、將所述特征向量進(jìn)行證據(jù)權(quán)重編碼，得到所述特征向量對應(yīng)的證據(jù)權(quán)重；

6、將所述證據(jù)權(quán)重輸入基于梯度提升算法構(gòu)建的目標(biāo)機(jī)器學(xué)習(xí)模型，得到車輛換購概率；

7、基于評分卡模型對所述車輛換購概率進(jìn)行處理，確定所述車輛的剩余生命周期等級，其中所述剩余生命周期等級包括多個(gè)不同價(jià)值等級。

8、在一實(shí)施例中，所述將所述特征向量進(jìn)行證據(jù)權(quán)重編碼，得到所述特征向量對應(yīng)的證據(jù)權(quán)重的步驟，包括：

9、基于等距分箱法對所述特征向量進(jìn)行劃分，得到多個(gè)區(qū)間；

10、對各個(gè)所述區(qū)間進(jìn)行編碼，得到所述特征向量對應(yīng)的證據(jù)權(quán)重。

11、在一實(shí)施例中，所述將所述證據(jù)權(quán)重輸入基于梯度提升算法構(gòu)建的目標(biāo)機(jī)器學(xué)習(xí)模型，得到車輛換購概率的步驟，包括：

12、初始化基于梯度提升算法構(gòu)建的目標(biāo)機(jī)器學(xué)習(xí)模型的預(yù)測值；

13、對所述目標(biāo)機(jī)器學(xué)習(xí)模型依次添加所述證據(jù)權(quán)重對應(yīng)的決策樹，并確定所述決策樹對應(yīng)的預(yù)測值；

14、基于所述預(yù)測值得到車輛換購概率。

15、在一實(shí)施例中，所述方法還包括：

16、確定所述目標(biāo)機(jī)器學(xué)習(xí)模型的正樣本和負(fù)樣本；

17、根據(jù)所述正樣本和所述負(fù)樣本確定roc曲線以及所述正樣本和所述負(fù)樣本的差值；

18、根據(jù)所述roc曲線確定所述roc曲線下的面積；

19、基于所述面積和所述差值評估所述目標(biāo)機(jī)器學(xué)習(xí)模型的預(yù)測精度，得到預(yù)測結(jié)果；

20、根據(jù)所述預(yù)測結(jié)果對所述目標(biāo)機(jī)器學(xué)習(xí)模型進(jìn)行更新，得到更新后的目標(biāo)機(jī)器學(xué)習(xí)模型。

21、在一實(shí)施例中，所述基于評分卡模型對所述車輛換購概率進(jìn)行處理，確定所述車輛的剩余生命周期等級的步驟，包括：

22、根據(jù)所述換購概率確定違約概率與不違約概率的比值；

23、根據(jù)最低車輛換購等級的預(yù)測概率以及最高車輛換購等級的預(yù)測概率確定縮放因子；

24、通過評分卡模型對基礎(chǔ)分?jǐn)?shù)、所述比值以及所述縮放因子進(jìn)行處理，得到標(biāo)準(zhǔn)化評分值；

25、根據(jù)所述標(biāo)準(zhǔn)化評分值確定所述車輛的剩余生命周期等級。

26、在一實(shí)施例中，所述特征向量包括排放類型、千公里故障率、年平均里程數(shù)、百公里油耗、車齡以及千公里出險(xiǎn)次數(shù)；

27、所述基于所述運(yùn)行數(shù)據(jù)，生成特征向量的步驟，包括：

28、基于所述運(yùn)行數(shù)據(jù)，確定所述車輛的排放類型、車輛實(shí)際運(yùn)營公里數(shù)、三級故障數(shù)、車輛運(yùn)營天數(shù)、車輛單程油耗、車齡、出險(xiǎn)次數(shù)；

29、根據(jù)所述車輛實(shí)際運(yùn)營公里數(shù)以及所述三級故障數(shù)確定車輛的千公里故障率；

30、根據(jù)所述車輛實(shí)際運(yùn)營公里數(shù)以及所述車輛運(yùn)營天數(shù)確定年平均里程數(shù)；

31、根據(jù)所述車輛單程油耗以及所述車輛實(shí)際運(yùn)營公里數(shù)確定百公里油耗；

32、根據(jù)所述出險(xiǎn)次數(shù)以及所述車輛實(shí)際運(yùn)營公里數(shù)確定千公里出險(xiǎn)次數(shù)。

33、在一實(shí)施例中，所述基于所述運(yùn)行數(shù)據(jù)，生成特征向量的步驟之后，還包括：

34、獲取所述特征向量的數(shù)據(jù)均值和標(biāo)準(zhǔn)差；

35、根據(jù)所述特征向量、所述數(shù)據(jù)均值以及所述標(biāo)準(zhǔn)差確定所述運(yùn)行數(shù)據(jù)的異常值；

36、根據(jù)所述異常值對所述特征向量進(jìn)行刪減處理，得到去除異常值后的特征向量；

37、獲取所述去除異常值后的特征向量中的缺失點(diǎn)，并根據(jù)所述缺失點(diǎn)進(jìn)行填充，得到填充后的特征向量；

38、根據(jù)滑動濾波窗口大小對所述填充后的特征向量進(jìn)行降噪處理，得到預(yù)處理后的特征向量；

39、根據(jù)所述預(yù)處理后的特征向量，進(jìn)行二次計(jì)算，得到目標(biāo)特征向量；

40、相應(yīng)的，所述將所述特征向量進(jìn)行證據(jù)權(quán)重編碼，得到所述特征向量對應(yīng)的證據(jù)權(quán)重的步驟，包括：

41、將所述預(yù)處理后的目標(biāo)特征向量進(jìn)行證據(jù)權(quán)重編碼，得到所述目標(biāo)特征向量對應(yīng)的證據(jù)權(quán)重。

42、此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種車輛生命使用周期預(yù)測裝置，所述裝置包括：

43、數(shù)據(jù)獲取模塊，用于采集車輛的運(yùn)行數(shù)據(jù)；

44、數(shù)據(jù)分析模塊，用于基于所述運(yùn)行數(shù)據(jù)，生成特征向量；

45、所述數(shù)據(jù)分析模塊，還用于將所述特征向量進(jìn)行證據(jù)權(quán)重編碼，得到所述特征向量對應(yīng)的證據(jù)權(quán)重；

46、所述數(shù)據(jù)分析模塊，還用于將所述證據(jù)權(quán)重輸入基于梯度提升算法構(gòu)建的目標(biāo)機(jī)器學(xué)習(xí)模型，得到車輛換購概率；

47、概率分析模塊，用于基于評分卡模型對所述車輛換購概率進(jìn)行處理，確定所述車輛的剩余生命周期等級，其中所述剩余生命周期等級包括多個(gè)不同價(jià)值等級。

48、此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種車輛生命使用周期預(yù)測設(shè)備，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的車輛生命使用周期預(yù)測程序，所述車輛生命使用周期預(yù)測程序配置為實(shí)現(xiàn)如上文所述的車輛生命使用周期預(yù)測方法的步驟。

49、此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提出一種存儲介質(zhì)，所述存儲介質(zhì)上存儲有車輛生命使用周期預(yù)測程序，所述車輛生命使用周期預(yù)測程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的車輛生命使用周期預(yù)測方法的步驟。

50、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的車輛生命使用周期預(yù)測方法的步驟。

51、本技術(shù)提出的一個(gè)或多個(gè)技術(shù)方案，至少具有以下技術(shù)效果：

52、采集車輛的運(yùn)行數(shù)據(jù)；基于運(yùn)行數(shù)據(jù)，生成特征向量；將特征向量進(jìn)行證據(jù)權(quán)重編碼，得到特征向量對應(yīng)的證據(jù)權(quán)重；將證據(jù)權(quán)重輸入基于梯度提升算法構(gòu)建的目標(biāo)機(jī)器學(xué)習(xí)模型，得到車輛換購概率；基于評分卡模型對車輛換購概率進(jìn)行處理，確定車輛的剩余生命周期等級，其中剩余生命周期等級包括多個(gè)不同價(jià)值等級，通過采集車輛運(yùn)行數(shù)據(jù)生成特征向量，并進(jìn)行證據(jù)權(quán)重編碼，將編碼后的證據(jù)權(quán)重輸入基于梯度提升算法構(gòu)建的機(jī)器學(xué)習(xí)模型，得到車輛換購概率。最后，利用評分卡模型將換購概率轉(zhuǎn)換為剩余生命周期等級，實(shí)現(xiàn)對車輛剩余生命周期的精準(zhǔn)評估。這一過程提高了預(yù)測準(zhǔn)確性，優(yōu)化了車輛全生命周期管理。