基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法技术方案

基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法,属于车辆定损领域,为了解决车辆碰撞后，对于零件检测的问题，技术要点是：零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用随机森林方法。效果是：上述技术方案，可以实现对于车辆碰撞的零件检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升。

【技术实现步骤摘要】

本专利技术属于车辆定损领域，涉及一种基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法。
技术介绍
针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导致的理赔纠纷问题，远程定损技术通过采集车辆行驶过程中的多种信号(如速度、加速度、角速度、声音等)并用信号处理和机器学习技术加以分析，以判断碰撞是否发生以及碰撞后车辆的损毁情况。车辆发生碰撞事故后，前端设备能够检测出碰撞的发生并截取碰撞过程的信号，通过无线网络发送至云端，远程服务器从收到的信号中抽取出事先设计的特征值，用机器学习算法进行分析，先判断碰撞数据的准确性，再判断碰撞物体和工况情况，以确定碰撞数据集对什么零件产生了哪种等级的损伤，然后根据零件损伤等级计算出参考理赔金额并发送至保险公司。这期间会涉及对于车型、工况、目标、零件和区域的检测。
技术实现思路
为了解决车辆碰撞后，对于零件检测的问题，本专利技术提出了一种基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法，以实现定损过程中的零件检测。为了解决上述技术问题，本专利技术提供的技术方案的要点是：包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用随机森林方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用随机森林方法；零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用随机森林方法。有益效果：上述技术方案，可以实现对于车辆碰撞的零件检测，在远程定损的这个
使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升；本专利技术通过选择车型来导入该车型所对应的数据，而数据分类则是为了模型训练和测试的目的而加入的步骤；零件的检测是该方案实现的目的，是经过一系列操作所要得到的结果。附图说明图1为本专利技术所述的系统的结构示意框图。具体实施方式为了对本专利技术作出更为清楚的解释，下面对本专利技术涉及的技术术语作出定义：工况：碰撞角度、方向、目标、区域等全体碰撞信息；车型：汽车型号；目标：碰撞目标；区域：碰撞位置；零件：汽车零件；工况检测：检测本车碰撞角度、方向、目标、区域等全体碰撞信息；车型检测：检测与本车发生碰撞的汽车型号；目标检测：检测本车碰撞目标；区域检测：检测本车碰撞位置；零件检测：检测本车汽车零件。实施例1：一种基于人工智能随机森林方法建立不同车型分零件远程定损系统，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用随机森林方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用随机森林方法；零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用随机森林方法。所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率；所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零件训练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测试数据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的可靠性和准确率。所述随机森林方法的步骤是：步骤1.使用随机森林方法建立模型；步骤2.使用随机森林的预测。其中，所述步骤1包括：步骤1.1.给定训练集S，测试集T，特征维数F；确定参数：使用到的CART的数量t，每棵树的深度d，每个节点使用到的特征数量f；终止条件：节点上最少样本数s，节点上最少的信息增益m；对于第1-t棵树，i＝1-t：步骤1.2.从S中有放回的抽取大小和S一样的训练集S(i)，作为根节点的样本，从根节点开始训练；步骤1.3.如果当前节点上达到终止条件，则设置当前节点为叶子节点；如果是分类问题，该叶子节点的预测输出为当前节点样本集合中数量最多的那一类c(j)，概率p为c(j)占当前样本集的比例；如果是回归问题，预测输出为当前节点样本集各个样本值的平均值，然后继续训练其他节点；如果当前节点没有达到终止条件，则从F维特征中无放回的随机选取f维特征，利用f维特征，寻找分类效果最好的一维特征k及其阈值th，当前节点上样本第k维特征小于th的样本被划分到左节点，其余的被划分到右节点，继续训练其他节点；有关分类效果的评判标准在后面会讲。步骤1.4.重复步骤2至步骤3，直到所有节点都训练过了或者被标记为叶子节点。步骤1.5.重复重复步骤2至步骤4，直到所有CART都被训练过；所述步骤2包括，对于第1-t棵树，i＝1-t，进行如下操作：步骤2.1.从当前树的根节点开始，根据当前节点的阈值th，判断是进入左节点(<th)，还是进入右节点(>＝th)，直到到达某个叶子节点，并输出预测值；步骤2.2.重复执行步骤2.1，直到所有的t棵树都输出了预测值；如果是分类问题，则输出为所有树中预测概率总和最大的那一个类，即对每个c(j)的p进行累计；如果是回归问题，则输出为所有树的输出的平均值。对于分类问题(将某个样本划分到某一类)，也就是离散变量问题，CART使用Gini值作为评判标准。定义为Gini＝1-∑(P(i)*P(i))，P(i)为当前节点上数据集中第i类样本的比例。例如：分为2类，当前节点上有100个样本，属于第一类的样本有70个，属于，第二类的样本有30个，则Gini＝1-0.7×07-0.3×03＝0.42，可以看出，类别分布越平均，Gini值越大，类分布越不均匀，Gini值，越小。在寻找最佳的分类特征和阈值时，评判标准为：argmax(Gini-GiniLeft-GiniRight)，即寻找最佳的特征f和阈值th，使，得当前节点的Gini值减去左子节点的Gini和右子节点的Gini值最大。实施例2：一种基于人工智能随机森林方法建立不同车型分零件远程定损方法，包括以下步骤：步骤一.选择车辆所对应的车型数据作为总数据集；步骤二.读取CAE仿真数据和实车数据，并相应对数据进行分类；步骤三.判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模本文档来自技高网...

【技术保护点】
一种基于人工智能随机森林方法建立不同车型分零件远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用随机森林方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用随机森林方法；零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用随机森林方法。

【技术特征摘要】
1.一种基于人工智能随机森林方法建立不同车型分零件远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用随机森林方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用随机森林方法；零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用随机森林方法。2.如权利要求1所述的基于人工智能随机森林方法建立不同车型分零件远程定损系统，其特征在于，所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率；所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零件训练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测试数据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的可靠性和准确率。3.如权利要求1或2所述的基于人工智能随机森林方法建立不同车型分零件远程定损系统，其特征在于，所述随机森林方法的步骤是：步骤1.使用随机森林方法建立模型；步骤2.使用随机森林的预测。4.如权利要求3所述的基于人工智能随机森林方法建立不同车型分零件远程定损系统，所述步骤1包括：步骤1.1.给定训练集S，测试集T，特征维数F，确定以下参数：使用到的CART的数量t，每棵树的深度d，每个节点使用到的特征数量f；确定终止条件：节点上最少样本数s，节点上最少的信息增益m；对于第1-t棵树，i＝1-t：步骤1.2.从训练集S中有放回的抽取大小和训练集S一样的训练集S(i)，作为根节点的样本，从根节点开始训练；步骤1.3.如果当前节点上达到终止条件，则设置当前节点为叶子节点；如果是分类问题，该叶子节点的预测输出为当前节点样本集合中数量最多的那一类c(j)，概率p为c(j)占当前样本集的比例；如果是回归问题，预测输出为当前节点样本集各个样本值的平均值，然后继续训练其他节点；如果当前节点没有达到终止条件，则从F维特征中无放回的随机选取f维特征，利用f维特征，寻找分类效果最好的一维特征k及其阈值th，当前节点上样本第k维特征小于th的样本被划分到左节点，其余的被划分到右节点，继续训练其他节点；步骤1.4.重复步骤1.2至步骤1.3，直到所有节点都训练过了或者被标记为叶子节点；步骤1.5.重复重复步骤1.2至步骤1.4，直到所有CART都被训练过。5.如权利要求3所述的基于人工智能随机森林方法建立不同车型分零件远程定损系统，其特征在于，所述步骤2，对于第1-t棵树，i＝1-t，进行如下操作：步骤2.1.从当前树的根节点开始，根据当前节点的阈值th，判断是进入左节点(<th)，还是进入右节点(>＝th)，直到到达某个叶子节点，并输出预测值；步骤2.2.重复执行步骤2.1，直到所有的t棵树都输出了预测值；如果是分类问题，则输出为所有树中预测概率总和最大的那一个类，即对每个c(j)的p进行累计；如果是回归问题，则输出为所有树的输出的平均值。6.一种基于人工智能随机森林方法建立不同车型分零件远程定损方法，其特征在于，包括以下步骤：步骤一.选择车辆所对应的车型数据作...

【专利技术属性】
技术研发人员：田雨农，刘俊俍，
申请(专利权)人：大连楼兰科技股份有限公司，
类型：发明
国别省市：辽宁;21