车辆管理方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及一种车辆管理方法、装置、计算机设备和存储介质。通过获取在预设天数内的车辆数据，再将车辆数据输入至预设的预测网络，得到包括车辆失联概率的预测结果；然后将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。在上述对车辆的管理过程中，由于本申请采用了预测网络实现了对近期时间段内即将失联车辆的预测，得到预测结果。使得车辆管理服务器能够根据预测结果提前预测新增的失联车辆，并判断每日运营中车辆预测失联的可能性，实现提前干预异常的即将失联的车辆，可以有效防止车辆失联导致可用车辆减少及资产永久损失，极大的提高了资产保全率。

Vehicle management methods, devices, computer equipment and storage media

【技术实现步骤摘要】
车辆管理方法、装置、计算机设备和存储介质
本申请涉及智能单车
，尤其涉及一种车辆管理方法、装置、计算机设备和存储介质。
技术介绍
随着移动互联网技术的发展，作为移动互联网技术的产物的共享经济平台得到了普及应用，而随着越来越多的共享商品面世，以及共享商品给人们的生活带来的便利，市场上对共享商品的需求量越来越大，在该种应用环境中，共享经济平台在为人们提供共享产品及服务的过程中，如何能够最大化的保全资产成为了目前共享经济市场上关注的技术问题。现今，共享经济平台对于共享商品的管理主要依赖于共享商品上的定位装置实现，例如，共享单车是共享经济中相对发展比较成熟的领域。在现有的共享单车平台，尤其是国内机构，共享单车的管理主要依赖于太阳能供电以及智能锁定位。共享经济平台实时检测共享商品上的定位信号，根据定位信号确定共享商品的位置，以实现对共享商品的有效管理。但是，上述管理方法，在一些环境异常，或定位装置发生损坏的场景中，经常会发生共享商品失联的情况，从而导致共享经济平台可用的共享商品大量的减少及共享商品的永久损失，极大的降低了共享经济平台对共享商品的资产保全率。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够有效提高资产保全率的车辆管理方法、装置、计算机设备和存储介质。第一方面，一种车辆管理方法，所述方法包括：获取在预设天数内的车辆数据；将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率；将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。在其中一个实施例中，预测网络包括特征获取子网络和预测子网络，将车辆数据输入至预设的预测网络，得到预测结果，包括：将车辆数据输入至特征获取子网络进行特征提取，得到与车辆数据对应的特征变量；特征变量包括车辆的心跳特征变量、车辆损耗特征变量、天气特征变量、车辆所处的环境特征变量、车辆的状态特征变量；将特征变量输入至预测子网络进行车辆失联预测，得到预测结果。在其中一个实施例中，将车辆数据输入至预设的预测网络之前，所述方法还包括：判别车辆数据的类型，得到第一判别结果；第一判别结果包括车辆数据为无数据类型、车辆数据为缺失数据类型、车辆数据为正常数据类型中的一种；若第一判别结果为车辆数据为正常数据类型，则执行将车辆数据输入至预设的预测网络，得到预测结果的步骤。在其中一个实施例中，判别车辆数据的类型，得到第一判别结果之后，还包括：若第一判别结果为车辆数据为缺失数据类型，则判别车辆数据中缺失数据的类型，得到第二判别结果；第二判别结果表示缺失数据的类型为重点数据或非重点数据；若第二判别结果为缺失数据的类型为非重要数据，则根据历史车辆数据补充缺失数据，得到新的车辆数据；执行将新的车辆数据输入至预设的预测网络，得到预测结果的步骤。在其中一个实施例中，所述方法还包括：若第二判别结果为缺失数据的类型为重点数据，或若第一判别结果为车辆数据为无数据类型，则将异常值作为所述预测结果输出。在其中一个实施例中，所述预测子网络的训练过程，包括：获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据；第一样本数据为在预设第一时间段内的全国车辆数据；第二样本数据为在预设第二时间段内的城市车辆数据；根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络；根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络。在其中一个实施例中，根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络，包括：将第一样本数据输入至初始预测子网络，得到初次预测结果；将初次预测结果和第一标签数据输入至预设的损失函数，得到损失函数的值；根据损失函数的值对初始预测子网络进行训练，直到损失函数的值满足第一预设条件为止，得到初次训练后的预测子网络。在其中一个实施例中，根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络，包括：将第二样本数据输入至初次训练后的预测子网络，得到二次预测结果；将二次预测结果和第二标签数据输入至损失函数，得到损失函数的值；根据损失函数的值对初次训练后的预测子网络进行训练，直到损失函数的值满足第二预设条件为止，得到预测子网络。在其中一个实施例中，损失函数包括对数交叉熵损失函数和/或准确度损失函数。在其中一个实施例中，获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据之后，还包括：对第一样本数据进行过采样，得到采样后的第一样本数据；对第二样本数据进行过采样，得到采样后的第二样本数据。第二方面，一种车辆管理装置，所述装置包括：获取模块，用于获取在预设天数内的车辆数据；预测模块，用于将所述车辆数据输入至预设的预测网络，得到预测结果；所述预测结果包括车辆的失联概率；管理模块，用于将所述预测结果发送至车辆管理系统，以使所述车辆管理系统根据所述预测结果执行车辆管理工作。第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面任一实施例所述的车辆管理方法。第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一实施例所述的车辆管理方法。本申请提供的一种车辆管理方法、装置、计算机设备和存储介质，通过获取在预设天数内的车辆数据，再将车辆数据输入至预设的预测网络，得到包括车辆失联概率的预测结果；然后将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。在上述对车辆的管理过程中，由于本申请采用了预测网络实现了对近期时间段内即将失联车辆的预测，得到预测结果。使得车辆管理服务器能够根据预测结果提前预测新增的失联车辆，并判断每日运营中车辆预测失联的可能性，实现提前干预异常的即将失联的车辆，可以有效防止车辆失联导致可用车辆减少及资产永久损失，极大的提高了资产保全率。附图说明图1为一个实施例提供的一种车辆管理系统的结构示意图；图2为一个实施例提供的一种车辆管理方法的流程图；图3为一个实施例提供的一种车辆管理方法的流程图；图4为一个实施例提供的一种车辆管理方法的流程图；图5为一个实施例提供的一种车辆管理方法的流程图；图6为一个实施例提供的一种车辆管理方法的流程图；图7为一个实施例提供的一种预测网络的结构示意图；图8为一个实施例提供的一种预测子网络的训练方法的流程图；图9实施例为图8实施例中S602的一种实现方式的流程图；图10实施例为图8实施例中S603的一种实现方式的流程图；图11为一个实施例提供的一种训练网络的结构流程图本文档来自技高网...

【技术保护点】
1.一种车辆管理方法，其特征在于，所述方法包括：/n获取在预设天数内的车辆数据；/n将所述车辆数据输入至预设的预测网络，得到预测结果；所述预测结果包括车辆的失联概率；/n将所述预测结果发送至车辆管理服务器，以使所述车辆管理服务器根据所述预测结果执行车辆管理工作。/n

【技术特征摘要】
1.一种车辆管理方法，其特征在于，所述方法包括：
获取在预设天数内的车辆数据；
将所述车辆数据输入至预设的预测网络，得到预测结果；所述预测结果包括车辆的失联概率；
将所述预测结果发送至车辆管理服务器，以使所述车辆管理服务器根据所述预测结果执行车辆管理工作。


2.根据权利要求1所述的方法，其特征在于，所述预测网络包括特征获取子网络和预测子网络，所述将所述车辆数据输入至预设的预测网络，得到预测结果，包括：
将所述车辆数据输入至所述特征获取子网络进行特征提取，得到与所述车辆数据对应的特征变量；所述特征变量包括车辆的心跳特征变量、车辆损耗特征变量、天气特征变量、车辆所处的环境特征变量、车辆的状态特征变量；
将所述特征变量输入至所述预测子网络进行车辆失联预测，得到所述预测结果。


3.根据权利要求1所述的方法，其特征在于，所述将所述车辆数据输入至预设的预测网络之前，所述方法还包括：
判别所述车辆数据的类型，得到第一判别结果；所述第一判别结果包括所述车辆数据为无数据类型、所述车辆数据为缺失数据类型、所述车辆数据为正常数据类型中的一种；
若所述第一判别结果为所述车辆数据为正常数据类型，则执行所述将所述车辆数据输入至预设的预测网络，得到预测结果的步骤。


4.根据权利要求3所述的方法，其特征在于，所述判别所述车辆数据的类型，得到第一判别结果之后，还包括：
若所述第一判别结果为所述车辆数据为缺失数据类型，则判别所述车辆数据中缺失数据的类型，得到第二判别结果；所述第二判别结果表示所述缺失数据的类型为重点数据或非重点数据；
若所述第二判别结果为所述缺失数据的类型为非重要数据，则根据历史车辆数据补充所述缺失数据，得到新的车辆数据；
执行将所述新的车辆数据输入至预设的预测网络，得到预测结果的步骤。


5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述第二判别结果为所述缺失数据的类型为重点数据，或若所述第一判别结果为所述车辆数据为无数据类型，则将异常值作为所述预测结果输出。


6.根据权利要求2所述的方法，其特征在于，所述预测子网络为基于贪婪算法的LightGBM模型的网络。


7.根据权利要求2所述的方法，其特征在于，所述预测子网络的训练过程，包括：
获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据；所述第一样本数据为在预设第一时间段内的全国车辆数据；所述第二样本数据为在预设第二时间段内的城市车...

【专利技术属性】
技术研发人员：杨磊，黄倩文，
申请(专利权)人：上海钧正网络科技有限公司，
类型：发明
国别省市：上海;31