一种基于车辆网的车辆用途识别方法、系统及存储介质技术方案

本方案涉及一种基于车辆网的车辆用途识别方法、系统及存储介质，包括：基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K‑means算法对待聚类数据集进行聚类，获得聚类数据集；使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；对预测模型进行准确率测试，获得车辆用途识别预测模型；使用车辆用途识别预测模型进行车辆用途识别。

【技术实现步骤摘要】
一种基于车辆网的车辆用途识别方法、系统及存储介质
本专利技术具体涉及一种基于车辆网的车辆用途识别方法、系统及存储介质。
技术介绍
近年来，随着国家、地区政府鼓励、企业持续投入、技术不断发展、基础设施配套不断完善，新能源汽车逐步被社会大众认可。为争夺新能源汽车的市场份额，各家车企纷纷加大了在新能源汽车研发方面的投入。为实现有限资源的最大利益化，对不同用途新能源用户的车主信息、车型信息、出行习惯、驾驶偏好、充电行为等特征数据进行统计分析，可进一步明确新品的市场定位、目标人群、配置参数等，极大的提升了车企研发效率，增强了车企的核心竞争力。
技术实现思路
本专利技术提出的是一种基于车辆网的车辆用途识别方法、系统及存储介质，用于为产品策划、机车性能、试验测试、电池开发等汽车研发部门提供准确的数据支撑。本专利技术实施例提供了一种基于车辆网的车辆用途识别方法，包括：基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；其中，所获取的行驶数据包括：行驶里程、行驶时长；所获取的充电数据包括：充电时间、车辆状态、车辆的充电频次；构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K-means算法对待聚类数据集进行聚类，获得聚类数据集；使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；对预测模型进行准确率测试，获得车辆用途识别预测模型；使用车辆用途识别预测模型进行车辆用途识别。优选地，使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型的步骤具体为：将聚类数据集划分为训练数据集和测试数据集；使用训练数据集进行逻辑回归模型训练，获得训练模型；使用测试数据集对所述训练模型进行测试，在训练模型的AUC值达到设定值，确定训练模型可信；若训练模型的AUC值未达到设定值，则依靠训练数据集和测试数据集进行迭代求解，直至迭代求解得到的训练模型的AUC值达到设定值。优选地，对预测模型进行准确率测试，获得车辆用途识别预测模型的步骤包括：基于已知真实车辆用途的多个车辆的行驶数据和充电数据，对预测模型进行检验；对预测模型输出的关于各车辆的车辆用途与各车辆的真实车辆用途进行比对，若预测模型输出的比对结果准确率达到预设数值，则确定预测模型为车辆用途识别预测模型。优选地，所构建的特征变量包括：工作日日均行驶次数、休息日日日均行驶次数、日均早高峰行驶次数、日均晚高峰行驶次数、日均行驶时长、日均充电时长、工作日日均行驶时长、休息日日均行驶时长、日均早高峰行驶时长、日均晚高峰行驶时长、日均行驶里程、工作日日均行驶里程、休息日日均行驶里程、日均行程数、快充日均使用次数和慢充日均使用次数。本专利技术实施例还提供了一种基于车联网的车辆用途识别系统，包括处理器和存储器；所述存储器上存储有能被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时能实现如上述的基于车联网的车辆用途识别方法的步骤。本专利技术实施例还提供了一种存储介质，所述存储介质存储有一个或者多个计算机可读程序，所述一个或者多个计算机可读程序能被一个或者多个处理器执行，以实现如所述的基于车联网的车辆用途识别方法的步骤。本专利技术的有益效果为：实现了对车辆的用途识别，为产品策划、机车性能、试验测试、电池开发等汽车研发部门提供准确的数据支撑。附图说明图1本专利技术方法的流程示意图。具体实施方式下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。参照图1，本专利技术实施例提供了一种车辆用途识别方法，其包括：步骤S1，获取多个车辆的行驶数据和充电数据，基于所获取到的行驶数据和充电数据构成原始数据集，其中，原始数据集中：一条数据包含有一个车辆的VIN码信息，以及该车辆的行驶数据和充电数据。具体的，平台通过车载终端获取多个用户在一定时间段内的行驶数据，和充电数据，进行数据获取时通过字段提取，所提取的数据字段包括：车辆行驶里程、行驶时长、充电时间、车辆状态、快慢充频次等。步骤S2，构建用于描述原始数据的特征变量，并基于所构建的特征变量将原始初始转换成待降维处理数据。步骤2，构建用于描述原始数据的特征变量，基于所构建的特征变量将原始初始转换成待降维处理数据；其中，所构建的特征变量包括：工作日日均行驶次数、休息日日日均行驶次数、日均早高峰行驶次数、日均晚高峰行驶次数、日均行驶时长、日均充电时长、工作日日均行驶时长、休息日日均行驶时长、日均早高峰行驶时长、日均晚高峰行驶时长、日均行驶里程、工作日日均行驶里程、休息日日均行驶里程、日均行程数、快充日均使用次数和慢充日均使用次数。其中，工作日日均行驶次数具体为：工作日行驶总次数/工作日总天数；休息日日均行驶次数具体为：休息日行驶总次数/休息日总天数；日均早高峰行驶次数具体为：早高峰行驶总次数/早高峰总天数；日均晚高峰行驶次数具体为：晚高峰行驶总次数/晚高峰总天数；日均行驶时长具体为：总行驶时长/对应总天数；日均充电时长具体为：总充电时长/对应总天数；工作日日均行驶时长具体为：工作日总行驶时长/工作日天数；休息日日均行驶时长具体为：休息日总行驶时长/休息日天数；日均早高峰行驶时长具体为：早高峰总时长/对应总天数；日均晚高峰行驶时长具体为：晚高峰总时长/对应总天数；日均行驶里程具体为：总行驶里程/对应总天数；工作日日均行驶里程具体为：工作日总行驶里程/工作日天数；休息日日均行驶里程具体为：休息日总行驶里程/工作日天数；日均行程数具体为：总行程数/对应总天数；快充日均使用次数具体为：快充使用总次数/对应总天数；慢充日均使用次数具体为：慢充使用总次数/对应总天数；日均充电次数具体为：总充电次数/对应总天数；日均充电电量具体为：总充电电量/对应总天数。本实施例中，建模过程中所构建的特征变量可根据实际情况进行增减。步骤S3，对待降维处理数据进行降维处理，使待降维处理数据的特征变量降维至二维。本实施例中，可以以PCA算法或T-SNE算法等对待降维数据进行降维处理。具体降维处理的方式同现有技术记载手段相同。步骤S4，使用高斯核函数k-means对待聚类数据集进行聚类，获得聚类结果（即将待聚类数据集聚类为两类聚类数据集）。具体来说，步骤S4包括将待降维数据集中的数据对象点映射到二维空间中得到待聚类数据集。...

【技术保护点】
1.一种基于车联网的车辆用途识别方法，其特征在于，包括：/n基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；其中，所获取的行驶数据包括：行驶里程、行驶时长；所获取的充电数据包括：充电时间、车辆状态、车辆的充电频次；/n构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；/n对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；/n将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K-means算法对待聚类数据集进行聚类，获得聚类数据集；/n使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；/n对预测模型进行准确率测试，获得车辆用途识别预测模型；/n使用车辆用途识别预测模型进行车辆用途识别。/n

【技术特征摘要】
1.一种基于车联网的车辆用途识别方法，其特征在于，包括：
基于所获取到的多个车辆的行驶数据和充电数据构成原始数据集；其中，所获取的行驶数据包括：行驶里程、行驶时长；所获取的充电数据包括：充电时间、车辆状态、车辆的充电频次；
构建用于描述原始数据集的特征变量，基于所构建的特征变量将原始数据集转换成待降维数据集；
对待降维数据集进行降维处理，使待降维处理数据的特征变量降维至二维；
将待降维处理数据映射到二维空间中得到待聚类数据集，再使用高斯核函数K-means算法对待聚类数据集进行聚类，获得聚类数据集；
使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型；
对预测模型进行准确率测试，获得车辆用途识别预测模型；
使用车辆用途识别预测模型进行车辆用途识别。


2.根据权利要求1所述的方法，其特征在于，使用逻辑回归模型对聚类数据集进行训练学习，获得预测模型的步骤具体为：
将聚类数据集划分为训练数据集和测试数据集；
使用训练数据集进行逻辑回归模型训练，获得训练模型；
使用测试数据集对所述训练模型进行测试，在训练模型的AUC值达到设定值，确定训练模型可信；
若训练模型的AUC值未达到设定值，则依靠训练数据集和测试数据集进行迭代求解，直至迭代求解得到的训练模型的AUC值达到设定值。


3.根据权利...

【专利技术属性】
技术研发人员：贺小栩，王贤军，刁冠通，张敏，李宗华，翟钧，
申请(专利权)人：重庆长安新能源汽车科技有限公司，
类型：发明
国别省市：重庆;50