一种车辆维修行为监测方法、设备、介质和装置制造方法及图纸

本发明专利技术公开了一种车辆维修行为监测方法、设备、介质和装置，包括以下步骤：数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；车辆维修状态生成步骤，通过对历史维修数据进行聚类生成车辆历史维修状态模型；维修区域监控步骤，根据对车辆历史维修状态模型进行计算确定维修区域，能动态监控车辆的维修状况，帮助汽车主机厂实时把握客户车辆实际的维修情况，提供车辆在其管辖的维修机构以外的维修点维修的信息，从而使得汽车主机厂能实时发现客户的回厂需求的同时更好对客户提供精确的服务。提供精确的服务。提供精确的服务。

【技术实现步骤摘要】
一种车辆维修行为监测方法、设备、介质和装置


[0001]本专利技术涉及车辆售后智能诊断
，尤其涉及一种车辆维修行为监测方法、设备、介质和装置。

技术介绍

[0002]随着国民经济的不断增长，国内汽车保有量逐年增加，2020年达到2.81亿，与此同时，售后服务的毛利占汽车经销商毛利的65％
‑
75％，汽车售后服务成为汽车主机厂(OEM)关注的焦点。
[0003]虽然售后服务有着极大的市场，而且OEM也有其主体下辖售后服务机构(专营店/4S店)，但OEM也面临极大的挑战，如客户流失率高、客户回厂意愿低等。这使得OEM，在越来越难掌握车辆在专营店以外维修点的维修行为，不利于其提高售后服务市场竞争力。针对这些问题，OEM主要通过各种活动进行回厂邀约，以提高回厂率、降低流失率、把握车辆状态。然而，由于未掌握车辆的全部维修行为，无法在准确的时间段内进行关怀邀约，一般定时对所有车主进行邀约，这不仅耗费大量时间和人力，而且邀约成功率低。因此，OEM希望能发现车辆整体的维修情况而不是仅仅是专营店中的维修信息，即需要确定车辆何时、何地、是否进行了维修，在此基础上进行特定人群的邀约，以此提高邀约成功率。
[0004]机器学习需要具有海量与分析目标相关的数据，而对于OEM，其具有大量反映车辆状态的数据。而当车辆进行维修后，其状态会发生变化，基于此挖掘出车辆是否发生了维修行为。因此，通过OEM自身的数据资源，发现车辆维修行为、确定其何时、何地、进行了维修，不仅使OEM能充分利用数据资产，且能在此基础上把握车辆的健康状态，为汽车主机厂发现客户潜在回厂需求、对客户提供精确的服务等。汽车主机厂在越来越难掌握车主车辆全部的维修情况，不利于其提高售后服务。

技术实现思路

[0005]针对现有技术中汽车主机厂由于未掌握车辆的全部维修行为，无法在准确的时间段内进行关怀邀约，一般定时对所有车主进行邀约，这不仅耗费大量时间和人力，而且邀约成功率低。本专利技术提供一种车辆维修行为监测方法、设备、介质和装置，能动态监控车辆的维修状况，帮助汽车主机厂实时把握客户车辆实际的维修情况。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]本专利技术实施例提供一种车辆维修行为监测方法，包括以下步骤：
[0008]数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对所述车辆的行驶数据、所述告警数据、所述电子地图API传输的数据与所述车辆在专营店的历史维修数据进行预处理；
[0009]车辆维修状态生成步骤，通过对历史维修数据进行聚类生成车辆历史维修状态模型；
[0010]维修区域监控步骤，根据对所述车辆历史维修状态模型进行计算确定维修区域，
通过维修区域监控模型监控车辆行驶结束后是否进入维修区域；
[0011]车辆维修行为判断步骤，利用机器学习的方法，将所述车辆历史维修状态模型输入进行训练，得到维修行为判断模型；若进入维修区域，则将进入所述维修区域的车辆数量传输至维修行为判断模型进行维修行为判断。
[0012]在本专利技术所述的车辆维修行为监测方法中，所述车辆维修状态生成步骤包括：
[0013]S1,根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合L
n
(t)＝{(lng1,lat1)1,(lng2,lat2)1…
(lng
k
,lat
k
)
m
}
t
，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；
[0014]S2、根据经纬度之间的距离公式：dis(x
i
,x
j
,y
i
,y
j
)
t
分别对步骤S1中得到的行程经纬度集合L
n
进行聚类得到各个专营店维修时间内车辆数量的聚集点C
n
(t)＝{L
n,1
,L
n,2
…
L
n,b
}
t
，其中L
n,b
表示专营店n第b个聚类簇，且L
n,b
∈L
n
；
[0015]其中经纬度之间的距离计算公式为：
[0016]dis(x
i
,x
j
,y
i
,y
j
)
t
＝R
×
arcos[cos y
i
×
cos y
j
×
cos(x
i
‑
x
j
)+sin y
i
×
sin y
j
][0017]其中，R表示地球半径，x
i
,x
j
,y
i
,y
j
分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合L
n
(t)中不同经纬度之间的距离可表示为dis(lng
i
,lat
i
,lng
j
,lat
j
)
t
；
[0018]S3、根据聚集点生成车辆历史维修状态集合，通过选取C
n
(t)中车辆数量最多的聚集点L
n,max
集合，确定聚集点L
n,max
集合为专营店维修时的车辆所在的维修区域；
[0019]S4、通过设定距离阈值来进行筛选掉少于设定的车辆数量的聚集点。
[0020]在本专利技术所述的车辆维修行为监测方法中，所述维修区域监控步骤包括：
[0021]通过计算各个专营店聚集点L
n,max
集合中每个集合中经度和维度的平均值并通过步骤S2中的距离公式，确定以为半径，为圆心的各维修点维修区域；实时判断车辆行程结束点是否在维修区域内，对进入维修区域的车辆进行维修行为判断。
[0022]在本专利技术所述的车辆维修行为监测方法中，所述维修区域监控步骤还包括；
[0023]通过判断输入的车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据是否聚类生成车辆历史维修态，若是则进行了维修行为，若没有则没有发生维修行为。
[0024]在本专利技术所述的车辆维修行为监测方法中，通过电子地图API获取到全国维修点的经纬度，并将各个维修点半径为的圆形区域作为维修区域，通过维修区域监控模型，监控车辆是否对进入维修区域，再通过维修行为判断模型判断本次行程结束后是否会进行维修。
[0025]在本专利技术所述的车辆维修行为监测方法中，所述步骤还包括模型更新维护步骤：
[0026]S51本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆维修行为监测方法，其特征在于，包括以下步骤：数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对所述车辆的行驶数据、所述告警数据、所述电子地图API传输的数据与所述车辆在专营店的历史维修数据进行预处理；车辆维修状态生成步骤，通过对所述历史维修数据进行聚类生成车辆历史维修状态模型；维修区域监控步骤，根据对所述车辆历史维修状态模型进行计算确定维修区域，通过维修区域监控模型监控车辆行驶结束后是否进入维修区域；车辆维修行为判断步骤，利用机器学习的方法，将所述车辆历史维修状态模型输入进行训练，得到维修行为判断模型；若进入所述维修区域，则将进入所述维修区域的车辆数量传输至维修行为判断模型进行维修行为判断。2.根据权利要求1所述的车辆维修行为监测方法，其特征在于，所述车辆维修状态生成步骤包括：S1、根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合L
n
(t)＝{(lng1，lat1)1，(lng2，lat2)1...(lng
k
，lat
k
)
m
}
t
，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；S2、根据经纬度之间的距离公式：dis(x
i
，x
j
，y
i
，y
j
)
t
分别对步骤S1中得到的行程经纬度集合L
n
进行聚类得到各个专营店维修时间内车辆数量的聚集点C
n
(t)＝{L
n，1
，L
n，2
...L
n，b
}
t
，其中L
n，b
表示专营店n第b个聚类簇，且L
n，b
∈L
n
；其中经纬度之间的距离计算公式为：dis(x
i
，x
j
，y
i
，y
j
)
t
＝R
×
arcos[cosy
i
×
cosy
j
×
cos(x
i
‑
x
j
)+siny
i
×
siny
j
]其中，R表示地球半径，x
i
，x
j
，y
i
，y
j
分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合L
n
(t)中不同经纬度之间的距离可表示为dis(lng
i
，lat
i
，lng
...

【专利技术属性】
技术研发人员：黎伟洋，宋云生，陆涛，周静，
申请(专利权)人：深圳联友科技有限公司，
类型：发明
国别省市：