模型验证方法、装置、设备及存储介质制造方法及图纸

本申请涉及一种模型验证方法、装置、设备及存储介质，涉及计算机技术领域。该方法包括模型验证装置根据预设故障预测模型以及目标车辆在第一历史时间段内的运行信息，确定目标车辆发生故障的故障预测时间，预设故障预测模型为基于弱监督学习训练得到的，第一历史时间段为目标车辆发生故障的故障发生时间之前的时间段。进一步的，模型验证装置根据故障预测时间以及故障发生时间，验证预设故障预测模型的准确性是否满足预设需求。由此，实现了验证通过弱监督学习训练得到的模型的准确性。通过弱监督学习训练得到的模型的准确性。通过弱监督学习训练得到的模型的准确性。

【技术实现步骤摘要】
模型验证方法、装置、设备及存储介质


[0001]本申请涉及计算机
，尤其涉及机器学习
，具体涉及一种模型验证方法、装置、设备及存储介质。

技术介绍

[0002]在汽车行业的故障预测领域，传统的汽车示波器、万用表等故障检测装备，只有在故障发生之后，才能检测到故障，且不是所有的故障都有故障码可以上报。故障类的预测问题，由于无法获得某些故障真实时间，导致传统的有监督算法则无用武之地。此时，弱监督学习就是解决此类标签不准确的最佳算法模型，然而，即便训练好了弱监督学习模型，却因没有准确的标签数据对预测结果进行验证，而导致无法确定弱监督学习模型的预测结果是否准确。

技术实现思路

[0003]本申请的目的之一在于提供一种模型验证方法、装置、设备及存储介质，用于验证通过弱监督学习训练得到的模型的准确性。
[0004]为了实现上述目的，本申请采用的技术方案如下：
[0005]根据本申请涉及的第一方面，提供一种模型验证方法，包括：模型验证装置根据预设故障预测模型以及目标车辆在第一历史时间段内的运行信息，确定目标车辆发生故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型验证方法，其特征在于，所述方法包括：根据预设故障预测模型以及目标车辆在第一历史时间段内的运行信息，确定所述目标车辆发生故障的故障预测时间，所述预设故障预测模型为基于弱监督学习训练得到的，所述第一历史时间段为所述目标车辆发生故障的故障发生时间之前的时间段；根据所述故障预测时间以及所述故障发生时间，验证所述预设故障预测模型的准确性是否满足预设需求。2.根据权利要求1所述的模型验证方法，其特征在于，所述根据所述故障预测时间以及所述故障发生时间，验证所述预设故障预测模型的准确性是否满足预设需求，包括：确定所述故障预测时间与所述故障发生时间之间的差值；在所述差值小于预设阈值的情况下，确定所述预设故障预测模型的准确性满足所述预设需求；在所述差值大于或等于所述预设阈值的情况下，确定所述预设故障预测模型的准确性不满足所述预设需求。3.根据权利要求1或2所述的模型验证方法，其特征在于，所述方法还包括：根据所述目标车辆的故障现场照片，确定所述故障现场照片的拍摄时刻；根据所述拍摄时刻确定所述故障发生时间。4.根据权利要求3所述的模型验证方法，其特征在于，所述根据所述拍摄时刻确定所述故障发生时间，包括：获取所述目标车辆在第二历史时间段内的运行信息，所述第二历史时间段为所述拍摄时刻之前的时间段；在所述第二历史时间段内的运行信息满足预设条件的情况下，将所述拍摄时刻确定所述故障发生时间。5.根据权利要求3所述的模型验证方法，其特征在于，所述故障现场照片上携带有时间水印；所述根据所述目标车辆的故障现场照片，确定所述故障现场照片的拍摄时刻，包括：基于文本识别技术识别所述时间水印，获取所述故障现场照片上的时间信息；根据所述时间信息指示的时刻，确定所述拍摄时刻。6.根据权利要求5所述的模型验证方法，其特征在于，所述根据时间信息指示的时刻，确定所述拍摄时刻，包括：在所述时间信息指示的时刻在上传时刻之前的情况下，将所述时间信息指示的时刻确定为所述拍摄时刻，所述上传时刻为救援人员在拍摄所述故障现场照片后上传系统的时刻。7.根据权利要求4所述的模型验证方法，其特征在于，在所述预设故障预测模型用于预测车辆发生亏电故障的故障预测时间的情况下，所述方法还包括：在所述第二历史时间段内的运行信息指示所述目标车辆在所述第二历史时间段内点火正常的...

【专利技术属性】
技术研发人员：杨俱成，罗咏刚，谭瑞，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：