本发明属于车辆保养分析,特别涉及一种基于车辆历史里程数据预估当前车辆公里数的方法。
背景技术:
1、随着科技的飞速发展,汽车行业逐步进入智能化、数字化时代。车辆里程数作为衡量车辆使用情况、评估车辆价值以及确定车辆维修保养周期的重要依据,对于车主、汽车制造商以及相关的服务提供商来说都至关重要。然而,传统的车辆里程数记录方式往往依赖于车辆内置的里程表,这种方式不仅容易受到人为篡改的影响,而且一旦里程表损坏或数据丢失,将无法准确获取车辆的行驶里程。
2、国内目前没有知名的、使用率高的,基于车辆维保历史里程数据预估当前车辆公里数的方法。已有的车辆的历史里程数据获取手段不全面,且缺少对历史里程数据的分析利用技术,仅通过车龄,车辆用途等做当前车辆公里数的大致预估导致预估的精度与准确性都偏低。具体而言,现有的里程数预估方法往往基于简单的数学模型或经验公式,无法充分考虑车辆的实际使用情况和行驶习惯。因此,这些方法的预估精度往往较低,无法满足高精度、高可靠性的需求。而且,传统的里程数记录方式主要聚焦于车辆当前的行驶里程,而对于车辆历史行驶数据的收集、整理和利用则显得相对薄弱。然而,这些历史数据实际上蕴含着丰富的信息,对于深入理解车辆的行驶习惯、评估车辆当前状态以及预测未来行驶里程具有重要意义。由于缺乏对历史数据的全面收集和分析,现有的预估方法往往无法充分利用这些宝贵的信息资源。这不仅限制了预估方法的准确性和可靠性,也阻碍了我们对车辆行驶规律的深入探索。因此,如何有效整合和利用车辆历史行驶数据,成为提高里程数预估精度的关键所在。
3、综上所述,现有的里程数预估方法在预估精度和历史数据利用方面均存在明显的不足。
技术实现思路
1、为了解决上述问题,本发明提出了一种基于车辆历史里程数据预估当前车辆公里数的方法,该方法能够充分考虑车辆实际使用情况和行驶环境,同时充分利用车辆历史行驶数据,实现对车辆行驶里程的精准预测。
2、本发明提供的基于车辆历史里程数据预估当前车辆公里数的方法,包括步骤:
3、1、将车辆里程数据标准化为车辆里程数组mileagelist;
4、2、分析里程数据分布;
5、3、基于全部里程数据分析计算预期公里数;
6、4、基于近期里程数据分析计算第一预期公里数;
7、5、计算当前车辆公里数预估值,
8、其中,
9、所述步骤2包括步骤:
10、2a、以当前时间至一年前即近一年为近期,当所述为车辆里程数组mileagelist近一年内的数据中存在两条以上数据时开始分析近期里程权重;
11、2b、对所述车辆里程数据组mileagelist执行遍历操作:对其中数据的字段值drivedays赋值;
12、2c、确认所述车辆里程数据组mileagelist中是否存在相邻的日期不同但里程数相同的车辆里程数据a,若存在,则确定在所述的相邻的日期期间车辆停置,并对所述相邻的日期不同但里程数相同的车辆里程数据a的字段值drivedays做出相应调整。
13、进一步,
14、所述车辆里程数组mileagelist中包含多条数据结构相同的所述车辆里程数据a,
15、所述车辆里程数据a的数据结构包括三个字段:
16、第一字段的名称为里程数,其字段值为mile,其含义为里程数值,其类型为int即整数;
17、第二字段的名称为日期,其字段值为date,其含义为所述车辆里程数据a的记录日期,其类型为日期类型;
18、第三字段的名称为已行驶天数,其字段值为所述drivedays,其含义为以第一次里程数据的日期为起始的已行驶天数,其类型为int。
19、进一步,
20、对于所述车辆里程数组mileagelist,需要进行下面的后处理,包括步骤:
21、去除无效数据,所述无效数据为字段值mile小于等于0及字段值date为空的数据;
22、将所述车辆里程数据组mileagelist中各所述车辆里程数据a按照日期增序排序,其中,日期为同一天的所述车辆里程数据a随机紧邻排列;
23、修正异常数据,针对特殊异常里程进行处理,即修复日期为同一天的紧邻的所述车辆里程数据a中手误输入的里程数,所述修复是修复为日期为同一天的紧邻的车辆里程数据a中正确的里程数;
24、合并同日期数据,同日期的数据比较后,留存最大的里程数值。
25、进一步,
26、完成所述后处理后,判断所述车辆里程数据组mileagelist的数据中是否存在调表里程:比较所述车辆里程数据组mileagelist中日期相邻的两条车辆里程数据a3和a4的数据,若前一条所述车辆里程数据a3的里程数值大于后一条所述车辆里程数据a4的里程数值,则前一条所述车辆里程数据a3的数据中存储的是所述调表里程,存储所述调表里程的车辆里程数据a3不用于计算预估公里数。
27、进一步,
28、在所述步骤2a中,记近期内的所述车辆里程数据a构成的数据集为近期车辆里程数组recentmileagelist,记所述近期里程权重为weight,其取值范围:0-1,weight满足如下计算方式:
29、记times为近期内所述车辆里程数据a的数量,avgspanmile为近期内平均里程差,lastspan为最近一条所述车辆里程数据a的日期距离当前时间的天数,且设recentmileagelist中的最大公里数是maxmile,最小公里数是minmile,recentmileagelist中车辆里程数据a的数量为count,则有avgspanmile=(maxmile-minmile)/(count-1),
30、当times<=2且lastspan>365时:weight=0;
31、反之:
32、设临时变量temp满足:
33、temp=27.8×times×times-0.008×avgspanmile 0.56×lastspan,
34、当temp>=1000时,weight=1;
35、当temp<=0时,weight=0;
36、当0<temp<1000,weight=sin(π×temp/2000)。
37、进一步,
38、在所述步骤2b中,进行所述赋值时,取值为遍历的各所述车辆里程数据a与首条所述车辆里程数据a的日期差对应的天数。
39、进一步,
40、在所述步骤2c中,进行所述调整时,将所述相邻的日期不同但里程数相同的车辆里程数据a的字段值drivedays均调整为:所述相邻的车辆里程数据a中日期为车辆停置起始日期的车辆里程数据a中的字段值drivedays,后续的所述车辆里程数据a的字段值drivedays也减去停置天数。
41、进一步,
42、在所述步骤3中,依据所述步骤2处理得到的所述车辆里程数据组mileagelist、记为mileagelist1,分析计算所述预期公里数,包括步骤:
43、3a、取所述车辆里程数据组mileagelist1的第一个车辆里程数据记为firstmile,取最后一个车辆里程数据记为lastmile;
44、3b、计算当前日期与所述车辆里程数据lastmile的date的差值span、单位为天,并记所述车辆里程数据lastmile的drivedays为lastmile.drivedays,记当前日期对应的行驶天数为curdrivedays,则curdrivedays满足curdrivedays=lastmile.drivedays+span;
45、3c、以所述车辆里程数据组mileagelist1中各车辆里程数据的drivedays为自变量,mile为因变量,每个所述车辆里程数据对应一个二维直角坐标系的一个散点(mile,drivedays),基于所有所述车辆里程数据对应的散点进行线性方程拟合,计算得到线性方程的两个常数a,b,从而得到拟合后方程:mile=a×drivedays+b,
46、记当前日期预期公里数为curmile,则curmile=a×curdrivedays+b。
47、进一步,
48、在所述步骤4中,对于所述近期车辆里程数组recentmileagelist,若近期里程权重weight>0,则采用所述近期车辆里程数组recentmileagelist替换所述车辆里程数据组mileagelist1执行所述步骤3,最终计算得到第一预期公里数,记为curmilerec。
49、进一步,
50、在所述步骤5中,记当前车辆公里数预估值为expectmile,若近期里程权重weight>0,则expectmile=curmilerec×weight+(1-weight)×curmile,
51、否则,expectmile=curmile。
52、本发明提供的基于车辆历史里程数据预估当前车辆公里数的方法,通过深度挖掘车辆历史里程数据,结合先进的算法模型,实现了对车辆当前行驶里程的精准预估,相较于传统的基于简单数学模型或经验公式的预估方法,本发明能够更全面地考虑车辆实际使用情况和行驶环境,从而大大提高了预估精度,这种高精度预估不仅有助于车主更准确地了解车辆行驶状况,还能为车辆维修保养提供更为科学的依据;充分重视并利用了车辆历史行驶数据,通过对这些数据的收集、整理和分析,本发明能够更深入地了解车辆的行驶习惯、使用状况以及性能变化,这种全面利用历史数据的方式,使得本发明的预估结果更加准确可靠,同时也为车辆管理和维护提供了更为丰富的信息支持;具有良好的适应性和灵活性,能够适应不同车型、不同驾驶习惯以及不同路况下的预估需求,无论是私家车还是商用车,无论是城市道路还是高速公路,本发明都能提供准确可靠的预估结果。此外,本发明还可以根据用户需求进行个性化设置,以满足不同用户的特殊需求。
53、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。