一种车辆用途识别方法及装置与流程

1.本发明涉及新能源汽车技术领域，具体涉及一种车辆用途识别方法及装置。


背景技术：

2.不同用途（私家车、运营车）的新能源车电池全生命周期的容量衰减、内阻增加、充放电规律等表现不同。私家车、运营车的数据混杂会对电池容量、内阻等指标分析造成干扰，例如对热失控特征规律的挖掘、算法阈值的定量分析产生偏差等，造成数据分析的结果不具备实际指导意义。因此，如何对车辆的用途进行准确的识别对电池的数据分析及新能源汽车的研究发展具有重要意义。
3.当前对新能源车用途区分，主要依靠新能源车销售的信息的输入。但是，由于新能源车可能存在转售，造成营运车变私家车、私家车变营运车的用途变更，但新能源车全生命周期用途记录可能保存在不同的平台、不同的厂家，甚至无法收集新能源当前阶段的用途信息，且新能源车销售信息属于客户隐私，主机厂不会将该信息输出，无法对新能源车全生命周期用途信息形成有效的监控。因此，如何在新能源汽车的全生命周期实现用途精准识别，对新能源汽车的发展研究具有重要意义。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种车辆用途识别方法及装置，以克服现有技术中难以实现车辆全生命周期用途精准识别的问题。
5.本发明实施例提供了一种车辆用途识别方法，包括：获取待识别车辆的车辆历史使用数据；基于所述车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征；分别计算所述第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度；基于相似度，确定所述第一样本数据集中的第二样本数据集；基于所述第二样本数据集中不同用途类型车辆的占比，确定所述待识别车辆的车辆用途。
6.可选地，所述分别计算所述第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度，包括：计算所述第一车辆用途特征与当前用途类型车辆对应的当前第二车辆用途特征的距离；基于所述距离确定所述第一车辆用途特征与所述当前第二车辆用途特征的相似度。
7.可选地，所述基于相似度，确定所述第一样本数据集中的第二样本数据集，包括：基于相似度对所述第一样本数据集中不同用途类型车辆对应的第二车辆用途特征进行降序排序，确定排序列表；
基于预设筛选数量，从所述排序列表依次进行筛选构成所述第二样本数据集。
8.可选地，所述基于所述第二样本数据集中不同用途类型车辆的占比，确定所述待识别车辆的车辆用途，包括：对所述第二样本数据集中不同用途类型车辆的占比进行排序；基于最大占比的用途类型车辆，确定所述待识别车辆的车辆用途。
9.可选地，所述车辆历史使用数据包括：报文时间、累计里程、车速、充电状态、充电电流，所述第一车辆用途特征包括：预设时间内的充电频次、平均车速、快充占比以及单日行驶里程，所述基于所述车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征，包括：基于所述报文时间和所述累计里程，计算预设时间内的单日行驶里程；基于所述报文时间和所述充电状态，计算预设时间内的充电频次；基于所述报文时间和所述车速，计算预设时间内的平均车速；基于所述报文时间、所述充电状态及所述充电电流，计算预设时间内的快充占比。
10.可选地，在所述分别计算所述第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度之前，所述方法还包括：对所述第一车辆用途特征进行归一化处理。
11.可选地，在所述基于所述车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征之前，所述方法还包括：剔除所述车辆历史使用数据中的无效数据。
12.本发明实施例还提供了一种车辆用途识别装置，包括：获取模块，用于获取待识别车辆的车辆历史使用数据；第一处理模块，用于基于所述车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征；第二处理模块，用于分别计算所述第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度；第三处理模块，用于基于相似度，确定所述第一样本数据集中的第二样本数据集；第四处理模块，用于基于所述第二样本数据集中不同用途类型车辆的占比，确定所述待识别车辆的车辆用途。
13.本发明实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的方法。
14.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明实施例提供的方法。
15.本发明技术方案，具有如下优点：本发明实施例提供了一种车辆用途识别方法及装置，通过获取待识别车辆的车辆历史使用数据；基于车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征；分别计算第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度；基于相似度，确定第一样本数据集中的第二样本数据集；基于第二样本数据集中不同用途类型车辆的占比，确定待识别车辆的车辆用途。从而通过比较待识别车辆的历史使
用数据与样本数据集中的车辆用途特征的相似度进行样本数据集的筛选，并利用筛选出样本数据集中不同用途类型车辆的占比确定待识别车辆的车辆用途。从而实现了车辆不同阶段的用途识别，可将车辆全生命周期不同阶段用途数据进行细化分类，数据划分更准确和细化、保证数据分析的结果更加准确、更具有实际意义。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明实施例中的车辆用途识别方法的流程图；图2为本发明实施例中车辆用途整体识别过程示意图；图3为本发明实施例中的车辆用途识别装置的结构示意图；图4为本发明实施例中的电子设备的结构示意图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
20.当前对新能源车用途区分，主要依靠新能源车销售的信息的输入（线下文件或者数据通过接口传输）。但是，由于新能源车可能存在转售，造成营运车变私家车、私家车变营运车的用途变更，但新能源车全生命周期用途记录可能保存在不同的平台、不同的厂家，甚至无法收集新能源当前阶段的用途信息，且新能源车销售信息属于客户隐私，主机厂不会将该信息输出，无法对新能源车全生命周期用途信息形成有效的监控，并且进行人工输入或系统对接方式获取用途信息操作复杂。因此，如何在新能源汽车的全生命周期实现用途精准识别，对新能源汽车的发展研究具有重要意义。
21.基于上述问题，本发明实施例提供了一种车辆用途识别方法，如图1所示，该车辆用途识别方法具体包括如下步骤：步骤s101：获取待识别车辆的车辆历史使用数据。
22.其中，该历史使用数据为车辆从出厂开始的运行状况记录数据，本发明实施例中基于《gb/t 32960.3
‑
2016 电动汽车远程服务与管理系统技术规范》第三部分中整车数据内容，包括：车架号、报文时间、车辆状态、充电状态、车速、累计里程、总电压、总电流、soc、档位信息等，从中选择一个或多个作为车辆历史使用数据的记录参数，具体参数选择可根据识别的准确性要求及实际识别需求进行灵活的选择，本发明并不以此为限。
23.步骤s102：基于车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征。
24.其中，该第一车辆用途特征为体现或表征车辆用途的特征数据，如：运营类车辆日
均行驶里程要远大于私家车等。
25.步骤s103：分别计算第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度。
26.具体地，第一样本数据集是从若干已知车辆用途的车辆历史使用数据中提取的车辆用途特征构成的样本数据集。其中，第一车辆用途特征与各第二车辆用途特征所包含的特征项的数量及含义是一致的。
27.步骤s104：基于相似度，确定第一样本数据集中的第二样本数据集。
28.其中，第二样本数据集包含于第一样本数据集。
29.步骤s105：基于第二样本数据集中不同用途类型车辆的占比，确定待识别车辆的车辆用途。
30.具体地，当某一用途类型车辆在第二样本数据集中的占比越大，则说明待识别车辆与该用途类型车辆属于同一用途类型的可能性越大，从而确定待识别车辆的车辆用途。
31.通过执行上述步骤，本发明实施例提供的车辆用途识别方法，通过比较待识别车辆的历史使用数据与样本数据集中的车辆用途特征的相似度进行样本数据集的筛选，并利用筛选出样本数据集中不同用途类型车辆的占比确定待识别车辆的车辆用途。从而实现了车辆不同阶段的用途识别，可将车辆全生命周期不同阶段用途数据进行细化分类，数据划分更准确和细化、保证数据分析的结果更加准确、更具有实际意义。
32.需要说明的是，在本发明实施例中，是以车辆历史使用数据包括：报文时间、累计里程、车速、充电状态、充电电流，第一车辆用途特征包括：预设时间内的充电频次、平均车速、快充占比以及单日行驶里程为例进行的说明，在实际应用中，车辆历史使用数据的选取及车辆用途特征的选取可根据实际情况进行灵活的增删，本发明并不以此为限。
33.具体地，在一实施例中，在执行上述的步骤s102之前，本发明实施例提供的车辆用途识别方法还包括：步骤s106：剔除车辆历史使用数据中的无效数据。
34.具体地，可以采用对车辆历史使用数据中的无效数据进行清洗，如：清洗掉重复的信息，清洗掉为空值的数据；清洗掉离群点数据，清洗掉不在涉及范围和无意义的数据等。示例性地，将车辆历史使用数据中车速超过220km/h、电池荷电状态（soc）大于100等数据剔除。从而通过对车辆历史使用数据中的无效数据进行剔除，避免无效数据对最终车辆用途识别结果的影响，进一步保障了车辆用途识别结果的准确性。
35.具体地，在一实施例中，上述的步骤s102具体包括如下步骤：基于报文时间和累计里程，计算预设时间内的单日行驶里程；基于报文时间和充电状态，计算预设时间内的充电频次；基于报文时间和车速，计算预设时间内的平均车速；基于报文时间、充电状态及充电电流，计算预设时间内的快充占比。
36.其中，该预设时间为待识别车辆的用途识别周期，在本发明实施例中该预设时间为一周，即以一周为周期进行车辆用途识别，从而可以实现待识别车辆全生命周期车辆用途的精准识别。在实际应用中，该预设时间可以根据车辆用途识别的精度要求进行灵活的设置，本发明并不以此为限。
37.具体地，在一实施例中，在执行上述的步骤s103之前，本发明实施例提供的车辆用途识别方法还包括：
步骤s107：对第一车辆用途特征进行归一化处理。
38.具体地，在本发明实施例中以第一车辆用途特征中的各个特征项等权重为例进行说明，将所有的特征对应的特征值处理为0
‑
1之间，具体归一化过程如下：周单日行驶里程（归一化后） = 周单日行驶里程/（样本中周单日行驶里程最大值
‑
样本中周单日行驶里程最小值）；周充电频次（归一化后） = 周充电频次/（样本中周充电频次最大值
‑
样本中周充电频次最小值）；周平均车速（归一化后） =周平均车速/（样本中周平均车速最大值
‑
样本中周平均车速最小值）。
39.需要说明的是，在实际应用中，可以根据不同特征对车辆用途的影响度为各个特征赋予不同的权重，假设周单日行驶里程对车辆用途的影响度较大，则为其赋予更大的权重值，从而通过灵活设置特征权重并归一化特征的方式，便于后续进行特征相似度比对，并保障车辆用途识别结果更加符合实际，进一步提高车辆用途识别结果的准确性。并且上述归一化过程也可以将所有特征值归一化至[
‑
1，1]的区间等，本发明并不以此为限。
[0040]
具体地，在一实施例中，上述的步骤s103具体包括如下步骤：步骤s31：计算第一车辆用途特征与当前用途类型车辆对应的当前第二车辆用途特征的距离。
[0041]
步骤s32：基于距离确定第一车辆用途特征与当前第二车辆用途特征的相似度。
[0042]
具体地，在本发明实施例中距离计算采用欧式距离公式：其中，d表示两个车辆用途特征间的欧式距离，表示第一车辆用途特征中第n个特征对应的特征值，表示第二车辆用途特征中第n个特征对应的特征值，n为正整数。从而通过计算两个车辆用途特征间的欧式距离来作为二者间的相似度值，在实际应用中，也可以采用其他相似度计算公式，或距离计算公式，本发明并不以此为限。
[0043]
具体地，在一实施例中，上述的步骤s104具体包括如下步骤：步骤s41：基于相似度对第一样本数据集中不同用途类型车辆对应的第二车辆用途特征进行降序排序，确定排序列表。
[0044]
步骤s42：基于预设筛选数量，从排序列表依次进行筛选构成第二样本数据集。
[0045]
其中，预设筛选数量可以根据第一样本数据集中样本数量及车辆用途识别的精度要求进行灵活的设置，本发明并不以此为限。通过按照相似度排序的方式进行第二样本数据集的筛选，可以得出与待识别车辆相似度更高的若干样本数据，从而进一步提高车辆用途识别结果的准确性。
[0046]
具体地，在一实施例中，上述的步骤s105具体包括如下步骤：步骤s51：对第二样本数据集中不同用途类型车辆的占比进行排序。
[0047]
步骤s52：基于最大占比的用途类型车辆，确定待识别车辆的车辆用途。
[0048]
具体地，在第二样本数据集中如果某一用途类型车辆对应样本越多，说明其与待识别车辆属于同一用途类型的概率越大，从而通过比较不同用途类型车辆对应样本的占比，将占比最大的用途类型作为待识别车辆的用途，可以进一步提高车辆用途识别结果的准确性。
[0049]
进一步地，为了提高车辆用途识别结果的准确性，还可以通过判断最大的占比是否大于预设比例阈值，只有最大占比超过预设比例阈值，才确定其对应的车辆用途为该待
识别车辆的车辆用途，否则重新更换第一样本数据集，再次执行上述所有过程，直至确定待识别车辆的车辆用途。
[0050]
图2为本发明实施例中车辆用途整体识别过程示意图，详细过程参见上述实施例中相关描述，在此不再进行赘述。
[0051]
通过执行上述步骤，本发明实施例提供的车辆用途识别方法，通过比较待识别车辆的历史使用数据与样本数据集中的车辆用途特征的相似度进行样本数据集的筛选，并利用筛选出样本数据集中不同用途类型车辆的占比确定待识别车辆的车辆用途。从而实现了车辆不同阶段的用途识别，可将车辆全生命周期不同阶段用途数据进行细化分类，数据划分更准确和细化、保证数据分析的结果更加准确、更具有实际意义。
[0052]
本发明实施例还提供了一种车辆用途识别装置，如图3所示，该车辆用途识别装置包括：获取模块101，用于获取待识别车辆的车辆历史使用数据。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
[0053]
第一处理模块102，用于基于车辆历史使用数据，提取待识别车辆对应的第一车辆用途特征。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0054]
第二处理模块103，用于分别计算第一车辆用途特征与第一样本数据集中不同用途类型车辆对应的第二车辆用途特征的相似度。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
[0055]
第三处理模块104，用于基于相似度，确定第一样本数据集中的第二样本数据集。详细内容参见上述方法实施例中步骤s104的相关描述，在此不再进行赘述。
[0056]
第四处理模块105，用于基于第二样本数据集中不同用途类型车辆的占比，确定待识别车辆的车辆用途。详细内容参见上述方法实施例中步骤s105的相关描述，在此不再进行赘述。
[0057]
通过上述各个组成部分的协同合作，本发明实施例提供的车辆用途识别装置，通过比较待识别车辆的历史使用数据与样本数据集中的车辆用途特征的相似度进行样本数据集的筛选，并利用筛选出样本数据集中不同用途类型车辆的占比确定待识别车辆的车辆用途。从而实现了车辆不同阶段的用途识别，可将车辆全生命周期不同阶段用途数据进行细化分类，数据划分更准确和细化、保证数据分析的结果更加准确、更具有实际意义。
[0058]
上述各个模块的更进一步的功能描述与上述对应方法实施例相同，在此不再赘述。
[0059]
根据本发明实施例还提供了一种电子设备，如图4所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图4中以通过总线连接为例。
[0060]
处理器901可以为中央处理器（central processing unit，cpu）。处理器901还可以为其他通用处理器、数字信号处理器（digital signal processor，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field
‑
programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0061]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非
暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0062]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0063]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0064]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0065]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（read
‑
only memory，rom）、随机存储记忆体（random access memory，ram）、快闪存储器（flash memory）、硬盘（hard disk drive，缩写：hdd）或固态硬盘（solid
‑
state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0066]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。