一种车辆异常囤积识别方法、装置、车辆及存储介质与流程

1.本发明涉及车身控制技术领域，特别是涉及一种车辆异常囤积识别方法、装置、车辆及存储介质。


背景技术：

2.随着各车辆生产厂家不断的生产并出售各种品牌、各种功能、各种大小的车辆，往往会出现某个品牌或者某个型号的车辆库存增多，而某个品牌或者某个型号的车辆库存不足的情况。因此，对于车辆的生产厂家而言，如何有效的掌控车辆经销商的异常囤积状况，有针对性的进行车辆生产，是目前需要解决的问题。


技术实现要素：

3.鉴于上述经销商以客户买车为由订购车辆并进行车辆囤积，之后以二手车的形式流入市场，扰乱生产厂家的市场销售策略的问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种车辆异常囤积识别方法、装置、车辆及存储介质。
4.为了解决上述问题，一方面，本发明实施例公开了一种车辆异常囤积识别方法，包括：
5.获取车辆的销售数据和车况数据；
6.根据所述销售数据提取所述车辆的销售特征信息，根据所述车况数据提取所述车辆的车况特征信息；
7.将所述销售特征信息和所述车况特征信息输入预设的车辆检测模型进行检测，得到检测结果，其中，所述车辆检测模型用于检测车辆的异常囤积；
8.根据所述检测结果判断所述车辆是否为异常囤积车辆；
9.输出所述异常囤积车辆的信息。
10.进一步地，训练所述车辆检测模型的过程包括：
11.获取模型训练的第一训练集，所述第一训练集包括若干个车辆的销售数据和车况数据，所述第一训练集通过将所述销售特征信息和所述车况特征信息进行聚合后得到；
12.从所述车辆的销售数据和车况数据中选取识别为异常囤积的车辆，所述识别为异常囤积的车辆通过市场营销人员实地考察得到；对所述第一训练集中识别为异常囤积的车辆对应的销售特征信息和车况特征信息进行数据标记；
13.在对识别为异常囤积的车辆进行数据标记后，对所述第一训练集中未标记的车辆销售特征信息和车况特征信息进行分类，得到异常囤积分类下的全部车辆销售特征信息和车况特征信息；
14.将所述异常囤积分类下的全部车辆销售特征信息和车况特征信息作为第二训练集；
15.采用所述第二训练集训练车辆检测模型，并通过所述第一训练集中的所述车辆累
计行驶里程、所述用车时间间隔和所述车辆售出时间对所述车辆检测模型进行测试，得到训练后的预设车辆检测模型。
16.进一步地，所述第一训练集包括车辆识别码、车辆累计行驶里程、用车时间间隔、以及车辆售出时间，所述对所述第一训练集中未标记的车辆销售特征信息和车况特征信息进行分类，包括：
17.根据所述第一训练集中未标记的车辆的所述销售特征信息，获取销售时间大于预设时间间隔的车辆识别码的第一集合；
18.根据车辆的所述销售特征信息，获取车辆累计行驶里程小于预设里程的车辆识别码的第二集合；
19.从所述第一集合和所述第二集合对应的所述车况特征信息中获取与所述车辆识别码对应的车辆运行数据，所述运行数据包括所述车辆的车辆累计行驶里程、用车时间间隔、数据采集时间、以及车辆运行过程中的经纬度；
20.根据所述车辆累计行驶里程、所述用车时间间隔、所述数据采集时间、以及所述经纬度对所述车况特征信息进行分类。
21.进一步地，所述根据所述销售数据提取所述车辆的销售特征信息，包括：
22.根据车辆的所述销售数据，获取所述车辆的销售时间；
23.计算所述销售时间与当前时间的时间差；
24.将所述时间差记为车辆的已售出时间，并将所述车辆的已售出时间作为所述车辆的销售特征信息。
25.进一步地，所述根据所述车况数据提取所述车辆的车况特征信息，包括：
26.获取所述车况数据，所述车况数据包括车辆累计行驶里程、用车时间间隔均值、用车时间间隔最小值和用车时间间隔最大值；
27.对所述车况数据进行数据清洗后，根据车辆识别码对所述车况数据进行分类；
28.根据分类后的所述车况数据提取所述车辆的车况特征信息。
29.进一步地，所述根据车辆识别码对所述车况数据进行分类，包括：
30.所述车况数据包括车辆累计行驶里程数据，在根据车辆识别码对所述车辆累计行驶里程数据进行分类后，按数据采集时间升序排列所述车辆累计行驶里程数据；
31.分别计算升序排列后的相邻两个所述车辆累计行驶里程数据的第一里程差值；
32.若所述第一里程差值小于预设里程，则保留所述第一里程差值；
33.若所述第一里程差值大于或等于预设里程，则将所述第一里程差值记为零；
34.将升序排列后的所述车辆累计行驶里程最小值作为起点，重新排列所述车辆累计行驶里程数据。
35.进一步地，所述根据车辆识别码对所述车况数据进行分类，包括：
36.按车况数据采集时间升序排列所述车况数据；
37.分别计算相邻两个所述车况数据的第二时间差值；
38.若所述第二时间差值小于或等于预设时间间隔，则将所述车况数据对应的行程划分为相同行程；
39.若所述第二时间差值大于预设时间间隔，则将所述车况数据对应的行程划分为不同行程；
40.在每个不同的行程内分别计算车辆行程的开始时间。
41.进一步地，所述根据车辆识别码对所述车况数据进行分类，包括：
42.根据车辆行程开始时间升序排列所述车况数据；
43.分别计算相邻两个所述车况数据的第三时间差值；
44.根据所述第三时间差值计算所述车辆的多个用车时间间隔，所述用车时间间隔包括用车时间间隔的平均值、用车时间间隔的最小值、用车时间间隔的最大值、以及用车时间间隔的方差。
45.进一步地，所述输出所述异常囤积车辆的信息，包括：
46.若判断所述车辆为异常囤积车辆，获取所述车辆的所属城市与经销商的信息，并对识别结果进行可视化展示。
47.另一方面，本发明还提供了一种车辆异常囤积识别装置，包括：
48.车辆数据获取模块，用于获取车辆的销售数据和车况数据；
49.车辆特征信息提取模块，用于根据所述销售数据提取所述车辆的销售特征信息，根据所述车况数据提取所述车辆的车况特征信息；
50.车辆异常囤积检测模块，用于将所述销售特征信息和所述车况特征信息输入预设的车辆检测模型进行检测，得到检测结果，其中，所述车辆检测模型用于检测车辆的异常囤积；
51.车辆异常囤积判断模块，用于根据所述检测结果判断所述车辆是否为异常囤积车辆；
52.检测数据输出模块，输出所述异常囤积车辆的信息。
53.进一步地，所述车辆异常囤积检测模块包括：
54.第一训练集获取子模块，用于获取所述车辆检测模型的第一训练集，所述第一训练集包括若干个车辆的销售数据和车况数据，所述第一训练集通过将所述销售特征信息和所述车况特征信息进行聚合后得到，所述第一训练集包括车辆识别码、车辆累计行驶里程、用车时间间隔、以及车辆售出时间；
55.异常囤积车辆识别子模块，用于从所述车辆的销售数据和车况数据中选取识别为异常囤积的车辆，所述识别为异常囤积的车辆通过市场营销人员实地考察得到；
56.异常囤积车辆标记子模块，用于对所述第一训练集中识别为异常囤积的车辆对应的销售特征信息和车况特征信息进行数据标记；
57.车辆分类子模块，用于在对识别为异常囤积的车辆进行数据标记后，对所述第一训练集中未标记的车辆销售特征信息和车况特征信息进行分类，得到异常囤积分类下的全部车辆销售特征信息和车况特征信息；
58.第二训练集获取子模块，用于将所述异常囤积分类下的全部车辆销售特征信息和车况特征信息作为第二训练集；
59.车辆检测子模块，用于采用所述第二训练集训练车辆检测模型，并通过所述第一训练集中的所述车辆累计行驶里程、所述用车时间间隔和所述车辆售出时间对所述车辆检测模型进行测试，得到训练后的预设车辆检测模型。
60.进一步地，所述车辆特征信息提取模块包括：
61.销售时间获取子模块，用于根据车辆的所述销售数据，获取所述车辆的销售时间；
62.时间差计算子模块，用于计算所述销售时间与当前时间的时间差；
63.第一车辆特征信息提取子模块，用于将所述时间差记为车辆的已售出时间，并将所述车辆的已售出时间作为所述车辆的销售特征信息。
64.车况数据获取子模块，用于获取所述车况数据，所述车况数据包括车辆累计行驶里程、用车时间间隔均值、用车时间间隔最小值和用车时间间隔最大值；
65.车况数据分类子模块，用于对所述车况数据进行数据清洗后，根据车辆识别码对所述车况数据进行分类；
66.第二车辆特征信息提取子模块，用于根据分类后的所述车况数据提取所述车辆的车况特征信息。
67.进一步地，所述车况数据分类子模块包括：
68.第一车况数据分类单元，用于在根据车辆识别码对所述车辆累计行驶里程数据进行分类后，按数据采集时间升序排列所述车辆累计行驶里程数据，分别计算升序排列后的相邻两个所述车辆累计行驶里程数据的第一里程差值，若所述第一里程差值小于预设里程，则保留所述第一里程差值，若所述第一里程差值大于或等于预设里程，则将所述第一里程差值记为零，将升序排列后的所述车辆累计行驶里程最小值作为起点，重新排列所述车辆累计行驶里程数据；
69.第二车况数据分类单元，用于根据车辆识别码对所述车况数据进行分类后，按车况数据采集时间升序排列所述车况数据，分别计算相邻两个所述车况数据的第二时间差值，若所述第二时间差值小于或等于预设时间间隔，则将所述车况数据对应的行程划分为相同行程，若所述第二时间差值大于预设时间间隔，则将所述车况数据对应的行程划分为不同行程，在每个不同的行程内分别计算车辆行程的开始时间；
70.第三车况数据分类单元，用于根据车辆识别码对所述车况数据进行分类后，根据车辆行程开始时间升序排列所述车况数据，分别计算相邻两个所述车况数据的第三时间差值，根据所述第三时间差值计算所述车辆的多个用车时间间隔，所述用车时间间隔包括用车时间间隔的平均值、用车时间间隔的最小值、用车时间间隔的最大值、以及用车时间间隔的方差。
71.进一步地，所述检测数据输出模块用于若判断所述车辆为异常囤积车辆，获取所述车辆的所属城市与经销商的信息，并对识别结果进行可视化展示。
72.另一方面，本发明的实施例还提供了一种车辆，该车辆包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现该车辆异常囤积识别方法的步骤。
73.另一方面，本发明的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上存储计算机程序，所述计算机程序被处理器执行时实现该车辆异常囤积识别方法的步骤。
74.本发明实施例包括以下优点：本发明通过获取车辆的销售数据和运行数据，根据销售数据提取车辆的销售特征信息，根据运行数据提取车辆的车况特征信息，并将销售特征信息和车况特征信息输入预设车辆检测模型进行检测，得到检测结果，根据该检测结果和车辆运行数据判断车辆是否为异常囤积车辆，并输出异常囤积车辆的信息。
75.本发明实施例通过获取车辆的销售数据和车况数据，结合市场营销人员实地考察
售后车辆状况，从车辆的销售数据和车况数据中选取识别为异常囤积的车辆，并识别出异常囤积车辆的特征信息，根据该特征信息训练车辆检测模型，并采用该车辆检测模型识别市场中车辆的异常囤积状况，有效的预测车辆的实际市场需求，从而有效的调整库存，有针对性的进行车辆生产，使其更好的适应并满足市场需求，保障厂家自身的利益。
附图说明
76.图1为本发明实施例提供的一种车辆异常囤积识别方法的的步骤流程图；
77.图2为本发明实施例提供的一种训练车辆检测模型的流程示意图；
78.图3为本发明实施例提供的一种车辆异常囤积识别过程的示意图；
79.图4为本发明实施例提供的一种车辆异常囤积识别装置的结构框图。
具体实施方式
80.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
81.坦克300是长城汽车旗下wey品牌基于长城汽车智能专业越野平台打造的越野suv，部分经销商以客户买车为由订购车辆，在车辆到手后以二手车的形式流入市场，扰乱坦克300的市场销售策略。为了识别出这些异常囤积的坦克300车辆与经销商，大数据平台部基于坦克300的车联网数据，识别出了坦克300异常囤积车辆特征，并基于该特征设计出了一套坦克300异常囤积的识别方法与系统，用于指导市场营销部门发现坦克300的异常囤积行为，改善坦克300的市场营销环境。
82.图1为本发明实施例提供的一种车辆异常囤积识别方法的步骤流程图，该方法包括以下步骤：
83.步骤101、获取车辆的销售数据和车况数据；
84.于本发明的实施例中，车辆上设置有车载终端，车载终端联网后，每隔一定预设时间间隔，获取对应车辆的车况数据，并将车况数据通过无线网络上传至云端服务器。上述预设时间间隔可以为30秒或60秒，用户可根据实际需求设定，本技术对此不作限定。在车辆出厂时，将车辆的销售数据上传至车联网，便于厂家进行后台维护。其中，车辆的销售数据和车况数据包括但不限于车辆的经销商、车辆品牌、驱动类型、车辆类型、销售价格、车架号信息、注册省、位置数据、车辆行驶速度、车辆的首次运行时间等信息。
85.步骤102、根据所述销售数据提取所述车辆的销售特征信息，根据所述车况数据提取所述车辆的车况特征信息；
86.其中，根据销售数据提取车辆的销售特征信息的过程包括：根据车辆的销售数据获取车辆的销售时间，计算销售时间与当前时间的时间差，将该时间差记为车辆的已售出时间，将车辆的已售出时间作为车辆的销售特征信息。
87.根据车况数据提取车辆的车况特征信息的过程包括：获取车况数据，该车况数据包括车辆累计行驶里程、用车时间间隔均值、用车时间间隔最小值和用车时间间隔最大值，对车况数据进行数据清洗后，根据车辆识别码对所述车况数据进行分类，根据分类后的车况数据提取车辆的车况特征信息。
88.步骤103、将所述销售特征信息和所述车况特征信息输入预设车辆检测模型进行检测，得到检测结果，其中，所述车辆检测模型用于检测车辆的异常囤积；
89.图2为本发明实施例提供的一种训练车辆检测模型的流程示意图。于本实施例中，训练车辆检测模型的过程包括：1、获取车辆检测模型的第一训练集，该第一训练集包括若干个车辆的销售数据和车况数据，第一训练集通过将销售特征信息和车况特征信息进行聚合后得到，第一训练集包括车辆识别码、车辆累计行驶里程、用车时间间隔、以及车辆售出时间；2、从车辆的销售数据和车况数据中选取识别为异常囤积的车辆，识别为异常囤积的车辆通过市场营销人员实地考察得到；3、对第一训练集中识别为异常囤积的车辆对应的销售特征信息和车况特征信息进行数据标记；4、在对识别为异常囤积的车辆进行数据标记后，采用knn方法(最邻近规则分类，k-nearest-neighbors)对第一训练集中未标记的车辆销售特征信息和车况特征信息进行分类，提取其聚类的中心点值作为模型特征，如果未标记的车辆销售特征信息和车况特征信息与上述模型特征相同或相近，就将其标记为异常囤积，得到异常囤积分类下的全部车辆销售特征信息和车况特征信息；5、将异常囤积分类下的全部车辆销售特征信息和车况特征信息作为第二训练集；6、采用第二训练集训练车辆检测模型，并通过第一训练集中的车辆累计行驶里程、用车时间间隔和车辆售出时间对车辆检测模型进行测试，得到训练后的预设车辆检测模型。本发明实施例通过获取车辆的销售数据和车况数据，结合市场营销人员实地考察售后车辆状况，获取车辆检测模型的第一训练集，对第一训练集中识别为异常囤积的车辆对应的销售特征信息和车况特征信息进行数据标记，采用knn方法对车辆销售特征信息和车况特征信息进行分类，提取其聚类的中心点值作为模型特征，根据该特征信息训练车辆检测模型，并采用该车辆检测模型识别市场中车辆的异常囤积状况。
90.于本实施例中，申请人采用车辆坦克300进行车辆检测模型的测试，针对所有识别出的异常囤积坦克300车辆使用主元分析方法进行特征重要性排序，筛选出的对车辆检测模型影响最为重要的特征，分别为用车时间间隔均值、车辆已售出时间和车辆累计行驶里程。在采用knn方法训练车辆检测模型的过程中，使用用车时间间隔均值、车辆已售出时间和车辆累计行驶里程进行模型训练，能使得车辆检测模型更好的识别异常囤积的坦克300车辆。
91.步骤104、根据所述检测结果判断所述车辆是否为异常囤积车辆；
92.步骤105、输出所述异常囤积车辆的信息；
93.图3为本发明实施例提供的一种车辆异常囤积识别过程的示意图，云端服务器获取车辆的销售数据和车况数据，根据车辆检测模型进行检测，判断车辆是否为异常囤积车辆，若判断车辆不是异常囤积车辆，将数据保存在云端服务器中，若判断车辆为异常囤积车辆，输出异常囤积车辆的信息。
94.本发明实施例通过获取车辆的销售数据和运行数据，根据销售数据提取车辆的销售特征信息，根据运行数据提取车辆的车况特征信息，并将销售特征信息和车况特征信息输入预设车辆检测模型进行检测，得到检测结果，根据该检测结果判断车辆是否为异常囤积车辆，并输出异常囤积车辆的信息。
95.在一种可选的实施例中，对车况数据进行数据清洗的过程可以包括：过滤车况数据和运行数据中的错误数据；修正运行数据中偏移的位置数据；按照时间维度修正运行数
据中的补传数据；确定车辆的首次运行时间；补全车辆的注册省、车辆品牌、驱动类型、车辆类型及车架号信息。其中，过滤运行数据中的错误数据、例如位置信息错误、行驶速度错误；修正运行数据中偏移的位置数据，具体为通过傅立叶滤波等方法将偏移的位置数据进行修正。通过对车况数据进行数据清洗，使得获取到的车辆销售特征信息和车况特征信息更加精确，采用数据清洗后的车辆销售特征信息和车况特征信息进行检测，可以使得检测结果更加准确。
96.在一种可选的实施例中，以长城汽车旗下的车辆坦克300为例，车机移动端采集坦克300的运行数据上传至tsp云平台，tsp云平台将车辆的销售数据和运行数据进行数据清洗后，上传至大数据平台，结合坦克300的车辆检测模型与坦克300的销售数据，提取疑似囤积的车辆信息和与其对应的经销商信息，并将结果传送至大屏进行展示。具体的实现过程如下：1、基于坦克300的销售数据，筛选已售出时间大于2个月的坦克300车辆信息，记录满足条件的车辆识别码(vin码)；2、从售出时间大于2个月的坦克300车辆中，筛选最近的累计行驶里程小于1000km的车辆信息，记录满足的条件的vin码；3、在满足上述条件的车辆中，筛选出车辆近半年的运行数据，根据所述车辆累计行驶里程、所述用车时间间隔、所述数据采集时间、以及所述经纬度对所述车况特征信息进行分类，并在每个类别中按数据采集时间升序排列，计算相邻两个车况运行数据的差值，当该差值大于15分钟时，记为一个行程，构建一个行程编号；4、按vin码和行程编号，对车辆运行数据分类汇总，在每辆车的每个行程内，提取行程开始时间、行程结束时间和行程结束位置的经纬度的信息；5、针对行程数据，按vin码分类，按行程开始时间升序排列，将行程开始时间向下做差，当当前行程开始时间与上一次行程开始时间的差值大于3天时，记录vin、当前行程的开始时间、上次行程结束的经纬度，通过高德api接口将经纬度信息转换成具体的省份、市、详细地址信息，作为疑似异常囤积的车辆信息；6、若判断所述车辆为异常囤积车辆，通过销售系统获取该车辆的所属城市与经销商的信息，并对识别结果进行可视化展示。本发明实施例通过获取坦克300的销售数据和运行数据，从售出时间大于2个月的坦克300车辆中，筛选最近的累计行驶里程小于1000km的车辆信息，记录满足的条件的车辆识别码，根据筛选出的车辆提取其近半年的运行数据，根据车辆累计行驶里程、用车时间间隔、数据采集时间、以及经纬度对车况特征信息进行分类，得到车辆检测模型，并采用该车辆检测模型识别市场中坦克300的异常囤积状况，从而有效的预测车辆的实际市场需求，并相应的调整库存，有针对性的进行车辆生产，使其更好的适应并满足市场需求，保障厂家自身的利益。
97.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
98.为了实现上述车辆异常囤积识别方法，本发明实施例还提供了一种车辆异常囤积识别装置，图4为本发明实施例提供的一种车辆异常囤积识别装置的结构框图，所述装置包括：
99.车辆数据获取模块401，用于获取车辆的销售数据和车况数据；
100.车辆特征信息提取模块402，用于根据所述销售数据提取所述车辆的销售特征信
息，根据所述车况数据提取所述车辆的车况特征信息；
101.车辆异常囤积检测模块403，用于将所述销售特征信息和所述车况特征信息输入预设车辆检测模型进行检测，得到检测结果，其中，所述车辆检测模型用于检测车辆的异常囤积；
102.车辆异常囤积判断模块404，用于根据所述检测结果判断所述车辆是否为异常囤积车辆；
103.检测数据输出模块405，输出所述异常囤积车辆的信息。
104.在一种可选的实施例中，所述车辆异常囤积检测模块403可以包括：
105.第一训练集获取子模块，用于获取所述车辆检测模型的第一训练集，所述第一训练集包括若干个车辆的销售数据和车况数据，所述第一训练集通过将所述销售特征信息和所述车况特征信息进行聚合后得到，所述第一训练集包括车辆识别码、车辆累计行驶里程、用车时间间隔、以及车辆售出时间；
106.异常囤积车辆识别子模块，用于从所述车辆的销售数据和车况数据中选取识别为异常囤积的车辆，所述识别为异常囤积的车辆通过市场营销人员实地考察得到；
107.异常囤积车辆标记子模块，用于对所述第一训练集中识别为异常囤积的车辆对应的销售特征信息和车况特征信息进行数据标记；
108.车辆分类子模块，用于在对识别为异常囤积的车辆进行数据标记后，对所述第一训练集中未标记的车辆销售特征信息和车况特征信息进行分类，得到异常囤积分类下的全部车辆销售特征信息和车况特征信息；
109.第二训练集获取子模块，用于将所述异常囤积分类下的全部车辆销售特征信息和车况特征信息作为第二训练集；
110.车辆检测子模块，用于采用所述第二训练集训练车辆检测模型，并通过所述第一训练集中的所述车辆累计行驶里程、所述用车时间间隔和所述车辆售出时间对所述车辆检测模型进行测试，得到训练后的预设车辆检测模型。
111.在一种可选的实施例中，所述车辆特征信息提取模块402可以包括：
112.销售时间获取子模块，用于根据车辆的所述销售数据，获取所述车辆的销售时间；
113.时间差计算子模块，用于计算所述销售时间与当前时间的时间差；
114.第一车辆特征信息提取子模块，用于将所述时间差记为车辆的已售出时间，并将所述车辆的已售出时间作为所述车辆的销售特征信息。
115.车况数据获取子模块，用于获取所述车况数据，所述车况数据包括车辆累计行驶里程、用车时间间隔均值、用车时间间隔最小值和用车时间间隔最大值；
116.车况数据分类子模块，用于对所述车况数据进行数据清洗后，根据车辆识别码对所述车况数据进行分类；
117.第二车辆特征信息提取子模块，用于根据分类后的所述车况数据提取所述车辆的车况特征信息。
118.在一种可选的实施例中，所述车况数据分类子模块包括：
119.第一车况数据分类单元，用于在根据车辆识别码对所述车辆累计行驶里程数据进行分类后，按数据采集时间升序排列所述车辆累计行驶里程数据，分别计算升序排列后的相邻两个所述车辆累计行驶里程数据的第一里程差值，若所述第一里程差值小于预设里
程，则保留所述第一里程差值，若所述第一里程差值大于或等于预设里程，则将所述第一里程差值记为零，将升序排列后的所述车辆累计行驶里程最小值作为起点，重新排列所述车辆累计行驶里程数据；
120.第二车况数据分类单元，用于根据车辆识别码对所述车况数据进行分类后，按车况数据采集时间升序排列所述车况数据，分别计算相邻两个所述车况数据的第二时间差值，若所述第二时间差值小于或等于预设时间间隔，则将所述车况数据对应的行程划分为相同行程，若所述第二时间差值大于预设时间间隔，则将所述车况数据对应的行程划分为不同行程，在每个不同的行程内分别计算车辆行程的开始时间；
121.第三车况数据分类单元，用于根据车辆识别码对所述车况数据进行分类后，根据车辆行程开始时间升序排列所述车况数据，分别计算相邻两个所述车况数据的第三时间差值，根据所述第三时间差值计算所述车辆的多个用车时间间隔，所述用车时间间隔包括用车时间间隔的平均值、用车时间间隔的最小值、用车时间间隔的最大值、以及用车时间间隔的方差。
122.在一种可选的实施例中，所述检测数据输出模块用于若判断所述车辆为异常囤积车辆，获取所述车辆的所属城市与经销商的信息，并对识别结果进行可视化展示。
123.本发明实施例包括以下优点：本发明通过获取车辆的销售数据和车况数据，根据销售数据提取车辆的销售特征信息，根据车况数据提取车辆的车况特征信息，并将销售特征信息和车况特征信息输入预设车辆检测模型进行检测，得到检测结果，根据该检测结果和车辆运行数据判断车辆是否为异常囤积车辆，并输出异常囤积车辆的信息。本发明的有益效果包括：基于车辆的车联网数据，识别出异常囤积车辆的特征信息，并根据该特征信息训练车辆检测模型，并采用该车辆检测模型识别市场中车辆的异常囤积状况，有效的预测车辆的实际市场需求，从而有效的调整库存，有针对性的进行车辆生产，使其更好的适应并满足市场需求，保障厂家自身的利益。
124.本发明实施例还提供了一种车辆，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述车辆异常囤积识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
125.本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述车辆异常囤积识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
126.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
127.本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
128.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些
计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
129.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
130.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
131.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
132.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
133.以上对本发明所提供的一种车辆异常囤积识别方法和一种车辆异常囤积识别装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。