电动车的使用风险检测方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及一种电动车的使用风险检测方法及装置。

背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.随着共享经济的发展，共享电动车已经成为人们出行的方式之一。共享电动车的租赁行为多基于互联网而进行，但对于车辆本身存在的各类故障和风险，共享电动车服务提供商往往不能及时发现，易存在安全隐患，给用户带来使用风险。
4.针对上述问题，目前尚未提出有效的解决方案。

技术实现要素：

5.本发明实施例提供一种电动车的使用风险检测方法，用以及时对电动车的使用风险进行检测，提高电动车的安全性，降低用户使用风险，该方法包括：
6.获取待检测电动车的行驶信息和电池性能信息；
7.将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；
8.在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。
9.本发明实施例还提供一种电动车的使用风险检测装置，用以及时对电动车的使用风险进行检测，提高电动车的安全性，降低用户使用风险，该装置包括：
10.获取模块，用于获取待检测电动车的行驶信息和电池性能信息；
11.使用风险检测模块，用于将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；
12.预警模块，用于在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。
13.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电动车的使用风险检测方法。
14.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电动车的使用风险检测方法。
15.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电动车的使用风险检测方法。
16.本发明实施例中，获取待检测电动车的行驶信息和电池性能信息；将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示，可以及时对电动车的使用风险进行检测，提高电动车的安全性，降低用户使用风险。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
18.图1为本发明实施例中电动车的使用风险检测方法的处理流程图；
19.图2为本发明实施例中使用风险检测模型的训练与测试过程的方法流程图；
20.图3为本发明实施例中电动车的使用风险检测装置的结构示意图；
21.图4为本发明实施例中电动车的使用风险检测装置的一具体实例结构示意图；
22.图5为本发明一实施例的计算机设备结构示意图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
24.首先，对本发明实施例中的技术名词进行介绍：
25.xgboost算法：xgboost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。xgboost(extreme gradient boosting)是基于boosting框架的一个算法工具包(包括工程实现)，在并行计算效率、缺失值处理、预测性能上都非常强大。xgboost提供并行树提升(也称为gbdt，gbm)，可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(hadoop，sge，mpi)上运行，并且可以解决数十亿个示例之外的问题。
26.发明人发现，共享电动车的租赁越来越普遍，由于不同用户的车辆使用情况不同，对于车辆本身存在的各类故障和风险，共享电动车服务提供商往往不能及时发现，易存在安全隐患，给用户带来使用风险。因此，发明人提出一种电动车的使用风险检测方法解决这类问题。
27.图1为本发明实施例中电动车的使用风险检测方法的处理流程图。如图1所示，本发明实施例中电动车的使用风险检测方法可以包括：
28.步骤101、获取待检测电动车的行驶信息和电池性能信息；
29.步骤102、将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输
出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；
30.步骤103、在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。
31.下面介绍本发明实施例中电动车的使用风险检测方法的具体执行步骤：
32.首先获取待检测电动车的行驶信息和电池性能信息，然后可以将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点。
33.在一个实施例中，在将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型之前，还包括：过滤待检测电动车的行驶信息和电池性能信息中的干扰信息。
34.具体实施时，待检测电动车的行驶信息和电池性能信息中可能包含一些干扰信息，例如系统差错信息、无关信息等，因此需要过滤掉该些信息以免影响检测结果。
35.在一个实施例中，所述行驶信息包括以下信息的其中之一或任意组合：行驶里程数、平均行驶速度、最大行驶速度；所述电池性能信息包括以下信息的其中之一或任意组合：电池存储电量信息、电池耗电速率信息、电池充电速率信息。
36.具体实施时，根据待检测电动车的行驶里程信息和行驶速度信息，可以判断待检测电动车车辆本身的损耗情况，有助于计算待检测电动车的使用寿命，以及预估待检测电动车车辆本身可能发生故障的位置；根据待检测电动车的电池存储能力和充放电能力，可以判断待检测电动车电池的使用寿命，以及待检测电动车电池可能发生故障的位置。
37.图2为本发明实施例中使用风险检测模型的训练与测试过程的方法流程图。如图2所示，在一个实施例中，所述使用风险检测模型的训练与测试过程包括：
38.步骤201、将不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点作为样本数据，构建训练集和测试集；
39.步骤202、利用训练集对机器学习模型进行训练，得到所述使用风险检测模型；
40.步骤203、利用测试集对所述使用风险检测模型进行测试。
41.在一个实施例中，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型，包括：采用xgboost算法，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型。
42.采用xgboost算法，利用训练集对机器学习模型进行训练具有以下优势：
43.(1)正则化项防止过拟合；
44.(2)xgboost不仅使用到了一阶导数，还使用二阶导数，损失更精确，还可以自定义损失；
45.(3)xgboost的并行优化，xgboost的并行是在特征粒度上的；
46.(4)考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，能大大提升算法的效率；
47.(5)支持列抽样，不仅能降低过拟合，还能减少计算；
48.(6)高效可扩展，在处理大规模数据集时速度快效果好，对内存等硬件资源要求不高；
49.(7)鲁棒性强，相对于深度学习模型不需要精细调参便能取得接近的效果。
50.具体实施时，在使用风险检测模型输出待检测电动车的使用风险检测结果之后，若使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示，可以提醒用户该电动车行驶过程中可能出现的风险，有利于用户提前做好应对措施或选择使用其他交通工具出行，以免发生事故，确保用户的安全；此外，对于例如共享电动车等租赁类的交通工具，还可以提醒对应的服务商对发出预警提示的车辆及时进行回收或维修，以便改善用户体验，提高安全服务。
51.本发明实施例中还提供了一种电动车的使用风险检测装置，如下面的实施例所述。由于该装置解决问题的原理与电动车的使用风险检测方法相似，因此该装置的实施可以参见电动车的使用风险检测方法的实施，重复之处不再赘述。
52.图3为本发明实施例中电动车的使用风险检测装置的结构示意图。如图3所示，本发明实施例中电动车的使用风险检测装置具体可以包括：
53.获取模块301，用于获取待检测电动车的行驶信息和电池性能信息；
54.使用风险检测模块302，用于将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；
55.预警模块303，用于在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。
56.图4为本发明实施例中电动车的使用风险检测装置的一具体实例结构示意图。如图4所示，在实施例中，图3所示的电动车的使用风险检测装置还可以包括：
57.过滤模块401，用于在使用风险检测模块302将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型之前：
58.过滤待检测电动车的行驶信息和电池性能信息中的干扰信息。
59.在一个实施例中，所述行驶信息包括以下信息的其中之一或任意组合：
60.行驶里程数、平均行驶速度、最大行驶速度；
61.所述电池性能信息包括以下信息的其中之一或任意组合：
62.电池存储电量信息、电池耗电速率信息、电池充电速率信息。
63.在一个实施例中，所述使用风险检测模型的训练与测试过程包括：
64.构建模块，用于将不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点作为样本数据，构建训练集和测试集；
65.训练模块，用于利用训练集对机器学习模型进行训练，得到所述使用风险检测模型；
66.测试模块，用于利用测试集对所述使用风险检测模型进行测试。
67.在一个实施例中，训练模块具体用于：
68.采用xgboost算法，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型。
69.基于前述发明构思，如图5所示，本发明还提出了一种计算机设备500，包括存储器
510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现前述电动车的使用风险检测方法。
70.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电动车的使用风险检测方法。
71.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电动车的使用风险检测方法。
72.综上所述，本发明实施例中，获取待检测电动车的行驶信息和电池性能信息；将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示，可以及时对电动车的使用风险进行检测，提高电动车的安全性，降低用户使用风险。
73.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、系统、或计算机程序产品。因此，本发明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。
74.本发明是参照根据本发明实施例的方法、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。
75.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。
76.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设备上，使得在计算机或其他可编程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。
77.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种电动车的使用风险检测方法，其特征在于，包括：获取待检测电动车的行驶信息和电池性能信息；将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。2.如权利要求1所述的方法，其特征在于，在将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型之前，还包括：过滤待检测电动车的行驶信息和电池性能信息中的干扰信息。3.如权利要求1所述的方法，其特征在于，所述行驶信息包括以下信息的其中之一或任意组合：行驶里程数、平均行驶速度、最大行驶速度；所述电池性能信息包括以下信息的其中之一或任意组合：电池存储电量信息、电池耗电速率信息、电池充电速率信息。4.如权利要求1所述的方法，其特征在于，所述使用风险检测模型的训练与测试过程包括：将不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点作为样本数据，构建训练集和测试集；利用训练集对机器学习模型进行训练，得到所述使用风险检测模型；利用测试集对所述使用风险检测模型进行测试。5.如权利要求1所述的方法，其特征在于，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型，包括：采用xgboost算法，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型。6.一种电动车的使用风险检测装置，其特征在于，包括：获取模块，用于获取待检测电动车的行驶信息和电池性能信息；使用风险检测模块，用于将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；预警模块，用于在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示。7.如权利要求6所述的装置，其特征在于，还包括过滤模块，用于在使用风险检测模块将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型之前：过滤待检测电动车的行驶信息和电池性能信息中的干扰信息。8.如权利要求6所述的装置，其特征在于，所述行驶信息包括以下信息的其中之一或任意组合：
行驶里程数、平均行驶速度、最大行驶速度；所述电池性能信息包括以下信息的其中之一或任意组合：电池存储电量信息、电池耗电速率信息、电池充电速率信息。9.如权利要求6所述的装置，其特征在于，所述使用风险检测模型的训练与测试过程包括：构建模块，用于将不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点作为样本数据，构建训练集和测试集；训练模块，用于利用训练集对机器学习模型进行训练，得到所述使用风险检测模型；测试模块，用于利用测试集对所述使用风险检测模型进行测试。10.如权利要求9所述的装置，其特征在于，训练模块具体用于：采用xgboost算法，利用训练集对机器学习模型进行训练，得到所述使用风险检测模型。11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。

技术总结

本发明公开了一种电动车的使用风险检测方法及装置，涉及人工智能技术领域，其中该方法包括：获取待检测电动车的行驶信息和电池性能信息；将待检测电动车的行驶信息和电池性能信息输入使用风险检测模型，输出待检测电动车的使用风险检测结果，其中使用风险检测结果表征了待检测电动车的使用寿命和潜在故障发生点，所述使用风险检测模型是根据不同类型电动车历史的：行驶信息和电池性能信息，以及实际的使用寿命和故障发生点，对机器学习模型训练得到的；在使用风险检测结果显示待检测电动车存在使用风险时，发出预警提示，可以及时对电动车的使用风险进行检测，提高电动车的安全性，降低用户使用风险。降低用户使用风险。降低用户使用风险。