本發(fā)明屬于汽車維保，尤其涉及一種基于協作式多視角的汽車維保需求預測方法及系統(tǒng)。

背景技術：

1、汽車維保在汽車生命周期中扮演著至關重要的角色，它不僅是保障汽車安全運行的基礎，也是延長汽車使用壽命、優(yōu)化性能、降低使用成本的有效途徑。在汽車使用過程中，隨著汽車各部件的磨損和老化，汽車的維保需求變得更加多樣和復雜。在此情況下，準確的預測出汽車維保需求顯得尤為重要，不僅能夠防止不必要的維保，減少汽車的停機時間，還能快速識別汽車的潛在故障并延遲汽車的使用壽命。在汽車維保領域，不同時期進行的維保項目之間的相互依賴性是不可忽視的，比如，如果在上一次維保中未能徹底解決發(fā)動機過熱問題，那么在未來的某次維保時，可能需要進行更為深入的發(fā)動機冷卻系統(tǒng)檢查；又如，若前期更換了汽車的啟動電池，那么在接下來的維保中，檢查電氣系統(tǒng)的充電效率就變得尤為重要，以確保沒有其他潛在的電氣問題導致新電池過早損壞。

2、此外，在汽車維保過程，某些關鍵維保項目對未來維保需求具有重要影響。例如，定期更換機油是汽車維保中的關鍵項目，新機油可以有效地潤滑發(fā)動機零件，降低摩擦，減少零件磨損。如果機油未定期更換，會導致發(fā)動機過熱、缺油、甚至引發(fā)發(fā)動機故障。因此，定期更換機油有助于保護發(fā)動機，延長其使用壽命，對后期發(fā)動機的維保過程有重要影響。此外，定期檢查制動盤、制動片和制動液等部件，保持其良好狀態(tài)，對制動系統(tǒng)后續(xù)的維保過程具有不可替代的作用。

3、但是，現有的汽車維保需求預測方法只能對汽車的部分維保需求進行預測，無法對汽車所有維保需求進行預測，使得汽車仍然存在一定的安全風險，影響汽車的使用性能。

技術實現思路

1、本發(fā)明提出了一種基于協作式多視角的汽車維保需求預測方法及系統(tǒng)，以解決上述現有技術存在的問題。

2、為實現上述目的，本發(fā)明提供了一種基于協作式多視角的汽車維保需求預測方法，包括以下步驟：

3、通過多注意力機制對車輛歷史維保記錄進行時序依賴性學習，獲得不同時期汽車維保項目之間的時序依賴性；

4、基于所述時序依賴性，對歷史維保記錄進行依賴感知的時序特征加權，獲得加權后的時序數據；

5、結合長短時記憶網絡與注意力機制從加權后的時序數據中學習關鍵時序信息，獲得關鍵時序信息學習結果；

6、將所述加權后的時序數據與關鍵時序信息學習結果相乘，得到協作式時序建模融合結果，基于所述協作式時序建模融合結果預測未來需要維保的項目。

7、優(yōu)選地，所述時序依賴性學習包括：

8、使用兩個gru神經網絡處理歷史維保記錄，得到兩種隱藏狀態(tài)序列；通過softmax和tanh函數計算兩種隱藏狀態(tài)序列的注意力權重，以評估歷史維保記錄對未來維保需求的重要性。

9、優(yōu)選地，所述對歷史維保記錄進行依賴感知的時序特征加權包括：

10、通過kronecker積和逐元素乘法，計算每次歷史維保記錄的動態(tài)相關性表示學習結果；

11、基于動態(tài)相關性表示學習結果獲取歷史維保記錄的依賴感知結果；

12、通過注意力機制將維保歷史記錄的依賴感知結果與各個時間步合并，得到依賴感知時序特征加權結果。

13、優(yōu)選地，所述學習關鍵時序信息包括：

14、利用長短時記憶網絡處理歷史維保記錄，獲取最近一次維保記錄的隱藏狀態(tài)；通過注意力機制對所述隱藏狀態(tài)進行處理，提取關鍵信息。

15、優(yōu)選地，所述基于所述協作式時序建模融合結果預測未來需要維保的項目的表達式為：

16、；

17、式中，表示預測輸出，wy表示權重，by表示偏執(zhí)，y表示協作式時序建模融合結果，dropout表示丟棄操作。

18、本發(fā)明還提供了一種基于協作式多視角的汽車維保需求預測系統(tǒng)，包括：

19、時序依賴性學習模塊，用于通過多注意力機制對車輛歷史維保記錄進行時序依賴性學習，獲得不同時期汽車維保項目之間的時序依賴性；

20、依賴感知時序特征加權模塊，用于基于所述時序依賴性，對歷史維保記錄進行依賴感知的時序特征加權，獲得加權后的時序數據；

21、關鍵時序信息學習模塊，用于結合長短時記憶網絡與注意力機制從加權后的時序數據中學習關鍵時序信息，獲得關鍵時序信息學習結果；

22、預測模塊，用于將所述加權后的時序數據與關鍵時序信息學習結果相乘，得到協作式時序建模融合結果，基于所述協作式時序建模融合結果預測未來需要維保的項目。

23、優(yōu)選地，所述時序依賴性學習模塊包括：

24、兩個門控循環(huán)單元神經網絡，用于處理歷史維保記錄并生成隱藏狀態(tài)序列；

25、注意力權重計算單元，用于基于隱藏狀態(tài)序列計算兩個隱藏狀態(tài)序列的注意力權重。

26、本發(fā)明還提供了一種計算機裝置，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執(zhí)行所述計算機程序以實現所述方法的步驟。

27、本發(fā)明還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現所述方法的步驟。

28、本發(fā)明還提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現所述方法的步驟。

29、與現有技術相比，本發(fā)明具有如下優(yōu)點和技術效果：

30、本發(fā)明公開了一種基于協作式多視角的汽車維保需求預測方法及系統(tǒng)，包括：通過多注意力機制對車輛歷史維保記錄進行時序依賴性學習，獲得不同時期汽車維保項目之間的時序依賴性；基于時序依賴性，對歷史維保記錄進行依賴感知的時序特征加權，獲得加權后的時序數據；結合長短時記憶網絡與注意力機制從加權后的時序數據中學習關鍵時序信息，獲得關鍵時序信息學習結果；將加權后的時序數據與關鍵時序信息學習結果相乘，得到協作式時序建模融合結果，基于協作式時序建模融合結果預測未來需要維保的項目。本發(fā)明能夠對汽車所有維保需求進行預測，消除汽車存在的安全風險。

技術特征：

1.一種基于協作式多視角的汽車維保需求預測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的方法，其特征在于，所述時序依賴性學習包括：

3.根據權利要求1所述的方法，其特征在于，所述對歷史維保記錄進行依賴感知的時序特征加權包括：

4.根據權利要求1所述的方法，其特征在于，所述學習關鍵時序信息包括：

5.根據權利要求1所述的方法，其特征在于，所述基于所述協作式時序建模融合結果預測未來需要維保的項目的表達式為：

6.一種基于協作式多視角的汽車維保需求預測系統(tǒng)，其特征在于，包括：

7.根據權利要求6所述的系統(tǒng)，其特征在于，所述時序依賴性學習模塊包括：

8.一種計算機裝置，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現權利要求1-5任一項所述方法的步驟。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現權利要求1-5任一項所述方法的步驟。

10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現權利要求1-5任一項所述方法的步驟。

技術總結
本發(fā)明公開了一種基于協作式多視角的汽車維保需求預測方法及系統(tǒng)，屬于汽車維保領域，包括：通過多注意力機制對車輛歷史維保記錄進行時序依賴性學習，獲得不同時期汽車維保項目之間的時序依賴性；基于時序依賴性，對歷史維保記錄進行依賴感知的時序特征加權，獲得加權后的時序數據；結合長短時記憶網絡與注意力機制從加權后的時序數據中學習關鍵時序信息，獲得關鍵時序信息學習結果；將加權后的時序數據與關鍵時序信息學習結果相乘，得到協作式時序建模融合結果，基于協作式時序建模融合結果預測未來需要維保的項目。本發(fā)明能夠對汽車所有維保需求進行預測，消除汽車存在的安全風險。

技術研發(fā)人員：陳方華,周剛,周煒,賈紅,鄔果昉,鞏建強
受保護的技術使用者：交通運輸部公路科學研究所
技術研發(fā)日：
技術公布日：2025/4/24