车辆管理方法、装置、计算机设备和存储介质与流程

本申请涉及智能单车技术领域，尤其涉及一种车辆管理方法、装置、计算机设备和存储介质。

背景技术：

随着移动互联网技术的发展，作为移动互联网技术的产物的共享经济平台得到了普及应用，而随着越来越多的共享商品面世，以及共享商品给人们的生活带来的便利，市场上对共享商品的需求量越来越大，在该种应用环境中，共享经济平台在为人们提供共享产品及服务的过程中，如何能够最大化的保全资产成为了目前共享经济市场上关注的技术问题。

现今，共享经济平台对于共享商品的管理主要依赖于共享商品上的定位装置实现，例如，共享单车是共享经济中相对发展比较成熟的领域。在现有的共享单车平台，尤其是国内机构，共享单车的管理主要依赖于太阳能供电以及智能锁定位。共享经济平台实时检测共享商品上的定位信号，根据定位信号确定共享商品的位置，以实现对共享商品的有效管理。

但是，上述管理方法，在一些环境异常，或定位装置发生损坏的场景中，经常会发生共享商品失联的情况，从而导致共享经济平台可用的共享商品大量的减少及共享商品的永久损失，极大的降低了共享经济平台对共享商品的资产保全率。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够有效提高资产保全率的车辆管理方法、装置、计算机设备和存储介质。

第一方面，一种车辆管理方法，所述方法包括：

获取在预设天数内的车辆数据；

将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率；

将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。

在其中一个实施例中，预测网络包括特征获取子网络和预测子网络，将车辆数据输入至预设的预测网络，得到预测结果，包括：

将车辆数据输入至特征获取子网络进行特征提取，得到与车辆数据对应的特征变量；特征变量包括车辆的心跳特征变量、车辆损耗特征变量、天气特征变量、车辆所处的环境特征变量、车辆的状态特征变量；

将特征变量输入至预测子网络进行车辆失联预测，得到预测结果。

在其中一个实施例中，将车辆数据输入至预设的预测网络之前，所述方法还包括：

判别车辆数据的类型，得到第一判别结果；第一判别结果包括车辆数据为无数据类型、车辆数据为缺失数据类型、车辆数据为正常数据类型中的一种；

若第一判别结果为车辆数据为正常数据类型，则执行将车辆数据输入至预设的预测网络，得到预测结果的步骤。

在其中一个实施例中，判别车辆数据的类型，得到第一判别结果之后，还包括：

若第一判别结果为车辆数据为缺失数据类型，则判别车辆数据中缺失数据的类型，得到第二判别结果；第二判别结果表示缺失数据的类型为重点数据或非重点数据；

若第二判别结果为缺失数据的类型为非重要数据，则根据历史车辆数据补充缺失数据，得到新的车辆数据；

执行将新的车辆数据输入至预设的预测网络，得到预测结果的步骤。

在其中一个实施例中，所述方法还包括：

若第二判别结果为缺失数据的类型为重点数据，或若第一判别结果为车辆数据为无数据类型，则将异常值作为所述预测结果输出。

在其中一个实施例中，所述预测子网络的训练过程，包括：

获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据；第一样本数据为在预设第一时间段内的全国车辆数据；第二样本数据为在预设第二时间段内的城市车辆数据；

根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络；

根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络。

在其中一个实施例中，根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络，包括：

将第一样本数据输入至初始预测子网络，得到初次预测结果；

将初次预测结果和第一标签数据输入至预设的损失函数，得到损失函数的值；

根据损失函数的值对初始预测子网络进行训练，直到损失函数的值满足第一预设条件为止，得到初次训练后的预测子网络。

在其中一个实施例中，根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络，包括：

将第二样本数据输入至初次训练后的预测子网络，得到二次预测结果；

将二次预测结果和第二标签数据输入至损失函数，得到损失函数的值；

根据损失函数的值对初次训练后的预测子网络进行训练，直到损失函数的值满足第二预设条件为止，得到预测子网络。

在其中一个实施例中，损失函数包括对数交叉熵损失函数和/或准确度损失函数。

在其中一个实施例中，获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据之后，还包括：

对第一样本数据进行过采样，得到采样后的第一样本数据；

对第二样本数据进行过采样，得到采样后的第二样本数据。

第二方面，一种车辆管理装置，所述装置包括：

获取模块，用于获取在预设天数内的车辆数据；

预测模块，用于将所述车辆数据输入至预设的预测网络，得到预测结果；所述预测结果包括车辆的失联概率；

管理模块，用于将所述预测结果发送至车辆管理系统，以使所述车辆管理系统根据所述预测结果执行车辆管理工作。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面任一实施例所述的车辆管理方法。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一实施例所述的车辆管理方法。

本申请提供的一种车辆管理方法、装置、计算机设备和存储介质，通过获取在预设天数内的车辆数据，再将车辆数据输入至预设的预测网络，得到包括车辆失联概率的预测结果；然后将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。在上述对车辆的管理过程中，由于本申请采用了预测网络实现了对近期时间段内即将失联车辆的预测，得到预测结果。使得车辆管理服务器能够根据预测结果提前预测新增的失联车辆，并判断每日运营中车辆预测失联的可能性，实现提前干预异常的即将失联的车辆，可以有效防止车辆失联导致可用车辆减少及资产永久损失，极大的提高了资产保全率。

附图说明

图1为一个实施例提供的一种车辆管理系统的结构示意图；

图2为一个实施例提供的一种车辆管理方法的流程图；

图3为一个实施例提供的一种车辆管理方法的流程图；

图4为一个实施例提供的一种车辆管理方法的流程图；

图5为一个实施例提供的一种车辆管理方法的流程图；

图6为一个实施例提供的一种车辆管理方法的流程图；

图7为一个实施例提供的一种预测网络的结构示意图；

图8为一个实施例提供的一种预测子网络的训练方法的流程图；

图9实施例为图8实施例中s602的一种实现方式的流程图；

图10实施例为图8实施例中s603的一种实现方式的流程图；

图11为一个实施例提供的一种训练网络的结构流程图；

图12为一个实施例提供的一种预测子网络的训练方法的流程图；

图13为一个实施例提供的一种车辆管理装置的结构示意图；

图14为一个实施例提供的一种预测子网络的训练装置的结构示意图；

图15为一个实施例提供的一种计算机设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆管理方法，可以应用于如图1所示的车辆管理系统，该系统包括车辆失联预测服务器和车辆管理服务器，且车辆失联预测服务器与车辆管理服务器通过网络进行连接。其中，车辆失联预测服务器可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等设备，车辆管理服务器也可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等设备。特别说明的是，车辆失联预测服务器和车辆管理服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的一种车辆管理方法的流程图，该方法的执行主体为图1中的车辆失联预测服务器，该方法涉及的是车辆失联预测服务器根据车辆数据对失联车辆进行预测的具体过程。如图2所示，该方法具体包括以下步骤：

s101、获取在预设天数内的车辆数据。

其中，预设天数可以由车辆失联预测服务器自定义，其可是2天、3天、4天等天数，对此本实施例不做限制。车辆数据表示车辆失联预测服务器管理的所有车辆的相关属性或性能数据，例如，车辆数据可以具体包括：车辆和基站通信的信号强度、车辆电压变化、车辆充电情况、车辆自身的耗损程度、车辆所处的环境、以及天气状况等。

本实施例中，车辆失联预测服务器可以从车辆管理服务器上获取已存储的预设天数内的车辆数据，也可以通过在预设天数内车辆上报的信息中获取车辆数据。对此本实施不做限制。需要说明的是，上述车辆数据是属于运营商所管辖的所有车辆的车辆数据。而且，车辆失联预测服务器具体可以根据实际应用情况选择获取不同地理区域范围内的车辆数据，例如，全国的车辆数据、城市的车辆数据、乡村的车辆数据等。

s102、将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率。

其中，预测网络用于根据输入的车辆数据预测在未来一定时间段内车辆是否可能失联，即车辆即将失联的可能性。该预测网络可以是车辆失联预测服务器预先训练好的网络，具体的，其可以是基于机器学习算法的网络，可选的，其也可以是基于深度神经网络类算法的网络。预测结果表示车辆失联预测服务器预测出的在未来一定时间段内车辆的失联情况，例如，未来5天内即将失联的车辆。预测结果具体可以用车辆的失联概率表示。

本实施例中，当车辆失联预测服务器基于上述s101的步骤获取到预设天数内的车辆数据时，例如，3天内的车辆数据，车辆失联预测服务器可以进一步的将车辆数据输入至预先训练好的预测网络，得到包含各车辆的失联概率的预测结果，实现对可能即将失联车辆的预测，以便之后实现对即将失联车辆的有效管理。

s103、将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。

其中，车辆管理服务器用于实现所管辖范围内的车辆的有效管理，可以为车辆运维人员提供有用的失联车辆信息，以便车辆运维人员能够及时找到失联车辆，以降低资产丢失。本实施例中，当车辆失联预测服务器采用上述s102的步骤得到对车辆失联情况的预测结果时，车辆失联预测服务器可以进一步的将该预测结果发送给与之连接的车辆管理服务器，以使车辆管理服务器根据预测结果可以执行相应的车辆管理工作，例如，车辆管理服务器可以具体通过一种高吞吐量的分布式发布订阅消息系统kafka生产消息，再由前端消费获取预测车辆并展示给bos用户。上述过程起到了提前干预到异常车辆的管理工作中，可以对即将失联的车辆进行有效管理。

本实施例提供的车辆管理方法，通过获取在预设天数内的车辆数据，再将车辆数据输入至预设的预测网络，得到包括车辆失联概率的预测结果；然后将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。在上述对车辆的管理过程中，由于本申请采用了预测网络实现了对近期时间段内即将失联车辆的预测，得到预测结果。使得车辆管理服务器能够根据预测结果提前预测新增的失联车辆，并判断每日运营中车辆预测失联的可能性，实现提前干预异常的即将失联的车辆，可以有效防止车辆失联导致可用车辆减少及资产永久损失，极大的提高了资产保全率。

在实际应用中，上述预测网络可以具体包括特征获取子网络和预测子网络，在该种应用下，图2实施例中的s102“将车辆数据输入至预设的预测网络，得到预测结果”，如图3所示，具体包括：

s201、将车辆数据输入至特征获取子网络进行特征提取，得到与车辆数据对应的特征变量；特征变量包括车辆的心跳特征变量、车辆损耗特征变量、天气特征变量、车辆所处的环境特征变量、车辆的状态特征变量。

其中，特征获取子网络用于提取车辆数据中的特征变量，或用于将车辆数据转换成特征变量。心跳特征变量可以通过如下方式获取：基于车辆数据中车辆的电压电流及锁温度变化，计算其一天内的日出和日落前后变化幅懂，其中，日落和日出的具体时间以当地日出和日落时间为准；。车辆损耗特征变量可量化为车辆数据中的锁版本信息、车辆骑行距离和上线时长以及闲置时长。具体在量化上述锁版本信息、车辆骑行距离和上线时长以及闲置时长时可进行平滑处理以减少噪声数据，还需要进行归一化处理的常规的数据处理过程。天气特征变量可以为预设时间段内的最高最低温度、湿度、风力等表示天气的特征。车辆所处的环境特征变量可以表示车辆所处的地理位置和车辆所处的环境描述；车辆的状态特征变量可以表示车辆所处的状态，例如，车辆时新增闲置还是新增失联的状态。车辆所处的环境特征变量和车辆的状态特征变量，均可以采用定位网络画像的方法获取，例如，基于geohash编码的方式，提取车辆当前所在位置的geohash网格，以及其历史一段时间内的车辆新增闲置，新增失联以及信号异常的网格画像，通过这些网格画像获取车辆所处的环境特征变脸和车辆的状态特征变量。

本实施例中，当车辆失联预测服务器获取到车辆数据时，可以进一步的将车辆数据输入至预先定义的特征获取子网络进行特征提取，得到与车辆数据对应的特征变量，以便之后使用。需要说明的是，在对车辆数据提取特征变量的过程中，可以具体产生85个特征变量，其中，80个为用数字表示的连续变量，5个为用文字或字符串表示的离散变量。这里列举的特征变量的数量仅为举例说明，并不对本实施例的特征变量进行限定。

s202、将特征变量输入至预测子网络进行车辆失联预测，得到预测结果。

其中，预测子网络用于根据车辆数据对应的特征变量预测车辆的失联可能性，其可以是预先训练好的预测子网络，具体可以是基于机器学习算法的网络，也可以是基于神经网络算法的网络。可选的，预测子网络具体可以是分类器，对即将失联和正常车辆进行有效区分，本实施例可以选用的分类器包括逻辑回归，支持向量机，随机森林，以及基于决策树衍生的lightgbm等模型。对于上述预测子网络或分类器的选型，可以根据实际应用需求确定，对此本实施例不做限制。

可选的，根据对不同模型的优缺点比较，以及考虑到本申请在训练时的样本数据标签存在极度不平衡性，因此，本实施例的预测子网络选用基于贪婪算法的lightgbm模型，并通过5折交叉验证避免过拟合。lightgbm在实际应用场景中计算成本更低，预测效果更佳。

本实施例中，当车辆失联预测服务器得到特征变量后，可以将特征变量输入至预先训练好的预测子网络进行车辆失联预测，得到包含每辆车辆失联概率的预测结果。

在实际应用中，在上述的预测过程中，可能因为车辆数据的不稳定会直接影响预测结果的准确性。因此，本申请还提供了一种对车辆数据异常捕捉的方法，即在上述s102“将车辆数据输入至预设的预测网络，得到预测结果”之前，如图4所示，上述车辆管理方法还包括：

s301、判别车辆数据的类型，得到第一判别结果；第一判别结果包括车辆数据为无数据类型、车辆数据为缺失数据类型、车辆数据为正常数据类型中的一种。

其中，车辆数据的类型为无数据类型，说明车辆失联预测服务器获取到的关于某一车辆的车辆数据全部丢失。车辆数据的类型为缺失数据类型，说明车辆失联预测服务器获取到的关于某一车辆的车辆数据中存在某些数据的缺失，例如，缺少了关于该车辆的电压信号，或缺少了车辆所处的环境的天气情况等。车辆数据为正常数据类型，说明车辆失联预测服务器获取到的关于某一车辆的车辆数据没有任何异常，为完整和正确的车辆数据。

本实施例中，当车辆失联预测服务器获取到车辆数据时，还需要判别该车辆数据的类型，判断其是属于无数据类型、缺失数据类型、正常数据类型哪一种类型，以便之后根据不同的类型对车辆数据进行不同的处理，或执行不同的预测操作。

s302、若第一判别结果为车辆数据为正常数据类型，则执行将车辆数据输入至预设的预测网络，得到预测结果的步骤。

本实施涉及车辆数据为正常数据类型的应用场景，在该应用场景下，车辆失联预测服务器直接执行图2实施例中的步骤s102，即将车辆数据输入至预设的预测网络进行失联车辆的预测，得到包含每辆车辆失联概率的预测结果。

上述实施例描述的是车辆数据为正常数据类型时，车辆失联预测服务器执行的操作，本申请还提供了一种车辆数据为缺失数据类型时的应用场景，在该种应用下，在上述s301“判别车辆数据的类型，得到第一判别结果”之后，如图5所示，还包括：

s401、若第一判别结果为车辆数据为缺失数据类型，则判别车辆数据中缺失数据的类型，得到第二判别结果；第二判别结果表示缺失数据的类型为重点数据或非重点数据。

其中，重点数据表示车辆数据中哪些重要的，会影响到之后预测网络预测准确性的数据，例如，车辆数据中的车辆所在地理位置为重点数据。非重点数据表示车辆数据中哪些不重要的，不会影响到之后预测网络预测准确性的数据，例如，车辆数据中的车辆电压为非重点数据。

本实施涉及车辆数据为缺失数据类型的应用场景，在该应用场景下，车辆失联预测服务器进一步的判别车辆数据中缺失数据的类型，得到第二判别结果，判断缺失数据的类型是属于重点数据还是非重点数据，以便之后根据不同的缺失数据类型对车辆数据进行不同的处理，或执行不同的预测操作。

s402、若第二判别结果为缺失数据的类型为非重要数据，则根据历史车辆数据补充缺失数据，得到新的车辆数据。

其中，历史车辆数据为车辆在过去某时间段内的数据。本实施涉及缺失数据的类型为非重要数据的应用场景，在该应用场景下，车辆失联预测服务器根据历史车辆数据补充缺失数据，得到新的车辆数据。

s403、执行将新的车辆数据输入至预设的预测网络，得到预测结果的步骤。

当车辆失联预测服务器基于s402的步骤得到新的车辆数据后，可以直接将新的车辆数据输入至预设的预测网络，进行失联车辆的预测，得到包含每辆车辆失联概率的预测结果。

可选的，当车辆失联预测服务器将新的车辆数据输入至预设的预测网络，得到预测结果之后，为了进一步的提高预测准确性，降低缺失数据对预测的影响，本申请还提供了一种对预测结果进行控制和修正的方法，即根据不同城市近期的车辆失联数据控制预测出的失联车辆的数量，避免发生在车辆数据有误的情况下导致部分城市预测量暴增对线下的影响。

上述实施例描述的是车辆数据为缺失数据类型，且缺失数据的类型为非重点数据时，车辆失联预测服务器执行的操作，本申请还提供了一种车辆数据为无数据类型，以及上述缺失的数据为重点数据时的应用场景，在该种应用下，上述车辆管理方法还包括：

若第二判别结果为缺失数据的类型为重点数据，或若第一判别结果为车辆数据为无数据类型，则将异常值作为预测结果输出。

本实施涉及缺失数据的类型为重要数据的应用场景，在该应用场景下，车辆失联预测服务器将异常值作为预测结果输出，以告知车辆数据出现异常，无法进行预测。本实施还涉及车辆数据为无数据类型的应用场景，在该应用场景下，车辆失联预测服务器也将异常值作为预测结果输出。

基于上述实施例，本申请提供了一种车辆管理方法，如图6所示，该方法包括：

s501、获取在预设天数内的车辆数据。

s502、判别车辆数据的类型，得到第一判别结果；若第一判别结果为车辆数据为正常数据类型，则执行步骤s503-s505；若第一判别结果为车辆数据为缺失数据类型，则执行步骤s506；若第一判别结果为车辆数据为无数据类型，则执行步骤s508。

s503、将车辆数据输入至特征获取子网络进行特征提取，得到与车辆数据对应的特征变量。

s504、将特征变量输入至预测子网络进行车辆失联预测，得到预测结果。

s505、将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。

s506、判别车辆数据中缺失数据的类型，得到第二判别结果。若第二判别结果为缺失数据的类型为非重要数据，则执行步骤s507，若第二判别结果为缺失数据的类型为重点数据，则执行步骤s508。

s507、根据历史车辆数据补充缺失数据，得到新的车辆数据，并将新的车辆数据作为车辆数据，返回执行s503的步骤。

s508、将异常值作为预测结果输出。

基于上述实施例，本申请还提供了一种预测网络的具体结构，如图7所示的结构示意图，在该预测网络中包括判别模块、特征获取子网络、预测子网络。其中，判别模块的输出端连接特征获取子网络的输入端，特征获取子网络的输出端连接预测子网络的输入端。判别模块用于判别输入的车辆数据的类型，以发现异常车辆数据；特征获取子网络用于提取车辆数据中的特征变量；预测子网络用于根据特征变量预测车辆的失联情况。

上述图2-图7实施例说明的是车辆失联服务器根据车辆数据对失联车辆进行预测的过程，为实际应用场景，本申请还提供了一种训练在上述应用中使用到的预测子网络的方法，如图8所示，该方法包括：

s601、获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据；第一样本数据为在预设第一时间段内的全国车辆数据；第二样本数据为在预设第二时间段内的城市车辆数据。

其中，第一样本数据和第二样本数据为用于训练预测子网络的训练数据，第一标签数据为将第一样本数据经过标记后的数据，第二标签数据为将第二样本数据经过标记后的数据，例如，具体的可以将数据标记为：1-失联，0-未失联。预设第一时间段可以根据实际应用需求确定，可以是几天，也可以是几月等。预设的第二时间段可以根据实际应用需求确定，可以是几天，也可以是几月等。全国车辆数据是全国区域范围内的车辆数据，城市车辆数据是指某几个城市区域范围内的车辆数据。

本实施例中，当车辆失联服务器准备训练预测子网络时，可以先获取第一样本数据和第二样本数据，具体的获取方式与前述实施中s101步骤所述的获取车辆数据的方式一致，具体可以参考前述内容，在此重复累赘说明。当车辆失联服务器获取到第一样本数据和第二样本数据后，可以分别在第一样本数据和第二样本数据进行“失联”或“未失联”的标记，得到对应的第一标签数据和第二标签数据，以便之后训练时使用。

s602、根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络。

本实施例涉及车辆失联预测服务器利用第一样本数据和第一标签数据对初始预测子网络进行初次训练的过程，由于该过程中，使用的第一样本数据时包含全国范围内的车辆数据，数据比较广泛，因此，初次训练的过程为粗训练过程。

s603、根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络。

本实施例涉及车辆失联预测服务器利用第二样本数据和第二标签数据对初始预测子网络进行再次训练的过程，由于该过程中，使用的第二样本数据时包含城市范围内的车辆数据，数据比较集中，因此，再次训练的过程为精训练过程。而且，具体在获取第二样本数据时，可以随机抽取几个城市，包含预测效果佳和效果不佳的城市，针对这些城市在过去几个月的训练集随机抽样，避免部分特征在个别几天的分布与总体有较大偏差，例如，温度、湿度、日照时长等。

上述训练过程，分别经过了初次训练和再次训练两个训练过程，考虑到了不同的样本数据获取范围，这样的训练过程得到的训练好的预测子网络精度较高。

图9实施例为图8实施例中s602的一种实现方式的流程图，本实施例涉及对车辆失联服务器对初始预测子网络进行初次训练的具体过程，如图9所示，该过程包括：

s701、将第一样本数据输入至初始预测子网络，得到初次预测结果。

当车辆失联预测服务器获取到第一样本数据后，即可将第一样本数据输入至定义好的待训练的初始预测子网络，该初始预测子网络输出初次预测结果。

s702、将初次预测结果和第一标签数据输入至预设的损失函数，得到损失函数的值。

当车辆失联预测服务器得到初次预测结果后，可以进一步的将初次预测结果和第一标签数据输入至预设的损失函数进行计算，得到该损失函数的值。

s703、根据损失函数的值对初始预测子网络进行训练，直到损失函数的值满足第一预设条件为止，得到初次训练后的预测子网络。

其中，第一预设条件为能够满足实际训练需求的条件，可以由车辆失联预测服务器预先定义。本实施例中，当车辆失联预测服务器得到损失函数的值后，根据该损失函数的值对初始预测子网络进行训练，具体的，不断的根据损失函数的值调整初始预测子网络的参数，直到损失函数的值满足第一预设条件为止，得到的参数即为初次训练后的预测子网络的参数，即得到了初次训练后的预测子网络。

图10实施例为图8实施例中s603的一种实现方式的流程图，本实施例涉及对车辆失联服务器对初次训练后的预测子网络进行初次训练的具体过程，如图10所示，该过程包括：

s801、将第二样本数据输入至初次训练后的预测子网络，得到二次预测结果。

当车辆失联预测服务器获取到第二样本数据后，即可将第二样本数据输入至图9实施例训练好的初次训练后的预测子网络，该初次训练后的预测子网络输出二次预测结果。

s802、将二次预测结果和第二标签数据输入至损失函数，得到损失函数的值。

当车辆失联预测服务器得到二次预测结果后，可以进一步的将二次预测结果和第二标签数据输入至预设的损失函数进行计算，得到该损失函数的值。

s803、根据损失函数的值对初次训练后的预测子网络进行训练，直到损失函数的值满足第二预设条件为止，得到预测子网络。

其中，第二预设条件为能够满足实际训练需求的条件，可以由车辆失联预测服务器预先定义。本实施例中，当车辆失联预测服务器得到损失函数的值后，根据该损失函数的值对初次训练后的预测子网络进行训练，具体的不断的根据损失函数的值调整初次训练后的预测子网络的参数，直到损失函数的值满足第二预设条件为止，得到的参数即为训练好的预测子网络的参数，即得到了预测子网络。

在实际应用中，训练上述初始预测子网络和初次训练后的预测子网络时，涉及到了损失函数，可选的，该损失函数可以具体包括对数交叉熵损失函数和/或准确度损失函数。

本实施例涉及到训练上述初始预测子网络和初次训练后的预测子网络时的两个应用场景。即，第一应用场景为：在训练上述初始预测子网络和初次训练后的预测子网络时，本实施例采用的损失函数为对数交叉熵损失函数，具体采用数交叉熵损失函数对上述预测子网络进行网络优化。第二应用场景为：在训练上述初始预测子网络和初次训练后的预测子网络时，根据实际业务情况，由于训练数据标签存在极度不平衡性，例如，标签数据为：1-失联，0-不失联。在实际业务场景中，正样本和正负样本比例极度不平衡，基于这样的应用情况，本实施例采用的损失函数为对数交叉熵损失函数和准确度损失函数，同时利用对数交叉熵损失函数和准确度损失函数对上述预测子网络进行网络优化，即能正确区分失联和不失联的车辆，还能够提升区分的准确性。其中的对数交叉熵损失函数具体可以用英文logloss表示，准确度损失函数具体可以用英文accuracy表示。根据实验数据显示，基于第二种应用场景，实现的网络测试集80％准确率及80％覆盖率，预测集可达75％准确率及80％覆盖率，可见，同时采用对数交叉熵损失函数和准确度损失函数对上述预测子网络进行网络优化的方法，优化精度较高。

基于上述图8-图10实施例描述的训练过程，如图11所示，本申请还提供了一种对预测子网络进行训练的训练网络，该训练网络包括：特征获取子网络、预测子网络、对数交叉熵优化模块、准确度优化模块。特征获取子网络的输出端连接初始预测子网络的输入端，预测子网络的输出端分别连接对数交叉熵优化模块、准确度优化模块。其中，特征获取子网络用于提取输入的第一样本数据或第二样本数据中的特征变量；预测子网络为待训练的预测子网络，结合上述实施例，这里的预测子网络可以是初始预测子网络，也可以是初次训练后的预测子网络，用于根据输入的特征变量输出预测结果；对数交叉熵优化模块用于根据预测结果和输入的第一标签数据实现对初始预测子网络的参数优化；准确度优化模块用于根据预测结果和输入的第一标签数据实现对初始预测子网络的参数优化。在实际的优化过程中，只要对数交叉熵优化模块和准确度优化模块中的任一模块的输出满足预设条件即可完成对初始预测子网络的训练。这种训练方法因为采用了两种优化模块，对预测子网络进行优化，极大的提高了优化精度。

由于车辆样本数据本身具有的不平衡性，本申请还提供了一种训练方法克服上述样本的不平衡性，即对样本数据进行过采样处理，以提升样本数据的平衡性。具体的训练方法是在上述s601“获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据”之后，如图12所示，图8实施例所述的方法还包括：

s901、对第一样本数据进行过采样，得到采样后的第一样本数据。

本实施例涉及对第一样本数据进行过采样的方法，过采样的方法可以采用常规使用的插值处理方法，可选的，也可以采用合成少数类过采样技术(syntheticminorityoversamplingtechnique，smote)对第一样本数据中的正样本数据进行过采样。

s902、对第二样本数据进行过采样，得到采样后的第二样本数据。

本实施例涉及对第二样本数据进行过采样的方法，具体方法与对第一样本数据进行过采样的方法相同，具体内容参见对s901的说明，在此不累赘重复说明。

应该理解的是，虽然图2-12中包含的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-12中包含流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。

在一个实施例中，如图13所示，提供了一种车辆管理装置，包括：获取模块11、预测模块12和管理模块13，其中：

获取模块11，用于获取在预设天数内的车辆数据；

预测模块12，用于将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率；

管理模块13，用于将预测结果发送至车辆管理服务器，以使车辆管理服务器根据所述预测结果执行车辆管理工作。

关于车辆管理装置的具体限定可以参见上文中对于一种车辆管理方法的限定，在此不再赘述。上述车辆管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图14所示，提供了一种预测子网络的训练装置，包括：获取样本模块14、粗训练模块15和精训练模块16，其中：

获取样本模块14，用于获取第一样本数据和对应的第一标签数据、以及第二样本数据和对应的第二标签数据；第一样本数据为在预设第一时间段内的全国车辆数据；第二样本数据为在预设第二时间段内的城市车辆数据；

粗训练模块15，用于根据第一样本数据和第一标签数据，对初始预测子网络进行训练，得到初次训练后的预测子网络；

精训练模块16，用于根据第二样本数据和第二标签数据，对初次训练后的预测子网络进行训练，得到预测子网络。

关于预测子网络的训练装置的具体限定可以参见上文中对于一种预测子网络的训练方法的限定，在此不再赘述。上述预测子网络的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取在预设天数内的车辆数据；

将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率；

将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：

获取在预设天数内的车辆数据；

将车辆数据输入至预设的预测网络，得到预测结果；预测结果包括车辆的失联概率；

将预测结果发送至车辆管理服务器，以使车辆管理服务器根据预测结果执行车辆管理工作。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双倍数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。