基于深度学习的车辆行驶里程修正方法、装置及设备与流程

1.本技术涉及车辆技术领域，尤其涉及到一种基于深度学习的车辆行驶里程修正方法、装置及设备。


背景技术：

2.在汽车金融行业，车辆行驶里程可以最直观地反映车主的使用情况，精准地掌握车辆行驶里程有助于金融机构监控风险和开展业务。例如，商用车的行驶里程不足时，可能存在运营不良无法按时还款的情况，虽然车辆生产商可以提供真实的车辆行驶里程，但是却不能提供真实的车辆行驶里程。
3.目前，在定位设备中安装陀螺仪、加速度传感器、电子罗盘等检测设备来提高位置精度和车辆行驶里程准确度。然而，一方面大部分金融公司本身并没有定位设备的硬件研发能力，故在实际操作中，往往采购的是第三方设备，这就导致了金融公司无法通过改造定位设备，如提高位置采集频率、加装精密的传感器等方式来提高位置精度和车辆行驶里程。另一方面即使第三方的定位设备能被改造，但是由于定位设备的安装位置不同、信号接收和受干扰情况不同、行驶的路况不同，也会造成车辆行驶里程准确度低。


技术实现要素：

4.有鉴于此，本技术提供了一种基于深度学习的车辆行驶里程修正方法、装置及设备，涉及车辆技术领域，可以解决车辆行驶里程准确度低的技术问题。
5.根据本技术的一个方面，提供了一种基于深度学习的车辆行驶里程修正方法，该方法包括：
6.获取训练车辆在预设时间段内的特征数据；
7.利用所述特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；
8.获取目标车辆实时的目标待修正行驶里程，将所述目标待修正行驶里程输入到所述最终里程模型，输出实时的目标真实行驶里程。
9.优选地，所述特征数据至少包括：真实行驶里程以及利用定位设备计算的待修正行驶里程；
10.所述获取训练车辆在预设时间段内的特征数据，包括：
11.获取训练车辆在预设时间段内的真实行驶里程以及获取所述训练车辆在所述预设时间段内利用定位设备计算的待修正行驶里程。
12.优选地，所述获取训练车辆在预设时间段内的真实行驶里程，包括：
13.获取训练车辆的训练定位设备在子预设时间段内定位的两个位置点，其中，将所述所有子预设时间段加和得到预设时间段；
14.根据两个所述位置点的经度坐标与纬度坐标计算子待修正行驶里程；
15.将所有所述子待修正行驶里程加和得到待修正行驶里程。
16.优选地，所述获取所述训练车辆在所述预设时间段内利用定位设备计算的待修正行驶里程，包括：
17.获取所述训练车辆的生产商提供的在所述预设时间段内的真实行驶里程。
18.优选地，所述方法还包括：
19.判断所述子待修正行驶里程是否异常，若是，则删除异常的所述子待修正行驶里程；
20.所述将所有所述子待修正行驶里程加和得到待修正行驶里程，包括：
21.将所有未删除的子待修正行驶里程加和得到待修正行驶里程。
22.优选地，所述判断所述子待修正行驶里程是否异常，包括：
23.若所述子待修正行驶里程为0或者所述子待修正行驶里程超过预设阈值，则判定所述子待修正行驶里程异常。
24.优选地，所述获取目标车辆实时的目标待修正行驶里程，包括：
25.利用目标车辆设置的多个目标定位设备分别计算实时的多个子目标待修正行驶里程，其中，所述目标定位设备与所述子目标待修正行驶里程一一对应；
26.计算多个所述子目标待修正行驶里程的平均值，得到实时的目标待修正行驶里程。
27.根据本技术的另一个方面，提供了一种基于深度学习的车辆行驶里程修正装置，该装置包括：
28.获取模块，用于获取训练车辆在预设时间段内的特征数据；
29.训练模块，用于利用所述特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；
30.修正模块，用于获取目标车辆实时的目标待修正行驶里程，将所述目标待修正行驶里程输入到所述最终里程模型，输出实时的目标真实行驶里程。
31.根据本技术的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于深度学习的车辆行驶里程修正方法。
32.根据本技术的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质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程序时实现上述基于深度学习的车辆行驶里程修正方法。
33.借由上述技术方案，本技术公开了一种基于深度学习的车辆行驶里程修正方法、装置及设备，可首先获取训练车辆在预设时间段内的特征数据；进一步的，利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；最后，获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
34.通过本技术中的技术方案，利用通过定位设备计算的待修正行驶里程与已有的车辆生产商提供的真实行驶里程训练初始里程模型，得到训练完成的最终里程模型，再将需要修正的实时的目标待修正行驶里程输入到最终里程模型中，输出修正后的实时的目标真实行驶里程，由此，一方面企业无需再和每个车辆生产商一一对接实时的目标真实行驶里程，可以及时的掌握目标真实行驶里程，同时，因为定位设备的硬件能力不足，算法不对外公开不能保证由定位设备计算的目标待修正行驶里程的准确度，因此本技术通过对定位设
备计算的目标待修正行驶里程进行修正，提高了行驶里程准确度。另一方面相比于通过提高定位设备精度的方式提升行驶里程准确度，增加额外的硬件研发成本，本技术节约了成本。
35.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
36.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本地申请的不当限定。在附图中：
37.图1示出了本技术实施例提供的一种基于深度学习的车辆行驶里程修正方法的流程示意图；
38.图2示出了本技术实施例提供的另一种基于深度学习的车辆行驶里程修正方法的流程示意图；
39.图3出了本技术实施例提供的一种基于深度学习的车辆行驶里程修正装置的结构示意图；
40.图4出了本技术实施例提供的另一种基于深度学习的车辆行驶里程修正装置的结构示意图。
具体实施方式
41.下文将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合。
42.在实际的汽车金融业务中，车辆行驶里程可以通过两种方式获得：第一种是汽车生产商通过车轮转速、轴距、油耗费等方式计算的行驶里程，第二种是金融公司将购买的第三方定位设备安装在车辆上，第三方定位设备商会提供定位设备计算的行驶里程。然而对于第一种情况：虽然车辆生产商可以获得真实的行驶里程，但是企业与汽车生产商对接实时的真实里程数据不经济。
43.对于第二种情况：一方面第三方的定位设备硬件能力不能保证，因此定位设备采集的数据不够准确，另一方面第三方对定位设备采集的数据进行算法分析时，不公开其使用的算法，因此不能保证算法的计算力足够，故不能保证其计算的行驶里程的准确度，进而导致企业根据行驶里程进行风险分析与投资的准确度低。即使第三方的定位设备可以提高定位设备的硬件能力，公开了其使用的计算算法，保证了算法的计算力，但是由于定位设备的安装位置不同、信号接收和受干扰情况不同、行驶的路况不同，也会造成计算的行驶里程与真实值之间存在大幅度偏差，企业无法精准的掌握行驶里程。
44.针对目前行驶里程精确度低的技术问题，本技术实施例提供了一种基于深度学习的车辆行驶里程修正方法，如图1所示，该方法包括：
45.101、获取训练车辆在预设时间段内的特征数据。
46.需要说明的是，对于本技术，目标主体为金融机构，其中，所做的业务包括但是不限于汽车消费贷款和汽车融资租赁，金融机构通过安装定位设备例如gps来追踪车辆位置，
计算车辆实时的真实行驶里程，以便通过掌握精准的真实行驶里程进行风险评估与投资业务等。
47.在具体的应用场景中，作为一种实施方式，特征数据至少包括：真实行驶里程以及利用定位设备计算的待修正行驶里程，获取训练车辆在预设时间段内的特征数据，包括：获取训练车辆在预设时间段内的真实行驶里程以及获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程。
48.其中，特征数据还可以在真实行驶里程以及利用训练定位设备计算的待修正行驶里程的基础上，增加：训练定位设备的型号，训练车辆的车型以及训练定位设备的定位频率等，在此不做限定。具体的，训练定位设备的定位频率为训练定位设备在一个子预设时间段结束时定位一次，例如对于gps定位设备，定位频率为每间隔30秒定位一次。
49.其中，训练车辆为用于训练模型的车辆，训练车辆安装了训练定位设备，如gps定位设备，通过训练定位设备计算的是用于训练的待修正行驶里程，而真实行驶里程是合作的车辆生产商提供的。
50.102、利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型。
51.在具体的应用场景中，作为一种实施方式，初始里程模型是基于神经网络模型建立的，包括但不限于卷积神经网络模型(convolutional neural networks，cnn)、循环神经网络模型(recurrent neural networks，rnns)，神经网络模型训练的过程就是神经网络模型学习的过程，学习的目的就是以误差函数为基准，找出能使误差函数的值达到最小的最优权重参数，即神经网络以某个指标为线索寻找最优权重参数，这个指标就是损失函数，本实施例利用特征数据训练初始里程模型，直到误差函数收敛，即找到了最优权重参数，故得到训练完成的最终里程模型。
52.其中，利用已知的车辆生产商提供的真实行驶里程与训练定位设备计算的待修正行驶里程训练初始里程模型，以使得训练完成的最终里程模型可以将目标待修正行驶里程修正为目标真实行驶里程，由此，一方面企业无需再和每个车辆生产商一一对接实时的目标真实行驶里程，可以及时的掌握目标真实行驶里程，同时，因为定位设备的硬件能力不足，算法不对外公开不能保证由定位设备计算的目标待修正行驶里程的准确度，因此本技术通过对定位设备计算的目标待修正行驶里程进行修正，提高了行驶里程准确度以及可以及时获取目标真实行驶里程。
53.103、获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
54.在具体的应用场景中，作为一种实施方式，目标车辆只安装了第三方的目标定位设备，但还无法从车辆生产商得到目标真实行驶里程，因此，目标车辆只能获得实时的目标待修正行驶里程。
55.根据实施例步骤102，训练完成的最终里程模型可以将目标待修正行驶里程修正为目标真实行驶里程，因此本实施例将实时的目标待修正行驶里程作为最终里程模型的输入向量，对应可以得到目标车辆实时的目标真实行驶里程。
56.本技术公开了一种基于深度学习的车辆行驶里程修正方法、装置及设备，可首先获取训练车辆在预设时间段内的特征数据；进一步的，利用特征数据训练初始里程模型，直
到误差函数收敛，得到训练完成的最终里程模型；最后，获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
57.通过本技术中的技术方案，利用通过定位设备计算的待修正行驶里程与已有的车辆生产商提供的真实行驶里程训练初始里程模型，得到训练完成的最终里程模型，再将需要修正的实时的目标待修正行驶里程输入到最终里程模型中，输出修正后的实时的目标真实行驶里程，由此，一方面企业无需再和每个车辆生产商一一对接实时的目标真实行驶里程，可以及时的掌握目标真实行驶里程，同时，因为定位设备的硬件能力不足，算法不对外公开不能保证由定位设备计算的目标待修正行驶里程的准确度，因此本技术通过对定位设备计算的目标待修正行驶里程进行修正，提高了行驶里程准确度。另一方面相比于通过提高定位设备精度的方式提升行驶里程准确度，增加额外的硬件研发成本，本技术节约了成本。
58.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于深度学习的车辆行驶里程修正方法，如图2所示，该方法包括：
59.201、获取训练车辆在预设时间段内的特征数据。
60.在具体的应用场景中，作为一种实施方式，特征数据至少包括：真实行驶里程以及利用定位设备计算的待修正行驶里程，获取训练车辆在预设时间段内的特征数据，包括：获取训练车辆在预设时间段内的真实行驶里程以及获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程。
61.其中，特征数据还可以在真实行驶里程以及利用训练定位设备计算的待修正行驶里程的基础上，增加：训练定位设备的型号，训练车辆的车型以及训练定位设备的定位频率等，在此不做限定。获取训练车辆在预设时间段内的特征数据，包括：获取训练车辆在预设时间段内的真实行驶里程、获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程、训练定位设备的型号、训练车辆的车型以及训练定位设备的定位频率。
62.其中，获取训练车辆在预设时间段内的真实行驶里程，包括：获取训练车辆的训练定位设备在子预设时间段内定位的两个位置点，其中，将所有子预设时间段加和得到预设时间段；根据两个位置点的经度坐标与纬度坐标计算子待修正行驶里程；将所有子待修正行驶里程加和得到待修正行驶里程。
63.具体的，训练定位设备的定位频率为训练定位设备在一个子预设时间段结束时定位一次，例如对于gps定位设备，定位频率为每间隔30秒定位一次，因为在上一个30秒结束时定位一次有第一个位置点，当前30秒结束时定位一次有第二个位置点，第一个位置点与第二个位置点相邻，因此训练定位设备在子预设时间段内定位的有两个位置点，这两个位置点之间的距离为子修正行驶里程，同时，一个预设时间段有多个子预设时间段，计算一个预设时间段的待修正行驶里程即计算每个子预设时间段对应的子待修正行驶里程，然后，将所有子待修正行驶里程加和。
64.根据两个位置点的经度坐标与纬度坐标计算子待修正行驶里程，具体的计算公式为：第一个位置点为a，第二个位置点为b。
65.66.其中，获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程，包括：获取训练车辆的生产商提供的在预设时间段内的真实行驶里程。
67.具体的，通过已经合作的车辆生产商获取预设时间段内的真实行驶里程，如每日真实行驶里程，该真实行驶里程信息允许一定的时滞性，具体的获取方式可以为通过线下导入导出表格的方式，在此不做限定。
68.在具体的应用场景中，作为一种实施方式，为了保证模型训练的准确度，需要判断子待修正行驶里程是否异常，若是，则删除异常的子待修正行驶里程；相应的，将所有子待修正行驶里程加和得到待修正行驶里程，包括：将所有未删除的子待修正行驶里程加和得到待修正行驶里程。
69.其中，判断子待修正行驶里程是否异常，包括：若子待修正行驶里程为0或者子待修正行驶里程超过预设阈值，则判定子待修正行驶里程异常。
70.具体的，训练定位设备在预设时间内定位，并将定位数据传给后台的过程中设备出现故障或者传输通信断了等原因，造成定位的位置点丢失或者定位数据丢失，故将异常的子待修正行驶里程删除，可以提高模型训练的准确度。
71.作为另一种实施方式，还可以在判断子待修正行驶里程存在异常后，填充异常的子待修正行驶里程。具体的，计算这个子待修正行驶里程的前一段子待修正行驶里程与后一段子待修正行驶里程的平均值，然后将这个平均值补充为这个子待修正行驶里程。
72.例如，在第二个位置点与第三个位置点之间的子待修正行驶里程存在异常，那么计算第一个位置点与第二个位置点之间的子待修正行驶里程为45、第三个位置点与第四个位置点之间的子待修正行驶里程为47，然后计算45与47的平均值为46，将46作为第二个位置点与第三个位置点之间的子待修正行驶里程。
73.202、利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型。
74.对于本实施例，作为一种实施方式，将特征数据作为初始里程模型的输入向量，特征数据的类别数是输入向量的维数，例如，特征数据如果只包括：真实行驶里程以及利用定位设备计算的待修正行驶里程，那么输入向量是二维，又例如，特征数据如果只包括：真实行驶里程、利用定位设备计算的待修正行驶里程、定位设备的型号，训练车辆的车型以及定位设备定位频率，那么输入向量是五维。
75.具体的，初始里程模型是基于神经网络构建的，人工神经网络主要由大量的神经元以及它们之间的有向连接构成，因此神经网络主要考虑三个方面，第一：神经元的激活函数，激活函数为输入到输出之间的映射关系，一般为非线性函数，可以包括：s型函数、斜坡函数、s型函数与斜坡函数复合的复合函数。第二：网络的拓扑结构，指的是不同神经元之间的连接关系。第三，学习算法，通过训练数据来学习神经网络的参数，直到误差函数收敛，确定神经网络的权重参数已经最优，此时将最优的权重参数作为训练完成的最终里程模型。
76.具体的，神经网络模型可由输入层、隐藏层以及输出层组成，其中隐藏层可包括多个，将特征数据作为输入向量输入初始行驶里程模型，此时初始行驶里程模型的参数是自定义的，通过数据训练，不断改变初始行驶里程模型的参数，直到误差函数收敛，此时修改后的参数作为最终里程模型的参数。按照以下激活函数计算隐藏层神经元和输出层神经元的输入和输出：
[0077][0078]
其中，x为m维输入向量，且m取决于特征数据的类别数。y为n维输出层所输出的输出向量，m取值取决于计算精度。ω为不断需要学习的权重向量，t为转置矩阵的标记。这里的激活函数φ可以采用sigmoid函数。
[0079]
不断修正人工神经网络的权重参数，直至误差函数趋近于收敛，则可以得到训练后的人工神经网络模型，具体的：
[0080][0081]
公式中的η为梯度下降的学习率，根据训练过程自定义数值；ε为平方误差代价函数；ω为不断需要学习的权重向量。
[0082]
203、利用目标车辆设置的多个目标定位设备分别计算实时的多个子目标待修正行驶里程，其中，目标定位设备与子目标待修正行驶里程一一对应，计算多个子目标待修正行驶里程的平均值，得到实时的目标待修正行驶里程。
[0083]
对于本实施例，作为一种实施方式，为了防止每个目标车辆设置一个目标定位设备可能造成的定位数据不准确的问题，通过在每个目标车辆内设置多个目标定位设备，以便多个目标定位设备相互校准。
[0084]
例如，每个目标车辆内设置三个目标定位设备，三个目标定位设备都计算实时的子目标待修正行驶里程，第一目标定位设备计算的子目标待修正行驶里程为45，第二目标定位设备计算的子目标待修正行驶里程为43，第三目标定位设备计算的子目标待修正行驶里程为44，然后计算45、43以及44的平均值，得到实时的目标待修正行驶里程为44。
[0085]
204、将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
[0086]
在具体的应用场景中，作为一种实施方式，目标车辆只安装了第三方的目标定位设备，但还无法从车辆生产商得到目标真实行驶里程，因此，目标车辆只能获得实时的目标待修正行驶里程。
[0087]
根据实施例步骤202，训练完成的最终里程模型可以将目标待修正行驶里程修正为目标真实行驶里程，因此本实施例将实时的目标待修正行驶里程作为最终里程模型的输入向量，对应可以得到目标车辆实时的目标真实行驶里程。
[0088]
本技术公开了一种基于深度学习的车辆行驶里程修正方法、装置及设备，可首先获取训练车辆在预设时间段内的特征数据；进一步的，利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；最后，获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
[0089]
通过本技术中的技术方案，利用通过定位设备计算的待修正行驶里程与已有的车辆生产商提供的真实行驶里程训练初始里程模型，得到训练完成的最终里程模型，再将需要修正的实时的目标待修正行驶里程输入到最终里程模型中，输出修正后的实时的目标真实行驶里程，由此，一方面企业无需再和每个车辆生产商一一对接实时的目标真实行驶里程，可以及时的掌握目标真实行驶里程，同时，因为定位设备的硬件能力不足，算法不对外公开不能保证由定位设备计算的目标待修正行驶里程的准确度，因此本技术通过对定位设备计算的目标待修正行驶里程进行修正，提高了行驶里程准确度。另一方面相比于通过提
高定位设备精度的方式提升行驶里程准确度，增加额外的硬件研发成本，本技术节约了成本。
[0090]
进一步的，作为图1和图2所示方法的具体实现，本技术实施例提供了一种基于深度学习的车辆行驶里程修正装置，如图3所示，该装置包括：获取模块31、训练模块32、修正模块33；
[0091]
获取模块31，可用于获取训练车辆在预设时间段内的特征数据；
[0092]
训练模块32，可用于利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；
[0093]
修正模块33，可用于获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
[0094]
在具体的应用场景中，特征数据至少包括：真实行驶里程以及利用定位设备计算的待修正行驶里程，为了利用获取训练车辆在预设时间段内的特征数据，如图4所示，获取模块31，具体可包括：第一获取单元311、第二获取单元312；
[0095]
第一获取单元311，用于获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程；
[0096]
第二获取单元312，用于获取训练车辆在预设时间段内的真实行驶里程。
[0097]
相应的，为了获取训练车辆在预设时间段内利用定位设备计算的待修正行驶里程，第一获取单元311具体可用于获取训练车辆的生产商提供的在预设时间段内的真实行驶里程。
[0098]
相应的，为了获取训练车辆在预设时间段内的真实行驶里程，第二获取单元312具体可用于获取训练车辆的训练定位设备在子预设时间段内定位的两个位置点，其中，将所有子预设时间段加和得到预设时间段；根据两个位置点的经度坐标与纬度坐标计算子待修正行驶里程；将所有子待修正行驶里程加和得到待修正行驶里程。
[0099]
在具体的应用场景中，一种基于深度学习的车辆行驶里程修正装置，如图4所示，还包括：判断模块34，具体可包括：异常单元341、删除单元342；
[0100]
异常单元341，用于判断子待修正行驶里程是否异常；
[0101]
删除单元342，用于若子待修正行驶里程存在异常，则删除子待修正行驶里程。
[0102]
相应的，为了将所有子待修正行驶里程加和得到待修正行驶里程，第二获取单元312具体可用于将所有未删除的子待修正行驶里程加和得到待修正行驶里程。
[0103]
相应的，为了判断子待修正行驶里程是否异常，异常单元341具体可用于若子待修正行驶里程为0或者子待修正行驶里程超过预设阈值，则判定子待修正行驶里程异常。
[0104]
相应的，为了获取目标车辆实时的目标待修正行驶里程，修正模块33具体可用于利用目标车辆设置的多个目标定位设备分别计算实时的多个子目标待修正行驶里程，其中，目标定位设备与子目标待修正行驶里程一一对应；计算多个子目标待修正行驶里程的平均值，得到实时的目标待修正行驶里程。
[0105]
需要说明的是，本实施例提供的一种基于深度学习的车辆行驶里程修正装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
[0106]
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种存储介质，存储介质具体可为易失性或非易失性，其上存储有计算机可读指令，该可读指令被处理器执行时
实现上述如图1至图2所示的基于深度学习的车辆行驶里程修正方法。
[0107]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景的方法。
[0108]
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于深度学习的车辆行驶里程修正方法。
[0109]
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。
[0110]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0111]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
[0113]
通过应用本技术的技术方案，与目前现有技术相比，本技术公开了一种基于深度学习的车辆行驶里程修正方法、装置及设备，可首先获取训练车辆在预设时间段内的特征数据；进一步的，利用特征数据训练初始里程模型，直到误差函数收敛，得到训练完成的最终里程模型；最后，获取目标车辆实时的目标待修正行驶里程，将目标待修正行驶里程输入到最终里程模型，输出实时的目标真实行驶里程。
[0114]
通过本技术中的技术方案，利用通过定位设备计算的待修正行驶里程与已有的车辆生产商提供的真实行驶里程训练初始里程模型，得到训练完成的最终里程模型，再将需要修正的实时的目标待修正行驶里程输入到最终里程模型中，输出修正后的实时的目标真实行驶里程，由此，一方面企业无需再和每个车辆生产商一一对接实时的目标真实行驶里程，可以及时的掌握目标真实行驶里程，同时，因为定位设备的硬件能力不足，算法不对外公开不能保证由定位设备计算的目标待修正行驶里程的准确度，因此本技术通过对定位设备计算的目标待修正行驶里程进行修正，提高了行驶里程准确度。另一方面相比于通过提高定位设备精度的方式提升行驶里程准确度，增加额外的硬件研发成本，本技术节约了成本。
[0115]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一
步拆分成多个子模块。
[0116]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。