汽车维修关联配件的数据处理方法和装置与流程

本申请涉及汽车服务行业技术领域，具体而言，涉及一种汽车维修关联配件的数据处理方法和装置。

背景技术：

由于汽车配件种类较多，且同一配件在不同地方存在不同别名，在进行汽车配件采购的过程中，人工查找所需配件，耗时、费力且易出错。

现有技术中，在汽车配件的采购过程中，主要采用依据历史经验的推荐规则对汽车配件进行查找和推荐，由于配件种类较多，不同地区的配件别名可能存在不同，因此在汽车配件的查找过程中，现有技术存在效率较低的技术问题。

申请内容

本申请的主要目的在于提供一种汽车维修关联配件的数据处理方法，通过配件关联模型对待识别的汽车维修数据进行处理，输出与所述待识别的汽车维修数据的关联配件数据，达到了提高配件查找采购效率的技术效果。

为了实现上述目的，本申请提出了一种汽车维修关联配件的数据处理方法。

本发明的第二方面，还提出了一种汽车维修关联配件的数据处理装置。

本发明的第三方面，还提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面，提出了一种汽车维修关联配件的数据处理方法，包括：采集汽车维修数据，所述汽车维修数据至少包括：待识别汽车维修数据和训练维修数据；基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型；以及基于所述标准配件关联模型对所述待识别汽车维修数据进行处理，获得关联配件数据。

进一步地，基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型，包括：基于所述训练维修数据对预先建立的配件关联模型进行训练，包括：识别所述训练维修数据中的配件需求数据，基于所述配件需求数据构建训练数据集；基于所述训练数据集，对所述预先建立的配件关联模型进行训练；基于预设条件对配件关联模型进行校验，获得标准配件关联模型。

进一步地，识别所述训练维修数据中的配件特征数据，基于所述配件特征数据构建训练数据集，包括：识别所述训练维修数据中的配件需求数据，所述配件需求数据包括：事故案件数据、车辆结构数据和配件基本数据；识别所述配件需求数据中的配件特征数据，所述配件特征数据包括：车辆类型、品牌、车系和车辆型号；将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理，构建训练数据集。

进一步地，基于所述训练数据集，对所述预先建立的配件推荐模型进行训练，包括：对所述训练数据集中的训练样本数据进行识别，识别所述训练样本数据中的配件特征数据；基于所述训练样本数据中的配件特征数据，对所述预先建立的配件关联模型进行训练；基于所述配件关联模型对所述训练样本数据进行处理，输出训练关联配件数据。

进一步地，基于预设条件对配件关联模型进行校验，获得标准配件关联模型，包括：识别所述训练维修数据中与所述配件需求数据对应的配件订单数据，将所述配件订单数据与所述训练配件关联数据进行对比；若所述对比结果满足预设条件，获得关联配件推荐模型；若所述对比结果不满足预设条件，对所述配件关联模型继续校验，直至满足预设条件，获得标准配件关联模型。

进一步地，在基于所述标准配件关联模型对所述待识别汽车维修数据进行处理，获得关联配件数据之后，还包括：基于所述关联配件数据，匹配与所述关联配件数据对应的配件采集端口。

本发明的第二方面，提出了一种汽车维修关联配件的数据处理装置，包括：数据采集模块，用于采集汽车维修数据，所述汽车维修数据至少包括：待识别汽车维修数据和训练维修数据；配件关联模块，包括：训练模型模块，基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型；以及数据处理模块，基于所述标准配件关联模型对所述待识别汽车维修数据进行处理，获得关联配件数据。结果输出模块，用于输出所述关联配件数据。

进一步地，所述配件关联模块，包括：训练模型模块，基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型，包括：样本构建模块，识别所述训练维修数据中的配件需求数据，基于所述配件需求数据构建训练数据集；模型训练模块，基于所述训练数据集，对所述预先建立的配件关联模型进行训练；模型校验模块，基于预设条件对配件关联模型进行校验，获得标准配件关联模型。

进一步地，所述样本构建模块，包括：识别所述训练维修数据中的配件需求数据，所述配件需求数据包括：事故案件数据、车辆结构数据和配件基本数据；识别所述配件需求数据中的配件特征数据，所述配件特征数据包括：车辆类型、品牌、车系和车辆型号；将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理，构建训练数据集。

本发明的第三方面，提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述的关联配件的数据处理方法的步骤。

本申请的实施例提供的技术方案可以包括以下有益效果：

在本申请中，在汽车配件的采集过程中，通过获取训练维修数据，建立配件关联模型，并对所述配件关联模型进行训练，对所述配件关联模型进行校验，获得标准配件关联模型，通过所述标准配件关联模型对多户待识别维修数据进行处理，获得与所述待识别维修数据对应的关联配件数据，达到了提高配件查找和采购的效率，减少人力资源消耗的技术效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图；

图2为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图；

图3为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图；

图4为本申请提供的一种汽车维修关联配件的数据处理装置的结构示意图；

图5为本申请提供的另一种汽车维修关联配件的数据处理装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

图1为本申请提供的一种汽车维修关联配件的数据处理方法的流程示意图，如图1所示，该方法包括以下步骤：

s101：采集汽车维修数据，所述汽车维修数据至少包括：待识别汽车维修数据和训练维修数据；

所述训练维修数据为完成配件采购的维修数据，用于训练配件关联模型，可由已完成汽车维修的汽车维修数据库中获得。获取的汽车维修数据类型包括：汽车事故案件数据，配件采集需求数据和汽车改装需求数据等汽车维修数据类型。

s102：基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型；

图2示出了对预先建立的配件关联模型进行训练的流程示意图，具体如下：

s201：识别所述训练维修数据中的配件需求数据，基于所述配件需求数据构建训练数据集；

识别所述训练维修数据中的配件需求数据，所述配件需求数据包括：事故案件数据、车辆结构数据和配件基本数据；识别所述配件需求数据中的配件特征数据，所述配件特征数据包括：车辆类型、品牌、车系和车辆型号；将所述配件需求数据基于所述配件需求数据与所述配件特征数据进行分类处理，构建训练数据集。

举例说明，对所述训练数据中的配件需求数据进行识别，识别所述配件需求数据为事故案件数据，匹配所述事故案件数据中的配件特征数据，车辆类型为乘用车，车辆品牌为奥迪，车辆型号为a6l，基于所述配件特征数据将所述训练数据进行分类，匹配具有相同特征数据的其他数据，构成训练数据集。

s202：基于所述训练数据集，对所述预先建立的配件关联模型进行训练；

对所述训练数据集中的训练样本数据进行识别，识别所述训练样本数据中的配件特征数据；基于所述训练样本数据中的配件特征数据，对所述预先建立的配件关联模型进行训练；基于所述配件关联模型对所述训练样本数据进行处理，输出训练关联配件数据。

s203：基于预设条件对配件关联模型进行校验，获得标准配件关联模型。

识别所述训练维修数据中与所述配件需求数据对应的配件订单数据，将所述配件订单数据与所述训练配件关联数据进行对比；若所述对比结果满足预设条件，获得关联配件推荐模型；若所述对比结果不满足预设条件，对所述配件关联模型继续校验，直至满足预设条件，获得标准配件关联模型。

所述预设条件为配件关联数值，所述关联系数值为统一配件在不同案件中关联关系的具体表现形式。

通过对所述配件关联模型进行校验，提高所述配件关联模型的基于维修数据进行配件关联的效果，提高配件关联的关联效果。

s103：基于所述标准配件关联模型对所述待识别汽车维修数据进行处理，获得关联配件数据；

将所述待识别汽车维修数据输入所述标准配件关联模型，获取所述标准配件关联模型输出的关联配件数据，其中所述关联配件数据是基于所述配件关联程度由高至低顺序输出。

s104：基于所述关联配件数据，匹配与所述关联配件数据对应的配件采集端口。

图3示出了所述待识别汽车维修数据通标准配件关联模型进行处理的流程示意图，具体如下：

s301：识别所述待识别汽车维修数据中的配件需求数据与配件特征数据；

s302：通过标准配件关联模型对所述配件需求数据与配件特征数据进行处理，输出与所述待识别汽车维修数据对应的关联配件数据；

s303：基于所述关联配件数据，匹配与所述关联配件数据对应的配件采集端口。

基于所述关联配件数据，匹配配件采集服务端口，包括电商接口，搜索引擎接口或其他接口，可根据用户设置，外接服务端口，实现对汽车维修数据的关联配件数据的识别获取与关联配件订单生成。

图4为本申请提供的一种汽车维修关联配件的数据处理装置的结构示意图，具体如下，

数据采集模块41，用于采集汽车维修数据，所述汽车维修数据至少包括：待识别汽车维修数据和训练维修数据；

配件关联模块42，包括：

训练模型模块，基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型；以及

数据处理模块，基于所述标准配件关联模型对所述待识别汽车维修数据进行处理，获得关联配件数据。

结果输出模块43，用于输出所述关联配件数据。

图5为本申请提供的另一种汽车维修关联配件的数据处理装置的结构示意图。

训练模型模块51，基于所述训练维修数据对预先建立的配件关联模型进行训练，获得标准配件关联模型，包括：

样本构建模块52，识别所述训练维修数据中的配件需求数据，基于所述配件需求数据构建训练数据集；

模型训练模块53，基于所述训练数据集，对所述预先建立的配件关联模型进行训练；

模型校验模块54，基于预设条件对配件关联模型进行校验，获得标准配件关联模型。

关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，在本申请中，在汽车配件的采集过程中，通过获取训练维修数据，建立配件关联模型，并对所述配件关联模型进行训练，对所述配件关联模型进行校验，获得标准配件关联模型，通过所述标准配件关联模型对多户待识别维修数据进行处理，获得与所述待识别维修数据对应的关联配件数据，达到了提高提高配件查找采购效率，减少人力资源消耗的技术效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

显然，本领域的技术人员应该明白，上述的本申请的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。