[发明专利]一种智能网联车配件需求预测方法

摘要

本发明涉及一种预测方法，特别是一种主要用于预测车辆零部件需求且步骤简单、预测精度高的利用智能网联车数据的车辆配件需求预测方法。引入模型中的服务半径内汽车保有数量服从参数为λ的泊松分布，根据历史经验得知某一配件的历史故障率为p，可以将配件需求分布—二项分布改进为泊松—二项分布；此外，将故障率p看作一个随机变量，通过历史数据与新数据的结合，将智能网联车记录的维修站维修数据和确切的发生故障的车辆数量应用到模型中，实现对故障率p的估计更新，提高估计精度；最后运用实例进行例证。本发明可解决由于汽车零部件的寿命和故障率不同导致估计配件需求量的拟合不准确，给配件尤其是不常用配件的准备造成困难的问题。

主权项

1.一种利用智能网联车数据的车辆配件需求预测方法，其特征在于包括以下步骤：a、统计在维修站汽车维修服务半径内的某一品牌的汽车数量，根据统计规律可知在某维修站服务区域内A型汽车的保有数量服从参数为λ的泊松分布；b、应用统计学方法获得该A型汽车某一配件的历史故障率为p，该p服从二项分布，结合服务半径内的汽车数量预测结果，将二项分布改进为泊松—二项分布，建立基于泊松—二项分布的配件预测模型；c、将以往方法中视为常数的配件故障率p看作一个随机变量，对应于二项分布，建立故障率p服从二项分布的共轭先验分布—贝塔分布模型；d、得到故障率的估计值：相应得到故障率的期望为其中测试数据中发生故障的配件个数为a₀，没有发生故障配件个数为b₀；e、将本周期内维修站维修数据和通过智能网联车技术记录的本周期内维修站服务区域内活动车辆数据纳入到模型中，得到没有发生故障的汽车数量b₁，发生故障的汽车数量a₁，进一步将贝塔函数更新为：Be(a+a₁,b+b₁)，因此可以得到下一周期的配件需求预测为：即将故障率由初始估计修正为f、最后，得到平均故障率p的估计序列：进一步得到每个周期汽车配件需求的精准预测。