[发明专利]一种车辆预测方法及系统

说明书

本发明公开了一种车辆增量的预测方法及系统，属于智能交通大数据领域。所述方法包括：根据第一预设时间段内各车辆的轨迹数据及各车辆的静态数据，生成各车辆的综合数据；在各车辆的综合数据中提取特征信息，对特征信息进行聚合并划分为训练集和测试集；根据训练集训练出预测模型，并采用测试集对预测模型进行测试；使用测试后的预测模型预测未来的车辆增量。本发明中的预测模型具有较高的稳定性和准确性，使得通过预测模型预测的车辆增量具有高准确性，对于车辆生产厂家而言，可以根据本发明中的预测模型预测未来各省、各品牌、各型号的车辆增量，从而及时的调整库存及生产量，以更好的满足市场需求，并最大化自身利益。

技术领域

本发明涉及智能交通大数据领域，尤其涉及一种车辆预测方法及系统。

背景技术

随着社会经济的快速发展，无论是私家车还是物流运输车都在以指数级的速度飞速增长；各车辆生产厂家也在不断的生产并出售各种品牌、各种功能、各种大小的车辆，但是盲目的生产，往往会出现某个品牌或者某个型号的车辆库存增多，而某个品牌或者某个型号的车辆库存不足的情况；因而，对于车辆的生产厂家而言，有效的预测各车辆的市场需求，从而有效的调整库存，有针对性的进行生产车辆，能够使其更好的适应并满足市场需求，而且能够保障其自身的利益。

发明内容

为解决现有技术的不足，本发明提供一种车辆增量的预测方法及系统。

一方面，本发明提供一种车辆增量的预测方法，包括：

步骤S1：根据第一预设时间段内各车辆的轨迹数据及各车辆的静态数据，生成各车辆的综合数据；

步骤S2：在所述各车辆的综合数据中提取特征信息，对所述特征信息进行聚合并划分为训练集和测试集；

步骤S3：根据所述训练集训练出预测模型，并采用所述测试集对所述预测模型进行测试；

步骤S4：使用测试后的预测模型预测未来的车辆增量。

可选地，所述步骤S1，具体为：对第一预设时间段内各车辆的轨迹数据进行清洗，并对清洗后的轨迹数据进行相应车辆静态数据的补全，得到各车辆的综合数据；所述轨迹数据包括一系列的位置数据及行驶速度；所述静态数据，包括车辆的首次运行时间、注册省、车辆品牌、驱动类型、车辆类型及车架号信息。

可选地，所述步骤S2中，在所述各车辆的综合数据中提取特征信息，具体包括：

将所述第一预设时间段划分为多个第二预设时间段；

根据所述各车辆的综合信息中含有的位置数据和行驶速度，统计在各第二预设时间段内各车辆的运营数据及维修站停靠次数；

依次将各第二预设时间段的截止时间作为第一当前时间，根据所述各车辆的综合信息中含有的最后一个轨迹数据，统计各车辆至各第一当前时间的未行驶天数；

根据所述各车辆的综合信息中含有的车架号信息，确定各车辆在各第一当前时间的车龄；

根据所述各车辆的综合信息中含有的注册省及首次运行时间，结合所述各车辆在各第一当前时间的车龄，统计在各第二预设时间段内各省的车辆增量。

可选地，所述步骤S2中，所述对所述特征信息进行聚合并划分为训练集和测试集，具体包括：

步骤A1：将各车辆的综合数据中含有的注册省、车辆品牌、驱动类型及车辆类型作为车辆的属性信息，对具有相同属性信息的车辆对应的特征信息进行聚合，得到各属性信息的车辆在各第二预设时间段内的综合特征信息；

步骤A2：根据各综合特征信息，依次确定任意相邻两个第二预设时间段中前一个第二预设时间段的综合特征信息与后一个第二预设时间段的综合特征信息中含有的车辆增量之间的对应关系，得到各对应关系；

步骤A3：按照预设比例，将所述各对应关系划分为训练集和测试集。