[發明專利]在用新能源汽車的高風險車輛篩選方法及存儲介質

有效

• 申請號: 202210122447.0
• 申請日: 2022-02-09
• 公開（公告）號: CN114462857B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 萬鑫銘;閆文;程端前;張怒濤;王澎;趙星;周晶晶;張宇;劉川;蒲云川
• 申請（專利權）人: 中國汽車工程研究院股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/62
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 范淑萍

1.在用新能源汽車的高風險車輛篩選方法，其特征在于，包括以下步驟：

步驟1，確定與新能源汽車安全狀態相關聯的多個經驗特征，計算多個經驗特征之間的相關系數矩陣，對相關系數矩陣中相關系數值大于閾值的經驗特征的占比進行統計，判斷占比是否大于預設值，當占比大于預設值時，對經驗特征進行主成分分析，得到主成分特征；

所述主成分分析步驟包括：

步驟A：根據新能源汽車的分析需求選取初始分析變量，所述初始分析變量包括長時間尺度上的累積效應特征和使用強度特征；

步驟B：將初始分析變量中非標準化的累積效應特征按照預設模型進行標準化處理，所述預設模型為(x1-min1)/(max1-min1)，其中x1為初始分析變量的當前值，min1為多輛新能源汽車的經驗特征數據中x1同類型初始分析變量的最小值，max1為多輛新能源汽車的經驗特征數據中x1同類型初始分析變量的最大值；

步驟C：對標準化后的初始分析變量特征求協方差矩陣，計算協方差矩陣的特征值和特征向量；

步驟D：將特征值按照從大至小順序進行排序，得到主成分個數，并根據主成分個數得到主成分特征；

步驟E：根據主成分特征的線性變換系數，得到初始分析變量到主成分特征的線性變換系數矩陣；

步驟2，獲取運行中新能源汽車預設時間段內行駛的運行數據，根據累計行駛里程是否大于預設里程將新能源汽車的運行數據分成正樣本和負樣本；

步驟3，基于每個主成分特征對正樣本和負樣本的特征分布進行對比，得到正樣本與負樣本的特征分布的總區分度，根據總區分度中最大兩個值對應的主成分特征處理得到篩車綜合特征；

步驟4，以步驟3中的篩車綜合特征對待篩車的數據進行篩選。

2.根據權利要求1所述的在用新能源汽車的高風險車輛篩選方法，其特征在于：所述步驟D中，針對每個主成分特征計算特征貢獻率，并對主成分特征的特征貢獻率求和得到累計貢獻率，當累計貢獻率大于貢獻閾值時，以累計貢獻率大于貢獻閾值的主成分特征為主成分個數，以主成分個數的主成分特征為最終主成分特征；所述步驟E中，將累計貢獻率大于貢獻閾值的多個主成分特征線性變換系數進行組合，得到線性變換系數矩陣。

3.根據權利要求2所述的在用新能源汽車的高風險車輛篩選方法，其特征在于：所述步驟3中，基于每個主成分特征對正樣本和負樣本的特征分布進行對比，將負樣本與正樣本未重合部分車輛數量與負樣本中車輛總數量的比值作為負樣本區分度，將正樣本與負樣本未重合部分車輛數量與正樣本中車輛總數量的比值作為正樣本區分度，以負樣本區分度和正樣本區分度之和作為總區分度。

4.根據權利要求3所述的在用新能源汽車的高風險車輛篩選方法，其特征在于：所述步驟3中，將總區分度進行排序，以總區分度最大的兩個主成分特征相減得到經驗特征權重；

將總區分度最大的兩個主成分特征與經驗特征值作積，并將正樣本作積并標準化后的20％分位數特征值作為特征篩選閾值；

計算總區分度最大的兩個主成分特征的綜合特征取值范圍，根據特征取值范圍確定超參數；

將經驗特征權重、特征篩選閾值和超參數作為篩車綜合特征。

5.根據權利要求4所述的在用新能源汽車的高風險車輛篩選方法，其特征在于：所述步驟3中，以總區分度最大的兩個主成分特征各自的最大值減去最小值得到上邊界值，以總區分度最大的兩個主成分特征各自的最小值減去最大值得到下邊界值，以[下邊界值，上邊界值]作為綜合特征取值范圍，將上邊界值和下邊界值確定為超參數。

6.根據權利要求5所述的在用新能源汽車的高風險車輛篩選方法，其特征在于：所述步驟4中，將經驗特征權重與待篩車的車輛數據作積得到初始值，將初始值在超參數條件下進行標準化得到評分值，將評分值與特征篩選閾值進行對比，當評分值大于特征篩選閾值時，對待評價車輛的風險進行評價。

7.存儲介質，存儲有計算機可執行程序，其特征在于：所述可執行程序被運行時執行如權利要求1-6任一項上述在用新能源汽車的高風險車輛篩選方法的步驟。