[發明專利]一種車輛直通率影響特征確定方法、裝置、設備及介質

有效

• 申請號: 202211276843.5
• 申請日: 2022-10-19
• 公開（公告）號: CN115358348B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 請求不公布姓名
• 申請（專利權）人: 成都數之聯科技股份有限公司
• 主分類號: G06F18/2113
• 分類號: G06F18/2113;G06F18/214;G06F18/24;G06N20/00;G06Q10/0639;G06Q50/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種車輛直通率影響特征確定方法，包括以下步驟：

對下線檢測不通過的車輛檢測數據進行預處理；

基于所述預處理的數據構建并訓練機器學習分類模型；

基于所述機器學習分類模型計算所述預處理的數據中特征的SHAP值；

對若干SHAP值通過預設的處理方式進行篩選，基于篩選結果優化車輛的檢測過程；

其中，SHAP值進行篩選過程包括：將所述篩選后的SHAP值排序，根據所述排序結果篩選符合條件的SHAP值，其對應的特征為可用于優化車輛檢測過程的特征；所述篩選后的SHAP值排序方式為降序排列；

其中，篩選符合條件的SHAP值過程為：篩選所述排序結果中SHAP值為正且均值排序Top-K的特征及SHAP值為負且均值排序Last-K的特征；所述的SHAP值為正且均值排序Top-K的特征為最容易產生正樣本數據的特征，所述SHAP值為負且均值排序Last-K的特征為最容易導致汽車出故障的特征。

2.如權利要求1所述的車輛直通率影響特征確定方法，其特征在于，所述預處理過程包括標記所述車輛檢測數據。

3.如權利要求1所述的車輛直通率影響特征確定方法，其特征在于，所述機器學習分類模型訓練過程包括：

將所述車輛檢測數據集劃分為訓練數據集和驗證數據集，所述訓練數據集用于訓練所述機器學習分類模型，所述驗證數據集用于驗證所述機器學習分類模型是否達到可用標準。

4.如權利要求2所述的車輛直通率影響特征確定方法，其特征在于：

標記所述車輛檢測數據過程為：將所述下線檢測不通過但重啟測試通過的車輛檢測數據定義為正樣本，將所述下線檢測不通過且重啟測試仍未通過的數據定義為負樣本。

5.如權利要求2所述的車輛直通率影響特征確定方法，其特征在于，所述預處理過程包括對所述車輛檢測數據進行one-hot編碼。

6.一種車輛直通率影響特征確定裝置，其特征在于，包括：

數據預處理模塊，用于對下線檢測不通過的車輛檢測數據進行預處理；

模型訓練模塊，用于基于所述預處理的數據構建并訓練機器學習分類模型；

檢測過程優化模塊，用于基于所述機器學習分類模型計算所述預處理的數據中特征的SHAP值，對若干SHAP值通過預設的處理方式進行篩選，基于篩選結果優化車輛的檢測過程；

其中，所述SHAP值進行篩選過程包括：將所述篩選后的SHAP值排序，根據所述排序結果篩選符合條件的SHAP值，其對應的特征為可用于優化車輛檢測過程的特征；所述篩選后的SHAP值排序方式為降序排列；

其中，篩選符合條件的SHAP值過程為：篩選所述排序結果中SHAP值為正且均值排序Top-K的特征及SHAP值為負且均值排序Last-K的特征；所述的SHAP值為正且均值排序Top-K的特征為最容易產生正樣本數據的特征，所述SHAP值為負且均值排序Last-K的特征為最容易導致汽車出故障的特征。

7.如權利要求6所述的車輛直通率影響特征確定裝置，其特征在于，所述預處理過程包括標記所述車輛檢測數據。

8.如權利要求6所述的車輛直通率影響特征確定裝置，其特征在于，所述機器學習分類模型訓練過程包括：

將所述車輛檢測數據集劃分為訓練數據集和驗證數據集，所述訓練數據集用于訓練所述機器學習分類模型，所述驗證數據集用于驗證所述機器學習分類模型是否達到可用標準。

9.如權利要求7所述的車輛直通率影響特征確定裝置，其特征在于：

標記所述車輛檢測數據過程為：將所述下線檢測不通過但重啟測試通過的車輛檢測數據定義為正樣本，將所述下線檢測不通過且重啟測試仍未通過的數據定義為負樣本。

10.如權利要求7所述的車輛直通率影響特征確定裝置，其特征在于，所述預處理過程包括對所述車輛檢測數據進行one-hot編碼。