本发明公开了一种车辆维修行为监测方法、设备、介质和装置，包括以下步骤：数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；车辆维修状态生成步骤，通过对历史维修数据进行聚类生成车辆历史维修状态模型；维修区域监控步骤，根据对车辆历史维修状态模型进行计算确定维修区域，能动态监控车辆的维修状况，帮助汽车主机厂实时把握客户车辆实际的维修情况，提供车辆在其管辖的维修机构以外的维修点维修的信息，从而使得汽车主机厂能实时发现客户的回厂需求的同时更好对客户提供精确的服务。
1.一种车辆维修行为监测方法，其特征在于，包括以下步骤：
数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对所述车辆的行驶数据、所述告警数据、所述电子地图API传输的数据与所述车辆在专营店的历史维修数据进行预处理；
车辆维修状态生成步骤，通过对所述历史维修数据进行聚类生成车辆历史维修状态模型；
维修区域监控步骤，根据对所述车辆历史维修状态模型进行计算确定维修区域，通过维修区域监控模型监控车辆行驶结束后是否进入维修区域；
车辆维修行为判断步骤，利用机器学习的方法，将所述车辆历史维修状态模型输入进行训练，得到维修行为判断模型；若进入所述维修区域，则将进入所述维修区域的车辆数量传输至维修行为判断模型进行维修行为判断；
S1、根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合Ln(t)＝{(lng1，lat1)1，(lng2，lat2)1...(lngk，latk)m}t，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；
S2、根据经纬度之间的距离公式：dis(xi，xj，yi，yj)t分别对步骤S1中得到的行程经纬度集合Ln进行聚类得到各个专营店维修时间内车辆数量的聚集点Cn(t)＝{Ln，1，Ln，2...Ln，b}t，其中Ln，b表示专营店n第b个聚类簇，且Ln，b∈Ln；
dis(xi，xj，yi，yj)t＝R×arcos[cos yi×cos yj×cos(xi‑xj)+sin yi×sin yj]其中，R表示地球半径，xi，xj，yt，yj分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合Ln(t)中不同经纬度之间的距离可表示为dis(lngi，lati，lngj，latj)t；
S3、根据聚集点生成车辆历史维修状态集合，通过选取Cn(t)中车辆数量最多的聚集点Ln，max集合，确定所述聚集点Ln，max集合为专营店维修时的车辆所在的维修区域；
S4、通过设定距离阈值来进行筛选掉少于设定的车辆数量的聚集点。
2.根据权利要求1所述的车辆维修行为监测方法，其特征在于，所述维修区域监控步骤包括；
通过计算各个专营店聚集点Ln，max集合中每个集合中经度和维度的平均值并通过步骤S2中的距离公式，确定以 为半径， 为圆心的各维修点维修区域；实时判断车辆行程结束点是否在维修区域内，对进入维修区域的车辆进行维修行为判断。
3.根据权利要求2所述的车辆维修行为监测方法，其特征在于，所述维修区域监控步骤还包括；
通过判断输入的车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据是否聚类生成车辆历史维修态，若是则进行了维修行为，若没有则没有发生维修行为。
4.根据权利要求2所述的车辆维修行为监测方法，其特征在于，通过电子地图API获取到全国维修点的经纬度，并将各个维修点半径为 的圆形区域作为维修区域，通过维修区域监控模型，监控车辆是否对进入维修区域，再通过维修行为判断模型判断本次行程结束后是否会进行维修。
5.根据权利要求1所述的车辆维修行为监测方法，其特征在于，所述步骤还包括模型更新维护步骤：S51、通过对所述维修行为判断模型冗余状态特征进行删减，根据信息熵理论计算维修行为判断模型中各个特征的贡献情况，通过特征重要性阈值γ记录待过滤的贡献低的状态特征；
S52、在若干个判断周期后对维修行为判断模型再次训练；通过设置模型训练周期ΔT＝m·Δt，其中Δt为每次运行间隔，在每次ΔT时检验维修行为判断模型的准确性，当低于修行为判断模型准确率阈值θ时，通过反馈的数据集删减步骤S5中的状态特征，并增加车辆最新的车辆历史维修状态模型，再次训练维修行为判断模型，保证维修行为判断模型的可持续性。
6.一种车辆维修行为监测装置，其特征在于，所述装置包括：
数据获取及处理模块，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据，并对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；
维修状态生成模块，用于对维修时间附近的行程进行聚类，生成车辆历史维修状态模型；
维修区域监控模块，用于监控车辆行驶结束后是否进入了维修区域，并将进入区域的车辆数量传至车辆维修行为判断模块进行维修行为判断；
车辆维修行为判断模块，用于判断进入维修区域的车辆是否发生维修；
模型更新维护模块，用于给用户提供可视化界面，便于查看和更新维护模型；
根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合Ln(t)＝{(lng1，lat1)1，(lng2，lat2)1...(lngk，latk)m}t，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；
根据经纬度之间的距离公式：dis(xi，xj，yi，yj)t分别对步骤S1中得到的行程经纬度集合Ln进行聚类得到各个专营店维修时间内车辆数量的聚集点Cn(t)＝{Ln，1，Ln，2...Ln，b}t，其中Ln，b表示专营店n第b个聚类簇，且Ln，b∈Ln；
dis(xi，xj，yi，yj)t＝R×arcos[cos yi×cos yj×cos(xi‑xj)+sin yi×sin yj]其中，R表示地球半径，xi，xj，yt，yj分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合Ln(t)中不同经纬度之间的距离可表示为dis(lngi，lati，lngj，latj)t；
根据聚集点生成车辆历史维修状态集合，通过选取Cn(t)中车辆数量最多的聚集点Ln，max集合，确定所述聚集点Ln，max集合为专营店维修时的车辆所在的维修区域；
通过设定距离阈值来进行筛选掉少于设定的车辆数量的聚集点。
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～5中任一所述的车辆维修行为监测方法。
8.一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，该程序被处理器执行时实现如权利要求1～5中任一所述的车辆维修行为监测方法。
一种车辆维修行为监测方法、设备、介质和装置
技术领域
[0001] 本发明涉及车辆售后智能诊断技术领域，尤其涉及一种车辆维修行为监测方法、设备、介质和装置。
背景技术
[0002] 随着国民经济的不断增长，国内汽车保有量逐年增加，2020年达到2.81亿，与此同时，售后服务的毛利占汽车经销商毛利的65％‑75％，汽车售后服务成为汽车主机厂(OEM)关注的焦点。
[0003] 虽然售后服务有着极大的市场，而且OEM也有其主体下辖售后服务机构(专营店/4S店)，但OEM也面临极大的挑战，如客户流失率高、客户回厂意愿低等。这使得OEM，在越来越难掌握车辆在专营店以外维修点的维修行为，不利于其提高售后服务市场竞争力。针对这些问题，OEM主要通过各种活动进行回厂邀约，以提高回厂率、降低流失率、把握车辆状态。然而，由于未掌握车辆的全部维修行为，无法在准确的时间段内进行关怀邀约，一般定时对所有车主进行邀约，这不仅耗费大量时间和人力，而且邀约成功率低。因此，OEM希望能发现车辆整体的维修情况而不是仅仅是专营店中的维修信息，即需要确定车辆何时、何地、是否进行了维修，在此基础上进行特定人群的邀约，以此提高邀约成功率。
[0004] 机器学习需要具有海量与分析目标相关的数据，而对于OEM，其具有大量反映车辆状态的数据。而当车辆进行维修后，其状态会发生变化，基于此挖掘出车辆是否发生了维修行为。因此，通过OEM自身的数据资源，发现车辆维修行为、确定其何时、何地、进行了维修，不仅使OEM能充分利用数据资产，且能在此基础上把握车辆的健康状态，为汽车主机厂发现客户潜在回厂需求、对客户提供精确的服务等。汽车主机厂在越来越难掌握车主车辆全部的维修情况，不利于其提高售后服务。
发明内容
[0005] 针对现有技术中汽车主机厂由于未掌握车辆的全部维修行为，无法在准确的时间段内进行关怀邀约，一般定时对所有车主进行邀约，这不仅耗费大量时间和人力，而且邀约成功率低。本发明提供一种车辆维修行为监测方法、设备、介质和装置，能动态监控车辆的维修状况，帮助汽车主机厂实时把握客户车辆实际的维修情况。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 本发明实施例提供一种车辆维修行为监测方法，包括以下步骤：
[0008] 数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对所述车辆的行驶数据、所述告警数据、所述电子地图API传输的数据与所述车辆在专营店的历史维修数据进行预处理；
[0009] 车辆维修状态生成步骤，通过对历史维修数据进行聚类生成车辆历史维修状态模型；
[0010] 维修区域监控步骤，根据对所述车辆历史维修状态模型进行计算确定维修区域，通过维修区域监控模型监控车辆行驶结束后是否进入维修区域；
[0011] 车辆维修行为判断步骤，利用机器学习的方法，将所述车辆历史维修状态模型输入进行训练，得到维修行为判断模型；若进入维修区域，则将进入所述维修区域的车辆数量传输至维修行为判断模型进行维修行为判断。
[0012] 在本发明所述的车辆维修行为监测方法中，所述车辆维修状态生成步骤包括：
[0013] S1,根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合Ln(t)＝{(lng1,lat1)1,(lng2,lat2)1…(lngk,latk)m}t，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；
[0014] S2、根据经纬度之间的距离公式：dis(xi,xj,yi,yj)t分别对步骤S1中得到的行程经纬度集合Ln进行聚类得到各个专营店维修时间内车辆数量的聚集点Cn(t)＝{Ln,1,Ln,2…Ln,b}t，其中Ln,b表示专营店n第b个聚类簇，且Ln,b∈Ln；
[0015] 其中经纬度之间的距离计算公式为：
[0016] dis(xi,xj,yi,yj)t＝R×arcos[cos yi×cos yj×cos(xi‑xj)+sin yi×sin yj][0017] 其中，R表示地球半径，xi,xj,yi,yj分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合Ln(t)中不同经纬度之间的距离可表示为dis(lngi,lati,lngj,latj)t；
[0018] S3、根据聚集点生成车辆历史维修状态集合，通过选取Cn(t)中车辆数量最多的聚集点Ln,max集合，确定聚集点Ln,max集合为专营店维修时的车辆所在的维修区域；
[0019] S4、通过设定距离阈值来进行筛选掉少于设定的车辆数量的聚集点。
[0020] 在本发明所述的车辆维修行为监测方法中，所述维修区域监控步骤包括：
[0021] 通过计算各个专营店聚集点Ln,max集合中每个集合中经度和维度的平均值并通过步骤S2中的距离公式，确定以 为半径， 为圆心的各维修点维修区域；实时判断车辆行程结束点是否在维修区域内，对进入维修区域的车辆进行维修行为判断。
[0022] 在本发明所述的车辆维修行为监测方法中，所述维修区域监控步骤还包括；
[0023] 通过判断输入的车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据是否聚类生成车辆历史维修态，若是则进行了维修行为，若没有则没有发生维修行为。
[0024] 在本发明所述的车辆维修行为监测方法中，通过电子地图API获取到全国维修点的经纬度，并将各个维修点半径为 的圆形区域作为维修区域，通过维修区域监控模型，监控车辆是否对进入维修区域，再通过维修行为判断模型判断本次行程结束后是否会进行维修。
[0025] 在本发明所述的车辆维修行为监测方法中，所述步骤还包括模型更新维护步骤：
[0026] S51、通过对所述维修行为判断模型冗余状态特征进行删减，根据信息熵理论计算维修行为判断模型中各个特征的贡献情况，通过特征重要性阈值γ记录待过滤的贡献较低的状态特征；
[0027] S52、在若干个判断周期后对维修行为判断模型再次训练；通过设置模型训练周期ΔT＝m·Δt，其中Δt为每次运行间隔，在每次ΔT时检验维修行为判断模型的准确性，当低于修行为判断模型准确率阈值θ时，通过反馈的数据集删减步骤S51中的状态特征，并增加车辆最新的车辆历史维修状态模型，再次训练维修行为判断模型，保证维修行为判断模型的可持续性。
[0028] 根据发明的另一方面，还提供一种车辆维修行为监测装置，所述装置包括：
[0029] 数据获取及处理模块，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据，并对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；
[0030] 维修状态生成模块，用于对维修时间附近的行程进行聚类，生成车辆历史维修状态模型；
[0031] 维修区域监控模块，用于监控车辆行驶结束后是否进入了维修区域，并将进入区域的车辆数量传至车辆维修行为判断模块进行维修行为判断；
[0032] 车辆维修行为判断模块，用于判断进入维修区域的车辆是否发生维修；
[0033] 模型更新维护模块，用于给用户提供可视化界面，便于查看和更新维护模型。
[0034] 本实施例的另一方面，还提供一种计算机设备，包括：
[0035] 一个或多个处理器；
[0036] 存储装置，用于存储一个或多个程序，
[0037] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的车辆维修行为监测方法。
[0038] 本实施例的再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器
[0039] 执行时实现如本发明任一实施例所述的车辆维修行为监测方法。
[0040] 上述公开的一种车辆维修行为监测方法、设备、介质和装置具有以下有益效果：能动态监控车辆的维修状况，帮助汽车主机厂实时把握客户车辆实际的维修情况，提供车辆在其管辖的维修机构以外的维修点维修的信息，从而使得汽车主机厂能实时发现客户的回厂需求的同时更好对客户提供精确的服务。
附图说明
[0041] 图1为本发明一实施例提供的一种车辆维修行为监测方法的流程图；
[0042] 图2为本发明一实施例提供的一种车辆维修行为监测装置的工作原理框图；
[0043] 图3为本发明一实施例提供的一种车辆维修行为监测方法、设备、介质和装置的运行模式参考图。
具体实施方式
[0044] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0045] 图1所示是本发明一实施例提供的车辆维修行为监测方法的流程示意图。
[0046] 如图1所示，本发明提供的车辆维修行为监测方法，包括以下步骤：
[0047] 101、数据获取与处理步骤，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据；对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；车辆的行程数据反应车辆实时运行状态，如速度、停留时间等；告警数据是指车辆故障实时报警信息，如发动机有无报警、变速箱有无告警等；电子地图API传输的数据是用于获取车辆行驶结束后停留所在地的区域信息，如区域内有无维修店。通过收集车载终端传输的行程数据、告警数据以及GPS信息，同时收集车辆在专营店的历史维修数据并对车辆在专营店的历史维修数据进行预处理。其中获取车辆的行程数据包括车辆行驶时间、经纬度及停留时间；其中告警数据内容是可选项，根据车辆现有的部件传感器进行收集，主要收集发动机、变速箱、制动系统、电池、前侧碰撞、车胎、安全气囊部件的告警情况；GPS信息结合电子地图API获取到全国维修点经纬度；历史维修数据取各个专营店车辆的维修时间。其中数据预处理主要是针对结构化数据的处理方式，包括三步：1)量纲变换，对行驶、里程、时间等单位进行转换；2)异常值过滤，主要对两类数据过滤，明显超出物理极限(如，车速达600km/h)和传输异常错误数据；3)缺失值填充，填充缺失值主要通过众数填充和均值填充。其中API为应用程序的调用接口。
[0048] 102、车辆维修状态生成步骤，通过对各个专营店车辆的维修时间进行聚类生成车辆历史维修状态模型；
[0049] 103、维修区域监控步骤，根据对车辆历史维修状态模型进行计算确定维修区域，通过维修区域监控模型监控车辆行驶结束后是否进入维修区域；
[0050] 104、车辆维修行为判断步骤，利用机器学习的方法，将车辆历史维修状态模型输入进行训练，得到维修行为判断模型；若进入维修区域，则将进入维修区域的车辆数量传输至维修行为判断模型进行维修行为判断。
[0051] 在本发明的车辆维修行为监测方法中，102包括如下子步骤S1‑S4：
[0052] 在步骤S1中；根据各个专营店维修记录筛选行驶数据得到车辆维修时的行程经纬度集合Ln(t)＝{(lng1,lat1)1,(lng2,lat2)1…(lngk,latk)m}t，其中n为第n个专营店，m为第m辆车，k为第m辆车的第k条行程，lng和lat分别为行驶数据的经度和纬度，t表示第t个运行周期；其中n、m、k与t分别为正整数。
[0053] 在步骤S2中；根据经纬度之间的距离公式：dis(xi,xj,yi,yj)t分别对步骤S1中得到的行程经纬度集合Ln进行聚类得到各个专营店维修时间内车辆数量的聚集点Cn(t)＝{Ln,1,Ln,2…Ln,b}t，其中Ln,b表示专营店n第b个聚类簇，且Ln,b∈Ln；b为正整数，其中，表1为部分计算结果。
[0054] 表1
[0055]行程 专营店 经度 维度 聚集点
行程1 专营店1 113.793918 34.719986 店1点2
行程2 专营店1 113.763521 34.70992 店1点1
行程3 专营店1 113.763527 34.710007 店1点1
行程4 专营店1 113.722243 34.729598 店1点3
行程5 专营店1 113.763552 34.710107 店1点1
行程6 专营店1 113.763299 34.710038 店1点1
… … … …
行程1 专营店2 121.380363 28.556856 店2点1
行程2 专营店2 121.380085 28.557737 店2点1
行程3 专营店2 121.380886 28.557537 店2点1
… … … …
[0056] 其中经纬度之间的距离计算公式为：
[0057] dis(xi,xj,yi,yj)t＝R×arcos[cos yi×cos yj×cos(xi‑xj)+sin yi×sin yj][0058] 其中，R表示地球半径，xi,xj,yi,yj分别对应两个不同距离的经纬度，当运行第t个周期时，行程经纬度集合Ln(t)中不同经纬度之间的距离可表示为dis(lngi,lati,lngj,latj)t；
[0059] 在步骤S3中；根据聚集点生成车辆历史维修状态集合，通过选取Cn(t)中车辆数量最多的聚集点Ln,max集合，确定聚集点Ln,max集合为专营店维修时的车辆所在的维修区域。该聚集点Ln,max集合即是专营店维修时的车辆所在的区域，由于选取的是维修时间前后行程结束点的经纬度进行的聚类，因此聚集点Ln,max集合中的行程，即是车辆从其他地点开到专营店准备维修的状态，即聚集点Ln,max集合即是车辆历史维修状态集合。
[0060] 在步骤S4中；通过设定距离阈值来进行筛选掉车辆少于设定的车辆数量的聚集点。通过DBSCAN密度聚类算法进行聚类，当距离设置为80米时，车辆数量的聚集点最少为5。其中阈值 和 分别为集合Ln,和集合Ln中车辆数量，实施例中设
置距离阈值δ为0.34。
[0061] 在本发明的车辆维修行为监测方法中，维修区域监控步骤包括：
[0062] 通过计算各个专营店Ln,max集合中每个集合中经度和维度的平均值 并通过步骤S2中的距离公式，确定以 为半径， 为圆心的各维修点维修区域；实时判断车辆行程结束点是否在维修区域内，对进入维修区域的车辆进行维修行为判断。
[0063] 可选的，103步骤还包括；
[0064] 具体的，通过判断输入的车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据是否聚类生成车辆历史维修态，若是则进行了维修行为，若没有则没有发生维修行为。
[0065] 在本发明的车辆维修行为监测方法中，通过电子地图API获取到全国维修点的经纬度，并将各个维修点半径为 的圆形区域作为维修区域，通过维修区域监控模型，监控车辆是否对进入维修区域，再通过维修行为判断模型判断本次行程结束后是否会进行维修。
[0066] 如图3所示，105、模型更新维护步骤：
[0067] S51、通过对所述维修行为判断模型冗余状态特征进行删减，根据信息熵理论计算维修行为判断模型中各个特征的贡献情况，通过特征重要性阈值γ记录待过滤的贡献低的状态特征；
[0068] S52、在若干个判断周期后对维修行为判断模型再次训练；通过设置模型训练周期ΔT＝m·Δt，其中Δt为每次运行间隔，在每次ΔT时检验维修行为判断模型的准确性，当低于修行为判断模型准确率阈值θ时，实时例中θ设为0.75，通过反馈的数据集删减步骤S5中的状态特征，并增加车辆最新的车辆历史维修状态模型，再次训练维修行为判断模型，保证维修行为判断模型的可持续性。用于保证模型可持续性和判断结果的准确性。
[0069] 如图2所示，基于同一发明构思，本发明还提供一种车辆维修行为监测装置，该装置包括：
[0070] 数据获取及处理模块，用于获取车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据，并对车辆的行驶数据、告警数据、电子地图API传输的数据与车辆在专营店的历史维修数据进行预处理；
[0071] 维修状态生成模块，用于对维修时间附近的行程进行聚类，生成车辆历史维修状态；
[0072] 维修区域监控模块，用于监控车辆行驶结束后是否进入了维修区域，并将进入区域的车辆数量传至车辆维修行为判断模块进行维修行为判断；
[0073] 车辆维修行为判断模块，用于判断进入维修区域的车辆是否发生维修；
[0074] 模型更新维护模块，用于给用户提供可视化界面，便于查看和更新维护模型。通过对维修行为判断模型冗余状态特征进行删减，根据信息熵理论计算模型中各个特征的贡献情况，通过特征重要性阈值γ，记录待过滤的贡献较低的状态特征；
[0075] 在若干个判断周期后对维修行为判断模型再次训练；通过设置模型训练周期ΔT＝m·Δt，其中Δt为每次运行间隔，在每次ΔT时检验维修行为判断模型的准确性，当低于修行为判断模型准确率阈值θ时，实时例中θ设为0.75，通过反馈的数据集删减步骤S5中的状态特征，并增加车辆最新的车辆历史维修状态模型，再次训练维修行为判断模型，保证维修行为判断模型的可持续性。用于保证模型可持续性和判断结果的准确性。
[0076] 本实施例的另一方面，还提供一种计算机设备，包括：
[0077] 一个或多个处理器；存储装置，用于存储一个或多个程序，
[0078] 当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任意实施例所提供的车辆维修行为监测方法。
[0079] 本实施例的再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器
[0080] 执行时实现如本发明任意实施例所提供的车辆维修行为监测方法。
[0081] 本发明提供的车辆维修行为监测方法、设备、介质和装置至少具有以下优点：
[0082] 1、克服难以精确发现车辆维修状态的难题，维修状态生成模型能通过客观数据生成车辆即将维修的状态，而非主观定性分析，有效提升模型准确性；
[0083] 2、在生成车辆历史维修状态模型的基础上，再增加维修区域监控模型，有效降低维修行为判断的事件，不仅提升装置的运行效率和降低内存，而且提升判断准确性；
[0084] 3、实际使用过程中能动态、可持续运行，具有明确的反馈机制保障装置稳定性和准确性。
[0085] 本文提供了实施例的各种操作。在一个实施例中，所述的一个或操作可以构成一个或计算机可读介质上存储的计算机可读指令，其在被电子设备执行时将使得计算设备执行所述操作。描述一些或所有操作的顺序不应当被解释为暗示这些操作必需是顺序相关的。本领域技术人员将理解具有本说明书的益处的可替代的排序。而且，应当理解，不是所有操作必需在本文所提供的每个实施例中存在。
[0086] 而且，本文所使用的词语“优选的”意指用作实例、示例或例证。奉文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
[0087] 而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件、资源等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
[0088] 本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的方法。
[0089] 综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。
