基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统及方法技术方案

基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统及方法,属于车辆定损领域,为了解决车辆碰撞后，对于工况的检测的问题，技术要点是：工况检测子系统，判断碰撞发生的所有工况信息；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。效果是：上述技术方案，可以实现对于车辆碰撞的工况检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升。

【技术实现步骤摘要】

本专利技术属于车辆定损领域，涉及一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统及方法。
技术介绍
针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导致的理赔纠纷问题，远程定损技术通过采集车辆行驶过程中的多种信号(如速度、加速度、角速度、声音等)并用信号处理和机器学习技术加以分析，以判断碰撞是否发生以及碰撞后车辆的损毁情况。车辆发生碰撞事故后，前端设备能够检测出碰撞的发生并截取碰撞过程的信号，通过无线网络发送至云端，远程服务器从收到的信号中抽取出事先设计的特征值，用机器学习算法进行分析，先判断碰撞数据的准确性，再判断碰撞物体和工况情况，以确定碰撞数据集对什么零件产生了哪种等级的损伤，然后根据零件损伤等级计算出参考理赔金额并发送至保险公司。这期间会涉及对于车型、工况、目标、零件和区域的检测。
技术实现思路
为了解决车辆碰撞后，对于工况的检测的问题，本专利技术提出了基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统及方法，以实现定损过程中的工况检测。为了解决上述技术问题，本专利技术提供的技术方案的要点是：包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用半监督学习聚类假设方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。有益效果：上述技术方案，可以实现对于车辆碰撞的工况检测，在远程定损的这个
使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升；本专利技术通过选择车型来导入该车型所对应的数据，而数据分类则是为了模型训练和测试的目的而加入的步骤；工况的检测是该方案实现的目的，是经过一系列操作所要得到的结果。附图说明图1为本专利技术所述的系统的结构示意框图。具体实施方式为了对本专利技术作出更为清楚的解释，下面对本专利技术涉及的技术术语作出定义：工况：碰撞角度、方向、目标、区域等全体碰撞信息；车型：汽车型号；目标：碰撞目标；区域：碰撞位置；零件：汽车零件；工况检测：检测本车碰撞角度、方向、目标、区域等全体碰撞信息；车型检测：检测与本车发生碰撞的汽车型号；目标检测：检测本车碰撞目标；区域检测：检测本车碰撞位置；零件检测：检测本车汽车零件。实施例1：一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用半监督学习聚类假设方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率。所述半监督学习聚类假设方法包括以下方法中的一种以上：划分方法、层次的方法、基于密度的方法、基于网格的方法、基于模型的方法。所述划分方法，根据用户输入值K把给定对象分成K组(满足2个条件：1.每个组至少包含一个对象。2.每个对象必须且只属于一个组)，每组都是一个聚类，然后利用循环再定位技术变换聚类里面的对象，直到客观划分标准(常成为相似函数，如距离)最优为止。典型代表：K-MEANS,K-MEDOIDS。所述层次的方法对给定的对象集合进行层次分解，分为2类：凝聚的和分裂的；凝聚的方法是自底向上的方法，即一开始将每个对象作为一个单独的簇，然后根据标准进行合并，直到所有对象合并为一个簇或达到终止条件为止；分裂的方法也叫自顶向下的方法，即一开始将所有对象放到一个簇中，然后进行分裂，直到所有对象都成为单独的一个簇或达到终止条件为止。典型代表：CURE,BIRCH。所述基于密度的方法，即不断增长所获得的聚类直到邻近(对象)密度超过一定的阀值(如一个聚类中的对象数或一个给定半径内必须包含至少的对象数)为止。典型代表：DBSCAN，OPTICS。所述基于网格的方法，即将对象空间划分为有限数目的单元以形成网格结构，所有聚类操作都在这一网格结构上进行。典型代表：STING。所述基于模型的方法即为每个聚类假设一个模型，然后按照模型去发现符合的对像，这样的方法经常其基于这样的假设：数据是根据潜在的概率分布生成的。主要有2类：统计学方法和神经网络方法。典型代表：COBWEB，SOMS。实施例2：一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损方法，包括以下步骤：步骤一.选择车辆所对应的车型数据作为总数据集；步骤二.读取CAE仿真数据和实车数据，并相应对数据进行分类；步骤三.判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用半监督学习聚类假设方法；步骤四.判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。具体步骤是：步骤三包括：S3.1.使用碰撞检测子系统对CAE碰撞仿真数据处理，再对其进行分类以产生碰撞训练数据和碰撞测试数据；S3.2.在碰撞训练模块中对碰撞训练数据进行学习并产生碰撞模型，来模拟碰撞训练数据的效果；S3.3.在碰撞测试模块中使用碰撞测试数据来测试碰撞模型的结果；S3.4.使用真实跑车数据作为碰撞验证数据并带入碰撞验证模块，来验证碰撞模型的准确性；步骤四包括：S4.1.使用工况检测子系统对CAE工况仿真数据处理，再对其进行分类产生工况训练数据和工况测试数据；S4.2.在工况训练模块中对工况训练数据进行学习并产生工况模型，来模拟工况训练数据的效果；S4.3.在工况测试模块中使用工况测试数据来测试工况模型的结果；S4.4.使用真实跑车数据作为工况验证数据并带入工况验证模块，来验证工况模型的准确性。所述半监督学习聚类假设方法包括以下方法中的一种以上：划分方法、层次的方法、基于密度的方法、基于网格的方法、基于模型的方法。所述划分方法，根据用户输入值K把给定对象分成K组(满足2个条件：1.每个组至少包含一个对象。2.每个对象必须且只属于一个组)，每组都是一个聚类，然后利用循环再定位技术变换聚类里面的对象，直到客观划分标准(常成为相似函数，如距离)最优为止。典型代表：K-MEANS,K-MED本文档来自技高网...

【技术保护点】
一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用半监督学习聚类假设方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。

【技术特征摘要】
1.一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型，所述碰撞模型建立使用半监督学习聚类假设方法；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型，所述工况模型建立使用半监督学习聚类假设方法。2.如权利要求1所述的基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，其特征在于，所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率。3.如权利要求1或2基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，其特征在于，所述半监督学习聚类假设方法包括以下方法中的一种以上：划分方法、层次的方法、基于密度的方法、基于网格的方法、基于模型的方法。4.如权利要求3基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统，其特征在于，所述划分方法，根据输入值K把给定对象分成K组，且分组时满足2个条件，第一，每个组至少包含一个对象，第二，每个对象必须且只属于一个组，每组都是一个聚类，然后利用循环再定位技术变换聚类里面的对象，直到客观划分标准最优为止；所述层次的方法，对给定的对象集合进行层次分解，分为2类：凝聚的和分裂的；凝聚的方法是一开始将每个对象作为一个单独的簇，然后进行合并，直到所有对象合并为一个簇或达到终止条件为止；分裂的方法一开始将所有对象放到一个簇中，然后进行分裂，直到所有对象都成为单独的一个簇或达到终止条件为止；所述基于密度的方法，即不断增长所获得的聚类直到邻近密度超过一定的阀值为止；所述基于网格的方法，即将对象空间划分为有限数目的单元以形成网格结构，所有聚类操作都在这一网格结构上进行；所述基于模型的方法即为每个聚类假设一个模型，然后按照模型去发现符合的对像，基于这样的假设：数据是根据潜在的概率分布生成的，主要有2类：统计学方法和神经网络方法。5.一种基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损方法，其特征在于...

【专利技术属性】
技术研发人员：田雨农，刘俊俍，
申请(专利权)人：大连楼兰科技股份有限公司，
类型：发明
国别省市：辽宁;21