【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于车辆部件信息的事故车智能识别方法。
技术介绍
1、事故车智能识别模型是一种先进的技术工具，用于对车辆是否为事故车进行精准的预测。通过应用这一模型，可以显著提高车辆评估的准确性和效率。传统的车辆评估方法通常依赖于人工检测和经验判断，存在主观性强、误差较大和耗时费力等问题。而引入事故车智能识别模型后，这些问题得到了有效解决。该模型利用大数据分析和机器学习算法，能够快速处理海量的车辆信息，自动识别出车辆是否曾经发生过事故，从而提供客观、可靠的评估结果。这样不仅降低了人工评估的成本和时间，还减少了人为因素带来的误判风险，提升了整个车辆评估过程的质量和效率。此外，使用事故车智能识别模型还可以帮助二手车市场建立更透明、公正的交易环境，增强买卖双方的信任，进一步促进二手车市场的健康发展。
2、中国专利公开号：cn112651493a公开了一种基于联合训练模型的事故车判别方法和装置，涉及事故车判别的
，联合训练模型包括线性模型和深度学习模型，包括获取当前车辆的预先处理的保险维修记录；基于预先处理的保险维修记录获得车辆结构化数据；将车辆结构化数据输入线性模型并将预先处理的保险维修记录作为车辆非结构化数据输入深度学习模型，判别出当前车辆是否为事故车；若是，则根据车辆结构化数据识别事故原因，通过结构化数据与非结构化数据的联合训练。但该方案仅针对预先处理的保险维修记录进行事故车判别，无法提高车辆评估的准确性和效率。
技术实现思路
1、为此，本专利技
2、为实现上述目的，本专利技术提供一种基于车辆部件信息的事故车智能识别方法，包括：
3、步骤s1，对车辆部件信息进行数据预处理，得到预处理后的车辆部件信息；
4、步骤s2，将预处理后的车辆部件信息通过深度学习模型的输入层输入至编码器层中，对预处理后的车辆部件信息进行编码，得到编码后输入向量；
5、步骤s3，将编码后输入向量的数据集合作为模型构建数据，将模型构建数据划分为训练集和测试集；
6、步骤s4，构建深度学习模型，训练集对深度学习模型进行训练，得到训练后的深度学习模型；
7、步骤s5，根据测试集对训练后的深度学习模型进行测试，将通过测试的深度学习模型作为事故车智能识别模型；
8、步骤s6，将实时车辆部件信息输入至事故车智能识别模型中，由事故车智能识别模型输出车辆的事故车概率；
9、步骤s7，根据车辆的事故车概率对事故车进行识别。
10、进一步地，在所述步骤s1中，所述数据预处理方法包括：
11、步骤s10，收集车辆部件信息；
12、步骤s11，对车辆部件信息进行数据清洗得到数据清洗后的车辆部件信息；
13、步骤s12，对数据清洗后的车辆部件信息进行格式修正，得到预处理后的车辆部件信息。
14、进一步地，在所述步骤s11中，使用文字识别处理工具对车辆部件信息进行数据清洗。
15、进一步地，在所述步骤s12中，将数据清洗后的车辆部件信息进行数字化格式处理，将文本信息转化为数字信息。
16、进一步地，在步骤s2中，将预处理后的车辆部件信息通过深度学习模型的输入层输入至编码器层中，根据预处理后的车辆部件信息的数据特征对预处理后的车辆部件信息进行编码，得到编码后输入向量。
17、进一步地，在步骤s3中，将编码后输入向量的数据集合作为模型构建数据，将模型构建数据划分为70％训练集和30％测试集。
18、进一步地，在步骤s4中，所述构建深度学习模型的方法包括：
19、步骤s40，对深度学习模型的自注意力机制进行设置；
20、步骤s41，对深度学习模型的第一次线性变换进行设置；
21、步骤s42，对深度学习模型的激活函数进行设置；
22、步骤s43，对深度学习模型的第二次线性变化进行设置；
23、步骤s44，对深度学习模型的输出层进行设置。
24、进一步地，在步骤s5中，根据测试集对训练后的深度学习模型进行测试，根据测试结果对训练后的深度学习模型测试通过情况进行判断，并将通过测试的深度学习模型作为事故车智能识别模型进行输出
25、进一步地，在步骤s6中，根据测试集对训练后的深度学习模型进行测试，并输出测试准确率n，将测试准确率n与预设测试准确率n0进行比对，根据比对结果对训练后的深度学习模型测试通过情况进行判断，并将通过测试的深度学习模型作为事故车智能识别模型进行输出，其中：
26、当n≥n0时，判定训练后的深度学习模型测试通过，并将所述深度模型学习模型作为事故车智能识别模型进行输出；
27、当n＜n0时，判定训练后的深度学习模型测试不通过，获取第二车辆部件信息，重复步骤s1至步骤s5，直至深度训练模型测试通过。
28、进一步地，在步骤s7中，将所述步骤s6得到的事故车概率值k与预设事故车概率值k0进行比对，并根据比对结果对事故车进行识别，其中：
29、当k≥k0时，将所述实时车辆部件信息对应的车辆判定为事故车；
30、当k＜k0时，将所述实时车辆部件信息对应的车辆判定为非事故车。
31、与现有技术相比，本专利技术的有益效果在于，所述方法通过步骤s1将车辆部件信息进行数据预处理，得到预处理后的车辆部件信息，提高车辆部件信息质量，所述方法通过步骤s2将预处理后的车辆部件信息通过深度学习模型的输入层输入至编码器层中，对预处理后的车辆部件信息进行编码，得到编码后输入向量，以便于后续模型数据的输入，所述方法通过步骤s3将编码后输入向量的数据集合作为模型构建数据，将模型构建数据划分为训练集和测试集，以便于对模型进行训练和测试，所述方法通过步骤s4根据训练集对深度学习模型进行训练，得到训练后的深度学习模型，所述方法通过步骤s5根据测试集对训练后的深度学习模型进行验证，将通过验证的深度学习模型作为事故车智能识别模型，所述方法通过步骤s6将实时车辆部件信息输入至事故车智能识别模型中，由事故车智能识别模型输出车辆的事故车概率，所述方法通过步骤s7根据车辆的事故车概率对事故车进行识别，从而提高车辆评估的准确性和效率，降低车辆评估的成本。
本文档来自技高网...【技术保护点】
1.一种基于车辆部件信息的事故车智能识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤S1中，所述数据预处理方法包括：
3.根据权利要求2所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤S11中，使用文字识别处理工具对车辆部件信息进行数据清洗。
4.根据权利要求3所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤S12中，将数据清洗后的车辆部件信息进行数字化格式处理，将文本信息转化为数字信息。
5.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S2中，将预处理后的车辆部件信息通过深度学习模型的输入层输入至编码器层中，根据预处理后的车辆部件信息的数据特征对预处理后的车辆部件信息进行编码，得到编码后输入向量。
6.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S3中，将编码后输入向量的数据集合作为模型构建数据，将模型构建数据划分为70％训练集和30％测试集。p>
7.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S4中，所述构建深度学习模型的方法包括：
8.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S5中，根据测试集对训练后的深度学习模型进行测试，根据测试结果对训练后的深度学习模型测试通过情况进行判断，并将通过测试的深度学习模型作为事故车智能识别模型进行输出。
9.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S6中，根据测试集对训练后的深度学习模型进行测试，并输出测试准确率N，将测试准确率N与预设测试准确率N0进行比对，根据比对结果对训练后的深度学习模型测试通过情况进行判断，并将通过测试的深度学习模型作为事故车智能识别模型进行输出，其中：
10.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤S7中，将所述步骤S6得到的事故车概率值K与预设事故车概率值K0进行比对，并根据比对结果对事故车进行识别，其中：
...【技术特征摘要】
1.一种基于车辆部件信息的事故车智能识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤s1中，所述数据预处理方法包括：
3.根据权利要求2所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤s11中，使用文字识别处理工具对车辆部件信息进行数据清洗。
4.根据权利要求3所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在所述步骤s12中，将数据清洗后的车辆部件信息进行数字化格式处理，将文本信息转化为数字信息。
5.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤s2中，将预处理后的车辆部件信息通过深度学习模型的输入层输入至编码器层中，根据预处理后的车辆部件信息的数据特征对预处理后的车辆部件信息进行编码，得到编码后输入向量。
6.根据权利要求1所述的基于车辆部件信息的事故车智能识别方法，其特征在于，在步骤s3中，将编码后输入向量的数据集合作为模型构建数据，将模型构建数据划分...
【专利技术属性】
技术研发人员：卢国栋，段学超，
申请(专利权)人：北京酷车易美网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。