买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京酷车易美网络科技有限公司申请的专利一种车辆部件风险预估分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118627898B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410775651.1，技术领域涉及：G06Q10/0635；该发明授权一种车辆部件风险预估分析方法是由王森;陈诚设计研发完成，并于2024-06-17向国家知识产权局提交的专利申请。

本一种车辆部件风险预估分析方法在说明书摘要公布了：本发明提供一种车辆部件风险预估分析方法，其包括步骤：1、数据预处理；2、数据处理，构建输入序列，得到输入序列；3、构建Transformer模型；4、训练所述Transformer模型；5、所述Transformer模型检测应用。本发明提供的车辆部件风险预估分析方法，通过对海量历史检测与车辆维修数据的深度挖掘与智能分析，构建部件风险评估模型，能够精准识别高风险部件及潜在故障，为检测师提供实时辅助决策支持；能预测特定车型的常见故障部位，从而引导检测师重点关注。本发明不仅显著提升了检测师的工作效率，减少了人为疏漏，还为车主提供了更为透明、精准的检测报告，增强了消费者对交易过程的信任度。

本发明授权一种车辆部件风险预估分析方法在权利要求书中公布了：1.一种车辆部件风险预估分析方法，其特征在于，包括步骤： 1、数据预处理； 2、数据处理，构建输入序列，得到输入序列； 3、构建Transformer模型； 4、训练所述Transformer模型； 5、所述Transformer模型检测应用， 其中， 所述步骤1步骤： 1A、总结车辆部件名称与部件状态并构建成语料库； 1B、从所述语料库筛选语料元素，构建高风险部件语料库； 1C、依据市场流通车辆创建车型库； 1D、对车辆检测和维修信息进行清洗，去除无关信息，只保留与部件状态相关的文本； 1E、依据语料库，对所述文本处理，提取部件名称和部件状态信息； 1F、依据所述车型库对要分析的车辆识别代码进行解析匹配到相应的车型记录获取车型识别号， 所述步骤3包括步骤： 3A、调整Transformer模型，只需要使用编码器； 3B、将所述输入序列传递给所述编码器，让所述编码器学习其中的关联关系； 3C、添加分类层到输出向量上，用于预测关联部件的状态； 所述步骤4包括步骤： 4A、将预选的样本经所述步骤2转换成输入序列来训练所述步骤3所构建的Transformer模型； 4B、使用交叉熵损失函数来衡量模型预测的准确性； 4C、将总交叉熵损失通过模型反向传播，计算梯度； 4D、使用优化器Adam根据所述梯度更新模型参数，以减小Transformer模型输出的预测结果与伪标签之间的交叉熵损失； 4E、将所述步骤2构建的输入序列分为训练序列和验证序列，并采用所述训练序列迭代训练所述Transformer模型，使用所述验证序列来监控所述Transformer模型； 所述语料库包括多个语料元素，每个所述语料元素包括3个语料子元素：第一语料子元素中存储有序号、即语料元素的序号，第二语料子元素中存储有部件名称，第三语料子元素中存储有部件状态； 所述高风险部件语料库包括多个高风险部件语料元素，每个所述高风险部件语料元素包括4个高风险部件语料子元素：第一高风险部件语料子元素中存储有序号、即高风险部件语料元素的序号，第二高风险部件语料子元素中存储有车型识别号，第三高风险部件语料元素中存储有部件名称，第四高风险部件语料子元素中存储有部件状态； 所述车型库包括至少一个车型元素，每个所述车型元素包括4个车型子元素：第一车型子元素中存储有车型识别号，第二车型子元素中存储有品牌名称，第三车型子元素中存储有车系名称，第四车型子元素中存储有车型名称； 所述步骤1F包括步骤： 1Fa、调用车辆识别代码解析接口，解析获取车辆识别代码对应的品牌名称、车系名称、车型名称； 1Fb、通过所述品牌名称、车系名称、车型名称到所述车型库中匹配相应的车型元素； 1Fc、取出匹配到的所述车型元素的车型识别号； 所述步骤2包括以下步骤： 2A、样本处理：将每次车辆维修或检测得到的信息视为一个样本，每个所述样本包含至少一个部件及其状态，将车辆的车型和一个所述样本一一对应地表示为一个序列数据：[车型识别号-部件1-状态1，...，车型识别号-部件n-状态n]，其中，n为不小于1的整数，代表每次车辆维修或检测时状态调整的部件个数； 2B、文本编码：通过词嵌入将所述序列数据转换为所述Transformer模型可以处理的数值形式，得到输入序列：车型识别号-部件名称1-部件状态1，...，车型识别号-部件名称n-部件状态n，所述输入序列中包括n个输入数据，第i个数据的格式为：车型识别号-部件名称i-部件状态i，经过所述转换，将所述序列数据中每个部件名称部件i和相应的部件状态i映射到一个固定维度的向量，i为整数，且满足1≤i≤n； 所述步骤3c中，所述分类层的核心为全连接层，所述全连接层用于对前一层即神经网络的最后一个隐藏层提取的特征进行加权求和，并加上一个偏置项，然后通过一个softmax激活函数得到输出，其中，设置部件名称初始偏置项的值为0.74，部件状态初始偏置项的值为0.5； 所述步骤4B包括下列步骤： 4Ba、自回归生成：对于任一个所述样本所生成的输入序列j，对于其中的第i个数据，使用所述Transformer模型根据所述输入序列j中第1个数据至第i个数据预测第i+1个数据中部件及其状态的概率分布即车型部件状态组合； 4Bb、截断概率分布：为了计算损失，选择一个截断点，具体为设置一个阈值作为截断点，只保留所述车型部件状态组合中的状态的概率大于所述阈值的车型部件状态组合； 4Bc、构造伪标签：将截断后的所述车型部件状态组合中状态的概率分布作为伪标签； 4Bd、确保所述Transformer模型的输出结果和伪标签具有相同的车型部件状态组合顺序； 4Be、交叉熵计算：对于所述Transformer模型输出结果中的每个部件状态组合，使用其预测概率与对应的所述伪标签中概率计算交叉熵； 4Bf、交叉熵计算公式如下：， 上式中，pi是所述伪标签中部件状态组合i的概率，qi是模型输出中相同部件状态组合的概率； 4Bg、对所有部件状态组合的交叉熵求和得到整个所述样本的交叉熵损失； 所述阈值为0.4； 所述步骤4C包括步骤： 4Ca、反向传播：从输出层开始，反向计算损失函数关于模型参数的梯度，具体而言，所述反向计算是指从输出层开始，对于每一层都执行操作：根据链式法则计算损失函数关于模型输出层的梯度，将梯度传播到模型的上一层，重复所述操作直到达到所述Transformer模型的输入层或嵌入层； 4Cb、累积梯度：将所述每一层计算出的梯度累加到相应参数的梯度张量上，由于批量训练，所述Transformer模型先计算每个所述样本的梯度，然后对整个批次样本的梯度做平均，得到批次梯度，所述批次梯度中的每一个梯度被自动存储在对应的参数张量的.grad属性中； 所述步骤4D包括步骤： 4Da、创建优化器实例，将其与所述Transformer模型的超参数关联，包括：在创建优化器实例前设置超参数：学习率learning_rate、动量betas、权重衰减weight_decay来优化模型，各所述超参数设置的值如下： learning_rate=1×10-3； betas=0.9,0.999，betas为Adam的beta参数，用于控制动量衰减和二阶矩衰减的速率； eps=1×10-8，eps为防止除以零的小量； weight_decay=0； 4Db、使用优化器step根据当前存储在所述参数张量的.grad中的梯度以及Adam算法的动量和二阶矩估计来更新模型参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京酷车易美网络科技有限公司，其通讯地址为：100000 北京市朝阳区北苑路30号院5号楼1至10层101号5层501；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。