论文部分内容阅读
营运车辆的二级维护是我国从1990年开始实行的机动车维修管理制度之一。我国的机动车维修管理制度种包括一级维护、二级维护和日常维护,二级维护是营运车辆维护的最高级别,是以检查、调整制动系、转向操纵系、悬架等安全部件,拆除轮胎、轮胎换位,检查调整发动机技术状况和汽车排放相关系统等为主的维护作业。根据机动车管理制度,二级维护必须由具有道路运输管理机构许可的汽车维修企业的专业维修人员执行。在2016年交通部一号令中,营运车辆的二级维护由强制每三个月或者15000公里进行一次转变为由营运车辆经营者依据营运车辆的具体情况自行决定车辆的维护周期。因此,如何通过车辆的具体状况来确定二级维护时间点成为了一个具有经济价值的研究问题。数据挖掘是数据库研究的分支,综合了统计学、机器学习、神经网络和模式识别等学科的知识,是通过大量的历史数据进行计算分析来发现隐藏在大量数据中不容易为人所发现的规律和知识。数据挖掘常用的方法有分类预测、聚类、关联规则和时间序列。聚类分析作为数据挖掘的常用方法之一,是一个把数据对象划分成若干个簇的过程,使得簇内的对象尽可能的相似,而簇之间的对象尽可能的不相似。在本研究中成熟的聚类分析技术为研究的深入和发展提供了重要的支撑。为了解决经济、有效的动态预测营运车辆二级维护时间点预测问题,本文通过营运车辆二级维护时间点预测应用k-means聚类算法对营运车辆数据对象进行聚类,在多次测试验证后将营运车辆需要划分的类别设定为5个,然后通过车况质量聚类簇与时间映射形成对营运车辆下一个二级维护时间点进行预测,预测的时间点根据车况的不同分别映射成13周、10周、8周、6周、4周不等。本课题研究中用于实验的200组实验数据和20组测试数据由江西省某市若干运输企业和具有二级维护资质的维修企业共同提供。