(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211276843.5 (22)申请日 2022.10.19 (71)申请人 成都数之联科技股份有限公司 地址 610000 四川省成 都市武侯区锦绣 街8 号2层270号 (72)发明人 不公告发明人 　 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) (54)发明名称 一种车辆直通率影响特征确定方法、 装置、 设备及介质 (57)摘要 本申请公开了一种车辆直通率影响特征确 定方法、 训练方法、 装置、 设备及介质， 旨在解决 汽车直通率影 响因素分析过程中， 车辆首次下线 检测未通过， 但重启检测通过的原因分析困难的 问题， 涉及车辆检测数据分析领域。 所述车辆直 通率影像特征确定方法， 包括以下步骤： 对下线 检测不通过的车辆检测数据进行预处理； 基于所 述预处理的数据构建并训练机器学习分类模型； 基于所述机器学习分类模型计算所述预处理的 数据中特征的SHAP值； 对若干SHAP值通过预设的 处理方式进行筛选， 基于筛选结果优化车辆的检 测过程。 权利要求书3页 说明书7页 附图1页 CN 115358348 A 2022.11.18 CN 115358348 A 1.一种车辆直 通率影响特 征确定方法， 包括以下步骤： 对下线检测不 通过的车辆检测数据进行 预处理； 基于所述预处 理的数据构建并训练机器学习分类模型； 基于所述机器学习分类模型计算所述预处 理的数据中特 征的SHAP值； 对若干SHAP值 通过预设的处 理方式进行筛 选， 基于筛选结果优化车辆的检测过程。 2.如权利要求1所述的车辆直通率影响特征确定方法， 其特征在于， 所述预处理过程包 括标记所述车辆检测数据。 3.如权利要求1所述的车辆直通率影响特征确定方法， 其特征在于， 所述机器学习分类 模型训练过程包括： 将所述车辆检测数据集划分为训练数据集和验证数据集， 所述训练数据集用于训练所 述机器学习分类模型， 所述验证数据集用于验证所述机器学习分类模型是否达到可用标 准。 4.如权利要求1所述的车辆直 通率影响特 征确定方法， 其特 征在于： 所述SHAP值进行筛选过程包括： 将所述筛选后的SHAP值排序， 根据所述排序结果筛选 符合条件的SHAP值， 其对应的特 征为可用于优化车辆检测过程的特 征。 5.如权利要求2所述的车辆直 通率影响特 征确定方法， 其特 征在于： 所述的标记所述车辆检测数据过程为： 将所述下线检测不通过但重启测试通过的车辆 检测数据定义为正样本， 将所述下线检测不通过且重启测试仍未通过的数据定义为负样 本。 6.如权利要求2所述的车辆直通率影响特征确定方法， 其特征在于， 所述预处理过程包 括对所述车辆检测数据进行o ne‑hot编码。 7.如权利要求4所述的车辆直通率影响特征确定方法， 其特征在于， 所述筛选后的SHAP 值排序方式为降序排列。 8.如权利要求 4所述的车辆直 通率影响特 征确定方法， 其特 征在于： 筛选符合条件的SHAP值过程为： 筛选所述排序结果中SHAP值为正且均值排序Top ‑K的 特征及SHAP值 为负且均值 排序Last ‑K的特征。 9.如权利要求8所述的车辆直通率影响特征确定方法， 其特征在于， 所述的SHAP值为正 且均值排序Top ‑K的特征为最容易产生正样本数据的特征， 所述SHAP值为负且均值排序 Last‑K的特征为最容易导致汽车出故障的特 征。 10.一种车辆直 通率影响特 征确定模型训练方法， 其特 征在于， 包括以下步骤： 对下线检测不 通过的车辆检测数据进行 预处理； 构建机器学习分类模型； 基于所述预处 理的数据训练机器学习分类模型。 11.如权利要求10所述的一种车辆直通率影响特征确定模型训练方法， 其特征在于， 所 述训练机器学习分类模型包括： 将所述预处理 的数据划分为训练数据集和验证数据集， 所述训练数据集用于训练所述 机器学习分类模型， 所述验证数据集用于验证所述机器学习分类模型 是否达到可用标准。 12.一种车辆直 通率影响特 征确定装置， 其特 征在于， 包括： 数据预处 理模块， 用于对下线检测不 通过的车辆检测数据进行 预处理；权　利　要　求　书 1/3 页 2 CN 115358348 A 2模型训练模块， 用于基于所述预处 理的数据构建并训练机器学习分类模型； 检测过程优化模块， 用于基于所述机器学习分类模型计算所述预处理 的数据中特征的 SHAP值， 对若干SHAP值 通过预设的处 理方式进行筛 选， 基于筛选结果优化车辆的检测过程。 13.如权利要求12所述的车辆直通率影响特征确定装置， 其特征在于， 所述预处理过程 包括标记所述车辆检测数据。 14.如权利要求12所述的车辆直通率影响特征确定装置， 其特征在于， 所述机器学习分 类模型训练过程包括： 将所述车辆检测数据集划分为训练数据集和验证数据集， 所述训练数据集用于训练所 述机器学习分类模型， 所述验证数据集用于验证所述机器学习分类模型是否达到可用标 准。 15.如权利要求12所述的车辆直通率影响特征确定装置， 其特征在于， 所述SHAP值进行 筛选过程包括： 将所述筛选后的SHAP值排序， 根据所述排序结果筛选 符合条件的SHAP值， 其 对应的特 征为可用于优化车辆检测过程的特 征。 16.如权利要求12所述的车辆直 通率影响特 征确定装置， 其特 征在于： 所述的标记所述车辆检测数据过程为： 将所述下线检测不通过但重启测试通过的车辆 检测数据定义为正样本， 将所述下线检测不通过且重启测试仍未通过的数据定义为负样 本。 17.如权利要求13所述的车辆直通率影响特征确定装置， 其特征在于， 所述预处理过程 包括对所述车辆检测数据进行o ne‑hot编码。 18.如权利要求15所述的车辆直通率影响特征确定装置， 其特征在于， 所述筛选后的 SHAP值排序方式为降序排列。 19.如权利要求15所述的车辆直 通率影响特 征确定装置， 其特 征在于： 筛选符合条件的SHAP值过程为： 筛选所述排序结果中SHAP值为正且均值排序Top ‑K的 特征及SHAP值 为负且均值 排序Last ‑K的特征。 20.如权利要求19所述的车辆直通率影响特征确定装置， 其特征在于， 所述的SHAP值为 正且均值排序Top ‑K的特征为最容易产生正样本数据的特征， 所述SHAP值为负且均值排序 Last‑K的特征为最容易导致汽车出故障的特 征。 21.一种车辆直 通率影响特 征确定模型训练装置， 其特 征在于， 包括： 数据预处 理模块， 用于对下线检测不 通过的车辆检测数据进行 预处理； 模型构建模块， 用于构建机器学习分类模型； 模型训练模块， 用于基于所述预处 理的数据训练机器学习分类模型。 22.如权利要求21所述的一种车辆直通率影响特征确定模型训练装置， 其特征在于， 所 述训练机器学习分类模型包括： 将所述预处理 的数据划分为训练数据集和验证数据集， 所述训练数据集用于训练所述 机器学习分类模型， 所述验证数据集用于验证所述机器学习分类模型 是否达到可用标准。 23.一种电子设备， 其特征在于， 该电子设备包括存储器和 处理器， 所述存储器中存储 有计算机程序， 所述处理器执行所述计算机程序， 实现如权利要求1 ‑11中任一项所述的方 法。 24.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机权　利　要　求　书 2/3 页 3 CN 115358348 A 3