初始故障检测和诊断是提高车辆运行效率,安全性和稳定性的迫切措施。近年来,许多研究已经调查了使用可用的车辆数据改善车辆诊断过程的数据驱动方法。此外,采用数据驱动方法来增强客户服务代理交互。在这项研究中,我们展示了一种机器学习管道,以改善自动化车辆诊断。首先,自然语言处理(NLP)用于自由文本故障报告中提取至关重要的信息(在客户对服务部门的呼叫中生成)。然后,采用深度学习算法来验证服务请求并过滤模糊或误导性索赔。最终,实现了不同的分类算法以对服务请求进行分类,以便可以针对相关的服务部门进行有效的服务请求。拟议的模型 - 双向短期内存(BILSTM)以及卷积神经网络(CNN) - 显示了与技术人员的能力相比验证服务请求的18倍以上的准确性提高。此外,在预处理和特征提取阶段使用基于域的NLP技术以及基于CNN-BILSTM的请求验证提高了精度($> 25 \%$),灵敏度($> 39 \%$),特异性($> 11 \%$),精度($> 11 \%$)渐变树升压(GTB)服务分类模型。曲线下(ROC-AUC)下的接收器操作特征区域达到0.82。
translated by 谷歌翻译