基于BP 神经网络的汽车售后业务成本预测

褚福舜，吴奇石，王浩雨

（西南交通大学信息科学与技术学院，成都611756）

0 引言

国内的商用汽车行业尽管在十几年的制造业现代化发展中，各商用汽车企业积累了大量服务链的业务数据，但售后服务业务成本数据分析缺失，现有数据分析多为信息汇总显示，不足以支持企业做出战略决策。售后服务成本分析是利用大量的服务链业务数据资源，对售后服务成本与产生成本的因素，通过不同的分析方法系统的分析，发现异常服务成本，并寻找降低成本的途径。在云计算与大数据驱动的时代，售后服务成本分析对于汽车产业是不可或缺的重要环节。本文选择BP 神经网络算法进行研究，通过数据抽取、清洗，构建了车型售后服务业务成本预测模型，最后通过AForge.NET 实现该算法，应用于本系统。完成了汽车售后服务业务成本预测。

1 汽车售后服务成本预测问题分析

虽然汽车的售后服务对销量和竞争力有很强的促进作用，但如果售后服务成本过高，也可以从侧面反映了汽车质量问题，制造企业需加强产品质量管控，进一步控制售后服务成本。发现问题后，对目标车型或目标零配件的售后服务成本进行预测，制定售后服务成本计划，通过一段时间的执行，结合销量再次查看售后服务成本和目标成本，并进行比对。主要需求如下：

（1）制造企业需要在了解了企业运营售后服务成本总体分析报告和具体各车型、零配件的售后服务成本之后，需要对企业未来售后服务做出计划，明确执行时间范围、售后服务成本波动范围、目标售后服务成本等，并进行发布。

（2）制造企业需要了解对某款车型或零配件的售后服务成本计划和该车型或零配件的售后服务实际成本的差距，对该阶段的计划进行评判。并可以根据计划执行时间做出决策。

（3）制造企业以往只能通过经验对未来一段时间车型的售后服务成本进行估计，制造企业需要有真实数据支撑的成本预测，以便在此基础上对未来资金体量和流动做出提前的决策。

2 基于支持向量回归的故障件数量预测模型构建

2.1 汽车售后服务成本预测影响因素选取

在四种服务业务主要生成的表格中，能够影响车型售后服务成本的因素主要有以下几种：车型、统计月份、本月该车型进行售后服务的车辆行驶里程、本月售后服务总成本、本月售后服务总次数、本月售后服务平均成本、本月保有量，通过以上七个因素预测该车型未来一个月的售后服务成本。这七个因素来自于业务数据库中四种主要售后服务业务统计，包括了服务业务产生的所有单据以下会对因素选择和来源分别解释：

（1）车型、本月售后服务总成本、本月售后服务总次数、本月售后服务平均成本都是衡量车型售后服务成本的直接重要因素。

（2）车型的故障率应该呈现“澡盆曲线”，在新车的磨合期，故障率较高，度过磨合期之后，故障率明显降低，随着车龄的增长，车内零部件逐渐老化，故障率升高。从较长时间的角度分析，随着车辆车龄增加、行驶里程增加，车辆的故障率呈现上升趋势。而本月该车型进行售后服务的车辆行驶里程也是造成车型售后服务成本波动的因素之一。

（3）由于汽车销售分淡季和旺季，同时，新车处于内部机械零部件在初期运行中接触、摩擦、咬合的磨合期，车辆容易在此阶段发生故障。KM 汽车的磨合期一般为四千公里或一年左右，结合这两个因素可知，月份是能够影响车型售后服务成本波动的因素之一。

（4）汽车销量的增加即保有量增加，带来销售利润的同时，车辆也进入了下一个生命周期，从售中到售后，售后分为三包期内、三包期外。三包期内的车辆进行大部分售后服务的费用由制造厂承担，所以本月保有量是能够影响车型售后服务成本波动的因素之一。

汽车售后服务成本预测采用单层多输入单输出BP 神经网络，在输入层和输出层之间只有一层隐藏层神经元，该层与外界无直接联系，但其状态的改变会影响输入层输出层之间的关系。在此处输入层共有7 个输入分量，按照隐藏层节点个数经验计算公式如下：

公式中h 为隐藏层节点数目，n 为输出层节点数目，a 为1～10 之间调节常数。此处的m=7，n=1，a 取1，四舍五入h 设为4，隐藏层为10 层，如图1。

以上7 个因素的数据中，车型的数据是字符格式，如：KMC1042LLB33D4，无法带入直接算法，需要对车型进行硬编码，即将可变变量用一个固定值来代替。车型硬编码对应表部分内容如表1 所示。

图1 售后服务成本预测模型图

表1 车型硬编码对应表

针对业务数据库中维修理赔数据抽取，过滤掉不会对售后服务成本产生影响的属性如车辆信息、购车人信息、服务商信息等，生成售后服务成本预测模型表。如表2 所示。

表2 售后服务成本预测样本示例表

在所有数据抽取成售后服务成本预测模型表的过程中，车型的保有量抽取过程最复杂，由于业务数据库中的车型保有量并无统计，只有购车记录，通过购车记录按月份分组并组内编号，将组内编号最大值作为每个月的汽车保有量增量，再将每个月保有量增量累加，得到每月车型保有量。现有符合条件的数据共8376条，以车型编号为256 的车型为例，其保有量计算结果如表3 所示。

表3 保有量计算表-车型256

2.2 数据预处理

本文中使用的BP 神经网络算法要求基于C#编程语言实现。根据算法模型的数据需求，这里是用的BP神经网络样本集的区间要求在[0,1]，然而根据之前提到的售后服务成本预测样本示例表中示例可见，大量数据并不在区间[0,1]之间，所以需要对样本进行归一化处理。这里使用归一化公式为：

其中xi表示需要归一化的某项输入数据，xmin表示该项输入数据中的各最小值，xmax表示该项输入数据中的最大值。在C#显示时，设公式中xi为num，xmin为min，xmax为max，使用C#实现如下：

private static double premnmx(double num, double min,

double max)

{

if(num>max)

num=max;

if(num

num=min;

return(num-min)/(max-min);

}

此外，计算产生的结果需要进行对应的反归一化，将分布于[0,1]区间的输入对应的输出结果映射为归一化之前的数据范围。反归一化公式如下：

上式中个变量含义与归一化公式变量相同，使用C#实现如下：

private static double premnmxBack(double num, double min,double max)

{

if(num>max)

num=max;

if(num

num=min;

return(num*(max-min))+min;

}

2.3 模型训练

将输入层输入的数据读取并转存为矩阵，上一小节的premnmx()方法进行归一化。使用基于C#框架专门为开发者和研究者设计的AForge.NET。其中包括AForge.Neuro 神经网络计算库。使用ActivationNetwork 建立多层神经网络：

ActivationNetwork network = new ActivationNetwork( new SigmoidFunction(3),7,10,1);

SigmoidFunction 构造函数：public SigmoidFunction(double alpha);

参数alpha 决定S 形函数的陡峭程度的参数3 是S 形神经网络。

预测采用BP 神经网络，即AForge.Neuro.Learning中的BackPropagationLearning：BP 学习算法构造函数如下：

public BackPropagationLearning( ActivationNetwork network);

其中参数network 为要训练的神经网络对象，BackPropagationLearning 类需要设置两个参数学习率（learningRate）和冲量因子（momentum）。此处属性设置如下：

teacher.LearningRate=0.2;

teacher.Momentum=0;

调用RunEpoch 方法训练网络，构造方法如下：

public double RunEpoch(double[][] input, double[][] output);

训练样本数据量为7376 条记录，测试样本数据量为1000 条。这里此模型选择S 曲线函数，输入层选取双曲线正切tansig 函数，设置隐藏层10 个神经元，经过训练，结果如图2 所示。

由误差波动图可见，随着训练次数的增加，输入预测值和目标值之间的震荡逐渐缩小。

图2 误差波动图

图3 测试结果图

训练遍历完成后再进行测试。如图3 测试结果图可见，测试结果趋于稳定，正确率达到91%。

3 系统实现

3.1 售后服务业务成本分析模块的实现

该模块经过业务关系梳理、数据清洗、抽取、整理，使用MVC 框架，前端结合Echarts 将数据分析结果可视化，方便用户根据分析结果做出战略决策。

（1）售后服务业务成本宏观分析模块

对一段时间内的企业的售后服务业务成本总体状况进行分析，显示每年售后服务业务成本柱状图，选择年份，联动显示该年所有月份售后服务业务成本走势图。帮助企业管理层把握企业运营状况，支撑决策。界面如图4 所示。从图4 企业运营宏观分析模块界面

可见，该企业的售后服务业务成本在2014 初上平台，2015 和2016 年售后服务业务成本基本持平，2017年的售后服务业务成本达到了2000 余万元，几乎达到前两年的总和。通过选择年份，可在下方的柱状图中联动显示该年每个月份的售后服务业务成本。图中可见，1、2 月份受春节的影响，售后服务业务较少，售后服务业务成本较低。第二季度售后服务业务成本较高。

（2）车型角度分析模块

汽车企业管理人员从车型售后服务业务成本分析角度出发，对车型售后服务业务成本进行分析，其中包括三个页面，分别是车型-里程售后服务业务成本分析、车型-车龄售后服务业务成本分析、车型零配件售后服务业务成本分析，如图5 所示。

图4 企业运营宏观分析模块界面图

图5 车型-里程售后服务业务成本分析模块界面图

图5 是车型-里程售后服务业务成本分析，分析主要分为三部分，其中第一部分是对售后服务业务成本前20 名车型的售后服务总成本、售后服务次数、售后服务平均成本的分析，通过选择颜色可以联动在图中显示分析项目。根据这三者的分析，制造厂可以发现不同车型的优劣，如图可见，车型KMC1042LLB33D4（左一）虽然售后服务总成本居首位，但是售后服务平均成本较低，在所有车型的对比中较为优秀。通过在第一部分中选择车型，联动在第二部分显示车型-里程售后服务业务成本分析，第二部分同样是包括车型的售后服务总成本、售后服务次数、售后服务平均成本的分析，分析的单位根据KM 制造厂的走合保养规定，取首保里程4 千公里作为一个单位。但与第一部分不同的是该部分是针对指定的某一车型的分析。从图中可以明显观察到，首保规定的里程4 千公里左右出现售后服务业务成本高峰，符合磨合期故障率最高的规律，随着时间推移，度过磨合期，车辆故障率下降，售后服务业务成本下降。第三部分是对车型维修次数前20 的统计，通过选择车型联动在右侧显示该车型的维修记录。

图6 车型-车龄售后服务业务成本分析模块界面图

图6 是车型-车龄售后服务业务成本分析，分析主要分为两个部分，其中第一部分与车型-里程售后服务业务成本分析类似，是对售后服务业务成本前20 名车型的售后服务总成本、售后服务次数、售后服务平均成本的分析，通过在第一部分中选择车型，联动在第二部分显示车型-车龄售后服务业务成本分析，分析以该车型上市至今的月份为单位，如图可见车型的售后服务业务成本随时间逐渐下降。第二部分同样是包括车型的售后服务总成本、售后服务次数、售后服务平均成本的分析。

图7 车型-零配件售后服务业务成本分析模块图

图7 是车型零配件售后服务分析报告，主要分为五小部分，分别是车型服务成本占比前20、通过选择第一部分的车型联动在右侧的第二部分显示对应车型零部件服务成本前10，第三部分是故障维修时间，图中可见车架的售后维修时间最久，符合常识。通过选择故障在右侧第四部分联动显示发生该故障的车型占比。最后的第五部分是部件维修金额比重，可见对所有车型的统计中离合助力器维修金额最高。

（3）服务商售后服务业务成本分析模块

制造企业需要从服务商的角度分析所有服务商的售后服务业务成本,通过对指定服务商分析，发现服务商异常售后服务业务成本。如图8 所示。

该分析主要分为三个部分，第一部分是对全国范围内所有服务商的售后服务总成本统计，其中总成本最高的前五家服务商会根据服务总成本在地图上显示不同大小。通过选择第一部分的服务商在第二部分显示该服务商在所选时间段内每个月售后服务总成本和四个主要售后服务业务成本，包括走合保养、理赔维修、外出救援、外购零件的费用。通过图8 可见，选择的服务商“****汽车服务有限公司”在2015 年3 月外出救援成本出现明显上涨，通过选择该月，联动在第三部分显示该月所有售后服务服务记录。

图8 服务商售后服务业务成本分析模块图

（4）区域售后服务业务成本分析

制造企业需要从区域的角度，对售后服务业务成本进行分析，方便对区域零配件调配计划，对异常区域维修情况进行监控。区域售后服务业务成本分析主要包括两个页面。如图9 所示。

图9 区域售后服务业务成本分析模块图

（5）区域流动售后服务业务成本分析

区域流动售后服务业务成本分析如图10 所示。

图10 区域流动售后服务业务成本分析模块图

3.2 售后服务业务成本预测模块的实现

在售后服务业务成本分析的基础上，需要对售后服务业务成本进行预测，对未来各种车型售后服务业务成本波动进一步掌握。通过输入车型相关的基本信息，包括：车型内部管理号、月份、月保有量、本月售后服务业务成本、本月售后服务次数、本月售后服务平均成本、产业类型，对下个月该车型的售后服务业务成本进行预测。见图11。

图11 售后服务业务成本预测图

4 结语

本文首先介绍了神经网络算法相关理论，介绍了神经网络算法，选择了BP 神经网络算法进行研究，通过数据抽取、清洗，构建了车型售后服务成本预测模型，最后通过AForge.NET 实现该算法，应用于本系统。通过售后服务成本预测可以让企业管理人员对未来的成本波动有提前的预知。