车辆维修操作的预测
技术领域
本公开涉及用于车辆和其他机器的预测分析，更具体地涉及与车辆部件故障和车辆维修操作有关的预测分析。
背景技术
诸如车辆这样的复杂机器的部件故障属于重大问题。为说明问题的严重程度，图1示出了普通汽车1的某些部件2，这些部件以单独清晰可见的方式布置。即使部件2中最小的部件出现问题，也可能会导致车辆1需要进行维修。了解这些诸多部件2中的哪个部件可能有问题是个极大的挑战，但却很重要，因为越早发现部件层面的问题，就能尽快采取预防性措施。该预防性措施可以包括比如重新设计具体车型以确保未来从生产线下线的车辆不会有同样的部件层面的问题或对那些已经投入使用的车辆采取主动维修措施以避免此类问题升级。
发明内容
可以识别问题车辆部件的一种方式是简单地跟踪每个部件类型的月维修次数或费用，并且如果该维修次数或费用值在任一给定月份达到某个预设阈值，将该具体类型的部件标记为有问题。上述方式的缺点在于许多部件层面的问题在被实际识别以及维修之前可能已经存在很长一段时间，甚至数年。造成这种现象的因素有很多。比如，某些部件层面的问题在发展到需要维修的故障之前可能已经存在一段时间，或如果用户不重视某些问题，可能会推迟处理这些问题。结果，采用以上方式，从某一有具体部件层面问题的具体车型出厂到实际识别该问题，可能需要花费数年。因此，如果不能早期识别并补救所述问题，会有很多的具有同一部件层面问题的车辆被生产并投入使用。
本发明的一个方面提供一种车辆生产方法，其包括：在车辆生产环节，制造不同类型的车辆部件，并将所述车辆部件组装成车辆；创建车辆记录集，每条车辆记录对应于已投入使用的车辆中的一个车辆的记录；对已投入使用的车辆的子集进行车辆维修；分别创建每个车辆维修的记录，其中每条记录包含或指示车龄或使用程度值并记录在车辆维修中识别的车辆部件故障；数据处理平台接收所述车辆记录和车辆维修记录，其中在所述数据处理平台执行的预测算法对接收到的记录进行处理，以针对每一类型的车辆部件：1)识别与该类型车辆部件相关的相应车辆维修记录集；2)基于该车辆记录集中记录的车辆数量以及每个记录车辆的当前车龄或使用程度，针对该车辆记录集，使用该相应车辆维修记录集预测该类型的车辆部件故障的相应数量或资源值；比较针对不同车辆部件类型的预测结果以识别一具体类型的车辆部件具有的问题；以及调整该车辆生产环节以针对此后在所述调整后的车辆生产环节中生产的车辆补救该已识别问题。
本发明的另一方面提供一种预测车辆维修操作或车辆部件故障的方法，该方法包括：在处理平台，通过在数据处理平台执行的预测算法，选择进行预测所用的车辆维修记录集，其中每条车辆维修记录为在该车辆投入使用后进行的车辆维修的记录，且每条车辆维修记录包含或指示历史车龄或使用程度值并记录了维修操作或车辆部件故障；其中针对车辆记录集，该预测算法基于该车辆记录集里记录的车辆数量以及每个记录车辆的当前车龄或使用程度使用所选车辆维修记录集预测维修操作或车辆部件故障的数量或资源值，其中每条车辆记录为一辆投入使用的车辆的记录。
在实施例中，基于具体类型的维修操作或具体类型的车辆部件，通过对一更大的可用车辆维修记录集进行过滤，可以选出所述车辆维修记录集，使得这样所选出的车辆维修记录集中的每条维修记录均与该具体类型的维修操作/车辆部件相关，该预测的数量或资源值是针对该具体类型的维修操作/车辆部件故障所预测的数量或资源值。
基于具体车辆属性或车辆属性集，通过对一更大的可用车辆维修记录集进行过滤，可以选出所述车辆维修记录集，使得这样所选出的车辆维修记录集中的每条维修记录均与该具体车辆属性(集)相关，其中该车辆记录集中的每条车辆记录均与具有该具体车辆属性(集)或相似车辆属性(集)的车辆有关，该预测的数量或资源值是针对具有该具体车辆属性的车辆的维修操作/车辆部件故障所预测的数量或资源值。
可基于该具体车辆属性(集)和该具体类型的维修操作/车辆部件对该更大的集进行过滤，使得这样所选出的集中的每条维修记录均与该具体车辆属性(集)和该具体类型的维修操作/车辆部件相关，该预测的数量或资源值是针对具有该具体车辆属性的车辆的具体类型的维修操作/车辆部件故障所预测的数量或资源值。
该方法可以包括：基于针对不同历史车龄或使用程度值的车辆维修记录集中记录的维修操作或车辆部件故障的数量或资源值，确定该车辆维修记录集的简档，该简档用于进行预测。
该简档可以包括：针对历史车龄或使用程度值集中的每一条历史车龄或使用程度值，从维修记录集计算出的相应资源或计数值。
该资源或计数值可以是计算出的累计值，即截止到该历史车龄或使用程度值，该车辆维修记录集中记录的维修操作/车辆部件故障的数量或资源值的总和。
基于该车辆记录集中记录的车辆数量、每个车辆的当前车龄或使用程度、以及该简档中的资源或计数值，可以通过非参数分析进行所述预测。
该确定简档的步骤可以包括：确定过滤后的车辆维修记录集中记录的维修操作/车辆部件故障的资源值的总和，其中将每个资源或计数值计算为该总和的百分比。
该方法可以包括：基于简档中的相应资源或计数值以及车辆记录集中记录的其当前车龄或使用程度与简档中的历史车龄或使用程度值相匹配的车辆的数量，计算简档中的每个历史车龄或使用程度值的收益值。
可以通过将简档中的相应资源或计数值乘以车辆记录集中记录的其当前车龄或使用程度与简档中的历史车龄或使用程度值相匹配的车辆的数量来计算简档中的每个历史车龄或使用程度值的收益值。
该方法可以包括：从该收益值计算该车辆记录集的完备度值。
该方法可以包括：确定该车辆记录集中记录的车辆总数，其中通过从收益值中占车辆总数的比例计算出的总收益值来计算该完备度值。
该方法可以包括：识别与该车辆记录集相对应的一个或多个现有车辆维修记录；以及确定该现有车辆维修记录中记录的维修操作或车辆部件故障的数量或资源值。
基于车辆记录集中记录的车辆数量和每辆车的当前车龄或使用程度，根据针对该现有车辆维修记录确定的维修操作或车辆部件故障的数量或资源值，可以计算出针对该车辆记录集的维修操作或车辆部件故障的预测的数量或资源值。
该简档可用于计算该预测的数量。
基于车辆记录集计算的完备度值以及现有车辆维修记录中记录的维修操作/车辆部件故障的数量或资源值，可以确定针对该车辆记录集的维修操作或车辆部件故障的预测的数量或资源值。
通过将现有车辆维修记录中记录的维修操作/车辆部件故障的数量或资源值除以完备度，可以确定该预测的数量或资源值。
车辆维修记录集可选择为使得针对所选集中的每条车辆维修记录所确定的当前车龄或使用程度分别超过预测时间段或使用程度阈值，该预测的数量或资源值是指该预测时间段内或低于该使用程度阈值所发生的维修操作或车辆部件故障的数量或资源值。
该现有车辆维修记录中的至少一条现有车辆维修记录分别可以具有不超过该预测时间段或使用程度阈值的当前车龄或使用程度。
每条车辆维修记录可以包括将该维修记录链接至匹配车辆记录中的车辆标识符。
使用匹配车辆记录中的数据对该车辆维修记录中的至少一条车辆维修记录可进行扩充。
使用匹配车辆记录中的车辆属性的指示符对该车辆维修记录中的至少一条车辆维修记录进行扩充。
可根据车辆维修记录中的索赔日期、故障日期或支付日期，以及该匹配车辆记录中的开始投入使用日期，针对该车辆维修记录中的至少一条车辆维修记录计算历史车龄或使用程度值。
可以选择至少两个车辆维修记录集，通过基于相应类型的维修操作或车辆部件对该更大集进行过滤而选出每个车辆维修记录集，其中预测算法可使用每个所选车辆维修记录集以针对该车辆记录集预测相应类型的维修操作/车辆部件故障的相应数量或资源值。
使用所述至少两个车辆维修记录集所确定的预测的数量或资源值可以聚合以确定该车辆记录的合集的聚合预测数量或资源值。
历史车龄值可以是进行该维修操作或维修或更换车辆部件时的车龄，或处理维修记录时的车龄。
可根据相应车辆记录中的日期确定至少一个车辆的当前车龄。
可根据相应车辆记录中的日期和维修索赔记录中记录的最近日期确定当前车龄。
可以从当前车龄推算该至少一个车辆的当前使用程度。
可基于车辆的至少一个属性推算当前车辆使用程度。
历史车辆使用程度值可以是里程或小时读数，作为车辆维修的一部分。
本发明的另一方面提供了预测车辆维修操作或车辆部件故障的方法，该方法包括：在处理平台，选择进行预测所用的车辆维修记录集，每条维修记录包括或指示历史车龄或使用程度值并记载维修操作或车辆部件故障，其中通过基于具体类型的维修操作或具体类型的车辆部件将更大的可用车辆维修记录集进行过滤来选择该维修记录集；针对一车辆群体，基于该群体中的车辆数量和这些车辆中的每辆的当前车龄或使用程度，使用所选维修记录集预测该具体类型的维修操作/车辆部件故障的数量或资源值。
本发明的再一方面提供一种预测车辆维修操作或车辆部件故障的方法，该方法包括：在处理平台:选择车辆维修记录集以确定简档,其中车辆维修记录集中的每条车辆维修记录包含或指示历史车龄或使用程度值并记载维修操作或车辆部件故障；确定针对该维修记录集的简档,该简档包括针对历史车龄或使用程度值的集中的每一条历史车龄或使用程度值,由该维修记录集计算出的相应的资源或计数值；通过基于该群体中的车辆数量、这些车辆中的每辆车的当前车龄或使用程度以及该简档中的资源或计数值进行非参数分析，使用该所选维修记录集针对该车辆群体预测维修操作或车辆部件故障的数量或资源值。
本发明公开的任何方法可以包括以下步骤：使用该维修操作/车辆部件故障的预测的数量或资源值以识别与具体车辆属性、具体类型的车辆部件、或具体类型的维修操作有关的问题。
该方法可以包括使用该预测以识别具体类型的车辆部件或维修操作的问题以用于过滤更大的可用车辆维修记录集。
该方法可以包括使用该预测以识别与具体车辆属性有关的问题以用于过滤更大的车辆维修记录集。
该方法可以包括使用该预测以识别与具有该具体车辆属性的车辆所特有的具体类型的车辆部件或维修操作有关的问题。
通过将该预测的维修操作/车辆部件故障的数量或资源值和其至少一个其他预测数量或资源值相比较，可以识别该问题。
该预测算法可以针对多个类型的维修操作或车辆部件的每个类型的维修操作或车辆部件实施以下步骤：选择与该类型维修操作/车辆部件有关的相应车辆维修记录集；以及针对该车辆记录集，使用该相应车辆维修记录集以基于所记录车辆的数量和其当前车龄或使用程度预测该类型的维修操作或车辆部件故障的数量或资源值。
可根据以上所描述的任何一个实施例选择该车辆维修记录集中的每个车辆维修记录集。
该方法可以包括比较针对多个类型的维修操作/车辆部件进行的预测以识别一具体类型的维修操作/车辆部件存在的问题。
可使用在数据处理平台执行的比较算法进行该比较以自动识别该问题。
该方法可以包括补救该已识别问题的步骤。
该数量或资源值可以是每个记录车辆的数量或资源值。
该数量或资源可以是绝对数量或资源值。
每条车辆记录可以含有或为其确定一个失效日期，其中所具失效日期超出预测阈值的任何车辆记录都被排除在车辆记录集之外。
该简档可以是针对具体车辆属性或车辆属性集以及具体类型的维修操作/车辆部件确定的维修操作简档。
该简档可以是针对所有类型的维修操作/车辆部件中的具体车辆属性或车辆属性集所确定的概览简档。
可以针对同一车辆属性或同一车辆属性集确定单独的维修操作和类别简档。
可以针对具体车型确定以上或每种简档。
该简档可以是优选简档，从而根据首要匹配标准，该简档与该车辆记录集相匹配。例如，该方法可以包括以下步骤：确定有足够数量的车辆记录用于确定该优选简档。
该简档可以是备份简档，从而根据次要匹配标准，该简档与该车辆记录集相匹配，其中该方法可以包括以下步骤：确定没有根据首要匹配标准与所述车辆记录集相匹配的优选简档。例如，该方法可以包括确定没有足够数量的车辆维修记录用于确定这种简档。
该车辆记录集可以均与同一车型相关，而备份简档可以是不同车型的简档或是由该车型以及至少另一其他车型组成的车型组的简档。
可针对一个类别的维修操作确定简档，该类别的维修操作涵盖至少两个特有类型的维修操作或一个特有类型的维修操作。
可针对一具体类型的维修操作进行预测，从而该备份简档可以是针对涵盖多个类型的维修操作的一个具体类别的维修操作的简档或涵盖所有维修操作的简档。
车辆记录集可以均与同一车型相关，从而针对一特有类型的维修操作进行预测，其中该确定步骤包括确定无针对该特有类型的维修操作和该车型的简档可用，因此可根据以下简档层级结构选择备份简档：
1.针对该特有类型的维修操作和由该车型和至少一个其他车型组成的车型组的简档；
2.针对相似车型和该特有类型的维修操作的简档；
3.针对该同一车型和涵盖该特有类型的维修操作和至少一个其他特有类型的维修操作的维修操作类别的简档；
4.针对相似车型和所述维修操作类别的简档；
5.针对所有维修操作中的同一车型的简档；
6.针对所有维修操作中的同一车型组的简档；
7.针对所有维修操作中的相似车型的简档。
在确定该预测的数量/资源值时，可以使用时滞模型计算时滞，该时滞是由接收近期维修记录的延迟造成。
该模型可用于对收益值进行调整。
本发明的另一方面提供一种用于预测车辆维修操作或车辆部件故障的系统，该系统包括：电子存储器，其配置为存储计算机可读指令以执行预测算法；以及处理平台，其与该电子存储器耦合并配置为执行计算机可读指令，该计算机可读指令配置为在被执行时实现本文披露的功能性的任何方法。
既然本公开涉及补救已识别问题，那么该已识别问题可以通过以下方式补救，例如:
·重新设计该具体类型的车辆部件；
·重新设计具有该具体属性或该具体类型的车辆部件的车型；
·调整制造该具体类型的车辆部件的制造环节；
·调整装配具有该具体属性或具体类型的车辆部件的车型的装配环节，或
·调整实施该具体类型的维修操作的流程。
本发明的另一方面提供一种预测机器维修操作或机器部件故障的方法，该方法包括：在处理平台，通过在数据处理平台执行的预测算法，选择进行预测所用的机器维修记录集，其中每条机器维修记录为在该机器投入使用后进行的机器维修的记录，且每条机器维修记录包含或指示历史机器年龄或使用程度值并记载了维修操作或机器部件故障；其中针对机器记录集，基于该机器记录集里记录的机器数量以及每个记录机器的当前年龄或使用程度，该预测算法使用所选机器维修记录集预测维修操作或机器部件故障的数量或资源值，其中每条机器记录为一台投入使用的机器的记录。
本发明的再一个方面提供了一种机器生产方法，其包括：在机器生产环节，制造不同类型的机器部件，并将所述机器部件组装成机器；创建机器记录集，每条机器记录对应于投入使用的机器中的一个机器的记录；对投入使用后的机器的子集进行机器维修；分别创建每个机器维修的记录，其中每条记录包含或指示机器年龄或使用程度值并记录在机器维修中识别的机器部件故障；数据处理平台接收所述机器记录和机器维修记录，其中在所述数据处理平台执行的预测算法对所述接收到的记录进行处理，以针对每一类型的机器部件：1)识别与该机器部件类型相关的相应机器维修记录集；以及2)基于该机器记录集中记录的机器数量以及每个记录机器的当前年龄或使用程度，针对该机器记录集，使用该相应机器维修记录集预测该类型的机器部件故障的相应数量或资源值；比较针对不同机器部件类型的预测结果以识别某一具体类型的机器部件具有的问题；以及调整该机器生产环节以针对此后在所述调整后的机器生产环节中生产的机器补救该已识别问题。
本发明的另一方面涉及一种用于聚合车辆预测的计算机系统，其包括：配置为存储车辆预测的数据库，其中每个车辆预测包括：至少一个维修操作、车辆部件或车辆属性指示符、以及所指示的维修操作、车辆部件或车辆属性的各单独预测值；过滤部件，其配置为接收用于过滤车辆预测的过滤标准，并根据该过滤标准通过将数据库中的车辆预测的维修操作、车辆部件或车辆属性指示符与该过滤标准进行比较，过滤车辆预测从而确定满足该过滤标准的已过滤车辆预测集；以及控制器，其配置为控制用户界面向用户输出从该已过滤集中确定的预测值。
该计算机系统可以包括：聚合部件，其配置为根据满足该过滤标准的已过滤车辆预测集中的各单独预测值计算聚合预测值，该输出的预测值是聚合预测值。
该输出的预测值可以是已过滤集的单独预测值。
该输出的预测值可以是从该已过滤集中确定的多个预测值中的一个并由控制器输出。
在该数据库中存储的每个车辆预测可以包括维修操作或车辆部件指示符、以及至少一个车辆属性指示符，该单独预测值是所指示的车辆属性和所指示的维修操作/车辆部件的单独预测值。
该过滤标准可以是所述已过滤集中的每个车辆预测与下述之一项相关：
·同一制造商，使得该已过滤集含有针对该制造商的一个车辆产品组或至少两个不同的车辆产品组的车辆预测；
·同一车辆产品组，使得该已过滤集含有针对该产品组内的至少两个不同的车辆产品的车辆预测；
·同一车辆产品，使得该已过滤集含有针对该车辆产品的至少两个不同的车型的车辆预测；
·同一车型，使得该已过滤集含有针对该车型的至少两个不同车型年份的车辆预测；
·同一车型及同一车型年份；
·相同的车辆发动机；
·相同的车辆变速器；
·同一类型的维修操作；或
·同一类型的车辆部件。
该过滤部件可配置为接收第二过滤标准并根据该第二过滤标准过滤数据库中的车辆预测，以确定满足该第二过滤标准的第二已过滤车辆预测集，其中该控制器可配置为控制用户界面向用户输出从该第二已过滤集确定的第二预测值。
该聚合部件可配置为根据该第二已过滤集中的单独预测值计算第二聚合预测值，该第二输出预测值是第二聚合预测值。
该第二预测值可以是从该第二已过滤集确定的多个第二预测值中的一个并由控制器输出。
该过滤部件可配置为接收第三过滤标准并根据该第三过滤标准过滤数据库中的车辆预测，以确定满足该第三过滤标准的第三已过滤车辆预测集，其中该控制器可配置为控制用户界面向用户输出从该第三已过滤集确定的第三预测值。
该过滤部件可配置为接收第四过滤标准并根据该第四过滤标准过滤数据库中的车辆预测，以确定满足该第四过滤标准的第四已过滤车辆预测集，其中该控制器可配置为控制用户界面向用户输出从该第四已过滤集确定的第四预测值。
该过滤部件可配置为接收第五过滤标准并根据该第五过滤标准过滤数据库中的车辆预测，以确定满足该第五过滤标准的第五已过滤车辆预测集，其中该控制器可配置为控制用户界面向用户输出从该第五已过滤集确定的第五预测值。
该过滤部件可配置为：根据过滤标准，通过将至少该维修操作/车辆部件指示符与该过滤标准相比较，过滤该车辆预测，以及根据第二过滤标准，通过至少将数据库中的车辆预测的车辆属性指示符与该第二过滤标准相比较，过滤该车辆预测。
该控制器可配置为控制该用户界面同时显示每个所述预测值。
由该过滤部件所确定的过滤集中的每一个过滤集均可与预测层级结构中的相应层级相关联：
该预测层级结构可具有至少以下层级：
·制造商；
·产品组；
·产品；
·车型(或车系)或车型+车型年份。
该预测层级结构还可具有以下层级：
·车型-发动机或车型-变速器。
该预测层级结构还可具有以下层级：
·车型-发动机-变速器或车型-变速器-发动机。
该预测层级结构还可具有至少以下层级：
·车型年份。
该预测层级结构可具有至少以下层级：
·发动机或变速器；
·发动机-产品或变速器-产品，
·发动机-车型或变速器-车型。
该预测层级结构还可具有以下层级：
·发动机-产品组或变速器-产品组。
该已过滤集中的至少一个已过滤集与位于该预测层级结构中的相应层级的实体的具体类型的维修操作相关。
该已过滤集中的至少一个已过滤集与位于该预测层级结构中的相应层级的实体的所有类型的维修操作相关。
该已过滤集中的至少两个已过滤集可以与同一实体相关，其中所述至少两个已过滤集中的一个集与所述相应实体的具体类型的维修操作相关，而另一已过滤集与所述实体的所有类型的维修操作相关。
该控制器可配置为响应用户界面的模式切换指令，在以下模式之间进行切换:i)概览模式，其中针对车辆预测集显示预测值，其中这些集中的每个集与位于相应预测层级结构中的相应层级的相应实体的所有类型的维修操作相关；以及ii)具体类型的维修操作的详览模式，其中针对车辆预测集显示预测值，其中这些集中的每个集与位于预测层级结构中的相应层级的相应实体的该具体类型的维修操作相关。
该过滤标准和第二过滤标准可以是这样的：该已过滤车辆预测集和该第二已过滤车辆预测集与预测层级结构中的不同层级相关。
该过滤标准和第二过滤标准可以是这样的：该已过滤车辆预测集和该第二已过滤车辆预测集与预测层级结构中的同一层级相关。
该第三过滤标准可以是这样的：该第三已过滤集、该已过滤集和该第二已过滤集与预测层级结构中的同一层级相关。
该第三过滤标准可以是这样的：与该第三已过滤集相关的预测层级结构中的层级不同于该已过滤集和第二已过滤集。
该第三已过滤车辆预测集可以与比该预测层级结构中高于该已过滤集和该第二已过滤车辆预测集的层级的实体相关。
该控制器可以配置为基于为与该预测层级结构中的同一层级相关的已过滤集确定的预测值，确定这些已过滤集的显示顺序，以及控制用户界面按已确定的显示顺序显示这些预测值。
该控制器可以配置为基于与该车辆预测集或每个车辆预测集相关的预测层级结构中的层级，确定所述车辆预测集的显示位置，以及控制用户界面在所确定的显示位置显示所述车辆预测集的预测值。
该控制器可以配置为：确定该预测值、该第二预测值、和该第三预测值的显示位置，使得在不同于第三预测值显示位置的显示区域将该预测值和第二预测值的显示位置分在一组。
该第四和第五集与彼此的预测层级结构中的同一层级相关，该层级低于与该已过滤车辆预测集和该第二已过滤车辆预测集相关的层级。
该第四和第五集可以与预测层级结构中彼此不同的层级相关，二者的层级高于与第三已过滤集相关的层级。
该第二过滤标准可以是使得已过滤集中的每个车辆预测与如下不同项相关：
·同一制造商，使得该已过滤集针对含有该制造商的一个车辆产品组或至少两个不同的车辆产品组的车辆预测；
·同一车辆产品组，使得该已过滤集含有针对至少两个不同车辆产品的车辆预测；
·同一车辆产品，使得该已过滤集含有针对至少两个不同车型的车辆预测；
·同一车型，使得该已过滤集含有针对该车型的至少两个不同车型年份的车辆预测；
·同一车型及同一车型年份；
·同样的车辆发动机；
·同样的车辆变速器；
·同一类型的维修操作；或
·同一类型的车辆部件。
该控制器可以配置为针对该车辆预测集或每一车辆预测集，基于该集的预测值，确定至少一个可视化特征，以及控制用户界面显示具有该已确定可视化特征的可视化表示，从而将该预测值输出为具有该已确定可视化特征的所显示的可视化表示。
由该已过滤集确定的预测值可以是仅涵盖预测的维修操作或车辆部件故障的未来预测值。
由该已过滤集确定的预测值可以是未来+历史预测值，其涵盖预测的维修操作或车辆部件故障以及已经发生的维修操作或车辆部件故障。
该系统可配置为针对该车辆预测集或每个车辆预测集，计算：i)涵盖预测的维修操作或车辆部件故障以及已经发生的维修操作或车辆部件故障的未来+历史预测值，以及ii)仅涵盖预测的维修操作或车辆部件故障的未来预测值，其中该控制器可以配置为控制用户界面向用户输出与未来预测值相关的总预测值。
该计算机系统还可被配置为针对该车辆预测集或每个车辆预测集，确定仅涵盖已经发生的维修操作或车辆部件故障的历史值，其中该控制器可配置为控制用户界面向用户输出与该历史值相关的预测值。
该历史值可以是与该聚合预测值对应的聚合历史值。
该历史值可以是与从已过滤集中确定的单独预测值对应的单独历史值。
该控制器可配置为基于该集的未来预测值、历史值、以及未来+历史预测值中的一个确定该可视化表示的第一可视化特征，以及基于该集的未来预测值、历史值、以及未来+历史预测值中的不同的一个确定该可视化表示的第二可视化特征。
该可视化特征(或每个可视化特征)可以是可视化表示的尺寸或颜色中的(不同)的一个。
该预测值可以是仅涵盖预测的维修操作或车辆部件故障的未来预测值，其中该控制器可以配置为控制用户界面显示该既涵盖预测的维修操作或车辆部件故障又涵盖已发生的维修操作或车辆部件故障的集的未来+历史预测值的可视化表示，该可视化表示具有两个视觉上明显不同的部分，其第一部分表示历史值，而其第二部分表示未来预测值。
该第一和第二部分可以具有各自的尺寸，该尺寸由控制器基于历史值和未来预测值分别确定。
每个车辆预测可以包括预测时间段，其中进行过滤的方式使得该车辆预测集或每个车辆预测集与同一预测时间段相关。
车辆预测中的至少两个车辆预测可与不同的预测时间段相关。
该聚合部件可配置为至少部分地根据用户在用户界面设定的过滤选择参数针对该集或每个集确定过滤标准。
该预测层级结构可事先确定或由用户定义。
为该集或每个集计算出的该聚合值或每个聚合值可以包括所述集中每辆车的维修操作或车辆部件故障的数量或资源值，或所述集的维修操作或车辆部件故障的绝对数量或资源值。
该控制器可配置为使用每个已过滤集呈现在用户界面上显示的多元素对象的相应元素。
该多元素对象可以是：节点树、柱状图、动态网格、示意图、旭日图、或时间序列。
每个车辆预测可以包括车辆生产时间或开始投入使用时间指示符，其中该已过滤集中的每个已过滤集涉及不同的车辆生产时间或不同的开始投入使用时间。
每个车辆预测可包括车辆生产时间指示符和开始投入使用时间指示符。
该控制器可配置为将聚合预测值按生产时间或开始投入使用时间的顺序显示为时间序列。
该控制器可配置为控制用户界面将每个预测值显示为节点树的一个节点，该节点树是按照预测层级结构构建的。
该控制器可配置为控制用户界面在节点树内将表示该预测值和该第二预测值的节点显示为表示该第三预测值的节点的子节点。
该控制器可配置为控制用户界面将从该已过滤集中确定的每个预测值显示为旭日图的一个元素，该旭日图是按照预测层级结构构建的。
该控制器可配置为控制用户界面将从该已过滤集中确定的每个预测值显示为柱状图的一个柱。
每个车辆预测可以包括车型和车型年份指示符，而且该已过滤集中的每个已过滤集涉及不同的车型年份。
该控制器可配置为将从该(一个或多个)已过滤集中确定的该预测值或每个预测值显示为网格中的一个元素。
该控制器可配置为控制该用户界面显示该预测层级结构中的每个层级的各自的网格。
该维修操作类型指示符可以指示维修操作的类别或具体维修操作。
本发明的另一方面提供一种计算机系统，其包括：至少一个记录数据库，其配置为存放车辆或车辆维修记录；预测数据库，其配置为存放车辆预测,其中每个车辆预测包括:从已从其中得出预测的相应车辆或车辆维修记录集中得出的预测值、以及针对这些记录中的每个记录,用于在存放该记录的记录数据库中定位该记录的对应数据库键码；控制器,其配置为控制用户界面向用户显示：该车辆预测中的一个车辆预测的预测值、或从至少两个车辆预测的预测值中得出的聚合预测值，其中该控制器配置为使用预测数据库中存放的对应数据库键码在存放至少一个车辆或车辆标识记录的记录数据库中定位该车辆或车辆标识记录中的至少一个车辆或车辆标识记录，并以与所显示预测值关联的方式显示所定位车辆或车辆维修记录中的数据。
该计算机系统可以包括：车辆记录数据库，其配置为存放车辆记录；以及维修记录数据库，其配置为存放车辆维修记录。
该控制器可配置为在该车辆记录数据库中定位至少一条车辆记录并在该维修记录数据库中定位至少一条车辆维修记录，以及以与所显示预测值相关联的方式显示以上两条记录的数据。
该控制器可配置为使用在预测数据库中存放的各对应数据库键码定位该至少一个车辆记录和该至少一个车辆维修记录。
该控制器可配置为使用预测数据库中存放的对应数据库键码定位该至少一条车辆记录，以及通过将该条车辆记录中的标识符与该条车辆维修记录中的标识符进行匹配，定位该至少一条车辆维修记录。
该控制器可配置为以与所显示预测值相关联的方式显示该车辆或车辆维修记录的数据从而同时显示该数据与所显示预测值，或响应于预测值显示时接收到的用户输入显示数据。
该控制器可以包括过滤部件，其配置为接收过滤标准集，以及确定满足所接收到的过滤标准的已过滤车辆预测集，其中该控制器可以配置为使用该已过滤车辆预测集的数据库键码在记录数据库中定位与同一过滤标准匹配的对应的车辆集或车辆维修记录集，并以与从该已过滤车辆预测集中得到的至少一个单独的或聚合的预测值相关联的方式显示该对应记录集的数据。
在以上所述的任一实施例中，具有视觉元素的可视化表示可以呈现在用户界面的一个页面上。每个视觉元素可以表示相应的已过滤预测集(即：满足具体过滤标准集的一个或多个预测的集，每个视觉元素可以表示一个聚合的预测值或单独的预测值)。每个视觉元素均是可选的，以允许用户浏览至与所选元素表示的已过滤预测集相对应的用户界面的另一个页面。
本发明的另一方面提供了用于聚合机器预测的计算机系统，其包括：配置为存储机器预测的数据库，其中每个机器预测包括：至少一个维修操作、机器部件或机器属性指示符，以及所指示的维修操作、机器部件或机器属性的单独预测值；过滤部件，其配置为接收用于过滤机器预测的过滤标准，并根据该过滤标准通过将数据库中的机器预测的维修操作、机器部件或机器属性指示符与该过滤标准进行比较，过滤机器预测从而确定满足该过滤标准的已过滤的机器预测集；以及控制器，其配置为控制用户界面向用户输出从该已过滤集中确定的至少一个预测值。
本发明的另一方面提供一种计算机系统，其包括：至少一个记录数据库，其配置为存放机器或机器维修记录；预测数据库，其配置为存放机器预测,其中每个机器预测包括:从已从其中得出预测的相应机器或机器维修记录集中得出的预测值，以及针对这些记录中的每个记录,用于在存放该每个记录的记录数据库中定位该记录的对应数据库键码；控制器,其配置为控制用户界面向用户显示：该机器预测中的一个机器预测的预测值，或由至少两个机器预测的预测值中得出的聚合预测值，其中该控制器配置为使用预测数据库中存放的对应数据库键码在存放至少一个机器或机器标识记录的记录数据库中定位该机器或机器标识记录中的至少一个机器或机器标识记录，并以与所显示预测值关联的方式显示所定位机器或机器维修记录的数据。
本发明的另一方面提供了非暂时性计算机可读介质，其具有计算机可读指令，该计算机可读指令配置为执行时实现本文所公开的任何方法或功能。
附图说明
为更好理解本发明并示出如何实现本发明的实施例，参考了以下附图，其中：
图1示出了并排布局的一些车辆部件的图像；
图2A示出了预测分析系统的示意框图；
图2B示出了该预测分析系统创建的示例性车辆预测；
图2C示出了该预测分析系统创建的示例性简档；
图3示出了呈现用户界面所依据的页面结构；
图4-图45示出了在一示例性应用例中的作为用户界面的一部分所呈现的系列页面；
图46-图123示出了可作为用户界面的一部分可以呈现的各种示例性可视化表示，以表示该预测分析系统所创建的车辆预测；
图124A-图124B示出的图演示了本文所描述的预测方法与Weibull预测在准确性方面的对比；
图125示出的图演示了本文所描述的预测方法与Weibull预测在随时间推移的稳定性方面的对比；
图126示出了基于简单阈值化方法发现问题的原理图；
图127A-图127B的图演示了本文所描述的预测方法能够比简单的阈值化方法更早地发现特有问题的两个示例；以及
图128的图演示了根据本文所描述的方法进行的预测是如何随时间推移而稳定的。
具体实施方式
下面仅以示例的方式描述本发明的示例性实施例。
提供预测分析服务的预测分析系统，在本文中是指“We Predict”系统以及“Indico”系统，其能够在具有特定时间段的预测期间(即预测时间段)，比如每辆车生命中的前1-3年，就一车辆群体的维修操作(人工操作)或车辆部件故障/其他缺陷(或二者)的数量或资源值进行准确预测。注意，在下文描述中，术语“预测”、“预计”、“预见”可互换使用。
预测分析服务使用车辆记录的核心数据集，该核心数据集记录已投入使用的车辆以及所有相关产品的车辆维修记录。所述数据用于构建预测模型，该预测模型规模化系统化地应用于当前在保修期内的所有产品、车型/车系、以及人工操作以预测未来行为。
预测所用的四个指标为：
1.索赔计数(D)，
2.单位缺陷数(DPU)，或“索赔频次”
3.资源值(C)，以及
4.单位资源值(CPU)
We Predict系统所使用的模型和方法在行业内是独特的，其使得用户深刻了解关键数据，从而最终实现更早的发现问题并对这些问题的优先级进行正确的排序。
以多种不同的方式对所创建的核心信息进行聚合，从而以所选层级结构(“预测层级结构”)进行分析，例如：
1.制造商或“原始设备制造商”(一个或多个)
2.品牌(产品组)
3.产品(业务单位)，
4.车系/销售车型(机器类型)，
5.发动机代别，
6.人工操作(服务代码)，以及
7.部件代码(部件编号)。
该系统的灵活性方便了产品和车系内部或跨产品和车系的分析从而可以发现并更好的理解在多个应用中使用的共有部件的问题。
还可以按照比如车型年份、生产月份和/或开始投入使用时间提供粒度更细的细目。下文将给出示例。
以含有一系列的允许自上而下提问的交互式图表和对象的仪表板的形式，或使用对特有产品、车系/车型、人工操作或部件的搜索功能调查，经由用户界面(UI)向用户展示信息。
通过该仪表板，授权用户可以在预测层级结构中的不同层级浏览。
也可使用数据库键码将各单独预测反向链接至从中导出该预测的车辆维修记录，从而允许用户从一具体预测浏览至作为该具体预测的基础的各单独车辆维修记录。通过与预测层级结构的结合，形成了非常强大的工具，使得用户可以精确地锁定问题，例如在层级结构内向下浏览至越来越特有的预测，然后从那儿浏览至与问题车辆或部件相关的各单独车辆维修记录集。一旦以这种方式找到记录，还提供了能够对这些记录进行直观性(回溯性)分析的工具。
因此，用户界面UI允许基于预测的分析和回溯性分析二者，且用户界面的关键部件是用户可以在二者之间浏览的机构。
该系统可托管在专有服务器并通过比如网络端口发送至被授权用户。
支持所描述系统的关键创新在于使用车辆维修记录和已投入使用的车辆记录的结合进行预测分析。通过这些数据的结合，针对具体制造商提供的车辆群体，可就未来需要的维修操作或未来将会出现的车辆部件故障进行非常强大而精确的预测。这体现了该数据结合的新颖用途，而且这种新颖用途提供了前所未有的洞察力。
该系统可以在不同的“变量”层级和分类上操作。在本文中，“变量”指的是车辆属性或车辆属性集，其中具有该/这些属性的所有车辆被视为属于该“变量”。即，变量是由一个或多个车辆属性限定的车辆类型。变量可以是，比如属于具体品牌、产品、车型(任何车型年份)、车型和特有车型年份或年份等的所有车辆，或具体车型或类别或具有特定发动机或传动系统等的所有车型。
车辆属性与车辆部件不同。车辆属性对应于车辆的宽泛(高层级)特征，诸如制造商、品牌、产品或车型标识，或整个子系统，诸如发动机或变速器。相比较而言，车辆部件对应于车辆子系统的特有(低层级)部件，诸如发动机、变速器、刹车系统、悬架、底盘、车身、控制系统、车载计算机系统或其他车辆子系统的特有(机械或软件)部件。下文将给出车辆部件以及相关人工操作的例子以进一步辅助说明。
车辆属性的其他例子包括针对某些车辆/机器类型的液压系统和驾驶室。
要区分“原子”预测和聚合预测，前者通过使用下文所描述的特殊方法创建，而后者通过聚合原子预测创建。
针对具体类别的变量或有限数量的变量类别，在各单独人工操作和/或车辆部件层级上创建原子预测。在下文所描述的示例中，至少使用三个类别的变量作为原子预测的基础。
1.车系(车型)
2.发动机
3.变速器
因此，使用所有三个变量类别时，创建一系列车系、一系列发动机、和一系列传动系统各自的预测。这允许一些重叠，因为可在某具体车系中发现(例如)不同的发动机，而且多个车系可使用同一发动机或传动系统。
广义地说，这三类别变量足以构成原子预测的基础。取决于实施方式，这些类别中的每个类别内的变量都可以宽泛地定义(比如：车系，而不管车型年份)或狭窄地定义(针对车系和车型年份的每个独特组合进行分别预测；因此，针对车系A 2017、车系A 2016、车系A2015，...车系B 2017、车系B 2017、车系C 2016等等分别预测)。变量类别以及这些类别的特有变量可灵活选择以适应具体制造商的需要。
系统的用户通过用户界面不仅访问原子预测还访问聚合预测，其中聚合预测是根据所选层级结构对原子预测进行聚合生成的，其目的是从工程的角度直观地找出问题。该用户界面使得用户可以快速有效地浏览整个层级结构。在如何选择层级结构方面有一定的灵活度，而且其可以进行轻微的定制以适合不同制造商的需要。但是，在选择层级结构时要遵循一些指导原则以确保从工程师的角度看该用户界面依然是直观的。
这点将在下文描述，但现在可以说工程师可以(比如)从层级结构的上端开始，非常快速地识别可能有问题的区域，并非常快速地浏览整个层级结构以通过越来越具体的预测找到问题。所述问题比如可以是在数百个车系，而每个车系有多于10000个部件中的某具体车型年份的车系上的某个部件的问题，导致故障或需要比原先更快维修。
因为系统是基于预测的，跟单纯回溯性分析相比，可以更早地识别特有问题。这使得在一大群体汽车里找到特有问题变成可能，这点意义重大，而如果使用现有的分析技术则会很难识别这些问题。
一旦识别出问题，工程师就可以重新设计部件或车系(比如)，以避免该问题出现在未来车辆中，或调整制造或组装环节，甚至在问题严重时召回车辆进行维修/更换。
注意，预测还可以与底层记录链接，使得工程师在分析时更容易地访问这些记录。
该We Predict系统具有数据处理平台，其形式为一个或多个处理单元(诸如CPU)。该数据处理平台执行数据处理代码，其实现该系统所描述的功能。例如，一组互连协作的服务器可以提供一个分布式计算环境，其可以进行并行数据处理操作以高效地实现本文披露的功能。
为便于说明，图1示出了We Predict系统的高度示意性概览图。从概念上来说，该系统可以分成如图1所示的功能层，其中每层表示该系统的部分功能。后文会详细描述所有的功能，但先对其进行简单概览。
每个层构成该系统的功能部件，其可实现为在数据处理平台上执行的代码。
在以下示例中，该车辆记录和车辆维修记录分别采用车辆销售和保修期索赔记录的形式。但是，本说明书还同样适用于其他形式的车辆和车辆维修记录，该车辆记录和车辆维修记录分别记录了已投入使用的车辆和对这些车辆进行的维修。
该系统以周期性更新循环的形式运行，一般以月为基础接收来自顾客的更新。每条更新提供了新的顾客数据2N，其包括在上次更新之后新的销售记录4N和新的保修期索赔记录6N。预处理层12将销售和保修期索赔记录4N、6N处理成适合在预测层14使用的形式。这涉及到在销售数据库4D和保修期索赔数据库6D内分别将新的销售和保修期索赔记录104N、104N与为顾客保存的现有销售和保修期索赔记录合并，并在需要时去除重复。新的保修期索赔记录6N还可以扩充加入与销售记录匹配的数据(新的销售记录4N或在销售数据库4D存放的现有销售记录)，扩充后的保修期索赔记录存储在保修期索赔数据库6D内。在销售和保修期记录中提供车辆识别号码(VIN)形式的唯一车辆标识符(ID)从而将对应的保修期索赔记录和销售记录相匹配。数据库4D存放的销售记录的附图标记为4，其既包括新销售记录也包括旧销售记录；同样地，存放在数据库6D里的保修期索赔记录6D是扩充后的保修期索赔记录，其既可以包括新保修期索赔记录也包括旧保修期索赔记录。
预测层14可访问销售和保修期索赔数据库4D、6D，并使用这些记录根据下文所描述的方法创建原子预测。如上文所述，分别在预测层14的框14a、14b、和14c为三个变量类别(车系、发动机、和变速器)创建原子预测。原子预测20(标记为20a、20b、和20c，分别用于车系、发动机和变速器)存储在原子预测数据库14D内。
过滤层15可以访问原子预测数据库14D，并根据不同的过滤标准集过滤存储在该原子预测数据库14D内的原子预测20。每个过滤标准集均采用一个或多个过滤参数的形式，而该系统构建为处理预定义过滤标准21P和用户定义过滤标准21U，其中预定义过滤标准21P以电子的形式存储在系统内并可被视为系统参数的一种形式，用户定义过滤标准21U可被用户经由用户界面动态设置(“即时”(“on-the-fly”))，比如通过对屏上过滤选项进行选择，这点将在下文描述。
响应于接收到的过滤标准集，过滤层15搜索原子预测数据库20以发现任何满足该过滤标准的原子预测20(即匹配一个或多个过滤参数)。假设一个或多个原子预测20满足所述过滤标准集，结果是确定满足那些过滤标准的一个或多个原子预测20的集(已过滤集)。取决于上下文，该过滤标准集可全部预定义、全部用户定义、或二者的组合(比如，用户可以使用其希望优化的预定义过滤标准集)。灵活过滤原子预测的能力是系统的关键部分。它可以在用户浏览用户界面时动态填充和刷新屏上对象并修改应用设置。通过预定义过滤器，可进行动态过滤，或提前进行过滤并存储过滤结果以供后期使用。
为避免歧义，注意，根据过滤标准(集)确定的术语“已过滤车辆预测集”可以仅包含单个车辆预测，前提是仅有一个车辆预测匹配该过滤标准。因此，比如，本公开所指的已过滤车辆预测集(或类似术语)可具有与所述过滤标准匹配的任何数量的预测。
聚合层16根据清晰定义的预测层级结构将多个原子预测20的多个集进行聚合。特别地，聚合层16的一个功能是聚合含有多个原子预测的已过滤集合。这可以是个动态过程，其中响应于用户界面输入，动态(“即时”)生成聚合，或更现实地，比如在每个更新周期上提前生成至少部分聚合。例如，可提前针对预定义过滤器进行聚合。一般来说，上述的每一个方案，或两种方案的结合，均可根据情况使用。聚合预测被标记为22，其可预先存储在数据库内或如果适合，在电子存储器内动态生成。
用户界面层18可以访问原子预测20和聚合预测22二者并控制显示设备呈现用户界面，通过该用户界面，用户可根据需要上下滚动该层级结构以浏览预测。用户界面比如可以采用网络界面的形式，其中用户界面层18向用户设备提供指令以呈现该用户界面，或用户界面层16可以是在可访问底层预测数据20、22的用户设备上执行的应用的一部分。基于用户经由用户界面接收的浏览输入24，以及用户经由用户界面设置的任何用户定义的过滤标准121U，选择待输出的原子和聚合预测20、22。分别经由过滤和聚合层15、16进行的过滤和(若适用)聚合可用于呈现该用户界面的基础，特别地，响应于用户的浏览输入24和用户定义的过滤参数21U，用合适的预测填充该用户界面。
图2示出了销售和保修期索赔记录4、6的某种结构以及为车系和发动机变量类别生成的原子预测20a和20b。为简明起见，图2省略了变速器类别，但可以理解该描述同样适用于变速器变量类别，而且事实上适用其它形式的变量类别。
每个原子预测都涉及所述的变量类别的具体变量(比如，具体的车系车型或具体的车系车型和车型年份，具体的发动机类型或类别等)，并位于各单独人工操作或各单独车辆部件层级。在以下示例中，每个原子预测都涉及一个具体的变量和具体的人工操作，并包括以下四个指标：
1.该变量的该类型人工操作的总预测的数量，称为“缺陷”(D)；其可计算或估算为保修期索赔总计数；
2.该变量的每单位(车辆)的该类型(缺陷)的人工操作总数(DPU)；
3.该变量的该类型的人工操作的总预测资源值(即费用)(C)；以及
4.该变量的该类型的每单位人工操作的总预测资源值(即费用)(CPU)。
术语“资源值”和“费用”在本文中是同义词。在本文中，“费用”是个有用的指标，它可以合理可靠地指示所述问题的严重程度。
每个指标的计算都是在一定预测时段范围内，比如每辆车生命的前1-3年。针对不同预测时段，可以计算出不同的预测集。每个指标可以提供已实施的人工操作以及预测的人工操作(即，已实施人工操作和预期人工操作的总费用/计数)，或仅提供预测的人工操作，或针对每种人工操作提供不同的值，这样共有八个指标。
尽管以上描述的示例针对的是人工操作，该描述同样适用于代替人工操作的车辆部件。一个保修期索赔记录可涉及一个人工操作，也可以涉及进行该人工操作的多个车辆部件。这可以通过“拆分”保修期索赔记录来处理，将在后文描述。
图2示出了预测层操作的详情。具体地，图2示出了分别在车系框和发动机框14a、14b生成的原子预测的高度示意性示例。
在该预测层14接收销售记录4和扩充后的索赔记录6。每条销售记录4包括一辆已投入使用的车辆的记录(即，当车主开始使用该车辆时，制造商就要负责在保修期内的维修)并记录所述车辆的详细情况。在本示例中，每条销售记录4显示为包括：
·车辆识别号码(VIN)52
·开始投入使用日期54
·车系指示符56，以及
·发动机指示符58。
每条扩充后的保修期索赔记录6一般包括该车辆投入使用后进行的维修记录，一般用于识别并维修或更换故障部件(尽管一小部分的保修期索赔记录可能涉及到无需真正进行维修的操作)。每条索赔记录6显示为包括：
·车辆识别号码(VIN)62，其可以与对应销售记录匹配，
·人工操作的类型指示符80，
·与保修期索赔相关的日期74，其可以是实施人工操作的日期、该记录创建的日期、或索赔处理的日期(举个例子)，
·车系指示符76，
·发动机指示符78，以及
·费用值72，表示由于保修期索赔产生的费用。
预测车辆部件故障或维修面临的问题之一是作为预测基础的数据的可获得性。支持以上描述的技术的关键实现之一是在车辆生命的预定窗口期内(保修期)，制造商可获得在该窗口期内的部件缺陷/故障的综合数据(在本文中，“生命”从车辆投入使用时算起(开始投入使用日期))。这是因为在该窗口期内，车辆仍然处于保修期范围，制造商对缺陷/故障承担责任)。为确保一套可靠的数据集作为预测的基础，只需要确保在保修期内进行车辆维修时返回至制造商的索赔记录包含有关对该车辆实施的工作的充分信息，确保原始销售记录包含该车辆本身的充分信息，并且确保每条索赔记录能够与所述车辆的对应销售记录相匹配。这样可以在预测窗口期(预测时间段)进行准确预测，该预测窗口期通常是车辆生命的大约前1-3年。使用程度阈值也可减少维修工作。预测窗口期的选择可对应于制造商负责的完整窗口期，因此具有维修的全面数据，否则该预测窗口期更短。
注意，尽管本文以保修期索赔作为示例，本技术并不限于此。其他应用包括延伸的保修期和在具体情形下制造商可能提供的“善意”维修。一般来说，以下这点是非常重要的：无论何种理由，以车辆生命为窗口期，在此期间或多或少地保证全面的维修数据传送至车辆制造商以进行全面预测，这反过来可用于就后期车辆/机器作出工程决策。
在本示例中，分别位于销售和保修期记录的VIN52、VIN62可在必要时用于扩充索赔记录以加入销售记录数据，比如扩充后的保修期索赔记录6中的车系和发动机数据76、78。
车系预测框14a的输出为原子车系预测20a。在本例中，针对车系和人工操作的每一个可能组合生成原子车系预测。每个原子车系预测20a示出为包括车系指示符82和与该车系指示符82相关的人工操作的类型指示符84，以及该车系-人工操作组合的各单独预测值。如上文所述，每个单独的预测对应于该类型人工操作(D、DPU、C、CPU)的预测计数或费用(绝对值或每辆车)。这可以是整体预测值，即不仅包括预期未来计数/费用还包括已记录的历史计数/费用，或仅包括未来预测值，即其仅包括预期未来计数/费用。还可仅为该人工操作-车系组合记录的每个预测120a(即，历史计数/费用-绝对值或每辆车)提供对应的历史指标。
该发动机预测框14b的输出为原子发动机预测。在本例中，针对分别由发动机指示符和人工操作指示符92、94指示的每个可能的发动机和人工操作组合生成原子发动机预测20b。以与原子车辆预测20a同样的方式提供预测值和可选地对应的历史值；但是，在每个发动机预测20b中，上述值与所述具体发动机和人工操作组合的费用/计数相对应。
尽管图2中未示出，还可为每个可能的人工操作和变速器组合，或甚至为任何期望的人工操作、车辆部件、和车辆属性的组合，以同样的方式生成原子预测。
也可生成粒度更细的原子预测，诸如针对特有车型年份的预测(即，针对每个可能的人工操作，每个年份的具体车型的单独预测)、或针对车系-发动机组合的预测(即，针对每个可能的车系、发动机和人工操作的组合，其中在该例中所述值对应于针对该发动机和该车系的该人工操作类型的计数/费用)，等等。可基于上下文选择合适的粒度。
也可生成粒度较粗的原子预测，诸如针对某种车型或车型+车型年份的所有人工操作的预测。在这种情形下，每个预测都省略了人工操作指示符，因为其适用于该车型的所有人工操作。
在下文所描述的示例中，可以多种粒度层级生成预测。具体地：
·针对各单独车型的所有人工操作生成原子预测，使用在“概览”模式(概览预测)，以及
·针对各单独车型和人工操作生成原子预测，用于“详情”模式(详细预测)。
从预测模式(简档)可以生成每个预测，其中基于相关保修期索赔记录集以合适粒度层级确定该预测模式(简档)。于是，在以下示例中，针对所有人工操作中的每个车型以及针对每个单独的人工操作，确定各自的简档。更一般地，针对具有一个或多个粒度层级(比如详情和概览)的用户界面，分别以该粒度层级或每个粒度层级生成简档。这种方式是优选地，因为其确保了在每个粒度层级的车型都充分利用可获得的维修数据。
Indico系统使用系统非参数方法进行预测，将在下文描述。
可基于地区、国家和气候，甚至要考虑到索赔当天的天气，提供对索赔率和费用的系统分析和预测。
第一节-概览
用户界面-概览
对于复杂的用户界面，可在不同时间应用多种过滤标准集，以：
·定位并在合适时机聚合用于填充用户界面某一具体页面的原子预测集；
·定位并在合适时机聚合一具体页面的预测子集以填充该页面上的屏上对象。
在呈现用户界面时，在用户界面的不同层级上使用各种预测层级结构，其宽泛地落入以下两个类别：
·页间层级结构，根据该页间层级结构生成不同页面以允许直观地在页面之间浏览；
·页内层级结构，用于在一具体页面生成层级结构对象，比如节点树、树状图、和旭日图。针对给定页面可具有多个页内层级结构，对应于该页面上的不同对象。
本文中的对象指的是一个或多个已过滤预测集的屏上表示。即，具有一组约束条件的数据的图表、表格或其他可视化表示，其是填充对象的依据。在用户浏览用户界面时，可基于对预测的过滤以及(若适用)聚合，动态地填充对象。该过滤/聚合可以是动态(“即时”)过滤/聚合，或如果合适，可以提前进行过滤/聚合，如本文在其他地方所指出的那样。
在所描述的系统内，事先确定页间层级结构。该事先确定的层级结构可以考虑具体制造商的需要。
可以提供一些事先确定的页内层级结构，但一般来说用户对这些页内层级结构具有更大的控制权，以定义其自己的层级结构，或修改事先确定的“缺省”或“模板”层级结构。针对具有用户配置的层级结构的屏上对象，在用户修改层级结构时可以动态刷新对象。例如，通过重新过滤(若适用)，根据用户指定的层级结构聚合原子预测，以及根据结果重新填充屏上对象，从而可以实现所述对象的刷新。可根据预定的或用户指定的排序标准对结果进行排序。在大多数情形下，期望根据预测值对结果排序，比如，先放最高的预测费用/计数(绝对值或每辆车)，以直观地显示预测的问题所在。
页间层级结构
如随后描述的，页间层级结构可以两种模式操作：详情和概览。在这两种模式中，基于车辆属性，页面层级的车辆层级结构用作呈现页面和在页面间浏览的基础。可有一个或多个页间层级结构，诸如基于车辆的层级结构、基于发动机的层级结构、以及基于变速器的层级结构中的一个或多个。
直观的基于车辆的页间层级结构例如可以定义为：
·制造商；
·品牌；
·产品；
·车型/车系。
在车辆层级结构的每个层级的每个实体可用的单独层级结构页面，因此一般是一个(但可能为多个)制造商页面，然后每个品牌的车辆的页面(一般为每个制造商的多个品牌页面)，用于每个车辆产品的页面(一般为每个品牌的多个车辆产品页)，以及每个车型的页面(一般为每个产品的多个车型页面)。
直观的发动机页间可定义为：
·发动机；
·发动机-产品；
·发动机-车型。
因此，每种发动机(无论其用于何种车型)一个页面，车辆产品和发动机的每种可能组合一个页面，每种可能的车型-发动机组合一个页面。
同样地，可以同样的方式定义变速器层级结构，用变速器代替发动机：
直观的变速器页间可定义为：
·变速器；
·变速器-产品；
·变速器-车型。
如果需要，还可以提供发动机-品牌或变速器-品牌层级。
在详情模式，选择具体的人工操作，而且在每个页面上仅显示针对该人工操作的预测。
用户还可以指定页面上的过滤选项，例如，专注于品牌、产品、车型、发动机等的特有选择。以同样的方式应用该页间层级结构，但仅限于满足用户的选择标准的预测120。
在以上两种详情模式中，使用合适粒度(概览原子预测或详情原子预测)的原子预测提供层级结构最低层级的原子结果以填充屏上对象。针对详情模式下的各单独人工操作和概览模式下的所有人工操作，对这些原子预测进行聚合以提供结果并填充层级结构更高层级的屏上对象。
页内层级结构
节点树
节点树或树状图是树状示意图，其视觉结构设置为与生成该树状示意图所依据的预测层级结构相匹配。节点树中的每个节点对应于一具体过滤标准集，预测120根据该过滤标准集进行过滤以填充该节点。节点树的每个层级对应于生成该节点树的每个层级所依据的预测层级结构的一个层级。
根据与页间层级结构中的一个层级结构相匹配的预测层级结构可以生成节点树，以提供在不同层级的页面间浏览的方法。因此，例如，根据以上给出的基于车辆的层级结构生成的节点树具有：
·表示一具体制造商的根节点；
·表示不同品牌的根节点的子节点；
·表示品牌内的不同产品的每个品牌节点的子节点；
·表示该产品的车型的产品节点的子节点。
对应页间层级结构的节点是可选的，以浏览至对应页面。(同样适用于发动机和变速器层级结构)。
该层级结构还可以扩展以在节点树中提供低于车型的额外粒度(举个例子)，和/或诸如以下所描述的其他形式的页面上的对象也可以提供以给出额外的粒度。可代替地，可在页面上提供不同的节点树：与该页面的(固定的)页间层级结构匹配的节点树，以及基于用户可配置的层级结构的另一节点树。例如，针对第二节点树，用户可以在以下至少两种层级结构间切换：
·车型，
·车型-发动机，
·车型-发动机-变速器；
以及
·车型，
·车型-变速器，
·车型-变速器-发动机。
动态网格
动态网格(帕累托网格)指的是可配置网格，其表示原子预测集20或聚合预测集22。该网格的顺序可由用户设置，提供了预测值的排序选项。帕累托网格是可配置的，这提供了很大的灵活性。
在后文所描述的示例中，一个选项是根据人工操作提供当前页面的预测细目。即，针对当前页面涉及到的任何实体(制造商、品牌、产品、车型、发动机、发动机-产品等)，帕累托网格可以为该实体的每个可能人工操作提供至少一个预测值。取决于当前页面在页间层级结构的位置，帕累托网格为各单独人工操作提供的预测值可以是聚合预测(例如，针对每一人工操作，聚合与具体制造商、品牌或产品有关的图B所示的预测120中的所有单独预测值D/DPU/C/CPU120)或为具体车型或发动机生成的单独预测值D/DPU/C/CPU。通过根据任何填充网格的标准过滤预测120生成给定页面的帕累托网格，并且(如果合适)聚合已过滤的预测，例如以匹配给定页面所在的页间层级结构的层级。
柱状图
过滤/聚合的另一个使用例是提供柱状图，其中图中的每根柱也对应于过滤后的可以是聚合的预测集。在下文描述的示例中，柱状图用于比较不同车型年份的预测的基础。显示柱的集，其中每根柱对应于同一车型的不同车型年份。根据车型年份过滤预测20生成柱(注意：尽管图2B的示例并未示出，如上文所述，可以针对每一独特车型和车型年份的组合生成预测从而允许该粒度层级)。
还注意：车型年份细目不限于该层级结构的车型层级。例如，针对品牌、产品或甚至制造商聚合后的结果可以按照车型年份，使用下文描述的对预测120的合适的过滤和聚合进行细分。
时间序列-生产月份，开始投入使用时间(TIS)
与柱状图有点类似，可在任何页间层级结构的层级提供的另一种细目是根据生产月份和开始投入使用时间的时间序列。
数据库键码
如所示，预测数据库14D中的预测20包括各自的数据库键码以在数据库4D和6D内分别定位对应的销售和保修期记录104、106。这使得可以呈现用户界面从而用户可以容易地在预测或预测集(原子的和聚合后的)和对应记录之间切换。应用于预测20的任何过滤器，诸如页面专用的或用户定义的过滤器，也可应用于对应的记录4、6。
第二节：生成预测
本节详细描述Indico所实施的方法以在部件、类别和车系层级提供车辆保修期频次和费用预测。即，在系统预测层14计算原子预测120的过程。
数据
本节描述了用于生产预测结果的数据元素。数据的两个关键来源是车辆销售数据14和保修期索赔数据6，其中车辆销售数据14按群体记载每一辆车的生产和销售，保修期索赔数据6提供了与该车辆群体相关的所有保修期索赔的详细信息。
在描述如何使用数据构建预测之前，在以下章节描述在预处理层12处理的数据的元素。
车辆销售
使用车辆销售数据是因为其提供了已投入使用的车辆记录及每辆车的详情；但是，记录该信息的其他车辆记录形式也可使用。
关于车辆的信息一般记录在一张表格里，其信息字段常常比下文表格给出的字段多很多，比如车辆装饰详情以及经销商；但是，这些信息对创建预测来说并非关键信息。
信息的一些字段，比如保修期覆盖长度，有时候提供在单独的数据集中。在该例中，它们只需要由合适的柱链接，比如VIN号码或车系与车型年份的组合。
如果车辆销售数据集中未提供车辆车型年份，它可从VIN号码的第10个字符推导出。如果使用本方法，需要一部车型年份代码词典。
保修期索赔
使用保修期索赔数据是因为它是在车辆生命的初期由比如制造商集中校核的车辆维修数据的综合来源。但是，本文描述同样适用于其他形式的车辆维修记录。
保修期索赔数据包含保修期内对车辆进行维修的信息。在该数据集中记录的数据量因制造商而不同，但往往会有下表所给出的关键字段。通过VIN号码将该数据集链接至车辆销售数据集。注意：有些车辆可能没有任何保修期索赔；但所有保修期索赔记录都应该具有车辆销售数据集里的关联车辆记录。
在保修期索赔数据中记录的其他信息包括：实施维修的经销商数据、涵盖维修的保修期类型、其他关联日期(诸如故障日期或索赔提交日期)、其他支付字段、以及任何相关描述(描述性的)字段。
人工操作、类别和部件号的描述提供了上下文，并通常提供在单独的字典数据集中以更有效地查询这些大的数据集。
数据整理
本节列出了制作分析用的原始数据集所采取的步骤。
车辆失效日
一般来说，获取车辆失效日并添加到车辆销售数据集，除非其已经包括在原始数据集中。车辆失效日只是指车辆在分析中的受关注期截止的当天，即(在此日期后)在分析中不会再考虑它。该受关注期通常与保修期覆盖长度相同，但就要求的预测期而言，考虑受关注期更为重要，而非单纯地考虑保修期覆盖。例如，如果一辆保修期为三年的车在2015年1月1日售出，那么其失效期一般是2018年1月1日，因为以三年为期的预测一般是最受关注的。但是，假设我们仅关心对投入使用的前12个月进行预测，尽管它有三年期的保修期，该车辆的失效日期将会是2016年1月1日。该受关注期一般由制造商确定，或至少在车系-车型年份层级确定。
重复
所提供的车辆销售和保修期索赔数据集一般定期更新，比如每周或每月更新一次。重复是常见现象。比如，处理和解决索赔时会更新支付。假设最新的版本包含最新信息，通常的最佳操作是用最新的记录版本替换这些重复。
索赔时车龄
实施或处理保修期索赔时的车龄如果此前不存在，则会计算这条信息。经由VIN将保修期索赔数据集与车辆销售数据集链接以及计算报告日期(或支付日期)和车辆开始投入使用日期之间的天数，从而得出索赔时车龄。如果索赔时的车龄是负数，即维修发生在车辆使用之前，则索赔时车龄设置为0。
使用保修期索赔数据集的报告日期还是支付日期来计算索赔时的车龄，该选择取决于从频次或费用的角度看是否需要进行预测。处理支付可能需要时间，这会影响到制造商何时面临这些费用。
这对基于时间的分析来说是合适的；但是，针对基于使用程度的分析，可以利用使用程度(里程或小时数)而非车龄。因此，与车龄有关的所有描述同样适用于该语境下的当前使用程度。
保修期索赔数据处理
保修期索赔数据处理因制造商而不同，取决于它们记录保修期索赔的方法以及它们希望如何展示预测结果。
下面将给出两个不同制造商的保修期索赔处理的示例。
1.制造商A希望查看部件号层级上的预测，因此与索赔有关的部件被视为独立的索赔并将总索赔费用按比例分摊给部件。
2.制造商B希望查看人工操作层级的预测；因为每个相关人工操作和费用拆分到每个索赔的各行，不需要对保修期索赔数据进行进一步操作。
方法
本节详细描述了在车系、类别或人工操作层级上创建频次和费用预测的步骤。使用历史保修期索赔数据生成索赔模式的简档；在与当前车辆群体和索赔计数或费用相比较时，该简档构成预测的基础。
数据日期
数据日期是要获得的第一条信息。数据日期被定义为保修期索赔数据集中的任何索赔的最近日期，可被视为预测和任何分析生效的日期。其被用于确定哪些保修期索赔适合用于生成简档也可用于计算群体中所有车辆的当前车龄。
创建简档
简档是预测层14的所有预测的基础。简档用于反映特有维修类型的保修期数据中呈现出的一致模式。例如，一些部件将以相当恒定的速率在保修期内出现故障，而另外的部件可能会以增加的速率在保修期结束前出现故障。每个类型的维修具有各自的特征，这意味着需要独特的简档。为演示如何创建简档，下文以车系“紧凑型A”的人工操作“E0123”作为说明性示例。预测层14使用本方法为车系、类别和人工操作的每个必要组合创建简档。
第一步是识别可用于形成简档的所有保修期索赔。分析中仅考虑用于发生在已过有效期的车辆上的索赔。这是为了确保服务次数比较低的保修期索赔的简档给予公平的权重。下表给出了针对人工操作E0123的满足本标准的30个索赔的索赔时车龄和支付金额。
然后，按车系、人工操作和索赔时车龄对索赔分组，并且针对每个分组给出了计数和索赔总费用的总金额。如下表所示。
每天的使用情况都要填入此表，并得出索赔计数和支付金额的累计总数。本示例有1095个格，表示3年保修期内的天数。为创建一年期的简档，会有365个格，等等。下表示出了所生成简档表格的前20行和最后10行。
索赔百分比(CP)和支付百分比(PP)柱分别是频次和费用简档。图2C绘制了费用简档，其中CPP绘制为服务天数的函数。
在实践中，预测层14避免了低于100条索赔的简档的创建。这是为了最大程度地减少大幅度变化(图2C中的简档清晰示出了这种大幅度变化)，因为大幅度变化可能会影响使用该简档计算的预测的一致性。
简档整理
保修期活动有时分成两类——常规保修期活动和非常规保修期活动。常规保修期活动涵盖可预期发生的那些索赔，比如因车辆早期发生的部件缺陷或部件正常磨损。这种类型的保修期是在该情形下使用基于历史索赔活动的简档为何是如此有效的模型的主要原因。当因生产线上的特有问题或错误造成部件故障时，非常规索赔活动发生。这种类型的故障不在常规保修期的可预测模式范围内，因此很难有效建模。出现严重问题时，技术服务公告、活动或召回常常发生，并通常在保修期数据中标示。但是，不需要采取特殊措施的部件问题或批次问题在保修期数据中经常不用改动，其分类与常规保修期活动一样。因此，非常规保修期活动最终会出现简档里，影响预测质量。
尽管其不容易识别，在可能的情况下，应该将非常规保修期活动从简档生成所用的数据里移除。一种直接的方式是针对每个车型年份创建部件简档并测试一致性。可以移除明显不一致的任何年份，即包含潜在的非常规保修期的年份。
备份简档
Indico含有规则集，如果没有足够的历史保修期索赔来创建特有简档，该规则集允许人工操作、类别或车系映射到另一个适当的简档。下文给出简档中的层级结构，其中待匹配的第一简档用于预测。
·自有车系人工操作简档
·自有车系组人工操作简档
·备份车系人工操作简档
·自有车系类别简档
·备份车系类别简档
·自有车系简档
·自有车系组简档
·备份车系简档
车系组指的是在制造商车系组合中认为类似的车系的组群。在设立时，这些组与制造商保持一致。
为每个车系设立备份车系。备份车系简档可被视为最相似的，并常常是含有更多历史数据的车系的旧版本，因此是可行的简档。
当前车龄
一个群体中的每个车辆的当前车龄被定义为该车辆的开始投入使用日期和数据日期之间的天数。将其生产日期或开始投入使用日期大于数据日期的任何车辆以及该车辆的关联保修期索赔从分析中移除。
车辆收益和完备度
本节描述了在简档背景下如何计算“车辆收益”和“完备度”的指标。这是个主要的过程，其将所有相关的车辆与简档相比较以确定与简档相关的整个群体完备度。直接使用完备度值计算针对人工操作的预测。
本节继续以创建简档一节所描述的示例为例，考虑含有1000辆紧凑型A-车型年份2017的车辆群体。数据日期是2017年2月10日，截止到该日期，这些车辆共经历过5次索赔，目的是针对每单位费用计算三年期(保修期截止日)的预测。根据当前车龄对这些车辆分组，并将其链接至当前车龄简档和索赔时车龄简档。每一车龄分组的收益是支付百分比简档与该组中的车辆数量的乘积。下表示出了所有这些步骤。
通过总收益除以群体内车辆数量来计算完备度。本例中的完备度因此是105.49/1000＝0.10549。
完备度在此处描述为在分析时已实现的责任比例。即，截止到分析时估计的已实施维修的总数或花费的比例。
本领域技术人员将会理解，计算预测频次(每单位索赔)时，可应用同样的步骤，但用索赔百分比简档代替支付百分比。
保修期索赔时滞
将保修期索赔加入历史保修期索赔表经常会有时滞，这意味着在数据日期时索赔记录还没有完备，因此它们的不完备率是一致的。时滞常达数月之久。时滞因制造商而不同，但一般在制造商内部是一致的。一旦时滞被建模和理解，需要加入额外的步骤调整收益，将索赔时滞考虑进去。为实施本步骤，需要获得几个值。
·DD-数据日期。即最近索赔日期。
·FPDD-完全处理数据日期。即索赔数据全部实现的日期。FPDD<＝DD。
·AF-车龄的调整系数。即基于在相同车龄期间已处理的索赔比例进行计算。计算方式为将PP值乘以针对每一车龄的索赔时滞分布。
·PP-已处理比例。即在FFDD和DD之间处理的索赔比例。其从计算出的索赔分布得出。
如果车龄小于或等于DD和FPDD之间的天数，那么
·新收益＝收益X AF
如果车龄大于DD和FPDD之间的天数，那么
·在FPDD时全部收益
·在DD时全部收益
·新收益＝FPDD+[(DD–FPDD)X PP]
预测
算出完备度值后，预测就简单了。(相应索赔)预测已支付金额可通过一组索赔(相应索赔总数)的总费用除以完备度来计算。通过考虑该群体中的车辆数量，可以得到每单位费用的值。
下表给出了紧凑型A-2017的人工操作E0123的五个索赔的详情。
最后一步将车辆和索赔摘要与所得的完备度值相组合以给出预测已支付金额$6,323.13和每单位费用金额$6.32。
针对数据集内的车系和人工操作的所有组合，重复本方法。在下表给出了不同人工操作类型的一些示例。可使用以上所述方法针对每个这样的人工操作创建合适的一个或多个简档。使用同一方法创建车系和类别预测。
维修操作示例
第三节：与其他方法的比较
为说明本发明公开的预测分析技术的一些效益，以下通过举例的方式提供与其他方法的比较。
与Weibull的比较
参见图124A和124B，本公开认识到许多部件的索赔活动大都发生在保修期末。图124A的图表示例性地绘制了针对与具体车辆部件对应的具体人工操作在1000天内基于使用天数的累计索赔数(较为平稳的单调递增曲线)和日索赔数(起伏较大的曲线)。可见，每日索赔数量一般随车龄而增加(这也反映在累计曲线的递增梯度上)，因此车龄较新的车辆每日索赔数量相对较少而车龄较老的车辆数量相对较多。这种较低的起始索赔活动是无法使用当前的分析技术进行早期问题发现。
如果车龄相对较新的车辆可提供的数据集有限，现有的参数预测工具(比如Weibull)无法预测这种行为，如图124B所示。本领域已知地，Weibull分析是知名的预测用参数模型，在行业内广受欢迎，被视为适用任何预测分析的首选工具。
图124B示出了两个画线，分别标记为WP预测和Weibull预测，以一群体车龄相对较新的具有较低完备度的车辆为基础，前者使用本文教导的方法进行计算，而后者通过对同样的数据应用Weibull参数分析进行计算，其对应于图124A的在标记为T的区间内的数据子集，而该数据子集又对应于作为预测基础的群体中的车龄最老的车辆。可以看出，基于该有限数据子集确定的Weibull预测工具无法预测服务天数中索赔(维修)活动显着增加(这在图124A的真实数据中显而易见)，而WP预测工具从该有限数据集中准确预测到了这一点。
为进一步说明这种改进，图125示出了Weibull分析(条形图的右侧条)与Indico分析(条形图的左侧条)的比较结果。图中还示出了分析中使用的收到的索赔数量。Weibull分析仅从2011年3月开始，预测的故障率为3.2％。此时，Indico的预测稳定在18.4％。然后，Weibull预测逐月增加，直到2012年1月份前后稳定(该数据集的先前分析指示Weibull技术低估了大约25％，因为其无法很好地处理0天索赔)。显然，和Weibull方法相比，Indico系统可在至少10个月前创建稳定可靠的预测。
与基于月费用的方法的比较
参见图126，本发明方法的表现要大大优于上文简要描述的简单的基于月费用的方法，在基于月费用的方法中，当给定人工操作/车辆部件的总月度费用或频次超过预定阈值时，对问题进行标记。图125通过举例的方式示出了具有预定阈值(比如100,000英镑)的具体人工操作的月费用图。仅在某具体月份的操作的总费用达到阈值时，潜在问题才会标记和调查；在本例中，从所述第一辆车投入使用开始，会耗时近三年。在本例中，纵轴对应于月费用，单位为100k英镑。该种方法必须使用足够高的阈值以避免统计上不重要的事件过度地歪曲结果，但这反过来极大地限制了早期问题检测的能力。
为了比较，图127A和127B示出了两种不同的车辆部件(分别为喷油器成套组件和CCCC仪表板)的每月费用(在y-轴上)。在这些案例中，使用本公开的非参数预测方法可能检测出问题的时刻分别比使用适当选择的阈值的简单阈值化法提前了43个月和31个月。
Indico稳定性
图128示出了Indico分析回溯运行2012年3月-2010年12月期间的数据的结果图。针对每次再运行，计算保修期末的预测故障率。在再运行当日绘制故障率图并将其与图128的数据完备度比较。
2010年12月的第一次再运行产生的预测故障率为25.3％。当数据集仅为4.9％完备时运行分析。由于完备度较低，要小心处理预测。
后续预测在2011年2月份降低到18.8％。此后，预测值依然非常稳定，到2012年3月时，仅在18.8％-15.0％区间徘徊。
本分析表明自2011年2月份开始，尽管完备度较低(<10％)，也得出了稳定的预测。预测的数值一般波动较小，并随着完备度的增加而减少。
第四节：系统概览
现在描述Indico用户界面的进一步详情。
图3示出了Indico系统的用户界面提供的页面网络的示意性概览图。图3中的框表示各单独页面，框与框之间的箭头指示页面之间的浏览关系。具体地，从表示一个页面的框到表示另一个页面的框之间的箭头表示可以直接从该页面浏览至该另一页面。通过每一页面上显示的浏览元件(下文称为“超级按钮”)实现浏览。
根据上文所述的页间层级结构提供概览页面102和详情页面104。如上文所示，可以直接从品牌、产品和车系概览页面浏览至层级结构的相应层级的详情页面，以从全部人工操作的结果切换到可用人工操作的任何特有可用人工操作的结果。
根据上文所述，提供制造商概览、品牌概览、产品概览、和车系概览页面102a、102b、102c和102d。根据上文所述，以同样的方式提供制造商详情、品牌详情、产品详情、和车系详情页面104a、104b、104c和104d。可以从该品牌概览、产品概览、和车系概览页面102b、102c和102d直接浏览至位于层级结构同一层级的相应详情页面104b、104c和104d。针对该概览页面102和详情页面104二者，可以在层级结构的下一层级分别浏览至概览或详情页面。根据上文所述，可以从品牌概览页面102b和产品概览页面102c分别浏览至最终的品牌页面106b和最终的产品页面106c。根据上文所述，可以从车系概览页面102d直接浏览至对应的最终变量页面106d。该最终的品牌、产品和变量页面106也可以是概览页面，如果它们不特有于具体的人工操作。作为对比，针对某一特有人工操作，可直接从品牌详情页面、产品详情页面、和车系详情页面104b、104c、和104d分别浏览至最终品牌人工操作页面108b、最终产品人工操作页面108c、和最终人工操作页面108d。
最终品牌和最终产品页面106b、106c提供聚合预测，该聚合预测并不特有于单独人工操作。最终变量页面106d也提供了不特有于人工操作的预测。最终品牌人工操作页面108b和最终产品人工操作页面108c提供特有于某具体人工操作的聚合预测。最终人工操作页面108d也提供了特有于人工操作的预测。
还提供了发动机概览页面、发动机-产品概览页面、和发动机-车系概览页面110，以及发动机详情页面、发动机-产品详情页面、和发动机-车系详情页面112。图1利用箭头示出了这些页面的页间层级结构；如图所示，它们还提供了跳转至最终变量页面106d和最终人工操作页面108d的另一跟踪路线。根据以上所述，还提供了车系追踪结果和产品追踪结果页面114、116。根据以上所述，还可提供源数据摘要118、索赔详情网格120、和部件代码细目页面122。
图3提供了每个报告页面在系统内连接的详情。存在两个主要的跟踪路线：(1)对应于元素102和110的预测-概览；(2)对应于元素104和112的预测-详情，用户可以浏览这两个跟踪路线以分析和识别不同关注层级的首要问题。每个关注层级构成了系统层级结构的一部分，该系统层级结构设计为从工程的角度直观地发现问题。
图3中的每个报告页面之间的箭头示出了每个报告之间的浏览关系。浏览使得用户可以快速地跟踪到特有问题/受影响区域的问题。一般来说，层级结构的层级越靠下，报告就越特有。
可替代地，用户可以从任何页面浏览至最终报告106/108b-d以发现有关预测的详细信息、产品信息，以及其他支持分析，从而帮助理解所选问题。
位图中显示的其他区域是跟踪器结果页面114、116，用于显示预测的相对排名在前24个月内如何变化的。还提供了独立的源数据摘要页面118。
最后，系统内存在两个数据网格供每个预测使用：索赔详情网格120和部件代码细目112，用户可在其他页面中的任何一个页面请求这两个数据网格。
下文将描述各页面的内容。下文描述了各种可视化表示，其视觉元素表示给定层级结构(制造商、品牌、产品、车系、发动机、发动机-车系等)内的给定实体的一个指标(C/CPU/D/DPU)。除非另有说明，针对任何一个上述可视化表示，用户可在任何时间在任何指标(C/CPU/D/DPU)之间切换，并且该可视化表示可动态调整以表示新选择的指标。
5.源数据摘要
系统的该区域向用户提供了用于在系统内生成预测结果的数据的摘要。
5.1车系页面
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：单选
·车系
浏览：本页面无浏览目标。
5.1.1基于车型年份的销售和索赔
数据网格内显示的是针对所选车系基于车型年份的销量和索赔计数，如图46所示。
5.1.2基于月份的销量
柱状图内显示的是针对所选车系基于月份的销量，如图47A所示。
5.1.3基于月份的索赔数量
柱状图内显示的是针对所选车系基于月份的索赔计数，如图47B所示。
第六节：预测-概览
该报告跟踪路线包括7个页面，这些页面显示在以下层级结构中的每个层级进行的预测：
·制造商→品牌→产品→车系
·发动机→发动机-产品→发动机-车系
其可延伸到其他层级结构，比如以上所定义的任何一个层级结构。
6.1制造商页面
本页面显示了在制造商层级进行的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·车型年份1
·预测时间段
浏览：用户可以浏览至品牌概览(参见第6.2节)或制造商详情(参见第7.1节)。
允许所选车型年份和预测月数用作参数。
报告对象：本页面含有一个报告对象，其显示针对制造商的车型年份预测。
6.1.1车型年份走势
本节示出了每一车型年份的针对制造商的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
在图48，本例根据年份以柱状图的柱的形式将每一预测显示为可视化表示。2016车型年份的堆叠柱标记为4800，其具有两个视觉明显不同的部分4802、4804。第一部分4002表示当年的所述指标(C/CPU/D/DPU)的历史分量(即，已经实施的或产生的人工操作的费用)，第二部分4804表示剩余的未来分量(即，尚未实施/产生的预测维修操作的预测费用)，使得整个堆叠柱4800对应于历史和未来人工操作的组合。显而易见，对于较年轻车龄的车辆，未来值和历史值的比率较大，而对应车龄较老的车辆，该比率趋于或为0，这点是可以预见的。在图48中，所选指标是预测索赔频次，但任何其他指标可以同样方式呈现。以下拉框菜单的形式提供可选元素4086，用户可使用该可选元素4086在指标间切换。
6.2品牌页面
该页面显示整个品牌预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选：单选：
·车型年份2
·品牌·预测时间段浏览：用户可浏览至产品概览(参见第6.3节)、最终品牌报告(参见第10节)、或品牌详情(参见第7.2节)。
允许所选品牌、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的品牌预测之间的相互比较。
6.2.1预测节点树
其示出了关于所有品牌的预测之间的比较并呈现在节点树5700中，如图49所示。节点树5700的结构将参考图57进行更详细的描述，并在第17节给出进一步的示例。图49示出了节点树5700的第一状态，其仅表示页间制造商-品牌-产品-车系层级结构的制造商-品牌部分，以反映当前页面(品牌页面)所在的页间层级结构的点。
切换节点树到其后的树状图，该树状图将品牌相互比较，如图50所示。即，用户可以通过用户界面UI在节点树和树状图之间切换。
在节点树和树状图中，所述每个预测值都用一个可视化表示来再现，该可视化表示的尺寸(即，占据的显示区域)取决于其再现的值(C/CPU/D/DPU)。特别地，每个可视化表示的尺寸随值增加。
6.2.2预测帕累托网格(动态网格)
品牌预测还显示在动态数据网格中，如图51所示。动态网格的示例将在下文第17节示出。
6.2.3分组车型年份走势
这示出了在所有车型年份中品牌预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图52所示。
6.3产品页面
该页面显示整个产品预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·品牌 ·车型年份2
·产品 ·预测时间段浏览：用户可浏览至车系概览(参见第6.4节)、最终产品报告(参见第11节)、或产品详情(参见第7.3节)。
允许所选产品、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的产品预测之间的相互比较。
6.3.1预测节点树
其示出了针对嵌套在所有品牌下所有产品的预测之间的比较并呈现在节点树5700中，如图53所示。图53示出了节点树5700的第二状态，仅表示制造商-品牌-产品-车系层级结构内的制造商-品牌-产品部分。
切换节点树到其后的树状图，该树状图将产品独立于品牌进行相互比较，如图54所示。
6.3.2预测帕累托网格
产品预测还显示在数据网格中，如图55所示。
6.3.3分组车型年份走势
这示出了在所有车型年份中产品预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图56所示。
6.4车系页面
该页面显示整个车系预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·品牌 ·车型年份3
·产品
·车系 ·预测时间段浏览：用户可以浏览至最终变量报告(参见第9节)或车系详情(参见第7.4节)。
允许所选车系、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的车系预测之间的相互比较。
6.4.1预测节点树
其示出了针对嵌套在所有品牌和产品下所有车系的预测之间的
比较并呈现在节点树5700中，如图57所示。
在车系页面，节点树5700具有按层级结构排列的制造商->品牌->产品->车系层级结构中每一层级的一个或多个节点。即，制造商节点5702的每个子节点是品牌节点5704，其表示该制造商的一个具体品牌；品牌节点5704的每个子节点是产品节点5706，其表示该品牌内的一个产品；产品节点5706的每个子节点是车系节点5708，其表示该产品内的一个具体车系。注意，每个节点的尺寸因其对应的在层级结构中的实体(制造商，品牌，产品，车系)的指标(C、CPU、D、DPU)而不同。对于处在层级结构上层的页面，节点树仅延伸到层级结构中的该点，如图53和49所示。该描述也同样适用其他页间层级结构，包括下文参考图61、65、69、81和97所描述的那些页间层级结构。
切换节点树到其后的树状图，该树状图将车系独立于品牌和产品层级结构进行相互比较，如图58所示。
6.4.2预测帕累托网格
车系预测还显示在数据网格中，如图59所示。
6.4.3分组车型年份走势
这示出了在所有车型年份中车系预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图60所示。
6.5发动机页面
该页面显示整个发动机预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·车型年份4
·发动机 ·预测时间段
浏览：用户可浏览至发动机-产品概览(参见第6.6节)、发动机-车系概览(参见第6.7节)、最终变量报告(参见第9节)、或发动机详情(参见第7.5节)。
允许所选发动机、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的发动机预测之间的相互比较。
6.5.1预测节点树
其示出了关于所有发动机的预测之间的比较并呈现在节点树中，如图61所示。
切换节点树到其后的树状图，该树状图将发动机相互比较，如图62所示。
6.5.2预测帕累托网格
发动机预测还显示在数据网格中，如图63所示。
6.5.3分组车型年份走势
这示出了在所有车型年份中发动机预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和
预测表现之间的关系，如图64所示。
6.6发动机-产品页面
该页面显示整个发动机-产品预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·发动机
·车型年份5
·品牌；
·产品·预测时间段
浏览：用户可以浏览至发动机-车系概览(参见第6.7节)或发动机-产品详情(参见第7.6节)。
允许所选发动机、产品、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的发动机-产品预测之间的相互比较。
6.6.1预测节点树
其示出了针对嵌套在每个适合发动机下所有产品的预测之间的比较并呈现在节点树中，如图65所示。
图69的节点树对应。切换节点树到其后的树状图，该树状图将发动机分组内的产品相互比较，如图66所示。
6.6.2预测帕累托网格
发动机-产品预测还显示在数据网格中，如图67所示。
6.6.3分组车型年份走势
这示出了在所有车型年份中发动机-产品预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图68所示。
6.7发动机-车系页面
该页面显示全部发动机-车系预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选单选
·发动机·车型年份6
·品牌·预测时间段
·产品
·车系
浏览：用户可以浏览至最终变量报告(参见第9节)或发动机-车系详情(参见第7.7节)。
允许所选发动机、车系、车型年份、和预测月数用作参数。
报告对象：本页面含有3个报告对象，该3个报告对象示出了针对所选车型年份和预测时间段的发动机-车系预测之间的相互比较。
6.7.1预测节点树
其示出了针对嵌套在每个适合发动机下且产品所在的所有车系的预测之间的比较。其呈现在节点树中，如图69所示。
切换节点树到其后的树状图，该树状图将发动机分组内的车系相互比较，如图70所示。
6.7.2预测帕累托网格
发动机-车系预测还显示在数据网格中，如图71所示。
6.7.3分组车型年份走势
这示出了在所有车型年份中发动机-车系预测的走势
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图72所示。
第七节：预测-详情
本报告跟踪路线包括7个页面，这些页面显示人工操作层级的预测。
每个页面显示了在单一聚合层级来自以下层级结构的人工操作预测：
·制造商→品牌→产品→车系
·发动机→发动机-产品→发动机-车系
7.1制造商页面
本页面显示了在制造商层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·类别·车型年份7
·人工操作·预测时间段8
浏览：一旦选择预测，用户可浏览至品牌详情报告。
一旦选择预测，用户可浏览至产品详情报告。
允许所选人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含制造商人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，车型年份走势和堆叠/所选TIS对象显示背景。
7.1.1预测帕累托网格
制造商人工操作预测显示在数据网格中，如图73所示。
7.1.2车型年份走势
本节示出了每一车型年份的针对所选制造商人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.1.3堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选制造商人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的制造商表现，如图75所示。
7.2品牌页面
本页面显示了在品牌层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·品牌；
车型年份9
·类别
·人工操作·预测时间段10
浏览：一旦选择预测，用户可浏览至最终品牌报告。
一旦选择预测，用户可浏览至产品详情。
允许所选品牌、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含品牌人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势和堆叠/所选TIS对象显示背景。
7.2.1预测帕累托网格
品牌人工操作预测显示在数据网格中，如图76所示。
7.2.2预测节点树
其示出了关于所有其他品牌的同一人工操作的预测之间的比较并呈现在节点树中，如图49所示。
7.2.3车型年份走势
本节示出了每一车型年份的针对所选品牌人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.2.4堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选品牌和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有品牌的比较，如图77所示。
7.3产品页面
本页面显示了在产品层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·品牌 ·车型年份11
·产品·预测时间段12
·类别
·人工操作
浏览：一旦选择预测，用户可浏览至最终产品报告(参见第11节)。
一旦选择预测，用户可浏览至车系详情(参见第7.4节)。
允许所选产品、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含产品人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势和堆叠/所
选TIS对象显示背景。
7.3.1预测帕累托网格
产品人工操作预测显示在数据网格中，如图78所示。
7.3.2预测节点树
其示出了关于所有其他品牌和产品的同一人工操作的预测之间的比较并呈现在节点树中，如图53所示。
7.3.3车型年份走势
本节示出了每一车型年份的针对所选产品人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.3.4堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选产品和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有产品的比较，如图79所示。
7.4车系页面
本页面显示了在车系层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·品牌·车型年份13
·产品·预测时间段14
·车系
·类别
·人工操作
浏览：一旦选择预测，用户可浏览至最终人工操作报告。
允许所选车系、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含车系人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势、预测节点树(发动机/变速器)、和堆叠/所选TIS对象显示背景。
7.4.1预测帕累托网格
车系人工操作预测显示在数据网格中，如图80所示。
7.4.2预测节点树
其示出了关于所有其他品牌、产品和车系的同一人工操作的预测之间的比较并呈现在节点树中，如图57所示。
7.4.3车型年份走势
本节示出了每一车型年份的针对所选车系人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.4.4预测节点树(发动机/变速器)
其示出了针对所选车系人工操作的预测与针对适合该车系的发动机和变速器的不同组合和排列的预测之间的对比。
其呈现在第二节点树，如图81所示。
7.4.5堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选车系和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有车系的比较，如图82所示。
7.5发动机页面
本页面显示了在发动机层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·发动机
·车型年份15
·类别
·人工操作·预测时间段16
浏览：一旦选择预测，用户可浏览至最终人工操作报告。
一旦选择预测，用户可浏览至发动机-产品详情报告。
一旦选择预测，用户可浏览至发动机-车系详情报告。
允许所选发动机、人工操作、车型年份、和预测月数可用作参数。
报告对象：本页面共有两部分，其中第一部分包含发动机人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势和堆叠/所选TIS对象显示背景。
7.5.1预测帕累托网格
发动机人工操作预测显示在数据网格中，如图83所示。
7.5.2预测节点树
其示出了关于所有其他发动机的同一人工操作的预测之间的比较并呈现在节点树中，如图61所示。
7.5.3车型年份走势
本节示出了每一车型年份的针对所选发动机人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.5.4堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选发动机和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有发动机的比较，如图84所示。
7.6发动机-产品页面
本页面显示了在发动机-产品层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·发动机 ·车型年份17
·品牌·预测时间段18
·产品
·类别
·人工操作
浏览：一旦选择预测，用户可浏览至发动机-车系详情报告。
允许所选发动机，产品、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含发动机-产品人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势和堆叠/所选TIS对象显示背景。
7.6.1预测帕累托网格
发动机-产品人工操作预测显示在数据网格中，如图85所示。
7.6.2预测节点树
其示出了关于所有其他发动机和产品的同一人工操作的预测之间的比较并呈现在节点树中，如图65所示。
7.6.3车型年份走势
本节示出了每一车型年份的针对所选发动机-产品人工操作的预
测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.6.4堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选发动机-产品和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有发动机-产品的比较，如图86所示。
7.7发动机-车系页面
本页面显示了在发动机-车系层级进行的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
多选 单选
·发动机 ·车型年份19
·品牌 ·预测时间段20
·产品
·车系
·类别人工
·操作
浏览：一旦选择预测，用户可浏览至最终人工操作报告。
允许所选发动机、车系、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含发动机-车系人工操作预测，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格显示预测，预测节点树、车型年份走势和堆叠/所选TIS对象显示背景。
7.7.1预测帕累托网格
发动机-车系人工操作预测显示在数据网格中，如图87所示。
7.7.2预测节点树
其示出了关于所有其他发动机、产品和车系的同一人工操作的预测之间的比较并呈现在节点树中，如图69所示。
7.7.3车型年份走势
本节示出了每一车型年份的针对所选发动机-车系人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
7.7.4堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选发动机-车系和人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有发动机-车系的比较，如图88所示。
第八节：结果跟踪器
本报告跟踪路线包含两个页面，这两个页面显示了在人工操作层级预测的相对排名在一段时间内的走势。
每个页面显示了在单一聚合层级来自以下层级结构的相对排名的走势：
产品→车系
8.1产品页面
本页面示出了在产品层级人工操作预测的相对排名在一段时间内的走势。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·产品
·车型年份21
·预测时间段22
浏览：一旦选择预测，用户可浏览至最终产品人工操作报告(参见第14节)。
允许所选产品、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含产品人工操作预测排名走势，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格示出了预测，而堆叠/所选TIS、历史预测走势、和车型年份走势对象示出了背景。
8.1.1预测帕累托网格
产品人工操作预测排名走势显示在数据网格内，详细描述了在过去24个月内的当前排名、历史最高排名、以及从中间时间点的排名变化。图89示出了数据网格。
8.1.2堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选产品人工操作的每个TIS时期的表现，如图
74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的所有产品的比较，如图90所示。
8.1.3历史预测走势
本节示出了每一车型年份所选人工操作的预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
8.1.4车型年份走势
本节示出了每一车型年份的针对所选产品人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
8.2车系页面
本页面示出了在车系层级人工操作预测的相对排名在一段时间内的走势。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·车系
·车型年份23
·预测时间段24
浏览：一旦选择预测，用户可浏览至最终人工操作报告(参见第12节)。
允许所选车系、人工操作、车型年份、和预测月数用作参数。
报告对象：本页面共有两部分，其中第一部分包含车系人工操作预测排名走势，第二部分示出了围绕所选预测的背景。
当用户选择了第一部分的预测，第二部分内的对象基于用户的选择加载数据。
预测帕累托网格示出了预测，而堆叠/所选TIS、历史预测走势、和车型年份走势对象示出了背景。
8.2.1预测帕累托网格
车系人工操作预测排名走势显示在数据网格内，详细描述了在过去24个月内的当前排名、历史最高排名、以及从中间时间点的排名变化。图92示出了数据网格。
8.2.2堆叠/所选TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
有两种不同方式显示该数据，其中每种方式都有自己的图表。
堆叠TIS表显示了所选车系人工操作的每个TIS时期的表现，如图74所示。
所选TIS表显示了针对某单个所选TIS时期关于所选人工操作的
所有车系的比较，如图93所示。
8.2.3历史预测走势
本节示出了每一车型年份所选人工操作的预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
8.2.4车型年份走势
本节示出了每一车型年份的针对所选车系人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
第九节：最终变量报告
本报告含有三个页面，该三个页面显示支持针对单一车型年份、单一预测时间段的所有地区/单一地区/车系/发动机/变速器的所选组合的预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
9.1预测标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·车系
·发动机
·变速器
·车型年份25
·预测时间段
每个地区过滤器、车系过滤器、发动机过滤器、变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势、历史预测走势、和人工操作预测。
9.1.1车型年份走势
本节示出了每一车型年份的针对所选人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
9.1.2历史预测走势
本节示出了每一车型年份的所选预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
9.1.3人工操作预测
其示出了针对过滤后的地区、车系、发动机、变速器、车型年份、和预测时间段的200个最严重的人工操作。
还显示了在车型年份针对每个人工操作的预测的走势。首先示出所选车型年份的最严重的预测。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图94所示。
9.2生产标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份、和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·车系
·发动机
·变速器
·车型年份26
·预测时间段27
每个地区过滤器、车系过滤器、发动机过滤器、变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较、堆叠TIS、和已支付索赔。
9.2.1 TIS车型年份比较
其示出了针对每个车型年份的所选预测的开始投入使用时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
9.2.2堆叠TIS
其示出了针对所选车系/发动机/变速器组合的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS表显示了所选车系/发动机/变速器组合的每个TIS时段的表现，如图74所示。
9.2.3每周支付的索赔
其示出针对所选车系/发动机/变速器组合和车型年份的每日历周的索赔计数和已支付金额。
本数据显示在针对已支付金额的柱状图中，该柱状图具有用于索赔计数的折线，如图96所示。
9.3比较标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份、和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·车系
·发动机
·变速器
·车型年份28
·预测时间段29
每个地区过滤器、车系过滤器、发动机过滤器、变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面含有三个报告对象，其中每个报告对象示出将所选车系/发动机/变速器预测与在同一聚合层级的其他预测相比较的信息。
这些对象是预测节点树、分组车型年份走势和所选TIS。
9.3.1预测节点树
其示出了针对所选车系/发动机/变速器的预测之间的比较。
其呈现在动态分组节点树，允许用户改变车系/发动机/变速器层级结构中的层级顺序，如图97所示。
9.3.2分组车型年份走势
其示出了在所有车型年份针对所有车系、发动机、或变速器的预测的走势，取决于用户的选择。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图98所示。
9.3.3所选TIS
其示出了用户选择的就车系、发动机或变速器进行比较的生产月份、开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个车系、发动机或变速器都有单独的折线。如图99所示。
第十节：最终品牌报告
本报告包含三个页面，其显示支持针对单个车型年份、单个预测时间段、和一个可选地区的所选品牌的预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
10.1预测标签
本页面显示了针对给定整个地区(可选)、品牌、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·品牌
·车型
·年份30
·预测时间段
地区过滤器具有“所有”项，附加在列表的上部。该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势、历史预测走势、和人工操作预测。
10.1.1车型年份走势
本节示出了每一车型年份针对所选品牌的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
10.1.2历史预测走势
本节示出了每一车型年份的所选预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，
如图91所示。
10.1.3人工操作预测
其示出了针对过滤后的地区、品牌、车型年份、和预测时间段的200个最严重的人工操作。
还显示了在每一车型年份针对每个人工操作的预测的走势。首先示出所选车型年份的最严重的预测。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图100所示。
10.2生产标签
本页面显示了针对给定整个地区(可选)、品牌、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·品牌
·车型年份31
·预测时间段32
地区过滤器具有“所有”项，附加在列表的上部。
该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较、堆叠TIS、和已支付索赔。
10.2.1 TIS车型年份比较
其示出了针对每个车型年份的所选预测的开始投入使用时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
10.2.2堆叠TIS
其示出了针对所选品牌的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS表显示了所选品牌的每个TIS时期的表现，如图74所示。
10.2.3每周支付的索赔
其示出针对所选品牌和车型年份的每日历周的索赔计数和已支付金额。
本数据显示在针对已支付金额的柱状图中，该柱状图具有用于索赔计数的折线，如图96所示。
10.3比较标签
本页面显示了针对给定整个地区(可选)、品牌、车型年份和预测月数的预测。
本页面显示了针对给定整个地区(可选)、品牌、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·品牌
·车型年份33
·预测时间段34
地区过滤器具有“所有”项，附加在列表的上部。
该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面含有三个报告对象，其中每个报告对象示出将所选品牌预测与在同一聚合层级的其他预测相比较的信息。
这些对象是预测节点树、分组车型年份走势和所选TIS。
10.3.1预测节点树
其示出了针对所选品牌的预测之间的比较。
其示出在节点树内，如图49所示。
10.3.2分组车型年份走势
其示出了在所有车型年份中针对所有品牌的预测的走势。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图101所示。
10.3.3所选TIS
其示出了针对品牌的生产月份和开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个品牌都有单独的折线。如图102所示。
第十一节：最终产品报告
本报告包含三个页面，其显示支持针对单个车型年份、单个预测时间段、和一个可选地区的所选产品的预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
11.1预测标签
本页面显示了针对给定整个地区(可选)、产品、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·产品
·车型年份35
·预测时间段
地区过滤器具有“所有”项，附加在列表的上部。
该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势、历史预测走势、和人工操作预测。
11.1.1车型年份走势
其示出了每一车型年份的针对所选产品的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
11.1.2历史预测走势
本节示出了每一车型年份的所选预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
11.1.3人工操作预测
其示出了针对过滤后的地区、产品、车型年份、和预测时间段的200个最严重的人工操作。
还显示了在每一车型年份针对每个人工操作的预测的走势。首先示出所选车型年份的最严重的预测。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图103所示。
11.2生产标签
本页面显示了针对给定整个地区(可选)、产品、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·产品
·车型年份36
·预测时间段37
地区过滤器具有“所有”项，附加在列表的上部。
该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较、堆叠TIS、和已支付索赔。
11.2.1 TIS车型年份比较
其示出了针对每个车型年份的所选预测的开始投入使用时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
11.2.2堆叠TIS
其示出了针对所选产品的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS表显示了所选产品的每个TIS时期的表现，如图74所示。
11.2.3每周支付的索赔
其示出针对所选产品和车型年份的每日历周的索赔计数和已支付金额。
本数据显示在针对已支付金额的柱状图中，该柱状图具有用于索赔计数的折线，如图96所示。
11.3比较标签
本页面显示了针对给定整个地区(可选)、产品、车型年份和预测月数的预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·产品
·车型年份38
·预测时间段39
地区过滤器具有“所有”项，附加在列表的上部。
该“所有”项是地区的缺省值。
浏览：本页面无浏览目标。
报告对象：本页面含有三个报告对象，其中每个报告对象示出将所选产品预测与在同一聚合层级的其他预测相比较的信息。
这些对象是预测节点树、分组车型年份走势和所选TIS。
11.3.1预测节点树
其示出了针对所选产品的预测之间的比较。
其示出在节点树内，如图104所示。
11.3.2分组车型年份走势
其示出了在所有车型年份中针对所有产品的预测的走势。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图105所示。
11.3.3所选TIS
其示出了针对产品的生产月份和开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个产品都有单独的折线。如图106所示。
第十二节：最终人工操作报告
本报告包含五个页面，其显示支持针对单个车型年份、单个预测时间段、和一个可选地区的车系/发动机/变速器的所选组合的人工操作预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
12.1预测标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数层级的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·车系
·发动机
·变速器
·车型年份40
·类别人工操作
·预测时间段41
每个地区过滤器、车系过滤器、发动机过滤器、变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面包含四个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势、历史预测走势、和关联人工操作、和里程段索赔。
12.1.1车型年份走势
本节示出了每一车型年份的针对所选人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
12.1.2历史预测走势
本节示出了每一车型年份所选人工操作的预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
12.1.3关联人工操作
本节示出了在实施所选人工操作之前或之后30天内对索赔的其他人工操作的分析。
本数据显示在柱状图内，该柱状图的y轴显示在该时间窗口内每个关联人工操作发生的索赔数量，各柱的颜色取决于基于所选人工操作和关联人工操作之间的平均时间小于0、等于0还是大于0。如图107所示。
12.1.4里程段索赔
其示出了所选人工操作发生的基本聚合里程段索赔。
本数据显示在柱状图中，其中每个里程段都有单独的柱，如图108所示。
12.2生产标签
其显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数层级的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区42
·车系
·发动机
·变速器
·车型年份43
·类别
·人工操作
·预测时间段44
每个地区过滤器、车系过滤器、发动机过滤器、和变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面包含三个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较、堆叠TIS、和按周支付的索赔。
12.2.1 TIS车型年份比较
其示出了针对每个车型年份的所选人工操作的开始投入使用时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
12.2.2堆叠TIS
示出了针对所选人工操作的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS图显示了所选车系/发动机/变速器人工操作的每个TIS时段的表现，如图74所示。
12.2.3每周支付的索赔
其示出针对所选人工操作的每日历周的索赔计数和已支付金额。
本数据显示在针对已支付金额的柱状图中，该柱状图具有用于索赔计数的折线，如图96所示。
12.3比较标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数层级的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选：
·地区45
·车系发动机变速器
·车型年份46
·类别
·人工操作
·预测时间段47
每个地区过滤器、车系过滤器、发动机过滤器、和变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面含有四个报告对象，其中每个报告对象示出将所选预测与在同一聚合层级的其他人工操作预测相比较的信息。
这些对象是预测节点树、分组车型年份走势、所选TIS、和部件代码细目。
12.3.1预测节点树
其示出了将所选人工操作的预测与针对车系、发动机和变速器的不同组合和排列的预测之间的对比。
其呈现在动态分组节点树，允许用户改变车系/发动机/变速器层级结构中的层级顺序，如图97所示。
12.3.2分组车型年份走势
本节示出了在所有车型年份针对所选人工操作的预测的走势。
用户可以选择是否查看针对车系、发动机、或变速器的人工操作的预测。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图109所示。
12.3.3所选TIS
其示出了在用户选择的就车系、发动机或变速器进行比较的所选人工操作的生产月份、开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个车系、发动机或变速器都有单独的折线。如图110所示。
12.3.4部件代码细目
其示出了用户选择的按车系、发动机或变速器进行分组的所选人工操作索赔部件代码的分布。
该数据在多层旭日图中显示，按部件名称、部件代码然后是车系、发动机或变速器分组，如图111所示。
12.4地理标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数层级的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区48
·车系
·发动机
·变速器
·车型年份
·类别
·人工操作
·预测时间段
每个地区过滤器、车系过滤器、发动机过滤器、和变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面有两个报告对象，显示所选人工操作预测在世界各地之间的差异。
该对象为地区预测图以及地区预测表。
12.4.1地区预测图
其示出了在进行所选人工操作的世界范围内的每个地区的所选人工操作的预测值。
该数据显示在世界地图上，其中每个地区按预测的严重程度进行颜色编码，如图112所示。
12.4.2地区预测表
地区预测表显示的数据与地区预测图一样，但以柱状图的形式绘制，其中每根柱代表一个地区，如图113所示。
12.5经销商标签
本页面显示了针对所有地区/单一地区/车系/发动机/变速器、车型年份和预测月数层级的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·车系
·发动机
·变速器
·车型年份49
·类别
·人工操作
·预测时间段50
每个地区过滤器、车系过滤器、发动机过滤器、和变速器过滤器都具有“全部”选项，附加在其列表的顶部。
该“全部”选项是个缺省值，但至少一个车系/发动机/变速器必须具有“全部”选项之外的选项。
浏览：本页面无浏览目标。
报告对象：本页面有一个报告对象，显示针对所选人工操作支出最高的经销商。
12.5.1支出最高的经销商
其显示按车型年份划分的在所选人工操作上支出最高的经销商列表。
本数据显示在分组柱状图中，其中每个车型年份都有单独的柱，如图114所示。
第十三节：最终品牌人工操作报告
本报告包含三个页面，其显示支持针对单个车型年份、单个预测时间段、和一个可选地区的品牌人工操作预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
13.1预测标签
本页面显示针对给定地区(可选)、车型年份和预测月数在品牌层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·品牌
·车型年份51
·人工操作
·预测时间段
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面包含两个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势和历史预测走势。
13.1.1车型年份走势
本节示出了每一车型年份的针对所选品牌人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
13.1.2历史预测走势
其示出了每一车型年份所选品牌人工操作的预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图91所示。
13.2生产标签
本页面显示针对给定地区(可选)、车型年份和预测月数在品牌层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区52
·品牌
·车型年份53
·人工操作
·预测时间段54
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面包含两个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较和堆叠TIS。
13.2.1 TIS车型年份比较
其示出了每一车型年份针对每个所选品牌人工操作的开始投入使用时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
13.2.2堆叠TIS
其示出了针对所选品牌人工操作的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS表显示了所选品牌人工操作的每个TIS时期的表现，如图74所示。
13.3比较标签
本页面显示针对给定地区(可选)、车型年份和预测月数在品牌层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区55
·品牌56
·车型年份57
·人工操作
·预测时间段58
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面含有三个报告对象，其中每个报告对象示出将所选预测与其他品牌人工操作预测相比较的信息。
这些对象是分组车型年份走势、所选TIS、和部件代码细目。
13.3.1分组车型年份走势
本节示出了在所有车型年份针对所有品牌的人工操作的预测的走势。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图115所示。
13.3.2所选TIS
其示出了在品牌间相比较的所选人工操作的生产月份和开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个品牌都有单独的折线。如图116所示。
13.3.3部件代码细目
其示出了针对所选品牌人工操作的已索赔部件代码的分布。
该数据在多层旭日图中显示，按部件名称、部件代码然后是品牌分组，如图117所示。
第十四节：最终产品人工操作报告
本报告包含三个页面，其显示支持针对单个车型年份、单个预测时间段、和一个可选地区的产品人工操作预测的深度信息。
本报告中的每个页面可通过该报告上方的标签访问。
14.1预测标签
本页面显示针对给定地区(可选)、车型年份和预测月数在产品层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区
·产品
·车型年份59
·人工操作
·预测时间段
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面包含两个报告对象，每个报告对象显示支持该预测的信息。对象是车型年份走势和历史预测走势。
14.1.1车型年份走势
本节示出了每一车型年份的针对所选产品人工操作的预测之间的比较。
该比较呈现在堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图48所示。
14.1.2历史预测走势
其示出了每一车型年份所选产品人工操作的预测在一段时间内如何发展的比较。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，
如图91所示。
14.2生产标签
本页面显示针对给定地区(可选)、车型年份和预测月数在产品层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区60
·产品
·车型年份61
·人工操作
·预测时间段62
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面包含两个报告对象，每个报告对象显示支持该预测的生产数据的相关信息。这些对象是TIS车型年份比较和堆叠TIS。
14.2.1 TIS车型年份比较
其示出了每一车型年份针对所选产品人工操作的开始投入使用
时间(TIS)表现的走势。
本数据显示在多折线图中，其中每个车型年份都有单独的折线，如图95所示。
14.2.2堆叠TIS
其示出了针对所选产品人工操作的生产月份和开始投入使用时间(TIS)表现。
堆叠TIS表显示了所选产品人工操作的每个TIS时期的表现，如图74所示。
14.3比较标签
本页面显示针对给定地区(可选)、车型年份和预测月数在产品层级上聚合的人工操作预测。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·地区63
·产品64
·车型年份65
·人工操作
·预测时间段66
地区过滤器具有“所有”项，附加在列表的上部供选择。
浏览：本页面无浏览目标。
报告对象：本页面含有三个报告对象，其中每个报告对象示出将所选预测与其他产品人工操作预测相比较的信息。
这些对象是分组车型年份走势、所选TIS、和部件代码细目。
14.3.1分组车型年份走势
本节示出了在所有车型年份针对所有产品的人工操作的预测的走势。
数据显示在分组堆叠柱状图内，示出了每一车型年份当前表现和预测表现之间的关系，如图118所示。
其示出了在产品间相比较的所选人工操作的生产月份和开始投入使用时间(TIS)表现。
本数据显示在多折线图中，其中针对所选TIS值，每个产品都有单独的折线。如图119所示。
14.3.3部件代码细目
其示出了针对所选产品人工操作的已索赔部件代码的分布。
该数据在多层旭日图中显示，按部件名称、部件代码然后是产品分组，如图120所示。
第十五节：索赔详情
本页面示出支持所选预测或生产月份开始投入使用时间(TIS)值的原始索赔记录的详情。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·品牌(可选)
·产品(可选)
·地区(可选)
·车系(可选)
·发动机(可选)
·变速器(可选)
·车型年份(可选)
·人工操作(可选)
·类别(可选)
·部件(可选)
·生产月份(可选)
·TIS(可选)
·预测月数(可选)
·创建位置(可选)
·故障模式(可选)
浏览：用户无从本页面浏览到的目标对象。
报告对象：本页面包含显示索赔记录的单个报告对象。
15.0.1索赔详情网格
其示出使用两个不同模式的索赔记录,用户可在这两个不同模式之间切换。
第一模式是指显示原始格式的索赔记录的数据网格，如图121所示。
第二模式是指显示在网格中的数据行的摘要。其将以用户指定的层级结构对记录进行分组，因此其可包含数据集中的任何字段。
然后，本层级结构用于显示索赔计数或索赔支出总额的旭日图。如图122所示。
第十六节：部件代码细目
本页面示出根据系统内显示的任何预测的被申请索赔的部件代码详情。
过滤器：用户可以过滤本页面显示的数据。可以过滤的字段如下：
单选
·品牌(可选)
·产品(可选)
·地区(可选)
·车系(可选)
·发动机(可选)
·变速器(可选)
·车型年份(可选)
·人工操作(可选)
·类别(可选)
·预测月数(可选)
浏览：用户无从本页面浏览到的目标对象。
报告对象：本页面包含显示部件代码索赔摘要的单个报告对象。
16.0.1部件代码细目网格
其以部件索赔次数降序的方式呈现索赔所选预测的部件代码的列表。
该列表显示在数据网格中，如图123所示。
第十七节-应用例
现在参考其他附图描述示例性工作流程。
该示例性工作流程用于在实用性上说明以上所描述的用户界面的多个方面。在下文中，重点描述根据所定义层级结构在页面之间的浏览以演示Indico系统是如何识别问题的。
下文所描述的工作流程的一个重要方面是用户可以从制造商层级开始，快速下翻该层级结构以在较低的层级结构中发现问题。
下文所指的屏上对象，诸如节点树、动态网格等，以上文所描述的方式呈现。具体地，针对每个对象的预测按当前所选的指标进行排序以容易看出在层级结构的当前层级上的问题区域。然后用户可以选择用于在具体页面上呈现预测的屏上对象(或多个屏上对象)的一个屏上对象的元素，诸如节点树的某个节点、某行、或某个网格，以在层级结构的下一低层级选择有问题的实体(比如，品牌、产品、车系)。使用浏览超级按钮，用户可以(除其他事项外)随后浏览到所选实体在层级结构内的下一页面，或从概览模式切换到详情页面，从而获得相应的详情页面。通过从用于呈现预测的屏上对象选择目标实体，以符合逻辑的方式沿层级结构向下移动并从概览模式切换到详情模式从而把重点更换到各单独人工操作上，这种能力是非常强有力的工具，从工程角度来说，提供了非常高的直观性。
图5示出了用户界面的主页，用户可以从该主页浏览至图3所示的页面网络的不同页面。具体地，用户可以在该层级结构的任何期望的层级浏览至概览或详情页面102、104中的任何页面。
图5到图10示出了针对某具体制造商的概览制造商页面102a的示例。提供的柱状图302给出了根据车型年份在制造商层级聚合的预测的细目。通过将光标悬浮在柱状图的各个柱上，用户可以获得与该车型年份相关的附加信息304，如图所示。
浏览元素C(称为“超级按钮”)以概览和详情模式显示在在层级结构中每个层级的每个页面上。超级按钮C的原理使得用户可以根据图5的结构从当前页面直接浏览至另一页面。通过选择制造商概览页面102a的超级按钮C，显示选择项802和804，该选择项802和804可供选择以分别浏览至品牌概览页面102b和制造商详情页面104a(注意：图3没有示出从制造商详情页面104a直接浏览至制造商概览页面102a的选项)。
图11示出了品牌概览页面102b的示例，用户通过选择图10中的元素802浏览至该页面。针对制造商904，节点树902仅向下显示到品牌层级。在本例中，节点树具有两个节点906a、906b，对应于制造商904的两个品牌。本领域技术人员理解，这是个简化的示例，在现实中一个制造商可能有更多的品牌。图中还示出了所述品牌的动态网格912，以及在品牌层级聚合但根据车型年份细分的预测索赔的细目914(注意：在图11和12中，这仅部分可见，但其柱状图已在上文给出)。如图12、13和14所示，用户可通过选择节点树902的对应节点或动态网格912的对应行，在品牌概览页面102b上的单独品牌之间进行选择。当用户以这种方式选择了某具体品牌，该页面102b上的信息，尤其是预测值，将会更新，从而与所选品牌相对应。
如图13所示，通过选择品牌概览页面102b上的超级按钮，显示可选项1102、1104和1106，其可供选择以分别浏览至位于层级结构的下一层级的对应品牌详情页面104b、最终品牌报告页面106b、和产品概览页面102c。上述页面的内容取决于选择选项1102、1104和1106之一时在品牌概览页面102b上哪个品牌被选择。因此，在图13的示例中，用户选择了页面102b上的“品牌2”；相应地选择选项1102、1104或1106使得用户界面浏览至“品牌2”的品牌详情页面104b、最终品牌报告106b或产品概览页面102c。如果用户选择具体车型年份(在本例中2016)，当用户通过该浏览超级按钮选项中的某个选项进行浏览时，会依然保持该车型年份选择。这使得可以在图3所示的页面网络内进行无缝直观浏览。
图14示出了用户在品牌概览页面102b上选择产品概览选项1106，使得用户界面可以浏览至针对所选品牌(“品牌2”)的产品概览页面102c，其示例在图15中示出。该产品概览页面102c显示了节点树902的修改版本。在该产品概览页面102c，节点树902现在从制造商层级向下延伸至产品层级。在品牌层级，仅显示先前选择的“品牌2”的节点906a。在产品层级，针对该品牌下的每个产品显示节点908。在本示例中，针对该品牌下的三个产品显示节点908A、908B、和908C，但要理解，此处仅为示例，该品牌下可能会有其他数量的产品。
鉴于此前在品牌层级的品牌概览页面102b呈现了动态网格912，在产品层级的产品概览页面102c显示的是动态网格1312。即，动态网格1312的每根柱对应于所选品牌“品牌2”下的一个产品，因此对应于产品层级的节点树902的节点908中的一个节点。
如前文所述，用户可以通过选择对应的节点树902中的一个节点908或通过选择动态网格1312的一个对应行，在所选品牌下的不同产品间进行选择。图16到18示出了其示例。如前文所述，当选择一个新产品时，更新产品概览页面102c上的信息，特别是索赔预测，从而与所选产品相对应。图19示出了选择产品概览页面102c上的浏览超级按钮C的效果。响应于浏览超级按钮C的选择，显示可选的选项1702、1704、和1706，其可被选择以分别浏览至层级结构中低一个层级的对应产品详情页面104c、对应最终产品报告106c、以及对应车系概览页面102d。再次，执行在产品概览页面102c上的选择，从而这些页面中的每一个页面会对应在产品概览页面102c上当前选择的任何产品(在本例中为“产品3”)以及如果使用，对应当前选择的任何车型年份。在图19的示例中，显示用户选择了车系概览选项1706，使得用户界面可以浏览至对应的车系概览页面102d，其示例在图20中示出。尽管图中未示出，车系概览页面102d的行为与层级结构中的更高层级的页面相同，只是本例中示出的车系层级，而非品牌或产品层级。再次，显示节点树902，但此时从制造商层级一直下翻到车系层级。在品牌和产品层级，仅示出了在品牌概览页面102b上选择的品牌(“品牌2”)的节点906a和在产品概览页面102c上先前选择的产品(“产品3”)的节点908c；因此，示出了该产品的每个车系的节点910。在这个简单示例中，仅为“产品3”示出了一个车系，但应该理解，一个具体产品可以有多个车系。在车系层级上呈现的是动态网格1812。即，针对各单独车系的预测。
图21示出了图3的主屏幕；仅在此时显示用户选择了制造商详情页面104a的选项，而非制造商概览页面102a。图22示出了某一具体制造商的制造商详情页面104a的示例。在本例中，显示的动态网格2012示出了制造商层级聚合的预测，但该预测仅针对各单独人工操作。即，网格2012中的每个预测对应于各单独人工操作但对该制造商的所有车辆的人工操作进行聚合。通过选择对应于某具体人工操作的网格2012的一个元素，如图23所示，针对人工操作“LOP名称1158”，显示了在该特有人工操作的制造商层级上聚合的信息，如图24所示。具体地，图24示出了根据生产时期针对所述人工操作和制造商的预测的时间序列。还示出了柱状图，其提供所述制造商和特有人工操作的根据车型年份2212的细目。其未在图24中示出，但可见于图25。注意，制造商详情页面104a上根据生产时期的时间序列2202和根据车型年份的细目2212均是在制造商层级上但针对某特有人工操作的聚合的预测的细目。如上文所述但在下文示例中所示，针对所述人工操作的品牌详情页面、产品详情页面和车系详情页面104b、104c和104d上还显示了同等的时间序列和柱状图，但在这些案例中，分别提供了针对某具体品牌、具体产品和具体车系的预测的细目。
如图25所示，选择制造商详情页面104a上的超级按钮浏览C使得两个可选的选项2302和2304分别浏览至针对该特有人工操作的产品详情页面104c和品牌详情页面104b(注意，图3中未示出从制造商详情页面104a直接浏览至产品详情页面104c的选项)。
图26在一个示例中示出了用户通过选择图25中的选项2304而浏览到的品牌详情页面104b。在本示例中，示出的动态网格2412再次提供了针对特有人工操作但在品牌层级聚合的预测。图27还示出了当用户选择对应某具体品牌(在本例中，“品牌1”)的动态网格2412的一行时，作为响应，显示针对该品牌的预测索赔信息。除动态网格2412，图27还示出了图26未示出的节点树2502。用户可以从动态网格2412或节点树2502选择不同的品牌。还示出了根据车型年份提供预测细目的柱状图2512和根据生产时期提供细目的时间序列2514(参见图28)。这些预测细目对应于图25中的柱状图2212和时间序列2202，但是，在品牌详情页面104b，在这些图中呈现的预测是在品牌层级的聚合，而非在制造商层级。
图29和30示出了在制造商详情页面104a上选择超级按钮浏览是如何使选项2802和2804得以显示的，该选项2802和2804可供选择以分别浏览至位于层级结构的下一层级的对应最终品牌人工操作报告108b和对应产品详情页面104c。
图31到33示出了在一个示例中的产品详情页面104c，而图32到36示出了一个示例中的车系详情页面104d。它们呈现的方式与制造商详情页面和品牌详情页面104a、104b相同，也具有对应的屏上对象。但是，产品详情页面104c上显示的预测是在产品层级上的聚合，而车系详情页面104d上的预测是在车系层级上的聚合。在图中清晰可见，这些页面之间的浏览关系的实现与按照图3所示结构的实现方式完全一样。图36到38示出了车系详情页面104d上提供的额外屏上对象，即根据发动机和变速器提供细目的第二节点树。如上文所述，作为节点树呈现依据的层级结构可由用户改变，在本例中，改变的方式是通过重新排列节点树呈现元素3204，如图36所示。例如，通过切换“发动机名称”和“变速器名称”元素，用户可以改变第二节点树3202的层级结构。
以图38作为示例，显示过滤选项F，用户可以选择该过滤选项以更改针对当前页面的过滤设置。当用户改变过滤部分时，例如，通过改变品牌、产品、车系、类别人工操作、车型年份、或预测窗口期(“预测月数”)中的一个或多个，页面会根据新设置动态更新。上文已详细描述了其实现的原理。注意，每个详情页面104和每个概览页面102均显示过滤选项F(尽管在该层级结构的更低层级中还有其他过滤选项)。用户在页间浏览时保持用户的过滤部分。即，当用户切换到另一页面时，保持其在某个页面作出的过滤选择。
图39示出了图3的主屏幕，仅在此时用户浏览至结果跟踪器页面114、116中的一个(图40到45示出了示例性结果跟踪器产品页面116)。在上文“结果跟踪器”节已对结果跟踪作了详细地描述。完全可以说，结果跟踪页面114、116允许在一定时期内分别对车系和产品层级上的单独人工操作的预测进行相互排名。
为实现这一点，如图42到45所示，提供了开始投入使用时间图4002、预测索赔频次图4004、以及车型年份走势图4006。这些图示出了产品结果跟踪器页面116，因此在产品层级上聚合结果。按上文所述填充这些对象。尽管未示出，可在车系层级的车系跟踪器页面114上显示等同的对象。
其他机器
尽管上文以车辆为背景描述了本发明技术，其也可应用到其他机器。本文描述的技术的实质性在于机器实际投入使用(比如可供用户使用)后存在一个窗口期，在该窗口期内，机器制造商负责对该机器的维修，因此提供了可进行预测的全面的维修数据集，这些预测反过来可用于对未来的机器进行工程上的决策。因此，本文与车辆有关的所有描述同样适用于其他类型的机器。
尽管上文描述了本发明的具体实施例，所描述实施例的变形例是显而易见的。本发明的范围并不为所描述的实施例限定，而是被后附权利要求书限定。
