两种汽车缺陷预测方法的比较

基于模糊神经网络的汽车召回预测和基于灰色关联的汽车召回预测都为汽车召回的预测提供了一个思路。

基于模糊神经网络的汽车召回预测方法， 利用的是对汽车缺陷的预测来推断汽车召回的预测， 而灰色关联的汽车召回预测利用的是汽车失效的预测来推断汽车缺陷发生的概率， 再推断出汽车召回的概率。

然而， 基于模糊神经网络的汽车召回预测和基于灰色关联的汽车召回概率预测却存在着不同， 具体如下：

首先， 基于灰色关联的汽车失效概率预测方法不是真正意义上的汽车召回预测。 王琰把汽车失效概率的预测等价于汽车缺陷发生风险的概率， 然而汽车失效和汽车的缺陷是不同的。 失效产生的原因可能是缺陷的存在， 也可能是汽车磨损、 老化之后产生的褪变状态。 因此， 汽车失效的发生概率不等同于汽车缺陷的风险概率。

其次， 基于灰色关联的汽车缺陷风险预测是从微观的角度来进行汽车缺陷的风险预测， 按照汽车失效的时间进行排序， 依赖于失效累积时间下的失效数量和总的汽车保有量。 而基于模糊神经网络的汽车缺陷预测则是从宏观的角度来研究汽车缺陷的风险预测， 利用的是所有的历史召回数据， 包括从1966年开始以来的所有汽车召回数据、 汽车投诉数据。 数据跨度大， 可以更加准确地表征汽车的缺陷发生规律。

再次， 基于灰色关联的汽车缺陷风险预测对汽车失效数据的依赖度很高， 且不适合用于外推若干年的预测， 且数据离散度越大， 则预测效果越差。 基于模糊神经网络的汽车召回预测则不仅对离散数据有很好的效果， 且对模糊数据也有很好的效果。

最后， 基于灰色关联的汽车缺陷风险预测利用的是汽车的失效数据， 没有加入缺陷引起的交通事故的数据进行预测， 且在汽车失效的数据收集上， 没有考虑汽车失效数据的完整性， 难以完整获取汽车缺陷的总体风险。 而基于模糊神经网络的汽车召回预测则不仅利用了汽车的潜在缺陷数据， 而且加入了因汽车缺陷所产生的事故数据， 数据的引用更加全面， 更能准确地把握汽车缺陷在各个状态下的表现， 因此， 所预测出来的汽车召回概率也更加准确可信。

[1] 交通事故的等级划分： 轻微事故、 一般事故、 重大事故和特大事故。 其中：轻微事故： 是指一次造成轻伤1～2人， 或者财产损失机动车事故不足1000元， 非机动车事故不足200元的事故； 一般事故： 是指一次造成重伤1～2人， 或者轻伤3人以上， 或者财产损失不足3万元的事故； 重大事故： 是指一次造成死亡1～2人， 或者重伤3人以上10人以下， 或者财产损失3万元以上不足6万元的事故；特大事故： 是指一次造成死亡3人以上， 或者重伤11人以上， 或者死亡1人， 同时重伤8人以上， 或者死亡2人， 同时重伤5人以上， 或者财产损失6万元以上的事故。