obsidian_sycn/工作笔记/找工作/小鹏二面.md

 

1. 自我介绍：

   老师好，我叫李振洋，2017年毕业于吉林大学车辆工程专业。

   虽然过去一年多我在拼多多从事仓库履约风控与质量评价体系的相关工作，但今天面试的是智能座舱方向的数据分析岗，因此我想重点介绍一下我在集度汽车期间与座舱智能化高度相关的工作经历。

   在集度，我主要对接整车工程、座舱触点、生产管理与质量三大部门，完整参与从需求对接、数据获取、清洗分析到报告输出或看板搭建的全链路。

   具体在智能座舱方向，我聚焦于功能渗透率、交互便捷性与用户流失归因三大核心问题。例如：

   • 我们对车机大屏中各项功能的操作步骤数与完成时长进行量化分析，评估UI的操作便利性，并提出优化建议；
   • 针对自动空调、自动雨刮、电动门等高频触点功能，通过数据下钻分析，识别体验痛点，指导产品迭代；
   • 针对用户强感知的能耗与续航问题，我协同业务方确立百公里电耗与续航预估准确率为核心北极星指标，搭建了覆盖全场景的监控与评价体系，并支持对异常波动的高效下钻与根因定位；
   • 对于偶发且难以复现的问题（如空调异响），我们通过长期数据埋点，在故障发生时还原第一现场的车辆状态与用户操作序列，极大提升了问题定位效率。

   此外，我还基于 Python 开发了多套自动化工具，实现关键指标异常自动推送、分析报告自动生成，显著提升了业务团队的响应效率。

   至于拼多多的经历，我主要负责仓库履约风控与质量评价体系建设，通过数据监控、异常识别和闭环干预机制，保障履约合规性、降低平台风险，比如我们会监控仓库的履约质量、履约时长、异常单比例等等，来引导仓库合规履约，确保用户的体验，防止仓库作弊等等

 

1. 数据预处理都做了哪些内容：

   1. 去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
   2. 异常值处理：
      1. 超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
      2. 标准化；
      3. 数据分段：
         1. 行程划分；
         2. 充电起止点；
         3. 放电起止点；

2. 为什么要做这个分析，目的和后续用途；

3. 用车场景库

   1. 动态用车：

      1. 自动驾驶使用统计：
      2. 高速工况：
      3. 城市工况：

   2. 行程合并：

      1. 背景：按车辆模式是否为driving划分会导致行程碎片化，比如司机临时停车再上车，其实是一段行程，但是会被切成两段，导致对用户习惯判断的错误；

   3. 能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析

      1. 相对正加速度；
      2. 急加速次数；
      3. 急减速次数；
      4. 行程环境(城市、高速、拥堵)；
      5. 平均车速；
      6. 最高车速；
      7. 怠速时间占比；
      8. 制动能量回收设置(这个是环境变量)；
      9. 行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
         1. 平均车速；
         2. 最高车速；
         3. 车速在80km/h以上行驶里程占比；
         4. 怠速时间占比；
         5. 行驶里程；
         6. 加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；

   4. 驾驶风格识别模型：
      1. 模型：
      1. 数据指标：当车速大于15km/h，且总行驶里程大于10km，最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；
      2. 数据预处理：
      1. 归一化；
      2. PCA；
      3. kmeans聚类；
      4. 验证：找同事开车进行实车验证，由其他同事打分；

   5. 续航估计准确率：

      1. 续航里程变化量与实际里程的比值；
      2. 影响因素：
         1. 电池类型；
         2. 行驶里程，特别短的计算不准；
         3. 环境温度、驾驶激烈程度(相对正加速度)、电池健康度

   6.     1. 能耗：
              1. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；
                  1. 北极星：整车能耗(百公里能耗水平)
                  2. 一级指标：
                      1. 电机能耗
                      2. 热管理能耗
                      3. DCDC高压侧能耗
                      4. 电池SOC与能耗匹配情况
                      5. 用户行为
                  3. 二级指标
                      1. 电机
                          1. 电机综合效率
                          2. 电机制动能量回收效率
                      2. DCDC高压侧能耗：
                          1. DCDC高低压侧转换效率
                          2. DCDC低压侧用电器
                              1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇
                              2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU
                      3. 热管理：
                          1. 座舱热管理功率
                          2. 电池热管理功率
                      4. 用户行为：
                          1. 行驶工况
                          2. 驾驶风格
                          3. 空调使用与设置
                          4. 制动能量回收设置
      

   7. 3. 驾驶事件识别模型：

      1. 模型：
         1. 驾驶工况：
            1. 以2分钟切分工况段；
            2. 根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
            3. 直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
            4. 侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
               1. 指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
         2. 训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
         3. 评价：使用macro-f1作为评价指标，调试超参数C和γ；