JP6762547B1 - 中古車販売価格推定プログラム - Google Patents

Abstract

【課題】中古車の販売価格をより人手に頼ることなく高精度かつ自動的に推定する中古車販売価格推定プログラムを提供する。【解決手段】中古車販売価格推定システム１において、情報取得部９は、販売対象の中古車の車種の現在の市況に関する市況情報を取得する。判別装置２は、過去における上記車種の市況に関する参照用市況情報と、販売価格とを分析して３段階以上の連関度を取得しておき、この連関度を元に、取得した市況情報に応じた販売価格を推定する。【選択図】図１

Description

本発明は、中古車の販売価格を推定する中古車販売価格推定プログラムに関する。

中古車の販売価格は、中古車販売業者により、買い手との間で折り合いが付く可能性が高い最適な価格になるように設定される。中古車販売業者は、車種や中古車市場の市況等のデータを参照して販売価格を設定する。

しかしながら、実際に中古車を購入した購入者から、後から車内が汚れている旨のクレームが付いたり、外部に疵が付いている旨のクレームが付いたりする場合がある。仮に車内が汚れていたり、外部に疵が付いている場合には、その状況も含めて販売業者は、割安な値段に設定するが、販売する中古車の車種、台数が数多いことから、これらの細かい中古車の状態も含めて販売価格を設定するのは大変な労力が必要になる。

このため、中古車の販売価格を絞り込むに当たり、このような汚れや疵等の細かい中古車の状態も含めて販売価格を高精度に、かつ自動的に推定することができるシステムが従来より望まれていた。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、中古車の販売価格を人手に頼ることなく高精度かつ自動的に判別することが可能な中古車販売価格推定プログラムを提供することにある。

本発明に係る中古車販売価格推定プログラムは、中古車の販売価格を推定する中古車販売価格推定プログラムにおいて、販売対象の中古車の車種の現在に至るまでの販売価格の時系列的推移からなる市況情報を取得する情報取得ステップと、過去の車種ごとの販売価格推移からなる参照用市況情報と、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報とし、出力を販売価格とした学習済みモデルを利用し、上記情報取得ステップにおいて取得した市況情報と同一又は類似の参照用市況情報に基づき、上記連関度のより高いものを優先させて、販売価格を推定する推定ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、誰でも手軽に中古車の販売価格を高精度かつ自動的に推定することができる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した中古車販売価格推定プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した中古車販売価格推定プログラムが実装される中古車販売価格推定システム１の全体構成を示すブロック図である。中古車販売価格推定システム１は、情報取得部９と、情報取得部９に接続された判別装置２と、判別装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

データベース３は、中古車販売価格推定を行う上で必要な様々な情報が蓄積される。中古車販売価格推定を行う上で必要な情報としては、過去における中古車の各車種の市況に関する参照用市況情報、過去において販売した中古車の外観の画像を撮像した参照用外観画像情報、過去において販売した中古車の車内の画像を撮像した参照用外観画像情報、過去において販売した中古車の車内の臭気度を計測した参照用臭気情報、過去において販売した中古車の総走行時間又は総走行距離に関する参照用走行情報、過去において販売した中古車の記録簿に関する参照用記録簿情報、過去において販売した中古車の販売地に関する参照用販売地情報と、これらに対して実際に判断がなされた販売価格とのデータセットが記憶されている。

つまり、データベース３には、このような参照用市況情報に加え、参照用外観画像情報、参照用外観画像情報、参照用臭気情報、参照用走行情報、参照用記録簿情報、参照用販売地情報の何れか１以上と、販売価格が互いに紐づけられて記憶されている。

判別装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置２による探索解を得ることができる。

図２は、判別装置２の具体的な構成例を示している。この判別装置２は、判別装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、判別装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を判別する。この推定部２７は、判別動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる中古車販売価格推定システム１における動作について説明をする。

中古車販売価格推定システム１では、例えば図３に示すように、参照用市況情報と、販売価格との３段階以上の連関度が予め設定されていることが前提となる。参照用市況情報とは、中古車の販売市場における市況を示すものであり、例えば、販売価格の時系列的推移、問い合わせ件数の時系列的推移、インターネット上の検索数やページビュー数、実際の販売数の時系列的推移等、市況を表すあらゆるデータが含まれる。この参照用市況情報は、車種ごとにグルーピングされてそれぞれ蓄積されていてもよい。

ここでいう販売価格は、実際の中古車の販売価格であるが、データセットを参照用市況情報との間で作る場合には、今までの最低価格、取引に至っている平均価格、最高価格等、いずれを採用してもよい。

この販売価格は、実際の価格ではなく、システム側、又はユーザ側が設定した５段階や１０段階で評価したランキングで表現されるものであってもよい。

販売価格は、販売業者が実際に保有している過去の販売時から蓄積しているデータを利用するようにしてもよい。また参照用市況情報は、インターネットや図書等において公開されている、過去の車種ごとの販売価格推移に加え、各販売業者が保有している、問い合わせ件数の時系列的推移、インターネット上の検索数やページビュー数のデータを利用するようにしてもよい。

図３の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用市況情報Ｐ０１〜Ｐ０３は、出力としての販売価格に連結している。この出力においては、出力解としての、販売価格Ａ（２５０万円）、Ｂ（１２６万円）、Ｃ（９１万円）、Ｄ（１８４万円）が表示されている。

参照用市況情報は、この出力解としての販売価格Ａ~Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報がこの連関度を介して左側に配列し、各販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報に対して、何れの販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報が、いかなる販売価格に紐付けられる可能性が高いかを示す指標であり、参照用市況情報から最も確からしい販売価格を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての販売価格と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用市況情報と、その場合の販売価格の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、過去において取得した参照用市況情報に対する販売価格としては販売価格Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用市況情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１である場合に、過去の販売価格の評価を行った結果の各種データから分析する。参照用市況情報Ｐ０１である場合に、販売価格Ａの事例が多い場合には、この販売価格の評価につながる連関度をより高く設定し、販売価格Ｂの事例が多い場合には、この販売価格の評価につながる連関度をより高く設定する。例えば参照用市況情報Ｐ０１の例では、販売価格Ａと、販売価格Ｃにリンクしているが、以前の事例から販売価格Ａにつながるｗ１３の連関度を７点に、販売価格Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

かかる場合には、図４に示すように、入力データとして参照用市況情報が入力され、出力データとして販売価格が出力され、入力ノードと出力ノードの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに販売価格の判別を行う上で、上述した学習済みデータを利用して販売価格を探索することとなる。かかる場合には、実際に販売対象の中古車の車種における現状の市況情報を新たに取得する。新たに取得する市況情報は、上述した情報取得部９により入力される。市況情報は、参照用市況情報と同様に、例えば、現在の販売価格並びに現在に至るまでの時系列的推移、現在の問い合わせ件数、並びに現在に至るまでの時系列的推移、現在のインターネット上の検索数やページビュー数並びに現在に至るまでのそのデータ等、現在におけるその車種の実際の販売数並びに現在に至るまでの時系列的推移等を取得する。現在のデータとは、現在から遡って３日間、１週間、１ヶ月間等の平均で取得するようにしてもよい。

このようにして新たに取得した市況情報に基づいて、販売価格を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して販売価格Ｂがｗ１５、販売価格Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い販売価格Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる販売価格Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する市況情報から、最も好適な販売価格を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、販売業者は、この探索結果に基づいて最適な販売価格の提案を行うことができ、買い手との間で最適な価格を設定することで、取引が成立する可能性を高くすることができる。

図５の例では、参照用市況情報と、参照用外観画像情報との組み合わせで連関度が形成されていることが前提となる。ここで参照用外観画像情報は、過去において販売した中古車の外観の画像を撮像した情報である。中でも外観の色彩において特に人気にある色彩や人気の無い色彩もある。また色彩以外に外観に疵や凹み、擦った後や損傷部分がある場合には販売価格を下げる原因にもなるし、逆に外観が非常に清浄なものであれば販売価格を上げる要因にもなる。このような参照用市況情報に加えて、参照用外観画像情報を組み合わせて判断することで、販売価格をより高精度に判別することができる。このため、参照用市況情報に加えて、参照用外観画像情報を組み合わせて上述した連関度を形成しておく。

図５の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用外観画像情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用市況情報に対して、参照用外観画像情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、販売価格が表示されている。

参照用市況情報と参照用外観画像情報との各組み合わせ（中間ノード）は、この出力解としての、販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用外観画像情報がこの連関度を介して左側に配列し、販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用外観画像情報に対して、販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用外観画像情報が、いかなる販売価格に紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用外観画像情報から最も確からしい販売価格を選択する上での的確性を示すものである。このため、これらの参照用市況情報と参照用外観画像情報の組み合わせで、最適な販売価格を探索していくこととなる。

図５の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

判別装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用市況情報と参照用外観画像情報、並びにその場合の販売価格が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

例えば、過去にあった実際の事例における参照用市況情報が、Ｐ０１であるものとする。また参照用外観画像情報が、画像データβであるものとする。かかる場合に、実際にその販売価格がいくらであったかを示す販売価格をデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような参照用市況情報や、参照用外観画像情報は、販売業者が管理する管理データベースから抽出するようにしてもよい。

これらの参照用外観画像情報は、以前において学習させた特徴量に基づいて判別するようにしてもよい。例えば疵や汚れ、凹みや損傷がある場合には、ディープラーニング技術を組み合わせ、これらの部位のみを人工知能を通じて抽出するようにしてもよい。

図５に示す連関度を形成させる上での分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用外観画像情報Ｐ１６である場合に、その販売価格を過去のデータから分析する。販売価格がＡの事例が多い場合には、この販売価格Ａにつながる連関度をより高く設定し、販売価格Ｂの事例が多く、販売価格Ａの事例が少ない場合には、販売価格Ｂにつながる連関度を高くし、販売価格Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、販売価格Ａと品質Ｂの出力にリンクしているが、以前の事例から販売価格Ａにつながるｗ１３の連関度を７点に、販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図５に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して、参照用外観画像情報Ｐ１４の組み合わせのノードであり、販売価格Ｃの連関度がｗ１５、販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用外観画像情報Ｐ１５、Ｐ１７の組み合わせのノードであり、販売価格Ｂの連関度がｗ１７、販売価格Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから販売価格を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に販売価格を判別しようとする中古車の車種の市況情報とこれについて撮像した外観画像情報を入力又は選択する。

このようにして新たに取得した市況情報、外観画像情報に基づいて、最適な販売価格を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、外観画像情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、販売価格Ｃがｗ１９、販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

なお、上述した参照用市況情報に加え、上述した参照用外観画像情報としてスペクトル画像を用いてもよい。

また、参照用外観画像情報の代替として、中古車の車内を撮像した参照用社内情報を利用するようにしてもよい。かかる場合には、過去において販売した中古車の車内の画像を撮像した参照用車内画像情報と、参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度をあらかじめ取得しておく。そして、販売対象の中古車の車内の画像を撮像することで車内画像情報を取得する。次に、取得した車内画像情報に応じた参照用車内画像情報と、市況情報に応じた参照用市況情報に基づき、図５に示す連関度に基づいて販売価格を推定する。この参照用車内画像、車内画像も同様にディープラーニングを通じて傷や汚れを抽出するようにしてもよい。

また、参照用車内画像、車内画像は、エンジンルームの画像も含まれる。エンジンルームの画像を通じてオイル漏れの跡等を抽出することができ、販売価格に反映させることができる。

図６は、上述した参照用市況情報に加え、上述した参照用外観画像情報の代わりに参照用臭気情報との組み合わせと、当該組み合わせに対する販売価格との３段階以上の連関度が設定されている例を示している。

参照用外観画像情報の代わりに説明変数として加えられるこの参照用臭気情報は、社内の匂い、臭みをセンシングした結果得られる情報である。この参照用臭気情報は、例えば、臭気センサにより検知することができ、臭気分子の酸化還元反応を利用して、硫化水素やアセトアルデヒド、アンモニアのような還元性の臭気を検出するべく、導体表面における臭気分子の吸着と表面反応による半導体の抵抗値の変化を利用する半導体式の臭気センサ、水晶振動子の表面に選択的に分子を吸着する天然脂質や合成脂質による脂質膜による臭気感応膜を貼り付けた水晶振動子式の臭気センサ、空気中の分子を選択ＦＥＴバイオセンサ等で構成されていてもよい。

このような参照用臭気情報に含まれる臭気も中古車の販売価格に影響を及ぼすことから、参照用市況情報と組み合わせ、連関度を通じて販売価格を判別することで、判別精度を向上させることができる。

図６の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用臭気情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用臭気情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、販売価格が表示されている。

参照用市況情報と参照用臭気情報との各組み合わせ（中間ノード）は、この出力解としての、販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用臭気情報がこの連関度を介して左側に配列し、販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用臭気情報に対して、販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用臭気情報が、いかなる販売価格に紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用臭気情報から最も確からしい販売価格を選択する上での的確性を示すものである。

判別装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用市況情報を取得する際に、実際にその中古車から計測した臭気度合に基づく参照用臭気情報、並びにその場合の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

この参照用臭気情報は、例えば臭気計や臭いセンサ等を介して計測以外に、臭気を判定するパネラーによる多数決等で臭気度合を決めるようにしてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用臭気情報Ｐ２０である場合に、その販売価格を過去のデータから分析する。販売価格Ａの事例が多い場合には、この販売価格がＡにつながる連関度をより高く設定し、販売価格がＢの事例が多く、販売価格がＡの事例が少ない場合には、販売価格がＢにつながる連関度を高くし、販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、販売価格Ａと販売価格Ｂの出力にリンクしているが、以前の事例から販売価格Ａにつながるｗ１３の連関度を７点に、販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図６に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して参照用臭気情報Ｐ１８の組み合わせのノードであり、販売価格Ｃの連関度がｗ１５、販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用臭気情報Ｐ１９、Ｐ２１の組み合わせのノードであり、販売価格Ｂの連関度がｗ１７、販売価格Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその販売価格の判別対象の画像情報と、臭気情報とを取得する。ここで臭気情報は、販売対象の中古車の車内から実際に計測した臭気度合に基づくが、その取得方法は、上述した参照用臭気情報と同様である。

このようにして新たに取得した市況情報と、臭気情報に基づいて、最適な販売価格を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、臭気情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、販売価格Ｃがｗ１９、販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図７は、上述した参照用市況情報に加え、上述した参照用外観画像情報の代わりに参照用走行情報との組み合わせと、当該組み合わせに対する販売価格との３段階以上の連関度が設定されている例を示している。

参照用外観画像情報の代わりに説明変数として加えられるこの参照用走行情報は、過去において販売した中古車の総走行時間又は総走行距離に関する情報である。即ち、参照用走行情報は、過去において販売された中古車がどの程度利用されているか、を示すあらゆる情報である。中古車がかなり利用され、総走行距離が通常と比較して長いものであれば、部品等もその分消耗していることから、販売価格は安価になる。

このような参照用走行情報も中古車の販売価格に影響を及ぼすことから、参照用市況情報と組み合わせ、連関度を通じて販売価格を判別することで、判別精度を向上させることができる。

図７の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用走行情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用走行情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、販売価格が表示されている。

参照用市況情報と参照用走行情報との各組み合わせ（中間ノード）は、この出力解としての、販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用走行情報がこの連関度を介して左側に配列し、販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用走行情報に対して、販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用走行情報が、いかなる販売価格に紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用走行情報から最も確からしい販売価格を選択する上での的確性を示すものである。

判別装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用市況情報を取得する際に、実際にその中古車から計測した総走行距離に基づく参照用走行情報、並びにその場合の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。ちなみに、参照用走行情報を構成する総走行距離、総走行時間は、正確に１分単位、１ｋｍ単位まで分析されたものに限定されるものでは無く、大まかにランク付けされたものでまとめられていてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用走行情報Ｐ２０（例えば、総走行時間が７２０時間）である場合に、その販売価格を過去のデータから分析する。販売価格Ａの事例が多い場合には、この販売価格がＡにつながる連関度をより高く設定し、販売価格がＢの事例が多く、販売価格がＡの事例が少ない場合には、販売価格がＢにつながる連関度を高くし、販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、販売価格Ａと販売価格Ｂの出力にリンクしているが、以前の事例から販売価格Ａにつながるｗ１３の連関度を７点に、販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図７に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して参照用走行情報Ｐ１８の組み合わせのノードであり、販売価格Ｃの連関度がｗ１５、販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用走行情報Ｐ１９、Ｐ２１の組み合わせのノードであり、販売価格Ｂの連関度がｗ１７、販売価格Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその販売価格の判別対象の画像情報と、走行情報とを取得する。ここで走行情報の取得方法は、上述した参照用走行情報と同様である。

このようにして新たに取得した市況情報と、走行情報に基づいて、最適な販売価格を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、走行情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、販売価格Ｃがｗ１９、販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図８は、上述した参照用市況情報に加え、上述した参照用外観画像情報の代わりに参照用記録簿情報との組み合わせと、当該組み合わせに対する販売価格との３段階以上の連関度が設定されている例を示している。

参照用外観画像情報の代わりに説明変数として加えられるこの参照用記録簿情報は、法定点検時や車検時になどにチェックした項目や交換された部品等に関するあらゆる情報が含まれる。一般的に「修復歴あり」という記述がある中古車は、過去に事故をしたと考えられているが、このような情報もこの参照用記録簿情報に含まれる。修復歴ありの例としては、フレーム・クロスメンバー・インサイドパネル・ピラー・ダッシュパネル・ルーフパネル・フロア・トランクフロアの8つの骨格部位に損傷があり、修復されているものと考えることができるが、これに限定されるものでは無く、フェンダーやドア、トランクなど容易に交換が可能なボルト留め部分も含めてもよく、或いはあらゆる部品の交換履歴がこの参照用記録簿情報に含められていてもよい。このような参照用記録簿情報に含まれる修復歴も販売価格に影響を及ぼすことから、参照用市況情報と組み合わせ、連関度を通じて販売価格を判別することで、判別精度を向上させることができる。

図８の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３、参照用記録簿情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用市況情報に対して、参照用記録簿情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、販売価格が表示されている。

参照用市況情報と参照用記録簿情報との各組み合わせ（中間ノード）は、この出力解としての、販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報と参照用記録簿情報がこの連関度を介して左側に配列し、販売価格が連関度を介して右側に配列している。連関度は、左側に配列された参照用市況情報と参照用記録簿情報に対して、販売価格と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用市況情報と参照用記録簿情報が、いかなる販売価格に紐付けられる可能性が高いかを示す指標であり、参照用市況情報と参照用記録簿情報から最も確からしい販売価格を選択する上での的確性を示すものである。

判別装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用市況情報と、参照用市況情報を取得する際に得た参照用記録簿情報、並びにその場合の販売価格が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用市況情報Ｐ０１で、参照用記録簿情報Ｐ２０である場合に、その販売価格を過去のデータから分析する。販売価格Ａの事例が多い場合には、この販売価格がＡにつながる連関度をより高く設定し、販売価格がＢの事例が多く、販売価格がＡの事例が少ない場合には、販売価格がＢにつながる連関度を高くし、販売価格がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、販売価格Ａと販売価格Ｂの出力にリンクしているが、以前の事例から販売価格Ａにつながるｗ１３の連関度を７点に、販売価格Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図４における説明と同様である。

図８に示す連関度の例で、ノード６１ｂは、参照用市況情報Ｐ０１に対して参照用記録簿情報Ｐ１８の組み合わせのノードであり、販売価格Ｃの連関度がｗ１５、販売価格Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用市況情報Ｐ０２に対して、参照用記録簿情報Ｐ１９、Ｐ２１の組み合わせのノードであり、販売価格Ｂの連関度がｗ１７、販売価格Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから販売価格の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその販売価格の判別対象の画像情報と、記録簿情報とを取得する。ここで記録簿情報は、販売価格を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用記録簿情報と同様である。記録簿情報、参照用記録簿情報の取得方法は、ＰＣやスマートフォン等へのデバイスへのキーボード入力や、記録簿をスキャナーで読み取って情報化したもの、或いは記録簿のデータベースをアクセスすることで取得するようにしてもよい。

このようにして新たに取得した市況情報と、記録簿情報に基づいて、最適な販売価格を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した市況情報がＰ０２と同一かこれに類似するものである場合であって、記録簿情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、販売価格Ｃがｗ１９、販売価格Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い販売価格Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる販売価格Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、参照用記録簿情報の代替として、中古車の販売地に関する参照用販売地情報を利用するようにしてもよい。販売地も同様に中古車の販売価格に影響を及ぼすため、これを含めて判断することでより高精度な販売価格の探索が実現できる。

かかる場合には、過去において販売した中古車の販売地を取得することで参照用販売地情報と、参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度をあらかじめ取得しておく。そして、販売対象の中古車の販売地に関する販売地情報を取得する。次に、取得した販売地情報に応じた参照用販売地情報と、市況情報に応じた参照用市況情報に基づき、図８に示す連関度に基づいて販売価格を推定する。

図９の例では、参照用市況情報と販売価格との３段階以上の連関度を利用する例である。

参照用市況情報と販売価格とが互いに紐づけられた連関度が形成されていることが前提となる。図９の例では、入力データとして例えば参照用市況情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用市況情報は、出力に連結している。この出力においては、出力解としての販売価格であるものとする。

参照用市況情報は、この出力解としての販売価格に対して３段階以上の連関度を通じて互いに連関しあっている。参照用市況情報がこの連関度を介して左側に配列し、販売価格が連関度を介して右側に配列している。

探索装置２は、このような図９に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、過去において取得した参照用市況情報のときにいかなる販売価格であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３、９に示す連関度を作り上げておく。

例えば、参照用市況情報が、Ｐ０１であるものとする。このようなＰ０１に対する販売価格として、Ａ（２５０万円）が多かったものとする。このようなデータセットを集めて分析することにより、参照用市況情報Ｐ０１と、販売価格との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。また、この図９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

なお、このような連関度に基づく学習済みモデルを構築する過程において、参照用外観画像情報も取得しておく。この参照用外観画像情報は、上述した連関度には含まれない。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、解を探索することとなる。かかる場合には、市況情報を取得すると共に、外観画像情報も同様に取得しておく。

先ず、新たに取得した市況情報に基づいて、販売価格を探索する。かかる場合には、予め取得した図９に示す連関度を利用する。例えば、新たに取得した市況情報が、参照用市況情報Ｐ０２と同一かこれに類似するものである場合には、連関度を介してＢ（１２６万円）が連関度ｗ１５、Ｃ（９１万円）が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高いＢ（１２６万円）を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるものを解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。また、この選択する出力解は１つに限られず、２以上選択するものであってもよい。かかる場合には、連関度の上位から順に２以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。

連関度を通じて求められる販売価格は、更に、外観画像情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

例えば、参照用外観画像情報Ｐ１３の画像内容がα、参照用外観画像情報Ｐ１４の画像内容がβ、参照用外観画像情報Ｐ１５の画像内容がγであるとする。このとき、参照用外観画像情報Ｐ１３の画像αが外観の傷が多い画像の場合には、販売価格を下げる処理を行う。。これに対して、参照用ダイヤ情報Ｐ１５の画像γのように表面に傷が一つもなく清浄であれば、販売価格を上げる処理を行う。

このように参照用外観画像情報との間での設定の後、実際に取得した外観画像が参照用外観画像情報Ｐ１３と同一又は類似する場合には、販売価格の重み付けを下げる処理を行い、換言すれば販売価格そのものを下げる処理を行う。これに対して、実際に取得した外観画像情報が参照用外観画像情報Ｐ１５と同一又は類似する場合には、販売価格の重み付けを上げる処理を行い、換言すれば販売価格そのものを上げる処理を行う。

このように予め参照用外観画像情報と販売価格の調整についてルール化しておくことにより、実際に入力された外観画像情報と同一又は類似の参照用画像情報に基づき、そのルールに沿って販売価格を調整する。このとき、実際に販売価格を調整する場合に加え、連関度そのものを調整するようにしてもよい。

この参照用外観画像情報の代替として、上記販売対象の中古車の車内の画像を撮像した車内画像情報、上記販売対象の中古車の車内の臭気度を計測した臭気情報、上記販売対象の中古車の総走行時間又は総走行距離に関する走行情報、上記販売対象の中古車の記録簿に関する記録簿情報、上記販売対象の販売地に関する販売地情報の何れか１以上を取得し、これに基づいて販売価格に調整を施すようにしてもよい。

これら参照用外観画像情報、上記販売対象の中古車の車内の画像を撮像した車内画像情報、上記販売対象の中古車の車内の臭気度を計測した臭気情報、上記販売対象の中古車の総走行時間又は総走行距離に関する走行情報、上記販売対象の中古車の記録簿に関する記録簿情報、上記販売対象の販売地に関する販売地情報の何れか１以上を推定補助情報という。この推定補助情報は、販売価格との間で連関度は形成しないものの、市況情報との間で販売価格を介して探索された販売価格の出力解を調整するために利用される。このとき、どのように販売価格を調整するかについては、予め参照用推定補助情報との販売価格への調整との間でルール化しておき、実際に取得した推定補助情報に対応する（同一又は類似の）参照用推定補助情報との間で定めた販売価格への調整ルールに沿って調整を行う。言い換えれば、推定補助情報が入力されたときに、これに基づいて販売価格の調整がなされるものであればいかなる形態であってもよい。参照用推定補助情報との販売価格への調整との間でルール化は、例えば走行情報（参照用走行情報）を例に取れば、総走行距離に反比例させて販売価格を下げる調整を行うようにしてもよく、連関度や人工知能を利用することは必須とはならない。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に販売価格の判別・探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

なお、上述した連関度では、参照用市況情報に加え、参照用外観画像情報、参照用外観画像情報、参照用臭気情報、参照用走行情報、参照用記録簿情報、参照用販売地情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用市況情報に加え、参照用外観画像情報、参照用外観画像情報、参照用臭気情報、参照用走行情報、参照用記録簿情報、参照用販売地情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用市況情報に加え、参照用外観画像情報、参照用外観画像情報、参照用臭気情報、参照用走行情報、参照用記録簿情報、参照用販売地情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して販売価格を求める。

また本発明は、図１０に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて販売価格を判別するものである。この参照用情報Ｙが参照用市況情報であり、参照用情報Ｖが参照用外観画像情報、参照用外観画像情報、参照用臭気情報、参照用走行情報、参照用記録簿情報、参照用販売地情報の何れかであるものとする。

このとき、図１０に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力（販売価格）と関連付けられていてもよい。例えば、参照用情報Ｕ（参照用市況情報）について、図３に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力（販売価格）を探索するようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい販売価格、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用市況情報を初めとする各参照用情報を取得し、これらに対する販売価格、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

１ 中古車販売価格推定システム
２ 判別装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (10)

1. 中古車の販売価格を推定する中古車販売価格推定プログラムにおいて、
   販売対象の中古車の車種の現在に至るまでの販売価格の時系列的推移からなる市況情報を取得する情報取得ステップと、
   過去の車種ごとの販売価格推移からなる参照用市況情報と、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報とし、出力を販売価格とした学習済みモデルを利用し、上記情報取得ステップにおいて取得した市況情報と同一又は類似の参照用市況情報に基づき、上記連関度のより高いものを優先させて、販売価格を推定する推定ステップとをコンピュータに実行させること
   を特徴とする中古車販売価格推定プログラム。
2. 上記情報取得ステップでは、上記販売対象の中古車の外観の画像を撮像した外観画像情報を取得し、
   上記推定ステップでは、過去において販売した中古車の外観の画像を撮像した参照用外観画像情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用外観画像情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した外観画像情報と同一又は類似の参照用外観画像情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
3. 上記情報取得ステップでは、上記販売対象の中古車の車内の画像を撮像した車内画像情報を取得し、
   上記推定ステップでは、過去において販売した中古車の車内の画像を撮像した参照用車内画像情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用車内画像情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した車内画像情報と同一又は類似の参照用車内画像情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
4. 上記情報取得ステップでは、上記販売対象の中古車の車内の臭気度を計測した臭気情報を取得し、
   上記推定ステップでは、過去において販売した中古車の車内の臭気度を計測した参照用臭気情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用臭気情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した臭気情報と同一又は類似の参照用臭気情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
5. 上記情報取得ステップでは、上記販売対象の中古車の総走行時間又は総走行距離に関する走行情報を取得し、
   上記推定ステップでは、過去において販売した中古車の総走行時間又は総走行距離に関する参照用走行情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用走行情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した走行情報と同一又は類似の参照用走行情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
6. 上記情報取得ステップでは、上記販売対象の中古車の記録簿に関する記録簿情報を取得し、
   上記推定ステップでは、過去において販売した中古車の記録簿に関する参照用記録簿情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用記録簿情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した記録簿情報と同一又は類似の参照用記録簿情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
7. 上記情報取得ステップでは、上記販売対象の中古車の販売地に関する販売地情報を取得し、
   上記推定ステップでは、過去において販売した中古車の販売地に関する参照用販売地情報と、上記参照用市況情報とを有する組み合わせと、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報及び参照用販売地情報とし、出力を販売価格とした学習済みモデルを利用し、更に上記情報取得ステップにおいて取得した販売地情報と同一又は類似の参照用販売地情報に基づき、販売価格を推定すること
   を特徴とする請求項１記載の中古車販売価格推定プログラム。
8. 中古車の販売価格を推定する中古車販売価格推定プログラムにおいて、
   販売対象の中古車の車種の現在に至るまでの販売価格の時系列的推移からなる市況情報と、販売価格を推定するための推定補助情報を取得する情報取得ステップと、
   過去の車種ごとの販売価格推移からなる参照用市況情報と、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報とし、出力を販売価格とした学習済みモデルを利用し、上記情報取得ステップにおいて取得した市況情報と同一又は類似の参照用市況情報に基づき、上記連関度のより高いものを優先させて、販売価格を推定するとともに、取得した上記推定補助情報に基づいてその販売価格に調整を施す推定ステップとをコンピュータに実行させること
   を特徴とする中古車販売価格推定プログラム。
9. 上記情報取得ステップは、上記推定補助情報として、上記販売対象の中古車の外観の画像を撮像した外観画像情報、上記販売対象の中古車の車内の画像を撮像した車内画像情報、上記販売対象の中古車の車内の臭気度を計測した臭気情報、上記販売対象の中古車の総走行時間又は総走行距離に関する走行情報、上記販売対象の中古車の記録簿に関する記録簿情報、上記販売対象の販売地に関する販売地情報の何れか１以上を取得すること
   を特徴とする請求項８記載の中古車販売価格推定プログラム。
10. 中古車の販売価格を推定する中古車販売価格推定システムにおいて、
    販売対象の中古車の車種の現在に至るまでの販売価格の時系列的推移からなる市況情報を取得する情報取得手段と、
    過去の車種ごとの販売価格推移からなる参照用市況情報と、販売価格との３段階以上の連関度が規定され、入力を参照用市況情報とし、出力を販売価格とした学習済みモデルを利用し、上記情報取得手段により取得された市況情報と同一又は類似の参照用市況情報に基づき、上記連関度のより高いものを優先させて、販売価格を推定する推定ステップとをコンピュータに実行させること
    を特徴とする中古車販売価格推定システム。

Images