CN101826183A - 一种智能汽车评估方法及系统 - Google Patents

Abstract

本发明涉及一种汽车价值评估领域。一种智能汽车评估方法及系统。包括：建立层次分析模型，建立模糊评价模型，运用等差打分法及矩阵运算得到最终成新率实现对二手汽车的评估。本发明提供了一种基于数学智能模型的更为成熟、精准的智能汽车评估方法及系统。即利用层次分析法与模糊分析法结合的思想实现对汽车的评估。其中，层次分析法通过对影响汽车价值的因素建立层次结构模型得到权重矩阵。模糊综合评价法是一种基于模糊数学的综合评价方法，它根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。可以较好地解决模糊的、难以量化的问题。

Description

一种智能汽车评估方法及系统

一、技术领域

本发明涉及一种汽车价值评估领域。具体涉及一种智能汽车评估方法及系统。

二、背景技术

现行的汽车评估方法有现行市价法，重置成本法，综合分析法和资产清算法等。由于我国二手车市场发育不够，不易得到市场价值作为参照，因此在上述方法中最为常用的是采用重置成本法。在这一方法中成新率的确定是一个关键问题。目前其成新率的确定主要采用的是基于使用时间的确定方法，计算已行驶年限与可行驶年限的比值进行确定。在实际应用中，上述评估方法计算出来的价格不是非常准确，因此，在目前汽车市场，特别是二手车市场中，人们大都根据市场价，以评估师的主观经验对汽车的价值进行评估。在当前汽车领域，尚未存在专业的智能化评估系统，因此，用户迫切的需要一个对汽车，尤其是二手车评估统一、明确的标准，使凌乱的汽车市场上的二手车的评估有一个统一的标尺，使得汽车的价值不再由人为因素主导。

三、发明内容

为了解决现有技术中存在的上述问题，本发明提供一种基于数学智能模型的更为成熟、精准的智能汽车评估方法及系统。

本发明解决现有技术问题所采用的技术方案为：一种智能汽车评估方法，包括：

步骤一、建立层次分析模型，具体包括：

a1、对影响汽车价值的因素进行分类并建立层次结构模型；

a2、由决策者利用成对比较法，构造成对比较矩阵A；

a3、检验或修改成对比较矩阵A，使其具有完全一致性或可接受一致性；

a4、在符合a3步骤所述对比较矩阵A一致性的前提下，通过成对比较矩阵A的最大特征值相对应的特征向量，经过归一化处理得到权重矩阵D；

步骤二、建立模糊评价模型，具体包括：

b1、确定指标集U＝{U1，U2，......，Un}；U是一个由评价指标所组成的指标集，其中Ui对应于层次结构模型中的第i层；

b2、建立模糊评语集W＝{W1，W2，......，Wn}，Wj表示由高到低的各级评语，其中j＝0，1，......，n；

b3、通过建立模糊关系矩阵R，用以描述从指标集U到模糊评语集W的模糊关系，

其中rij表示对第i个评价指标作出的第j级评语的隶属度；

b4、利用步骤a4中得到的权值矩阵D与b3建立的模糊关系矩阵R的合成运算，得到综合评价模型P；

步骤三、计算成新率：具体包括：设F＝(f₁ f₂…f_n)^T是成新率集，fi表示第j级评语对应的成新率值，利用等差打分法，令最高级评语所对应的成新率值为1，

(j＝1，2，…，n)

当只有一级指标时，最终成新率为C＝P·F或者 $C=\tilde{P}\·F;$

当有多级指标时，最终成新率C如下，

$Z=\left(\begin{array}{ccc}{\tilde{P}}_{11}& \·\·\·& {\tilde{P}}_{1n}\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ {\tilde{P}}_{m1}& \·\·\·& {\tilde{P}}_{\mathrm{mn}}\end{array}\right)\left(\begin{array}{c}{f}_1\\ \·\\ \·\\ \·\\ f_n\end{array}\right)=\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)$

$C=D\·Z=(d_1,d_2,...,d_m)\·\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d}_i\·z_i$ 或者

$C=\tilde{D}\·Z=({\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_m)\·\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\tilde{d}}_i\·z_i$

根据本发明的一优选技术方案：步骤a2中构造成对比矩阵的具体方法是，比较第i个元素与第j个元素相对上一层某个因素的重要性时，使用数量化的相对权重aij来描述；设共有n个元素参与比较，A＝(aij)n*n为成对比较矩阵；其中aij在1～9及其倒数中间取值，其中各个取值的意义分别为：

aij＝1第i个元素与第j个元素对上一层次因素的重要性相同；

aij＝3第i个元素比第j个元素略重要；

aij＝5第i个元素比第j个元素重要；

aij＝7第i个元素比第j个元素重要得多；

aij＝9第i个元素比第j个元素的极其重要；

aij＝2n，n＝1，2，3，4，第i个元素与第j个元素的重要性介于aij＝2n-1与aij＝2n之间；

aij＝1/n，n＝1，2，3，......，9，当且仅当aij＝n；

其中，aij＞0，aii＝1，aij＝1/aji。

根据本发明的一优选技术方案：步骤a3所述的检验成对比矩阵一致性步骤为：

c1、计算一个成对比较矩阵An*n不一致程度的指标CI：

$\mathrm{CI}=\frac{{\mathrm{\λ}}_{\max }\left(A\right)-n}{n-1}$

其中λ(max)(A)为成对比较矩阵A的最大特征值。

c2、查找检验成对比较矩阵A一致性的标准RI

c3、按照下面公式计算成对比较矩阵A的随机一致性比率CR：

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}$

其中，当CR＜0.1时，认为成对比较矩阵A一致性满足要求，或其不一致程度是可接受的；否则就调整矩阵A，直到其一致性可以接受为止。

根据本发明的一优选技术方案：步骤a4得到成对比较矩阵的最大特征值及其相对应的特征向量的方法为利用MATLAB语句【Y，D】＝eig(A)实现，其中Y为成对比较阵A的特征值，D的列为相应的特征向量。

根据本发明的一优选技术方案：步骤a4得到成对比较矩阵的最大特征值及其相对应的特征向量的方法可通过计算近似值获得，具体方法为：首先对成对比较矩阵A的列进行归一化处理如下，对任意aij，

$a_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{r=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ir}}}$

其次，按如下公式计算

${\tilde{d}}_k=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{kj}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{aij}},$ $\tilde{D}={\{{\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_n\}}^T$

近似为成对比较矩阵A对应于最大特征值的特征向量；

近似最大特征值λ： $\mathrm{\λ}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{j=1}^n{a}_{\mathrm{ij}}{\tilde{d}}_j}{{\tilde{d}}_i}$

最后，将特征向量进行归一化后返回，得到权值矩阵

根据本发明的一优选技术方案：步骤b3中隶属度r_ij可以由如下方法得到：将决策者专家团中各成员对各指标的评语进行分类整理后，得到对第i个评价指标有W_i1个W1级评语，W_i2个W2级评语，......，W_in个Wn级评语。那么，对i＝1，2，......，m有

$r_{\mathrm{ij}}=\frac{W_{\mathrm{ij}}}{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{il}}},$ (j＝1，2，...，n)

根据本发明的一优选技术方案：步骤b4所利用的合成运算得到综合评价模型的具体方法为：

或者P＝DoR＝(P₁，P₂，...，P_n)

其中，或者

j＝1，2，...，n，∧表示或者di与rij比较取最小值，∨表示m个

或者(di∧r_ij)的最小值中取最大值；若

归一化处理P为

若评价指标为多级，综合评价模型P由多个

组成：

$P=\left(\begin{array}{c}{\tilde{P}}_1\\ {\tilde{P}}_2\\ {\tilde{P}}_3\\ {\tilde{P}}_3\\ {\tilde{P}}_5\end{array}\right)=\left(\begin{array}{ccccc}\widetilde{P_{11}}& \widetilde{P_{12}}& \widetilde{P_{13}}& \·\·\·& \widetilde{P_{1n}}\\ \widetilde{P_{21}}& \widetilde{P_{22}}& \widetilde{P_{23}}& \·\·\·& \widetilde{P_{2n}}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \widetilde{P_{m1}}& \widetilde{P_{m2}}& \widetilde{P_{m3}}& \·\·\·& \widetilde{P_{\mathrm{mn}}}\end{array}\right)$

为了解决现有技术问题，本发明还提供一种智能汽车评估系统，包括信息采集单元，信息处理单元和结果输出单元；所述信息采集单元用于采集用户对所述系统预先设定的汽车影响因素的输入值；信息处理单元根据信息采集单元得到的输入值按照智能汽车评估方法对数据进行评估处理，并由结果输出单元输出结果。

根据本发明的一优选技术方案：所述信息采集和输出结果的方式为网页形式。

本发明技术中利用层次分析法与模糊分析法结合的思想实现对汽车价值，特别是二手车价值的智能评估，其中，层次分析法通过对影响汽车价值的因素进行分类并建立层次结构模型得到权重矩阵。模糊综合评价法是一种基于模糊数学的综合评标方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。本发明提供一种基于数学智能模型的更为成熟、精准的智能汽车评估方法及系统。利用本发明所述评估方法及其系统可以将把复杂、精准的评估模型以简单易用的界面形式展示给用户，用户只需要选择或输入相应汽车的相关值，系统就会根据用户输入值评价出汽车的最终价值，较之现有的评估师人工方法，更加客观和准确。

四、附图说明

图1是本发明的整体计算流程图；

图2本发明方法中建立的分层模型示意图。

图3为本发明系统的客户端输入界面。

五、具体实施方式

以下结合实施例对本发明进行详细说明：

如图1所示，为本发明方法的整体计算流程图。一种智能汽车评估方法，包括如下步骤：

步骤一、建立层次分析模型，具体为：

a1、对影响汽车价值的因素进行分类并建立层次结构模型。如图2所示，建立层次结构模型是将问题所包含的因素分层，最高层为待评价的事物，具体在本发明中为汽车价值，第二层为影响汽车价值的n个因素，图2中以5个元素A1，......，A5为例；

a2、由决策者利用成对比较法比较同一层次中各影响因素关于上一层次同一个因素的相对重要性，构造成对比较矩阵A，具体方法是，比较第i个元素与第j个元素相对上一层某个因素的重要性时，使用数量化的相对权重aij来描述；设共有n个元素参与比较，A＝(aij)n*n为成对比较矩阵；其中aij在1～9及其倒数中间取值，其中各个取值的意义分别为：

aij＝1第i个元素与第j个元素对上一层次因素的重要性相同；

aij＝3第i个元素比第j个元素略重要；

aij＝5第i个元素比第j个元素重要；

aij＝7第i个元素比第j个元素重要得多；

aij＝9第i个元素比第j个元素的极其重要；

aij＝2n，n＝1，2，3，4，第i个元素与第j个元素的重要性介于aij＝2n-1与aij＝2n之间；

aij＝1/n，n＝1，2，3，......，9，当且仅当aij＝n；

其中，aij＞0，aii＝1，aij＝1/aji。

如我们可以请一组专家A按照上述方法，给出A1到A5的评价结果作为成对比较矩阵A，如下所示：

$\left\{\begin{array}{ccccc}1& 2& 7& 5& 5\\ 1/2& 1& 4& 3& 3\\ 1/7& 1/4& 1& 1/2& 1/3\\ 1/5& 1/3& 2& 1& 1\\ 1/5& 1/3& 3& 1& 1\end{array}\right\}$

由上述矩阵可知：相比之下，A2比A1稍微重要，A3比A1重要的多，A4和A5比A1重要；A3对A2来说比较重要，A4和A5比A2略重要；

a3、检验或修改成对比较矩阵A，使其具有完全一致性或可接受一致性；理论上，如果给出的评价矩阵完全一致，那么会有aij*ajk＝aik。但是在实际构造这个两两比较矩阵的时候，由于人的主观因素，要使专家给出的成对比较矩阵符合众多上述等式是不可能的。因此可以退一步要求这个矩阵具备一定的一致性即可。意思就是只要这个成对比较矩阵满足一定程度的正确性就行，不需要它做到评估完全正确，完全正确也是不可能做到的。因此，通常情况下采用可接受一致性，判断成对比矩阵A的可接受一致性的具体步骤为：

c1、计算一个成对比较矩阵An*n不一致程度的指标CI：

$\mathrm{CI}=\frac{{\mathrm{\λ}}_{\max }\left(A\right)-n}{n-1}$

其中λ(max)(A)为成对比较矩阵A的最大特征值。

c2、查找检验成对比较矩阵A一致性的标准RI，由于平均随机一致性指标，只与矩阵的阶数有关，表1将13以内的平均随机一致性指标列出

表1  13以内的平均随机一致性指标RI

阶数	1	2	3	4	5	6	7	8	9	10	11	12	13
														RI	0.52	0.89	1.12	1.26	1.36	1.41	1.46	1.49	1.52	1.54	1.56	1.58	1.59

c3、按照下面公式计算成对比较矩阵A的随机一致性比率CR：

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}$

其中，当CR＜0.1时，认为成对比较矩阵A一致性满足要求，或其不一致程度是可接受的；否则就调整矩阵A，直到其一致性可以接受为止。

a4、在符合a3步骤所述对比较矩阵一致性的前提下，通过成对比较矩阵A的最大特征值相对应的特征向量，得出权重矩阵D；其中得到成对比较矩阵的最大特征值及其相对应的特征向量的方法为利用MATLAB语句【Y，D】＝eig(A)实现，其中Y为成对比较阵A的特征值，D的列为相应的特征向量。在实际编程的时候，可以用如下方法来近似获得矩阵A的最大特征值和特征向量：首先对成对比较矩阵A的列进行归一化处理，具体为对任意aij：

$a_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{r=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ir}}}$

其次，按如下公式计算

${\tilde{d}}_k=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{kj}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{aij}},$ $\tilde{D}={\{{\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_n\}}^T$

其中

可以看作是成对比较矩阵A对应于最大特征值的特征向量。

再次，计算近似最大特征值λ：

$\mathrm{\λ}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{j=1}^n{a}_{\mathrm{ij}}{\tilde{d}}_j}{{\tilde{d}}_i}$

需要将特征向量

进行归一化之后返回，这时的

为权值矩阵。

步骤二、建立模糊评价模型，具体包括：

b1、确定指标集U＝{U1，U2，......，Un}；U是一个由评价指标所组成的指标集，其中Ui对应于层次结构模型中的第i层；在图2所示的层次模型中，U＝{U1}。

b2、建立模糊评语集W＝{W1，W2，......，Wn}，其中j＝0，1，......，n；Wj表示由高到低的各级评语，比如新，较新，半新，旧，待报废等。

b3、通过建立模糊关系矩阵R，用以描述从指标集U到模糊评语集W的模糊关系，

其中rij表示对第i个评价指标作出的第j级评语的隶属度；其中隶属度rij优选如下方法得到：将决策者专家团中各成员对各指标的评语进行分类整理后，得到对第i个评价指标有Wi1个W1级评语，Wi2个W2级评语，......，Win个Wn级评语。那么，对i＝1，2，......，m有

$r_{\mathrm{ij}}=\frac{W_{\mathrm{ij}}}{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{il}}},$ (j＝1，2，...，n)

以图2所示模型为例，给出评语集W＝{好，比较好，中等，比较差，差}，假设对A1，专家团有1人评价好，3人评价比较好，4人评价中等，5人评价比较差，1人评价差；对A2，共有2个好，3个比较好，6个中等，1个比较差，2个差；那么，模糊关系矩阵R为：

$R=\left\{\begin{array}{ccccc}1/14& 3/14& 2/7& 5/14& 1/14\\ 1/7& 3/14& 3/7& 1/14& 1/7\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\end{array}\right\}$

b4、利用得到的权值矩阵D或者

与b3建立的模糊关系矩阵R的合成运算，得到综合评价模型P；步骤b4所利用的合成运算得到综合评价模型的具体方法为：或者P＝DoR＝(P₁，P₂，...，P_n)

其中，

或者

j＝1，2，...，n，∧表示

或者di与rij比较取最小值，∨表示m个

或者(di∧r_ij)的最小值中取最大值；若

归一化处理P为

若评价指标为多级，综合评价模型P由多个

组成：

$P=\left(\begin{array}{c}{\tilde{P}}_1\\ {\tilde{P}}_2\\ {\tilde{P}}_3\\ {\tilde{P}}_4\\ {\tilde{P}}_5\end{array}\right)=\left(\begin{array}{ccccc}\widetilde{P_{11}}& \widetilde{P_{12}}& \widetilde{P_{13}}& \·\·\·& \widetilde{P_{1n}}\\ \widetilde{P_{21}}& \widetilde{P_{22}}& \widetilde{P_{23}}& \·\·\·& \widetilde{P_{2n}}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \widetilde{P_{m1}}& \widetilde{P_{m2}}& \widetilde{P_{m3}}& \·\·\·& \widetilde{P_{\mathrm{mn}}}\end{array}\right)$

上述步骤的是将权重集的每一行和模糊关系矩阵R的每一列的对应元素先求最小值，然后从这些最小值中间挑一个最大的作为结果集中的元素。

步骤三、计算成新率。运用等差打分法及矩阵运算得到汽车最终成新率。

计算成新率：具体为，设F＝(f₁ f₂…f_n)^T是成新率集，fi表示第j级评语对应的成新率值，利用等差打分法，令最高级评语所对应的成新率值为1，

$f_i=\frac{n+1-j}{n},$ (j＝1，2，…，n)

当只有一级指标时，最终成新率为C＝P·F或者 $C=\tilde{P}\·F;$

当有多级指标时，最终成新率C如下，

$Z=\left(\begin{array}{ccc}{\tilde{P}}_{11}& \·\·\·& {\tilde{P}}_{1n}\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ {\tilde{P}}_{m1}& \·\·\·& {\tilde{P}}_{\mathrm{mn}}\end{array}\right)\left(\begin{array}{c}{f}_1\\ \·\\ \·\\ \·\\ f_n\end{array}\right)=\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)$

$C=D\·Z=(d_1,d_2,...,d_m)\·\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d}_i\·z_i$ 或者

$C=\tilde{D}\·Z=({\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_m)\·\left(\begin{array}{c}{z}_1\\ \·\\ \·\\ \·\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\tilde{d}}_i\·z_i$

根据本发明得出的成新率，可以进一步根据最贴近当前的新车价格与成新率，得出汽车所值价值：

用户汽车所值的价钱＝最贴近当前的此种新车价格*成新率。

本发明所述的一种智能汽车评估系统，包括信息采集单元，信息处理单元和结果输出单元；所述信息采集单元用于采集用户对所述系统预先设定的汽车影响因素的输入值；信息处理单元根据信息采集单元得到的输入值按照智能汽车评估方法对数据进行评估处理，并由结果输出单元输出评估结果。

所述信息采集和输出结果的方式为网页形式，图3为本发明信息采集系统客户端的输入界面。

以上内容是结合具体的优选技术方案对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种智能汽车评估方法，其特征在于：包括如下步骤：

步骤一、建立层次分析模型，具体包括：

a1、对影响汽车价值的因素进行分类并建立层次结构模型；

a2、由决策者利用成对比较法，构造成对比较矩阵A；

a3、检验或修改成对比较矩阵A，使其具有完全一致性或可接受一致性；

a4、在符合a3步骤所述对比较矩阵A一致性的前提下，通过成对比较矩阵A的最大特征值相对应的特征向量，经过归一化处理得到权重矩阵D；

步骤二、建立模糊评价模型，具体包括：

b1、确定指标集U＝{U1，U2，......，Un}；U是一个由评价指标所组成的指标集，其中Ui对应于层次结构模型中的第i层；

b2、建立模糊评语集W＝{W1，W2，......，Wn}，Wj表示由高到低的各级评语，其中j＝0，1，......，n；

b3、通过建立模糊关系矩阵R，用以描述从指标集U到模糊评语集W的模糊关系，

其中rij表示对第i个评价指标作出的第j级评语的隶属度；

b4、利用步骤a4中得到的权值矩阵D与b3建立的模糊关系矩阵R的合成运算，得到综合评价模型P；

步骤三、计算成新率：具体包括：设F＝(f₁ f₂...f_n)^T是成新率集，fi表示第j级评语对应的成新率值，利用等差打分法，令最高级评语所对应的成新率值为1，

当只有一级指标时，最终成新率为C＝P·F或者

当有多级指标时，最终成新率C计算方法为，

$Z=\left(\begin{array}{ccc}{\tilde{P}}_{11}& ...& {\tilde{P}}_{1n}\\ .& & .\\ .& & .\\ .& ...& .\\ {\tilde{P}}_{m1}& ...& {\tilde{P}}_{\mathrm{mn}}\end{array}\right)\left(\begin{array}{c}{f}_1\\ .\\ .\\ .\\ f_n\end{array}\right)=\left(\begin{array}{c}{z}_1\\ .\\ .\\ .\\ z_m\end{array}\right)$

$C=D\·Z=(d_1,d_2,...,d_m)\·\left(\begin{array}{c}{z}_1\\ .\\ .\\ .\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{d}_i\·z_i$ 或者

$C=\tilde{D}\·Z=({\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_m)\·\left(\begin{array}{c}{z}_1\\ .\\ .\\ .\\ z_m\end{array}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\tilde{d}}_i\·z_i$

2.根据权利要求1所述的一种智能汽车评估方法，其特征在于：步骤a2中构造成对比矩阵的具体方法是，比较第i个元素与第j个元素相对上一层某个因素的重要性时，使用数量化的相对权重aij来描述；设共有n个元素参与比较，A＝(aij)n*n为成对比较矩阵；其中aij在1～9及其倒数中间取值，其中各个取值的意义分别为：

aij＝1第i个元素与第j个元素对上一层次因素的重要性相同；

aij＝3第i个元素比第j个元素略重要；

aij＝5第i个元素比第j个元素重要；

aij＝7第i个元素比第j个元素重要得多；

aij＝9第i个元素比第j个元素的极其重要；

aij＝2n，n＝1，2，3，4，第i个元素与第j个元素的重要性介于aij＝2n-1与aij＝2n之间；

aij＝1/n，n＝1，2，3，......，9，当且仅当aij＝n；其中，aij＞0，aii＝1，aij＝1/aji。

3.根据权利要求1所述的一种智能汽车评估方法，其特征在于：步骤a3所述的检验成对比矩阵一致性步骤为：

c1、计算一个成对比较矩阵An*n不一致程度的指标CI：

$\mathrm{CI}=\frac{{\mathrm{\λ}}_{\max }\left(A\right)-n}{n-1}$

其中λ(max)(A)为成对比较矩阵A的最大特征值。

c2、查找检验成对比较矩阵A一致性的标准RI

c3、按照下面公式计算成对比较矩阵A的随机一致性比率CR：

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}$

其中，当CR＜0.1时，认为成对比较矩阵A一致性满足要求，或其不一致程度是可接受的；否则就调整矩阵A，直到其一致性可以接受为止。

4.根据权利要求1所述的一种智能汽车评估方法，其特征在于：步骤a4得到成对比较矩阵的最大特征值及其相对应的特征向量的方法为利用MATLAB语句【Y，D】＝eig(A)实现，其中Y为成对比较阵A的特征值，D的列为相应的特征向量。

5.根据权利要求1所述的一种智能汽车评估方法，其特征在于：步骤a4得到成对比较矩阵的最大特征值及其相对应的特征向量的方法可通过计算近似值获得，具体方法为：首先对成对比较矩阵A的列进行归一化处理如下，对任意aij，

$a_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{r=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ir}}}$

其次，按如下公式计算

${\tilde{d}}_k=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{kj}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{aij}},\tilde{D}={\{{\tilde{d}}_1,{\tilde{d}}_2,...,{\tilde{d}}_n\}}^T$

近似为成对比较矩阵A对应于最大特征值的特征向量；

近似最大特征值λ：

最后，将特征向量

进行归一化后返回，得到权值矩阵

6.根据权利要求1所述的一种智能汽车评估方法，其特征在于：步骤b3中隶属度r_ij可以由如下方法得到：将决策者专家团中各成员对各指标的评语进行分类整理后，得到对第i个评价指标有W_i1个W1级评语，W_i2个W2级评语，......，W_in个Wn级评语。那么，对i＝1，2，......，m有

$r_{\mathrm{ij}}=\frac{W_{\mathrm{ij}}}{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{W}_{\mathrm{il}}},(j=\mathrm{1,2},...,n)$

7.根据权利要求1，4或5所述的一种智能汽车评估方法，其特征在于：步骤b4所利用的合成运算得到综合评价模型的具体方法为：

或者P＝DoR＝(P₁，P₂，...，P_n)

其中，

或者

∧表示

或者di与rij比较取最小值，V表示m个

或者(di∧r_ij)的最小值中取最大值；若

归一化处理P为

若评价指标为多级，综合评价模型P由多个

组成：

$P=\left(\begin{array}{c}\widetilde{P_1}\\ \widetilde{P_2}\\ \widetilde{P_3}\\ \widetilde{P_4}\\ \widetilde{P_5}\end{array}\right)=\left(\begin{array}{ccccc}\widetilde{P_{11}}& \widetilde{P_{12}}& \widetilde{P_{13}}& ...& \widetilde{P_{1n}}\\ \widetilde{P_{21}}& \widetilde{P_{22}}& \widetilde{P_{23}}& ...& \widetilde{P_{2n}}\\ ...& ...& ...& ...& ...\\ ...& ...& ...& ...& ...\\ \widetilde{P_{m1}}& \widetilde{P_{m2}}& \widetilde{P_{m3}}& ...& \widetilde{P_{\mathrm{mn}}}\end{array}\right)$

8.一种智能汽车评估系统，其特征在于：包括信息采集单元，信息处理单元和结果输出单元；所述信息采集单元用于采集用户对所述系统预先设定的汽车影响因素的输入值；信息处理单元根据信息采集单元得到的输入值按照智能汽车评估方法对数据进行评估处理，并由结果输出单元输出结果。

9.根据权利要求8所述的一种智能汽车评估系统，其特征在于：所述信息采集和输出结果的方式为网页形式。

Images