CN110232582A - 一种二手车的定价方法,装置及系统 - Google Patents
一种二手车的定价方法,装置及系统 Download PDFInfo
- Publication number
- CN110232582A CN110232582A CN201810184731.4A CN201810184731A CN110232582A CN 110232582 A CN110232582 A CN 110232582A CN 201810184731 A CN201810184731 A CN 201810184731A CN 110232582 A CN110232582 A CN 110232582A
- Authority
- CN
- China
- Prior art keywords
- price
- linear
- used car
- xgboost
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Abstract
本申请实施例示出一种二手车的定价方法,装置及系统。本申请实施例示出的方法,分别根据二手车的历史数据构建线性,以及XGBoost模型,然后分别用上述模型分别计算出目标二手车的价格,分别得到线性价格,以及XGBoost价格,最终融合上述融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。本申请实施例示出的方法在对二手车定价的过程中引入,线性模型,即使对于一些数交易样本稀疏的车型而言,也可达到准确的定价,同时本申请引入Xgboost模型,Xgboost模型可以捕获车型配置、品牌和地域等更多的影响价格的因素,在二手车的定价过程中预测的结果偏差小。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种二手车的定价方法,装置及系统。
背景技术
随着经济社会的发展和城市居民生活水平提高,车辆已变成私人的基本要求。近年来,中国经济的飞速发展,车辆保有量的快速增长,二手车的交易买卖越来越繁荣,全国每个省会城市的二手车辆经纪人和单位通常达到5000个以上,每年成交的二手车达到10万-20万辆。随着二手车的交易买卖的逐渐繁荣,二手车市场随之面临一系列挑战,例如,目前的二手车市场仍然是个信息不对称的市场,消费者很难知晓二手车的价值,其结果是二手车市场难以取得消费者的信赖,导致二手车市场失去一些潜在的客户。因此如何对的二手车进行评估定价,显得尤为重要。
现在的二手车评估定价基本上是由评估师的经验来决定,即评估师根据二手车的一些表面状况及个人经验进行评估。然而,上述评估定价方式由于有过多的人为因素参与,往往造成评估结果不够准确,从而对买卖双方造成麻烦。
为例避免人为因素的参与,近年来,一些二手车商家通过机器学习方法构建二手车价格模型,为二手车评估定价;通常,先建立模型,将所述模型应用于二手车的评估定价。具体的,首先通过在专门网站获取二手车辆的第一影响因素作为自变量,将二手车对应的价格作为因变量,寻找自变量与因变量之间的函数,然后采用所述函数对二手车评估定价。
现有技术中,机器学习方法构建二手车价格模型对二手车进行评估定价,往往为了追求模型随二手车评估的准确度,采用多参数构建复杂的模型;但是复杂的模型,不适于一些成交量较少的冷门二手车的价格评估,预测结果与实际二手车的成交价格之间偏差较大。
发明内容
本发明的发明目的在于提供一种二手车的定价方法,装置及系统,以解现有技术示出的额复杂的二手车价格模型不适于一些成交量较少的冷门二手车的价格评估,预测结果与实际二手车的成交价格之间偏差较大的技术问题。
本申请实施例第一方面示出一种二手车的定价方法,所述方法包括:
获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
可选择的,所述第一影响因素包括:二手车的使用年限,二手车的车况,二手车的地域,以及,二手车的销售商。
可选择的,所述根据第一影响因素与所述成交价格,构建线性模型的步骤包括:
聚类所述二手车的历史数据,得到目标线性历史交易数据,所述目标线性历史交易数据包括:目标车型线性建模二手车的成交价格,以及,线性建模二手车目标车型的第一影响因素;
基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素目标车型成交价格,以及,所述目标车型的第一影响因素,构建线性模型。
可选择的,所述基于车辆特征与所述成交价格构建XGBoost模型的步骤包括:
遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
可选择的,基于所述车辆特征,以及,所述成交价格构建XGBoost模型的步骤包括:
对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
可选择的,其特征在于,所述车辆特征还包括品牌特征,以及,地域特征。
可选择的,所述线性模型为分阶段线性模型。
可选择的,所述基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格的步骤包括:
基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
可选择的,所述基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格的步骤包括:
基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
判断所述线性序列与所述目标序列是否相同;
如果不相同,修正所述目标二手车的价格。
可选择的,所述修正所述目标二手车的价格的步骤包括:
统计目标车辆的交易数量,得到交易数据量集;
遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
本申请实施例第二方面示出一种二手车的定价装置,所述装置包括:
获取单元用于,获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
构建单元用于,根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
计算单元用于,基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
可选择的,所述构建单元包括:
聚类单元用于,聚类所述二手车的历史数据,得到目标线性历史交易数据,所述目标线性历史交易数据包括:目标车型线性建模二手车的成交价格,以及,线性建模二手车目标车型的第一影响因素;
线性构建单元用于,基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素目标车型成交价格,以及,所述目标车型的第一影响因素,构建线性模型。
可选择的,所述构建单元包括:
遍历单元用于,遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
XGBoost构建单元用于,基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
可选择的,所述XGBoost构建单元包括:
赋值单元用于,对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
第一构建单元用于,基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
可选择的,所述计算单元包括:
第一校验单元用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第一权重生成单元用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第一计算单元用于,基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
可选择的,所述计算单元包括:
第二校验单元用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第一权重生成单元用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第一计算单元用于,基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
排序单元用于,排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
判断单元用于,判断所述线性序列与所述目标序列是否相同;
第一修正单元用于,如果不相同,修正所述目标二手车的价格。
可选择的,所述第一修正单元包括:
统计单元用于,统计目标车辆的交易数量,得到交易数据量集;
确定单元用于,遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
第二修正单元用于,基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
本申请实施例第三方面示出一种二手车的定价系统,所述系统包括:应用平台服务器,与所述应用平台服务器相连接的数据存储服务器,所述数据存储服务器设置在所述平台服务器内部或独立设置,所述应用平台服务器通过互联网与终端相连接;
所述终端用于目标二手车价格的显示;
所述据存储服务器用于相关数据的存储;
所述应用平台服务器用于实现本申请实施例示出的方法。
由以上技术方案可知,本申请实施例示出一种二手车的定价方法,装置及系统,所述方法包括:获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。本申请实施例示出的方法,分别根据二手车的历史数据构建线性,以及XGBoost模型,然后分别用上述模型分别计算出目标二手车的价格,分别得到线性价格,以及XGBoost价格,最终融合上述融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。本申请实施例示出的方法在对二手车定价的过程中引入,线性模型,即使对于一些数交易样本稀疏的车型而言,也可达到准确的定价,同时本申请引入Xgboost模型,Xgboost模型可以捕获车型配置、品牌和地域等更多的影响价格的因素,在二手车的定价过程中预测的结果偏差小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据一优选实施例示出的一种二手车的定价方法的流程图;
图2为根据一优选实施例示出的线性模型与分段线性模型的对比图;
图3为根据一优选实施例示出的步骤S102的详细流程图;
图4为根据又一优选实施例示出的步骤S102的详细流程图;
图5为根据一优选实施例示出的步骤S10222的详细流程图;
图6为根据一优选实施例示出的步骤S103的详细流程图;
图7为根据又一优选实施例示出的步骤S103的详细流程图;
图8为根据又一优选实施例示出的步骤S10323的详细流程图;
图9为根据一优选实施例示出的一种二手车的定价装置的结构框图;
图10为根据一优选实施例示出的构建单元的结构框图;
图11为根据又一优选实施例示出的构建单元的结构框图;
图12为根据一优选实施例示出的XGBoost构建单元的结构框图;
图13为根据一优选实施例示出的计算单元的结构框图;
图14为根据又一优选实施例示出的计算单元的结构框图;
图15为根据一优选实施例示出的第一修正单元的结构框图;
图16A为根据一优选实施例示出的一种二手车的定价系统的结构框图;
图16B为根据又一优选实施例示出的一种二手车的定价系统的结构框图;
图17为根据一优选实施例示出的一种服务器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
现有技术中,机器学习方法构建二手车价格模型对二手车进行评估定价,往往为了追求模型随二手车评估的准确度,采用多参数构建复杂的模型;但是复杂的模型,不适于一些成交量较少的冷门二手车的价格评估,预测结果与实际二手车的成交价格之间偏差较大。
为了解决上述问题,本身申请实施例第一方面示出一种二手车的定价方法,请参阅图1,所述方法包括:
S101获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
车型的有200余个原始车辆特征,包括有车体结构、制动器类型、发动机功率等等。
其中,第一影响因素在本申请实施例示出的技术方案中指的是影响二手车价格的因素,例如:二手车的车龄,二手车的车况,二手车车出售的地域,以及,车型下有不同端(TOB针对车上出售或TO C针对于客户出售)。上述第一影响因素均会对二手车的价格产生一定的影响。
S102根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
以二手车的车龄作为第一影响因素为例,对线性模型的构建过程作以简短的说明。
历史数据中包括同一车型的二手车A,B,C,D。上述二手车的成交价格分别为a,b,c,以及,d,上述二手车对应的车辆分别为1年,2年,3年,以及,4年;通过(1,2,3,4)与(a,b,c,d)构建线性方程,构建的线性方程,即为线性模型。
值得注意的是,本技术方案中线性模型的构建过程中只是在车型粒度建模,同车型的线性模型相互独立,没有考虑不同车型间的关系。
可见本申请实施例示出的方法线性模型的构建过程自变量数量单一,具有较好的可解释性。
将所述车辆特征与所述成交价格输入计算机,计算机自动生成相应的XGBoost模型。
在二手车交易市场,某一车型下二手车的交易价格不仅仅与车型的指导价、上牌年份及行驶里程相关,与地域及车型的配置水平也相关,这样线性模型一般是欠拟合的状态,本申请实施例示出的方法,在线性模型的基础上引入XGBoost模型,保证预测结果的准确性。
本申请实施例示出的技术方案在XGBoost模型的建模则考虑到所有车型的交易样本,不同车型间的交易不在相互独立,建模核心的工作是特征工程,其考虑了所有车型的配置及车源交易数据。
S103基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
本申请实施例示出一种二手车的定价方法。本申请实施例示出的方法,分别根据二手车的历史数据构建线性,以及XGBoost模型,然后分别用上述模型分别计算出目标二手车的价格,分别得到线性价格,以及XGBoost价格,最终融合上述融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。本申请实施例示出的方法在对二手车定价的过程中引入,线性模型,即使对于一些数交易样本稀疏的车型而言,也可达到准确的定价,同时本申请引入Xgboost模型,Xgboost模型可以捕获车型配置、品牌和地域等更多的影响价格的因素,在二手车的定价过程中预测的结果偏差小。
可选择的,本申请实施例示出的所述线性模型为分阶段线性模型。
为了进一步提高本申请实施例示出方法的准确度,本申请实施例示出的线性模型采用分阶段线性模型;
所述分段线性模型足够简单并且稳定,模型可解释性强。
可选择的,所述第一影响因素为车龄:
本申请实施例示出的交易价格即二手车的价格。
车源的交易价格与车龄存在显著的线性关系,因此分段线性模型本身有良好的预测效果,而且相比于线性模型,分段线性的表达能力也会更强一些。
举例说明:
请参阅图2其中曲线A为某一车型二手车根据车龄与交易价格构建的线性模型,曲线B为某一车型二手车根据车龄与交易价格构建的分段线性模型;
可见曲线B可以更真实的反应二手车的交易价格与车龄之间的关系,采用分段线性模型可以得到更加准确的预测结果。
分段线性模型的简单和良好的可解释性,在一些车型上,专业定价的人员根据业务经验直接绘制分段,这在交易数据偏少的车型上是十分必要的。
车型下有不同端(面对用户或面对经销商)、车况和地域之分,如果细化到最小的变动因素下建模同样是面临数据量偏少的问题,本申请实施例示出的方法这里可以利用某一个分段,在其基础上做各种粒度的数据切片来调校该分段以获取其他的分段。
实施例2:
为了进一步提高本申请实施例示出方法的准确度,本申请实施例示出的方法对历史数据经行聚类。
具体的,请参阅图3,
实施例1与实施例2具有相似的步骤,唯一的区别在于实施例1示出的技术方案中步骤S102包括以下步骤:
S10211聚类所述二手车的历史数据,得到线性历史交易数据,所述线性历史交易数据包括:线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素;
S10212基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素,构建线性模型。
车型下有不同端(面对用户或面对经销商)、车况和地域之分,均会对线性建模二手车的成交价格产生影响。
本申请实施例示出的方法根据单一变量法对历史交易数据进行聚类。
举例说明:
将只有车龄差异的二手车聚类为线性历史交易数据;
将只有车龄差异的二手车聚类为线性历史交易数据;在线性模型构建的过程中采用车龄作为自变量,采用二手车的交易价格作为因变量构建线性模型。
本申请实施例示出的方法,首先对二手车的历史交易数据经行聚类,具体的聚类方式采用单一变量的方式,采用聚类后的历史交易数据构建的线性模型,可以更加准确的预测二车手的价格。
举例说明:
例如,某一二手车的交易价格的随着车龄的增大交易价格值逐年递减的,若预先不对历史交易数据聚类,可能会出现某个二手车虽然使用年限较久,但是,车辆在车龄这一段时间几乎没有被使用,车况与新车几乎相同,该二手的交易价格会高于车龄小于该二手车的成交价格。即异常数据出现。
若采用异常数据构建线性模型,显然,构建的模型于二手车的实际交易情况相差较大,采用本申请实施例示出的聚类方法,可有效的避免异常数据的出现,进一步提高本申请实施例示出方法的准确度。
实施例3:
为了进一步提高本申请实施例示出方法的准确度,本申请实施例示出的一种XGBoost模型的构建方法,具体的请参阅图4:
实施例3与实施例2具有相似的步骤,唯一的区别在于实施例2示出的技术方案中S102包括以下步骤;
S10221遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
本申请实施例示出的技术方案在XGBoost模型的建模过程中,考虑到所有车型的交易样本,不同车型间的交易不在相互独立,建模核心的工作是特征工程,其考虑了所有车型的配置及车源交易数据。
本申请实施例示出的技术方案将二手车的车辆特性与二手车的交易价格输入计算机,计算机自动生成相应的XGBoost模型。
在二手车辆信息的提取过程中,本申请实施例示出的方法出考虑本车型的交易样本外,不同车型间的交易不在相互独立,建模核心的工作是特征工程,其考虑了所有车型的配置及车源交易数据。
例如一个二手车的交易价格除了受自身的车辆配置的影响外,还受他的竞争对手的影响。
本申请实施例示出的方法在车辆特征的提取过程中,除了提取自身的车辆特征,同时提取所述二手车竞争对手的车辆特征,所述车辆特征包括车型配置特征,品牌特,征地域特征工程;
车辆的类别体系有层级结构:品牌、车系和车型,本申请实施例示出的技术方案把品牌作为特征加入到车辆特征;
型在地域(城市、省份或大区)之间的受欢迎程度差别很大,进而车辆的销量和交易价格差别也很大,在建模过程中,我们把省份特征做one-hot编码加入到最终的车辆特征。
S10222基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
然后将车辆特征与成交价格同时输入计算机,构建XGBoost模型。
可见本申请实施例示出的方法,在XGBoost模型的构建过程中,除了考虑二手车自身车辆特征外,同时加入了竞争对手的车辆配置,以及,交易价格,对二手车成交价格的影响。构建的XGBoost模型更真实的反应二手车交易的环境,采用本申请实施例示出的方法可以更加准确的预测二车手的价格。
实施例4:
为了进一步提升本申请实施例示出方法的通用性,以及,预测效果,本申请实施例示出一种车型配置特征的赋值方法,具体的,请参阅图5:
实施例4与实施例3具有相似的步骤唯一的区别在于,实施例3示出的技术方案中步骤S10222包括以下步骤:
S102221对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
通常历史交易数据中车型配置特征的表达形式各异;
以车体结构为例:
对车体结构的描述可以是长方体,可以是顶部加强,等等一系列对车体结构描述的词语,若将这些车型配置特征直接输入计算机,进行建模,由于计算机不能准确的识别上述车型配置特征,将会导致构建的XGBoost模型与实际情况偏离。
本申请实施例示出的方法对不同的车型配置特征分配不同的整数值,这个整数值表征配置等级,配置越高特征值越大。构建配置矩阵,矩阵的列为车型配置特征,行为所述车型配置特征对应的特征值。
S102222基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
可见本申请实施例示出的技术方案,对不同的车型配置特征分配不同的整数值,这个整数值表征配置等级,配置越高特征值越大。这样提取特征的方式不仅对特征进行了高级的抽象,而且极大限制了特征的维度大小,有效提升模型的泛化能力及预测效果。
实施例5:
为了进一步提高本申请实施例示出方法的准确度,本申请实施例示出一种权重融合方法,具体的,请参阅图6:
实施例5与实施例4具有相似的步骤,唯一的区别在于,实施例示出的技术方中步骤S103包括以下步骤:
S10311基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
S10312根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
S10313基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
首先确定一校验二手车,所述校验二手车准确的得知所述校验二手车的成交价格;
通过性模型计算校验二手车的价格为A;通过XGBoost模型计算校验二手车的价格为B
所述验二手车的成交价格C。
通过(K1A+K2B)/2=C。的计算公式确定线性权重K1,以及,XGBoost权重K2。
常见的情况我们需要同时给出车辆的不同车况(A/B/C/D)的价格,线性模型的预测结果记为[piecewise_A,piecewise_B,piecewise_C,piecewise_D],XGBoost模型预测的结果记为[xgb_A,xgb_B,xgb_C,xgb_D],最终的预测结果[merge_A,merge_B,merge_C,merge_D],融合分段线性模型及xgboost模型的车况价格:[merge_A,merge_B,merge_C,merge_D]=[(piecewise_A+xgb_A)/2,(piecewise_B+xgb_B)/2,(piecewise_C+xgb_C)/2,(piecewise_D+xgb_D)/2]。
在实践中给出的线性加权方案线性模型及xgboost模型的的权重均为50%。
本申请实施例示出的技术方案通过引入校验二手车计算出线性权重K1,以及,XGBoost权重K2,线性加权融合的方案可以在xgboost预测偏差的基础上进一步降低偏差水平,与此同时线性模型良好的可解释性及xgboost的预测精度。
实施例6:
通常采用XGBoost模型预测二手车的价格,会出现价格“倒挂”的现象,即一个车况较差的二手车,采用XGBoost模型预测,预测的结果高于车辆较好的二手车。为了避免倒挂问题的出现,本申请实施例示出一种问题结果的修正方法。
具体的请参阅图7:
实施例6与实施例4具有相似的步骤唯一的区别在于实施例4示出的技术方案中步骤S103包括以下的步骤:
S10321基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
S10322根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
S10323基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
S10324排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
常见的情况我们需要同时给出车辆的不同车况(A/B/C/D)的价格,线性价格集记为[piecewise_A,piecewise_B,piecewise_C,piecewise_D],XGBoost价格集记为[xgb_A,xgb_B,xgb_C,xgb_D];最终的预测结果[merge_A,merge_B,merge_C,merge_D]
S10325判断所述线性序列与所述目标序列是否相同;
车况A优于B优于C优于D,按照先验知识和估值业务的要求,[merge_A,merge_B,merge_C,merge_D]四个价格一定是单调递减的。但是由于XGBoost模型受多种因素影响,预测出来的结果merge_B<merge_C。
此时,线性序列与所述目标序列不一致。
值得注意的是,由于线性模型在预测过程中不会出现倒挂现象。因此本申请实施例示出的方案采用线性序列作为判断目标价格是否出现倒挂的依据。
如果不相同,S10326修正所述目标二手车的价格。
本申请实施例示出的技术方案,对目标二手车的价格作以预判断,判断所述目标二手车的价格是够出现倒挂的现象,如果出现倒挂的现象,对问题结果进行修正。
实施例7:
为了进一步保证本申请实施例示出方法的准确度,本申请实施例对修正方法做了进一步的限定。具体的,请参阅图8:
实施例7与实施例6具有相似的步骤唯一的区别在于,实施例6示出的技术方案中步骤S10326包括以下步骤,具体的,请参阅图8:
S103261统计目标车辆的交易数量,得到交易数据量集;
S103262遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
通常出现倒挂问题,均是XGBoost模型的预测结果出现问题。但是所收集的数据数量可能会根据车型/地域的畅销程度而显著变化,对于畅销车型而言,其交易数据量丰富,XGBoost模型可能比简单的模型更准确;
本申请实施例示出的技术方案将产生最大交易量的目标车辆为基准车辆。
S103263基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
例如:给出车辆的不同车况(A/B/C/D)的价格,B代表一种良好的车况,样本量一般比较丰富,我们对B车况的价格的置信程度最高,B为基准车辆,若AC出现倒挂现象然后依次处理A车况和C车况价格;
具体的修正过程如果A车况价格与B车况价格倒挂,则修正A车况价格为merge_B+abs(merge_A-merge_B),其余车况价格处理类似。
制得注意的是本申请实施例示出的技术方案只是示例性的示出一种修正方法,在实际计算中,凡是采用一个基准数据去修正其他数据的修正方式均在本申请实施例的保护范围内,在此由于篇幅有限,就不一一列举。
实施例8:
本申请实施例第二方面示出一种二手车的定价装置,请参参阅图9,所述装置包括:
获取单元21用于,获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
构建单元22用于,根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
计算单元23用于,基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
实施例9:
请参阅图10,实施例示出的技术方案中所述构建单元22包括:
聚类单元2211用于,聚类所述二手车的历史数据,得到目标线性历史交易数据,所述目标线性历史交易数据包括:目标车型线性建模二手车的成交价格,以及,线性建模二手车目标车型的第一影响因素;
线性构建单元2212用于,基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素目标车型成交价格,以及,所述目标车型的第一影响因素,构建线性模型。
实施例10:
请参阅图11,实施例9示出的技术方案中所述构建单元22还包括:
遍历单元2221用于,遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
XGBoost构建单元2222用于,基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
实施例11:
请参阅图12,实施例10示出技术方案中XGBoost构建单元2222包括:
赋值单元22221用于,对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
第一构建单元22222用于,基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
实施例12:
请参阅图13,实施例11示出的技术方案中,所述计算单元23包括:
第一校验单元2311用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第一权重生成单元2312用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第一计算单元2313用于,基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格
实施例13:
请参阅图14,实施例11示出的技术方案中所述计算单元23包括:
第二校验单元2321用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第二权重生成单元2322用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第二计算单元2323用于,基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
排序单元2324用于,排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
判断单元2325用于,判断所述线性序列与所述目标序列是否相同;
第一修正单元2326用于,如果不相同,修正所述目标二手车的价格。
实施例14:
请参阅图15,实施例13示出的技术方案中第一修正单元2326包括:
统计单元23261用于,统计目标车辆的交易数量,得到交易数据量集;
确定单元23262用于,遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
第二修正单元23263用于,基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
实施例15:
请参与图16A,以及,图16B,本申请试试第三方面示出一种二手车的定价系统,所述系统包括:应用平台服务器31,与所述应用平台服务器31相连接的数据存储服务器32,所述数据存储服务器32设置在所述平台服务器31内部或独立设置,所述应用平台服务器31通过互联网与终端33相连接;
所述终端用于目标二手车价格的显示;
所述据存储服务器用于相关数据的存储;
所述应用平台服务器用于实现如本申请实施例示出的方法
实施例16:
本申请实施例第四方面示出一种服务器,请参阅图17包括:
一个或多个处理器41;
存储器42,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器41执行,使得所述一个或多个处理器41实现本申请实施例实处的方法。
由以上技术方案可知,本申请实施例示出一种信息流定向广告竞价智能投放方法,装置及系统,方法包括:获取历史数据,所述历史数据包括:目标信息流广告的定向推广标签,目标信息流广告以及,所述目标信息流广告的线下消费数据;根据所述目标信息流广告的线下消费数据,计算出所述目标信息流广告的CPC阈值;实时的获取目标信息流广告的投放数据,所述投放数据包括:每个目标信息流广告的广告出价,以及,竞争信息流广告的广告出价,根据所述CPC阈值,以及,竞争信息流广告的广告出价,调整所述目标信息流广告的广告出价,所述竞争信息流广告的定向推广标签与所述目标信息流广告的定向推广标签相同。本申请实施例示出的方法,实时的获取目标信息流广告的广告出价,竞争信息流广告的广告出价,根据实时的获取目标信息流广告的广告出价,竞争信息流广告的广告出价确定目标信息流广告的广告出价的排位,如果所述目标信息流广告的广告出价不为第一时,在小于CPC阈值的范围内,对所述目标信息流广告的广告出价作以相应的调整,进而到准确指导广告商出价的目的,有效的避免了广告商因对广告出价设置的合理性难以判断,导致广告商错失广告投放的机会。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
值得注意的是,具体实现中,本申请还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本申请提供的用户身份的服务提供方法或用户注册方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random accessmemory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于用户身份的服务提供装置或用户注册装置的实施例而言,由于其基本相似于方法实施例,所以描述的比对简单,相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (18)
1.一种二手车的定价方法,其特征在于,所述方法包括:
获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
2.根据权利要求1所述的方法,其特征在于,所述第一影响因素包括:二手车的使用年限,二手车的车况,二手车的地域,以及,二手车的销售商中的一个或多个组合。
3.根据权利要求2所述的方法,其特征在于,所述根据第一影响因素与所述成交价格,构建线性模型的步骤包括:
聚类所述二手车的历史数据,得到目标线性历史交易数据,所述目标线性历史交易数据包括:目标车型线性建模二手车的成交价格,以及,线性建模二手车目标车型的第一影响因素;
基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素目标车型成交价格,以及,所述目标车型的第一影响因素,构建线性模型。
4.根据权利要求3所述的方法,其特征在于,所述基于车辆特征与所述成交价格构建XGBoost模型的步骤包括:
遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
5.根据权利要求4所述的方法,其特征在于,基于所述车辆特征,以及,所述成交价格构建XGBoost模型的步骤包括:
对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
6.根据权利要求5所述的方法,其特征在于,所述车辆特征还包括品牌特征,和/或,地域特征。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述线性模型为分阶段线性模型。
8.根据权利要求7所述的方法,其特征在于,所述基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格的步骤包括:
基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
9.根据权利要求7所述的方法,其特征在于,所述基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格的步骤包括:
基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
判断所述线性序列与所述目标序列是否相同;
如果不相同,修正所述目标二手车的价格。
10.根据权利要求9所述的方法,其特征在于,所述修正所述目标二手车的价格的步骤包括:
统计目标车辆的交易数量,得到交易数据量集;
遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
11.一种二手车的定价装置,其特征在于,所述装置包括:
获取单元用于,获取二手车的历史数据,所述历史数据包括二手车的成交价格,以及,所述成交价格的影响因素,所述影响因素包括,第一影响因素,以及,车辆特征;
构建单元用于,根据所述第一影响因素与所述成交价格,构建线性模型,基于所述车辆特征与所述成交价格构建XGBoost模型;
计算单元用于,基于所述线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
12.根据权利要求11所述的装置,其特征在于,所述构建单元包括:
聚类单元用于,聚类所述二手车的历史数据,得到目标线性历史交易数据,所述目标线性历史交易数据包括:目标车型线性建模二手车的成交价格,以及,线性建模二手车目标车型的第一影响因素;
线性构建单元用于,基于所述线性建模二手车的成交价格,以及,线性建模二手车的第一影响因素目标车型成交价格,以及,所述目标车型的第一影响因素,构建线性模型。
13.根据权利要求12所述的装置,其特征在于,所述构建单元还包括:
遍历单元用于,遍历所述历史交易数据,提取车辆特征,所述车辆特征包括:车型配置特征;
XGBoost构建单元用于,基于所述车辆特征,以及,所述成交价格构建XGBoost模型。
14.根据权利要求13所述的装置,其特征在于,所述XGBoost构建单元包括:
赋值单元用于,对所述车型配置特征赋值,得到配置矩阵,所述配置矩阵包括车型配置特征,以及,所述车型配置特征对应的数值;
第一构建单元用于,基于所述配置矩阵,以及,所述成交价格构建XGBoost模型。
15.根据权利要求14所述的装置,其特征在于,所述计算单元包括:
第一校验单元用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第一权重生成单元用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第一计算单元用于,基于线性模型计算目标二手车的价格,得到线性价格,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格。
16.根据权利要求14所述的装置,其特征在于,所述计算单元包括:
第二校验单元用于,基于所述线性模型计算校验二手车的价格,得到校验线性价格,基于所述XGBoost模型计算校验二手车的价格,得到检验XGBoost价格;
第二权重生成单元用于,根据所述检验二手车的成交价格,校验线性价格,以及,所述检验XGBoost价格,计算出线性权重,以及,XGBoost权重;
第二计算单元用于,基于线性模型计算目标二手车的价格,得到线性价格集,基于所述XGBoost模型计算目标二手车的价格,得到XGBoost价格集,所述线性价格集包括至少一个车况的线性价格,所述XGBoost价格集包括至少一个车况的线性价格,根据所述线性权重,以及,XGBoost权重,融合所述线性价格,以及,所述XGBoost价格,计算出目标二手车的价格集;
排序单元用于,排列所述线性价格集中的线性价格,得到线性序列,排列目标二手车的价格集中的目标二手车的价格,得到目标序列;
判断单元用于,判断所述线性序列与所述目标序列是否相同;
第一修正单元用于,如果不相同,修正所述目标二手车的价格。
17.根据权利要求16所述的装置,其特征在于,所述第一修正单元包括:
统计单元用于,统计目标车辆的交易数量,得到交易数据量集;
确定单元用于,遍历所述交易数据量集,确定产生最大交易量的目标车辆为基准车辆;
第二修正单元用于,基于所述基准车辆对应的目标二手车的价格,修正目标二手车的价格。
18.一种二手车的定价系统,其特征在于,所述系统包括:应用平台服务器,与所述应用平台服务器相连接的数据存储服务器,所述数据存储服务器设置在所述平台服务器内部或独立设置,所述应用平台服务器通过互联网与终端相连接;
所述终端用于目标二手车价格的显示;
所述据存储服务器用于相关数据的存储;
所述应用平台服务器用于实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184731.4A CN110232582A (zh) | 2018-03-06 | 2018-03-06 | 一种二手车的定价方法,装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810184731.4A CN110232582A (zh) | 2018-03-06 | 2018-03-06 | 一种二手车的定价方法,装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232582A true CN110232582A (zh) | 2019-09-13 |
Family
ID=67862276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810184731.4A Pending CN110232582A (zh) | 2018-03-06 | 2018-03-06 | 一种二手车的定价方法,装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232582A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070535A (zh) * | 2020-09-03 | 2020-12-11 | 常州微亿智造科技有限公司 | 电动汽车价格预测方法和装置 |
CN112101407A (zh) * | 2020-08-04 | 2020-12-18 | 优车库网络科技发展(深圳)有限公司 | 二手车交易方法、装置、计算机设备及存储介质 |
JP7292362B2 (ja) | 2021-11-30 | 2023-06-16 | 株式会社Zozo | 決定装置、決定方法及び決定プログラム |
CN117372101A (zh) * | 2023-09-28 | 2024-01-09 | 苏州优与汽车科技有限公司 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779187A (zh) * | 2016-11-30 | 2017-05-31 | 广东电网有限责任公司电网规划研究中心 | 电网工程设备材料的价格参数生成方法及装置 |
CN107230113A (zh) * | 2017-08-01 | 2017-10-03 | 江西理工大学 | 一种多模型融合的房产评估方法 |
CN107274231A (zh) * | 2017-06-29 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 数据预测方法及装置 |
CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及系统 |
-
2018
- 2018-03-06 CN CN201810184731.4A patent/CN110232582A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779187A (zh) * | 2016-11-30 | 2017-05-31 | 广东电网有限责任公司电网规划研究中心 | 电网工程设备材料的价格参数生成方法及装置 |
CN107274231A (zh) * | 2017-06-29 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 数据预测方法及装置 |
CN107230113A (zh) * | 2017-08-01 | 2017-10-03 | 江西理工大学 | 一种多模型融合的房产评估方法 |
CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
柴利达 等: "基于大数据的物资价格预测方法探索", 《电力大数据》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101407A (zh) * | 2020-08-04 | 2020-12-18 | 优车库网络科技发展(深圳)有限公司 | 二手车交易方法、装置、计算机设备及存储介质 |
CN112070535A (zh) * | 2020-09-03 | 2020-12-11 | 常州微亿智造科技有限公司 | 电动汽车价格预测方法和装置 |
JP7292362B2 (ja) | 2021-11-30 | 2023-06-16 | 株式会社Zozo | 決定装置、決定方法及び決定プログラム |
CN117372101A (zh) * | 2023-09-28 | 2024-01-09 | 苏州优与汽车科技有限公司 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232582A (zh) | 一种二手车的定价方法,装置及系统 | |
CN108764707A (zh) | 一种数据评估系统以及方法 | |
Folfas | FDI between EU member states: gravity model and taxes | |
CN108280674A (zh) | 一种利用大数据进行二手车估值的方法及系统 | |
Dharmanto et al. | Analysis of tourism preferences in choosing online-base travel agents in Indonesia | |
CN112579900B (zh) | 二手车置换信息推荐方法、系统及设备 | |
CN113052657B (zh) | 一种基于用户行为分析的线上商品智能匹配推荐方法及云服务器 | |
Sun et al. | The impact of regional trade agreements on the quality of export products in China’s manufacturing industry | |
Wan Jasni et al. | Online travel agencies (OTAs) e-service quality, brand image, customer satisfaction and loyalty | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
CN114663167A (zh) | 基于拍品信息的估价方法、装置、电子设备及存储介质 | |
CN106875595A (zh) | 一种pos终端使用地点的确定方法及装置 | |
CN113554350A (zh) | 活跃度评估方法、装置、电子设备及计算机可读存储介质 | |
Jeníček | Sustainable development-indicators. | |
Kaniawati | Marketing Strategy Model In Improving Marketing Performance (Case Study Of Central Small Industry Areas Of Central Cibaduyut Footwears) | |
CN109977152A (zh) | 基于区块链技术的智能匹配方法、系统及存储介质 | |
CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
CN108829750A (zh) | 一种数据质量确定系统以及方法 | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
Bakar et al. | Evaluation of customer intention to visit destination of halal eco-tourism using structural equation modelling | |
CN116758576B (zh) | 基于机器学习的营销信息识别方法、装置、设备和介质 | |
Dai | C2C E-commerce risk assessment based on AHP and fuzzy comprehensive evaluation | |
Nguyen et al. | The Japanese automobile tyre industry under scrutiny | |
Hopfensitz et al. | Conditional rewards for sustainable behavior: targeting lessons from an open access fishery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200518 Address after: Room 323605, building 5, yard 1, Futong East Street, Chaoyang District, Beijing 100102 Applicant after: Youxuan (Beijing) Information Technology Co., Ltd Address before: Room 368, Room 302, No. 211 North Fute Road, China (Shanghai) Free Trade Pilot Area, Pudong New Area, Shanghai, 201315 Applicant before: Youestimate (Shanghai) Information Technology Co., Ltd |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |