CN111383060A - 车辆价格的确定方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种车辆价格的确定方法、装置、电子设备及存储介质，包括：获取待估价的目标车辆的车辆信息；从所述车辆信息中提取出该目标车辆的车辆特征；将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。使用本申请提供的方法，可以实现车辆价格的确定。

Description

车辆价格的确定方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机通信领域，尤其涉及一种车辆价格的确定方法、装置、电子设备及存储介质。

背景技术

目前，随着人民生活水平的提高，汽车更新速度越来越快，二手车交易也越来越频繁。随着二手车市场的蓬勃发展，如何评估二手车价格就成为亟待解决的问题。

在现有的二手车价格的评估技术中，二手车评估师可以依据个人经验对二手车的价格进行评估。但是人工评估二手车价格，会大大降低二手车评估的效率。

发明内容

有鉴于此，本申请提供一种车辆价格的确定方法、装置、电子设备及存储介质，用于实现车辆价格的评估。

具体地，本申请是通过如下技术方案实现的：

根据本申请的第一方面，一种车辆价格的确定方法，所述方法应用于电子设备，所述方法包括：

获取待估价的目标车辆的车辆信息；

从所述车辆信息中提取出该目标车辆的车辆特征；

将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

可选的，所述获取待估价的目标车辆的车辆信息，包括：

响应于接收到的估价请求，获取该估价请求中携带的目标车辆的特有车辆信息；所述特有车辆信息至少包括：目标车辆的车辆描述信息；

在预设的历史数据库中，获取与所述车辆描述信息对应的共有车辆信息；

将所述目标车辆的特有车辆信息和目标车辆的共有车辆信息进行拼接，得到所述目标车辆的车辆信息。

可选的，所述车辆信息包括至少一个数据项；

所述从所述车辆信息中提取出该目标车辆的车辆特征，包括：

对所述车辆信息中的取值异常的数据项的取值进行修正；

对完成修正的数据项的取值进行处理，以使得处理后的取值适用于各估价模型；

对经过了取值处理的车辆信息中的数据项进行组合，得到该目标车辆的至少一个组合数据项，将车辆信息中的数据项以及组合数据项作为车辆特征。

可选的，所述基于各估价模型输出的价格参数，确定目标车辆的价格，包括：

确定所述目标车辆的车型；

在已记录的车型与估价模型的对应关系中，确定该目标车辆的车型对应的估价模型；

将确定出的估价模型输出的价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

可选的，所述车型与估价模型的对应关系通过如下方式记录：

周期性地将本周期内完成交易的车辆信息分别输入至所有估价模型中，并获取各估价模型输出的价格；

分别计算各估价模型输出的价格与该完成交易的车辆的交易价格的误差；

在计算得到的所有误差中，选择最小的误差；

记录所述完成交易的车辆的车型、以及所述最小的误差对应的估价模型的对应关系。

可选的，所述至少两个估价模型包括：第一估价模型和第二估价模型；

所述第一估价模型为基于机器学习技术搭建的模型；

所述第二价格参数模型为基于统计学技术搭建的统计模型；所述统计模型的模型参数可由外部进行调节。

可选的，所述所述第二估价模型为：

其中，P为第二估价模型输出的价格参数；

P_b为估价师基于经验定义的基础价格参数；

T_i为第i个车辆特征，δ_i为第i个车辆特征的权重系数；

θ为预设的常数项。

根据本申请的第二方面，提供一种车辆价格的确定装置，所述装置应用于电子设备，所述装置包括：

获取单元，用于获取待估价的目标车辆的车辆信息；

提取单元，用于从所述车辆信息中提取出该目标车辆的车辆特征；

预测单元，用于将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

确定单元，用于获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

根据本申请的第三方面，提供一种电子设备，所述设备包括可读存储介质和处理器；

其中，所述可读存储介质，用于存储机器可执行指令；

所述处理器，用于读取所述可读存储介质上的所述机器可执行指令，并执行所述指令以实现上述车辆价格的确定方法。

根据本申请的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆价格的确定方法。

由上述描述可知，一方面，由于本申请车辆价格的确定方法不再是人工进行确定，而是由电子设备基于车辆信息自动评估车辆的价格，所以大大提高了车辆价格的确定效率。

另一方面，在本申请中，设置了多个估价模型，在多个估价模型输出价格后，还需要由仲裁模型对多个估价模型输出的价格进行评估，确定出与目标车辆最匹配的价格。由于本申请不是采用单一的估价模型来评估目标车辆的价格，而是通过多个不同方式搭建的估价模型来评估价格，汲取各评估模型的优势、忽略各估价模型的劣势，综合利用各估价模型来评估目标车辆的价格，所以得到的目标车辆的价格更为准确。

附图说明

图1是本申请一示例性实施例示出的一种模型架构的示意图；

图2是本申请一示例性实施例示出的一种车辆价格的确定方法的流程图；

图3是本申请一示例性实施例示出的另一种模型架构的示意图；

图4是本申请一示例性实施例示出的一种车辆价格确定方法的流程图；

图5是本申请一示例性实施例示出的一种电子设备的硬件结构图；

图6是本申请一示例性实施例示出的一种车辆价格确定装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

有鉴于此，本申请提出一种车辆价格的确定方法，在实现时，电子设备获取待估价的目标车辆的车辆信息，并从所述车辆信息中提取出该目标车辆的车辆特征，并将所述车辆特征输入至已训练的至少两个估价模型中，以由各模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同。电子设备可获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

一方面，由于本申请车辆价格的确定方法不再是人工进行确定，而是由电子设备基于车辆信息自动评估车辆的价格，所以大大提高了车辆价格的确定效率。

另一方面，在本申请中，设置了多个估价模型，在多个估价模型输出价格后，还需要由仲裁模型对多个估价模型输出的价格进行评估，确定出与目标车辆最匹配的价格。由于本申请不是采用单一的估价模型来评估目标车辆的价格，而是通过多个不同方式搭建的估价模型来评估价格，汲取各评估模型的优势、忽略各估价模型的劣势，综合利用各估价模型来评估目标车辆的价格，所以得到的目标车辆的价格更为准确。

在介绍本申请提供的车辆价格的确定方法之前，先对本申请涉及的几个概念进行介绍。

1、车辆信息

车辆信息是指与车辆相关的信息。在本申请实施例中，车辆信息可包括如下一种或者几种：车辆的车型信息；车辆的历史交易信息；车辆对应的行业指标信息；车辆的车况信息。这里只是对车辆信息进行示例地说明，在实际应用中，该车辆信息还可包括其他信息，这里不对该车辆信息进行具体地限定。

2、车辆的车型信息

车辆的车型信息是指反映车辆的自有属性信息。比如，车辆的车型信息可包括：车型名称，年款，车系名称，品牌，制造商，燃油类型，官方指导价，变速箱类型，排量，驱动方式，车系类型，座位数，油耗，发动机参数，上下市时间，内饰配置等，这里只是对车辆的车型信息进行实例性地说明，不对其进行具体地限定。

3、车辆的历史交易信息

车辆的历史交易信息是指车辆发生历次交易(比如零售、采购、拍卖等交易)时所产生的信息。比如，该车辆的历史交易信息可包括：上牌时间，上牌地区，里程数，颜色，营运性质，交易时间和交易价格等。这里只是对车辆的历史交易信息进行示例性地说明，在实际应用中，该车辆的历史交易信息还可包括其他内容，这里不进行具体地限定。

4、车辆对应的行业指标信息

车辆对应的行业指标信息可以反映当下的宏观经济指标和汽车行业经济指标。比如，该车辆对应的行业指标信息可包括：新车经销商价格，市场热度，新车销量，二手车销量，保有量，人均GDP，人均可支配收入，车辆评价及口碑，汽车行业指数等。这里只是对车辆对应的行业指标信息进行示例性地说明，不对该行业指标信息进行具体地限定。

5、车辆的车况信息

车况信息是指反应车辆当下状态的信息。比如，该车辆的车况信息可包括：车辆的维护信息、保养信息、出险信息和二手车评估师评估后的车况等级等。这里只是对车况信息进行示例性地说明，不对该车况信息进行具体地限定。

当然，上述车辆信息还可被分为共有车辆信息和特有车辆信息。

共有车辆信息，是指不随着不同车辆和时间变化的信息，比如上述车辆对应的行业指标信息，上述车型信息不会随着时间和车辆的不同而发生变化，所以这两种信息为共有车辆信息。

特有车辆信息，是指随着车辆不同和时间不同而发生变化的信息。比如上述车辆的历史交易信息、车辆的车况信息等为一个车辆的特有车辆信息。

在本申请实施例中，数据库中储存了各车辆均可共享的共有车辆信息。当然，在实际应用中，数据库中还包含了各车辆的车辆信息，这里不对数据库所包含的内容进行具体地限定。

在介绍完上述概念后，下面对本申请提供的模型架构进行介绍。

参见图1，图1是本申请一示例性实施例示出的一种模型架构的示意图。

该模型架构包括：仲裁模型、至少两个估价模型。

1)估价模型

估价模型用于基于车辆的车辆信息，预测出车辆的价格参数。多个估价模型可采用不同的搭建方式进行搭建。

比如，多个估价模型可包括第一估价模型和第二估价模型。

第一估价模型可通过机器学习技术搭建。比如第一估价模型可以基于lightGBM(一种基于梯度提升决策树的模型)算法搭建。该第一估价模型的参数需依据模型训练时的误差进行调节，很难人工调节模型参数。但是，使用机器学习技术搭建的第一估价模型可以使用高维度的特征，并学习到复杂的线性和非线性关系，所以该机器学习模型输出的估价的准确性较高。这里也可以把第一估价模型称之为AI(Artificial Intelligence，人工智能)模型。

第二估价模型可基于统计学技术搭建，第二估计模型可以是统计模型。该统计模型的参数可以由外部进行调节，比如该统计模型训练好之后，估价师可对该估价模型预测出的异常结果进行干预，可以对该统计模型的参数进行调节，使得该统计模型预测出的车辆的价格与车辆更为匹配。由于该第二估价模型的参数可以依据估价师的经验制定，所以第二估价模型可以参考估价师经验，更能反映出车辆的价格。该第二估价模型可被称为HI(Human Intelligence，人类智能)模型。

当然，上述估价模型还可以采用其他形式的搭建方式进行搭建，这里只是对估价模型的搭建方式进行示例性地说明，不对该搭建方式进行具体地限定。

在本申请实施例中，上述估价模是需要提前训练。在本申请中，可以以已完成交易的车辆的车辆信息作为样本，以该已完成交易的车辆的交易价格参数作为标签，对上述估价模型进行训练。

其中，上述价格参数是指用于表示评估出的车辆价格的参数。比如该价格参数可以是评估出的车辆的价格，比如22万。当然，该价格参数也可以评估出的车辆价格与车辆出厂价格的比值、比如，评估出的车辆价格为10万，车辆的出厂价格为20万，则该价格参数为0.5。这里只是对价格参数进行示例性地说明，不对其进行具体地限定。

2)仲裁模型

仲裁模型，用于对至少两个估价模型输出的价格参数进行仲裁，即基于至少两个估价模型输出的价格参数，确定车辆的价格。

该仲裁模型也被称为BI(Business Intelligence，商业智能)模型。

在介绍完上述模型的架构后，下面对本申请提供的车辆价格的确定方法进行详细地说明。

参见图2，图2是本申请一示例性实施例示出的一种车辆价格的确定方法的流程图，该方法可应用在电子设备上。其中，该电子设备可以是服务器、服务器集群、数据中心或者是计算机等，这里不对该电子设备进行具体地限定。

本申请提供的车辆价格的确定方法可包括如下所示步骤。

步骤201：电子设备获取待估价的目标车辆的车辆信息；

步骤202：电子设备从所述车辆信息中提取出该目标车辆的车辆特征；

步骤203：电子设备将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

步骤204：电子设备获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

一方面，由于本申请车辆价格的确定方法不再是人工进行确定，而是由电子设备基于车辆信息自动评估车辆的价格，所以大大提高了车辆价格的确定效率。

另一方面，在本申请中，设置了多个估价模型，在多个估价模型输出价格后，还需要由仲裁模型对多个估价模型输出的价格进行评估，确定出与目标车辆最匹配的价格。由于本申请不是采用单一的估价模型来评估目标车辆的价格，而是通过多个不同方式搭建的估价模型来评估价格，汲取各评估模型的优势、忽略各估价模型的劣势，综合利用各估价模型来评估目标车辆的价格，所以得到的目标车辆的价格更为准确。

在步骤201中，电子设备获取待估价的目标车辆的车辆信息。

在实现时，步骤201可包括步骤2011至步骤2013。

步骤2011：响应于接收到的估价请求，电子设备获取该估价请求中携带的目标车辆的特有车辆信息；所述特有车辆信息包括：目标车辆的车辆描述信息。

用户可在用户终端上输入待估价的目标车辆的特有车辆信息。

比如，特有车辆信息可包括：该目标车辆的描述信息(如目标车辆的车型+年款、车牌号等)、目标车辆的历史交易信息以及目标车辆的车况等。这里只是对目标车辆的特有信息进行示例性地说明，不进行具体地限定。

当用户输入完目标车辆的特有车辆信息后，用户终端可基于目标车辆的特有车辆信息生成估价请求，然后将估价请求发送给电子设备。

电子设备在接收到估价请求后，可响应于该估价请求，并获取该估价请求中携带的目标车辆的特有车辆信息。

步骤2012：在预设的历史数据库中，获取与所述车辆描述信息对应的共有车辆信息。

在实现时，电子设备可获取该目标车辆的特有车辆信息中的车辆描述信息。

然后，电子设备可在预设的历史数据库中，获取与所述车辆描述信息对应的共有车辆信息。

例如，车辆描述信息为目标车辆的车型+年款(如宝马5系2012款523Li豪华型)，电子设备可在该历史数据库中，查找该车型+年款(即宝马5系2012款523Li豪华型)对应的共有车辆信息(比如，该种车辆的发动机参数、变速箱类型、排量、驱动方式、座位数、油耗、上下市时间、内饰配置等)。

步骤2013：电子设备可将所述目标车辆的特有车辆信息和目标车辆的共有车辆信息进行拼接，得到所述目标车辆的车辆信息。

这样实现步骤201的好处在于：用户无需输入待估价的目标车辆的所有车辆信，而只需要输入目标车辆的特有车辆信息，电子设备就从历史数据库中获取到目标车辆的共有车辆信息，从而拼接出完整的车辆信息。这样大大减少了用户的信息输入，大大便捷了用户操作。

由此完成了对于步骤201的描述。

在步骤202中，电子设备从所述车辆信息中提取出该目标车辆的车辆特征。

在实现时，步骤202可包括：步骤2021至步骤2023。

步骤2021：对所述车辆信息中的取值异常的数据项的取值进行修正。

在车辆信息实施例中，中包括多个数据项。比如车辆信息包括：车型信息，历史交易信息、行业指标信息和车况信息。

其中，车型信息中包括多个数据项，多个数据项分别为：车辆的发动机参数、变速箱类型、排量、驱动方式、座位数、油耗、上下市时间、内饰配置等。

历史交易信息中包括多个数据项，多个数据项分别为：上牌时间，上牌地区，里程数，颜色，营运性质，交易时间和交易价格等。

行业指标信息中包括多个数据项，多个数据项分别为：新车经销商价格，市场热度，新车销量，二手车销量，保有量，人均GDP，人均可支配收入，车辆评价及口碑，汽车行业指数等。

车况信息中包括多个数据项，多个数据项分别为：车辆的维护信息、保养信息、出险信息和二手车评估师评估后的车况等级等。

以上这些都可以称之为车辆信息的数据项。上述的每个数据项均有其对应的取值，以及正常的取值范围。

在本申请实施例中，取值缺失和取值不在正常取值范围内的数据项都可以称之为取值异常的数据项。

电子设备可以修正取值异常的数据项。

在修正时，针对取值缺失的数据项，电子设备可以将该取值缺失的数据项的取值补充完整。针对取值异常的数据项，电子设备可以将取值异常的数据项的取值进行修正。

在补充和修正时，电子设备可以采用该数据项对应的正常取值范围内的中位数或者众数来补充和修正。比如，车辆的车龄这一数据项的正常取值范围为0年到8年。假设，获取到的目标车辆的车辆为19年，电子设备可以采用0年到8年中的中位数(即4年)来修正、替换19年。或者，假设大部分车辆的车龄为5年，5年即为众数，电子设备可采用5年来替代19年。

这里只是异常值修正的方式进行示例性地说明，不对其进行具体地限定。当然，在实际应用中，异常值修正还可采用其他方式，比如使用四倍分位距发、n倍标准差等方式来进行修正。或者采用指定专业信息的方式来修正。比如指定纯电动汽车的燃油类型不可能为汽油，若目标车辆为目标车辆，且该目标车辆的燃油类型汽油时，则可基于该指定专业信息进行修正。

步骤2022：电子设备对完成修正的数据项的取值进行处理，以使得处理后的取值适用于各估价模型。

在实现时，数据项的类型通常可分为数值型数据项和离散型数据项。

数值型数据项是指：取值为数字的数据项。比如，里程数为数值型数据项。

离散型数据项是指：取值为有限个类型的取值构成的数据项。比如车辆颜色包括：红、白、蓝、黑、黄、灰、银色等有限个类型数值，所以该车辆颜色为离散型数据项。

在本申请实施例中，电子设备可以基于数据项的类型对应的取值处理方式，处理该数据项的取值。

1、数据项类型为数值型数据项

对于数值型数据项，电子设备可采用离散分箱、分布转换、和/或归一化处理对该数值型数据项进行处理。

1)离散分箱是指：数值型数据项的可能取值范围被预先划分为若干个子范围，每个子范围对应一个数值。电子设备可以确定数值型数据项的取值在哪个子范围里，然后将该数值型数据项的取值转化为该子范围对应的数值。

比如，目标车辆的里程数为1200公里。车辆里程数可能范围为0-10000公里。该车辆里程数被划分5个子范围，如表1所示。

子范围(公里)	数值
		0-2000	1
2001-4000	2
		4001-6000	3
6001-8000	4
		8001-10000	5

表1

由于1200公里属于(0-2000)这个子范围内，所以将目标车辆的里程数的取值转换为1(即0-200这个子范围对应的数值)。

离散分箱的优点包括：离散分箱操作可以防止过拟合，使模型更稳定，对数据异常值缺失值不敏感，减少计算难度。

2)分布转换

分布转换是将数据项的数据分布转换为常用的且估价模型所支持的数据分布(如正态分布)。对数据项分布形式的转换，主要是为适应估价模型所支持的数据分布形式。

3)归一化处理

归一化处理是指将数据项的数值进行归一化处理，从而达到加快训练估价模型时，估价模型的收敛速度或者防止出现估价模型无法收敛的情况，以及在使用估价模型进行价格评估时，提升估价模型的价格评估速率。

2、数据项类型为离散型数据项

对于离散型数据项，电子设备可采用直接编码、独热编码、嵌套等方式来对离散型数据项的取值进行处理。当然，在实际应用中，电子设备还可采用其他取值处理方式，只要能将离散型数据项的取值处理为各估价模型均识别和支持的取值即可。

1)直接编码

直接编码是指将离散型数据项的取值直接用数字进行表征。

比如，车辆颜色有黑色、白色、红色等。假设用0代表黑色，1代表白色，2代表红色。当目标车辆的车辆颜色为白色时，电子设备可将车辆颜色的取值由白色变为1。

2)独热编码

独热编码是另一种编码方式。独热编码是指将数据项所有可能的取值列举出来，每个种可能的取值表示编码中的一位。然后，在对目标车辆的数据项的取值进行编码时，并将该目标车辆的数据项的取值对应的那位编码设置为1，其他位编码设置为0，以此来得到目标车辆的数据项的编码。

假设车辆的车辆颜色的可能取值包括：红色、白色、黑色、蓝色。则该车辆颜色取值的编码包括4位，这4位按照从左到右的顺序分别为第一位、第二位、第三位和第四位。第一位、第二位、第三位和第四位分别与红色、白色、黑色和蓝色对应。

假设目标车辆为黑色，则将第一位取0，第二位取0，第三位取1，第四位取0，则该目标车辆的车辆颜色的编码为0010。

3)词嵌套方式

词嵌套是一种对文本的低维度稠密表示，即用一系列向量来表示一段文本的方法。例如，词嵌套可包括Word2Vec算法，Word2Vec算法提供了”使用周围的词预测中间的词”和”使用中间的词预测周围的词”两种方法。

例如，在本申请实施例中，可使用周围的词预测中间的词这种方式。在实现时，Word2Vec的实现方式是将一段文本分词后使用上文描述的独热编码的形式对分出词语做了转换，再使用神经网络实现了一个简单的语言模型，该语言模型可使用周围的词预测中间的词，而词嵌套是训练这个神经网络后得到的对应的连接层中的参数表。电子设备可依据该参数表对离散型数据项的取值进行处理。

步骤2023：电子设备可对经过了取值处理的车辆信息中的数据项进行组合，得到该目标车辆的至少一个组合数据项，将车辆信息中的数据项以及组合数据项作为车辆特征。

在实现时，电子设备可对不同的数据项进行组合，比如进行一些计算等，得到该目标车辆的至少一个车辆特征。

例如，电子设备的车辆信息中的数据项包括：上牌时间和交易时间。

电子设备可对计算车辆的上牌时间和交易时间的差值，确定该车辆的车龄，并将车龄组合数据项。

然后，电子设备可将上牌时间、交易时间和车龄均作为车辆特征。

在本申请实施例中，数据项组合包括多种方式：比如对不同数据项进行交叉计算，比如计算不同数据项之间的平方、和、乘积等。当然也可以采用预设的组合规则来进行组合。这里不对数据项的组合进行具体地限定。

需要说明的是：由于对数据项进行了组合，所以可以得到更多的车辆特征，由于估价模型所依据的车辆特征更多，所以估价模型输出的目标车辆的价格更为准确。

以上完成了步骤202的描述。

在步骤203中，电子设备将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同。

例如，假设估价模型包括第一估价模型和第二估价模型。

在本申请实施例中，电子设备可将目标车辆的车辆特征输入至第一估价模型中，第一估价模型可以基于目标车辆的车辆特征评估出目标车辆的价格(这里为了方便叙述，称之为第一价格参数)。

电子设备可将目标车辆的车辆特征输入至第二估价模型中，第二估价模型可以基于目标车辆的车辆特征评估出目标车辆的价格(这里为了方便叙述，称之为第二价格参数)。

需要说明的是，在实际应用中，至少两个估价模型并不限于第一估价模型和第二估价模型，这里只是对至少两个估价模型进行示例性地说明，不对其进行具体地限定。

以此完成了步骤203的叙述。

在步骤204中：电子设备获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

实现方式一：

仍以步骤203中的例子为例。

电子设备在获取到第一估价模型输出的第一价格参数、以及第二估价模型输出的第二价格参数后，电子设备可将第一价格参数和第二价格参数发送至仲裁模型。

仲裁模型上记录了车型与估价模型的对应关系。该对应关系是通过如下方式记录的：

仲裁模型可周期性地将本周期内完成交易的车辆信息分别输入至所有估价模型中，并获取各估价模型输出的价格。然后电子设备分别计算各估价模型输出的价格与该完成交易的车辆的交易价格的误差，并在计算得到的所有误差中，选择最小的误差，然后电子设备可记录所述完成交易的车辆的车型、以及所述最小的误差对应的估价模型的对应关系。

例如，假设估价模型包括第一估价模型和第二估价模型，仲裁模型可周期性地将本周期内完成交易的车辆信息分别输入至第一估价模型和第二估价模型。然后，电子设备可计算第一估价模型输出的价格与完成交易的车辆的交易价格的误差(这里记为第一误差)，以及计算第二估价模型输出的价格与完成交易的车辆的交易价格的误差(这里记为第二误差)。

然后，仲裁模型可比较第一误差和第二误差的大小，若第一误差小于第二误差，则记录该已完成交易的车辆的车型与第一估价模型的对应关系。若第一误差大于第二误差，则记录已完成交易的车辆的车型与第二估价模型的对应关系。

在本申请实施例中，当仲裁模型接收到第一估价模型输出的第一价格参数和第二估价模型输出的第二价格参数后，仲裁模型可在已记录的车辆的车型与估价模型的对应关系中，确定该目标车辆的车型对应的估价模型，并在各模型输出的价格参数中，将确定出的估价模型输出的价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

例如，若目标车辆的车型对应的估价模型为第一估价模型，则将第一价格参数转化为价格，作为目标车辆的价格。若目标车辆的车型对应的估价模型为第二估价模型，则将第二价格参数转化为价格，作为目标车辆的价格。

在转化时，若选择出的价格参数为车辆的价格，则直接将该价格参数确定为目标车辆的价格。

若该价格参数为车辆价格与车辆出厂价格的比值，则将该价格参数乘以车辆出厂价格，得到目标车辆的价格。

若该价格参数是由车辆价格通过指定运算得到的值，则在目标车辆的价格时，可将选择出的价格参数按照指定运算进行逆运算，依次得到目标车辆的价格。

这里只是对价格参数转为价格的示例性地说明，不对其进行具体地限定。

实现方式二：

当然，电子设备在获取到各估价模型输出的价格参数后，还可以对各价格参数进行运算，得到目标价格参数，再将目标价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

其中，对各价格参数进行运算可包括：对各价格参数进行加权求和取平均的方式，也可以是其他运算，这里不对其进行具体地限定。

当然，在实际应用中，实现方式一是最优的实现方式。

由上述描述可以看出，一方面，由于本申请车辆价格的确定方法不再是人工进行确定，而是由电子设备基于车辆信息自动评估车辆的价格，所以大大提高了车辆价格的确定效率。

另一方面，在本申请中，设置了多个估价模型，在多个估价模型输出价格后，还需要由仲裁模型对多个估价模型输出的价格进行评估，确定出与目标车辆最匹配的价格。由于本申请不是采用单一的估价模型来评估目标车辆的价格，而是通过多个不同方式搭建的估价模型来评估价格，汲取各评估模型的优势、忽略各估价模型的劣势，综合利用各估价模型来评估目标车辆的价格，所以得到的目标车辆的价格更为准确。

下面结合图3以及图4，并以估价模型包括上述第一估价模型和第二估价模型为例，对上述车辆价格的确定方法进行详细地描述。

参见图3，图3是本申请一示例性实施例示出的另一种模型架构的示意图。

该模型架构可包括：第一估价模型、第二估价模型和仲裁模型。

1)第一估价模型

第一估价模型可通过机器学习技术搭建。比如第一估价模型可以基于lightGBM算法搭建。该第一估价模型的参数需依据模型训练时的误差进行调节，很难人工调节模型参数。

当然，在实际应用中，该第一估价模型也可以由其他算法(如神经网络等)搭建，这里不对该第一估价模型进行具体地限定。

在训练第一估价模型时，可以以已完成交易的车辆的车辆信息作为样本，以该已完成交易的车辆的交易价格参数作为标签，对上述估价模型进行训练。

2)第二估价模型

第二估价模型可基于统计学技术搭建，第二估计模型可以是统计模型。该统计模型的参数可以由外部进行调节，比如该统计模型训练好之后，估价师可对该估价模型预测出的异常结果进行干预，可以对该统计模型的参数进行调节，使得该统计模型预测出的车辆的价格与车辆更为匹配。

例如，该第二估价模型如下所示：

其中，P为第二估价模型输出的价格参数；

P_b为估价师基于经验定义的基础价格参数，当第二估价模型结果出现异常时，估价师可以调节该基础价格参数，以使调整第二估价模型；

T_i为第i个车辆特征，δ_i为第i个车辆特征的权重系数；

θ为预设的常数项。

这里只是对第二估价模型进行示例性地说明，当然该第二估价模型也可以是其他统计模型，这里不进行具体地限定。

3)仲裁模型，用于对至少两个估价模型输出的价格参数进行仲裁，即基于至少两个估价模型输出的价格参数，确定车辆的价格。

参见图4，图4是本申请一示例性实施例示出的一种车辆价格确定方法的流程图。

步骤401：电子设备获取待估价的目标车辆的车辆信息；

具体实现方式可参见步骤201，这里不再赘述。

步骤402：电子设备从所述车辆信息中提取出该目标车辆的车辆特征；

具体实现方式可参见步骤202，这里不再赘述。

步骤403：电子设备将目标车辆的车辆特征输入至第一估价模型中，第一估价模型可以基于目标车辆的车辆特征评估出目标车辆的第一价格参数，以及将目标车辆的车辆特征输入至第二估价模型中，第二估价模型可以基于目标车辆的车辆特征评估出目标车辆的第二价格参数。

这里为了方便叙述，将第一估价模型输出的价格参数记为第一价格参数，将第二估价模型输出的价格参数记为第二价格参数。这里的“第一”、“第二”只是为了方便叙述，并没有实际含义。

步骤404：电子设备可将第一价格参数和第二价格参数输入至仲裁模型，仲裁模型可基于第一价格参数和第二价格参数确定目标车辆的价格。

在实现时，仲裁模型上记录了车型与估价模型的对应关系。该对应关系是通过如下方式记录的：

仲裁模型可周期性地将本周期内完成交易的车辆信息分别输入至第一估价模型和第二估价模型。然后，电子设备可计算第一估价模型输出的价格与完成交易的车辆的交易价格的误差(这里记为第一误差)，以及计算第二估价模型输出的价格与完成交易的车辆的交易价格的误差(这里记为第二误差)。

然后，仲裁模型可比较第一误差和第二误差的大小，若第一误差小于第二误差，则记录该已完成交易的车辆的车型与第一估价模型的对应关系。若第一误差大于第二误差，则记录已完成交易的车辆的车型与第二估价模型的对应关系。

在本申请实施例中，当仲裁模型接收到第一估价模型输出的第一价格参数和第二估价模型输出的第二价格参数后，仲裁模型可在已记录的车辆的车型与估价模型的对应关系中，确定该目标车辆的车型对应的估价模型，并在各模型输出的价格参数中，将确定出的估价模型输出的价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

例如，若目标车辆的车型对应的估价模型为第一估价模型，则将第一价格参数转化为价格，作为目标车辆的价格。若目标车辆的车型对应的估价模型为第二估价模型，则将第二价格参数转化为价格，作为目标车辆的价格。

由以上描述可以看出，由于本申请设置了基于机器学习技术搭建的第一估价模型，以及可参考估价师经验的基于统计学技术搭建的第二估价模型对目标车辆的价格进行评估，在两个模型评估出价格后，还由仲裁模型对两个模型的评估出的价格进行仲裁，充分发挥两个估价模型在价格评估上的优势，大大提高了车辆价格评估的准确性。

参见图5，图5是本申请一示例性实施例示出的一种电子设备的硬件结构图。

该电子设备包括：通信接口501、处理器502、机器可读存储介质503和总线504；其中，通信接口501、处理器502和机器可读存储介质503通过总线504完成相互间的通信。处理器502通过读取并执行机器可读存储介质503中与车辆价格的确定控制逻辑对应的机器可执行指令，可执行上文描述的车辆价格的确定方法。

本文中提到的机器可读存储介质503可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，机器可读存储介质503可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。

参见图6，图6是本申请一示例性实施例示出的一种车辆价格确定装置的框图。该装置可应用在电子设备上，可包括如下所示单元。

获取单元601，用于获取待估价的目标车辆的车辆信息；

提取单元602，用于从所述车辆信息中提取出该目标车辆的车辆特征；

预测单元603，用于将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

确定单元604，用于获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

可选的，所述获取单元601，具体用于响应于接收到的估价请求，获取该估价请求中携带的目标车辆的特有车辆信息；所述特有车辆信息至少包括：目标车辆的车辆描述信息；在预设的历史数据库中，获取与所述车辆描述信息对应的共有车辆信息；将所述目标车辆的特有车辆信息和目标车辆的共有车辆信息进行拼接，得到所述目标车辆的车辆信息。

可选的，所述车辆信息包括至少一个数据项；

所述提取单元602，具体用于对所述车辆信息中的取值异常的数据项的取值进行修正；对完成修正的数据项的取值进行处理，以使得处理后的取值适用于各估价模型；对经过了取值处理的车辆信息中的数据项进行组合，得到该目标车辆的至少一个组合数据项，将车辆信息中的数据项以及组合数据项作为车辆特征。

可选的，所述确定单元604，在所述基于各估价模型输出的价格参数，确定目标车辆的价格时，具体用于确定所述目标车辆的车型；在已记录的车型与估价模型的对应关系中，确定该目标车辆的车型对应的估价模型；将确定出的估价模型输出的价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

可选的，所述车型与估价模型的对应关系通过如下方式记录：

周期性地将本周期内完成交易的车辆信息分别输入至所有估价模型中，并获取各估价模型输出的价格；分别计算各估价模型输出的价格与该完成交易的车辆的交易价格的误差；在计算得到的所有误差中，选择最小的误差；记录所述完成交易的车辆的车型、以及所述最小的误差对应的估价模型的对应关系。

可选的，所述至少两个估价模型包括：第一估价模型和第二估价模型；

所述第一估价模型为基于机器学习技术搭建的模型；

所述第二价格参数模型为基于统计学技术搭建的统计模型；所述统计模型的模型参数可由外部进行调节。

可选的，所述第二估价模型为：

其中，P为第二估价模型输出的价格参数；

P_b为估价师基于经验定义的基础价格参数；

T_i为第i个车辆特征，δ_i为第i个车辆特征的权重系数；

θ为预设的常数项。

可选的，所述目标车辆的车辆信息包括如下一种或几种：

目标车辆的车型信息；

目标车辆的历史交易信息；

目标车辆对应的行业指标信息；

目标车辆的车况信息。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种车辆价格的确定方法，其特征在于，所述方法应用于电子设备，所述方法包括：

获取待估价的目标车辆的车辆信息；

从所述车辆信息中提取出该目标车辆的车辆特征；

将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

2.根据权利要求1所述的方法，其特征在于，所述获取待估价的目标车辆的车辆信息，包括：

响应于接收到的估价请求，获取该估价请求中携带的目标车辆的特有车辆信息；所述特有车辆信息至少包括：目标车辆的车辆描述信息；

在预设的历史数据库中，获取与所述车辆描述信息对应的共有车辆信息；

将所述目标车辆的特有车辆信息和目标车辆的共有车辆信息进行拼接，得到所述目标车辆的车辆信息。

3.根据权利要求1所述的方法，其特征在于，所述车辆信息包括至少一个数据项；

所述从所述车辆信息中提取出该目标车辆的车辆特征，包括：

对所述车辆信息中的取值异常的数据项的取值进行修正；

对完成修正的数据项的取值进行处理，以使得处理后的取值适用于各估价模型；

对经过了取值处理的车辆信息中的数据项进行组合，得到该目标车辆的至少一个组合数据项，将车辆信息中的数据项以及组合数据项作为车辆特征。

4.根据权利要求1所述的方法，其特征在于，所述基于各估价模型输出的价格参数，确定目标车辆的价格，包括：

确定所述目标车辆的车型；

在已记录的车型与估价模型的对应关系中，确定该目标车辆的车型对应的估价模型；

将确定出的估价模型输出的价格参数转化为价格，并将转换出的价格作为目标车辆的价格。

5.根据权利要求4所述的方法，其特征在于，所述车型与估价模型的对应关系通过如下方式记录：

周期性地将本周期内完成交易的车辆信息分别输入至所有估价模型中，并获取各估价模型输出的价格；

分别计算各估价模型输出的价格与该完成交易的车辆的交易价格的误差；

在计算得到的所有误差中，选择最小的误差；

记录所述完成交易的车辆的车型、以及所述最小的误差对应的估价模型的对应关系。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述至少两个估价模型包括：第一估价模型和第二估价模型；

所述第一估价模型为基于机器学习技术搭建的模型；

所述第二价格参数模型为基于统计学技术搭建的统计模型；所述统计模型的模型参数可由外部进行调节。

7.根据权利要求6所述的方法，其特征在于，所述第二估价模型为：

其中，P为第二估价模型输出的价格参数；

P_b为估价师基于经验定义的基础价格参数；

T_i为第i个车辆特征，δ_i为第i个车辆特征的权重系数；

θ为预设的常数项。

8.一种车辆价格的确定装置，其特征在于，所述装置应用于电子设备，所述装置包括：

获取单元，用于获取待估价的目标车辆的车辆信息；

提取单元，用于从所述车辆信息中提取出该目标车辆的车辆特征；

预测单元，用于将所述车辆特征分别输入至已训练的至少两个估价模型中，以由各估价模型基于车辆特征对该目标车辆的价格进行预测；其中，各估价模型的搭建方式不同；

确定单元，用于获取各估价模型输出的价格参数，并将所有输出的价格参数输入至仲裁模型，以由所述仲裁模型基于各估价模型输出的价格参数，确定目标车辆的价格。

9.一种电子设备，其特征在于，所述设备包括可读存储介质和处理器；

其中，所述可读存储介质，用于存储机器可执行指令；

所述处理器，用于读取所述可读存储介质上的所述机器可执行指令，并执行所述指令以实现权利要求1-7任一所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述方法的步骤。

Images