CN111461219A - 一种基于光滑支撑向量回归融合的二手车估值方法 - Google Patents

Abstract

本发明公开了一种基于光滑支撑向量回归融合的二手车估值方法，包括以下步骤：获取二手车交易时的成交价格作为数据源，对数据源进行加工、清洗和脱敏；将脱敏后的数据源中的成交价格作为输入向量x并根据不同的影响因素进行分类，所述影响因素作为相对变量y，形成集合s{x_i，y_i}；对所述集合进行约束优化；应用机器学习技术与光滑支撑向量回归及性能融合，得到融合预测模型，采用所述模型进行分析，得到二手车预测成交价格。通过利用光滑支撑向量回归算法约束优化数据源的集合，采用机器学习技术与光滑支撑向量回归算法进行融合，能够解决数据源约束优化后，预测基于越来越旧的统计参数值，从而导致二手车估价不够准确的技术问题。

Description

一种基于光滑支撑向量回归融合的二手车估值方法

技术领域

本发明涉及二手车估值方法，具体涉及一种基于光滑支撑向量回归融合的二手车估值方法。

背景技术

近年来，我国二手车交易量迅速扩大，2000年成交量只有25万辆，到2018年己达到1382万辆。规模庞大的中底层收入者是二手车的重要消费群体。二手车市场规模不断扩大的同时，我国二手车市场的价格评估体系却暴露出不适应市场需求的问题，价格评估中的随意性及较多的人为因素，影响了对二手车的合理评估，制约着二手车市场的有序发展。反观国外发达国家，二手车市场能够持续健康稳定地发展是与其合理的价格评估系统密不可分。目前，我国二手车市场仍有巨大的发展空间，二手车市场的有序发展也有利于新车市场以及整个汽车产业的良性发展。但是现有技术中的二手车估值方法都具有数据处理不是很干净，噪声太大，估值不准确，不符合市场规律的问题

发明内容

本发明的目的在于提供一种具有更快的收敛速度、更好的拟合精度和良好的预测性能的、基于光滑支撑向量回归融合的二手车估值方法，以解决上述背景技术中的不能精确地将数据源中的成交价格与影响因素进行约束、解决数据源约束优化后，预测基于越来越旧的统计参数值，从而导致二手车估价不够准确的技术问题。

为实现上述目的，本发明提供如下技术方案：一种基于光滑支撑向量回归融合的二手车估值方法，包括以下步骤：

S1：获取二手车交易时的成交价格作为数据源，对数据源进行加工、清洗和脱敏；

S2：将脱敏后的数据源中的成交价格作为输入向量x，x_i∈R^d，i＝1,2,……,m，并根据不同的影响因素进行分类，所述影响因素作为相对变量y，y_i∈R，i＝1,2,……,m，形成集合s{x_i，y_i}；

S3：对所述集合进行约束优化；

S4：应用机器学习技术与光滑支撑向量回归及性能融合，得到融合预测模型，采用所述模型进行分析，得到二手车预测成交价格。

进一步地，所述影响因素为二手车的成交时间、二手车的型号、二手车的车系、二手车上牌时间、二手车的行驶里程、二手车耗油率。

进一步地，所述步骤S3中的约束优化具体包括以下步骤：

S31：建立所述数据源中的成交价格的线性函数f(x,w)＝W^Tx+b，其中w作为加权系数矩阵，b为误差项；

S32：建立所述输入向量与所述相对变量之间的ε-不敏感损失函数：

S33：赋予控制加权常数c，以控制输入向量x处于近似误差与权重向量范数||w||之间：

通过S32步骤建立ε-不敏感损失函数之后，可以使线性聚集函数f(x,w)通过同时S34步骤最小化||w²||和线性ε-不敏感损失函数之和被估计；

S34：建立约束S33步骤得到的R值：

(w^Tx+b)-y_i≤ε+ξ_i

其中ξ_i，

i＝1,2,……,m

ξ_i和

为松弛变量，

超过目标值，ξ_i低于目标值，所述目标值超过ε；

S35：通过对所述集合进行约束优化，利用光滑支撑向量回归算法将输入向量x_i∈R^d映射到高维特征空间Φ(x_i)∈H，建立核函数K(x_i，y_i)执行映射Φ(·)，将所述影响因素y_i代入所述核函数K(x_i，y_i)中，得到约束优化后的所述集合。

进一步地，所述核函数K(x_i，y_i)为多项式函数：

K(x_i，y_i)＝(x_i·y_i+1)^d，其中d是多项式函数的次数。

进一步地，所述核函数K(x_i，y_i)为径向基函数：

K(x_i，y_i)＝exp(-γ||x_i-y_i||)，其中γ是径向基函数的常数。

进一步地，所述机器学习技术为人工神经网络算法、随机森林算法、支持向量机算法中的一种。

进一步地，所述S2步骤中的形成集合采用如下公式：

其中α为加权系数。

与现有技术相比，本发明的有益效果是：

1)通过利用光滑支撑向量回归算法，利用拉格朗日理论和Karush-Kuhn-Tucker条件求解上述约束优化问题，得到回归函数的期望权向量，能够最小化S34步骤得到的R值，进一步对无效数据去噪，进而优化了数据源的数据干净程度，使估值更加准确，同时光滑支撑向量回归方法具有更快的收敛速度、更好的拟合精度和良好的预测性能，能够更精确地将数据源中的成交价格与影响因素进行约束、优化。

2)通过利用光滑支撑向量回归算法约束优化数据源的集合，利用多项式函数或者径向基函数，通过引入线性ε-不敏感损失函数，重新构造目标函数，并根据拉格朗日优化理论推导出新的鲁棒模糊聚类神经网络后，采用人工神经网络算法、随机森林算法、支持向量机算法等机器学习技术中的一种与光滑支撑向量回归算法进行融合，能够减少数据源约束优化后，预测基于越来越老的统计参数值，因此二手车估价不够准确的技术问题。

附图说明

图1为本发明提供的基于光滑支撑向量回归融合的二手车估值方法的流程示意图。

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、完整地描述，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。

本发明提供的一种基于光滑支撑向量回归融合的二手车估值方法，包括以下步骤：

S1：获取二手车交易时的成交价格作为数据源，对数据源进行加工、清洗和脱敏；

S2：将脱敏后的数据源中的成交价格作为输入向量x，x_i∈R^d，i＝1,2,……,m，并根据不同的影响因素进行分类，所述影响因素作为相对变量y，y_i∈R，i＝1,2,……,m，形成集合s{x_i，y_i}；

S3：对所述集合进行约束优化；

S4：应用机器学习技术与光滑支撑向量回归及性能融合，得到融合预测模型，采用所述模型进行分析，得到二手车预测成交价格。

其中，步骤S3中的约束优化具体包括以下步骤：

S31：建立所述数据源中的成交价格的线性函数f(x,w)＝w^Tx+b，其中w作为加权系数矩阵，b为误差项；

S32：建立所述输入向量与所述相对变量之间的ε-不敏感损失函数：

S33：赋予控制加权常数c，以控制输入向量x处于近似误差与权重向量范数||w||之间：

通过S32步骤建立ε-不敏感损失函数之后，可以使线性聚集函数f(x,w)通过同时S34步骤最小化||w²||和线性ε-不敏感损失函数之和被估计；

S34：建立约束S33步骤得到的R值：

(w^Tx+b)-y_i≤ε+ξ_i

其中ξ_i，

i＝1,2,……,m

ξ_i和

为松弛变量，

超过目标值，ξ_i低于目标值，所述目标值超过ε；

通过S34步骤的最优化限制，利用拉格朗日理论和Karush-Kuhn-Tucker条件求解上述约束优化问题，得到回归函数的期望权向量，能够最小化S34步骤得到的R值，进一步对无效数据去噪；

S35：通过对所述集合进行约束优化，利用光滑支撑向量回归算法将输入向量x_i∈R^d映射到高维特征空间Φ(x_i)∈H，建立核函数K(x_i，y_i)执行映射Φ(·)，将所述影响因素y_i代入所述核函数K(x_i，y_i)中，得到约束优化后的所述集合。

进一步地，所述核函数K(x_i，y_i)为多项式函数：

K(x_i，y_i)＝(x_i·y_i+1)^d，其中d是多项式函数的次数。

进一步地，所述核函数K(x_i，y_i)为径向基函数：

K(x_i，y_i)＝exp(-γ||x_i-y_i||)，其中γ是径向基函数的常数。

通过引入线性ε-不敏感损失函数，重新构造网络的目标函数，并根据拉格朗日优化理论推导出新的鲁棒模糊聚类神经网络。

进一步地，所述机器学习技术为人工神经网络算法、随机森林算法、支持向量机算法中的一种。

进一步地，所述S2步骤中的形成集合采用如下公式：

其中α为加权系数。

进一步地，其中影响因素为二手车的成交时间、二手车的型号、二手车的车系、二手车上牌时间、二手车的行驶里程、二手车耗油率。

光滑支撑向量回归方法具有更快的收敛速度、更好的拟合精度和良好的预测性能，能够更精确地将数据源中的成交价格与影响因素进行约束、优化。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，包括以下步骤：

S1：获取二手车交易时的成交价格作为数据源，对数据源进行加工、清洗和脱敏；

S2：将脱敏后的数据源中的成交价格作为输入向量x，x_i∈R^d，i＝1,2,……,m，并根据不同的影响因素进行分类，所述影响因素作为相对变量y，y_i∈R，i＝1,2,……,m，形成集合s{x_i，y_i}；

S3：对所述集合进行约束优化；

S4：应用机器学习技术与光滑支撑向量回归及性能融合，得到融合预测模型，采用所述模型进行分析，得到二手车预测成交价格。

2.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述影响因素为二手车的成交时间、二手车的型号、二手车的车系、二手车上牌时间、二手车的行驶里程、二手车耗油率。

3.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述步骤S3中的约束优化具体包括以下步骤：

S31：建立所述数据源中的成交价格的线性函数f(x,w)＝W^Tx+b，其中w作为加权系数矩阵，b为误差项；

S32：建立所述输入向量与所述相对变量之间的ε-不敏感损失函数：

S33：赋予控制加权常数c，以控制输入向量x处于近似误差与权重向量范数||W||之间：

通过S32步骤建立ε-不敏感损失函数之后，可以使线性聚集函数f(x,w)通过同时S34步骤最小化||W²||和线性ε-不敏感损失函数之和被估计；

S34：建立约束S33步骤得到的R值：

(W^Tx+b)-y_i≤ε+ξ_i

其中ξ_i，

ξ_i和

为松弛变量，

超过目标值，ξ_i低于目标值，所述目标值超过ε；

S35：通过对所述集合进行约束优化，利用光滑支撑向量回归算法将输入向量x_i∈R^d映射到高维特征空间Φ(x_i)∈H，建立核函数K(x_i，y_i)执行映射Φ(·)，将所述影响因素y_i代入所述核函数K(x_i，y_i)中，得到约束优化后的所述集合。

4.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述核函数K(x_i，y_i)为多项式函数：

K(x_i，y_i)＝(x_i·y_i+1)^d，其中d是多项式函数的次数。

5.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述核函数K(x_i，y_i)为径向基函数：

K(x_i，y_i)＝exp(-γ||x_i-y_i||)，其中γ是径向基函数的常数。

6.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述机器学习技术为人工神经网络算法、随机森林算法、支持向量机算法中的一种。

7.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述S2步骤中的形成集合采用如下公式：

其中α为加权系数。

Images