CN111768220A - 生成车辆定价模型的方法和装置 - Google Patents

生成车辆定价模型的方法和装置 Download PDF

Info

Publication number
CN111768220A
CN111768220A CN201910577484.9A CN201910577484A CN111768220A CN 111768220 A CN111768220 A CN 111768220A CN 201910577484 A CN201910577484 A CN 201910577484A CN 111768220 A CN111768220 A CN 111768220A
Authority
CN
China
Prior art keywords
vehicle
training sample
price
training
value
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
Application number
CN201910577484.9A
Other languages
English (en)
Inventor
雷超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201910577484.9A priority Critical patent/CN111768220A/zh
Publication of CN111768220A publication Critical patent/CN111768220A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了生成车辆定价模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个辅助特征值；对训练样本的多个特征值进行修正，使得在修正后的训练样本集合中，辅助特征值与车辆价格具有单调性；确定训练样本的关键特征值对应的车辆均价；将训练样本的关键特征值对应的车辆均价以及修正后的多个辅助特征值作为输入，将训练样本的车辆价格作为输出，训练得到车辆定价模型。该实施方式能够保证车辆定价的准确性，同时使车辆的特征值与车辆价格保持严格单调。

Description

生成车辆定价模型的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及生成车辆定价模型的方法和装置。
背景技术
根据生活经验，二手车辆的很多数量特征(例如，行驶里程、排量、年款等与数值有关的特征)与目标特征(例如，车辆价格)之间应当具备严格单调性。即，在其他特征保持不变时，若数量特征的值增大，则目标特征的值也必须增大(严格单调增)或者减小(严格单调减)。因此，在二手车定价系统中，不仅需要定价系统的指标尽可能好(例如，平均绝对百分率误差MAPE≤10％)，也需要定价系统在这些数量特征变化时，体现出这种严格单调性。否则，定价系统输出的结果很难被解释，从而会严重影响用户对定价系统的信任程度。
目前用于解决数量特征与目标特征之间单调变化的方法主要有线性模型、Xgboost(eXtreme Gradient Boosting，极端梯度提升)模型、TensorFlow Lattice(一个实现了基于快速评估和可解释模型的库，也称为插值查找表)模型等。
发明内容
本申请实施例提出了生成车辆定价模型的方法和装置，确定车辆价格的方法和装置。
第一方面，本申请实施例提供了一种生成车辆定价模型的方法，包括：获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个第一类辅助特征值；对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性；确定训练样本的关键特征值对应的车辆均价；将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
在一些实施例中，对训练样本的多个第一类特征值进行修正，包括：对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组，其中目标辅助特征为多个第一类辅助特征中的任一特征；对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，使得在该第一训练样本组中，目标辅助特征的修正后的值与车辆价格具有单调性。
在一些实施例中，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，包括：在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；使用修正后的值替换目标辅助特征的原始值。
在一些实施例中，确定训练样本的关键特征值对应的车辆均价，包括：将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
在一些实施例中，该方法还包括：对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组；基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价；以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
在一些实施例中，均价生成模型为随机森林模型。
在一些实施例中，多项式线性模型的次数为2。
第二方面，本申请实施例提供了一种确定车辆价格的方法，包括：接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值；将目标车辆的关键特征值和多个第一类辅助特征值输入到采用第一方面中任一实现方式生成的车辆定价模型中，得到目标车辆的价格。
第三方面，本申请实施例提供了一种生成车辆定价模型的装置，包括：获取单元，被配置成获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个第一类辅助特征值；修正单元，被配置成对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性；第一确定单元，被配置成确定训练样本的关键特征值对应的车辆均价；第一训练单元，被配置成将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
在一些实施例中，修正单元包括：聚合模块，被配置成对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组，其中目标辅助特征为多个第一类辅助特征中的任一特征；调整模块，被配置成对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，使得在该第一训练样本组中，目标辅助特征的修正后的值与车辆价格具有单调性。
在一些实施例中，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，包括：在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；使用修正后的值替换目标辅助特征的原始值。
在一些实施例中，第一确定单元具体被配置成将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
在一些实施例中，该装置还包括：聚合单元，被配置成对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组；第二确定单元，被配置成基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价；第二训练单元，被配置成以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
在一些实施例中，均价生成模型为随机森林模型。
在一些实施例中，多项式线性模型的次数为2。
第四方面，本申请实施例提供了一种确定车辆价格的装置，包括：接收单元，被配置成接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值；定价单元，被配置成将目标车辆的关键特征值和多个第一类辅助特征值输入到采用第一方面中任一实现方式描述的方法生成的车辆定价模型中，得到目标车辆的价格。
第五方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面至第二方面中任一实现方式描述的方法。
第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面至第二方面中任一实现方式描述的方法。
本申请实施例提供的生成车辆定价模型的方法和装置，通过获取训练样本集合，之后对训练样本的多个第一类辅助特征值进行修正，然后确定训练样本的关键特征值对应的车辆均价，最后将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入、将训练样本的车辆价格作为输出，训练预设的多项式线性模型得到车辆定价模型，从而实现了通过家居设备控制车辆能够保证车辆定价的准确性，同时使车辆的特征值与车辆价格保持严格单调。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的生成车辆定价模型的方法的一个实施例的流程图；
图3A至图3E是根据本申请的车辆定价模型的测试效果的示意图；
图4是根据本申请的确定车辆价格的方法的一个实施例的流程图；
图5是根据本申请的生成车辆定价模型的装置的一个实施例的结构示意图；
图6是根据本申请的确定车辆价格的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的生成车辆定价模型的方法、确定车辆价格的方法、生成车辆定价模型的装置或确定车辆价格的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信网络或光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如车辆定价应用、浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持车辆定价的各种电子设备，包括但不限于智能手机、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上运行的车辆定价应用提供支持的后台服务器。后台服务器可以对接收到的目标车辆的特征值等数据进行分析等处理，并将处理结果(例如车辆价格)反馈给终端设备101、102、103。
服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的生成车辆定价模型的方法或确定车辆价格的方法一般由终端设备101、102、103执行，相应地，生成车辆定价模型的装置或确定车辆价格的装置一般设置于终端设备101、102、103中。
需要说明的是，系统架构100可以不包括服务器105。当系统架构100不包括服务器105时，终端设备101、102、103可以从本地获取训练样本集合。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意合适数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的生成车辆定价模型的方法的一个实施例的流程200。该生成车辆定价模型的方法可以应用于终端设备，其可以包括以下步骤：
步骤201，获取训练样本集合。
在本实施例中，生成车辆定价模型的方法的执行主体(例如图1的终端设备101、102、103)可以获取训练样本集合。例如，从服务器105获取训练样本集合。其中，训练样本可以包括多个特征值以及与多个特征值对应的车辆价格。上述多个特征值可以包括关键特征值和多个第一类辅助特征值。这里，关键特征可以指影响车辆价格的最主要的特征。关键特征与车辆价格不具有单调性。第一类辅助特征可以指影响车辆价格的次要特征。第一类辅助特征应当与车辆价格具有单调性(然而实践中，在训练样本集合中，由于数据噪声的影响，通常存在第一类辅助特征值与车辆价格不单调的情况)。
这里，单调性可以被理解为：对于自变量的任意两个值a和b，如果有a>b，则因变量f(a)≥f(b)；或者如果有a<b，则因变量f(a)≤f(b),则可以称自变量与因变量存在单调关系，其中前一种情况为单调增，而后一种情况为单调减。
在本实施例的一些可选的实现方式中，关键特征值可以为车系编号。诸如，001(对应“朗逸”)、002(对应“卡罗拉”)、003(对应“轩逸”)等。多个第一类辅助特征值可以包括但不限于：排量、车况、年款、行驶里程、上牌日期等。
步骤202，对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性。
在本实施例中，生成车辆定价模型的方法的执行主体(例如图1的终端设备101、102、103)可以对训练样本集合中的训练样本的多个第一类辅助特征值进行修正，从而使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性。
以排量和车辆价格为例(为了说明的简单起见，将其他特征值省略)，若步骤201获得的训练样本集合包括如下四个训练样本：{排量：1.0，……，车辆价格：10万}、{排量：1.5，……，车辆价格：11万}、{排量：2.0，……，车辆价格：12万}、{排量：1.5，……，车辆价格：13万}。可以看出，由于训练样本{排量：1.5，……，车辆价格：13万}的存在，使得在训练样本集合中，排量与车辆价格不具有单调性。而通过步骤202对训练样本的排量值进行修正后，修正后的训练样本集合可以包括如下四个训练样本：{排量：1.0，……，车辆价格：10万}、{排量：1.5，……，车辆价格：11万}、{排量：2.0，……，车辆价格：12万}、{排量：2.1，……，车辆价格：13万}，即，将第四个训练样本的排量由1.5修正为2.1。可以看出，在修正后的训练样本集合中，排量与车辆价格具有单调性。
本实施例中，可以采用任意合适的方式对训练样本的第一类特征值进行修正。例如，根据车辆价格的比值相应地修正影响单调性的训练样本的第一类辅助特征值。
在本实施例的一些可选的实现方式中，步骤202具体可以包括如下两步：
第一步，对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组。其中，目标辅助特征可以是多个第一类辅助特征中的任一特征。
第二步，对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，使得在该第一训练样本组中，目标辅助特征的修正后的值与车辆价格具有单调性。
可选地，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，具体可以包括：在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；之后，使用修正后的值替换目标辅助特征的原始值。
作为示例，对于大于或等于两个训练样本的第一训练样本组，以车辆价格为x，以排量值为y，进行保序回归，即
Figure BDA0002112468920000081
使得当xi<xj时，yi’<yj’；
其中，n为第一训练样本组中的训练样本数，i为1～n之间的自然数，xi、xj分别为第i个和第j个训练样本的车辆价格，yi为第i个训练样本的排量值，yi’、yj’分别为保序回归产生的修正后的第i个和第j个训练样本的排量值。
然后，使用保序回归产生的修正后的排量值(即，y’)替换原始的排量值(即，y)。
需要说明的是，若第一训练样本组中仅有一个训练样本，则不进行处理。因为一条数据不会引入单调性噪声。
需要说明的是，上述实现方式描述了通过保序回归修正训练样本的第一类辅助特征值，但本申请并不限于此。本领域技术人员应当理解，也可以采用其他方式修正训练样本的第一类辅助特征值。例如，添加单调性约束的支持向量机回归、单调B-spline分位数回归等等。本领域技术人员可以根据实际应用场景的需要进行设置。
步骤203，确定训练样本的关键特征值对应的车辆均价。
在本实施例中，生成车辆定价模型的方法的执行主体(例如图1的终端设备101、102、103)可以确定训练样本的关键特征值对应的车辆均价。作为示例，当关键特征值为车系编号时，上述执行主体可以确定训练样本的车系编号对应的车系均价。
在本实施例的一些可选的实现方式中，步骤203具体可以包括：将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
对应于该实现方式，在步骤203之前，该生成车辆定价模型的方法还可以包括如下步骤：
首先，对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组。例如，将具有车系编号001的训练样本聚合成一个第二训练样本组。
然后，基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价。这里，车辆均价可以是一个价格范围。例如，车系编号001对应的车系均价为9.18万-14.98万。另外，车辆均价也可以是一个具体数值。例如，车系编号001对应的车系均价为13万。
最后，以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
在本实施例的一些可选的实现方式中，上述均价生成模型可以是随机森林模型。
在本实施例的一些可选的实现方式中，上述均价生成模型可以是Xgboost、LightGBM(一个梯度Boosting框架)、BaggingRegressor(套袋回归)、ExtraTreeRegressor(Extremely randomized trees Regressor，极端随机树回归)、DecisionTreeRegressor(决策树回归)、GradientBoostingRegressor(梯度提升回归)、AdaBoostRegressor(自适应回归)、SVR(支持向量回归)等复杂回归模型。
尽管上述实现方式描述了通过将关键特征值输入到均价生成模型中得到对应的车辆均价，但本申请并不限于此。例如，也可以利用训练样本集合中的训练样本直接确定关键特征值对应的车辆均价。
步骤204，将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
在本实施例中，生成车辆定价模型的方法的执行主体(例如图1的终端设备101、102、103)可以将每个训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将与输入特征值对应的车辆价格作为输出，对预设的多项式线性模型进行训练，得到车辆定价模型。例如，将车系均价、排量、车况、年款、行驶里程、上牌日期六个特征值作为输入，车辆价格作为输出，对多项式线性模型进行训练，将训练后的多项式线性模型确定为车辆定价模型。
由于车辆定价模型为多项式线性模型，因此可以保证第一类辅助特征值与车辆价格之间严格单调。
这里，严格单调性可以被理解为：对于自变量的任意两个值a和b，如果有a>b，则因变量f(a)>f(b)；或者如果有a<b，则因变量f(a)<f(b),则可以称自变量与因变量存在严格单调关系，其中前一种情况为严格单调增，而后一种情况为严格单调减。
在本实施例的一些可选的实现方式中，多项式线性模型的次数为2。发明人通过研究发现，当多项式线性模型的次数大于2(例如，3)时，训练出的模型会将训练样本中的噪声学习进去，从而造成给车辆定价的准确率下降。
作为示例，原始输入X为六维向量，形式为：
X＝[x1x2x3x4x5x6]
使用多项式2次扩展后的6个元素的X将变成28个元素的向量X’，其形式为：
X’＝[1x1…x6x1x2…x5x6x1 2…x6 2]
然后对X’、车辆价格y之间构建线性模型，形式如下：
y＝wT X’
其中，w＝[w1w2…w28]。
继续参考图3A至图3E，其示出了采用本申请实施例的方法生成的车辆定价模型的效果示意图。如图3A所示，保持其他特征数值不变，逐渐增大“上牌日期”的值，车辆价格会严格单调减。如图3B所示，保持其他特征数值不变，逐渐增大“行驶里程”的值，车辆价格会严格单调减。如图3C所示，保持其他特征数值不变，逐渐增大“年款”的值，车辆价格会严格单调减。如图3D所示，保持其他特征数值不变，逐渐增大“车况”的值，车辆价格会严格单调减。如图3E所示，保持其他特征数值不变，逐渐增大“排量”的值，车辆价格会严格单调增。同时，车辆定价模型的平均绝对百分率误差MAPE在10％以内，满足模型指标的要求。
与构建车辆价格与车辆的数值特征的线性模型相比，本申请实施例的方法得到的车辆定价模型对数据分布的学习能力更好，对车辆的定价更准确。
与Xgboost模型相比，本申请实施例的方法得到的车辆定价模型能够实现车辆价格与车辆的数值特征的严格单调，提升用户的使用体验。
而与TensorFlow Lattice模型相比，本申请实施例的方法得到的车辆定价模型训练时间较短，适用于特征较多的场景，易于实践。
本申请的上述实施例提供的生成车辆定价模型的方法，通过获取训练样本集合，之后对训练样本的多个第一类辅助特征值进行修正，然后确定训练样本的关键特征值对应的车辆均价，最后将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入、将训练样本的车辆价格作为输出，训练预设的多项式线性模型得到车辆定价模型，从而实现了通过家居设备控制车辆能够保证车辆定价的准确性，同时使车辆的特征值与车辆价格保持严格单调。
进一步参考图4，示出了根据本申请的确定车辆价格的方法的一个实施例的流程400。该确定车辆价格的方法可以应用于终端设备，其可以包括以下步骤：
步骤401，接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值。
在本实施例中，确定车辆价格的方法的执行主体(例如图1的终端设备101、102、103)可以用户提交的目标车辆的多个特征值。其中，上述多个特征值可以包括关键特征值和多个第一类辅助特征值。这里，关键特征可以指影响车辆价格的最主要的特征。关键特征与车辆价格不具有单调性。第一类辅助特征可以指影响车辆价格的次要特征。第一类辅助特征与车辆价格具有单调性。目标车辆可以指待确定价格的车辆(例如，待转让的二手车辆)。
作为示例，关键特征值可以为车系编号。诸如，001(对应“朗逸”)、002(对应“卡罗拉”)、003(对应“轩逸”)等。多个第一类辅助特征值可以为排量、车况、年款、行驶里程、上牌日期等。
步骤402，将目标车辆的关键特征值和多个第一类辅助特征值输入到预先训练的车辆定价模型中，得到目标车辆的价格。
在本实施例中，确定车辆价格的方法的执行主体(例如图1的终端设备101、102、103)可以将步骤401接收的多个特征值输入到训练好的车辆定价模型中，得到目标车辆的价格。这里，车辆定价模型可以是采用图2所示的实施例描述的方法训练而成的。
本申请的上述实施例提供的确定车辆价格的方法，通过接收目标车辆的多个特征值，并将接收的特征值输入到预先训练的车辆定价模型得到目标车辆的价格，使得到的价格与车辆的数量特征之间保持严格单调，从而提升用户的体验。
进一步参考图5，作为对图2所示方法的实现，本申请提供了一种生成车辆定价模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于终端设备。
如图5所示，本实施例的生成车辆定价模型的装置500可以包括获取单元501、修正单元502、第一确定单元503和第一训练单元504。其中，获取单元501可以被配置成获取训练样本集合。其中，训练样本可以包括多个特征值以及与多个特征值对应的车辆价格，多个特征值可以包括关键特征值和多个第一类辅助特征值。修正单元502可以被配置成对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性。第一确定单元503可以被配置成确定训练样本的关键特征值对应的车辆均价。第一训练单元504可以被配置成将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
在本实施例中，生成车辆定价模型的装置500的获取单元501、修正单元502、第一确定单元503和第一训练单元504的具体实现可以参考图2对应的实施例中关于步骤201～步骤204的相关描述，在此不再赘述。
在本实施例的一些可选的实现方式中，上述修正单元502可以包括聚合模块和调整模块。其中，聚合模块可以被配置成对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组。其中，目标辅助特征可以是多个第一类辅助特征中的任一特征。调整模块可以被配置成对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，使得在该第一训练样本组中，目标辅助特征的修正后的值与车辆价格具有单调性。
可选地，对该第一训练样本组中的训练样本的目标辅助特征的值进行修正，具体可以包括：在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；之后，使用修正后的值替换目标辅助特征的原始值。
在本实施例的一些可选的实现方式中，上述第一确定单元503具体可以被配置成：将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
对应于该实现方式，该装置500还可以包括聚合单元、第二确定单元和第二训练单元。其中，聚合单元可以被配置成对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组。第二确定单元可以被配置成基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价。第二训练单元可以被配置成以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
在本实施例的一些可选的实现方式中，上述均价生成模型可以是随机森林模型。
在本实施例的一些可选的实现方式中，多项式线性模型的次数为2。
本申请的上述实施例提供的生成车辆定价模型的装置，通过获取训练样本集合，之后对训练样本的多个第一类辅助特征值进行修正，然后确定训练样本的关键特征值对应的车辆均价，最后将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入、将训练样本的车辆价格作为输出，训练预设的多项式线性模型得到车辆定价模型，从而实现了通过家居设备控制车辆能够保证车辆定价的准确性，同时使车辆的特征值与车辆价格保持严格单调。
进一步参考图6，作为对图4所示方法的实现，本申请提供了一种确定车辆价格的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于终端设备。
如图6所示，本实施例的确定车辆价格的装置600可以包括接收单元601和定价单元602。其中，接收单元601可以被配置成接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值。定价单元602可以被配置成将目标车辆的关键特征值和多个第一类辅助特征值输入到采用图2所示的实施例描述的方法生成的车辆定价模型中，得到目标车辆的价格。
在本实施例中，确定车辆价格的装置600的接收单元601和定价单元602的具体实现可以参考图4对应的实施例中关于步骤401和步骤402的相关描述，在此不再赘述。
本申请的上述实施例提供的确定车辆价格的装置，通过接收目标车辆的多个特征值，并将接收的特征值输入到预先训练的车辆定价模型得到目标车辆的价格，使得到的价格与车辆的数量特征之间保持严格单调，从而提升用户的体验。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1的终端设备101、102、103)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常以下装置可以连接至I/O接口705：包括例如键盘、鼠标或触摸屏、麦克风等的输入装置706；包括例如液晶显示器(LCD)等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述终端设备中所包含的；也可以是单独存在，而未装配入该终端设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该终端设备执行时，使得该终端设备：获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个第一类辅助特征值；对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性；确定训练样本的关键特征值对应的车辆均价；将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。或者，当上述一个或者多个程序被该终端设备执行时，使得该终端设备：接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值；将目标车辆的关键特征值和多个第一类辅助特征值输入到采用图2所示的实施例描述的方法生成的车辆定价模型中，得到目标车辆的价格。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、修正单元、第一确定单元和第一训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取训练样本集合的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种生成车辆定价模型的方法，包括：
获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个第一类辅助特征值；
对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性；
确定训练样本的关键特征值对应的车辆均价；
将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
2.根据权利要求1所述的方法，其中，所述对训练样本的多个第一类特征值进行修正，包括：
对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组，其中所述目标辅助特征为多个第一类辅助特征中的任一特征；
对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的所述目标辅助特征的值进行修正，使得在该第一训练样本组中，所述目标辅助特征的修正后的值与车辆价格具有单调性。
3.根据权利要求2所述的方法，其中，所述对该第一训练样本组中的训练样本的所述目标辅助特征的值进行修正，包括：
在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的所述目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；
使用修正后的值替换所述目标辅助特征的原始值。
4.根据权利要求1所述的方法，其中，所述确定训练样本的关键特征值对应的车辆均价，包括：
将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
5.根据权利要求4所述的方法，其中，所述方法还包括：
对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组；
基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价；
以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
6.一种确定车辆价格的方法，包括：
接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值；
将所述目标车辆的关键特征值和多个第一类辅助特征值输入到采用权利要求1-5中任一所述的方法生成的车辆定价模型中，得到所述目标车辆的价格。
7.一种生成车辆定价模型的装置，包括：
获取单元，被配置成获取训练样本集合，其中训练样本包括多个特征值以及与多个特征值对应的车辆价格，多个特征值包括关键特征值和多个第一类辅助特征值；
修正单元，被配置成对训练样本的多个第一类辅助特征值进行修正，使得在修正后的训练样本集合中，第一类辅助特征值与车辆价格具有单调性；
第一确定单元，被配置成确定训练样本的关键特征值对应的车辆均价；
第一训练单元，被配置成将训练样本的关键特征值对应的车辆均价以及修正后的多个第一类辅助特征值作为输入，将训练样本的车辆价格作为输出，训练预设的多项式线性模型，得到车辆定价模型。
8.根据权利要求7所述的装置，其中，所述修正单元包括：
聚合模块，被配置成对训练样本集合中的训练样本进行聚合，将除了目标辅助特征之外的其他特征的值均相同的训练样本划分到同一训练样本组中，得到多个第一训练样本组，其中所述目标辅助特征为多个第一类辅助特征中的任一特征；
调整模块，被配置成对于多个第一训练样本组中的每个第一训练样本组，若该第一训练样本组中存在至少两个训练样本，对该第一训练样本组中的训练样本的所述目标辅助特征的值进行修正，使得在该第一训练样本组中，所述目标辅助特征的修正后的值与车辆价格具有单调性。
9.根据权利要求8所述的装置，其中，所述对该第一训练样本组中的训练样本的所述目标辅助特征的值进行修正，包括：
在该第一训练样本组中，以训练样本的车辆价格作为自变量、训练样本的所述目标辅助特征的值作为因变量，进行保序回归，得到修正后的值；
使用修正后的值替换所述目标辅助特征的原始值。
10.根据权利要求7所述的装置，其中，所述第一确定单元具体被配置成将训练样本的关键特征值输入到预先训练的均价生成模型中，得到对应的车辆均价。
11.根据权利要求10所述的装置，其中，所述装置还包括：
聚合单元，被配置成对训练样本集合中的训练样本进行聚合，将具有相同关键特征值的训练样本划分到同一训练样本组中，得到多个第二训练样本组；
第二确定单元，被配置成基于每个第二训练样本组中的训练样本的车辆价格确定车辆均价；
第二训练单元，被配置成以关键特征值为输入，以输入的关键特征值对应的车辆均价为输出，训练得到均价生成模型。
12.一种确定车辆价格的装置，包括：
接收单元，被配置成接收用户提交的目标车辆的关键特征值和多个第一类辅助特征值；
定价单元，被配置成将所述目标车辆的关键特征值和多个第一类辅助特征值输入到采用权利要求1-5中任一所述的方法生成的车辆定价模型中，得到所述目标车辆的价格。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910577484.9A 2019-06-28 2019-06-28 生成车辆定价模型的方法和装置 Pending CN111768220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910577484.9A CN111768220A (zh) 2019-06-28 2019-06-28 生成车辆定价模型的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910577484.9A CN111768220A (zh) 2019-06-28 2019-06-28 生成车辆定价模型的方法和装置

Publications (1)

Publication Number Publication Date
CN111768220A true CN111768220A (zh) 2020-10-13

Family

ID=72718369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910577484.9A Pending CN111768220A (zh) 2019-06-28 2019-06-28 生成车辆定价模型的方法和装置

Country Status (1)

Country Link
CN (1) CN111768220A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529104A (zh) * 2020-12-23 2021-03-19 东软睿驰汽车技术（沈阳）有限公司 一种车辆故障预测模型生成方法、故障预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583926A (zh) * 2017-09-29 2019-04-05 优估（上海）信息科技有限公司 一种二手车定价方法装置及系统
CN109816409A (zh) * 2017-11-20 2019-05-28 优估（上海）信息科技有限公司 一种二手车定价方法、装置、设备及计算机可读介质
CN109903071A (zh) * 2017-12-11 2019-06-18 优估（上海）信息科技有限公司 一种二手车定价方法、装置、设备及计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583926A (zh) * 2017-09-29 2019-04-05 优估（上海）信息科技有限公司 一种二手车定价方法装置及系统
CN109816409A (zh) * 2017-11-20 2019-05-28 优估（上海）信息科技有限公司 一种二手车定价方法、装置、设备及计算机可读介质
CN109903071A (zh) * 2017-12-11 2019-06-18 优估（上海）信息科技有限公司 一种二手车定价方法、装置、设备及计算机可读介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529104A (zh) * 2020-12-23 2021-03-19 东软睿驰汽车技术（沈阳）有限公司 一种车辆故障预测模型生成方法、故障预测方法及装置

Similar Documents

Publication Publication Date Title
CN108197652B (zh) 用于生成信息的方法和装置
CORNUET et al. Adaptive multiple importance sampling
CN110263938B (zh) 用于生成信息的方法和装置
JP7206419B2 (ja) 人工知能推奨モデルの特徴処理方法、装置、電子機器、及びコンピュータプログラム
Lee et al. Oracle estimation of a change point in high-dimensional quantile regression
CN111401940B (zh) 特征预测方法、装置、电子设备及存储介质
CN111061956A (zh) 用于生成信息的方法和装置
CN112148582B (zh) 策略测试方法及装置、计算机可读介质和电子设备
JP2022033695A (ja) モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品
CN109726331B (zh) 对象偏好预测的方法、装置和计算机可读介质
CN115130065B (zh) 供应端特征信息处理方法、装置、设备和计算机可读介质
Okhrin et al. gofCopula: Goodness-of-Fit tests for copulae
CN114004425A (zh) 物品流转信息预测模型生成方法、信息生成方法、装置
CN110889725A (zh) 在线广告ctr预估方法、装置、设备及存储介质
Barletta et al. Orthogonal expansions for VIX options under affine jump diffusions
CN111768220A (zh) 生成车辆定价模型的方法和装置
US11100586B1 (en) Systems and methods for callable options values determination using deep machine learning
CN108550019A (zh) 一种简历筛选方法及装置
CN114897607A (zh) 产品资源的数据处理方法及装置、电子设备、存储介质
CN114270341B (zh) 一种数据属性的分组方法、装置、设备及存储介质
CN114595630A (zh) 活动效应评估模型训练方法、装置、计算机设备和介质
CN115550259B (zh) 基于白名单的流量分配方法及相关设备
CN111767290A (zh) 用于更新用户画像的方法和装置
CN113572753B (zh) 基于牛顿冷却定律的用户设备认证方法和装置
EP4198831A1 (en) Automated feature engineering for predictive modeling using deep reinforcement learning

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