CN112070535A - 电动汽车价格预测方法和装置 - Google Patents
电动汽车价格预测方法和装置 Download PDFInfo
- Publication number
- CN112070535A CN112070535A CN202010913252.9A CN202010913252A CN112070535A CN 112070535 A CN112070535 A CN 112070535A CN 202010913252 A CN202010913252 A CN 202010913252A CN 112070535 A CN112070535 A CN 112070535A
- Authority
- CN
- China
- Prior art keywords
- prediction
- price
- data
- model
- models
- 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
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (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
本发明提供一种电动汽车价格预测方法和装置,所述方法包括以下步骤:获取多个电动汽车的属性数据和价格数据以构成样本集,其中,所述样本集包括训练集和测试集;对所述训练集和所述测试集中的数据进行预处理,并对所述训练集和所述测试集中的数据进行特征降维;通过所述训练集训练得到多种预测模型;通过所述测试集测试每种预测模型的预测准确率;获取待预测电动汽车的属性数据,并将所述待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果。本发明能够方便、准确地预测出电动汽车的价格。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种电动汽车价格预测方法、一种电动汽车价格预测装置、一种计算机设备、一种非临时性计算机可读存储介质和一种计算机程序产品。
背景技术
考虑到资源和环境现状,电动汽车逐渐取代燃油汽车已经成为汽车行业未来发展的趋势。
随着电动汽车技术的发展,各类电动汽车不断涌现,如何给电动汽车定价成为了一个新的亟待解决的问题。
发明内容
本发明为解决上述技术问题,提供了一种电动汽车价格预测方法和装置,能够方便、准确地预测出电动汽车的价格。
本发明采用的技术方案如下:
一种电动汽车价格预测方法,包括以下步骤:获取多个电动汽车的属性数据和价格数据以构成样本集,其中,所述样本集包括训练集和测试集;对所述训练集和所述测试集中的数据进行预处理,并对所述训练集和所述测试集中的数据进行特征降维;通过所述训练集训练得到多种预测模型;通过所述测试集测试每种预测模型的预测准确率;获取待预测电动汽车的属性数据,并将所述待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果。
所述预处理包括异常值处理、缺失值处理和数据标准化。
通过PCA(Principal Components Analysis,主成分分析)和/或LDA(LinearDiscriminant Analysis,线性判别式分析)进行特征降维。
根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果,具体包括:比较所述多种预测模型得到的价格预测结果是否相同;如果所述多种预测模型得到的价格预测结果各不相同,则以预测准确率最高的预测模型得到的价格预测结果作为所述最终的价格预测结果;如果所述多种预测模型得到的价格预测结果均相同,则以任一预测模型得到的价格预测结果作为所述最终的价格预测结果;如果所述多种预测模型得到的价格预测结果部分相同、部分不同,则判断所述多种预测模型之间预测准确率的差异度;如果所述多种预测模型之间预测准确率在预设差异度之内,则以数量最多的价格预测结果作为所述最终的价格预测结果;如果所述多种预测模型之间预测准确率在预设差异度之外,则将得到同一种价格预测结果的至少一个预测模型分为一组,并比较每组的平均预测准确率,以及以平均预测准确率最高的组中任一预测模型得到的价格预测结果作为所述最终的价格预测结果。
所述多种预测模型分别为KNN-SVM模型、BP_Fitting模型和LSTM模型。
一种电动汽车价格预测装置,包括:获取模块,所述获取模块用于获取多个电动汽车的属性数据和价格数据以构成样本集,其中,所述样本集包括训练集和测试集;处理模块,所述处理模块用于对所述训练集和所述测试集中的数据进行预处理,并对所述训练集和所述测试集中的数据进行特征降维;训练模块,所述训练模块用于通过所述训练集训练得到多种预测模型;测试模块,所述测试模块用于通过所述测试集测试每种预测模型的预测准确率;初始预测模块,所述初始预测模块用于获取待预测电动汽车的属性数据,并将所述待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;融合预测模块,所述融合预测模块用于根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述电动汽车价格预测方法。
一种非临时性计算机可读存储介质,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上述电动汽车价格预测方法。
一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行上述电动汽车价格预测方法。
本发明的有益效果:
本发明通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
附图说明
图1为本发明实施例的电动汽车价格预测方法的流程图;
图2为本发明一个具体实施例的数据预处理流程示意图;
图3为本发明一个具体实施例的投票融合流程示意图;
图4为本发明实施例的电动汽车价格预测装置的方框示意图。
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。
如图1所示,本发明实施例的电动汽车价格预测方法包括以下步骤:
S1,获取多个电动汽车的属性数据和价格数据以构成样本集,其中,样本集包括训练集和测试集。
在本发明的一个实施例中,电动汽车的属性数据可包括电动汽车的各种配置参数如车身尺寸、电池容量、电机功率等,以及年份等能够影响其价格的属性。电动汽车的价格数据可为价格区间,用相应的标签标示,例如标签0、1、2、3可分别表示10万以下、10至20万、20至30万、30万以上。
在本发明的一个具体实施例中,可收集某电动汽车公司2000条属性-价格样本数据,每条样本数据包含20个属性。其中,1500条作为训练样本构成训练集,500条作为测试样本构成测试集。
S2,对训练集和测试集中的数据进行预处理,并对训练集和测试集中的数据进行特征降维。
在本发明的一个实施例中,预处理包括异常值处理、缺失值处理和数据标准化。
具体地,如图2所示,在输入训练集或测试集中的数据后,首先可进行异常值判断,如判断该数据中的值是否与其他数据存在较大差异,举例而言,某一数据中的电池容量明显远远大于其他数据中的电池容量,则该数据为异常数据。若是,则剔除该数据,否则进一步进行缺失值判断,如判断该数据中的某值是否缺失。若是,则通过指数平滑法进行补全,否则,即该数据不存在异常值且不存在缺失值,对该数据进行标准化处理。
在本发明的一个实施例中,可通过PCA进行特征降维,或者通过LDA进行特征降维,或者通过PCA+LDA进行特征降维,即先后通过PCA和LDA进行特征降维。
S3,通过训练集训练得到多种预测模型。
通过预处理和特征降维后的训练集对相应的神经网络进行训练,可得到相应的预测模型,具体地,以训练集中的属性数据作为输入,并以对应的价格数据作为输出,训练预测网络,得到预测模型。
在本发明的一个实施例中,预测模型为三种,分别为KNN-SVM组合模型、BP_Fitting模型和LSTM模型。
S4,通过测试集测试每种预测模型的预测准确率。
通过将预处理和特征降维后的测试集中的属性数据输入某预测模型,并将得到的输出结果与实际的价格数据进行比较,判断该预测模型的预测结果是否准确,由此,可计算出每种预测模型的预测准确率。
S5,获取待预测电动汽车的属性数据,并将待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果。
将待预测电动汽车的属性数据输入预测模型,预测模型可输出0、1、2、3,即10万以下、10至20万、20至30万、30万以上。
S6,根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果。
具体地,可比较多种预测模型得到的价格预测结果是否相同。如果多种预测模型得到的价格预测结果各不相同,则以预测准确率最高的预测模型得到的价格预测结果作为最终的价格预测结果;如果多种预测模型得到的价格预测结果均相同,则以任一预测模型得到的价格预测结果作为最终的价格预测结果;如果多种预测模型得到的价格预测结果部分相同、部分不同,则判断多种预测模型之间预测准确率的差异度。如果多种预测模型之间预测准确率在预设差异度之内,则以数量最多的价格预测结果作为最终的价格预测结果;如果多种预测模型之间预测准确率在预设差异度之外,则将得到同一种价格预测结果的至少一个预测模型分为一组,并比较每组的平均预测准确率,以及以平均预测准确率最高的组中任一预测模型得到的价格预测结果作为最终的价格预测结果。
以上述三个预测模型KNN-SVM模型、BP_Fitting模型和LSTM模型(下称A、B和C)为例,最终的价格预测结果由投票器中的投票算法确定,如图3所示,在将A、B和C的预测结果输入投票器后,可判断A、B和C的预测结果是否相同。
如果A、B和C的预测结果各不相同,则根据三种预测模型各自的预测准确率排序,输出预测准确率最高的预测模型的预测结果。
如果A、B和C的预测结果均相同,则输出任一预测模型的预测结果。
如果有两个预测模型的预测结果相同且与另一个预测模型的预测结果不同,例如B和C的预测结果相同、A的预测结果不同,假设A、B、C的预测准确率分别为P1、P2、P3,则存在以下两种情况。
(1)如果|P1-((P2+P3)/2)|<ξ,说明三个预测模型的预测准确率差异较小,故采取少数服从多数的原则,选取输出结果多的一类,即以B和C的预测结果为准,输出B或C的预测结果。
(2)如果|P1-((P2+P3)/2)|≥ξ,说明A与其他两个预测模型的预测准确率差异较大,可进一步对P1和(P2+P3)/2的大小进行讨论。若P1>(P2+P3)/2,则以A的预测结果为准,输出A的预测结果;若P1≤(P2+P3)/2,则以B和C的预测结果为准,输出B或C的预测结果。
上述的ξ为表示各模型间预测准确率的差异度的设定值,可根据对差异度大小的要求而设定。
根据本发明实施例的电动汽车价格预测方法,通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
对应上述实施例的电动汽车价格预测方法,本发明还提出一种电动汽车价格预测装置。
如图4所示,本发明实施例的电动汽车价格预测装置包括获取模块10、处理模块20、训练模块30、测试模块40、初始预测模块50和融合预测模块60。其中,获取模块10用于获取多个电动汽车的属性数据和价格数据以构成样本集,其中,样本集包括训练集和测试集;处理模块20用于对训练集和测试集中的数据进行预处理,并对训练集和测试集中的数据进行特征降维;训练模块30用于通过训练集训练得到多种预测模型;测试模块40用于通过测试集测试每种预测模型的预测准确率;初始预测模块50用于获取待预测电动汽车的属性数据,并将待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;融合预测模块60用于根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果。
在本发明的一个实施例中,电动汽车的属性数据可包括电动汽车的各种配置参数如车身尺寸、电池容量、电机功率等,以及年份等能够影响其价格的属性。电动汽车的价格数据可为价格区间,用相应的标签标示,例如标签0、1、2、3可分别表示10万以下、10至20万、20至30万、30万以上。
在本发明的一个具体实施例中,获取模块10可收集某电动汽车公司2000条属性-价格样本数据,每条样本数据包含20个属性。其中,1500条作为训练样本构成训练集,500条作为测试样本构成测试集。
在本发明的一个实施例中,预处理包括异常值处理、缺失值处理和数据标准化。
具体地,处理模块20在输入训练集或测试集中的数据后,首先可进行异常值判断,如判断该数据中的值是否与其他数据存在较大差异,举例而言,某一数据中的电池容量明显远远大于其他数据中的电池容量,则该数据为异常数据。若是,则剔除该数据,否则进一步进行缺失值判断,如判断该数据中的某值是否缺失。若是,则通过指数平滑法进行补全,否则,即该数据不存在异常值且不存在缺失值,对该数据进行标准化处理。
在本发明的一个实施例中,处理模块20可通过PCA进行特征降维,或者通过LDA进行特征降维,或者通过PCA+LDA进行特征降维,即先后通过PCA和LDA进行特征降维。
训练模块30通过预处理和特征降维后的训练集对相应的神经网络进行训练,可得到相应的预测模型,具体地,以训练集中的属性数据作为输入,并以对应的价格数据作为输出,训练预测网络,得到预测模型。
在本发明的一个实施例中,预测模型为三种,分别为KNN-SVM组合模型、BP_Fitting模型和LSTM模型。
测试模块40通过将预处理和特征降维后的测试集中的属性数据输入某预测模型,并将得到的输出结果与实际的价格数据进行比较,判断该预测模型的预测结果是否准确,由此,可计算出每种预测模型的预测准确率。
初始预测模块50将待预测电动汽车的属性数据输入预测模型,预测模型可输出0、1、2、3,即10万以下、10至20万、20至30万、30万以上。
融合预测模块60具体可比较多种预测模型得到的价格预测结果是否相同。如果多种预测模型得到的价格预测结果各不相同,则以预测准确率最高的预测模型得到的价格预测结果作为最终的价格预测结果;如果多种预测模型得到的价格预测结果均相同,则以任一预测模型得到的价格预测结果作为最终的价格预测结果;如果多种预测模型得到的价格预测结果部分相同、部分不同,则判断多种预测模型之间预测准确率的差异度。如果多种预测模型之间预测准确率在预设差异度之内,则以数量最多的价格预测结果作为最终的价格预测结果;如果多种预测模型之间预测准确率在预设差异度之外,则将得到同一种价格预测结果的至少一个预测模型分为一组,并比较每组的平均预测准确率,以及以平均预测准确率最高的组中任一预测模型得到的价格预测结果作为最终的价格预测结果。
融合预测模块60对上述三个预测模型的投票融合过程参照上述电动汽车价格预测方法的实施例,在此不再赘述。
根据本发明实施例的电动汽车价格预测装置,通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
对应上述实施例,本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行该计算机程序时,可实现根据本发明上述实施例所述的电动汽车价格预测方法。
根据本发明实施例的计算机设备,处理器执行存储在存储器上的计算机程序时,通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
对应上述实施例,本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时可实现根据本发明上述实施例所述的电动汽车价格预测方法。
根据本发明实施例的非临时性计算机可读存储介质,处理器执行存储在其上的计算机程序时,通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
对应上述实施例,本发明还提出一种计算机程序产品。
当本发明实施例的计算机程序产品中的指令由处理器执行时,可执行根据本发明上述实施例所述的电动汽车价格预测方法。
根据本发明实施例的计算机程序产品,处理器执行其中的指令时,通过获取多个电动汽车的属性数据和价格数据以构成训练集和测试集,通过训练集训练得到多种预测模型,并通过测试集测试每种预测模型的预测准确率,以及根据每种预测模型的预测准确率和价格预测结果对多种预测模型进行投票融合,以确定最终的价格预测结果,由此,能够方便、准确地预测出电动汽车的价格。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种电动汽车价格预测方法,其特征在于,包括以下步骤:
获取多个电动汽车的属性数据和价格数据以构成样本集,其中,所述样本集包括训练集和测试集;
对所述训练集和所述测试集中的数据进行预处理,并对所述训练集和所述测试集中的数据进行特征降维;
通过所述训练集训练得到多种预测模型;
通过所述测试集测试每种预测模型的预测准确率;
获取待预测电动汽车的属性数据,并将所述待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;
根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果。
2.根据权利要求1所述的电动汽车价格预测方法,其特征在于,所述预处理包括异常值处理、缺失值处理和数据标准化。
3.根据权利要求1所述的电动汽车价格预测方法,其特征在于,通过PCA和/或LDA进行特征降维。
4.根据权利要求1-3中任一项所述的电动汽车价格预测方法,其特征在于,根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果,具体包括:
比较所述多种预测模型得到的价格预测结果是否相同;
如果所述多种预测模型得到的价格预测结果各不相同,则以预测准确率最高的预测模型得到的价格预测结果作为所述最终的价格预测结果;
如果所述多种预测模型得到的价格预测结果均相同,则以任一预测模型得到的价格预测结果作为所述最终的价格预测结果;
如果所述多种预测模型得到的价格预测结果部分相同、部分不同,则判断所述多种预测模型之间预测准确率的差异度;
如果所述多种预测模型之间预测准确率在预设差异度之内,则以数量最多的价格预测结果作为所述最终的价格预测结果;
如果所述多种预测模型之间预测准确率在预设差异度之外,则将得到同一种价格预测结果的至少一个预测模型分为一组,并比较每组的平均预测准确率,以及以平均预测准确率最高的组中任一预测模型得到的价格预测结果作为所述最终的价格预测结果。
5.根据权利要求4所述的电动汽车价格预测方法,其特征在于,所述多种预测模型分别为KNN-SVM模型、BP_Fitting模型和LSTM模型。
6.一种电动汽车价格预测装置,其特征在于,包括:
获取模块,所述获取模块用于获取多个电动汽车的属性数据和价格数据以构成样本集,其中,所述样本集包括训练集和测试集;
处理模块,所述处理模块用于对所述训练集和所述测试集中的数据进行预处理,并对所述训练集和所述测试集中的数据进行特征降维;
训练模块,所述训练模块用于通过所述训练集训练得到多种预测模型;
测试模块,所述测试模块用于通过所述测试集测试每种预测模型的预测准确率;
初始预测模块,所述初始预测模块用于获取待预测电动汽车的属性数据,并将所述待预测电动汽车的属性数据分别输入每种预测模型,以得到相应的价格预测结果;
融合预测模块,所述融合预测模块用于根据每种预测模型的预测准确率和价格预测结果对所述多种预测模型进行投票融合,以确定最终的价格预测结果。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现根据权利要求1-5中任一项所述的电动汽车价格预测方法。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1-5中任一项所述的电动汽车价格预测方法。
9.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由处理器执行时,执行根据权利要求1-5中任一项所述的电动汽车价格预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913252.9A CN112070535A (zh) | 2020-09-03 | 2020-09-03 | 电动汽车价格预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913252.9A CN112070535A (zh) | 2020-09-03 | 2020-09-03 | 电动汽车价格预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070535A true CN112070535A (zh) | 2020-12-11 |
Family
ID=73665979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913252.9A Pending CN112070535A (zh) | 2020-09-03 | 2020-09-03 | 电动汽车价格预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218537A (zh) * | 2021-05-25 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
CN108154275A (zh) * | 2017-12-29 | 2018-06-12 | 广东数鼎科技有限公司 | 基于大数据的汽车残值预测模型及预测方法 |
CN109409442A (zh) * | 2018-11-21 | 2019-03-01 | 电子科技大学 | 迁移学习中卷积神经网络模型选择方法 |
CN109636017A (zh) * | 2018-11-29 | 2019-04-16 | 深圳昆腾信息科技有限公司 | 一种金融交易价格预测方法、装置、介质及设备 |
CN110033312A (zh) * | 2019-03-13 | 2019-07-19 | 平安城市建设科技(深圳)有限公司 | 房价预测模型的生成方法、装置、设备及存储介质 |
CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估(上海)信息科技有限公司 | 一种二手车的定价方法,装置及系统 |
CN110555526A (zh) * | 2019-08-20 | 2019-12-10 | 北京迈格威科技有限公司 | 神经网络模型训练方法、图像识别方法和装置 |
US10515401B1 (en) * | 2019-02-19 | 2019-12-24 | Capital One Services, Llc | Utilizing machine learning to generate vehicle information for a vehicle captured by a user device in a vehicle lot |
CN111242358A (zh) * | 2020-01-07 | 2020-06-05 | 杭州策知通科技有限公司 | 一种双层结构的企业情报流失预测方法 |
CN111383060A (zh) * | 2020-03-18 | 2020-07-07 | 浙江大搜车软件技术有限公司 | 车辆价格的确定方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-03 CN CN202010913252.9A patent/CN112070535A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
CN108154275A (zh) * | 2017-12-29 | 2018-06-12 | 广东数鼎科技有限公司 | 基于大数据的汽车残值预测模型及预测方法 |
CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估(上海)信息科技有限公司 | 一种二手车的定价方法,装置及系统 |
CN109409442A (zh) * | 2018-11-21 | 2019-03-01 | 电子科技大学 | 迁移学习中卷积神经网络模型选择方法 |
CN109636017A (zh) * | 2018-11-29 | 2019-04-16 | 深圳昆腾信息科技有限公司 | 一种金融交易价格预测方法、装置、介质及设备 |
US10515401B1 (en) * | 2019-02-19 | 2019-12-24 | Capital One Services, Llc | Utilizing machine learning to generate vehicle information for a vehicle captured by a user device in a vehicle lot |
CN110033312A (zh) * | 2019-03-13 | 2019-07-19 | 平安城市建设科技(深圳)有限公司 | 房价预测模型的生成方法、装置、设备及存储介质 |
CN110555526A (zh) * | 2019-08-20 | 2019-12-10 | 北京迈格威科技有限公司 | 神经网络模型训练方法、图像识别方法和装置 |
CN111242358A (zh) * | 2020-01-07 | 2020-06-05 | 杭州策知通科技有限公司 | 一种双层结构的企业情报流失预测方法 |
CN111383060A (zh) * | 2020-03-18 | 2020-07-07 | 浙江大搜车软件技术有限公司 | 车辆价格的确定方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218537A (zh) * | 2021-05-25 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
CN113218537B (zh) * | 2021-05-25 | 2024-04-05 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6245692B2 (ja) | 電池状態判定装置及び電池状態判定方法 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109752646B (zh) | 车载直流接触器评估与预警方法、装置、设备 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
CN112069316B (zh) | 情绪识别方法和装置 | |
CN114397579A (zh) | 电池数据处理方法、装置、设备、介质及程序产品 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN117471227B (zh) | 汽车线束参数性能测试方法及测试系统 | |
CN112070535A (zh) | 电动汽车价格预测方法和装置 | |
CN111144021A (zh) | 一种燃料电池寿命预测方法及系统 | |
CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
CN117783872A (zh) | 动力电池的数据异常检测方法、装置、服务器及存储介质 | |
US20210063459A1 (en) | Apparatus and method for analyzing cause of failure due to dielectric breakdown on basis of big data | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
CN112214934A (zh) | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
CN117436608A (zh) | 光伏发电健康评估方法及装置 | |
CN114818502B (zh) | 一种性能测试数据的分析方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |