CN112101998A - 残值确定方法、模型获取方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供了一种残值确定方法、模型获取方法、装置、设备及存储介质，物品残值确定方法包括：获取目标物品的特征数据，目标物品的特征数据用于表征目标物品在多种维度下的信息。将特征数据输入预先训练获取的目标预测模型，得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。输出目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。该方法在模型预测出的具体残值存在小幅的误差的情况下，也可以使得用户基于残值的置信区间对物品残值得以准确全面的了解，从而极大提升用户感受。

Description

残值确定方法、模型获取方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域中的大数据及人工智能技术领域，具体而言，涉及一种残值确定方法、模型获取方法、装置、设备及存储介质。

背景技术

随着社会的不断发展以及汽车行业的不断完善，汽车的购买量急剧上升。随着汽车购买量的不断上升，人们对于汽车未来的保值情况尤为关注。而汽车的残值受车龄、车况、配置等多种因素的影响，因此，对于汽车的残值预测的难度较大。因此，如何进行准确的汽车残值预测，是亟待解决的问题。

现有技术中，提出了一种利用机器学习模型自动对电动汽车进行残值预测的方法。该方法使用预设的训练集训练机器学习模型，并由机器学习模型基于电动汽车的特征数据得到电动汽车的残值率。

但是，现有的方法仅能输出电动汽车的具体残值率，该具体残值率可能存在一定的误差，因此，可能导致用户获知的残值信息不够准确全面，进而导致用户的体验不佳。

发明内容

有鉴于此，本申请实施例的目的在于提供一种残值确定方法、模型获取方法、装置、设备及存储介质，以解决现有技术中具体残值率存在一定误差时用户无法准确全面获知残值信息的问题。

第一方面，本申请提供一种物品残值确定方法，包括：

获取目标物品的特征数据，所述目标物品的特征数据用于表征所述目标物品在多种维度下的信息。

将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

输出所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述目标物品的特征数据包括：所述目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

一种可能的方式中，所述历史交易结果维度的特征数据包括：时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于所述目标物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对所述目标物品对应的历史实际残值的熵值计算得到。

一种可能的方式中，所述方法还包括：

根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限，所述关联物品与所述目标物品在所述预设特征上的特征数据不同，并且，所述关联物品与所述目标物品在除所述预设特征之外的特征上的特征数据相同。

一种可能的方式中，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

所述将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限，包括：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限，包括：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述残值预测模型输出的预测残值率、所述残值上限预测模型输出的残值率上限以及所述残值下限预测模型输出的残值率下限。

根据所述预测残值率、所述残值率上限、所述残值率下限以及所述目标物品的原始价值，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述获取目标物品的特征数据，包括：

获取所述目标物品的基础属性信息。

根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据。

将所述与所述基础属性信息匹配的多个特征数据作为所述目标物品的特征数据。

一种可能的方式中，所述根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据之前，还包括：

从多个数据源平台获取原始数据，所述原始数据包括多种目标物品在多种维度的信息。

对所述原始数据进行格式转换，得到预设格式的数据。

对所述预设格式的数据进行处理，得到多种目标物品的特征数据，所述处理至少包括：统计、编码。

第二方面，本申请提供一种残值预测模型的训练获取方法，包括：

采集获取训练样本，所述训练样本标记有：物品的特征数据以及物品的残值信息，所述物品的特征数据用于表征物品在多种维度下的信息。

采用所述训练样本，训练得到目标预测模型，所述目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

一种可能的方式中，所述物品的特征数据包括：物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

一种可能的方式中，所述历史交易结果维度的特征数据包括：残值时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对物品对应的历史实际残值的熵值计算得到。

一种可能的方式中，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

所述采用所述训练样本，训练得到目标预测模型，包括：

采用所述训练样本，分别训练得到所述残值预测模型、所述残值上限预测模型以及所述残值下限预测模型，所述残值预测模型用于获取物品的预测残值，所述残值上限预测模型用于获取物品的残值上限，所述残值下限预测模型用于获取物品的残值下限。

一种可能的方式中，所述方法还包括：

使用预测错误样本，修正得到所述目标预测模型。

一种可能的方式中，所述方法还包括：

根据所述目标预测模型的评价结果，确定所述目标预测模型的可信度信息，所述评价结果包括：召回率、精确率以及曲线下面积指标；

根据所述可信度信息，修正所述目标预测模型。

第三方面，本申请提供一种物品残值确定装置，包括：

获取模块，用于获取目标物品的特征数据，所述目标物品的特征数据用于表征所述目标物品在多种维度下的信息。

处理模块，用于将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

输出模块，用于输出所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述目标物品的特征数据包括：所述目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

一种可能的方式中，所述历史交易结果维度的特征数据包括：时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于所述目标物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对所述目标物品对应的历史实际残值的熵值计算得到。

一种可能的方式中，所述处理模块还用于：

根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限，所述关联物品与所述目标物品在所述预设特征上的特征数据不同，并且，所述关联物品与所述目标物品在除所述预设特征之外的特征上的特征数据相同。

一种可能的方式中，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

所述处理模块具体用于：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述处理模块具体用于：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述残值预测模型输出的预测残值率、所述残值上限预测模型输出的残值率上限以及所述残值下限预测模型输出的残值率下限。

根据所述预测残值率、所述残值率上限、所述残值率下限以及所述目标物品的原始价值，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

一种可能的方式中，所述获取模块具体用于：

获取所述目标物品的基础属性信息。

根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据。

将所述与所述基础属性信息匹配的多个特征数据作为所述目标物品的特征数据。

一种可能的方式中，所述获取模块具体用于：

从多个数据源平台获取原始数据，所述原始数据包括多种目标物品在多种维度的信息。

所述装置还包括：

转换模块，用于对所述原始数据进行格式转换，得到预设格式的数据。

所述处理模块还用于：

对所述预设格式的数据进行处理，得到多种目标物品的特征数据，所述处理至少包括：统计、编码。

第四方面，本申请提供一种残值预测模型的训练获取装置，包括：

采集模块，用于采集获取训练样本，所述训练样本标记有：物品的特征数据以及物品的残值信息，所述物品的特征数据用于表征物品在多种维度下的信息。

训练模块，用于采用所述训练样本，训练得到目标预测模型，所述目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

一种可能的方式中，所述物品的特征数据包括：物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

一种可能的方式中，所述历史交易结果维度的特征数据包括：残值时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对物品对应的历史实际残值的熵值计算得到。

一种可能的方式中，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

所述训练模块具体用于：

采用所述训练样本，分别训练得到所述残值预测模型、所述残值上限预测模型以及所述残值下限预测模型，所述残值预测模型用于获取物品的预测残值，所述残值上限预测模型用于获取物品的残值上限，所述残值下限预测模型用于获取物品的残值下限。

一种可能的方式中，所述装置还包括：

第一修正模块，用于使用预测错误样本，修正得到所述目标预测模型。

一种可能的方式中，所述装置还包括：

确定模块，用于根据所述目标预测模型的评价结果，确定所述目标预测模型的可信度信息，所述评价结果包括：召回率、精确率以及曲线下面积指标。

第二修正模块，用于根据所述可信度信息，修正所述目标预测模型。

第五方面，本申请提供一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面或第二方面方法的步骤。

第六方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面或第二方面方法的步骤。

本申请的有益效果：

本申请提供了一种残值确定方法、模型获取方法、装置、设备及存储介质，其中，物品残值确定方法包括：获取目标物品的特征数据，目标物品的特征数据用于表征目标物品在多种维度下的信息。将特征数据输入预先训练获取的目标预测模型，得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。输出目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。该方法中，目标预测模型基于目标物品的特征数据，除了能够得到目标物品的具体残值，还可以同时得到目标物品的残值上限和残值下限，该残值上限和残值下限构成了残值的置信区间，可以使得用户在了解具体残值的同时，对于物品的价值浮动范围有了更加全面的了解，因此，即使模型预测出的具体残值存在小幅的误差，也可以使得用户基于残值的置信区间对物品残值得以准确全面的了解，从而极大提升用户感受。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本申请一些实施例的物品残值确定系统100的框图；

图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、终端140的电子设备200的示例性硬件和软件组件的示意图；

图3是示出本申请的一些实施例的流程示意图；

图4为本申请的一种示例性的界面示意图；

图5是示出本申请的另一些实施例的流程示意图；

图6是示出本申请的又一些实施例的流程示意图；

图7是示出本申请的一些实施例的物品残值确定装置的框图；

图8是示出本申请的一些实施例的残值预测模型的训练获取装置的框图；

图9为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“车辆残值确定”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕确定车辆残值进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他物品类型。例如，本申请可以应用于家用电器、办公用品、家具、电子产品等的残值确定。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

现有技术利用机器学习模型自动对电动汽车进行残值预测，该机器学习模型仅能预测出电动汽车的具体残值率，然而，影响电动汽车的实际残值的因素众多，因此，该机器学习模型所预测的具体残值率可能存在不同程度的误差，相应的，基于该具体残值率所得到的残值存在不同程度的误差。由于经过该方式所得到的仅为一个特定的残值，当残值存在一定的误差时，用户无法结合其他参考信息获知更加准确全面的残值信息，从而导致用户的体验不佳。

为了解决上述技术问题，本申请提供一种发明构思：在利用残值预测模型预测出具体残值的同时，利用残值上限预测模型预测出残值上限，利用残值下限预测模型预测出残值下限，残值上限和残值下限构成了残值的置信区间，从而使得用户对于车辆等物品的残值有了更全面准确的了解，极大提升用户的体验。

图1是本申请一些实施例的物品残值确定系统100的框图。例如，物品残值确定系统100可以是用于诸二手车交易、新车交易等服务平台。物品残值系统100可以包括服务器110、网络120、终端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。

在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到终端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。

在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从终端140获得的残值确定请求来确定车辆的残值。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing，RISC)、或微处理器等，或其任意组合。

网络120可以用于信息和/或数据的交换。在一些实施例中，物品残值确定系统100中的一个或多个组件(例如，服务器110、终端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从终端140获取残值确定请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(LocalArea Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless LocalArea Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide AreaNetwork，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，物品残值系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。

在一些实施例中，终端140可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。

数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random AccessMemory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM，DDR SDRAM)；静态RAM(StaticRandom-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-OnlyMemory，MROM)、可编程ROM(Programmable Read-Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory，PEROM)、电可擦除可编程ROM(ElectricallyErasable Programmable read only memory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。

在一些实施例中，数据库150可以连接到网络120以与物品残值确定系统100(例如，服务器110，终端140等)中的一个或多个组件通信。物品残值确定系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到物品残值确定系统100中的一个或多个组件(例如，服务器110，终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。

在一些实施例中，物品残值确定系统100中的一个或多个组件(例如，服务器110，终端140等)可以具有访问数据库150的权限。

图2示出根据本申请的一些实施例的可以实现本申请思想的服务器110、终端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器220可以用于电子设备200上，并且用于执行本申请中的功能。

电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的物品残值确定方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。

例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。

为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。

图3是示出本申请的一些实施例的流程示意图，如图3所示，本申请的物品残值确定方法包括：

S301、获取目标物品的特征数据，该目标物品的特征数据用于表征该目标物品在多种维度下的信息。

示例性的，本申请所涉及的物品可以指车辆，或者，也可以指家用电器、办公用品、家具、电子产品等物品。以车辆为例，车辆例如可以包括：电动汽车、燃油汽车、混合动力汽车、三轮车、摩托车、自行车等。本申请对于物品的具体形式不作限定。

目标物品的特征数据能够表征目标物品在多种维度下的信息，这些维度例如可以包括物品的基础属性维度、历史交易结果维度等。基础属性维度下可以包括多种基础属性信息，以车辆为例，基础属性信息可以包括：品牌车型、上牌时间、行驶里程、城市、颜色、车况等。历史交易结果维度下可以包括与目标物品的基础属性一致的已交易物品的实际交易结果。以车辆为例，历史交易结果例如可以包括与目标物品的基础属性一致的多个已交易物品在当前时间一年内的交易价格。

上述多种维度的特征组合起来形成目标物品的特征数据，能够更加准确地来标识上述目标物品，进而，使得下述步骤中目标预测模型所预测的结果相比于单一维度特征的预测结果也更加准确。

S302、将上述特征数据输入预先训练获取的目标预测模型，得到上述目标物品的预测残值、上述目标物品的残值上限以及上述目标物品的残值下限。

如前文所描述，本申请可以应用于各种物品的残值确定的场景中，当应用于某个特定类型的物品时，可以预先使用该特定类型的物品的训练样本来训练获取上述目标预测模型。预先训练获取上述目标预测模型的过程将在下述实施例中进行详细说明。

示例性的，上述特征数据可以以特征向量的形式输入上述目标预测模型中，上述目标预测模型基于上述特征数据，能够得到目标物品的预测残值，该预测残值可以指一个具体的残值。示例性的，该预测残值为30000，表示预测出物品的具体残值为30000，残值的单位可以在目标预测模型训练过程中进行设定，示例性的，上述30000，表示残值为30000元。

在得到上述具体残值的同时，上述目标预测模型还可以得到目标物品的残值上限以及残值上限。目标物品的残值上限是指目标物品可能达到的最高残值，目标物品的残值下限是指目标物品可能达到的最低残值。示例性的，由目标预测模型得到的预测残值为30000的同时，由目标预测模型得到的残值上限为38000，残值下限为26000，表示目标物品残值的区间在26000到38000之间。

可选的，上述目标预测模型可以为机器学习模型。本申请对于机器学习模型的具体类型不做限定。

S303、输出上述目标物品的预测残值、上述目标物品的残值上限以及上述目标物品的残值下限。

以上述图1所示例的系统图为例，本申请的方法可以在服务器110上实施，或者，本申请的方法还可以在终端140上实施。

当在服务器110上实施时，可以由用户在终端140的界面上输入物品的部分基础属性信息，终端140将该部分基础属性信息发送给服务器110，服务器110基于该部分基础属性信息得到完整的基础属性信息、历史交易结果等，并基于上述目标预测模型得到目标物品的预测残值、残值上限以及残值下限，并将目标物品的预测残值、残值上限以及残值下限发送给终端140，并由终端140进行显示。

当在终端140上实施时，由用户在终端140上输入部分基础属性信息，并由终端140基于该部分基础属性信息得到完整的基础属性信息、历史交易结果等，并基于上述目标预测模型得到目标物品的预测残值、残值上限以及残值下限，进而向用户显示。

图4为本申请的一种示例性的界面示意图，如图4所示，在确定车辆残值的场景中，用户在终端的界面上可以输入待确定残值的车辆的品牌车型、上牌时间、行驶里程、城市、以及车况，用户点击确定之后，系统按照上述的方法可以得到该车辆在多个时间的预测残值、残值上限以及残值下限，并以曲线的形式进行显示。

本实施例中，目标预测模型基于目标物品的特征数据，除了能够得到目标物品的具体残值，还可以同时得到目标物品的残值上限和残值下限，该残值上限和残值下限构成了残值的置信区间，可以使得用户在了解具体残值的同时，对于物品的价值浮动范围有了更加全面的了解，因此，即使模型预测出的具体残值存在小幅的误差，也可以使得用户基于残值的置信区间对物品残值得以准确全面的了解，从而极大提升用户感受。

作为一种可选的方式，上述目标物品的特征数据可以包括：目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

如前文所描述，用户可以在终端的界面上输入部分的基础属性信息，以车辆为例，该部分的基础属性信息可以包括：品牌车型、上牌时间、行驶里程、城市、以及车况。系统可以基于该部分的基础属性得到完整的基础属性信息。可选的，针对各种品牌车型的车辆，系统可以预先从多种渠道(例如车辆销售企业的网站等、二手车交易平台)获取车辆的完整的基础属性信息并进行保存。在得到部分的基础属性信息后，可以基于部分的基础属性信息查找到完整的基础属性信息。示例性的，车辆的完整的基础属性信息除了包含上述的品牌车型、上牌时间、行驶里程、城市、以及车况外，还可以包括：排量、马力、变速箱类型等。目标物品在基础属性维度的特征数据可以使用该完整的基础属性信息来表示。

如前文所描述，历史交易结果维度下可以包括与目标物品的基础属性一致的已交易物品的实际交易结果。该已交易物品例如可以是与待确定残值的车辆的品牌车型相同的已售出车辆，或者，还可以是与待确定残值的车辆的品牌车型、城市、颜色均相同的已售出车辆。上述实际交易结果可以指成交价格。目标物品在历史交易结果维度的特征数据可以使用该实际交易结果来表示。

除了上述的基础属性维度和历史交易结果维度外，本申请还可以包括时间类型维度以及地域维度的特征数据。

其中，上述时间类型维度下可以包括一种多或多种时间类型，该时间类型可以包括：残值对应的时间是否为节假日、残值对应的时间是否为淡季或旺季等。如上述图4所示例的，目标预测模型可以得到用户输入的特定车辆在不同时间下的残值信息。这些时间是否为节假日，和/或，是否为淡季或旺季，对于车辆的残值的影响较为明显。因此，将时间类型维度下的信息作为估计车辆残值时的特征，可以提升残值估计的准确性。目标物品在时间类型维度的特征数据可以使用上述一种或多种时间类型来表示。

另外，上述地域维度下可以包括南北方、经纬度等信息。示例性的，车辆的城市为城市A，系统基于该城市的名称，可以判断出车辆属于北方以及所在的经纬度等。地域对于车辆的残值的影响较为明显，因此，将地域维度下的南北方、经纬度等信息作为估计车辆残值时的特征，可以提升残值估计的准确性。目标物品在地域维度的特征数据可以使用上述南北方、经纬度等信息来表示。

本实施例中，目标物品的特征数据除了包括目标物品在基础属性维度和历史交易结果维度的特征数据外，还包括时间类型维度以及地域维度的特征数据，由于时间类型以及地域因素对于物品残值的影响较为明显，因此，将这两个维度的信息纳入目标物品的特征，可以使得残值估计的准确性得到明显提升。

如上所描述，历史交易结果维度下可以包括与目标物品的基础属性一致的已交易物品的实际交易结果，该实际交易结果可以指成交价格，该实际交易结果可以作为历史交易结果维度下的特征数据。在此基础上，作为一种可选的实施方式，历史交易结果维度下的特征数据还可以包括：

时间平滑特征数据以及信息熵特征数据。其中，该时间平滑特征数据基于目标物品对应的历史实际残值以及时间信息得到，信息熵特征数据基于对目标物品对应的历史实际残值的熵值计算得到。

应理解，目标物品对应的历史实际残值是指与目标物品的基础属性一致的已交易物品的实际交易结果。

可选的，可以对当前时间之前一定历史时段内目标物品对应的历史实际残值，使用等权或时间指数下滑的权重进行加权计算，得到上述时间平滑特征数据。可选的，可以对当前时间之前一定历史时段内目标物品对应的历史实际残值，使用信息熵、基尼(Gini)系数方法等及计算熵值，得到上述信息熵特征数据。

本实施例中，时间平滑特征数据以及信息熵特征数据是按照历史实际残值进行动态处理得到的，因此，所得到的该两项特征数据能够较好地体现出残值随时间变化的特点，将该两项特征数据作为目标物品的特征数据后，能够使得模型预测出的残值的准确率得到明显提升。

以上说明了目标预测模型利用多种维度的特征数据得到目标物品的预测残值、残值上限以及残值下限的过程。在一种场景下，如果系统已经确定出了某个物品A的预测残值、残值上限以及残值下限，而又存在用户查询与该物品A仅存在细微差异的某个物品B的残值，则可以通过如下方式确定该物品B的残值。

可选的，根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限。其中，该关联物品与目标物品在上述预设特征上的特征数据不同，并且，该关联物品与上述目标物品在除上述预设特征之外的特征上的特征数据相同。

示例性的，上述预设特征可以指颜色，预设特征上的各特征数据可以包括：白色、黑色、红色等。预设特征上的各特征数据之间的预设比值，是指各特征数据对应的残值的比值。系统可以基于一些先验知识获知哪些特征上的各特征数据之间具有比值。例如，例如通过先验知识获知，当车辆的品牌车型、行驶里程等特征数据相同的情况下，颜色的取值对于残值的影响是固定的。不同颜色取值之间的比值系统预先已经获知。因此，假设系统已经预测出某车辆A的残值，而车辆B的颜色与车辆A的颜色不同，其他特征(例如：品牌车型、行驶里程、城市、车况等)均相同，此时，则不需要再将车辆B的特征数据输入目标模型进行计算，而是将已经预测得到的车辆A的残值乘以车辆A的颜色与车辆B的颜色之间的比值，从而得到车辆B的残值。

值得说明的是，上述的预设特征之外的特征，可以指前述的各种维度的特征中除预设特征外的全部特征，或者，还可以指各种维度的特征中除预设特征外的部分特征。另外，应理解，本申请所描述的特征可以指颜色、品牌车型等，特征数据可以指红色、A品牌B车型等具体的值。

本实施例中，当系统利用先验知识获知某特征的各特征数据之间具有预设的比值，则可以直接利用该比值得到某物品的残值，不再需要利用模型预测该物品的残值。通过这种方式，一方面，可以减少处理时间，提升处理速度，节省处理资源。另一方面，还能够减弱特征量多所带来的模型误差问题。

作为一种可选的实施方式，本申请的目标预测模型可以包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

相应的，上述步骤S302中将特征数据输入预先训练获取的目标预测模型，得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限，可以包括：

将上述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。

可选的，上述残值预测模型、残值上限预测模型以及残值下限预测模型可以预先使用相同的训练样本训练获取。训练过程将在下述实施例中说明。

利用上述残值预测模型可以预测得到与车辆实际情况最为匹配的一具体残值，利用上述残值上限预测模型可以得到车辆可能达到的最大残值，利用上述残值下限预测模型可以得到车辆可能达到的最小残值。

本实施例中，分别使用三个模型得到预测残值、残值上限以及残值下限，模型的任务集中，从而使得模型的鲁棒性更高。

在使用上述残值预测模型、残值上限预测模型以及残值下限预测模型得到预测残值、残值上限和残值下限时，一种方式下，可以由三个模型直接输出预测残值、残值上限和残值下限。另一种方式下，还可以由三个模型分别输出预测残值率、残值率上限和残值率下限，系统再由这三种信息计算得到预测残值、残值上限和残值下限。以下对这种方式的处理过程进行说明。

可选的，可以将特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到残值预测模型输出的预测残值率、残值上限预测模型输出的残值率上限以及残值下限预测模型输出的残值率下限，进而，根据预测残值率、残值率上限、残值率下限以及目标物品的原始价值，得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。

其中，残值率可以表示残值原始价值的比值。示例性的，假设残值率为80％，则表明物品的残值为原始价值乘以80％的结果。相应的，在上述实施例中，模型输出预测残值率、残值率上限以及残值率下限后，可以将目标物品的原始价值乘以对应的残值率，从而得到预测残值、目标物品的残值上限以及目标物品的残值下限。

其中，目标物品的原始价值例如可以指车辆的裸车价、指导价等。

图5是示出本申请的另一些实施例的流程示意图，如图5所示，作为一种可选的方式，上述步骤S301中获取目标物品的特征数据的过程可以包括：

S501、获取目标物品的基础属性信息。

值得说明的是，该基础属性信息可以指前述的部分的基础属性信息，例如用户输入的品牌车型、上牌时间、行驶里程、城市、颜色、车况。

S502、根据上述目标物品的基础属性信息，获取与该基础属性信息匹配的多个特征数据。

可选的，系统可以基于部分的基础属性信息，使用前述的方法获取完整的基础属性信息。另外，再基于完整的基础属性信息，查找历史交易结果维度下的各特征数据。另外，再基于部分的基础属性信息，查找地域维度的特征数据。而对于时间类型维度的特征数据，可以根据残值对应的时间查找得到。

可选的，上述多个特征数据可以由系统预先从种渠道(例如车辆销售企业的网站等、二手车交易平台)获取原始数据后对原始数据进行结构化处理后得到，上述多个特征数据的格式符合系统所定义的预设格式。例如，时间类型使用0或1表示，其中，0表示淡季，1表示旺季。又例如，行驶里程使用长度为8的字符串表示。

S503、将上述与上述基础属性信息匹配的多个特征数据作为上述目标物品的特征数据。

可选的，在上述步骤S502之前，系统可以首先从多个数据源平台获取原始数据，该原始数据包括多种目标物品在多种维度的信息，对该原始数据进行格式转换，得到预设格式的数据，进而，对该预设格式的数据进行处理，得到多种目标物品的特征数据，上述处理至少包括：统计、编码。

由于多个数据源平台的数据格式可能并不相同，因此，在获取到各数据源平台的原始数据后，可以首先将各原始数据转换为统一的预设格式。示例性的，可以使用NLP(Natural Language Processing，自然语言处理)的方式进行格式转换。进而，基于每种特征的含义进行统计、编码等处理。例如，使用2比特对颜色进行编码，一种编码值唯一表示一种颜色。又例如，对某种品牌车型的所有车辆的成交价格进行统计等处理，得到历史交易结果维度的特征数据。

本申请中，将来自不同数据源平台的原始数据进行上述的格式转换以及处理等，可以得到可直接使用的统一格式的特征数据，进而可以直接利用这些特征数据进行残值预测，从而提升了系统的处理效率。

以下对本申请中目标预测模型的训练获取过程进行说明。

图6是示出本申请的又一些实施例的流程示意图，如图6所示，本申请提供的残值预测模型的训练获取方法包括：

S601、采集获取训练样本，该训练样本标记有：物品的特征数据以及物品的残值信息，其中，物品的特征数据用于表征物品在多种维度下的信息。

其中，物品的特征数据可以使用上述实施例中的方式，基于从多个数据源平台获得的原始信息处理得到，此处不再进行赘述。

上述物品的残值信息可以包括：具体残值、残值上限以及残值下限。

上述物品的具体残值可以指训练样本的已交易结果的具体值。例如，某个样本的车辆的实际交易价格为30000，则具体残值为30000。

上述物品的残值上限可以使用基础属性信息一致的一批样本中的残值最大的K个样本的具体残值得到，例如，对K个具体残值取平均，得到样本的残值上限。K为大于0的整数。

上述物品的残值下限可以使用基础属性信息一致的一批样本中的残值最小的K个样本的具体残值得到，例如，对K个具体残值取平均，得到样本的残值下限。

S602、采用上述训练样本，训练得到目标预测模型，上述目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

本实施例中，利用包含了多种维度信息的特征数据的训练样本训练得到目标预测模型，使得可以使用目标预测模型预测得到物品的预测残值、残值上限以及残值下限。该残值上限和残值下限构成了残值的置信区间，可以使得用户在了解具体残值同时，对于物品的价值浮动范围有了更加全面的了解，因此，即使模型预测出的具体残值存在小幅的误差，也可以使得用户基于残值的置信区间对物品残值得以准确全面的了解，从而极大提升用户感受。

作为一种可选的方式，上述目标预测模型可以包括：残值预测模型、残值上限预测模型以及残值下限预测模型。相应的，上述步骤S602中训练获取目标预测模型的过程为：

采用上述训练样本，分别训练得到上述残值预测模型、上述残值上限预测模型以及上述残值下限预测模型，上述残值预测模型用于获取物品的预测残值，上述残值上限预测模型用于获取物品的残值上限，上述残值下限预测模型用于获取物品的残值下限。

示例性的，在训练上述三种模型时，模型的输入特征可以相同，在模型验证时，对于残值预测模型，可以基于训练样本中的具体残值进行验证，对于残值上限预测模型，可以基于训练样本中的残值上限进行验证，对于残值下限预测模型，可以基于训练样本中的残值下限进行验证。模型的训练可以通过多轮迭代进行，每轮训练完成，可以利用样本的具体残值，计算模型的损失，并据此对模型参数进行修正，进而执行下一轮的训练，直至模型输出结果收敛至目标结果，可以结束训练，得到可用的目标预测模型。

一种示例中，在对模型参数进行修正时，可以使用贝叶斯参数调优方法对模型参数进行修正。

具体实施过程中，训练样本的数量可能是大量的，如果每轮迭代均使用所有的训练样本进行训练，训练的速度可能较慢。因此，作为一种可选的方式，本申请中，在某些训练阶段，可以选择增量训练方式进行。

可选的，可以使用预测错误样本，修正得到目标预测模型。

其中，预测错误样本是指模型预测结果错误时所对应的样本。

使用预测错误样本修正得到目标预测模型，不仅能够不断提升模型的准确性，同时，还使得模型具有更好的适用性。

作为一种可选的方式，在模型训练过程中，还可以使用一种或多种指标对模型进行评价，以判断模型的准确性和可信度，进而不断修正模型使得模型的准确性和可信度不断提升。

可选的，可以首先根据目标预测模型的评价结果，确定目标预测模型可信度信息，再根据该可信度信息，修正目标预测模型。

其中，上述评价结果包括：召回率、精确率以及AUC(Area Under the Curve，曲线下面积)指标。

具体实施过程中，可以使用上述一种或多种评价结果，本申请对此不作具体限定。

示例性的，可以从个体车型召回的最相似K个车型上，分布计算匹配离散变量(例如排量、年款等)的准确率，连续变量(例如指导价等)的准确率，并使用回归技术自动化打分，得分越高，匹配结果可信度越高。

下述对用以执行本申请所提供的物品残值确定方法和残值预测模型的训练获取方法所对应的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。

图7是示出本申请的一些实施例的物品残值确定装置的框图，该物品残值确定装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，或者，还可以理解为上述终端，或终端的处理器，也可以理解为独立于上述终端或处理器之外的在终端控制下实现本申请功能的组件。如图所示，物品残值确定装置可以包括：获取模块710、处理模块720以及输出模块730。

获取模块710，用于获取目标物品的特征数据，该目标物品的特征数据用于表征目标物品在多种维度下的信息。

处理模块720，用于将特征数据输入预先训练获取的目标预测模型，得到目标物品的预测残值、目标物品的残值上限以及上述目标物品的残值下限。

输出模块730，用于输出目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。

在一种可选的方式中，目标物品的特征数据包括：目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

在一种可选的方式中，历史交易结果维度的特征数据包括：时间平滑特征数据以及信息熵特征数据，时间平滑特征数据基于目标物品对应的历史实际残值以及时间信息得到，信息熵特征数据基于对目标物品对应的历史实际残值的熵值计算得到。

在一种可选的方式中，处理模块720还用于：

根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限，关联物品与目标物品在预设特征上的特征数据不同，并且，关联物品与目标物品在除预设特征之外的特征上的特征数据相同。

在一种可选的方式中，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

处理模块720具体用于：

将特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。

在一种可选的方式中，处理模块720具体用于：

将特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到残值预测模型输出的预测残值率、残值上限预测模型输出的残值率上限以及残值下限预测模型输出的残值率下限；根据预测残值率、残值率上限、残值率下限以及目标物品的原始价值，得到目标物品的预测残值、目标物品的残值上限以及目标物品的残值下限。

在一种可选的方式中，获取模块710具体用于：

获取目标物品的基础属性信息；根据目标物品的基础属性信息，获取与基础属性信息匹配的多个特征数据；将与基础属性信息匹配的多个特征数据作为目标物品的特征数据。

在一种可选的方式中，获取模块710具体用于：

从多个数据源平台获取原始数据，该原始数据包括多种目标物品在多种维度的信息。

继续参照图7，上述装置还包括：

转换模块740，用于对原始数据进行格式转换，得到预设格式的数据。

处理模块720还用于：

对预设格式的数据进行处理，得到多种目标物品的特征数据，处理至少包括：统计、编码。

图8是示出本申请的一些实施例的残值预测模型的训练获取装置的框图，该残值预测模型的训练获取装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件。如图所示，物品残值确定装置可以包括：采集模块810以及训练模块820。

采集模块810，用于采集获取训练样本，该训练样本标记有：物品的特征数据以及物品的残值信息，物品的特征数据用于表征物品在多种维度下的信息。

训练模块820，用于采用训练样本，训练得到目标预测模型，目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

在一种可选的方式中，物品的特征数据包括：物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

在一种可选的方式中，历史交易结果维度的特征数据包括：残值时间平滑特征数据以及信息熵特征数据，时间平滑特征数据基于物品对应的历史实际残值以及时间信息得到，信息熵特征数据基于对物品对应的历史实际残值的熵值计算得到。

在一种可选的方式中，目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型。

训练模块820具体用于：

采用训练样本，分别训练得到残值预测模型、残值上限预测模型以及残值下限预测模型，残值预测模型用于获取物品的预测残值，残值上限预测模型用于获取物品的残值上限，残值下限预测模型用于获取物品的残值下限。

继续参照图8，在一种可选的方式中，上述装置还包括：

第一修正模块830，用于使用预测错误样本，修正得到目标预测模型。

继续参照图8，在一种可选的方式中，上述装置还包括：

确定模块840，用于根据目标预测模型的评价结果，确定目标预测模型的可信度信息，评价结果包括：召回率、精确率以及AUC指标。

第二修正模块850，用于根据可信度信息，修正目标预测模型。

上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。

需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。

图9为本申请实施例提供的一种电子设备的结构示意图，如图9所示，该设备可包括：处理器901和存储器902，其中：

存储器902用于存储程序，处理器901调用存储器902存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (30)

1.一种物品残值确定方法，其特征在于，包括：

获取目标物品的特征数据，所述目标物品的特征数据用于表征所述目标物品在多种维度下的信息；

将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限；

输出所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

2.根据权利要求1所述的方法，其特征在于，所述目标物品的特征数据包括：所述目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

3.根据权利要求2所述的方法，其特征在于，所述历史交易结果维度的特征数据包括：时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于所述目标物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对所述目标物品对应的历史实际残值的熵值计算得到。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限，所述关联物品与所述目标物品在所述预设特征上的特征数据不同，并且，所述关联物品与所述目标物品在除所述预设特征之外的特征上的特征数据相同。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型；

所述将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限，包括：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

6.根据权利要求5所述的方法，其特征在于，所述将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限，包括：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述残值预测模型输出的预测残值率、所述残值上限预测模型输出的残值率上限以及所述残值下限预测模型输出的残值率下限；

根据所述预测残值率、所述残值率上限、所述残值率下限以及所述目标物品的原始价值，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

7.根据权利要求1-3任一项所述的方法，其特征在于，所述获取目标物品的特征数据，包括：

获取所述目标物品的基础属性信息；

根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据；

将所述与所述基础属性信息匹配的多个特征数据作为所述目标物品的特征数据。

8.根据权利要求7所述的方法，其特征在于，所述根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据之前，还包括：

从多个数据源平台获取原始数据，所述原始数据包括多种目标物品在多种维度的信息；

对所述原始数据进行格式转换，得到预设格式的数据；

对所述预设格式的数据进行处理，得到多种目标物品的特征数据，所述处理至少包括：统计、编码。

9.一种残值预测模型的训练获取方法，其特征在于，包括：

采集获取训练样本，所述训练样本标记有：物品的特征数据以及物品的残值信息，所述物品的特征数据用于表征物品在多种维度下的信息；

采用所述训练样本，训练得到目标预测模型，所述目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

10.根据权利要求9所述的方法，其特征在于，所述物品的特征数据包括：物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

11.根据权利要求10所述的方法，其特征在于，所述历史交易结果维度的特征数据包括：残值时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对物品对应的历史实际残值的熵值计算得到。

12.根据权利要求9-11任一项所述的方法，其特征在于，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型；

所述采用所述训练样本，训练得到目标预测模型，包括：

采用所述训练样本，分别训练得到所述残值预测模型、所述残值上限预测模型以及所述残值下限预测模型，所述残值预测模型用于获取物品的预测残值，所述残值上限预测模型用于获取物品的残值上限，所述残值下限预测模型用于获取物品的残值下限。

13.根据权利要求9-11任一项所述的方法，其特征在于，所述方法还包括：

使用预测错误样本，修正得到所述目标预测模型。

14.根据权利要求9-11任一项所述的方法，其特征在于，所述方法还包括：

根据所述目标预测模型的评价结果，确定所述目标预测模型的可信度信息，所述评价结果包括：召回率、精确率以及曲线下面积AUC指标；

根据所述可信度信息，修正所述目标预测模型。

15.一种物品残值确定装置，其特征在于，包括：

获取模块，用于获取目标物品的特征数据，所述目标物品的特征数据用于表征所述目标物品在多种维度下的信息；

处理模块，用于将所述特征数据输入预先训练获取的目标预测模型，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限；

输出模块，用于输出所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

16.根据权利要求15所述的装置，其特征在于，所述目标物品的特征数据包括：所述目标物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

17.根据权利要求16所述的装置，其特征在于，所述历史交易结果维度的特征数据包括：时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于所述目标物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对所述目标物品对应的历史实际残值的熵值计算得到。

18.根据权利要求15-17任一项所述的装置，其特征在于，所述处理模块还用于：

根据预设特征上的各特征数据之间的预设比值，得到关联物品的预测残值、残值上限以及残值下限，所述关联物品与所述目标物品在所述预设特征上的特征数据不同，并且，所述关联物品与所述目标物品在除所述预设特征之外的特征上的特征数据相同。

19.根据权利要求15-17任一项所述的装置，其特征在于，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型；

所述处理模块具体用于：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

20.根据权利要求19所述的装置，其特征在于，所述处理模块具体用于：

将所述特征数据分别输入预先训练获取的残值预测模型、残值上限预测模型以及残值下限预测模型，分别得到所述残值预测模型输出的预测残值率、所述残值上限预测模型输出的残值率上限以及所述残值下限预测模型输出的残值率；

根据所述预测残值率、所述残值率上限、所述残值率下限以及所述目标物品的原始价值，得到所述目标物品的预测残值、所述目标物品的残值上限以及所述目标物品的残值下限。

21.根据权利要求15-17任一项所述的装置，其特征在于，所述获取模块具体用于：

获取所述目标物品的基础属性信息；

根据所述目标物品的基础属性信息，获取与所述基础属性信息匹配的多个特征数据；

将所述与所述基础属性信息匹配的多个特征数据作为所述目标物品的特征数据。

22.根据权利要求21所述的装置，其特征在于，所述获取模块具体用于：

从多个数据源平台获取原始数据，所述原始数据包括多种目标物品在多种维度的信息；

所述装置还包括：

转换模块，用于对所述原始数据进行格式转换，得到预设格式的数据；

所述处理模块还用于：

对所述预设格式的数据进行处理，得到多种目标物品的特征数据，所述处理至少包括：统计、编码。

23.一种残值预测模型的训练获取装置，其特征在于，包括：

采集模块，用于采集获取训练样本，所述训练样本标记有：物品的特征数据以及物品的残值信息，所述物品的特征数据用于表征物品在多种维度下的信息；

训练模块，用于采用所述训练样本，训练得到目标预测模型，所述目标预测模型用于获取物品的预测残值、残值上限以及残值下限。

24.根据权利要求23所述的装置，其特征在于，所述物品的特征数据包括：物品在基础属性维度、历史交易结果维度、时间类型维度以及地域维度的特征数据。

25.根据权利要求24所述的装置，其特征在于，所述历史交易结果维度的特征数据包括：残值时间平滑特征数据以及信息熵特征数据，所述时间平滑特征数据基于物品对应的历史实际残值以及时间信息得到，所述信息熵特征数据基于对物品对应的历史实际残值的熵值计算得到。

26.根据权利要求23-25任一项所述的装置，其特征在于，所述目标预测模型包括：残值预测模型、残值上限预测模型以及残值下限预测模型；

所述训练模块具体用于：

采用所述训练样本，分别训练得到所述残值预测模型、所述残值上限预测模型以及所述残值下限预测模型，所述残值预测模型用于获取物品的预测残值，所述残值上限预测模型用于获取物品的残值上限，所述残值下限预测模型用于获取物品的残值下限。

27.根据权利要求23-25任一项所述的装置，其特征在于，所述装置还包括：

第一修正模块，用于使用预测错误样本，修正得到所述目标预测模型。

28.根据权利要求23-25任一项所述的装置，其特征在于，所述装置还包括：

确定模块，用于根据所述目标预测模型的评价结果，确定所述目标预测模型的可信度信息，所述评价结果包括：召回率、精确率以及曲线下面积AUC指标；

第二修正模块，用于根据所述可信度信息，修正所述目标预测模型。

29.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至8任一所述的物品残值确定方法的步骤或权利要求9至14任一项所述的残值预测模型的训练获取方法的步骤。

30.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至8任一所述的物品残值确定方法的步骤或权利要求9至14任一项所述的残值预测模型的训练获取方法的步骤。

Images