CN112348584A - 一种车辆估值方法、装置及设备 - Google Patents

一种车辆估值方法、装置及设备 Download PDF

Info

Publication number
CN112348584A
CN112348584A CN202011244842.3A CN202011244842A CN112348584A CN 112348584 A CN112348584 A CN 112348584A CN 202011244842 A CN202011244842 A CN 202011244842A CN 112348584 A CN112348584 A CN 112348584A
Authority
CN
China
Prior art keywords
sample
determining
target vehicle
obtaining
logistic regression
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
CN202011244842.3A
Other languages
English (en)
Inventor
金丽萍
李秋甫
顾祖欣
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.)
Chengdu Xinzhi Cloud Service Information Technology Co ltd
Original Assignee
Chengdu Xinzhi Cloud Service 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 Chengdu Xinzhi Cloud Service Information Technology Co ltd filed Critical Chengdu Xinzhi Cloud Service Information Technology Co ltd
Priority to CN202011244842.3A priority Critical patent/CN112348584A/zh
Publication of CN112348584A publication Critical patent/CN112348584A/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
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Algebra (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种车辆估值方法、装置及设备，所述车辆估值方法包括：获取目标车辆的特征数据，所述特征数据包括多个影响因子信息；根据所述特征数据和第一预设模型，确定所述目标车辆的分类结果；根据所述特征数据和所述分类结果，确定所述目标车辆的价格。本申请实现了在数据维度有限情况下的车辆价格预测，并且提升了预测结果的准确性。

Description

一种车辆估值方法、装置及设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种车辆估值方法、装置及设备。
背景技术
随着汽车行业的飞速发展，我国汽车的保有量越来越多，关于二手车的交易量及贷款量也越来越多，其中，二手车交易及贷款的关键在于二手车的估值。在传统的二手车行业中，车量定价主要依靠相关业务人员的主观判断，因此价格会受到主观影响而产生差值。在网络二手车行业中，用户在输入车况等信息之后会经过网络二手车商的先验数据出现一个预估价格，在此基础上再交由定价人员进行最终定价，并且此定价会作为一个回馈信息反哺到整体的系统定价过程中。因此在考虑二手车的定价时，不仅需要考虑到车况信息，还需要考虑到其中因为定价人员主观判断影响而产生定价偏高或者偏低的情况。
在现有技术中，可以利用广义回归神经网络模型或线性回归模型进行价格预测，但是这两种方法各有不足，广义回归神经网络模型要求数据维度足够高，样本数据量足够多，否则运行起来会十分困难，难以产生良好的预测效果，而线性回归模型则仅对部分位于中位数附近的值有较好的预测效果，整体预测效果并不理想。
发明内容
本申请实施例的目的在于提供一种车辆估值方法、装置及设备，用以实现在数据维度有限情况下的车辆价格预测，并且提升了预测结果的准确性。
本申请实施例第一方面提供了一种车辆估值方法，包括：获取目标车辆的特征数据，所述特征数据包括多个影响因子信息；根据所述特征数据和第一预设模型，确定所述目标车辆的分类结果；根据所述特征数据和所述分类结果，确定所述目标车辆的价格。
于一实施例中，构建所述第一预设模型的步骤包括：获取第一样本数据集，所述第一样本数据集包括多个样本车辆的样本特征数据；根据所述第一样本数据集，拟合决策边界；根据所述决策边界，得到逻辑回归函数；对所述逻辑回归函数进行求解，得到所述第一预设模型。
于一实施例中，所述对所述逻辑回归函数进行求解，得到所述第一预设模型，包括：计算所述逻辑回归函数的对数函数；根据所述对数函数，确定所述逻辑回归函数的损失函数；根据所述损失函数，通过迭代更新模型参数；根据迭代结果，得到所述第一预设模型。
于一实施例中，所述根据所述特征数据和所述分类结果，确定所述目标车辆的价格，包括：将所述特征数据和所述分类结果输入第二预设模型；根据所述第二预设模型，得到所述目标车辆的价格。
于一实施例中，构建所述第二预设模型的步骤包括：获取第二样本数据集，所述第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息；根据所述第二样本数据集，确定对应于所述分类结果和每个所述影响因子的权重系数；根据所述权重系数，得到所述第二预设模型。
本申请实施例第二方面提供了一种车辆估值装置，包括：获取模块，用于获取目标车辆的特征数据，所述特征数据包括多个影响因子信息；分类模块，用于根据所述特征数据和第一预设模型，确定所述目标车辆的分类结果；定价模块，根据所述特征数据和所述分类结果，确定所述目标车辆的价格。
于一实施例中，还包括：第一构建模块，用于获取第一样本数据集，所述第一样本数据集包括多个样本车辆的样本特征数据；根据所述第一样本数据集，拟合决策边界；根据所述决策边界，得到逻辑回归函数；对所述逻辑回归函数进行求解，得到所述第一预设模型。
于一实施例中，所述第一构建模块用于：计算所述逻辑回归函数的对数函数；根据所述对数函数，确定所述逻辑回归函数的损失函数；根据所述损失函数，通过迭代更新模型参数；根据迭代结果，得到所述第一预设模型。
于一实施例中，所述定价模块用于：将所述特征数据和所述分类结果输入第二预设模型；根据所述第二预设模型，得到所述目标车辆的价格。
于一实施例中，还包括：第二构建模块，用于获取第二样本数据集，所述第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息；根据所述第二样本数据集，确定对应于所述分类结果和每个所述影响因子的权重系数；根据所述权重系数，得到所述第二预设模型。
本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行本申请实施例第一方面及其任一实施例的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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为本申请一实施例的电子设备的结构示意图；
图2为本申请一实施例的车辆估值方法的流程示意图；
图3为本申请一实施例中构建第一预设模型的流程示意图；
图4为本申请一实施例中构建第二预设模型的流程示意图；
图5为本申请一实施例的车辆估值装置的结构示意图。
附图标记：
100-电子设备，110-总线，120-处理器，130-存储器，500-车辆估值装置，510-获取模块，520-分类模块，530-定价模块，540-第一构建模块，550-第二构建模块。
具体实施方式
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描述。
在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。
在本申请的描述中，术语“包括”、“包含”等表示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、步骤、操作、元素、组件和/或其集合的存在或添加。
在本申请的描述中，除非另有明确的规定和限定，术语“安装”、“设置”、“设有”、“连接”、“配置为”应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或整体式构造；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。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申请中的具体含义。
请参看图1，其为本申请一实施例的电子设备100的结构示意图，包括至少一个处理器120和存储器130，图1中以一个处理器为例。处理器120和存储器130通过总线110连接，存储器130存储有可被至少一个处理器120执行的指令，指令被至少一个处理器120执行，以使至少一个处理器120执行如下述实施例中的车辆估值方法。
如图2所示，其为本申请一实施例的车辆估值方法的流程示意图，该方法可由图1所示的电子设备100来执行，以实现数据维度有限情况下的车辆价格预测，提升车辆价格预测结果的准确性。该方法可以包括如下步骤：
步骤210：获取目标车辆的特征数据。
在上述步骤中，目标车辆的特征数据可以包括多个影响因子信息，特征数据可以表示该目标车辆的车况，本实施例以两个影响因子信息为例，分别为里程信息和年限年限。
于一实施例中，可以根据目标车辆的编号，在车辆信息数据库中获取到目标车辆的里程信息和年限信息。
步骤220：根据特征数据和第一预设模型，确定目标车辆的分类结果。
在上述步骤中，目标车辆的分类结果表示车辆定价人员对车辆价格进行主观判断的影响程度，该分类结果可以是“0”或“1”，若分类结果为“1”，则表示需要对目标车辆进行溢价处理，若分类结果为“0”，则表示需要对目标车辆进行折价处理。
步骤230：根据特征数据和分类结果，确定目标车辆的价格。
在上述步骤中，根据特征数据和分类结果，确定目标车辆的价格可以包括：将特征数据和分类结果输入第二预设模型；根据第二预设模型，得到目标车辆的价格。
在仅有两个有效影响因子的情况下，如果仅通过对样本进行多元回归分析，建立线性回归模型，来预测车辆价格，由于该线性回归模型仅能拟合位于两个影响因子中位数附近的点，会导致只能预测特征数据在极小范围内的车辆的价格，无法对特征数据在该范围以外的车辆的价格进行预测估值。
因此，本申请构建了第一预设模型和第二预设模型，通过两层广义回归，在现有影响因子的基础上，增加了一个二分类虚拟变量，从而实现影响因子较少情况下，车辆价格的预测估值，并且扩大了拟合范围，提高了车辆价格预测结果的准确性。另外，在影响因子较多，样本数据量足够的情况下，还可以对机器学习的结果进行验证。
如图3所示，其为本申请一实施例中构建第一预设模型的流程示意图，该方法可由图1所示的电子设备100来执行，在根据特征数据和第一预设模型，确定目标车辆的分类结果之前，需要预先构建第一预设模型。构建第一预设模型的方法可以包括如下步骤：
步骤310：获取第一样本数据集。
在上述步骤中，第一样本数据集包括多个样本车辆的样本特征数据，于一实施例中，样本特征数据可以包括样本里程信息和样本年限信息。
步骤320：根据第一样本数据集，拟合决策边界。
在上述步骤中，决策边界以里程和年限这两个影响因子作为变量，假设将里程定义为x1，将年限定义为x2，则该决策边界为w1x1+w2x2+b＝0，该决策边界表示若某一样本车辆对应的样本点fw(x)＝w1x1+w2x2+b＞0，则该样本车辆的分类结果为1，若某一样本车辆对应的样本点fw(x)＝w1x1+w2x2+b＜0，则该样本车辆的分类结果为0。
步骤330：根据决策边界，得到逻辑回归函数。
在上述步骤中，由于第一样本数据集的决策边界的值为连续值，无法拟合离散变量，因此考虑拟合条件概率P(Y＝1|x),该概率取值不连续，得到表示P(Y＝1)和输入向量x＝{x1，x2}关系的单位阶跃函数：
Figure BDA0002769632990000071
其中，z＝wTx+b，将分类结果为“1”的概率作为x的正例概率，将分类结果为“0”的概率作为x的反例概率，取两者的比值并计算对数几率，可以得到以下公式：
Figure BDA0002769632990000072
Figure BDA0002769632990000073
该逻辑回归函数可以表示Y＝1的对数几率与输入向量x关系，当wTx+b的值越接近正无穷大，则P(Y＝1|x)的概率越接近1。
步骤340：对逻辑回归函数进行求解，得到第一预设模型。
在上述步骤中，可以采用极大似然估计法求解逻辑回归函数，确定一组可以使得数据似然度最大的参数，然后采用梯度下降法或牛顿法，确定最终的参数，使得该逻辑回归函数成立，得到第一预设模型。
于一实施例中，对逻辑回归函数进行求解，得到第一预设模型，包括：计算逻辑回归函数的对数函数；根据对数函数，确定逻辑回归函数的损失函数；根据损失函数，通过迭代更新模型参数；根据迭代结果，得到第一预设模型。
于一实施例中，假设P(Y＝1|x)＝p(x)，则P(Y＝0|x)＝1-p(x)，似然函数为
Figure BDA0002769632990000081
其中，xi表示第i个影响因子，将该似然函数等式两边同时取对数，得到以下对数似然函数：
Figure BDA0002769632990000082
于一实施例中，定义逻辑回归函数的损失函数为整个数据集上的平均对数似然函数，即损失函数
Figure BDA0002769632990000083
逻辑回归函数的损失函数的值越小，表示该逻辑回归函数越准确。
可以采用梯度下降法计算损失函数的最小值，对损失函数求导得到：
Figure BDA0002769632990000084
Figure BDA0002769632990000085
于一实施例中，可以通过迭代的方式更新模型参数，直至迭代次数达到预设次数，或满足预设优化阈值，则停止迭代。
如图4所示，其为本申请一实施例中构建第二预设模型的流程示意图，该方法可由图1所示的电子设备100来执行，在根据特征数据和分类结果，确定目标车辆的价格之前，需要预先构建第二预设模型。构建第二预设模型的方法可以包括如下步骤：
步骤410：获取第二样本数据集。
在上述步骤中，第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息。第二样本数据集中的样本车辆与第一样本数据集中的样本车辆一致，并未引入新的样本车辆，只是在第一样本数据集的基础上进一步添加了上述样本车辆的样本分类结果和样本价格信息。
步骤420：根据第二样本数据集，确定对应于分类结果和每个影响因子的权重系数。
步骤430：根据权重系数，得到第二预设模型。
于一实施例中，第二预设模型可以是含有二分类变量的广义线性回归模型，将里程、年限、及其对应的分类结果作为变量，通过回归分析可以得到价格预测的回归方程Y＝β0+β1x1+β2x2+β3x3+μ，其中，Y表示车辆的价格，x1表示里程，β1表示里程的权重系数，x2表示年限，β2表示年限的权重系数，x3表示分类结果，β3表示分类结果的权重系数。于一实施例中，可以通过感知机或支持向量机实现。
如图5所示，其为本申请一实施例的车辆估值装置500的结构示意图，该装置可应用于图1所示的电子设备100，包括：获取模块510、分类模块520、定价模块530、第一构建模块540和第二构建模块550。各个模块的原理关系如下：
获取模块510，用于获取目标车辆的特征数据，特征数据包括多个影响因子信息。
分类模块520，用于根据特征数据和第一预设模型，确定目标车辆的分类结果。
定价模块530，用于根据特征数据和分类结果，确定目标车辆的价格。
于一实施例中，定价模块530用于：将特征数据和分类结果输入第二预设模型；根据第二预设模型，得到目标车辆的价格。
第一构建模块540，用于获取第一样本数据集，第一样本数据集包括多个样本车辆的样本特征数据；根据第一样本数据集，拟合决策边界；根据决策边界，得到逻辑回归函数；对逻辑回归函数进行求解，得到第一预设模型。
于一实施例中，第一构建模块540具体用于：计算逻辑回归函数的对数函数；根据对数函数，确定逻辑回归函数的损失函数；根据损失函数，通过迭代更新模型参数；根据迭代结果，得到第一预设模型。
第二构建模块550，用于获取第二样本数据集，第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息；根据第二样本数据集，确定对应于分类结果和每个影响因子的权重系数；根据权重系数，得到第二预设模型。
上述车辆估值装置500的详细描述，请参见上述实施例中相关方法步骤的描述。
本发明实施例还提供了一种电子设备可读存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上仅为本申请的优选实施例而已，仅用于说明本申请的技术方案，并不用于限制本申请。对于本技术领域的普通技术人员而言，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车辆估值方法，其特征在于，包括：
获取目标车辆的特征数据，所述特征数据包括多个影响因子信息；
根据所述特征数据和第一预设模型，确定所述目标车辆的分类结果；
根据所述特征数据和所述分类结果，确定所述目标车辆的价格。
2.根据权利要求1所述的方法，其特征在于，构建所述第一预设模型的步骤包括：
获取第一样本数据集，所述第一样本数据集包括多个样本车辆的样本特征数据；
根据所述第一样本数据集，拟合决策边界；
根据所述决策边界，得到逻辑回归函数；
对所述逻辑回归函数进行求解，得到所述第一预设模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述逻辑回归函数进行求解，得到所述第一预设模型，包括：
计算所述逻辑回归函数的对数函数；
根据所述对数函数，确定所述逻辑回归函数的损失函数；
根据所述损失函数，通过迭代更新模型参数；
根据迭代结果，得到所述第一预设模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述特征数据和所述分类结果，确定所述目标车辆的价格，包括：
将所述特征数据和所述分类结果输入第二预设模型；
根据所述第二预设模型，得到所述目标车辆的价格。
5.根据权利要求4所述的方法，其特征在于，构建所述第二预设模型的步骤包括：
获取第二样本数据集，所述第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息；
根据所述第二样本数据集，确定对应于所述分类结果和每个所述影响因子的权重系数；
根据所述权重系数，得到所述第二预设模型。
6.一种车辆估值装置，其特征在于，包括：
获取模块，用于获取目标车辆的特征数据，所述特征数据包括多个影响因子信息；
分类模块，用于根据所述特征数据和第一预设模型，确定所述目标车辆的分类结果；
定价模块，根据所述特征数据和所述分类结果，确定所述目标车辆的价格。
7.根据权利要求6所述的装置，其特征在于，还包括：
第一构建模块，用于获取第一样本数据集，所述第一样本数据集包括多个样本车辆的样本特征数据；根据所述第一样本数据集，拟合决策边界；根据所述决策边界，得到逻辑回归函数；对所述逻辑回归函数进行求解，得到所述第一预设模型。
8.根据权利要求7所述的装置，其特征在于，所述第一构建模块用于：
计算所述逻辑回归函数的对数函数；
根据所述对数函数，确定所述逻辑回归函数的损失函数；
根据所述损失函数，通过迭代更新模型参数；
根据迭代结果，得到所述第一预设模型。
9.根据权利要求6所述的装置，其特征在于，还包括：
第二构建模块，用于获取第二样本数据集，所述第二样本数据集包括多个样本车辆的样本特征数据、样本分类结果和样本价格信息；根据所述第二样本数据集，确定对应于所述分类结果和每个所述影响因子的权重系数；根据所述权重系数，得到第二预设模型。
10.一种电子设备，其特征在于，包括：
存储器，用以存储计算机程序；
处理器，用以执行如权利要求1至5中任一项所述的方法。
CN202011244842.3A 2020-11-10 2020-11-10 一种车辆估值方法、装置及设备 Pending CN112348584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011244842.3A CN112348584A (zh) 2020-11-10 2020-11-10 一种车辆估值方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011244842.3A CN112348584A (zh) 2020-11-10 2020-11-10 一种车辆估值方法、装置及设备

Publications (1)

Publication Number Publication Date
CN112348584A true CN112348584A (zh) 2021-02-09

Family

ID=74362499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011244842.3A Pending CN112348584A (zh) 2020-11-10 2020-11-10 一种车辆估值方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112348584A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052633A (zh) * 2021-03-26 2021-06-29 中国第一汽车股份有限公司 车辆残值评估方法、装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052633A (zh) * 2021-03-26 2021-06-29 中国第一汽车股份有限公司 车辆残值评估方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111553759A (zh) 一种产品信息推送方法、装置、设备及存储介质
US20180046902A1 (en) Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment
CN105488539B (zh) 分类模型的生成方法及装置、系统容量的预估方法及装置
WO2019200480A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
CN112116184A (zh) 使用历史检验数据的工厂风险估计
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110995459B (zh) 异常对象识别方法、装置、介质及电子设备
CN110781380A (zh) 信息推送方法、装置、计算机设备和存储介质
US20230342606A1 (en) Training method and apparatus for graph neural network
CN114202256B (zh) 架构升级预警方法、装置、智能终端及可读存储介质
CN115359846A (zh) 一种组学数据的批次矫正方法、装置、存储介质及电子设备
CN115409419A (zh) 业务数据的价值评估方法、装置、电子设备及存储介质
WO2020257784A1 (en) Inspection risk estimation using historical inspection data
CN112348584A (zh) 一种车辆估值方法、装置及设备
US20210357699A1 (en) Data quality assessment for data analytics
CN117437019A (zh) 信用卡逾期风险预测方法、装置、设备、介质和程序产品
CN113554307B (zh) 一种基于rfm模型的用户分组方法、装置及可读介质
CN112561569B (zh) 基于双模型的到店预测方法、系统、电子设备及存储介质
CN116186603A (zh) 异常用户的识别方法及装置、计算机存储介质、电子设备
CN113822390B (zh) 用户画像构建方法、装置、电子设备和存储介质
CN115048290A (zh) 软件质量的评估方法、装置、存储介质及计算机设备
CN111401329B (zh) 信息流向识别方法、装置、设备和存储介质
CN114037518A (zh) 风险预测模型的构建方法、装置、电子设备和存储介质
CN114612132A (zh) 基于机器学习的客户续保预测方法及相关设备
CN112506907A (zh) 基于大数据的工程机械营销策略推送方法、系统及装置

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: 20210209