CN112579900B - 二手车置换信息推荐方法、系统及设备 - Google Patents
二手车置换信息推荐方法、系统及设备 Download PDFInfo
- Publication number
- CN112579900B CN112579900B CN202011526354.1A CN202011526354A CN112579900B CN 112579900 B CN112579900 B CN 112579900B CN 202011526354 A CN202011526354 A CN 202011526354A CN 112579900 B CN112579900 B CN 112579900B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- replacement
- mileage
- data
- test
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 137
- 238000012549 training Methods 0.000 claims description 38
- 230000006399 behavior Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种二手车置换信息推荐方法、系统及设备，方法通过接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息；基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间、车辆残值预测集合；基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程；显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面的方式，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程，采用科学的方式进行最佳置换时间、车辆残值预测集合和最佳置换里程的推荐，解决了传统经验法的不合理问题，促进了二手车行业的进一步发展。
Description
技术领域
本发明属于二手车置换技术领域，具体涉及一种二手车置换信息推荐方法、系统及设备。
背景技术
20世纪90年代初发展至今，二手车市场已经有近30年的历史。随着社会生活的发展和经济水平的提高，二手车流通行业得到迅猛发展，不论从交易数量，还是从交易金额看，都正以两位数的速度迅速成长。利好政策、消费升级与市场需求驱动下，中国二手车行业快速发展，我国二手车流通行业进入一个高速度、可持续发展的黄金时代，发展前景广阔。2018年中国二手车交易量达1382.2万辆，增速11.5％，二手车交易均价为6.2万元，相比2017年降低了4.6％。
我国的二手车市场的功能还比较单一，同时，二手车市场也存在一些不规范的地方，对二手车市场的持续健康发展造成了一定的影响，一般换车的车主并不会等到车辆报废才进行更换，更多人是选择将车卖到二手车市场以降低自己的经济损失，如何能让自己的旧车卖上高价便成了车主最为关注的问题。目前，二手车置换时间的确定多采用传统经验法的方式，即根据自己的经验确定是否进行二手车的置换。
因此，如何提供一种科学的二手车置换时间推荐方法成为了本领域的技术人员亟需解决的技术问题。
发明内容
为了至少解决现有技术存在的上述问题，本发明提供了一种二手车置换信息推荐方法、系统及设备，以采用科学的方法为用户推荐最佳的二手车置换时间和置换里程。
本发明提供的技术方案如下：
一方面，一种二手车置换信息推荐方法，包括：
接收目标车辆的置换查询信息，所述置换查询信息包括车辆属性信息；
基于预先构建的二手车成新率预测模型，根据所述车辆属性信息，确定所述目标车辆的置换推荐时间和车辆残值预测集合；
基于预先构建的整车故障率曲线，根据所述车辆属性信息，确定所述目标车辆的置换推荐里程；
显示所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程至用户的查询界面，以使用户获知所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程。
可选的，上述所述接收目标车辆的置换查询信息之前，还包括：
获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据；
对所述车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据进行数据清洗，并进行相应编码转化为数值型数据；
根据所述数值型数据，构建二手车成新率预测模型。
可选的，上述所述车企数据包括：新车价格、车辆品牌、型号、排量、排放标准、变速类型、车辆类型、座位数、进出口信息和车辆颜色；
所述经销商DMS数据包括：车辆维修记录；
所述车载盒子行驶数据包括：GPS经纬度数据和里程数据；
所述二手车交易数据包括：二手车车龄数据和二手车成交价格数据；
所述进行相应编码转化为数值型数据包括将二手车成交价格转化为二手车成新率。
可选的，上述所述根据所述数值型数据，构建二手车成新率预测模型，包括：
划分所述数值型数据为训练集和测试集，并划分所述训练集多组训练单元和一组测试单元；
对所述多组训练单元进行Bagging回归拟合，得到Bagging模型；
利用所述Bagging模型对所述一组测试单元和所述测试集进行预测，得到测试单元预测值和测试集预测值集合；
重新组合所述多组训练单元，重复进行Bagging回归拟合，得到校验测试单元预测值集合和校验测试集预测值组合；
对所述校验测试单元预测值集合中的每个预测值进行堆叠，组成第一测试单元字段；
对所述校验测试集预测值组合进行平均值计算，得到第一测试集字段；
依次更换所述Bagging模型为人工神经网络、随机森林、GradientBoosting回归，得到第二测试单元字段、第三测试单元字段、第四测试单元字段和第二测试集字段、第三测试集字段、第四测试集字段；
利用多元线性回归模型对所述第一测试单元字段、第二测试单元字段、第三测试单元字段、第四测试单元字段与所述二手车成新率进行再次拟合，得到次级预测模型；
利用所述次级预测模型结合所述第一测试集字段、第二测试集字段、第三测试集字段、第四测试集字段对所述训练集进行检验预测，得到校验训练集预测值；
并将所述校验训练集预测值与实际值进行比较，确定所述次级预测模型的评估系数；
根据所述评估系数更新所述次级预测模型，构建二手车成新率预测模型。
可选的，上述所述获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据之后，还包括：
根据里程数据划分汽车故障率为第一阶段、第二阶段和第三阶段，并通过浴盆曲线进行表示；
基于所述第三阶段的浴盆曲线和所述车辆维修记录，确定威布尔分布表达式的分布参数；
输入所述分布参数至目标公式，构建整车故障率曲线。
可选的，上述所述根据所述车辆属性信息，确定所述目标车辆的置换推荐里程，包括：
根据所述整车故障率曲线，获取故障率变化趋势；
根据所述故障率变化趋势，确定所述故障率呈指数增长对应的位置点，作为所述目标车辆的置换推荐里程。
可选的，上述所述确定所述故障率呈指数增长对应的位置点，作为所述目标车辆的置换推荐里程之后，还包括：
解析所述目标车辆的行驶里程和驾驶员驾驶行为特征；
对所述驾驶员驾驶行为特征进行评分，根据所述评分对所述行驶里程进行修正的得到修正里程；
判断所述修正里程与所述置换推荐里程的里程差值；
根据所述评分，对所述里程差值进行评分转换，得到实际里程；
根据所述实际里程，确定最佳置换里程，作为所述置换推荐里程。
可选的，上述所述威布尔分布表达式为：
其中，t≥0，η＞0，m＞0，m为形状参数，η为尺度参数，m与η值的大小决定曲线尺寸比例的大小。m＞1时，失效率随时间递增，m＝1时，失效率为常数，此时威布尔分布简化为指数分布，m＜1时，失效率随时间递减，t为位置参数,是一个常数；
所述目标公式为：
另一方面，一种二手车置换信息推荐系统，包括：
接收模块，用于接收目标车辆的置换查询信息，所述置换查询信息包括车辆属性信息；
推荐模块，用于基于预先构建的二手车成新率预测模型，根据所述车辆属性信息，确定所述目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据所述车辆属性信息，确定所述目标车辆的置换推荐里程；
显示模块，用于显示所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程至用户的查询界面，以使用户获知所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程。
再一方面，一种二手车置换信息推荐设备，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-8任一项所述的二手车置换信息推荐方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明的有益效果为：
本发明提供的一种二手车置换信息推荐方法、系统及设备，方法通过接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息；基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程；显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面的方式，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程，采用科学的方式进行最佳置换时间、车辆残值预测集合最佳置换里程的推荐，解决了传统经验法的不合理问题，促进了二手车行业的进一步发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例提供的二手车置换信息推荐方法的一种流程图；
图2是本发明实施例提供的模拟构建的整车故障率曲线示意图；
图3是本发明实施例提供的二手车置换信息推荐系统的一种结构示意图；
图4是本发明实施例提供的二手车置换信息推荐设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明实施例提供的二手车置换信息推荐方法的一种流程图。
如图1所示，本实施例提供的一种二手车置换信息推荐方法，包括以下步骤：
S11、接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息。
具体的，用户在进行二手车置换信息查询时，首先需要输入查询信息，定义需要进行查询的车辆为目标车辆。然后用户可以通过各种方式输入置换查询信息，例如文字、图片、语音等方式，而具体的输入方式可以根据实际需求进行确定。置换查询信息包括了车辆属性信息，例如时间年限信息、品牌信息、型号信息等等基本的影响二手车价格的属性信息。
S12、基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间和车辆残值预测集合。
具体的，在接收到用户的置换查询信息以后，直接利用预先构建的二手车成新率预测模型，根据车辆属性信息，查询对应的置换推荐时间和车辆残值预测集合，直接通过二手车成新率预测模型便可以输出结果，确定目标车辆的置换推荐时间和车辆残值预测集合，车辆残值预测集合包括当前车辆残值价格和未来一定时间内每个时间段的残值价格，以更加方便用户的了解。
S13、基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程。
同样，在接收到用户的置换查询信息以后，直接利用预先构建的整车故障率曲线，根据车辆属性信息，查询对应的置换推荐里程，直接通过故障率曲线，结合当前车辆属性信息中的行驶里程数据，直接得到对应的置换推荐里程。
S14、显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程。
在得到置换推荐时间、车辆残值预测集合和置换推荐里程之后，直接将对应的置换推荐时间、车辆残值预测集合和置换推荐里程显示至用户的查询界面，以使得用户可以得到查询结果。
本实施例提供的一种二手车置换信息推荐方法，通过接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息；基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程；显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面的方式，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程，采用科学的方式进行最佳置换时间、车辆残值预测集合和最佳置换里程的推荐，解决了传统经验法的不合理问题，促进了二手车行业的进一步发展。
进一步地，本实施例中，在接收目标车辆的置换查询信息之前，还包括：获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据；对车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据进行数据清洗，并进行相应编码转化为数值型数据；根据数值型数据，构建二手车成新率预测模型。其中，车企数据包括：新车价格、车辆品牌、型号、排量、排放标准、变速类型、车辆类型、座位数、进出口信息和车辆颜色；经销商DMS数据包括：车辆维修记录；车载盒子行驶数据包括：GPS经纬度数据和里程数据；二手车交易数据包括：二手车车龄数据和二手车成交价格数据；进行相应编码转化为数值型数据包括将二手车成交价格转化为二手车成新率，还可以将车辆品牌对应的数据利用该品牌下所有车辆的平均新车价格进行替换。
具体的，构建二手车成新率预测模型，包括：划分数值型数据为训练集和测试集，并划分训练集多组训练单元和一组测试单元；对多组训练单元进行Bagging回归拟合，得到Bagging模型；利用Bagging模型对一组测试单元和测试集进行预测，得到测试单元预测值和测试集预测值集合；重新组合多组训练单元，重复进行Bagging回归拟合，得到校验测试单元预测值集合和校验测试集预测值组合；对校验测试单元预测值集合中的每个预测值进行堆叠，组成第一测试单元字段；对校验测试集预测值组合进行平均值计算，得到第一测试集字段；依次更换Bagging模型为人工神经网络、随机森林、GradientBoosting回归，得到第二测试单元字段、第三测试单元字段、第四测试单元字段和第二测试集字段、第三测试集字段、第四测试集字段；利用多元线性回归模型对第一测试单元字段、第二测试单元字段、第三测试单元字段、第四测试单元字段与二手车成新率进行再次拟合，得到次级预测模型；利用次级预测模型结合第一测试集字段、第二测试集字段、第三测试集字段、第四测试集字段对训练集进行检验预测，得到校验训练集预测值；并将校验训练集预测值与实际值进行比较，确定次级预测模型的评估系数；根据评估系数更新次级预测模型，构建二手车成新率预测模型。
例如，将数值型数据的70％划分为训练集，30％划分为测试集，然后将训练集平均划分为五等份数据，其中的四等份数据作为训练单元，另一份数据作为测试单元。然后选取四等份数据的训练单元进行Bagging回归拟合，得到Bagging模型，在利用训练完成的Bagging模型对一份测试单元数据进行预测，得到相应的测试单元预测值，同时，利用训练完成的Bagging模型对30％的测试集进行预测，得到测试集预测值集合，记为Y11。依次类推，不断更换如上述的4份训练单元的组合，重复以上步骤依次利用Bagging进行拟合，得到剩下1份的预测值的校验测试单元预测值集合，与30％训练集的校验测试集预测值组合Y1i，然后将每次1份的校验测试单元预测值集合中的每个预测值依次进行堆叠，组成新的第一测试单元字段X1，同时对Y1i进行平均值计算作为30％测试集的对应第二测试集字段X1*，依次更换机器学习模型(人工神经网络、随机深林，GradientBoosting回归)，重复以上步骤，从而得到新的字段第二测试单元字段X2、第三测试单元字段X3、第四测试单元字段X4，第二测试集字段X2*,第三测试集字段X3*,第四测试集字段X4*，此刻，可以将人工神经网络、随机深林等机器学习模型合称为第一层模型(或基础模型群)，最后利用多元线性回归模型将X1,X2、X3、X4与二手车成新率进行再次拟合作为第二层模型即次级预测模型，最后利用次级预测模型结合X1*,X2*,X3*,X4*对训练集的成新率进行预测，并将校验训练预测值与真实值进行比较，计算相应的模型评估系数R2score、absolute_mean_error，将模型评估系数更新至次级预测模型，便构建了二手车成新率预测模型。
具体的，获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据之后，还包括：根据里程数据划分汽车故障率为第一阶段、第二阶段和第三阶段，并通过浴盆曲线进行表示；第一阶段故障率较高，处于零件磨合期，一般该步骤在车辆出厂前发生。第二阶段为低故障期，一般发生在0-4万公里，第三阶段即为高故障期，整车故障率不断增加，从4万公里开始，进行故障评估。基于第三阶段的浴盆曲线和车辆维修记录，确定威布尔分布表达式的分布参数；输入分布参数至目标公式，构建整车故障率曲线。通过浴盆曲线和车辆维修记录可以获知得到威尔布分布参数m和η，然后将分布参数m和η输入至目标公式，便得到了整车故障率曲线，如图2所示。
其中，威布尔分布表达式为：
其中，t≥0，η＞0，m＞0，m为形状参数，η为尺度参数，m与η值的大小决定曲线尺寸比例的大小。m＞1时，失效率随时间递增，m＝1时，失效率为常数，此时威布尔分布简化为指数分布，m＜1时，失效率随时间递减，t为位置参数,是一个常数；
目标公式为：
而根据车辆属性信息，确定目标车辆的置换推荐里程，包括：根据整车故障率曲线，获取故障率变化趋势；根据故障率变化趋势，确定故障率呈指数增长对应的位置点，作为目标车辆的置换推荐里程。确定故障率呈指数增长对应的位置点，作为目标车辆的置换推荐里程之后，还包括：解析目标车辆的行驶里程和驾驶员驾驶行为特征；对驾驶员驾驶行为特征进行评分，根据评分对行驶里程进行修正的得到修正里程；判断修正里程与置换推荐里程的里程差值；根据评分，对里程差值进行评分转换，得到实际里程；根据实际里程，确定最佳置换里程，作为置换推荐里程。若实际里程小车置换推荐里程，车辆行驶一定的公里后再进行置换，若是当前的实际里程已经超过了置换推荐里程，则应当进行尽快置换。例如，最佳置换里程在10000km，当前车辆里程为8000km，驾驶行为较好，折算后为6000km，差值为10000-6000＝4000km，4000km是在驾驶行为一般情况下的，但是该司机驾驶行为好，根据驾驶评分4000km在该司机的驾驶行为下，可能相当于还能实际行驶6000km，此时便提醒用户还可以驾驶6000km再进行置换。修正里程的目的是根据驾驶员行为特征(包括急加速次数、急刹车次数、车辆行驶路况、日均里程等)确定更加合理的里程，使得里程上的推荐更加合理，保证置换推荐里程的准确性。也就是指通过对驾驶行为的评分，不仅仅可以有效地延长已经行驶的里程，还可以有效地延长以后的驾驶里程。同时，根据具体的驾驶行为来判断具体的驾驶置换推荐里程，具体问题具体分析的方法，使得能够对置换里程的推荐更加的合理化与智能化。当然，仅仅举例说明的驾驶行为良好的情形，驾驶行为不好，评分较低时，则可能将8000km折算为9000km，均是同样的道理，不再进行一一举例说明，可以相互参照理解。
通过本文发明，可以达到以下效果：
1、提高模型精度：利用更加复杂的融合机器学习模型，提高二手车价格估计精确度，从而更加准确的提供二手车置换时间的推荐。
2、拓展参考维度：从二手车每年价值、每公里整车故障率两个维度进行参考，提供多维度的二手车置换时间推荐。
3、丰富数据来源：数据来源包括经销商DMS数据，车载盒子行驶数据，车企数据、二手车交易数据。
4、数据维度：车辆基础数据，车型数据，驾驶数据，维修数据，二手车交易数据。
本申请综合考虑了车龄、新车价格、车辆品牌、型号、排量、排放标准、变速类型、车辆类型、座位数、进出口10个指标，更加全面的考虑了影响二手车成新率的因素。利用了更加的复杂的融合机器学习模型，提高了二手车成新率预测精度，从而提供了更加精准的置换时间推荐。从二手车每年价值、每公里整车故障率两个维度进行参考，提供多维度的二手车置换时间推荐，且车辆里程经过驾驶员的驾驶行为特征进行修正。实现了车辆在线、实时、自动的置换时间推荐及当日车辆所处价值的评估，对于车主和经销商都有很大的益处。
基于同一总的发明构思，本申请还保护一种二手车置换信息推荐系统。
图3是本发明实施例提供的二手车置换信息推荐系统的一种结构示意图；
如图3所示，本实施例提供一种二手车置换信息推荐系统，包括：
接收模块10，用于接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息；
推荐模块20，用于基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程；
显示模块30，用于显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程。
本实施例提供的一种二手车置换信息推荐系统，通过接收目标车辆的置换查询信息，置换查询信息包括车辆属性信息；基于预先构建的二手车成新率预测模型，根据车辆属性信息，确定目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据车辆属性信息，确定目标车辆的置换推荐里程；显示置换推荐时间、车辆残值预测集合和置换推荐里程至用户的查询界面的方式，以使用户获知置换推荐时间、车辆残值预测集合和置换推荐里程，采用科学的方式进行最佳置换时间、车辆残值预测集合最佳置换里程的推荐，解决了传统经验法的不合理问题，促进了二手车行业的进一步发展。
关于装置部分的实施例，在对应的方法实施例中已经做了详细的介绍说明，因此，在对应的装置部分不再进行具体的阐述，可以相互参照进行理解。
基于同一总的发明构思，本申请还保护一种二手车置换信息推荐设备。
图4是本发明实施例提供的二手车置换信息推荐设备的一种结构示意图。
如图4所示，本实施例提供的一种二手车置换信息推荐设备，包括：处理器100，以及与处理器100相连接的存储器200；
存储器用于存储计算机程序，计算机程序至少用于上述任一实施例的二手车置换信息推荐方法；
处理器用于调用并执行存储器中的计算机程序。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
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。
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。
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一定指的是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何的一个或多个实施例或示例中以合适的方式结合。
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 (8)
1.一种二手车置换信息推荐方法，其特征在于，包括：
获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据；
对所述车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据进行数据清洗，并进行相应编码转化为数值型数据；
根据所述数值型数据，构建二手车成新率预测模型；
接收目标车辆的置换查询信息，所述置换查询信息包括车辆属性信息；
基于预先构建的二手车成新率预测模型，根据所述车辆属性信息，确定所述目标车辆的置换推荐时间和车辆残值预测集合；
基于预先构建的整车故障率曲线，根据所述车辆属性信息，确定所述目标车辆的置换推荐里程；
显示所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程至用户的查询界面，以使用户获知所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程；
其中，所述根据所述数值型数据，构建二手车成新率预测模型，包括：
划分所述数值型数据为训练集和测试集，并划分所述训练集多组训练单元和一组测试单元；
对所述多组训练单元进行Bagging回归拟合，得到Bagging模型；
利用所述Bagging模型对所述一组测试单元和所述测试集进行预测，得到测试单元预测值和测试集的预测值集合；
重新组合所述多组训练单元，重复进行Bagging回归拟合，得到校验测试单元预测值集合和校验测试集预测值组合；
对所述校验测试单元预测值集合中的每个预测值进行堆叠，组成第一测试单元字段；
对所述校验测试集预测值组合进行平均值计算，得到第一测试集字段；
依次更换所述Bagging模型为人工神经网络、随机森林、GradientBoosting回归，得到第二测试单元字段、第三测试单元字段、第四测试单元字段和第二测试集字段、第三测试集字段、第四测试集字段；
利用多元线性回归模型对所述第一测试单元字段、第二测试单元字段、第三测试单元字段、第四测试单元字段与所述二手车成新率进行再次拟合，得到次级预测模型；
利用所述次级预测模型结合所述第一测试集字段、第二测试集字段、第三测试集字段、第四测试集字段对所述训练集进行检验预测，得到校验训练集预测值；
并将所述校验训练集预测值与实际值进行比较，确定所述次级预测模型的评估系数；
根据所述评估系数更新所述次级预测模型，构建二手车成新率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述车企数据包括：新车价格、车辆品牌、型号、排量、排放标准、变速类型、车辆类型、座位数、进出口信息和车辆颜色；
所述经销商DMS数据包括：车辆维修记录；
所述车载盒子行驶数据包括：GPS经纬度数据和里程数据；
所述二手车交易数据包括：二手车车龄数据和二手车成交价格数据；
所述进行相应编码转化为数值型数据包括将二手车成交价格转化为二手车成新率。
3.根据权利要求2所述的方法，其特征在于，所述获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据之后，还包括：
根据里程数据划分汽车故障率为第一阶段、第二阶段和第三阶段，并通过浴盆曲线进行表示；
基于所述第三阶段的浴盆曲线和所述车辆维修记录，确定威布尔分布表达式的分布参数；
输入所述分布参数至目标公式，构建整车故障率曲线。
4.根据权利要求1所述的方法，其特征在于，所述根据所述车辆属性信息，确定所述目标车辆的置换推荐里程，包括：
根据所述整车故障率曲线，获取故障率变化趋势；
根据所述故障率变化趋势，确定所述故障率呈指数增长对应的位置点，作为所述目标车辆的置换推荐里程。
5.根据权利要求4所述的方法，其特征在于，所述确定所述故障率呈指数增长对应的位置点，作为所述目标车辆的置换推荐里程之后，还包括：
解析所述目标车辆的行驶里程和驾驶员驾驶行为特征；
对所述驾驶员驾驶行为特征进行评分，根据所述评分对所述行驶里程进行修正的得到修正里程；
判断所述修正里程与所述置换推荐里程的里程差值；
根据所述评分，对所述里程差值进行评分转换，得到实际里程；
根据所述实际里程，确定最佳置换里程，作为所述置换推荐里程。
6.根据权利要求3所述的方法，其特征在于，所述威布尔分布表达式为：
其中，t≥0，η＞0，m＞0，m为形状参数，η为尺度参数，m与η值的大小决定曲线尺寸比例的大小，m＞1时，失效率随时间递增，m=1时，失效率为常数，此时威布尔分布简化为指数分布，m＜1时，失效率随时间递减，t为位置参数,是一个常数；
所述目标公式为：
。
7.一种二手车置换信息推荐系统，其特征在于，包括：
模型构建模块，用于获取车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据；
对所述车企数据、经销商DMS数据、车载盒子行驶数据和二手车交易数据进行数据清洗，并进行相应编码转化为数值型数据；
根据所述数值型数据，构建二手车成新率预测模型；
接收模块，用于接收目标车辆的置换查询信息，所述置换查询信息包括车辆属性信息；
推荐模块，用于基于预先构建的二手车成新率预测模型，根据所述车辆属性信息，确定所述目标车辆的置换推荐时间和车辆残值预测集合；基于预先构建的整车故障率曲线，根据所述车辆属性信息，确定所述目标车辆的置换推荐里程；
显示模块，用于显示所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程至用户的查询界面，以使用户获知所述置换推荐时间、所述车辆残值预测集合和所述置换推荐里程；
其中，所述根据所述数值型数据，构建二手车成新率预测模型，包括：
划分所述数值型数据为训练集和测试集，并划分所述训练集多组训练单元和一组测试单元；
对所述多组训练单元进行Bagging回归拟合，得到Bagging模型；
利用所述Bagging模型对所述一组测试单元和所述测试集进行预测，得到测试单元预测值和测试集的预测值集合；
重新组合所述多组训练单元，重复进行Bagging回归拟合，得到校验测试单元预测值集合和校验测试集预测值组合；
对所述校验测试单元预测值集合中的每个预测值进行堆叠，组成第一测试单元字段；
对所述校验测试集预测值组合进行平均值计算，得到第一测试集字段；
依次更换所述Bagging模型为人工神经网络、随机森林、GradientBoosting回归，得到第二测试单元字段、第三测试单元字段、第四测试单元字段和第二测试集字段、第三测试集字段、第四测试集字段；
利用多元线性回归模型对所述第一测试单元字段、第二测试单元字段、第三测试单元字段、第四测试单元字段与所述二手车成新率进行再次拟合，得到次级预测模型；
利用所述次级预测模型结合所述第一测试集字段、第二测试集字段、第三测试集字段、第四测试集字段对所述训练集进行检验预测，得到校验训练集预测值；
并将所述校验训练集预测值与实际值进行比较，确定所述次级预测模型的评估系数；
根据所述评估系数更新所述次级预测模型，构建二手车成新率预测模型。
8.一种二手车置换信息推荐设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-6任一项所述的二手车置换信息推荐方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526354.1A CN112579900B (zh) | 2020-12-22 | 2020-12-22 | 二手车置换信息推荐方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526354.1A CN112579900B (zh) | 2020-12-22 | 2020-12-22 | 二手车置换信息推荐方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112579900A CN112579900A (zh) | 2021-03-30 |
| CN112579900B true CN112579900B (zh) | 2024-03-12 |
Family
ID=75138798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011526354.1A Active CN112579900B (zh) | 2020-12-22 | 2020-12-22 | 二手车置换信息推荐方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112579900B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191805B (zh) * | 2021-04-30 | 2023-07-04 | 平安科技（深圳）有限公司 | 车主置换评估方法、系统、电子设备及存储介质 |
| CN113570469B (zh) * | 2021-07-27 | 2024-05-28 | 上海交通大学 | 面向车险用户的智能化换车预测方法 |
| CN114357309B (zh) * | 2022-03-08 | 2022-06-24 | 蜗牛货车网(山东)电子商务有限公司 | 一种用于二手车跨境贸易的客户智能推荐方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100293181A1 (en) * | 2009-05-18 | 2010-11-18 | Autoonline Gmbh Informationssysteme | VALUEpilot - METHOD AND APPARATUS FOR ESTIMATING A VALUE OF A VEHICLE |
-
2020
- 2020-12-22 CN CN202011526354.1A patent/CN112579900B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 车辆运行故障率变化规律研究;徐安;王延明;乔向明;赵长利;;农业机械学报(第06期);第20-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112579900A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112579900B (zh) | 二手车置换信息推荐方法、系统及设备 | |
| US8862346B2 (en) | System and method for simulating the performance of a virtual vehicle | |
| Wróblewski et al. | A method of analyzing the residual values of low-emission vehicles based on a selected expert method taking into account stochastic operational parameters | |
| Karunanayake | Impact of key purchasing determinants on purchase intention of hybrid vehicle brands in Sri Lanka, an empirical study | |
| Rasti-Barzoki et al. | A game theoretic approach for car pricing and its energy efficiency level versus governmental sustainability goals by considering rebound effect: A case study of South Korea | |
| CN111886619B (zh) | 基于历史案例的车辆碰撞定损方法及系统 | |
| CN105868865A (zh) | 基于多元线性回归与比例替代法的电动汽车保有量预测方法 | |
| DE102016210453A1 (de) | Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen | |
| US20160292768A1 (en) | Vehicle ratings via measured driver behavior | |
| CN107180367A (zh) | 一种基于机器学习的车辆估价的方法、存储介质及装置 | |
| Letmathe et al. | Understanding the impact that potential driving bans on conventional vehicles and the total cost of ownership have on electric vehicle choice in Germany | |
| CN112508622A (zh) | 基于改进云模型的出租车服务水平评价系统及评价方法 | |
| CN111242680A (zh) | 一种基于机器学习算法的二手车估值方法与系统 | |
| CN111383060A (zh) | 车辆价格的确定方法、装置、电子设备及存储介质 | |
| CN110516823B (zh) | 一种基于时序模型的车辆智慧保养模型 | |
| CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
| De Silva et al. | A system dynamics model for vehicle fleet transformation towards energy efficiency and low-carbon development: A case study of Sri Lanka and its strategies | |
| Wang et al. | Influence of different data interpolation methods for sparse data on the construction accuracy of electric bus driving cycle | |
| Danilecki et al. | Optimization of Car Use Time for Different Maintenance and Repair Scenarios Based on Life Cycle Assessment | |
| CN116703612A (zh) | 一种汽车保险风险等级评估方法 | |
| CN110119891A (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
| Singh et al. | A study of business performance management in special reference to automobile industry | |
| CN113191805B (zh) | 车主置换评估方法、系统、电子设备及存储介质 | |
| CN112232945B (zh) | 一种确定个人客户授信的方法及装置 | |
| Sime et al. | Road load based model for vehicle repair and maintenance cost estimation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |