CN112598446A - 配件定价方法、系统、设备及存储介质 - Google Patents
配件定价方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112598446A CN112598446A CN202011582117.7A CN202011582117A CN112598446A CN 112598446 A CN112598446 A CN 112598446A CN 202011582117 A CN202011582117 A CN 202011582117A CN 112598446 A CN112598446 A CN 112598446A
- Authority
- CN
- China
- Prior art keywords
- historical transaction
- accessory
- prices
- data table
- transaction data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 30
- 238000003379 elimination reaction Methods 0.000 claims description 22
- 230000008030 elimination Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000717 retained effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明实施例提供一种配件定价方法，包括：通过获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格；将所述历史交易数据表中的配件价格进行剔除处理得到目标历史交易数据表；将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定各个配件的参考价格。本发明实施例通过直接根据历史配件价格得到配件的参考价格，说服力强，且能够对市场上众多的配件进行有效的管理，极大地提高了配件的购买效率，同时为保险公司的理赔管理提供理赔参考，从而减少不必要的理赔损失。
Description
技术领域
本发明实施例涉及人工智能技术领域，具体涉及一种配件定价方法及系统。
背景技术
随着经济的不断发展，各种类型的汽车也越来越普及，人们对汽车的消费也越来越多，汽车配件的市场也随之越来越大，而汽车配件的定价也成为一个关键的问题。
汽车后市场中对于汽车配件定价没有具体的参考方案，更多的是人工进行每个配件的定价。
然而，针对上述做法，发明人发现，传统的方式不仅会耗费大量的人力，且没有较强的说服力，汽车配件的价格是随着市场的变化而变化的，汽车配件种类繁多，数据量巨大，无法进行有效管理，使得配件没有可靠的价格参考，极大地降低了修理厂配件的购买效率，同时给保险公司带来很大的理赔困扰。
发明内容
有鉴于此，本发明实施例的目的在于提供一种配件定价方法、系统、计算机设备及计算机可读存储介质，用于解决现有技术中配件定价人力耗费量大，且没有较强的说服力，无法对大量的汽车配件进行有效管理，使得配件没有可靠的价格参考，极大地降低了修理厂配件的购买效率，同时给保险公司带来很大的理赔困扰的缺陷。
为了实现上述目的，本发明实施例提供了一种配件定价方法，该方法包括：
获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格；
将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表；
将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
可选的，所述将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表，包括：
将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表；
根据预设的箱式图法，将所述标准历史交易数据表中的配件价格进行第二次剔除处理，得到所述目标历史交易数据表。
可选地，所述将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表，包括：
获取所述历史交易数据表中各个配件的历史交易价格；
将所述历史交易价格与预设的原厂配件价格进行比较；
将大于所述原厂配件价格的所述历史交易价格从所述历史交易数据表中剔除，得到所述标准历史交易数据表。
可选地，所述根据预设的箱式图法，将所述标准历史交易数据表中的配件价格进行第二次剔除处理，得到所述目标历史交易数据表，包括：
获取所述标准历史交易数据表中各个配件的标准历史交易价格；
根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
可选地，所述根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表，包括：
根据预设的箱式图法，计算所有品牌中各个配件的标准历史交易价格的四分位数；
根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘；
将小于所述上边缘及大于所述下边缘之外的数据进行剔除，得到所述目标历史交易价格表。
可选地，所述将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格，包括：
获取所述目标历史交易数据表中各个配件的目标历史交易价格；
将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格；
将所述各个聚类中心价格作为所述各个配件的参考价格。
可选地，所述将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格，包括：
将各个配件的目标历史交易价格分别按照价格的高低顺序进行排序，得到各个配件对应的数据集；
将所述数据集平均分成k份，得到k份目标数据集；
分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值；
计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值；
将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集；
触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值不再变化或在预设范围内退出，得到所述各个聚类中心价格。
为实现上述目的，本发明实施例还提供了一种配件定价系统，包括：
获取模块，用于获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格；
处理模块，用于将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表；
计算模块，用于将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述配件定价方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述配件定价方法的步骤。
本发明实施例提供的配件定价方法、系统、计算机设备及计算机可读存储介质，通过对历史配件价格进行剔除处理，使得配件价格更真实有效，然后通过将剔除处理后的各个配件的历史交易价格进行聚类计算，实现数据的无监督学习，最后将无监督学习后的聚类中心价格作为配件的参考价格，而无需人为的介入。本发明实施例通过直接根据历史配件价格得到配件的参考价格，说服力强，且能够对市场上众多的配件进行有效的管理，极大地提高了配件的购买效率，同时为保险公司的理赔管理提供理赔参考，从而减少不必要的理赔损失。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的配件定价方法的步骤流程示意图；
图2为本发明实施例提供的图1中步骤S200的步骤细化流程示意图；
图3为本发明实施例提供的图2中步骤S201的一种步骤细化流程示意图；
图4为本发明实施例提供的图2中步骤S202的一种步骤细化流程示意图；
图5为本发明实施例提供的图4中步骤S222的步骤细化流程示意图；
图6为本发明实施例提供的图1中步骤S300的步骤细化流程示意图；
图7为本发明实施例提供的图6中步骤S302的步骤细化流程示意图；
图8为本发明实施例提供的配件定价系统的一种可选的程序模块示意图；
图9为本发明实施例提供的计算机设备的一种可选的硬件架构示意图。
本发明目的的实现、功能特点及优点将结合发明实施例，参照附图做进一步说明。
具体实施方式
这里将详细地对示例性发明实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性发明实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明使用的术语是仅仅出于描述特定发明实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。基于本发明中的发明实施例，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发明实施例，都属于本发明保护的范围。
下面结合附图对本发明实施例进行说明。
实施例一
参阅图1，示出了本发明实施例提供的一种配件定价方法的步骤流程示意图。可以理解，本发明实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述，所述计算机设备可以包括诸如智能手机、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)等移动终端，以及诸如台式计算机等固定终端。具体如下：
步骤S100，获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格。
具体地，根据预设的更新时间，定时获取平台的历史交易数据，得到定时更新的历史交易数据表。其中，所述历史交易数据包括：订单号、品牌、配件名、配件价格、配件品质、配件oe以及时间等。需要说明的是，oe指的是汽车生产商为方便对配件进行管理而采用的编号。
通过定时获取平台的历史交易数据，得到定时更新的历史交易数据表，对数据表及时更新，使得历史交易数据具有实时性。
步骤S200，将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表。
具体地，将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表。
在示例性的实施例中，如图2所示，为所述步骤S200的细化流程图，所述步骤S200可以包括：
步骤S201，将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表；及
步骤S202，根据预设的箱式图法，将所述标准历史交易数据表中的配件价格进行第二次剔除处理，得到所述目标历史交易数据表。
具体地，由于配件的交易价格是要小于预设的原厂配件价格的，如果配件的历史交易价格大于所述原厂配件价格，则所述历史交易价格不适用于配件的参考价格计算，将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表，然后根据预设的箱式图法，检测所述标准历史交易数据表中所有品牌中各个配件的标准历史交易价格的异常值并进行第二次剔除，得到所述目标历史交易数据表，其中，所述箱式图法是一种用作显示一组数据分散情况资料的统计图方法。
在示例性的实施例中，如图3所示，为所述步骤S201的细化流程图，所述步骤S201可以包括：
步骤S211，获取所述历史交易数据表中各个配件的历史交易价格；
步骤S212，将所述历史交易价格与预设的原厂配件价格进行比较；
步骤S213，将大于所述原厂配件价格的所述历史交易价格从所述历史交易数据表中剔除，得到所述标准历史交易数据表。
具体地，先获取所述历史交易数据表中各个配件的历史交易价格，然后将所述历史交易价格与所述原厂配件价格进行比较，并将大于所述原厂配件价格的所述历史交易价格进行剔除处理，最终得到标准历史交易数据表。
示例性的，假设获取所述历史交易数据表中配件A对应的品牌A、品牌B、品牌C、品牌D、品牌E、品牌F、品牌G及品牌H的历史交易价格为50，90，55，78，80，85，70及50，假设配件A的原厂配件价格为82，只有90大于82，其他均小于82，则将90进行剔除，得到配件A的历史交易价格分别为50，55，78，80，85，70及50。
本发明实施例通过将大于所述原厂配件价格的配件价格剔除，使定价结果更加接近市场价格范围。
在示例性的实施例中，如图4所示，为所述步骤S202的细化流程图，所述步骤S202可以包括：
步骤S221，获取所述标准历史交易数据表中各个配件的标准历史交易价格；
步骤S222，根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
具体地，先获取所述标准历史交易数据表中各个配件对应所有品牌的标准历史交易价格，然后根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
在示例性的实施例中，如图5所示，为所述步骤S222的细化流程图，所述步骤S222还可以包括：
步骤S231，根据预设的箱式图法，计算所有品牌中各个配件的标准历史交易价格的四分位数；
步骤S232，根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘；
步骤S233，将小于所述上边缘及大于所述下边缘之外的数据进行剔除，得到所述目标历史交易价格表。
具体地，根据预设的箱式图法，先计算所有品牌中各个配件的标准历史交易价格的四分位数，然后根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘，最终将小于所述上边缘或大于所述下边缘的数据进行剔除，得到目标历史交易价格表。需要特别说明的是，在统计学中，把所有数值由小到大排列并分成四等分，处于三个分割点位置的数值即为四分位数，其中，第一四分位数(Q1)为该样本中所有数值由小到大排列后第25％的数值，第二四分位数(Q2)等干该样本所有数值由小到大排列后第50％的数值，第三四分位数(Q3)等于该样本中所有数值由小到大排列后第75％的数值。其中，第一四分位数Q1的计算公式如下：
Q1＝(n+1)/4
其中，n表示各个配件的标准历史交易价格的总个数。
第三四分位数Q3的计算公式如下：
Q3＝3(n+1)/4
其中，n表示各个配件的标准历史交易价格的总个数。
上边缘U的计算公式如下：
U＝Q1-1.5(Q3-Q1)
下边缘D的计算公式如下：
D＝Q3+1.5(Q3-Q1)
示例性的，假设获取所述历史交易数据表中配件A对应的品牌A、品牌B、品牌C、品牌D、品牌E、品牌F、品牌G及品牌H的历史交易价格为50、90、55、78、80、85、70及50，假设配件A的原厂配件价格为82，只有90大于82，其他均小于82，则将90进行剔除，得到配件A的标准历史交易价格分别为50、55、78、80、85、70及50，根据预设的箱式图法，计算出配件A的标准历史交易价格的第一四分位数Q1为50，第三四分位数Q3为80，上边缘U为5以及下边缘D为125，则将小于5的价格以及大于125价格的值进行剔除，得到配件A的所有目标历史交易价格分别为50、55、78、80、85、70、50。需要注意的是，如果目标历史交易价格数据量大于预设值，则可扩大剔除范围，例如将原来5％-95％的保留数据缩减为10％-90％的保留数据。
本发明实施例通过预设的箱式图法，对历史配件价格进行第二次剔除处理，得到目标历史交易价格，根据历史交易数据量，适当扩大剔除范围，使数据更具精确性。
步骤S300，将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
具体地，获取所述目标历史交易数据表中各个配件的目标历史交易价格，然后根据kmeans(k均值聚类)算法，确定各个配件的参考价格。
在示例性的实施例中，如图6所示，为所述步骤S300的细化步骤流程图，所述步骤S300可以包括：
步骤S301，获取所述目标历史交易数据表中各个配件的目标历史交易价格；
步骤S302，将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格；
步骤S303，将所述各个聚类中心价格作为所述各个配件的参考价格。
具体地，获取所述目标历史交易数据表中各个配件的目标历史交易价格，将所述目标历史交易价格输入到kmeans算法中进行聚类计算，得到各个聚类中心价格，将所述各个聚类中心价格作为所述各个配件的参考价格。然后计算所述参考价格以及用户的业务需求，确定各个配件的参考价格。
本发明实施例通过将所述目标历史交易价格输入到kmeans算法中进行聚类计算，得到各个聚类中心价格，将所述各个聚类中心价格作为所述各个配件的参考价格，从而确定各个配件的参考价格，实现数据的自学习，使计算出的参考价格的精确度更高，更加贴合市场定价价格。
在示例性的实施例中，如图7所示，为所述步骤S302的细化步骤流程图，所述步骤S302可以包括：
步骤S311，将各个配件的目标历史交易价格分别按照价格的高低顺序进行排序，得到各个配件对应的数据集；
步骤S312，将所述数据集平均分成k份，得到k份目标数据集；
步骤S313，分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值；
步骤S314，计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值；
步骤S315，将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集；
步骤S316，触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值不再变化或在预设范围内退出，得到所述各个聚类中心价格。
具体地，将各个配件的目标历史交易价格从低到高进行排序，得到各个配件对应的数据集，然后将所述数据集平均分成k份，得到k份目标数据集，分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值，最后计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值，并将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集，触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值在预设范围内退出，得到所述各个聚类中心价格。
示例性的，假设配件A的各个目标历史交易价格分别为50、55、78、80、85、70、50，先将配件A的所有目标历史交易价格从低到高进行排序，分别为50、50、55、70、78、80、85，假设将所述目标价格分成3份，分别为p1＝[50,50]、p2＝[55,70]、p3＝[78,80,85]，计算p1、p2、p3的平均值分别为50、62.5、81，然后计算3份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值，并将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中假设配件A新的数据集为p1＝[50,50,55]、p2＝[70]、p3＝[78,80,85]，假设最终得到配件A的配件参考价格为51.7、70、81，根据业务需求，最终定价为70。
本发明实施例提供的配件定价方法、系统、计算机设备及计算机可读存储介质，通过对历史配件价格进行剔除处理，使得配件价格更真实有效，然后通过将剔除处理后的各个配件的历史交易价格进行聚类计算，实现数据的无监督学习，最后将无监督学习后的聚类中心价格作为配件的参考价格，而无需人为的介入。本发明实施例通过直接根据历史配件价格得到配件的参考价格，说服力强，且能够对市场上众多的配件进行有效的管理，极大地提高了配件的购买效率，同时为保险公司的理赔管理提供理赔参考，从而减少不必要的理赔损失。
实施例二
参阅图8，示出了本发明实施例之一种配件定价系统700的程序模块示意图。所述配件定价系统700可以应用于计算机设备中，所述计算机设备可以是手机、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)、等具有数据传输功能的设备。在本发明实施例中，所述配件定价系统700可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明实施例，并可实现上述配件定价系统700。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述所述配件定价系统700在存储介质中的执行过程。在示例性的实施例中，该配件定价系统700包括获取模块701、处理模块702及计算模块703。以下描述将具体介绍本发明实施例各程序模块的功能：
获取模块701，用于获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格。
具体地，所述获取模块701根据预设的更新时间，定时获取平台的历史交易数据，得到定时更新的历史交易数据表。其中，所述历史交易数据包括：订单号、品牌、配件名、配件价格、配件品质、配件oe以及时间等。需要说明的是，oe指的是汽车生产商为方便对配件进行管理而采用的编号。
所述获取模块701通过定时获取平台的历史交易数据，得到定时更新的历史交易数据表，对数据表及时更新，使得历史交易数据具有实时性。
处理模块702，用于将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表。
具体地，由于配件的交易价格是要小于预设的原厂配件价格的，如果配件的历史交易价格大于所述原厂配件价格，则所述历史交易价格不适用于配件的参考价格计算，所述处理模块702将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表，然后根据预设的箱式图法，检测所述标准历史交易数据表中所有品牌中各个配件的标准历史交易价格的异常值并进行第二次剔除，得到所述目标历史交易数据表，其中，所述箱式图法是一种用作显示一组数据分散情况资料的统计图方法。
在示例性的实施例中，所述处理模块702具体用于：
获取所述历史交易数据表中各个配件的历史交易价格；
将所述历史交易价格与预设的原厂配件价格进行比较；
将大于所述原厂配件价格的所述历史交易价格从所述历史交易数据表中剔除，得到所述标准历史交易数据表。
具体地，所述处理模块702先获取所述历史交易数据表中各个配件的历史交易价格，然后将所述历史交易价格与所述原厂配件价格进行比较，并将大于所述原厂配件价格的所述历史交易价格进行剔除处理，最终得到标准历史交易数据表。
示例性的，假设获取所述历史交易数据表中配件A对应的品牌A、品牌B、品牌C、品牌D、品牌E、品牌F、品牌G及品牌H的历史交易价格为50，90，55，78，80，85，70及50，假设配件A的原厂配件价格为82，只有90大于82，其他均小于82，则将90进行剔除，得到配件A的历史交易价格分别为50，55，78，80，85，70及50。
本发明实施例通过将大于所述原厂配件价格的配件价格剔除，使定价结果更加接近市场价格范围。
在示例性的实施例中，所述处理模块702还具体用于：
获取所述标准历史交易数据表中各个配件的标准历史交易价格；
根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
具体地，所述处理模块702先获取所述标准历史交易数据表中各个配件对应所有品牌的标准历史交易价格，然后根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
在示例性的实施例中，所述处理模块702具体还用于：
根据预设的箱式图法，计算所有品牌中各个配件的标准历史交易价格的四分位数；
根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘；
将小于所述上边缘及大于所述下边缘之外的数据进行剔除，得到所述目标历史交易价格表。
具体地，所述处理模块702根据预设的箱式图法，先计算所有品牌中各个配件的标准历史交易价格的四分位数，然后根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘，最终将小于所述上边缘或大于所述下边缘的数据进行剔除，得到目标历史交易价格表。需要特别说明的是，在统计学中，把所有数值由小到大排列并分成四等分，处于三个分割点位置的数值即为四分位数，其中，第一四分位数(Q1)为该样本中所有数值由小到大排列后第25％的数值，第二四分位数(Q2)等干该样本所有数值由小到大排列后第50％的数值，第三四分位数(Q3)等于该样本中所有数值由小到大排列后第75％的数值。其中，第一四分位数Q1的计算公式如下：
Q1＝(n+1)/4
其中，n表示各个配件的标准历史交易价格的总个数。
第三四分位数Q3的计算公式如下：
Q3＝3(n+1)/4
其中，n表示各个配件的标准历史交易价格的总个数。
上边缘U的计算公式如下：
U＝Q1-1.5(Q3-Q1)
下边缘D的计算公式如下：
D＝Q3+1.5(Q3-Q1)
示例性的，假设获取所述历史交易数据表中配件A对应的品牌A、品牌B、品牌C、品牌D、品牌E、品牌F、品牌G及品牌H的历史交易价格为50、90、55、78、80、85、70及50，假设配件A的原厂配件价格为82，只有90大于82，其他均小于82，则将90进行剔除，得到配件A的标准历史交易价格分别为50、55、78、80、85、70及50，根据预设的箱式图法，计算出配件A的标准历史交易价格的第一四分位数Q1为50，第三四分位数Q3为80，上边缘U为5以及下边缘D为125，则将小于5的价格以及大于125价格的值进行剔除，得到配件A的所有目标历史交易价格分别为50、55、78、80、85、70、50。需要注意的是，如果目标历史交易价格数据量大于预设值，则可扩大剔除范围，例如将原来5％-95％的保留数据缩减为10％-90％的保留数据。
本发明实施例通过预设的箱式图法，对历史配件价格进行第二次剔除处理，得到目标历史交易价格，根据历史交易数据量，适当扩大剔除范围，使数据更具精确性。
计算模块703，用于将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
具体地，所述计算模块703获取所述目标历史交易数据表中各个配件的目标历史交易价格，然后根据kmeans(k均值聚类)算法，确定各个配件的参考价格。
在示例性的实施例中，所述计算模块703具体用于：
获取所述目标历史交易数据表中各个配件的目标历史交易价格；
将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格；
将所述各个聚类中心价格作为所述各个配件的参考价格。
具体地，所述计算模块703获取所述目标历史交易数据表中各个配件的目标历史交易价格，将所述目标历史交易价格输入到kmeans算法中进行聚类计算，得到各个聚类中心价格，将所述各个聚类中心价格作为所述各个配件的参考价格。然后计算所述参考价格以及用户的业务需求，确定各个配件的参考价格。
本发明实施例通过将所述目标历史交易价格输入到kmeans算法中进行聚类计算，得到各个聚类中心价格，将所述各个聚类中心价格作为所述各个配件的参考价格，从而确定各个配件的参考价格，实现数据的自学习，使计算出的参考价格的精确度更高，更加贴合市场定价价格。
在示例性的实施例中，所述计算模块703具体还用于：
将各个配件的目标历史交易价格分别按照价格的高低顺序进行排序，得到各个配件对应的数据集；
将所述数据集平均分成k份，得到k份目标数据集；
分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值；
计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值；
将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集；
触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值不再变化或在预设范围内退出，得到所述各个聚类中心价格。
具体地，所述计算模块703将各个配件的目标历史交易价格从低到高进行排序，得到各个配件对应的数据集，然后将所述数据集平均分成k份，得到k份目标数据集，分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值，最后计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值，并将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集，触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值在预设范围内退出，得到所述各个聚类中心价格。
示例性的，假设配件A的各个目标历史交易价格分别为50、55、78、80、85、70、50，先将配件A的所有目标历史交易价格从低到高进行排序，分别为50、50、55、70、78、80、85，假设将所述目标价格分成3份，分别为p1＝[50,50]、p2＝[55,70]、p3＝[78,80,85]，计算p1、p2、p3的平均值分别为50、62.5、81，然后计算3份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值，并将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中假设配件A新的数据集为p1＝[50,50,55]、p2＝[70]、p3＝[78,80,85]，假设最终得到配件A的配件参考价格为51.7、70、81，根据业务需求，最终定价为70。
本发明实施例提供的配件定价系统700通过对历史配件价格进行剔除处理，使得配件价格更真实有效，然后通过将剔除处理后的各个配件的历史交易价格进行聚类计算，实现数据的无监督学习，最后将无监督学习后的聚类中心价格作为配件的参考价格，而无需人为的介入。本发明实施例通过直接根据历史配件价格得到配件的参考价格，说服力强，且能够对市场上众多的配件进行有效的管理，极大地提高了配件的购买效率，同时为保险公司的理赔管理提供理赔参考，从而减少不必要的理赔损失。
实施例三
参阅图9，本发明实施例还提供一种计算机设备800的硬件架构示意图。如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。在本发明实施例中，所述计算机设备800是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。如图所示，所述计算机设备800至少包括，但不限于，可通过装置总线相互通信连接存储器801、处理器802、网络接口803。其中：
本发明实施例中，存储器801至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些发明实施例中，存储器801可以是计算机设备800的内部存储单元，例如所述计算机设备800的硬盘或内存。在另一些发明实施例中，存储器801也可以是计算机设备800的外部存储设备，例如所述计算机设备800上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，存储器801还可以既包括计算机设备800的内部存储单元也包括其外部存储设备。本发明实施例中，存储器801通常用于存储安装于计算机设备800的操作装置和各类应用软件，例如所述配件定价系统700的程序代码等。此外，存储器801还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器802在一些发明实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器802通常用于控制计算机设备800的总体操作。本发明实施例中，处理器802用于运行存储器801中存储的程序代码或者处理数据，例如运行所述配件定价系统700的程序代码，以实现上述各个发明实施例中的所述配件定价方法。
所述网络接口803可包括无线网络接口或有线网络接口，所述网络接口803通常用于在所述计算机设备800与其他电子装置之间建立通信连接。例如，所述网络接口803用于通过网络将所述计算机设备800与外部终端相连，在所述计算机设备800与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯装置(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图9仅示出了具有部件801-803的计算机设备800，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本发明实施例中，存储于存储器801中的所述配件定价系统700还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器801中，并由一个或多个处理器(本发明实施例为处理器802)所执行，以完成本发明之配件定价方法。
实施例四
本发明实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本发明实施例的计算机可读存储介质用于存储所述配件定价系统700，以被处理器执行时实现本发明之配件定价方法。
上述本发明实施例序号仅仅为了描述，不代表发明实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述发明实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选发明实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种配件定价方法，其特征在于，所述方法包括：
获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格；
将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表；及
将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
2.如权利要求1所述的配件定价方法，其特征在于，所述将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表，包括：
将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表；及
根据预设的箱式图法，将所述标准历史交易数据表中的配件价格进行第二次剔除处理，得到所述目标历史交易数据表。
3.如权利要求2所述的配件定价方法，其特征在于，所述将所述历史交易数据表中的配件价格进行第一次剔除处理，得到标准历史交易数据表，包括：
获取所述历史交易数据表中各个配件的历史交易价格；
将所述历史交易价格与预设的原厂配件价格进行比较；及
将大于所述原厂配件价格的所述历史交易价格从所述历史交易数据表中剔除，得到所述标准历史交易数据表。
4.如权利要求2所述的配件定价方法，其特征在于，所述根据预设的箱式图法，将所述标准历史交易数据表中的配件价格进行第二次剔除处理，得到所述目标历史交易数据表，包括：
获取所述标准历史交易数据表中各个配件的标准历史交易价格；及
根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表。
5.如权利要求4所述的配件定价方法，其特征在于，所述根据预设的箱式图法，将所述标准历史交易价格进行第二次剔除处理，得到所述目标历史交易数据表，包括：
根据预设的箱式图法，计算所有品牌中各个配件的标准历史交易价格的四分位数；
根据所述四分位数，计算所述标准历史交易价格的上边缘及下边缘；及
将小于所述上边缘及大于所述下边缘之外的数据进行剔除，得到所述目标历史交易价格表。
6.如权利要求1所述的配件定价方法，其特征在于，所述将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格，包括：
获取所述目标历史交易数据表中各个配件的目标历史交易价格；
将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格；及
将所述各个聚类中心价格作为所述各个配件的参考价格。
7.如权利要求6所述的配件定价方法，其特征在于，所述将所述目标历史交易价格输入到预设的聚类算法中进行聚类计算，得到各个聚类中心价格，包括：
将各个配件的目标历史交易价格分别按照价格的高低顺序进行排序，得到各个配件对应的数据集；
将所述数据集平均分成k份，得到k份目标数据集；
分别计算每份数据集中所有目标历史交易价格的平均值，并将所述平均值作为对应目标数据集的中心值；
计算所述k份数据集中的各个目标历史交易价格分别到各个数据集的中心值的绝对差值；
将各个目标历史交易价格重新分配到所述绝对差值最小的数据集中，得到新的k份数据集；及
触发所述每份数据集中所有目标历史交易价格平均值的计算操作，直到所述k份数据集的中心值不再变化或在预设范围内退出，得到所述各个聚类中心价格。
8.一种配件定价系统，其特征在于，包括：
获取模块，用于获取所有配件的历史交易数据，得到历史交易数据表，所述历史交易数据表包括各个配件在各个历史交易中的历史交易价格；
处理模块，用于将所述历史交易数据表中的配件价格进行剔除处理，得到目标历史交易数据表；
计算模块，用于将所述目标历史交易数据表中各个配件的历史交易价格进行聚类计算，以根据聚类计算结果确定所述各个配件的参考价格。
9.一种计算机设备，所述计算机设备包括：存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现权利要求1至7中任一项的所述配件定价方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项的所述配件定价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011582117.7A CN112598446A (zh) | 2020-12-28 | 2020-12-28 | 配件定价方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011582117.7A CN112598446A (zh) | 2020-12-28 | 2020-12-28 | 配件定价方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112598446A true CN112598446A (zh) | 2021-04-02 |
Family
ID=75203665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011582117.7A Pending CN112598446A (zh) | 2020-12-28 | 2020-12-28 | 配件定价方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598446A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129064A (zh) * | 2021-04-25 | 2021-07-16 | 深圳壹账通创配科技有限公司 | 汽车配件价格预测方法、系统、设备与可读存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136683A (zh) * | 2011-11-24 | 2013-06-05 | 阿里巴巴集团控股有限公司 | 计算产品参考价格的方法、装置及产品搜索方法、系统 |
| CN105956628A (zh) * | 2016-05-13 | 2016-09-21 | 北京京东尚科信息技术有限公司 | 数据分类方法和用于数据分类的装置 |
| CN107203912A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
| CN107392678A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种电价制定方法及系统 |
| CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
| CN108804037A (zh) * | 2018-05-29 | 2018-11-13 | 郑州云海信息技术有限公司 | 基于箱型图处理存储设备历史性能数据的方法及系统 |
| CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
| CN109389453A (zh) * | 2017-08-11 | 2019-02-26 | 苏宁云商集团股份有限公司 | 一种价格分析方法及装置 |
| CN109840805A (zh) * | 2019-01-24 | 2019-06-04 | 四川长虹电器股份有限公司 | 一种基于正态分布模型的采购价格控制方法及系统 |
| CN110533449A (zh) * | 2019-07-08 | 2019-12-03 | 中国平安财产保险股份有限公司 | 数据推荐方法、装置、设备及存储介质 |
| CN110837493A (zh) * | 2019-10-11 | 2020-02-25 | 苏宁云计算有限公司 | 价格发布控制方法、装置、计算机设备和存储介质 |
| CN111598615A (zh) * | 2020-05-11 | 2020-08-28 | 北京庭宇科技有限公司 | 一种pcdn网络节点的调价方法及系统 |
-
2020
- 2020-12-28 CN CN202011582117.7A patent/CN112598446A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136683A (zh) * | 2011-11-24 | 2013-06-05 | 阿里巴巴集团控股有限公司 | 计算产品参考价格的方法、装置及产品搜索方法、系统 |
| CN105956628A (zh) * | 2016-05-13 | 2016-09-21 | 北京京东尚科信息技术有限公司 | 数据分类方法和用于数据分类的装置 |
| CN107203912A (zh) * | 2017-06-26 | 2017-09-26 | 北京京东尚科信息技术有限公司 | 动态定价方法和装置 |
| CN109389453A (zh) * | 2017-08-11 | 2019-02-26 | 苏宁云商集团股份有限公司 | 一种价格分析方法及装置 |
| CN107392678A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种电价制定方法及系统 |
| CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
| CN108804037A (zh) * | 2018-05-29 | 2018-11-13 | 郑州云海信息技术有限公司 | 基于箱型图处理存储设备历史性能数据的方法及系统 |
| CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
| CN109840805A (zh) * | 2019-01-24 | 2019-06-04 | 四川长虹电器股份有限公司 | 一种基于正态分布模型的采购价格控制方法及系统 |
| CN110533449A (zh) * | 2019-07-08 | 2019-12-03 | 中国平安财产保险股份有限公司 | 数据推荐方法、装置、设备及存储介质 |
| CN110837493A (zh) * | 2019-10-11 | 2020-02-25 | 苏宁云计算有限公司 | 价格发布控制方法、装置、计算机设备和存储介质 |
| CN111598615A (zh) * | 2020-05-11 | 2020-08-28 | 北京庭宇科技有限公司 | 一种pcdn网络节点的调价方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 黑马程序员: "《Python数据分析与应用：从数据获取到可视化》", 华中科技大学出版社, pages: 130 - 138 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129064A (zh) * | 2021-04-25 | 2021-07-16 | 深圳壹账通创配科技有限公司 | 汽车配件价格预测方法、系统、设备与可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
| CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
| CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
| CN107871277B (zh) | 服务器、客户关系挖掘的方法及计算机可读存储介质 | |
| CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
| CN112598446A (zh) | 配件定价方法、系统、设备及存储介质 | |
| CN116226732A (zh) | 一种电动公交车充电负荷曲线分类方法及系统 | |
| CN111475541A (zh) | 数据决策方法、装置、电子设备及存储介质 | |
| CN110708197A (zh) | 监控装置、监控装置的监控策略的设置方法及存储介质 | |
| CN113129064A (zh) | 汽车配件价格预测方法、系统、设备与可读存储介质 | |
| CN112417202A (zh) | 内容筛选方法及装置 | |
| CN112148880A (zh) | 一种客服对话语料聚类方法、系统、设备及存储介质 | |
| CN115374944B (zh) | 模型推理方法、装置、电子设备和存储介质 | |
| CN116245380A (zh) | 目标业务的业务问题的确定方法、装置、计算机设备 | |
| CN111402068A (zh) | 基于大数据的保费数据分析方法、装置及存储介质 | |
| CN111144634A (zh) | 一种电力价格预测的方法以及装置 | |
| CN111652281B (zh) | 信息数据的分类方法、装置及可读存储介质 | |
| CN114463117A (zh) | 用户行为预测方法、系统及其装置 | |
| CN113705674A (zh) | 一种非负矩阵分解聚类方法、装置及可读存储介质 | |
| CN110598995A (zh) | 智能客户评级方法、装置及计算机可读存储介质 | |
| CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
| CN110852767A (zh) | 客流量聚类方法及终端设备 | |
| CN112598475A (zh) | 配件推荐方法、系统、设备及存储介质 | |
| CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
| CN113256323A (zh) | 目标对象的价格预测方法、装置及终端 |
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 |