CN112734475A - 生成、获取车辆的保值率标签的方法、介质以及电子设备 - Google Patents
生成、获取车辆的保值率标签的方法、介质以及电子设备 Download PDFInfo
- Publication number
- CN112734475A CN112734475A CN202110033750.9A CN202110033750A CN112734475A CN 112734475 A CN112734475 A CN 112734475A CN 202110033750 A CN202110033750 A CN 202110033750A CN 112734475 A CN112734475 A CN 112734475A
- Authority
- CN
- China
- Prior art keywords
- rate
- warranty
- vehicle
- target vehicle
- year
- 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 50
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000035945 sensitivity Effects 0.000 claims description 9
- 230000007547 defect Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 241001244708 Moroccan pepper virus Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及生成、获取车辆的保值率标签的方法、介质以及电子设备。生成保值率标签的方法包括:确定作为目标车辆的第n年度保值率的第一保值率;确定目标车辆类别以及类别包括的多个同类别车辆;确定车辆类别的第n年度保值率的第二保值率;基于第一保值率和第二保值率,计算目标车辆相对于其所属车辆类别的第n年度的相对保值率指数;将n的取值从1遍历到M,生成目标车辆的第1年度到第M年度的相对保值率指数;基于目标车辆的第1年度到第M年度的相对保值率指数,利用训练好的机器学习模型生成用于描述目标车辆的保值率属性的保值率标签。本发明弥补了现有技术中车辆画像缺乏保值率标签的缺陷,使用户更全面地了解目标车辆。
Description
技术领域
本发明涉及车辆画像技术领域,具体涉及一种生成车辆的保值率标签的方法、获取车辆的保值率标签的方法、介质以及电子设备。
背景技术
现有技术中,基于对全网车辆数据的挖掘、汇集和处理,可以生成车辆画像,车辆画像可用于表示车辆的整体和/或局部的属性,方便用户快速了解车辆的方方面面的信息。例如,某车辆的车辆画像可以包括以下信息:车身稳定控制不错、主动刹车不错、内饰异味小、风噪大等等。然而,目前的车辆画像信息中,缺少了关于车辆保值率的画像信息。
当前,用户可以在各汽车媒体网站上查询到车辆的保值率,但是车辆的保值率只是一个简单的百分比数值,仅凭这些百分比数值,客户无法对该车辆的各年度保值率的数值作出具体是高、中、还是低的直观判断。
发明内容
本发明的目的在于,提供一种生成车辆的保值率标签的方法、获取车辆的保值率标签的方法、介质以及电子设备,以消除现有技术中车辆画像缺少保值率画像信息的缺陷。
根据本发明的一个方案,提供了一种生成车辆的保值率标签的方法,包括:确定作为所述目标车辆的第n年度保值率的第一保值率,其中n为自然数;根据所述目标车辆的至少一个车辆元数据信息,确定所述目标车辆所属的车辆类别以及所述车辆类别所包含的包括所述目标车辆在内的多个同类别车辆;基于所述多个同类别车辆的第n年度的保值率信息,确定作为所述车辆类别的第n年度保值率的第二保值率;基于所述第一保值率和所述第二保值率,计算所述目标车辆相对于其所属车辆类别的第n年度的相对保值率指数;将n的取值从1遍历到M,重复上述各步骤以生成所述目标车辆的第1年度到第M年度的相对保值率指数,其中M为大于1的自然数;基于所述目标车辆的第1年度到第M年度的相对保值率指数,利用训练好的机器学习模型,生成用于描述所述目标车辆的保值率属性的保值率标签。
根据本发明的再一个方案,提供了一种获取车辆的保值率标签的方法,包括:向服务器发送关于目标车辆的查询请求;接收由所述服务器返回的所述目标车辆的保值率标签,其中所述目标车辆的保值率标签是根据上述的方法生成的;显示所述目标车辆的保值率标签。
根据本发明的另一个方案,提供了一种非临时性计算机可读介质,其上存储有计算机可执行代码,所述计算机可执行代码在被处理器执行时实现上述方法。
根据本发明的还一个方案,提供了一种电子设备,包括处理器、存储器以及其上存储的计算机可执行代码,当所述处理器执行所述计算机可执行代码时实现上述方法。
利用本发明提供的生成车辆的保值率标签的方法,由于使用的是目标车辆相对同类别车辆的相对保值率指数,所生成的保值率标签更加准确,并且通过综合第1到第M年度的相对保值率指数来描述目标车辆的保值率属性,并利用训练好的机器学习模型生成保值率标签,所生成的保值率标签可以用于构成车辆画像的一部分,弥补了现有技术中车辆画像缺乏保值率标签的缺陷,使用户更全面地了解目标车辆。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本系统或方法的穷尽或排他实施例。
图1是本发明实施例的一种生成车辆的保值率标签的方法的流程示意图。
图2是本发明实施例的利用神经网络进行保值率标签的预测的过程的示意图。
图3是本发明实施例的一种获取车辆的保值率标签的方法的流程示意图。
具体实施方式
此处参考附图描述本公开的各种方案以及特征。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
本说明书可使用词组“在一个实施例中”、“在一些实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。注意的是,在说明书全文中,相同或相近的附图标记指代相同或相似的元件,并省略不必要的重复描述。此外,具体实施例中,以单数形式出现的元件并不排除可以以多个(复数个)形式出现。
图1是本发明实施例的一种生成车辆的保值率标签的方法的流程示意图。如图1所示,生成车辆的保值率标签的方法100包括:
步骤101,确定作为所述目标车辆的第n年度保值率的第一保值率,其中n为自然数。
目标车辆例如为奥迪A4L、奥迪A6L、奔驰V级、奔驰R级、奔驰GLS AMG、奔驰GLS、奔驰GLA、奔驰GLA(进口)等各种类型的车辆,本上文中对“车辆”的指称,可以是指车系名,也可以是指比车系更进一步细分的车型名,只要能够获取到相应的车系/车型的保值率数据,以及与该车辆同类别的车系/车型的保值率数据,就可以应用本发明。例如,可以从汽车媒体网站上或者相应的数据库中查询到各种车辆的保值率数据。本上下文中,车辆的第n年度保值率指的是从该车辆的新车发售年份起加上n年的保值率。比如第1年度保值率即指的是该车辆的新车发售年份加上1年,即该车辆的新车发售年份的次年的保值率。具体的,例如,当某一车辆为2020年发售,则第1年度保值率指的是2021年的保值率,其他年度可依次类推。
步骤103,根据所述目标车辆的至少一个车辆元数据信息,确定所述目标车辆所属的车辆类别以及所述车辆类别所包含的包括所述目标车辆在内的多个同类别车辆。
车辆的元数据信息即车辆的属性或参数配置信息,包括对车辆整体和/或局部的属性或参数配置的描述,比如车的动力、外观、操控、结构等。在一些实施例中,车辆的至少一个车辆元数据信息可以包括但不限于:车型结构、新车售价、动力类型、变速箱类型、在售状态中的至少一个。车型结构,例如可以包括:两厢车、三厢车、SUV、MPV、硬顶跑车、硬顶敞篷车等。车型结构的具体类型可以根据市场需求、领域经验等进行不同的定义和分类,本文仅给出示例。比如车型结构还可以分类为:小型车、中型车、中大型车、SUV、MPV、跑车等。变速箱类型例如可以包括:双离合、手自一体、无级等。动力类型例如可以包括:油车、新能源(纯电动)、混合动力车辆等。
在一个实施例中,可以根据车型结构确定与所述目标车辆属于同一车辆类别的多个同类别车辆。具体地,可以在车辆数据库中以车型结构进行检索,查询到多个具有同一车型结构的同类别车辆。在另一个实施例中,可以根据车型结构、新车售价两个属性来共同确定与所述目标车辆属于同一车辆类别的多个同类别车辆,即,确定与待评估保值率的车辆具有同样车型结构(比如:两厢车)和同一新车售价区间(比如:15万-25万)的各个车辆。这里列举的新车售价区间的示例仅仅是举例,实际上可以对其进行更细粒度的划分,或者可以由领域专家根据经验做合理划分。
步骤105,基于所述多个同类别车辆的第n年度的保值率信息,确定作为所述车辆类别的第n年度保值率的第二保值率。即,第二保值率是反映了目标车辆所属的车辆类别下所有车辆整体上的第n年保值率。在一个实施例中,所需的车辆保值率数据可以从汽车媒体网站上获取或者从相应的数据库中查询到,从而对各个类别下所有车辆的保值率数据构成的集合中选取中位数或求均值,可以确定作为各个车辆类别的第n年度保值率的第二保值率。
步骤107,基于所述第一保值率和所述第二保值率,计算所述目标车辆相对于其所属车辆类别的第n年度的相对保值率指数。
步骤111,基于所述第一保值率和所述第二保值率,计算所述目标车辆相对于其所属车辆类别的第n年度的相对保值率指数。
步骤113,将n的取值从1遍历到M,重复上述各步骤以生成所述目标车辆的第1年度到第M年度的相对保值率指数,其中M为大于1的自然数,例如M可以取值为8或10等。
步骤115,基于所述目标车辆的第1年度到第M年度的相对保值率指数,利用训练好的机器学习模型,生成用于描述所述目标车辆的保值率属性的保值率标签。
利用本发明实施例的生成车辆保值率标签的方法,由于使用的是目标车辆相对同类别车辆的相对保值率指数,所生成的保值率标签更加准确,并且通过综合第1到第M年度的相对保值率指数来描述目标车辆的保值率属性,并利用训练好的机器学习模型生成保值率标签,所生成的保值率标签可以用于构成车辆画像的一部分,弥补了现有技术中车辆画像缺乏保值率标签的缺陷,使用户更全面地了解目标车辆。
在一个实施例中,步骤101可以包括:获取所述目标车辆的来自不同数据源的第n年度保值率所构成的第一保值率集合;将所述第一保值率集合的中位数或均值确定为所述目标车辆的第n年度的第一保值率。不同数据源指的是车辆的保值率数据的不同来源。例如多家(汽车)媒体网站上可以查询到的针对同一车辆的保值率数据,由于不同媒体的信息来源不同,同一车辆的保值率数据也会存在差异。在某些情况下,可能存在保值率数据错误的情况。通过汇集不同数据源的车辆保值率来确定目标车辆的第一保值率,可以确保作为本发明数据处理方法的基础数据的目标车辆的保值率是较为可靠和准确的。
在一个实施例中,步骤105可以包括:获取所述多个同类别车辆的分别来自所述不同数据源的第n年度保值率所构成的第二保值率集合;将所述第二保值率集合的中位数或均值确定为所述车辆类别的第n年度的所述第二保值率。通过汇集不同数据源的同类别车辆的保值率来确定该车辆类别的第n年度的第二保值率,可以确保第二保值率是较为可靠和准确的。
在一些实施例中,车辆的来自各个不同数据源的保值率数据可以通过例如爬虫技术来抓取,利用爬虫技术可以抓取多家媒体(即,数据源)针对每款汽车分别从第1年度到例如第10年度的保值率。这些不同的数据源可以包括但不限于:汽车垂直媒体(或简称,汽车垂媒)和/或提供汽车保值率的其他网站、应用程序(APP)、数据库、应用程序接口(API)、服务器等等。在抓取到各车辆的各个不同数据源的保值率数据后,可以进行数据清洗、NLP(自然语言处理)实体归约等数据治理工作,以得到高质量数据,并且所得到的高质量保值率数据可以用于构建或扩充汽车行业知识图谱/知识库/数据库或者将高质量的保值率数据更新到已有的汽车行业知识图谱/知识库/数据库中。从而,当执行实施例的生成车辆的保值率标签的方法时,可以从汽车行业知识图谱/知识库/数据库中方便地获取到车辆保值率,并基于获取到的保值率数据得到的第一保值率集合、第二保值率集合,确定第一保值率、第二保值率。
在一个实施例中,还包括去除第一保值率集合、第二保值率集合中异常值的步骤,异常值例如是极大值、极小值,通过剔除异常值,能够确保保值率基础数据(用于计算的源数据)的科学与合理性。
在一些实施例中,所述训练好的机器学习模型为神经网络。所述神经网络的输入包括由所述目标车辆的第1年度到第M年度的相对保值率指数构成的第一M维列向量,并且所述神经网络的输出为对预定K个保值率标签的预测概率,并且将所述预测概率最大的保值率标签确定为所述目标车辆的保值率标签。
在一个实施例中,使用全连接神经网络进行保值率标签的预测,例如,该全连接神经网络为BP神经网络。如图2所示,输入层为向量x1=[x11 x12...x1M]T(即,第一M维列向量),其中x11为目标车辆的第1年的相对保值率指数,x12为目标车辆的第2年的相对保值率指数,依次类推。w为训练好的神经网络的参数。z表示原始输出层的向量。
神经网络的激活函数为Softmax函数,以输出对预定K个保值率标签的预测概率。Softmax函数的表达式为:
最终输出层y表示预测概率。将y1、y2、y3中值最大的作为最终确定的保值率标签。例如,y1表示目标车辆保值率分类为高的概率,y2表示目标车辆保值率分类为中的概率,y3表示目标车辆保值率分类为低的概率。举例说明,当y1=0.7、y2=0.2、y3=0.1时,由于y1的值最大,则生成目标车辆的保值率标签:保值率高。在另一实施例中,保值率标签包括:用于描述所述目标车辆的保值率优、良、中或差的四类标签。例如,可以生成保值率优、保值率良、保值率中、保值率差这四类标签。
下面描述本发明生成保值率标签分类器(神经网络)的训练方法。在一个实施例中,获取了大量的车辆口碑数据(例如可通过分布式爬虫技术从一个或多个媒体网站抓取或者从相关数据源获取),从口碑数据中抽取含有对保值率高、低评价的口碑,例如,可通过对口碑数据进行关键词提取,抽取出含有保值率的评论语句,然后抽取关键词的评价搭配(例如,通过句法依存分析处理),随后通过例如情感色彩分类等情感倾向判断手段确定该抽取的评论语句中对保值率的评价是高、中或低,并且汇总出保值率高评价条数位于前列(例如前Q个,Q为自然数,一般而言可以选取Q大于或等于5)的第一组车辆和保值率低(或差)评价条数位于前列(例如前W个,W为自然数,一般而言可以选取W大于或等于5)的第二组车辆,然后将选取的第一组车辆和第二组车辆中的每一个车辆的M年的相对保值率指数构成的向量x1作为神经网络的输入,当相应车辆的保值率评价为高时,构建输出向量y=(y1,y2,y3),其中可以简单的确定y1=1,y2=0,y3=0,即y1对应保值率高的标签,y2对应保值率为中的标签,y3对应保值率为低的标签。而当相应车辆的保值率评价为低时,构建输出向量y,其中y1=0,y2=0,y3=1。然而,也可以根据相应车辆的保值率为高、中、低的三种评价的计数值,对y1、y2、y3的权值进行设定,并且归一化,即y1、y2、y3的比率对应三种评价的计数值之间的比率,且y1、y2、y3之和为1。如此,确定了用于训练神经网络的样本数据的输入值和输出值,从而可以确定神经网络的参数值。虽然从口碑数据中可以直接得到车辆的保值率评价标签,但是由于并不是针对每一款车辆的保值率都存在相关口碑数据,所以无法对车型库中每一车辆都生成保值率标签。然而,利用本发明实施例,可以针对车型库中的每一车辆都生成保值率标签,从而用户可以全面了解各种车辆的保值率情况。
在另一个实施例中,在训练阶段,可以利用例如领域专家评估样本车辆的保值率的方式(对每一样本车辆,训练时的输入为样本车辆的相对保值率向量,输出由领域专家打分,如评为保值率高,则y1=1,y2=0,y3=0)对神经网络进行训练。
在本发明的另一些实施例中,采用了CNN、RNN等其他类型的神经网络。
本发明的一些实施例中,所述神经网络的输入还包括第二M维列向量,所述第二M维列向量x2用于表示互联网用户对所述目标车辆的第1年度到第M年度保值率的敏感度。通过增加敏感度特征,使分类器的分类结果更好地拟合用户实际关注模型。x2=[x21x22...x2M]T,其中x21为互联网用户对目标车辆的第1年度的敏感度,其余可依次类推。则在本实施例中,
在一个实施例中,敏感度为预设值。可以由本领域技术人员,例如,汽车行业数据分析人员根据对数据的统计分析结果或领域专家根据经验预设各年度保值率的敏感度(权重值),并需要对权重值归一化。
在另一个实施例中,敏感度与车辆口碑数据中含有的对所述目标车辆的各个年度保值率的评论数目相关。例如,可以通过爬虫技术爬取目标车辆的口碑数据,对含有对目标车辆的各年度保值率的口碑数据(例如,评论)按年度分别进行统计,根据统计结果设定各年度保值率的敏感度。在训练阶段,相比于前面提及的分类器的训练方法实施例,可以在原有输入特征x1的基础上增加选取的样本车辆(即,第一组车辆和第二组车辆)的敏感度特征向量x2作为另一特征。
在下面的实施例中,如图3所示,显示了一种获取车辆的保值率标签的方法的流程示意图,方法300包括:
步骤301,向服务器发送关于目标车辆的查询请求。该查询请求例如可以是由用户提交的。
当提交查询请求后,在步骤303,接收由所述服务器返回的所述目标车辆的保值率标签,其中所述目标车辆的保值率标签是根据上述方法实施例生成的。
然后,在步骤305,显示目标车辆的保值率标签,例如显示在用户界面、网页等上。评估结果的显示可以具有不同的形式。可以单独以标签的形式显示目标车辆的保值率标签,也可以和目标车辆的汽车画像一起显示目标车辆的保值率标签。
本发明一个实施例中,还提供了一种非临时性计算机可读介质,其上存储有计算机可执行代码,计算机可执行代码在被处理器执行时能够实现上述的任一方法实施例。计算机可读介质可以包括磁性的、半导体的、磁带的、光学的、可移动的、不可移动的或其他类型的计算机可读介质或计算机可读存储设备。例如,如所公开的,计算机可读介质可以是其上存储有计算机指令的存储设备或存储器模块。在一些实施例中,计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
本公开实施例还提供一种电子设备,包括处理器、存储器以及其上存储的计算机可执行代码,其特征在于:当处理器执行计算机可执行代码时实现上述的一个或多个方法实施例。
实施例的电子设备可以是服务器,例如布设在云端的服务器,典型地,用于实现本公开的生成车辆的保值率标签的方法的实施例。服务器可以针对每一款车生成保值率标签,并且可以将生成的保值率标签存储在数据库中,供之后的查询。实施例的电子设备也可以是用户端设备,用于实现生成车辆的保值率标签的方法的实施例,即能够查询目标车辆的保值率标签。用户端设备例如为桌面式计算机、笔记型计算机、智能手机、平板电脑等能够执行计算功能的设备,并且各方法实施例可以以独立APP、应用软件、应用软件的模块、嵌入网页的小程序、微信小程序、通过浏览器访问、服务、组件的形式运行在上述电子设备上。处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。如本领域技术人员将理解的,在一些实施例中,处理器可以是专用处理器,而不是通用处理器。
处理器可以包括一个或多个已知处理设备,诸如由英特尔公司制造的PentiumTM、Core TM、Xeon TM或Itanium TM系列的微处理器,由AMD公司制造的Turion TM、AthlonTM、Sempron TM、Opteron TM、FXTM、PhenomTM系列的微处理器或太阳微系统(SunMicrosystems)制造的各种处理器的任一种。处理器还可以包括图形处理单元,诸如来自Nvidia公司制造的系列的GPU,由英特尔TM制造的GMA、Iris TM系列的GPU或者由AMD公司制造的Radeon TM系列GPU。处理器还可以包括加速的处理单元,诸如AMD公司制造的桌面A-4(6,8)系列,英特尔公司制造的Xeon Phi TM系列。所公开的实施例不限于任何类型的处理器。另外,术语“处理器”可以包括多于一个处理器,例如,多核设计或多个处理器,多个处理器中的每个处理器具有多核设计。处理器可以执行存储在存储器中的计算机程序指令的序列,以执行本文公开的各种操作、过程、方法。存储器可以包括只读存储器(ROM)、闪存,随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如,闪存,静态随机存取存储器)等,其上以任何格式存储计算机可执行指令。在一些实施例中,存储器可以存储一个或多个分割程序的计算机可执行指令。计算机程序指令可以被处理器访问,从ROM或者任何其他合适的存储位置读取,并加载到RAM中供处理器执行。存储器可以存储多个软件模块,用于实现与本公开一致的评估方法/获取评估结果的方法的各个步骤。
这里描述了各种操作或功能,其可以被实现为软件代码或指令或被定义为软件代码或指令。这样的内容可以是可直接执行的源代码或差异代码(“增量”或“块”代码)(“对象”或“可执行”形式)。软件代码或指令可以存储在计算机可读存储介质中,并且当被执行时,可以使机器执行所描述的功能或操作,并且包括用于以机器可访问的形式存储信息的任何机构(例如,计算设备,电子系统等),诸如可记录或不可记录介质(例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质,闪存设备等)。
与“包括”、“包含”或“特征在于”同义的术语“包括”是非排他性的或者开放性的,不排除另外的、未叙述的要素或方法步骤。“包括”是权利要求语言中使用的本领域的术语,其意味着所命名的要素是必要的,但是能够添加其他要素并且仍然形成权利要求书的范围内的结构。
如本文所使用的,当在实体列表的上下文中使用术语“和/或”时,是指单独或组合出现的实体。因此,例如,短语“A、B、C、和/或D”分别包括A、B、C和D,但也包括A、B、C和D的任何和所有组合和子组合。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种生成车辆的保值率标签的方法,其特征在于,包括:
确定作为所述目标车辆的第n年度保值率的第一保值率,其中n为自然数;
根据所述目标车辆的至少一个车辆元数据信息,确定所述目标车辆所属的车辆类别以及所述车辆类别所包含的包括所述目标车辆在内的多个同类别车辆;
基于所述多个同类别车辆的第n年度的保值率信息,确定作为所述车辆类别的第n年度保值率的第二保值率;
基于所述第一保值率和所述第二保值率,计算所述目标车辆相对于其所属车辆类别的第n年度的相对保值率指数;
将n的取值从1遍历到M,重复上述各步骤以生成所述目标车辆的第1年度到第M年度的相对保值率指数,其中M为大于1的自然数;
基于所述目标车辆的第1年度到第M年度的相对保值率指数,利用训练好的机器学习模型,生成用于描述所述目标车辆的保值率属性的保值率标签。
2.根据权利要求1所述的方法,其特征在于,所述确定作为所述目标车辆的第n年度保值率的第一保值率,包括:
获取所述目标车辆的来自不同数据源的第n年度保值率所构成的第一保值率集合;
将所述第一保值率集合的中位数或均值确定为所述目标车辆的第n年度的第一保值率。
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个同类别车辆的第n年度的保值率信息,确定作为所述车辆类别的第n年度保值率的第二保值率,包括:
获取所述多个同类别车辆的分别来自所述不同数据源的第n年度保值率所构成的第二保值率集合;
将所述第二保值率集合的中位数或均值确定为所述车辆类别的第n年度的所述第二保值率。
4.根据权利要求1所述的方法,其特征在于:所述至少一个车辆元数据信息包括:车型结构、新车售价、动力类型、变速箱类型、在售状态中的一个或多个。
5.根据权利要求1所述的方法,其特征在于,所述训练好的机器学习模型为神经网络,所述神经网络的输入包括由所述目标车辆的第1年度到第M年度的相对保值率指数构成的第一M维列向量,并且所述神经网络的输出为对预定K个保值率标签的预测概率,并且其中
所述生成用于描述所述目标车辆的保值率属性的保值率标签包括:将所述预测概率最大的保值率标签确定为所述目标车辆的保值率标签。
6.根据权利要求5所述的方法,其特征在于,所述神经网络的输入还包括第二M维列向量,所述第二M维列向量用于表示互联网用户对所述目标车辆的第1年度到第M年度保值率的敏感度。
7.根据权利要求1所述的方法,其特征在于,所述保值率标签包括:用于描述所述目标车辆的保值率高、中或低的三类标签;或者所述保值率标签包括:用于描述所述目标车辆的保值率优、良、中或差的四类标签。
8.一种获取车辆的保值率标签的方法,其特征在于,包括:
向服务器发送关于目标车辆的查询请求;
接收由所述服务器返回的所述目标车辆的保值率标签,其中所述目标车辆的保值率标签是根据权利要求1-7中任一项所述的方法生成的;
显示所述目标车辆的保值率标签。
9.一种非临时性计算机可读介质,其上存储有计算机可执行代码,其特征在于,所述计算机可执行代码在被处理器执行时实现根据权利要求1~8中任一项所述的方法。
10.一种电子设备,包括处理器、存储器以及其上存储的计算机可执行代码,其特征在于:当所述处理器执行所述计算机可执行代码时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033750.9A CN112734475A (zh) | 2021-01-12 | 2021-01-12 | 生成、获取车辆的保值率标签的方法、介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033750.9A CN112734475A (zh) | 2021-01-12 | 2021-01-12 | 生成、获取车辆的保值率标签的方法、介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734475A true CN112734475A (zh) | 2021-04-30 |
Family
ID=75590466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110033750.9A Pending CN112734475A (zh) | 2021-01-12 | 2021-01-12 | 生成、获取车辆的保值率标签的方法、介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734475A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004171288A (ja) * | 2002-11-20 | 2004-06-17 | Autobus:Kk | 自動車販売支援装置、自動車販売支援方法、及び自動車販売支援プログラム |
WO2009028597A1 (ja) * | 2007-08-30 | 2009-03-05 | Aioi Insurance Co., Ltd. | 物品残価予測装置 |
CN103106605A (zh) * | 2013-02-05 | 2013-05-15 | 广州博朝信息技术有限公司 | 一种二手车定价系统 |
CN107545447A (zh) * | 2016-06-23 | 2018-01-05 | 斑马网络技术有限公司 | 获取残值的方法、装置、终端设备和用户界面系统 |
CN110648154A (zh) * | 2018-06-26 | 2020-01-03 | 优信拍(北京)信息科技有限公司 | 一种二手车保值率的估算方法、系统及业务服务器 |
CN111242172A (zh) * | 2019-12-31 | 2020-06-05 | 浙江吉利新能源商用车集团有限公司 | 一种电池画像标签生成方法及装置 |
CN111859294A (zh) * | 2020-07-09 | 2020-10-30 | 北理新源(佛山)信息科技有限公司 | 一种基于大数据的电动汽车评估方法及系统 |
-
2021
- 2021-01-12 CN CN202110033750.9A patent/CN112734475A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004171288A (ja) * | 2002-11-20 | 2004-06-17 | Autobus:Kk | 自動車販売支援装置、自動車販売支援方法、及び自動車販売支援プログラム |
WO2009028597A1 (ja) * | 2007-08-30 | 2009-03-05 | Aioi Insurance Co., Ltd. | 物品残価予測装置 |
CN103106605A (zh) * | 2013-02-05 | 2013-05-15 | 广州博朝信息技术有限公司 | 一种二手车定价系统 |
CN107545447A (zh) * | 2016-06-23 | 2018-01-05 | 斑马网络技术有限公司 | 获取残值的方法、装置、终端设备和用户界面系统 |
CN110648154A (zh) * | 2018-06-26 | 2020-01-03 | 优信拍(北京)信息科技有限公司 | 一种二手车保值率的估算方法、系统及业务服务器 |
CN111242172A (zh) * | 2019-12-31 | 2020-06-05 | 浙江吉利新能源商用车集团有限公司 | 一种电池画像标签生成方法及装置 |
CN111859294A (zh) * | 2020-07-09 | 2020-10-30 | 北理新源(佛山)信息科技有限公司 | 一种基于大数据的电动汽车评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
万开明,等: "基于保值率的二手车成新率的探讨", 上海汽车, no. 06, pages 1366 - 1372 * |
成英,等: "基于聚类分析的二手车保值率预测", 数学的实践与认识, vol. 47, no. 24, pages 14 - 20 * |
李书江,等: "二手车价值评估中保值率因素", 石家庄理工职业学院学术研究, no. 2, pages 155 - 158 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11030415B2 (en) | Learning document embeddings with convolutional neural network architectures | |
US11593458B2 (en) | System for time-efficient assignment of data to ontological classes | |
US20230229692A1 (en) | Image-based popularity prediction | |
CN107908740B (zh) | 信息输出方法和装置 | |
US10282462B2 (en) | Systems, method, and non-transitory computer-readable storage media for multi-modal product classification | |
CN109446341A (zh) | 知识图谱的构建方法及装置 | |
US11599927B1 (en) | Artificial intelligence system using deep neural networks for pairwise character-level text analysis and recommendations | |
CN103679462A (zh) | 一种评论数据处理方法和装置、一种搜索方法和系统 | |
US20180336580A1 (en) | Evaluation device, evaluation method, and storage medium | |
US20120030206A1 (en) | Employing Topic Models for Semantic Class Mining | |
US20200364216A1 (en) | Method, apparatus and storage medium for updating model parameter | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
US12100056B2 (en) | Computer-implemented methods, computer-readable media, and systems for identifying causes of loss | |
US20220114644A1 (en) | Recommendation system with sparse feature encoding | |
Wang et al. | Smartphone-based bulky waste classification using convolutional neural networks | |
CN112015909A (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
US10990881B1 (en) | Predictive analytics using sentence data model | |
CN112084376A (zh) | 基于图谱知识的推荐方法、推荐系统及电子装置 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
CN112734475A (zh) | 生成、获取车辆的保值率标签的方法、介质以及电子设备 | |
CN114969253A (zh) | 市场主体与政策的匹配方法、装置、计算设备及介质 | |
CN112579774B (zh) | 模型训练方法、模型训练装置及终端设备 | |
CN115129863A (zh) | 意图识别方法、装置、设备、存储介质和计算机程序产品 | |
CN112528126A (zh) | 生成、获取车辆的保值率标签的方法、介质以及电子设备 | |
Ye et al. | A new energy vehicle sales forecasting model based on high-dimensional tensor CNN |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210430 |