CN113159837A - 车辆价格的评估方法及装置 - Google Patents
车辆价格的评估方法及装置 Download PDFInfo
- Publication number
- CN113159837A CN113159837A CN202110381142.7A CN202110381142A CN113159837A CN 113159837 A CN113159837 A CN 113159837A CN 202110381142 A CN202110381142 A CN 202110381142A CN 113159837 A CN113159837 A CN 113159837A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- price
- parameter information
- sample
- information
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 78
- 238000013210 evaluation model Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient 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
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种车辆价格的评估方法及装置，用以解决现有的车辆价格评估不准确的问题。所述方法包括：获取目标二手车辆的车辆参数信息；根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。该技术方案能够大大提升二手车交易价格评估的准确性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车辆价格的评估方法及装置。
背景技术
随着汽车保有量的增大、人们生活质量的提高，在汽车生命周期内有二手车交易流转的需求，二手车价值评估服务的需求也就随之而来。例如，针对卖车的车主，可以根据二手车估值来减少被杀价的风险；针对车商则可根据采购价格和零售价格的差异确认利益空间最大化，快速完成收购和零售的交易，降低资金和库存风险。再例如，针对银行二手车金融贷款、保险公司残值保险业务、主机厂的置换车辆处置等相关业务都需要二手车估值服务来辅助于他们提升业务效率，减少成本。
现有技术中，通常是基于统计、机器学习或者人工经验的方法对二手车进行价值评估，然而，基于统计、机器学习的估价方法依赖于大量的样本数据，对用户而言局限性大、且不方便。而人工经验方法并非所有的人都能够对二手车评估有清晰的认知，专业评估师虽然能够给出车辆的估值，但评估师存在个人经验的差异，无法公平公正的作出评估，从而导致评估结果不准确。
发明内容
本申请实施例的目的是提供一种车辆价格的评估方法及装置，用以解决现有的车辆价格评估不准确的问题。
为解决上述技术问题，本申请实施例是这样实现的：
一方面，本申请实施例提供一种车辆价格的评估方法，包括：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
另一方面，本申请实施例提供一种车辆价格的评估装置，包括：
第一获取模块，用于获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
第一确定模块，用于根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
第二确定模块，用于根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
评估模块，用于根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
再一方面，本申请实施例提供一种车辆价格的评估设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
再一方面，本申请实施例提供一种存储介质，用于存储计算机程序，所述计算机程序在被处理器执行时以实现以下流程：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
采用本发明实施例的技术方案，通过获取目标二手车辆的车辆参数信息，根据车辆参数信息确定与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息，进而根据第一指定参数信息以及价格衰减评估模型，确定第一指定参数信息对应的价格衰减系数，并根据价格衰减系数和目标二手车辆对应的基准交易价格，对目标二手车辆的交易价格进行评估。其中，价格衰减评估模型基于预先训练的车辆估价模型建立得到。可见，该技术方案相较于传统的仅通过单一模型评估交易价格的方式而言，能够评估出目标二手车辆的指定参数信息对应的价格衰减系数，从而不仅能准确评估目标二手车辆的交易价格，还能够表征各指定参数信息对二手车交易价格的影响程度。进一步地，评估价格衰减系数还有利于评估人员获知更多与评估交易价格相关的信息，并在需要时(如评估人员认为评估出的价格衰减系数不准确的情况)进行相应调整，从而更大程度地提升对二手车交易价格进行评估的准确性。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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是根据本发明一实施例的一种车辆价格的评估方法的示意性流程图；
图2是根据本发明一实施例的一种车辆估价模型的训练方法的示意性流程图；
图3是根据本发明一实施例的一种价格衰减评估模型的建立方法的示意性流程图；
图4是根据本发明一实施例的一种车辆估价模型和价格衰减评估模型之间的对应关系示意图；
图5是根据本发明一实施例的一种车辆价格的评估装置的示意性框图；
图6是根据本发明一实施例的一种车辆价格的评估设备的示意性框图。
具体实施方式
本申请实施例提供一种一种车辆价格的评估方法及装置，用以解决现有的车辆价格评估不准确的问题。
为了使本技术领域的人员更好地理解本申请中的技术方案，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，显然，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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1是根据本发明一实施例的一种车辆价格的评估方法的示意性流程图，如图1所示，该方法应用于车辆价格的评估系统，包括以下步骤：
S102，获取目标二手车辆的车辆参数信息；车辆参数信息包括车辆属性信息和/或车辆历史信息。
其中，车辆属性信息包括车型信息、车辆颜色、车辆营运性质(如营运汽车、非营运汽车)等中的至少一项。车型信息如品牌、车系、年款、排量、排放标准、车身长宽高、轴距、转速、座位数、厂商指导价、燃料类型、变速箱类型、车系级别、国别等，车型信息可预先设定好并存储为车型库，需要使用车型信息时可直接通过车型库获取。
车辆历史信息包括车辆上牌时间、车辆注册地、车辆行驶路程(如行驶公里数)、车辆过户次数、车况等级、事故等级等中的至少一项。车辆历史信息为二手车辆所独有的信息。
S104，根据车辆参数信息，确定目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息。
其中，价格衰减评估模型基于预先训练的车辆估价模型建立得到，车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到。
指定参数可以是车辆参数信息中的某一项或多项，也可以是由一项或多项车辆参数信息经计算、组合等方式得到的。例如，指定参数包括“车型+车龄”、“车龄+平均行驶里程”、“车系+颜色”等，其中，指定参数“车系+颜色”即为由两项车辆参数信息“车系”和“颜色”组合而成，“车型+车龄”和“车龄+平均行驶里程”中的车龄可根据车辆上牌时间确定，平均行驶里程可根据车龄和车辆行驶路程计算得到。
样本车辆相关信息可包括车辆属性信息、车辆历史信息、新车指导价、历史交易信息、车辆评价信息等的至少一项。新车指导价可以是样本二手车辆在交易时间(如交易当月)的新车指导价。历史交易信息可包括样本二手车辆的历史交易时间、交易价格、交易时间对应的新车指导价(如交易当月的新车指导价)、交易时间对应的各地二手车上牌数据(如交易当月各省市的二手车销量情况)等。车辆评价信息可包括其他网站对车型的评价信息，如对车辆价格、油耗、车内空间的评分、评论内容等，评估系统可定时从其他网站获取或更新车辆评价信息。
S106，根据第一指定参数信息以及价格衰减评估模型，确定第一指定参数信息对应的价格衰减系数。
在确定价格衰减系数时，可将第一指定参数信息输入价格衰减评估模型，即可得到对应的价格衰减系数。在一个实施例中，价格衰减评估模型包括各指定参数与价格衰减系数之间的对应关系。基于此，可直接根据该对应关系确定出第一指定参数信息对应的价格衰减系数。
S108，根据价格衰减系数和目标二手车辆对应的基准交易价格，对目标二手车辆的交易价格进行评估。
其中，目标二手车辆对应的基准交易价格，可以是目标二手车辆对应的新车指导价。例如，目标二手车辆为车龄3年的大众某车型，则该目标二手车辆对应的新车指导价即为大众某车型当前的新车指导价。
采用本发明实施例的技术方案，通过获取目标二手车辆的车辆参数信息，根据车辆参数信息确定与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息，进而根据第一指定参数信息以及价格衰减评估模型，确定第一指定参数信息对应的价格衰减系数，并根据价格衰减系数和目标二手车辆对应的基准交易价格，对目标二手车辆的交易价格进行评估。其中，价格衰减评估模型基于预先训练的车辆估价模型建立得到。可见，该技术方案相较于传统的仅通过单一模型评估交易价格的方式而言，能够评估出目标二手车辆的指定参数信息对应的价格衰减系数，从而不仅能准确评估目标二手车辆的交易价格，还能够表征各指定参数信息对二手车交易价格的影响程度。进一步地，评估价格衰减系数还有利于评估人员获知更多与评估交易价格相关的信息，并在需要时(如评估人员认为评估出的价格衰减系数不准确的情况)进行相应调整，从而更大程度地提升对二手车交易价格进行评估的准确性。
下面通过具体实施例详细说明S102-S108中各步骤的执行方法。首先详细说明车辆估价模型的训练过程。
在一个实施例中，可按照如图2所示的S201-S203训练车辆估价模型。
S201，获取多个样本二手车辆的样本车辆参数信息。
其中，样本车辆参数信息包括车辆属性信息、车辆历史信息、新车指导价、历史交易信息、车辆评价信息等中的至少一项。车辆属性信息包括车型信息、车辆颜色、车辆营运性质(如营运汽车、非营运汽车)等中的至少一项。车型信息如品牌、车系、年款、排量、排放标准、车身长宽高、轴距、转速、座位数、厂商指导价、燃料类型、变速箱类型、车系级别、国别等，车型信息可预先设定好并存储为车型库，需要使用车型信息时可直接通过车型库获取。车辆历史信息包括车辆上牌时间、车辆注册地、车辆行驶路程(如行驶公里数)、车辆过户次数、车况等级、事故等级等中的至少一项。车辆历史信息为二手车辆所独有的信息。新车指导价可以是样本二手车辆在交易时间(如交易当月)的新车指导价。历史交易信息可包括样本二手车辆的历史交易时间、交易价格、交易时间对应的新车指导价(如交易当月的新车指导价)、交易时间对应的各地二手车上牌数据(如交易当月各省市的二手车销量情况)等。车辆评价信息可包括其他网站对车型的评价信息，如对车辆价格、油耗、车内空间的评分、评论内容等，评估系统可定时从其他网站获取或更新车辆评价信息。
本实施例中，可选的，在获取到多个样本二手车辆的样本车辆参数信息之后，可先执行如图2所示的S2011，即筛除符合第一预设条件的样本车辆参数信息，然后再执行S202。其中，第一预设条件可包括以下至少一项：
a、样本车辆参数信息的缺失率大于或等于第一预设阈值。
在S201中，获取到的样本车辆参数信息可能存在缺失情况，同一样本车辆参数信息中的缺失数量占总量的比例即为该样本车辆参数信息的缺失率。例如，获取100个样本二手车辆的样本车辆参数信息，其中有10辆样本二手车辆的车辆颜色未知，则样本车辆参数信息“车辆颜色”的缺失率即为10/100，即10％。
b、样本车辆参数信息与样本目标参数信息之间的相关度低于第二预设阈值。
其中，样本目标参数信息通常为和二手车辆交易价格之间相关度较高的信息，可以是样本车辆参数信息本身，也可以是通过样本车辆参数信息间接确定的衍生信息，如车龄、平均行驶路程(如月平均行驶公里数)等。样本目标参数信息并非是一成不变的，而是可以根据各项因素(如政策、市场变动、二手车库存等)的变化相应调整的。
样本车辆参数信息与样本目标参数信息之间的相关度能够表征样本车辆参数信息对二手车辆交易价格的影响程度，该相关度可预先根据样本车辆参数信息对二手车辆交易价格的影响程度设定，例如，车辆行驶路程对二手车交易价格影响程度很高，则可以为车辆行驶路程对应的相关度设置为100％；车辆颜色对二手车交易价格影响程度次高，则可以为车辆颜色对应的相关度设置为80％；车身长宽高对二手车交易价格影响程度较低，则可以为车辆颜色对应的相关度设置为20％；等等。当然，样本车辆参数信息与样本目标参数信息之间的相关度也并非是一成不变，也可根据各项因素(如政策、市场变动、二手车库存等)的变化相应调整。
c、样本车辆参数信息属于预设异常信息。
预设异常信息可根据经验设定，例如，车龄超过16年、行驶公里数超过60万公里等均属于异常信息。
本实施例中，对于缺失率小于第一预设阈值的样本车辆参数信息，可根据该样本车辆参数信息与样本目标参数信息之间的相关度来确定是否筛除。如果样本车辆参数信息与样本目标参数信息之间的相关度高于或等于第二预设阈值，则说明该样本车辆参数信息的重要程度较高，此时可对该缺失的样本车辆参数信息进行填充。可选的，可确定出同一样本车辆参数信息中未缺失的样本车辆参数信息对应的评估值(包括平均值和/或出现次数最高的值)，然后利用该评估值填充缺失的样本车辆参数信息。
例如，对于1000个样本二手车辆的车辆颜色，其中有100个车辆颜色缺失，此时可确定出其余未缺失的900个车辆颜色中出现次数最高的车辆颜色，进而利用出现次数最高的车辆颜色填充所缺失的100个车辆颜色。再例如，在1000个样本二手车辆的样本车辆参数信息中，有900个样本二手车辆具有历史行驶公里数，即100个样本二手车辆的历史行驶公里数缺失，此时可计算未缺失的900个样本二手车辆的历史行驶公里数的平均值，进而利用该平均值填充所缺失的100个历史行驶公里数。
可选的，可对填充的样本车辆参数信息添加标签信息，该标签信息用于表示样本车辆参数信息为利用评估值所填充的，而并非直接获取到的，从而为模型训练提供更充分、准确的样本数据。
S202，根据样本车辆参数信息，确定样本二手车辆对应的样本目标参数信息；以及，根据样本二手车辆的交易价格和对应的新车指导价，确定样本二手车辆的价格残值信息。
其中，样本二手车辆对应的新车指导价，即样本二手车辆的交易时间对应的(如样本二手车辆在交易当月的)新车指导价。
可利用样本二手车辆的交易价格除以样本二手车辆对应的新车指导价，即为样本二手车辆的价格残值信息，该价格残值信息均为模型训练的目标值。
可选的，在确定样本二手车辆的价格残值信息之后，可对价格残值信息进行筛选。例如，筛除价格残值信息中属于异常信息的价格残值信息，通常情况下，由于价格残值信息为二手车辆交易价格和新车指导价的比值，因此该比值应小于或等于1。如果价格残值信息大于1，则可认为该价格残值信息属于异常信息。
本实施例中，可选的，确定样本二手车辆对应的样本目标参数信息和价格残值信息之后，可先执行如图2所示的S2021，即对样本目标参数信息和价格残值信息进行预处理。预处理可包括数据编码，以使编码后的样本目标参数信息和价格残值信息被处理为模型能够识别的数据；预处理还可包括数据归一化处理，以减少模型训练过程中的收敛速度，减少量纲的差异；预处理还可包括对连续变量进行分箱处理(即分段处理)，如将多个车龄分箱为1年车龄、2年车龄等区间段，以增强模型训练的鲁棒性。
此外，对于车龄、历史行驶公里数、车身长度等此类连续变量，为了使模型学习到非线性特征，预处理还包括将连续变量进行非线性转化，如log，e^x等转化方式。
对于离散变量(如模型不能直接识别的文本类数据)，预处理可以是对离散变量进行编码。例如对二手车上牌城市、车辆颜色这类离散变量进行热度编码，假设车辆颜色包括红色、黑色、白色和蓝色4种，使用“1”表示车辆属于此颜色，使用“0”表示车辆不属于此颜色，且编码方式为按照“红——黑——白——蓝”的顺序进行编码，则对于白色车辆，可以编码为“0010”，对于蓝色车辆，可以编码为“0001”。再例如对车型名称使用bert预训练模型进行编码；等等。当然，这里列举的几种编码方式仅是示意性举例，在实际应用中，可选择现有的任一种编码方式对离散变量进行编码，以使编码后的信息能够被模型识别。
S203，以样本目标参数信息作为输入数据，并以价格残值信息作为输出数据，训练车辆估价模型。
该步骤中，车辆估价模型的训练有多种选择，例如，单模型有线性回归、回归树、SVM(支持向量机)等模型，多模型融合的方法有随机森林、GBDT(Gradient BoostingDecision Tree，梯度提升决策树)、Xgboost、Lgbm等，当然也可以使用深度学习来训练回归模型。单模型训练由于模型复杂度较低，得到的模型效果较差，而对于融合模型，经测试使用Xgboost和Lgbm都能够得到很不错的效果，其中lgbm的收敛速度更快、效果也更优。当然，深度学习经调整参数后也能得到和Lgbm相近的效果。因此作为优选的，可选择Lgbm训练车辆估价模型。
在一个实施例中，训练车辆评估模型之后，可对车辆评估模型进行更新，以使更新后的车辆评估模型更优。车辆评估模型的更新时机可灵活设置，如定期进行模型更新，或者随指定因素(如市场变动、二手车库存量等)的变化进行模型更新等。
在进行模型更新时，可筛除样本车辆参数信息中满足第二预设条件的信息，和/或，增加新的样本车辆参数信息，得到更新后的样本车辆参数信息；进而根据更新后的样本车辆参数信息重新训练车辆估价模型。
其中，被筛除的样本车辆参数信息即为上述实施例中训练车辆估价模型时所使用的样本数据。
第二预设条件可包括以下至少一项：样本车辆参数信息与价格残值信息之间的相关度低于第三预设阈值、样本车辆参数信息相对于价格残值信息的显著性水平低于第四预设阈值。其中，样本车辆参数信息与价格残值信息之间的相关度和相对于价格残值信息的显著性水平，均能够在一定程度上表征样本车辆参数信息对二手车辆交易价格的影响程度。相关度和显著性水平均可利用现有的计算方式计算得到，此处不再赘述。
上述实施例详细介绍了车辆估价模型的训练方式，下面将详细说明如何基于车辆价格模型建立价格衰减评估模型。
在一个实施例中，价格衰减评估模型的建立过程可包括如图3所示的S301-304；其中：
S301，确定指定参数对应的多个第一参数信息，以及，从多个第一参数信息中确定指定参数对应的基准参数信息。
其中，指定参数可以是车辆参数信息中的某一项或多项，也可以是由一项或多项车辆参数信息经计算、组合等方式得到的。例如，指定参数包括“车型+车龄”、“车龄+平均行驶里程”、“车系+颜色”等，其中，指定参数“车系+颜色”即为由两项车辆参数信息“车系”和“颜色”组合而成，“车型+车龄”和“车龄+平均行驶里程”中的车龄可根据车辆上牌时间确定，平均行驶里程可根据车龄和车辆行驶路程计算得到。
对于任一指定参数，均可对应有多个参数信息(即第一参数信息)。例如，对于指定参数“车型+车龄”，由于同一车型下对应的车龄信息包括有多个，如1年车龄、2年车龄等，并且二手车中必然包括多种车型，因此，该指定参数“车型+车龄”也必然包括多个参数信息。
可从指定参数对应的多个参数信息中选择一个作为基准参数信息，并且，针对由多项车辆参数信息组合得到的指定参数，也可选择多个基准参数信息。例如，对于指定参数“车系+颜色”，可针对同一车系、不同颜色的该指定参数分别设置一基准参数信息。假设同一车系“大众迈腾”对应有白色和黑色，那么可将白色设置为指定参数“大众迈腾+颜色”对应的基准参数信息。再例如，指定参数“车系省份”包括31个参数信息，可将北京作为指定参数“车系省份”的基准参数信息。
S302，将各第一参数信息分别作为车辆估价模型的输入数据，以输出各第一参数信息分别对应的价格残值信息。
其中，价格残值信息即为二手车交易价格和对应的新车指导价的比值。由于上述实施例中已经详细介绍了车辆估价模型的训练过程，且明确了车辆估价模型的输出数据即为价格残值信息，因此此处不再过多赘述。
S303，将各第一参数信息分别对应的价格残值信息和基准参数信息对应的价格参数信息进行比对，根据比对结果确定各第一参数信息分别对应的价格衰减系数。
S304，根据各第一参数信息分别对应的价格衰减系数，建立指定车辆参数对应的价格衰减评估模型。
本实施例中，通过将车辆估价模型转化为可解释化的价格衰减评估模型，使得模型输出不单单是车辆价格，而是包括各参数信息分别对应的价格衰减系数。由于价格衰减系数能够表征各参数信息对二手车交易价格的影响程度，因此有利于评估人员获知更多与评估交易价格相关的信息。
图4示例性地示出将车辆估价模型转化为价格衰减评估模型的关系。本示例性实施例中，价格衰减评估模型包括各指定参数与价格衰减系数之间的对应关系，指定参数包括：车型+车龄、车龄+平均行驶路程、车系省份、车系+颜色、车系+过户次数、车系+营运性质、车系+车况等级。图4中将指定参数对应的价格衰减系数简称为残值、系数或差异系数，具体包括：车型+车龄残值、车龄+平均行驶路程系数、车系省份差异系数、车系+颜色差异系数、车系+过户次数差异系数、车系+营运性质差异系数、车系+车况等级差异系数。
更具体的，本实施例将上述指定参数划分为标准估值和精确估值两部分，其中，车型+车龄残值、车龄+平均行驶路程系数、车系省份差异系数属于标准估值部分参数对应的价格衰减系数，车系+颜色差异系数、车系+过户次数差异系数、车系+营运性质差异系数、车系+车况等级差异系数则属于精确估值部分参数对应的价格衰减系数。可看出，精确估值是在标准估值的基础上增加了车辆颜色、过户次数、营运性质和车况等级这些影响因素，相较于标准估值而言更加精细。
以指定参数“车系省份”为例，假设指定参数“车系省份”包括31个参数信息，其中“北京”作为该指定参数的基准参数信息，则该指定参数“车系省份”对应的价格衰减评估模型可如下表1所示。
表1
由表1可看出，由于北京为基准参数信息，因此对应的车系省份差异系数(即价格衰减系数)为1。上海对应的车系省份差异系数为0.8，杭州对应的车系省份差异系数为0.78，深圳对应的车系省份差异系数为0.9。在实际应用中，会出现部分城市的交易信息获取不到的情况，这就导致该城市对应的车系省份差异系数异常，如-0.1，造成模型学习不充分的情况。针对这种情况，相关人员可对城市影响因素进行合理化调整，从而便于后续对模型的可解释化做准备。当然，相关人员也可对其他指定参数中的不合理情况进行相应调整。
上述实施例中，对价格衰减评估模型的可解释化，指的是用户可对价格衰减评估模型输出的价格衰减评估系数进行调整。例如，假设根据价格衰减评估模型评估出目标二手车辆的各项价格衰减系数中，由于各城市二手车库存量发生变化，导致指定参数“车系省份差异系数”的评估结果不准确。此时，专业评估师可根据各城市二手车库存量的变化信息合理调整“车系省份差异系数”对应的价格衰减评估系数。当评估系统接收到对价格衰减系数的调整操作时，基于调整操作调整价格衰减系数，从而得到更新后的价格衰减系数。基于此，对目标二手车辆的交易价格进行评估时，可根据更新后的价格衰减系数和基准交易价格，对目标二手车辆的交易价格进行评估。
可见，通过将车辆估价模型转化为可解释化的价格衰减评估模型，使得评估人员不仅获知更多与评估交易价格相关的信息，还能够对价格衰减评估模型所输出的价格衰减评估系数进行调整(即实现了可解释化)，从而使各指定参数信息对应的价格衰减评估系数更加准确，进一步提升二手车交易价格评估的准确度。
在一个实施例中，在价格衰减评估模型确定出各指定参数信息对应的价格衰减系数之后，可将各价格衰减系数和目标二手车辆对应的基准交易价格进行乘积运算，从而得到目标二手车辆的交易价格。
例如，获取到目标二手车辆以下车辆参数信息：车型为32000，上牌时间为2018-02，上牌省份为河北，公里数为8万公里，颜色为黑色，运营性质为非营运车辆，过户次数为1次，车况等级为B80，对应的新车指导价为9.99(万元)。根据上述车辆参数信息以及价格衰减评估模型，评估出以下各项指定参数信息对应的价格衰减系数：“32000+2018上牌”的残值为0.67，“2018年上牌+平均每月行驶0.23公里”的差异系数为0.94，“河北”的差异系数为0.994，“黑色”的差异系数为1.01，“非营运车辆”的差异系数为1，“过户次数为1”的差异系数0.98，“车况等级为B80”的差异系数为1.08。因此，目标二手车辆的交易价格为：0.67*0.94*0.994*1.01*1*0.98*1.08*9.99＝6.69(万元)。
在一个实施例中，评估师可实时采集一些政策信息，比如城市的限迁数据、国三车退市补贴、不同城市不同政策补贴不同，这些政策信息可能对各指定参数对应的价格衰减系数造成影响，这种情况下，评估师可基于采集到的信息对价格衰减系数和/或评估出的交易价格进行人为干预。例如，假设某城市二手车库存量增长，则该二手车的交易价格必然有一定程度的下降，此时，评估师可根据二手车库存量的增长幅度将交易价格下调相应程度，如减少5％等。
此外，在价格评估模型和价格衰减评估模型使用一段时间后，可基于模型使用者对模型的反馈信息以及模型对二手车交易价格的评估结果，对价格评估模型和价格衰减评估模型进行优化。例如，若模型使用者反馈二手车交易价格估价不准，或者模型对二手车交易价格的评估结果和真实交易价格之间存在差异，则相关人员可分析导致估价不准的原因，如果分析出原因是由于模型导致的，则可进一步分析是哪个维度(即哪项指定参数信息)造成的，如某项指定参数信息对应的价格衰减系数评估不准确，则评估师可针对该指定参数信息进行调整，如重新收集与该指定参数信息相关的样本车辆参数信息，并利用重新收集到的样本车辆参数信息进行模型训练，从而使更新后的模型更优。
本实施例结合了价格衰减评估模型和人为干预的多重方式进行价格评估，由于模型训练在一定程度上存在数据学习不充分的情况，因此采取人为干预方式后，能够弥补模型学习的这一弊端，从而使二手车交易价格的评估结果更加准确。
综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的车辆价格的评估方法，基于同样的思路，本申请实施例还提供一种车辆价格的评估装置。
图5是根据本发明一实施例的一种车辆价格的评估装置的示意性框图。
如图5所示，该车辆价格的评估装置包括：
第一获取模块510，用于获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
第一确定模块520，用于根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
第二确定模块530，用于根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
评估模块540，用于根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
在一个实施例中，车辆价格的评估装置还包括：
第三确定模块，用于在所述根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数之后，当接收到对所述价格衰减系数的调整操作时，基于所述调整操作调整所述价格衰减系数，得到更新后的所述价格衰减系数；
所述评估模块540包括：
评估单元，用于根据更新后的所述价格衰减系数和所述基准交易价格，对所述目标二手车辆的交易价格进行评估。
在一个实施例中，车辆价格的评估装置还包括：
第二获取模块，用于在所述获取目标二手车辆的车辆参数信息之前，获取多个所述样本二手车辆的样本车辆参数信息；所述样本车辆参数信息包括所述车辆属性信息、所述车辆历史信息、新车指导价、历史交易信息、车辆评价信息中的至少一项；
第四确定模块，用于根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息；以及，根据所述样本二手车辆的交易价格和对应的所述新车指导价，确定所述样本二手车辆的价格残值信息；
训练模块，用于以所述样本目标参数信息作为输入数据，并以所述价格残值信息作为输出数据，训练所述车辆估价模型。
在一个实施例中，所述样本目标参数信息包括所述车辆属性信息和/或所述车辆历史信息；
所述车辆属性信息包括车型信息、车辆颜色、车辆营运性质中的至少一项；所述车辆历史信息包括车辆上牌时间、车辆行驶路程、车辆过户次数、车况等级中的至少一项。
在一个实施例中，车辆价格的评估装置还包括：
第一筛除模块，用于在所述根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息之前，筛除符合第一预设条件的所述样本车辆参数信息；
其中，所述第一预设条件包括以下至少一项：所述样本车辆参数信息的缺失率大于或等于第一预设阈值、所述样本车辆参数信息与所述样本目标参数信息之间的相关度低于第二预设阈值、所述样本车辆参数信息属于预设异常信息。
在一个实施例中，车辆价格的评估装置还包括：
第七确定模块，用于在所述根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息之前，针对所述缺失率小于所述第一预设阈值、且所述相关度高于或等于所述第二预设阈值的第一样本车辆参数信息，确定未缺失的所述第一样本车辆参数信息对应的评估值；所述评估值包括平均值和/或出现次数最高的值；
添加模块，用于利用所述评估值填充缺失的所述第一样本车辆参数信息，并对填充的所述第一样本车辆参数信息添加标签信息。
在一个实施例中，车辆价格的评估装置还包括：
第五确定模块，用于在所述训练所述车辆估价模型之后，确定所述指定车辆参数对应的多个第一参数信息，以及，从所述多个第一参数信息中确定所述指定车辆参数对应的基准参数信息；
输出模块，用于将各所述第一参数信息分别作为所述车辆估价模型的输入数据，以输出各所述第一参数信息分别对应的所述价格残值信息；
第六确定模块，用于将各所述第一参数信息分别对应的所述价格残值信息和所述基准参数信息对应的所述价格参数信息进行比对，根据比对结果确定各所述第一参数信息分别对应的所述价格衰减系数；
建立模块，用于根据各所述第一参数信息分别对应的所述价格衰减系数，建立所述指定车辆参数对应的所述价格衰减评估模型。
在一个实施例中，所述价格衰减评估模型包括各所述指定参数与所述价格衰减系数之间的对应关系；
所述第二确定模块530包括：
确定单元，用于根据所述第一指定参数信息以及各所述指定参数与所述价格衰减系数之间的对应关系，确定所述第一指定参数信息对应的所述价格衰减系数。
在一个实施例中，车辆价格的评估装置还包括：
第二筛除模块，用于在所述训练所述车辆估价模型之后，筛除所述样本车辆参数信息中满足第二预设条件的信息，和/或，增加新的所述样本车辆参数信息，得到更新后的所述样本车辆参数信息；
重新训练模块，用于根据更新后的所述样本车辆参数信息重新训练所述车辆估价模型；
其中，所述第二预设条件包括以下至少一项：所述样本车辆参数信息与所述价格残值信息之间的相关度低于第三预设阈值、所述样本车辆参数信息相对于所述价格残值信息的显著性水平低于第四预设阈值。
本领域的技术人员应可理解，图5中的车辆价格的评估装置能够用来实现前文所述的车辆价格的评估方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。
采用本发明实施例的装置，通过获取目标二手车辆的车辆参数信息，根据车辆参数信息确定与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息，进而根据第一指定参数信息以及价格衰减评估模型，确定第一指定参数信息对应的价格衰减系数，并根据价格衰减系数和目标二手车辆对应的基准交易价格，对目标二手车辆的交易价格进行评估。其中，价格衰减评估模型基于预先训练的车辆估价模型建立得到。可见，该装置相较于传统的仅通过单一模型评估交易价格的方式而言，能够评估出目标二手车辆的指定参数信息对应的价格衰减系数，从而不仅能准确评估目标二手车辆的交易价格，还能够表征各指定参数信息对二手车交易价格的影响程度。进一步地，评估价格衰减系数还有利于评估人员获知更多与评估交易价格相关的信息，并在需要时(如评估人员认为评估出的价格衰减系数不准确的情况)进行相应调整，从而更大程度地提升对二手车交易价格进行评估的准确性。
基于同样的思路，本申请实施例还提供一种车辆价格的评估设备，如图6所示。车辆价格的评估设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对车辆价格的评估设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在车辆价格的评估设备上执行存储器602中的一系列计算机可执行指令。车辆价格的评估设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。
具体在本实施例中，车辆价格的评估设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对车辆价格的评估设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
本申请实施例还提出了一种存储介质，该存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述一种车辆价格的评估方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (12)
1.一种车辆价格的评估方法，其特征在于，包括：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数之后，还包括：
当接收到对所述价格衰减系数的调整操作时，基于所述调整操作调整所述价格衰减系数，得到更新后的所述价格衰减系数；
所述根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估，包括：
根据更新后的所述价格衰减系数和所述基准交易价格，对所述目标二手车辆的交易价格进行评估。
3.根据权利要求1所述的方法，其特征在于，所述获取目标二手车辆的车辆参数信息之前，还包括：
获取多个所述样本二手车辆的样本车辆参数信息；所述样本车辆参数信息包括所述车辆属性信息、所述车辆历史信息、新车指导价、历史交易信息、车辆评价信息中的至少一项；
根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息；以及，根据所述样本二手车辆的交易价格和对应的所述新车指导价，确定所述样本二手车辆的价格残值信息；
以所述样本目标参数信息作为输入数据，并以所述价格残值信息作为输出数据，训练所述车辆估价模型。
4.根据权利要求3所述的方法，其特征在于，所述样本目标参数信息包括所述车辆属性信息和/或所述车辆历史信息；
所述车辆属性信息包括车型信息、车辆颜色、车辆营运性质中的至少一项；所述车辆历史信息包括车辆上牌时间、车辆行驶路程、车辆过户次数、车况等级中的至少一项。
5.根据权利要求3所述的方法，其特征在于，所述根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息之前，还包括：
筛除符合第一预设条件的所述样本车辆参数信息；
其中，所述第一预设条件包括以下至少一项：所述样本车辆参数信息的缺失率大于或等于第一预设阈值、所述样本车辆参数信息与所述样本目标参数信息之间的相关度低于第二预设阈值、所述样本车辆参数信息属于预设异常信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述样本车辆参数信息，确定所述样本二手车辆对应的样本目标参数信息之前，还包括：
针对所述缺失率小于所述第一预设阈值、且所述相关度高于或等于所述第二预设阈值的第一样本车辆参数信息，确定未缺失的所述第一样本车辆参数信息对应的评估值；所述评估值包括平均值和/或出现次数最高的值；
利用所述评估值填充缺失的所述第一样本车辆参数信息，并对填充的所述第一样本车辆参数信息添加标签信息。
7.根据权利要求3所述的方法，其特征在于，所述训练所述车辆估价模型之后，还包括：
确定所述指定参数对应的多个第一参数信息，以及，从所述多个第一参数信息中确定所述指定参数对应的基准参数信息；
将各所述第一参数信息分别作为所述车辆估价模型的输入数据，以输出各所述第一参数信息分别对应的所述价格残值信息；
将各所述第一参数信息分别对应的所述价格残值信息和所述基准参数信息对应的所述价格参数信息进行比对，根据比对结果确定各所述第一参数信息分别对应的所述价格衰减系数；
根据各所述第一参数信息分别对应的所述价格衰减系数，建立所述指定参数对应的所述价格衰减评估模型。
8.根据权利要求7所述的方法，其特征在于，所述价格衰减评估模型包括各所述指定参数与所述价格衰减系数之间的对应关系；
所述根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数，包括：
根据所述第一指定参数信息以及各所述指定参数与所述价格衰减系数之间的对应关系，确定所述第一指定参数信息对应的所述价格衰减系数。
9.根据权利要求3所述的方法，其特征在于，所述训练所述车辆估价模型之后，还包括：
筛除所述样本车辆参数信息中满足第二预设条件的信息，和/或，增加新的所述样本车辆参数信息，得到更新后的所述样本车辆参数信息；
根据更新后的所述样本车辆参数信息重新训练所述车辆估价模型；
其中，所述第二预设条件包括以下至少一项：所述样本车辆参数信息与所述价格残值信息之间的相关度低于第三预设阈值、所述样本车辆参数信息相对于所述价格残值信息的显著性水平低于第四预设阈值。
10.一种车辆价格的评估装置，其特征在于，包括：
第一获取模块，用于获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
第一确定模块，用于根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
第二确定模块，用于根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
评估模块，用于根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
11.一种车辆价格的评估设备，其特征在于，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
12.一种存储介质，其特征在于，所述存储介质用于存储计算机程序，所述计算机程序在被处理器执行时以实现以下流程：
获取目标二手车辆的车辆参数信息；所述车辆参数信息包括车辆属性信息和/或车辆历史信息；
根据所述车辆参数信息，确定所述目标二手车辆的、与预先建立的各指定参数对应的价格衰减评估模型相匹配的第一指定参数信息；所述价格衰减评估模型基于预先训练的车辆估价模型建立得到；所述车辆估价模型基于多个样本二手车辆的样本车辆相关信息训练得到；
根据所述第一指定参数信息以及所述价格衰减评估模型，确定所述第一指定参数信息对应的价格衰减系数；
根据所述价格衰减系数和所述目标二手车辆对应的基准交易价格，对所述目标二手车辆的交易价格进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110381142.7A CN113159837A (zh) | 2021-04-09 | 2021-04-09 | 车辆价格的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110381142.7A CN113159837A (zh) | 2021-04-09 | 2021-04-09 | 车辆价格的评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113159837A true CN113159837A (zh) | 2021-07-23 |
Family
ID=76888939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110381142.7A Pending CN113159837A (zh) | 2021-04-09 | 2021-04-09 | 车辆价格的评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159837A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883029A (zh) * | 2023-07-13 | 2023-10-13 | 上海信宝博通电子商务有限公司 | 一种对象估值方法、装置、设备及介质 |
| CN117114775A (zh) * | 2023-04-10 | 2023-11-24 | 上海信宝博通电子商务有限公司 | 一种基于LightGBM模型的二手车快速定价方法及系统 |
| CN117372101A (zh) * | 2023-09-28 | 2024-01-09 | 苏州优与汽车科技有限公司 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
| CN118379132A (zh) * | 2024-06-24 | 2024-07-23 | 南京三百云信息科技有限公司 | 用于汽车金融业务平台的处理方法及系统 |
-
2021
- 2021-04-09 CN CN202110381142.7A patent/CN113159837A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114775A (zh) * | 2023-04-10 | 2023-11-24 | 上海信宝博通电子商务有限公司 | 一种基于LightGBM模型的二手车快速定价方法及系统 |
| CN116883029A (zh) * | 2023-07-13 | 2023-10-13 | 上海信宝博通电子商务有限公司 | 一种对象估值方法、装置、设备及介质 |
| CN117372101A (zh) * | 2023-09-28 | 2024-01-09 | 苏州优与汽车科技有限公司 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
| CN118379132A (zh) * | 2024-06-24 | 2024-07-23 | 南京三百云信息科技有限公司 | 用于汽车金融业务平台的处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159837A (zh) | 车辆价格的评估方法及装置 | |
| Zhang et al. | Forecasting electric vehicles sales with univariate and multivariate time series models: The case of China | |
| Olson | Perspective: the green innovation value chain: a tool for evaluating the diffusion prospects of green products | |
| EP3678072A1 (en) | Model integration method and device | |
| CN113379445A (zh) | 车辆价格的预测方法及装置 | |
| CN111047122A (zh) | 企业数据成熟度评估方法、装置及计算机设备 | |
| CN108280674A (zh) | 一种利用大数据进行二手车估值的方法及系统 | |
| CN110634021A (zh) | 基于大数据的车辆估值方法、系统、设备及可读存储介质 | |
| CN110675029A (zh) | 商户的动态管控方法、装置、服务器及可读存储介质 | |
| CN110910180A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN111222994A (zh) | 客户风险评估方法、装置、介质和电子设备 | |
| CN115953021B (zh) | 一种基于机器学习的供应商风险分析方法及装置 | |
| CN113822488A (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
| CN116416073A (zh) | 风险控制方法、系统、装置及存储介质 | |
| CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
| CN108961037A (zh) | 一种基于对车辆使用情况评估算法的车辆贷款风控方法及装置 | |
| CN113011596A (zh) | 一种模型自动更新方法、装置、系统及电子设备 | |
| CN112598526A (zh) | 资产数据的处理方法及装置 | |
| CN114741592B (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
| CN112232945B (zh) | 一种确定个人客户授信的方法及装置 | |
| CN116188025A (zh) | 一种电商平台供应商的筛选方法、装置、设备和介质 | |
| CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
| CN113762415A (zh) | 一种基于神经网络的汽车金融产品智能匹配方法和系统 | |
| CN113220947A (zh) | 对事件特征进行编码的方法和装置 | |
| Collard | Price prediction for used cars: a comparison of machine learning regression models |
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: 20210723 |