CN113327128A - 一种二手汽车成新率检测方法、装置及介质 - Google Patents

Abstract

本申请公开了一种二手汽车成新率检测方法、装置及介质，通过获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

Description

一种二手汽车成新率检测方法、装置及介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种二手汽车成新率检测方法、装置及介质。

背景技术

近年来，汽车已经成为了人们主要的代步工具，随着经济的发展和人们的生活水平的提高，车辆的更新换代速度加快，人们更换车辆也越来越频繁，由此二手汽车交易市场受到人们的广泛推崇。

在二手商品交易过程中，二手商品的新旧程度是决定二手商品价值的重要存在。由于二手汽车属于高价产品，并且对用户的安全性有着紧密的联系，因此特别是在二手汽车交易中，二手汽车的新旧程度(也就是成新率)是至关重要的因素。

目前，在二手汽车交易市场中，对于二手汽车成新率的检测往往是通过人的经验来完成，主观性较强，没有量化标准。并且，还可能存在恶意高价或者低价的情况，影响二手汽车交易市场的发展。

因此，如何提供一种对二手汽车的成新率进行检测、量化二手汽车的成新率的技术方案，促进二手汽车交易的健康发展，成为亟需解决的技术问题。

发明内容

本申请实施例提供了一种二手汽车成新率检测方法、装置及介质，用于解决如何量化对二手汽车的成新率进行检测、量化二手汽车的成新率的技术问题。

一方面，本申请提供了一种二手汽车成新率检测方法，该方法包括：

获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

在本申请的一种实现方式中，根据正影响样本数据，确定各成新率影响参数的经验熵。基于经验熵以及二手汽车样本数据集合，确定正影响样本数据相应的条件熵。根据经验熵以及条件熵，确定各成新率影响参数对应的信息增益。

在本申请的一种实现方式中，根据信息增益，确定各成新率影响参数对应的折旧率系数。根据各折旧率系数，确定二手汽车对应的折旧率系数矩阵。基于折旧率系数矩阵，构建二手汽车成新率检测模型。

在本申请的一种实现方式中，接收第一用户终端发送的查询请求。其中，查询请求用于表示查询二手汽车的售价，查询请求中包括车辆型号以及车辆状态数据。根据车辆型号，确定与车辆型号对应的二手汽车成新率检测模型。基于与车辆型号对应的二手汽车成新率检测模型、以及查询请求中的车辆状态数据，确定查询请求对应的二手汽车的车辆成新率。根据车辆成新率以及查询请求中车辆型号对应的新车售价，确定二手汽车售价，并将该二手汽车售价发送至第一用户终端。

在本申请的一种实现方式中，获取其他二手汽车样本数据集合，并确定其他二手汽车样本数据集合中的正影响样本数据。根据其他二手汽车样本数据集合中的正影响样本数据，确定二手汽车成新率检测模型的准确率。在准确率小于预设阈值的情况下，根据其他样本数据集合以及其他样本数据集合中的正影响样本数据，计算新的信息增益。根据新的信息增益，调整二手汽车成新率检测模型。

在本申请的一种实现方式中，向第二用户终端发送确认信息。确认信息用于获取购买方所购买的二手汽车的购买信息，购买信息至少包括：年限值、里程值、故障数据、二手汽车购买价格。第二用户终端对应购买方。接收第二用户终端基于确认信息发送的购买信息。根据购买信息以及二手汽车成新率检测模型，确定二手汽车的购买价格是否在相应的预设范围内。在购买价格不在相应的预设范围内的情况下，生成提示信息，并发送至第二用户终端。其中，提示信息用于提示二手汽车购买价格存在不合理的可能性。

在本申请的一种实现方式中，第一节点将购买方购买的二手汽车的购买信息，上传至区块链平台进行存储。第二节点将将要销售的二手汽车的销售信息，上传至区块链平台进行存储。第三节点根据接收到的车辆状态信息以及预设的二手汽车成新率检测模型，生成车辆状态信息对应的车辆成新率。并且，将车辆状态信息、车辆状态信息的提供方的身份标识以及车辆成新率，上传至区块链平台进行存储。

在本申请的一种实现方式中，确定待计算车辆成新率的二手汽车车辆型号。根据二手汽车车辆型号，通过爬虫从相应的二手汽车网站爬取若干二手汽车样本数据，以确定相应的二手汽车样本数据集合。

另一方面，本申请提供了一种二手汽车成新率检测装置，该装置包括：

获取模块，获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。第一确定模块，根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。第二确定模块，基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。生成模块，根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

再一方面，本申请提供了一种二手汽车成新率检测的非易失性计算机存储介质，存储有计算机可执行指令，该计算机可执行指令设置为：

获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

本申请通过获取二手汽车样本数据集合，确定二手汽车样本数据集合中与成新率影响参数对应的正影响样本数据，根据正影响样本数据确定各成新率影响参数对应的信息增益，根据信息增益生成车辆型号对应的二手汽车成新率检测模型。本申请通过上述方案，可以对二手汽车的车辆成新率进行量化，使得二手汽车售价不再靠经验取得。通过二手汽车成新率检测模型的输出值，可以合理、简易地量化二手汽车的成新率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种二手汽车成新率检测方法的一种流程示意图；

图2为本申请实施例中一种二手汽车成新率检测方法的一种示意图；

图3为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图4为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图5为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图6为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图7为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图8为本申请实施例中一种二手汽车成新率检测方法的另一种流程示意图；

图9为本申请实施例中一种二手汽车成新率检测装置的一种结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

随着经济发展、人们生活水平日益提高，人们更换新车的频率也随之增加，这就会使更多车辆流入到二手汽车交易市场，拉动二手汽车的交易量。在购买二手汽车时，二手汽车的新旧程度(也就是成新率)是买家非常关心的问题。

但是，二手汽车的成新率往往依靠人的经验等主观因素决定，没有相应的量化标准，不利于二手汽车交易市场的稳定发展。

基于此，本申请实施例提供了一种二手汽车成新率检测方法、装置及存储介质，用来量化二手汽车的车辆成新率，保证二手汽车交易市场的和谐、稳定地发展。

以下结合附图，详细说明本申请的各个实施例。

本申请实施例提供了一种二手汽车成新率检测方法，如图1所示，该方法可以包括步骤S101-S104：

S101、服务器获取相应的二手汽车样本数据集合。

二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。

在本申请实施例中，服务器获取相应的二手汽车样本数据集合，具体地，二手汽车样本数据集合可以通过以下方式获取：

服务器确定待计算车辆成新率的二手汽车车辆型号；

服务器根据二手汽车车辆型号，通过爬虫从相应的二手汽车网站爬取若干二手汽车样本数据，以确定相应的二手汽车样本数据集合。

服务器确定用于二手汽车成新率检测的二手汽车车辆型号，如型号为“奔驰GLA”,服务器通过爬虫，爬取“奔驰GLA”相关的二手汽车网站上的各个二手汽车的年限值、里程值、故障数据、二手汽车售价，并将该二手汽车的年限值、里程值、故障数据、二手汽车售价作为“奔驰GLA”二手汽车的样本数据。服务器可以根据多个二手汽车的样本数据，某个车辆型号的二手汽车样本数据集合。

需要说明的是，服务器作为二手汽车成新率检测方法的执行主体为示例性存在，执行主体不仅限于服务器，本申请对此不作具体限定。

S102、服务器根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。

其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。

在本申请实施例中，服务器首先确定二手汽车样本数据集合中各成新率影响参数(年限、里程、故障)对应的数据，其次服务器确定各成新率影响参数对应的数据中，与二手汽车售价为负相关关系的数据，最后服务器将该数据对应的样本数据作为正影响样本数据。

具体地，服务器确定二手汽车样本数据集合中，各样本数据(如图2)对应的年限值、里程值、故障数据，并确定样本数据中年限值、里程值、故障数据与二手汽车售价的关系，如年限值为4，其二手汽车售价为10万，而该二手汽车新车售价为14万，随年限值增长为4，二手汽车售价降低了4万；该车辆类型的二手汽车年限值为5，其二手汽车售价为9.5万，则说明随着年限增长，二手汽车售价在逐渐降低，上述两个年限值对应的样本数据与二手汽车售价为负相关关系。再如故障数据为3次，二手汽车售价为8万，而该二手汽车对应的新车售价为10万，则该故障数据与二手汽车售价为负相关关系。

S103、服务器基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。

在本申请实施例中，服务器确定各成新率影响参数对应的信息增益的具体方式，如图3所示，包括以下步骤：

S301、服务器根据正影响样本数据，确定各成新率影响参数的经验熵。

服务器根据得到的正影响样本数据，以及经验熵公式，计算各成新率影响参数的经验熵，经验熵公式具体如下：

其中，H(D)为经验熵，|c_b|为正影响样本数据的数量，|D|为正影响样本数据的总量。各成新率影响参数：年限、里程、故障的经验熵计算公式具体如下：

其中，H_y(D)为年限经验熵，|c_y|为正影响样本数据中年限与二手汽车售价为负相关关系的数量；

其中，H_l(D)为里程经验熵，|c_l|为正影响样本数据中里程与二手汽车售价为负相关关系的数量；

其中，H_o(D)为故障经验熵，|c_o|为正影响样本数据中故障与二手汽车售价为负相关关系的数量；

上述|c_y|+|c_l|+|c_o|＝|D|。

S302、服务器基于经验熵以及二手汽车样本数据集合，确定正影响样本数据相应的条件熵。

在本申请实施例中，服务器基于经验熵以及二手汽车样本数据集合，确定正影响样本数据相应的条件熵，如服务器根据型号A的二手汽车的年限、里程、故障的经验熵，确定在型号A的二手汽车在给定年限下，二手汽车售价的熵，以得到型号A的二手汽车的年限条件熵，里程及故障条件熵的获取方式类似，在此不再赘述。以下为各成新率影响参数对应的条件熵公式：

其中，H_y(D|C)为年限条件熵，C为正影响样本数据，p_y与上述年限经验熵H_y(D)相等，

其中，H_l(D|C)为里程条件熵，p_l与上述里程经验熵H_l(D|C)相等，

其中，H_o(D|C)为故障条件熵，p_o与上述故障经验熵H_y(D)相等。

S303、服务器根据经验熵以及条件熵，确定各成新率影响参数对应的信息增益。

服务器根据上述经验熵与条件熵的差值，确定各成新率影响参数对应的信息增益。信息增益计算公式如下：

g(D|C)＝H(D)-H(D|C)

其中，g(D|C)为各成新率影响参数条件下的信息增益。

服务器通过上述信息增益公式，分别计算年限、里程、故障所对应的信息增益g_y(D|C)、g_l(D|C)、g_o(D|C)。

S104、服务器根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

在本申请实施例中，服务器根据信息增益生成车辆型号对应的二手汽车成新率检测模型的具体方式如下，如图4所示，包括步骤S401-S403：

S401、服务器根据信息增益，确定各成新率影响参数对应的折旧率系数。

服务器根据信息增益，成立以下方程组：

计算k₁、k₂、k₃的值，其中k₁对应于年限的折旧率系数，k₂对应于里程的折旧率系数，k₃对应于故障的折旧率系数。

S402、服务器各折旧率系数，确定二手汽车对应的折旧率系数矩阵。

服务器根据S401得到的年限的折旧率系数、里程的折旧率系数、故障的折旧率系数，构建折旧率系数矩阵[k₁ k₂ k₃]。

S403、服务器基于折旧率系数矩阵，构建二手汽车成新率检测模型。

服务器基于折旧率系数矩阵，确定折旧率系数矩阵相应的折旧率矩阵

其中，R_y为年限折旧率，R_l为里程折旧率，R_o为故障折旧率。

服务器根据折旧率系数矩阵、折旧率矩阵，即可得到二手汽车成新率，参考公式如下：

其中，R_n为二手汽车的成新率。

服务器可以通过二手汽车的成新率公式，进行计算二手汽车的成新率。服务器根据车辆信号对应的新车售价，确定二手汽车售价，以完成二手汽车成新率检测模型的构建。二手汽车售价可以通过以下公式确定：

V＝R×R_n

其中，V为二手汽车售价，R为二手汽车重置成本即新车售价。

本申请通过上述方案，完成了二手汽车成新率检测模型的构建，通过二手汽车成新率检测模型的输出值，可以量化二手汽车的成新率。并且，二手汽车成新率检测模型合理、且简易地量化二手汽车成新率，降低了计算复杂度，提高了量化成新率的效率。

实际的二手汽车交易市场中，二手汽车的售卖方往往需要了解二手汽车的成新率，确定二手汽车售价，进行合理交易二手汽车。因此，在本申请的一个实施例中，服务器可以为需要了解二手汽车成新率的用户提供帮助，如图5所示，包括以下步骤S501-S504：

S501、服务器接收第一用户终端发送的查询请求。

其中，查询请求用于表示查询二手汽车的售价，查询请求中包括车辆型号以及车辆状态数据。

在本申请实施例中，服务器可以接受第一用户终端发送的查询请求，第一用户终端可以是售卖方对应的终端。服务器根据该查询请求，可以查询查询请求中车辆信号以及车辆状态数据对应的二手汽车的售价。车辆状态数据可以是二手汽车的年限值、里程值、故障数据。

需要说明的是，第一用户终端可以是手机、电脑等设备，本申请对此不作具体限定。

S502、服务器根据车辆型号，确定与车辆型号对应的二手汽车成新率检测模型。

服务器确定第一用户终端发送的查询请求中的车辆型号，并根据车辆型号，确定车辆型号对应的二手汽车成新率检测模型。

在本申请实施例中，不同车型的二手汽车，对应有不同的折旧率系数，即对应有不同的二手汽车成新率检测模型。

S503、服务器基于与车辆型号对应的二手汽车成新率检测模型、以及查询数据中的车辆状态数据，确定查询请求对应的二手汽车的车辆成新率。

服务器在确定了与车辆型号对应的二手汽车成新率检测模型后，将查询数据中的车辆状态数据，输入二手汽车成新率检测模型，确定查询请求对应的二手汽车的成新率。

S504、服务器根据车辆成新率以及查询请求中车辆型号对应的新车售价，确定二手汽车售价，并将该二手汽车售价发送至第一用户终端。

服务器根据第一用户终端的查询请求对应的二手汽车的成新率，得到二手汽车成新率检测模型的输出值，确定二手汽车售价，服务器将得到的二手汽车售价发送给第一用户终端。

本申请通过上述方案，可以给出二手汽车售卖方合理、科学地二手汽车售价，为二手汽车交易市场的平衡打下了基础。同时，可以打消人们对售卖方作假的顾虑，减少售卖方以往靠经验获取二手汽车售价，造成人们之间的不信任的问题。

在本申请的一个实施例中，由于二手汽车的数据多且复杂，随着时间的推移，使用过去的样本数据得到的二手汽车成新率检测模型，可能造成二手汽车成新率检测模型不准确，因此，本申请提供了以下方案，如图6所示，包括以下步骤：

S601、服务器获取其他二手汽车样本数据集合，并确定其他二手汽车样本数据集合中的正影响样本数据。

服务器获取其他二手汽车样本数据集合，其他二手汽车样本数据集合为不同于上述S101中的二手汽车样本数据集合，确定其他二手汽车样本数据集合所对应的正影响样本数据，确定正影响样本数据的方式与S102中的方式相同，在此不再重复描述确定正影响样本数据的方式。

S602、服务器根据其他二手汽车样本数据集合中的正影响样本数据，确定二手汽车成新率检测模型的准确率。

服务器确定正影响样本数据对应的二手汽车售价，并与二手汽车成新率检测模型得到的二手汽车售价做比较，确定二手汽车成新率检测模型的准确率。例如，确定二手汽车成新率检测模型得到的二手汽车B的二手汽车售价，根据二手汽车B对应的其他二手汽车样本数据集合中的正影响样本数据，确定B的二手汽车售价是否在正影响样本数据中二手汽车售价的范围内。其中，正影响样本数据中二手汽车售价的范围可以根据求均值等方式确定。

若二手汽车B的二手汽车售价是否在正影响样本数据中二手汽车售价的范围内，则认为二手汽车B的二手汽车售价准确，并进行判定下一个二手汽车C的二手汽车售价是否准确。直至服务器得到二手汽车样本数据集合中所有二手汽车车辆型号的准确结果，确定二手汽车成新率检测模型的准确率。

S603、服务器在准确率小于预设阈值的情况下，根据其他样本数据集合以及其他样本数据集合中的正影响样本数据，计算新的信息增益。

服务器确定准确率是否小于预设阈值如95％，则根据其他样本数据集合，重新确定信息增益，确定方式与S103中的方式相同，在此不作重复描述。

S604、服务器根据新的信息增益，调整二手汽车成新率检测模型。

服务器根据新确定的信息增益，重新确定二手汽车成新率检测模型，保证二手汽车成新率检测模型的准确性、稳定性。

在实际二手汽车交易市场中，容易受到欺骗的是消费者、购买二手汽车的购买方，对于购买方而言，购买方有必要了解自己为二手汽车所支付的费用是否合理，以免被售卖方、中间商欺骗。因此，本申请采取了以下实施例，如图7所示，包括以下步骤：

S701、服务器向第二用户终端发送确认信息。

确认信息用于获取购买方所购买的二手汽车的购买信息，购买信息至少包括：年限值、里程值、故障数据、二手汽车购买价格；第二用户终端对应购买方。

在本申请实施例中，服务器向二手汽车购买方对应的第二用户终端发送确认信息，通过第二用户终端显示给用户，以基于用户对第二用户终端的操作，获取该二手汽车的购买时的年限值、里程值、故障数据、二手汽车购买价格。

需要说明的是，第二用户终端可以是手机、平板等设备，本申请对此不作具体限定。

S702、服务器接收第二用户终端基于确认信息发送的购买信息。

用户根据确认信息中的内容，确认信息可以提示用户输入年限值、里程值、故障数据、二手汽车购买价格，用户输入完成，并对第二用户终端执行发送购买信息的操作，将购买信息发送至服务器。

S703、服务器根据购买信息以及二手汽车成新率检测模型，确定二手汽车的购买价格是否在相应的预设范围内。

服务器将第二用户终端发送来购买信息，输入二手汽车成新率检测模型，得到二手汽车售价，并与二手汽车购买价格进行比对。确定二手汽车的购买价格是否在相应的预设范围内，该预设范围可以是二手汽车售价加或减一浮动价格得到，该浮动价格可以根据油价或电费进行调整。

S704、服务器在购买价格不在相应的预设范围内的情况下，生成提示信息，并发送至第二用户终端。

其中，提示信息用于提示二手汽车购买价格存在不合理的可能性。

在服务器确定二手汽车的购买价格不在相应的预设范围内的情况下，并确认二手汽车购买价格高于二手汽车售价，则说明二手汽车的购买价格可能对用户来说不合理。

上述方案，通过服务器给第二用户终端发送提示信息，提示用户购买价格不合理，可以提醒用户不以购买价格进行购买二手汽车，避免用户被欺骗，或者与售卖方、中间商发生冲突。

在二手汽车交易市场中，存在购买方、售卖方之间的信任问题，如果不能使得交易公开、透明，可能严重影响二手汽车交易市场的交易秩序，紊乱市场。因此，本申请提供了一个实施例，将二手汽车成新率检测方法应用于预先构建的区块链平台，区块链平台包括多个第一节点、多个第二节点以及第三节点；其中，第一节点对应于购买方，第二节点对应于售卖方，第三节点对应于车辆成新率检测方。如图8所示，具体包括以下步骤：

S801、第一节点将购买方购买的二手汽车的购买信息，上传至区块链平台进行存储。

S802、第二节点将将要销售的二手汽车的销售信息，上传至区块链平台进行存储。

在本申请实施例中，第二节点可以对应于本申请中的第一用户终端。

S803、第三节点根据接收到的车辆状态信息以及预设的二手汽车成新率检测模型，生成车辆状态信息对应的车辆型号成新率。

在本申请实施例中，第三节点对应于本申请提供的二手汽车成新率检测方法的执行主体，服务器。

S804、将车辆状态信息、车辆状态信息的提供方的身份标识以及车辆成新率，上传至区块链平台进行存储。

本申请通过上述方案，可以保证在二手汽车交易市场中，二手汽车的销售价格公开、透明，既为售卖方的销售提供了便利，同时提高了购买方对售卖方的信任，使得二手汽车交易市场稳定、市场和谐。

图9为本申请提供的一种二手汽车成新率检测装置900的结构示意图，如图9所示，该装置900包括：

获取模块901，获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。第一确定模块902，根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。第二确定模块903，基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。生成模块904，根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

本申请提供了一种二手汽车成新率检测的非易失性计算机存储介质，存储有计算机可执行指令，该计算机可执行指令设置为：

获取相应的二手汽车样本数据集合。二手汽车样本数据集合由多个二手汽车的样本数据组成，且二手汽车样本数据集合中的多个二手汽车的车辆型号相同。其中，二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价。根据二手汽车相应的成新率影响参数，从二手汽车样本数据集合，确定各成新率影响参数对应的正影响样本数据。其中，成新率影响参数包括：年限、里程、故障。正影响样本数据为二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据。基于相应的正影响样本数据以及二手汽车样本数据集合，确定各成新率影响参数对应的信息增益。根据信息增益，生成车辆型号对应的二手汽车成新率检测模型，以根据二手汽车成新率检测模型的输出值，量化二手汽车的车辆成新率。

本申请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，对于装置、介质实施例而言，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。

本申请实施例提供的装置、介质与方法是一一对应的，因此，装置、介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述装置、介质的有益技术效果。

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。

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 (10)

1.一种二手汽车成新率检测方法，其特征在于，所述方法包括：

获取相应的二手汽车样本数据集合；所述二手汽车样本数据集合由多个二手汽车的样本数据组成，且所述二手汽车样本数据集合中的多个二手汽车的车辆型号相同；其中，所述二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价；

根据所述二手汽车相应的成新率影响参数，从所述二手汽车样本数据集合，确定各所述成新率影响参数对应的正影响样本数据；

其中，所述成新率影响参数包括：年限、里程、故障；所述正影响样本数据为所述二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据；

基于相应的所述正影响样本数据以及所述二手汽车样本数据集合，确定各成新率影响参数对应的信息增益；

根据所述信息增益，生成所述车辆型号对应的二手汽车成新率检测模型，以根据所述二手汽车成新率检测模型的输出值，量化所述二手汽车的车辆成新率。

2.根据权利要求1所述方法，其特征在于，基于相应的所述正影响样本数据以及所述二手汽车样本数据集合，确定各成新率影响参数对应的信息增益，具体包括：

根据所述正影响样本数据，确定各所述成新率影响参数的经验熵；

基于所述经验熵以及所述二手汽车样本数据集合，确定所述正影响样本数据相应的条件熵；

根据所述经验熵以及所述条件熵，确定各所述成新率影响参数对应的信息增益。

3.根据权利要求1所述方法，其特征在于，根据所述信息增益，生成所述车辆型号对应的二手汽车成新率检测模型，具体包括：

根据所述信息增益，确定各所述成新率影响参数对应的折旧率系数；

根据各所述折旧率系数，确定所述二手汽车对应的折旧率系数矩阵；

基于所述折旧率系数矩阵，构建所述二手汽车成新率检测模型。

4.根据权利要求1所述方法，其特征在于，在生成所述车辆型号对应的二手汽车成新率检测模型之后，所述方法还包括：

接收第一用户终端发送的查询请求；其中，所述查询请求用于表示查询二手汽车的售价，所述查询请求中包括车辆型号以及车辆状态数据；

根据所述车辆型号，确定与所述车辆型号对应的二手汽车成新率检测模型；

基于所述与所述车辆型号对应的二手汽车成新率检测模型、以及查询请求中的车辆状态数据，确定所述查询请求对应的二手汽车的车辆成新率；

根据所述车辆成新率以及所述查询请求中车辆型号对应的新车售价，确定二手汽车售价，并将该二手汽车售价发送至所述第一用户终端。

5.根据权利要求1所述方法，其特征在于，在生成所述车辆型号对应的二手汽车成新率检测模型之后，所述方法还包括：

获取其他二手汽车样本数据集合，并确定所述其他二手汽车样本数据集合中的正影响样本数据；

根据所述其他二手汽车样本数据集合中的正影响样本数据，确定所述二手汽车成新率检测模型的准确率；

在所述准确率小于预设阈值的情况下，根据所述其他样本数据集合以及所述其他样本数据集合中的正影响样本数据，计算新的信息增益；

根据所述新的信息增益，调整所述二手汽车成新率检测模型。

6.根据权利要求1所述方法，其特征在于，所述方法还包括：

向第二用户终端发送确认信息；所述确认信息用于获取购买方所购买的二手汽车的购买信息，所述购买信息至少包括：年限值、里程值、故障数据、二手汽车购买价格；所述第二用户终端对应购买方；

接收所述第二用户终端基于所述确认信息发送的购买信息；

根据所述购买信息以及所述二手汽车成新率检测模型，确定所述二手汽车的购买价格是否在相应的预设范围内；

在所述购买价格不在相应的预设范围内的情况下，生成提示信息，并发送至所述第二用户终端；其中，所述提示信息用于提示所述二手汽车购买价格存在不合理的可能性。

7.根据权利要求1所述方法，其特征在于，所述方法应用于预先构建的区块链平台，所述区块链平台包括多个第一节点、多个第二节点以及第三节点；

其中，所述第一节点对应与购买方，所述第二节点对应于售卖方，所述第三节点对应于车辆成新率检测方，所述方法还包括：

所述第一节点将购买方购买的二手汽车的购买信息，上传至所述区块链平台进行存储；

所述第二节点将将要销售的二手汽车的销售信息，上传至所述区块链平台进行存储；

所述第三节点根据接收到的车辆状态信息以及预设的二手汽车成新率检测模型，生成所述车辆状态信息对应的车辆成新率；并且，将所述车辆状态信息、所述车辆状态信息的提供方的身份标识以及所述车辆成新率，上传至所述区块链平台进行存储。

8.根据权利要求1所述方法，其特征在于，获取相应的二手汽车样本数据集合，具体包括：

确定待计算车辆成新率的二手汽车车辆型号；

根据所述二手汽车车辆型号，通过爬虫从相应的二手汽车网站爬取若干二手汽车样本数据，以确定相应的所述二手汽车样本数据集合。

9.一种二手汽车成新率检测装置，其特征在于，所述装置包括：

获取模块，获取相应的二手汽车样本数据集合；所述二手汽车样本数据集合由多个二手汽车的样本数据组成，且所述二手汽车样本数据集合中的多个二手汽车的车辆型号相同；其中，所述二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价；

第一确定模块，根据所述二手汽车相应的成新率影响参数，从所述二手汽车样本数据集合，确定各所述成新率影响参数对应的正影响样本数据；

其中，所述成新率影响参数包括：年限、里程、故障；所述正影响样本数据为所述二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据；

第二确定模块，基于相应的所述正影响样本数据以及所述二手汽车样本数据集合，确定各成新率影响参数对应的信息增益；

生成模块，根据所述信息增益，生成所述车辆型号对应的二手汽车成新率检测模型，以根据所述二手汽车成新率检测模型的输出值，量化所述二手汽车的车辆成新率。

10.一种二手汽车成新率检测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

获取相应的二手汽车样本数据集合；所述二手汽车样本数据集合由多个二手汽车的样本数据组成，且所述二手汽车样本数据集合中的多个二手汽车的车辆型号相同；其中，所述二手汽车的样本数据至少包括：年限值、里程值、故障数据、二手汽车售价；

根据所述二手汽车相应的成新率影响参数，从所述二手汽车样本数据集合，确定各所述成新率影响参数对应的正影响样本数据；

其中，所述成新率影响参数包括：年限、里程、故障；所述正影响样本数据为所述二手汽车样本数据集合中，与二手汽车售价为负相关关系的样本数据；

基于相应的所述正影响样本数据以及所述二手汽车样本数据集合，确定各成新率影响参数对应的信息增益；

根据所述信息增益，生成所述车辆型号对应的二手汽车成新率检测模型，以根据所述二手汽车成新率检测模型的输出值，量化所述二手汽车的车辆成新率。

Images