CN113674041B - 车辆报价方法、装置、系统和计算机可读存储介质 - Google Patents
车辆报价方法、装置、系统和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113674041B CN113674041B CN202010413311.6A CN202010413311A CN113674041B CN 113674041 B CN113674041 B CN 113674041B CN 202010413311 A CN202010413311 A CN 202010413311A CN 113674041 B CN113674041 B CN 113674041B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- quoted
- quotation
- sales
- historical
- 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 47
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101100171405 Danio rerio dvr1 gene Proteins 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 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
- 238000002360 preparation method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例涉及一种车辆报价方法、装置、系统和计算机可读存储介质,其中,该车辆报价方法包括:获取历史成交订单数据和待报价车辆的当前报价方案,以及待报价车辆的车型信息;从历史成交订单数据和车型信息中提取待报价车辆的特征信息,并将特征信息输入到已训练的售出时长预测模型中,得到已训练的售出时长预测模型输出的待报价车辆的预测售出时长;根据预测售出时长,调整当前报价方案。通过本申请实施例,解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了降低服务器负担的技术效果。
Description
技术领域
本申请实施例涉及计算机领域,特别是涉及一种车辆报价方法、装置、系统、计算机设备和计算机可读存储介质。
背景技术
随着汽车工业的发展,二手车的交易需求越来越大,利用基于网络的二手车交易平台购买二手车,已经成为购买者的重要选择。但是,二手车价格信息不透明岁使得消费者面对二手车时望而却步的很重要的一个原因,进而也成为阻碍二手车行业健康发展的一个重要因素,因此,在整个二手车交易链条中,如何给处于公允的价格参考成了二手车市场尤为迫切的需求。
为了更公允的为二手车进行估值定价,市面上涌现了很多二手车估值平台,目前常用的评估二手车价值的方法为通过存储参数变量系数进行二手车价格的实时计算,大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数,当具体车型信息传递到系统中之后,通过实现存储好的权重系数对二手车进行价格计算。该技术方案存在以下技术缺陷:车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加的问题。
目前针对相关技术中的车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆报价方法、装置、系统、计算机设备和计算机可读存储介质,以至少解决相关技术中的车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题。
第一方面,本申请实施例提供了一种车辆报价方法,所述方法包括:获取历史成交订单数据和待报价车辆的当前报价方案,以及所述待报价车辆的车型信息;
从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息,并将所述特征信息输入到已训练的售出时长预测模型中,得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长;其中,所述已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的;
根据所述预测售出时长,调整所述当前报价方案。
在其中一个实施例中,获取所述当前报价方案包括:
获取所述待报价车辆的参考价值;
根据所述参考价值,生成多个参考报价方案,并分别确定所述待报价车辆的历史报价方案相对于所述多个参考报价方案的差异化价值;
根据所述历史成交订单数据确定所述待报价车辆的历史平均售出时长,并基于所述历史平均售出时长分别修正所述待报价车辆在所述多个参考报价方案下的差异化价值,得到修正的差异化价值;
根据修正的差异化价值,确定所述待报价车辆的修正的多个参考报价方案的总价;
确定修正的多个参考报价方案的最低总价,并以所述最低总价作为所述历史报价方案的总价,生成所述当前报价方案。
在其中一个实施例中,获取所述待报价车辆的参考价值包括:
根据所述历史成交订单数据,获取与所述待报价车辆的车型相同的多个车辆的里程、上牌时间以及市场价;
将所述多个车辆按照里程和上牌时间划分为多个价值档位,并根据每个价值档位中车辆的市场价确定该价值档位对应的参考价值;
根据所述待报价车辆的里程以及上牌时间确定所述待报价车辆的价值档位,并将所述待报价车辆的价值档位对应的参考价值作为所述待报价车辆的参考价值。
在其中一个实施例中,根据所述预测售出时长,调整所述当前报价方案包括:
在所述当前报价方案为分期付款报价方案的情况下,根据所述预测售出时长,调整所述分期付款报价方案的分期利率;其中,所述预测售出时长与所述分期利率呈反比关系。
在其中一个实施例中,所述的特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、节日特征、区域特征。
在其中一个实施例中,所述方法还包括:
根据所述当前报价方案,确定所述待报价车辆的拍卖利润和售出利润;
根据所述预测售出时长,确定所述待报价车辆的拍卖概率和售出概率;
根据所述拍卖利润、所述拍卖概率、所述售出利润和所述售出概率,确定所述待报价车辆的利润期望值;
在所述利润期望值低于预设阈值的情况下,提示所述当前报价方案存在异常。
第二方面,本申请实施例提供了一种车辆报价装置,所述装置包括:获取模块,用于获取历史成交订单数据和待报价车辆的当前报价方案,以及所述待报价车辆的车型信息;
提取模块,用于从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息;
输入模块,用于将所述特征信息输入到已训练的售出时长预测模型中,得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长;其中,所述已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的;
调整模块,用于根据所述预测售出时长,调整所述当前报价方案。
第三方面,本申请实施例提供了一种计算机设备,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述第一方面所述的车辆报价方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的二手车辆的方法。
第五方面,本申请实施例提供了一种车辆报价系统,所述系统包括:
用户终端和服务器,所述服务器与所述用户终端通过网络连接,其中,所述服务器包括存储器、处理器以及存储在所述存储器上的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如上述第一方面所述的车辆报价方法;
所述用户终端用于接收并显示所述当前报价方案。
相比于相关技术,本申请实施例提供的车辆报价方法,通过预测待报价车辆的售出时长,进而量化待报价车辆的处置能力,解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了降低服务器负担的技术效果。
本申请实施例的一个或多个实施例的细节在以下附图和描述中提出,以使本申请实施例的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解,构成本申请实施例的一部分,本申请实施例的示意性实施例及其说明用于解释本申请实施例,并不构成对本申请实施例的不当限定。在附图中:
图1是根据本申请实施例的车辆报价方法的流程图;
图2是根据本申请实施例的获得当前报价方案的流程图;
图3是根据本申请实施例的已训练的预测售出时长模型与统计学预测模型的评估结果示意图;
图4是根据本申请实施例的车辆报价装置的结构框图;
图5是根据本申请实施例的计算机设备的硬件结构示意图;
图6是根据本申请实施例的车辆报价系统的结构框图。
具体实施方式
为了使本申请实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请实施例进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请实施例,并不用于限定本申请实施例。基于本申请实施例提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请实施例保护的范围。
显而易见地,下面描述中的附图仅仅是本申请实施例的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请实施例应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请实施例公开的内容相关的本领域的普通技术人员而言,在本申请实施例揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请实施例公开的内容不充分。
在本申请实施例中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请实施例的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请实施例所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请实施例所涉及的技术术语或者科学术语应当为本申请实施例所属技术领域内具有一般技能的人士所理解的通常意义。本申请实施例所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请实施例所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请实施例所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请实施例所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请实施例所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种车辆报价方法。图1是根据本申请实施例的车辆报价方法的流程图,该流程包括如下步骤:
步骤S101,获取历史成交订单数据和待报价车辆的当前报价方案,以及待报价车辆的车型信息。
在本实施例中,当前报价方案可以为四年分期报价方案或一年买断报价方案。其中,四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供,一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额;历史成交订单数据包括与待报价车辆相同车型的车辆的成交订单数据。
步骤S102,从历史成交订单数据和车型信息中提取待报价车辆的特征信息,并将特征信息输入到已训练的售出时长预测模型中,得到已训练的售出时长预测模型输出的待报价车辆的预测售出时长;其中,已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的。
该步骤是通过已训练的售出时长预测模型来预测待报价车辆的售出时长,进而量化销售平台对待报价车辆的处置能力,处置能力即产品转化为现金流的能力,以便在报价阶段考虑待报价车辆的处置情况,提前对难以处置的车型作出反应。
步骤S103,根据预测售出时长,调整当前报价方案。
基于已训练的售出时长预测模型,预测待报价车辆在各个里程、上牌时间区间组合下的售出时长,以此来量化二手车辆的处置能力。其中,售出时长指二手车辆上架到售出的时间,不包含收车整备的时间;依据对不同车型的不同处置能力,对车型的价格进行调整,对处置能力较差的车型可以适当降低分期利率,对处置能力较强的车型可以适当提高分期利率。
相关技术中的二手车估值定价方法,往往通过存储参数变量系数进行二手车价格的实时计算,大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数,当具体车型信息传递到系统中之后,通过实现存储好的权重系数对二手车进行价格计算。
当二手车平均售出时长比较长的情况下,车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加,同时,由于报价时没有结合待报价车辆的处置能力,往往会导致报价出错,引起用户质疑。
同时,现有的统计学预测模型无法依据车况的不同而给出差异化的预测结果,例如:在同一车型中,里程数500公里和50000公里的车在统计学预测模型中两者的售出时长是相同的,但事实上,虽然两台二手车辆车型相同,但两者的售出时长必然存在较大的差异性。
通过上述步骤,通过预测待报价车辆的售出时长,进而量化待报价车辆的处置能力,解决了在二手车辆平均售出时长比较长的情况下,车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加的问题,实现了降低服务器负担的技术效果;同时,通过量化待报价车辆的处置能力,便于在报价阶段考虑待报价车辆的处置情况,提前对难以处置的车辆作出反应;若不考虑待报价车辆的处置能力,对于处置能力较差的待报价车辆,也有可能将其定为高价,导致该车辆的处置能力进一步下降,最终进入拍卖处置环节,导致亏损增大。
图2示出了本实施例中获取当前报价方案的流程,如图3所示,在其中一些实施例中,获取当前报价方案的流程包括以下步骤:
步骤S201,获取待报价车辆的参考价值。
步骤S202,根据参考价值,生成多个参考报价方案,并分别确定待报价车辆的历史报价方案相对于多个参考报价方案的差异化价值。
步骤S203,根据历史成交订单数据确定待报价车辆的历史平均售出时长,并基于历史平均售出时长分别修正待报价车辆在多个参考报价方案下的差异化价值,得到修正的差异化价值。
步骤S204,根据修正的差异化价值,确定待报价车辆的修正的多个参考报价方案的总价。
步骤S205,确定修正的多个参考报价方案的最低总价,并以最低总价作为历史报价方案的总价,生成当前报价方案。
在本实施例中,参考报价方案包括以下至少一种:全款购车报价方案、消费贷购车报价方案,根据历史成交订单数据以及与待报价车辆同款车型的车辆的当下的市场零售价,分别计算待报价车辆的全款购车总价以及消费贷购车总价待报价车辆的全款购车总价UFTP为与待报价车辆同款车型的车辆的市场零售价以及保险费用的和,待报价车辆的消费贷购车总价ULTP为消费贷首付、月供金额乘以期数、保险费用、上牌费用以及消费贷手续费用的和。
从历史成交订单数据中获得与待报价车辆同款车型的车辆的历史总价TTP,待报价车辆同款车型的车辆的历史总价TTP为首付金额、月租金额乘以期数以及月供金额乘以期数的和。
确定待报价车辆的历史报价方案相对于多个参考报价方案的差异化价值通过以下公式确定:差异化价值DVR1=(TTP–UFTP)/UFTP)*α,差异化价值DVR2=((TTP–ULTP)/ULTP)*α,其中,α为修正系数,根据历史成交订单数据确定待报价车辆的历史平均售出时长,用来修正差异化价值,若待报价车辆的历史平均售出时长较长,则α下调,若待报价车辆的历史平均售出时长较短,则α上调。
还可以按照车型/车系/品牌各个维度进行统计,获得每个车型/车系/品牌的多个平均差异化价值,将其整理统合,获得车型/车系/品牌的差异化价值数据库。
在其中一些实施例中,获取待报价车辆的参考价值包括:根据历史成交订单数据,获取与待报价车辆的车型相同的多个车辆的里程、上牌时间以及市场价;将多个车辆按照里程和上牌时间划分为多个价值档位,并根据每个价值档位中车辆的市场价确定该价值档位对应的参考价值;根据待报价车辆的里程以及上牌时间确定待报价车辆的价值档位,并将待报价车辆的价值档位对应的参考价值作为待报价车辆的参考价值。
相关技术中的二手车估值定价方法,往往通过存储参数变量系数进行二手车价格的实时计算,大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数,当具体车型信息传递到系统中之后,通过实现存储好的权重系数对二手车进行价格计算。
其中,相关技术中的二手车估值定价方法往往对里程、上牌时间的档位划分粗犷,容易出现同一车型不同档位价格倒挂的现象,例如:同上牌时间下,低里程的二手车辆报价低于高里程的二手车辆;也容易出现二手车辆报价高于新车的现象,引起用户的质疑,例如,现有技术中,往往将里程为0~25000公里的车型划为一档,这导致相同车型和相同上牌时间下里程2000公里的二手车辆的与里程20000公里的二手车辆的价格相同。
本实施例中,价值档位至少包括63档,分档粒度更细。在本实施例中,可以将上牌时间划分为7档,分别为0~6月,6~12月,12~18月,18~24月,24~36月,36~48月以及超过48月,将里程划分为9档,分别为0~1000公里,1000~10000公里,10000~20000公里,20000~30000公里,30000~40000公里,40000~50000公里,50000~80000公里,80000~100000公里以及超过100000公里,共计53个里程以及上牌时间档位,每个档位取中间里程以及中间上牌时间来为待报价车辆在该档位下的价格进行参考价值估值。
在其中一些实施例中,根据预测售出时长,调整当前报价方案包括:在当前报价方案为分期付款报价方案的情况下,根据预测售出时长,调整分期付款报价方案的分期利率;其中,预测售出时长与分期利率呈反比关系。
在本实施例中,当前报价方案为四年分期报价方案或一年买断报价方案中,四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供,一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额;历史成交订单数据包括与待报价车辆相同车型的车辆的成交订单数据,对预测售出时长较长的车辆可以适当降低月租利率以及月供利率,对预测售出时长较短的车型可以适当提高月租利率以及月供利率。
其中,本实施例中,预测售出时长在0~4天内,分别提高1%月租利率以及1%月供利率,预测售出时长在4~11天内,分别提高0.5%月租利率以及0.5%月供利率,预测售出时长在11~25天内,不对待报价车辆的月租利率以及月供利率进行调整,预测售出时长在25~35天内,分别降低0.5%月租利率以及0.5%月供利率,预测售出时长在35~45天内,分别降低1%月租利率以及1%月供利率,预测售出时长在45~55天内,分别降低1.5%月租利率以及1.5%月供利率,预测售出时长大于55天,分别降低2%月租利率以及2%月供利率。
在本实施例中,通过已训练的售出时长预测模型预测待报价车辆的售出时长,进而量化待报价车辆的处置能力,同时根据待报价车辆的处置能力量化结果调整当前报价方案,完成当前报价方案。
在其中一些实施例中,特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、节日特征、区域特征。
在本实施例中,时间特征为待报价车辆任何与时间相关的特征信息,时间特征包括:上架时间-年、上架时间-月、上架时间-当月-某日、上架时间-当年-某日、车型上市时间、车型年款、上架时距离上市时间间隔、上架时是否符合当下排放标准、已上牌时间-月、已上牌时间-天、上架日平均售出时长、上架周平均售出时长以及上架月平均售出时长。
在本实施例中,车型特征为待报价车辆任何与车型相关的特征信息,车型特征包括:品牌、车系、车型、公里数、排量、轴距、长度、级别、变速箱类型、新车上架日均销量、车型名称词向量、车系市场销量、三年保值率、大众好评率、媒体好评率、每年保养费等级、车系平均售出时长、品牌平均售出时长以及新车上架日均销量。
在本实施例中,价格特征为待报价车辆任何与价格相关的特征信息,价格特征包括:指导价、首付金额、月租、月供、首付比例、对外尾款、四年总价、一年买断价、提车时总费用以及交车服务费。
在本实施例中,优惠特征为待报价车辆任何与优惠相关的特征信息,优惠特征包括:首付直降金额、优惠券金额以及实际首付金额。
在本实施例中,节日特征为待报价车辆上架日与节日相关的特征信息,节日特征包括:节日等级、上架日是否为节日前7天后3天范围内,上架日距离下个节日天数、上架日第2日是否为节日、上架日第3日是否为节日、上架日第4日是否为节日、上架日第5日是否为节日…上架日第50日是否为节日。
在本实施例中,区域特征为待报价车辆任何与是售出区域相关的特征信息,区域特征包括:省份平均售出时长、城市平均售出时长、省份历史总销量以及城市历史总销量。
在其中一些实施例中,车辆报价方法还包括:根据当前报价方案,确定待报价车辆的拍卖利润和售出利润;根据预测售出时长,确定待报价车辆的拍卖概率和售出概率;根据拍卖利润、拍卖概率、售出利润和售出概率,确定待报价车辆的利润期望值;在利润期望值低于预设阈值的情况下,提示当前报价方案存在异常。
在本实施例中,超过50天没有售出的二手车辆会进入拍卖处置步骤,拍卖概率为待报价车辆的预测售出时长除以50,售出概率为1减去拍卖概率,根据当前报价方案,从历史拍卖数据库中确定待报价车辆的拍卖利润,根据当前报价方案,从财务利润模型中确定待报价车辆的售出利润,利润期望值为拍卖概率乘以拍卖利润乘以财务成本与售出概率乘以售出利润乘以财务成本的和,当利润期望值大于等于预设阈值时,则完成当前报价方案;当利润期望值小于预设阈值时,则提示当前报价方案存在异常。
在本实施例中,若要完成当前报价方案,需满足以下至少之一条件:待报价车辆的一年买断报价方案的总价需要小于新车的一年买断报价方案减去预设阈值的差,待报价车辆的尾款金额需要小于新车的尾款金额减去预设阈值的差,待报价车辆的四年分期报价方案的总价需要小于新车的四年分期报价方案的总价减去预设阈值的差,待报价车辆的首年费用需要小于新车的首年费用减去预设阈值的差,待报价车辆的首年月租和次三年的月供绝对差值率需要小于预设阈值,二手车辆同车型同里程上牌档位下,老款二手车辆四年分期报价方案的总价需要小于新款二手车辆四年分期报价方案的总价减去预设阈值的差,二手车辆同车型同里程上牌档位下,老款二手车辆首年费用需要小于新款二手车辆首年减去预设阈值的差,二手车辆同车型同里程上牌档位下,老款二手车辆四年分期报价方案需要小于新款新车四年分期报价方案减去预设阈值的差,二手车辆同车型同里程上牌档位下,老款二手车辆首年费用需要小于新款新车首年减去预设阈值的差,二手车辆同车系高低配之间,低配车辆四年分期报价方案的总价需要小于高配车辆四年分期报价方案的总价减去预设阈值的差。
其中,新老款的区分依据车型年份,例如,2018款相对于2017款为新款,2018款相对于2019款为老款;待报价车辆首年月租和次三年的月供绝对差值率=绝对值(首年月租-次三年月供)/首年月租;首年费用为首付金额和12个月的首年月租的和;同车系高低配的区分依据指导价,例如,相同车系编码下,厂商指导价高的车为高配。
上述价格监控体系在日常调价活动中也有监控作用,避免调价后价格出错,导致价格不合理,进而降低二手车辆价格公信力,对于价格监控报错结果,每日实时监控调整。
图3示出了本申请实施例的已训练的预测售出时长模型与统计学预测模型的评估结果示意图。
其中,已训练的售出时长预测模型的输入还包括以下至少一种:库存数据、财务口径优惠数据、从车型数据中提取的特征信息,售出时长预测模型可以选用Light GBM算法或者其他的决策树算法,通过输入已清洗后的训练集对其进行训练。已清洗后的训练集包括以下至少一种:二手车成交订单数据、库存数据、财务口径优惠数据、从车型数据中提取的特征信息。在本实施例中,售出时长预测模型的参数为:
n_estimators=4000;
learning_rate=0.01;
objective=‘regression’;
num_leaves=4;
feature_fraction=0.2;
min_data_in_leaf=2;
max_bin=200。
在本实施例中,已清洗后的训练集包括2018年1月16日至2019年12月23日中的22646条二手车成交订单数据、库存数据、财务口径优惠数据或从车型数据中提取的特征信息,已清洗后的测试集包括2019年12月23日至2020年1月23日中的1523条二手车成交订单数据、库存数据、财务口径优惠数据或从车型数据中提取的特征信息。
在本实施例中,已训练的售出时长预测模型对特征信息的重要性排序结果如表1所示:
表1
将本实施例中的已训练的售出时长预测模型与统计学预测模型进行对比实验,本实施例中的已训练的售出时长预测模型与统计学预测模型的评估结果如表2所示,统计学预测模型即取二手车辆的历史售出时长数据,按照车型分类取售出时长平均值,该值作为该车型的预测售出时长。
表2
分别对I类、II类、III类、IV类车型进行售出时长预测,本实施例中的已训练的售出时长预测模型的平均绝对误差均小于统计学预测模型的平均绝对误差,按照I类车型30%的销量占比,II类车型30%的销量占比,III类车型30%的销量占比,IV类车型10%的销量占比,本实施中的已训练的售出时长预测模型的最终加权平均误差为8.76天。
其中,包括I类以及II类畅销车型的加权平均绝对误差为8.96天,包括I类、II类以及III类畅销车型的加权平均绝对误差为8.76天,包括I类、II类、III类以及IV类全量车型的加权平均绝对误差为8.76天,所有新上架车型的加权平均绝对误差为9.32天,符合预测精度。
因此,本实施例中的已训练的售出时长预测模型对新上架车型的适用性较好;而统计学预测模型需要统计历史平均值来作为车型售出时长的预测结果,当新上架车型不存在历史销量或历史销量很小时,统计学预测模型的预测结果会具有极大的偶然性。
当本实施例中的已训练的预测售出时长模型与统计学预测模型均对2018款传祺GA4 200T自动豪华版这一车型的二手车辆进行售出时长预测时,本申请实施例的已训练的预测售出时长模型与统计学预测模型的评估结果如图3所示。
如图3所示,图3中纵轴为售出时长,横轴为该车型的车辆标号,图3中水平的实线代表统计学预测模型的预测结果,可以得出:针对该车型的任何车况,统计学预测模型的预测结果均相同。波动的虚线代表该车型的实际售出时长,可以看到该车型根据车况不同,实际售出时长的波动很大,该车型的平均售出时长可能与统计学预测模型相近,但是对于该车型不同车况的车辆,统计学预测模型的误差很大;波动的实线代表本实施例中的已训练的预测售出时长模型,本实施例中的已训练的预测售出时长模型并没有与该车型的实际售出时长完全重合,但是两者趋势大致相符,预测结果优于统计学预测模型。
本实施例中的已训练的售出时长预测模型中还可以通过将每个月的新销量数据提取出特征信息输入售出时长预测模型进行迭代、增加新的特征信息输入售出时长预测模型、优化算法内部参数、寻找更为优秀的机器学习算法或者根据实际业务场景策略修正预测结果来优化其模型本体,进而获得准确率更高的预测结果。
综上,本申请实施例提供的车辆报价方法,根据历史成交订单数据确定与待报价车辆的车型相同的车辆的多个价值档位,根据待报价车辆的里程以及上牌时间确定待报价车辆的参考价值,根据待报价车辆的参考价值确定待报价车辆的当前报价方案,通过已训练的售出时长预测模型量化待报价车辆的处置能力,并通过待报价车辆的处置能力的量化结果调整待报价车辆的当前报价方案。相比于相关技术,本申请实施例有以下优势:
(1)本申请实施例以市场价格作为参考价值,并附加差异化价值为待报价车辆制定报价方案,更加贴合市场。
(2)本申请实施例将二手车辆的价值档位划分为63档,更精细地划分二手车辆的参考价值,确保多个价值档位中的参考价值不会倒挂,价值档位内部里程、上牌时间划分合理。
(3)本申请实施例还考虑了待报价车辆的处置能力,通过已训练的售出时长预测模型,对待报价车辆的处置能力进行量化,并根据待报价车辆的处置能力量化结果,调整当前报价方案,最终在确保利润处于合理水平的前提下,完成当前报价方案。
(4)本申请实施例通过预测待报价车辆的售出时长,进而量化待报价车辆的处置能力,解决了在二手车辆平均售出时长比较长的情况下,车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加的问题,实现了降低服务器负担的技术效果。
本实施例还提供了一种车辆报价装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的一种车辆报价装置的结构框图,如图5所示,该装置包括:获取模块40,提取模块41,输入模块42和调整模块43,获取模块40耦接于提取模块41,提取模块41耦接于输入模块42,输入模块42耦接于调整模块43,其中,
获取模块40,用于获取历史成交订单数据和待报价车辆的当前报价方案,以及待报价车辆的车型信息;
提取模块41,用于从历史成交订单数据和车型信息中提取待报价车辆的特征信息;
输入模块42,用于将特征信息输入到已训练的售出时长预测模型中,得到已训练的售出时长预测模型输出的待报价车辆的预测售出时长;其中,已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的;
调整模块43,用于根据预测售出时长,调整当前报价方案。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例的车辆报价方法可以由计算机设备来实现。图5为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括存储器52、处理器51以及存储在存储器上并可在处理器上运行的计算机程序。
具体地,上述处理器51可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器52可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器52可在数据处理装置的内部或外部。在特定实施例中,存储器52是非易失性(Non-Volatile)存储器。在特定实施例中,存储器52包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令,以实现上述实施例中的任意一种车辆报价方法。
在其中一些实施例中,计算机设备还可包括通信接口53和总线50。其中,如图5所示,处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口53还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线50可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请实施例考虑任何合适的总线或互连。
另外,结合上述实施例中的车辆报价方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆报价方法。
另外,结合上述实施例中的车辆报价方法,本申请实施例可提供一种车辆报价系统来实现。图6是根据本申请实施例的车辆报价系统的结构框图,如图6所示,该车辆报价系统包括:用户终端60和服务器61,服务器61与用户终端60通过网络连接,其中,服务器61包括存储器52、处理器51以及存储在存储器上的并可在处理器上运行的计算机程序,该处理器51可以执行本申请实施例中的车辆报价方法,用户终端60用于接收并显示当前报价方案。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请实施例构思的前提下,还可以做出若干变形和改进,这些都属于本申请实施例的保护范围。因此,本申请实施例专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种车辆报价方法,其特征在于,所述方法包括:
获取历史成交订单数据和待报价车辆的当前报价方案,以及所述待报价车辆的车型信息;获取待报价车型的当前报价方案包括:获取所述待报价车辆的参考价值;根据所述参考价值,生成多个参考报价方案,并分别确定所述待报价车辆的历史报价方案相对于所述多个参考报价方案的差异化价值;根据所述历史成交订单数据确定所述待报价车辆的历史平均售出时长,并基于所述历史平均售出时长分别修正所述待报价车辆在所述多个参考报价方案下的差异化价值,得到修正的差异化价值;根据修正的差异化价值,确定所述待报价车辆的修正的多个参考报价方案的总价;确定修正的多个参考报价方案的最低总价,并以所述最低总价作为所述历史报价方案的总价,生成所述当前报价方案;
从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息,并将所述特征信息输入到已训练的售出时长预测模型中,得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长;其中,所述已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的;
根据所述预测售出时长,调整所述当前报价方案。
2.根据权利要求1所述的车辆报价方法,其特征在于,获取所述待报价车辆的参考价值包括:
根据所述历史成交订单数据,获取与所述待报价车辆的车型相同的多个车辆的里程、上牌时间以及市场价;
将所述多个车辆按照里程和上牌时间划分为多个价值档位,并根据每个价值档位中车辆的市场价确定该价值档位对应的参考价值;
根据所述待报价车辆的里程以及上牌时间确定所述待报价车辆的价值档位,并将所述待报价车辆的价值档位对应的参考价值作为所述待报价车辆的参考价值。
3.根据权利要求1所述的车辆报价方法,其特征在于,根据所述预测售出时长,调整所述当前报价方案包括:
在所述当前报价方案为分期付款报价方案的情况下,根据所述预测售出时长,调整所述分期付款报价方案的分期利率;其中,所述预测售出时长与所述分期利率呈反比关系。
4.根据权利要求1所述的车辆报价方法,其特征在于,所述的特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、节日特征、区域特征。
5.根据权利要求1至4中任一项所述的车辆报价方法,其特征在于,所述方法还包括:
根据所述当前报价方案,确定所述待报价车辆的拍卖利润和二次上架售出利润;
根据所述预测售出时长,确定所述待报价车辆的拍卖概率和售出概率;
根据所述拍卖利润、所述拍卖概率、所述售出利润和所述售出概率,确定所述待报价车辆的利润期望值;
在所述利润期望值低于预设阈值的情况下,提示所述当前报价方案存在异常。
6.一种车辆报价装置,其特征在于,所述装置包括:
获取模块,用于获取历史成交订单数据和待报价车辆的当前报价方案,以及所述待报价车辆的车型信息;获取待报价车型的当前报价方案包括:获取所述待报价车辆的参考价值;根据所述参考价值,生成多个参考报价方案,并分别确定所述待报价车辆的历史报价方案相对于所述多个参考报价方案的差异化价值;根据所述历史成交订单数据确定所述待报价车辆的历史平均售出时长,并基于所述历史平均售出时长分别修正所述待报价车辆在所述多个参考报价方案下的差异化价值,得到修正的差异化价值;根据修正的差异化价值,确定所述待报价车辆的修正的多个参考报价方案的总价;确定修正的多个参考报价方案的最低总价,并以所述最低总价作为所述历史报价方案的总价,生成所述当前报价方案;
提取模块,用于从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息;
输入模块,用于将所述特征信息输入到已训练的售出时长预测模型中,得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长;其中,所述已训练的售出时长预测模型是以车辆的特征信息作为输入,以车辆的实际售出时长作为监督,对机器学习模型进行训练得到的;
调整模块,用于根据所述预测售出时长,调整所述当前报价方案。
7.一种计算机设备,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如权利要求1至5中任一项所述的车辆报价方法。
8.一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,该程序被处理器执行时实现如权利要求1至5中任一项所述的车辆报价方法。
9.一种车辆报价系统,其特征在于,所述系统包括:用户终端和服务器,所述服务器与所述用户终端通过网络连接,其中,所述服务器包括存储器、处理器以及存储在所述存储器上的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如权利要求1至5中任一项所述的车辆报价方法;
所述用户终端用于接收并显示所述当前报价方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413311.6A CN113674041B (zh) | 2020-05-15 | 2020-05-15 | 车辆报价方法、装置、系统和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413311.6A CN113674041B (zh) | 2020-05-15 | 2020-05-15 | 车辆报价方法、装置、系统和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674041A CN113674041A (zh) | 2021-11-19 |
CN113674041B true CN113674041B (zh) | 2023-11-21 |
Family
ID=78537793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413311.6A Active CN113674041B (zh) | 2020-05-15 | 2020-05-15 | 车辆报价方法、装置、系统和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674041B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174355A (ja) * | 2004-12-21 | 2005-06-30 | System Location Co Ltd | 車両再販価格分析システム |
CN109993575A (zh) * | 2019-03-22 | 2019-07-09 | 广州威尔森信息科技有限公司 | 一种车辆定价方法 |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8595079B1 (en) * | 2003-11-26 | 2013-11-26 | Carfax, Inc. | System and method for determining vehicle price values |
US20130030871A1 (en) * | 2011-07-27 | 2013-01-31 | Schwitzky Zachary M | Systems, Methods, and Media for Automatically Adjusting the Prices of Products and Services Based on Consumer Demand |
US11164199B2 (en) * | 2018-07-26 | 2021-11-02 | Opendoor Labs Inc. | Updating projections using listing data |
-
2020
- 2020-05-15 CN CN202010413311.6A patent/CN113674041B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174355A (ja) * | 2004-12-21 | 2005-06-30 | System Location Co Ltd | 車両再販価格分析システム |
CN110503447A (zh) * | 2018-05-16 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于确定商品销量预测值的方法及装置 |
CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
CN109993575A (zh) * | 2019-03-22 | 2019-07-09 | 广州威尔森信息科技有限公司 | 一种车辆定价方法 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的二手车价格评估影响因素研究;毛攀;蔡云;万雄;王文迪;;汽车实用技术(第04期);全文 * |
基于聚类分析的二手车保值率预测;成英;施文静;杜峰;;数学的实践与认识(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674041A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8731977B1 (en) | System and method for analyzing and using vehicle historical data | |
JP6111355B2 (ja) | 中古車両価格設定データの分析、および提示のためのシステムおよび方法 | |
US7366679B2 (en) | Residual value forecasting system and method thereof, insurance premium calculation system and method thereof, and computer program product | |
US20200051134A1 (en) | Wholesale/trade-in pricing system, method and computer program product therefor | |
US8577736B2 (en) | System and method for the analysis of pricing data including dealer costs for vehicles and other commodities | |
US20090327062A1 (en) | Methods and systems for optimal pricing | |
US20070136162A1 (en) | Methods and systems for providing a purchase package for a vehicle | |
US20120179476A1 (en) | Method and system of remuneration for providing successful sales leads | |
US20140316857A1 (en) | Housing price estimator | |
CN113674040B (zh) | 车辆的报价方法、计算机设备和计算机可读存储介质 | |
US20090132348A1 (en) | Method for deal-based pricing and estimation of deal winning probability using multiple prospective models | |
US20150363855A1 (en) | Systems and Methods for Automatic Popular Configuration Generation | |
JP2005512180A (ja) | 損失仮説を立てるためのシステム及び方法 | |
US7346566B2 (en) | Method for assessing equity adequacy | |
CN109697668A (zh) | 一种信贷产品的定价方法、装置、设备及存储介质 | |
US20140344018A1 (en) | Customer centric system for predicting the demand for loan refinancing products | |
CN113674041B (zh) | 车辆报价方法、装置、系统和计算机可读存储介质 | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
CN113657894A (zh) | 一种外汇报价处理方法、装置及电子设备 | |
CN113724038A (zh) | 一种个性化推荐保险产品的方法、装置、设备及介质 | |
US20220180388A1 (en) | Methods and systems of an automated deals evaluation and management platform | |
CN111626466A (zh) | 一种现金流数据预测方法、装置及系统 | |
Wang | Cross sectional variation in risk arbitrage | |
CN116562932A (zh) | 电子优惠券的处理方法、装置、电子设备及存储介质 | |
CN117745453A (zh) | 一种数据处理方法、装置、设备及介质 |
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 |