CN114331573B - 一种基于大数据的车辆残值评估方法和交易平台 - Google Patents

一种基于大数据的车辆残值评估方法和交易平台 Download PDF

Info

Publication number
CN114331573B
CN114331573B CN202210249708.5A CN202210249708A CN114331573B CN 114331573 B CN114331573 B CN 114331573B CN 202210249708 A CN202210249708 A CN 202210249708A CN 114331573 B CN114331573 B CN 114331573B
Authority
CN
China
Prior art keywords
vehicle
vehicles
groups
residual value
relevant 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.)
Active
Application number
CN202210249708.5A
Other languages
English (en)
Other versions
CN114331573A (zh
Inventor
何宇博
何兆广
郑元旺
张晓龙
薛庆庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Snail Truck Network Shandong E Commerce Co ltd
Original Assignee
Snail Truck Network Shandong E Commerce Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Snail Truck Network Shandong E Commerce Co ltd filed Critical Snail Truck Network Shandong E Commerce Co ltd
Priority to CN202210249708.5A priority Critical patent/CN114331573B/zh
Publication of CN114331573A publication Critical patent/CN114331573A/zh
Application granted granted Critical
Publication of CN114331573B publication Critical patent/CN114331573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于大数据的车辆残值评估方法和交易平台，包括：获取待评估车辆的相关信息，并根据待评估车辆的相关信息，获取与待评估车辆的相关信息等同的车辆的历史交易价格所构成的交易价格时序序列；将交易价格时序序列输入到预先获取的车辆残值预测网络中，由车辆残值预测网络预测输出待评估车辆的车辆残值。本发明可以准确评估某一时间车辆的残值，提高了车辆残值估计的准确性和可靠性，给二手车的交易提供了准确的价格预估。

Description

一种基于大数据的车辆残值评估方法和交易平台
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于大数据的车辆残值评估方法和交易平台。
背景技术
二手车在交易过程中往往需要进行车辆残值评估，按照国家规定的车辆残值评估方法通常有收益现值法、重置成本法、现行市价法、清算价格法等其它方法。其中，现行市价法又称市场法、市场价格比较法，是指评估师以与被评估二手车最近售出类似二手车的价格为基础，然后通过比较被评估二手车与最近售出类似二手车的异同，确定被评估二手车的现时技术状况评定系数，然后根据该评定系数对类似二手车市场价格进行调整，从而确定被评估二手车价值的一种评估方法。
由于现有的现行市价法完全是依赖评估师的经验来确定被评估二手车的现时技术状况评定系数，进而确定被评估二手车的车辆残值，完全没有统一的量化标准，不同的评估师可能会给出不同的残值估计结果，准确性和可靠性相对较差。
发明内容
本发明的目的在于提供一种基于大数据的车辆残值评估方法和交易平台，用于解决现有的车辆残值评估方法准确性较差的问题。
为解决上述技术问题，本发明提供了一种基于大数据的车辆残值评估方法，包括以下步骤：
获取待评估车辆的相关信息，所述相关信息至少包括所在城市、品牌型号、里程、当前可达最大车速、当前加速所需时间和已使用时间；
根据待评估车辆的相关信息，获取与待评估车辆的相关信息等同的车辆的历史交易价格所构成的交易价格时序序列；
将交易价格时序序列输入到预先获取的车辆残值预测网络中，由车辆残值预测网络预测输出待评估车辆的车辆残值；
所述车辆残值预测网络的获取步骤包括：
获取N组车辆的各个车辆的历史交易价格所构成的交易价格时序序列，并获取N组车辆中的各个车辆的相关信息，每组车辆中的所有车辆的相关信息等同；
构造车辆残值预测网络，并将N组车辆的交易价格时序序列中的每个历史交易价格作为一个训练样本，确定车辆残值预测网络的初始损失函数；
根据N组车辆中的各个车辆的相关信息，确定N组车辆中的各个车辆的车辆残值系数，从而得到每个训练样本的车辆残值系数；
根据车辆残值预测网络的初始损失函数和每个训练样本的车辆残值系数，确定车辆残值预测网络的最终的损失函数；
根据车辆残值预测网络的最终的损失函数，利用训练样本对车辆残值预测网络进行训练，得到的车辆残值预测网络。
进一步的，确定N组车辆中的各个车辆的车辆残值系数的步骤包括：
根据N组车辆中的各个车辆的相关信息中的当前可达最大车速和当前加速所需时间以及N组车辆对应的宣传最大车速，确定N组车辆中的各个车辆的性能指标；
根据N组车辆中的各个车辆的相关信息中的里程以及各个车辆的性能指标，确定N组车辆中的各个车辆的综合性能值；
根据N组车辆中的各个车辆的相关信息中的已使用时间以及N组车辆对应的预计使用时间，确定N组车辆中的各个车辆的成新率；
根据N组车辆中的各个车辆的综合性能值和成新率，确定N组车辆中的各个车辆的车辆残值系数。
进一步的，确定N组车辆中的各个车辆的性能指标的步骤包括：
根据N组车辆中的各个车辆的相关信息中的当前可达最大车速以及N组车辆对应的宣传最大车速，确定N组车辆中的各个车辆的最大车速占比；
根据N组车辆中的各个车辆的最大车速占比和当前加速所需时间，确定N组车辆中的各个车辆的性能指标；
对N组车辆中的各个车辆的性能指标进行归一化处理，得到最终的N组车辆中的各个车辆的性能指标。
进一步的，确定N组车辆中的各个车辆的性能指标对应的计算公式为：
Figure 100002_DEST_PATH_IMAGE002
=
Figure 100002_DEST_PATH_IMAGE004
其中，
Figure 100002_DEST_PATH_IMAGE006
为N组车辆中的各个车辆的性能指标，
Figure 100002_DEST_PATH_IMAGE008
为N组车辆中的各个车辆的当前加速所需时间，
Figure 100002_DEST_PATH_IMAGE010
为N组车辆中的各个车辆的最大车速占比。
进一步的，确定N组车辆中的各个车辆的综合性能值对应的计算公式为：
Figure 100002_DEST_PATH_IMAGE012
=
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 895442DEST_PATH_IMAGE012
为N组车辆中的各个车辆的综合性能值，
Figure 100002_DEST_PATH_IMAGE016
为最终的N组车辆中的各个车辆的性能指标，
Figure 100002_DEST_PATH_IMAGE018
为N组车辆中的各个车辆的里程，
Figure 100002_DEST_PATH_IMAGE020
为N组车辆中的各个车辆的最大综合性能值，
Figure 974711DEST_PATH_IMAGE020
=
Figure 100002_DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE024
、m和n为综合性能值的调控常数，n=ln(
Figure 611491DEST_PATH_IMAGE020
)，
Figure 100002_DEST_PATH_IMAGE026
为N组车辆中的各个车辆的初始里程，
Figure 100002_DEST_PATH_IMAGE028
为N组车辆中的各个车辆达到最佳性能期时的第一端点里程，
Figure 100002_DEST_PATH_IMAGE030
为N组车辆中的各个车辆达到最佳性能期时的第二端点里程，
Figure 100002_DEST_PATH_IMAGE032
为N组车辆中的各个车辆的预计里程。
进一步的，确定N组车辆中的各个车辆的车辆残值系数对应的计算公式为：
Figure 100002_DEST_PATH_IMAGE034
=
Figure 100002_DEST_PATH_IMAGE036
+
Figure 100002_DEST_PATH_IMAGE038
其中，
Figure 451884DEST_PATH_IMAGE034
为每组车辆中的第i个车辆的车辆残值系数，
Figure 220120DEST_PATH_IMAGE036
为每组车辆中的第i个车辆的综合性能值，
Figure 462882DEST_PATH_IMAGE038
为每组车辆中的第i个车辆的成新率。
进一步的，确定N组车辆中的各个车辆的成新率对应的计算公式为：
Figure 750906DEST_PATH_IMAGE038
=1-
Figure 100002_DEST_PATH_IMAGE040
其中，
Figure 93026DEST_PATH_IMAGE038
为每组车辆中的第i个车辆的成新率，
Figure 100002_DEST_PATH_IMAGE042
为每组车辆中的第i个车辆的已使用时间，
Figure 100002_DEST_PATH_IMAGE044
为每组车辆对应的预计使用时间。
进一步的，确定车辆残值预测网络的最终的损失函数对应的计算公式为：
LOSS=
Figure 100002_DEST_PATH_IMAGE046
其中，LOSS为车辆残值预测网络的最终的损失函数，n为每组车辆中对应的训练样本的数目，
Figure 100002_DEST_PATH_IMAGE048
为每组车辆中对应的第i个训练样本对应的初始损失函数，
Figure 898958DEST_PATH_IMAGE034
为每组车辆中对应的第i个训练样本对应的车辆残值系数。
本发明还提供了一种基于大数据的交易平台，包括待评估车辆信息接收系统、数据库系统和残值评估系统，所述残值评估系统接收待评估车辆信息接收系统发送过来的待评估车辆的相关信息，并在数据库系统中调用与待评估车辆的相关信息等同的车辆的历史交易价格以构成交易价格时序序列，用于实现上述的基于大数据的车辆残值评估方法。
本发明具有如下有益效果：通过综合考虑历史交易车辆的相关信息，进而确定历史交易车辆的车辆残值系数，最终得到具备统一评价标准的车辆残值预测网络。当需要对车辆进行残值估计时，只需要获取待评估车辆的相关信息，从而获取与待评估车辆的相关信息等同的车辆的历史交易价格以构成交易价格时序序列，将该交易价格时序序列输入到训练好的车辆残值预测网络，即可得到待评估车辆的车辆残值。由于本发明通过综合考虑历史交易车辆的相关信息，进而确定历史交易车辆的车辆残值系数，最终得到具备统一评价标准的车辆残值预测网络，避免了人为评估的不确定性，可以准确评估某一时间车辆的残值，提高了车辆残值估计的准确性和可靠性，给二手车的交易提供了准确的价格预估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明的基于大数据的车辆残值评估方法的流程图；
图2为本发明的车辆残值预测网络的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于大数据的车辆残值评估方法，其对应的流程图如图1所示，包括以下步骤：
（1）获取待评估车辆的相关信息，所述相关信息至少包括所在城市、品牌型号、里程、当前可达最大车速、当前加速所需时间和已使用时间。
当需要对某个辆车进行残值评估时，则首先需要获取该车辆的相关信息，这里的相关信息包括车辆所在的城市、车辆的品牌型号、车辆当前的里程、车辆当前可达到的实际最高速度
Figure DEST_PATH_IMAGE050
、车辆当前加速到设定速度时的所需要时间
Figure DEST_PATH_IMAGE052
、车辆当前的里程和车辆当前已使用时间
Figure DEST_PATH_IMAGE054
。
（2）根据待评估车辆的相关信息，获取与待评估车辆的相关信息等同的车辆的历史交易价格所构成的交易价格时序序列。
在通过步骤（1）得到待评估车辆的相关信息后，基于大数据获取与待评估车辆的相关信息等同的车辆。这里的相关信息等同是指所获取的车辆的相关信息中的每项信息与待评估车辆的相关信息中的每项信息对应相同或者相差不大，例如，相关信息中的车辆所在的城市、车辆的品牌型号对应相同，而车辆当前的里程、车辆当前可达到的实际最高速度
Figure 696144DEST_PATH_IMAGE050
、车辆当前加速到设定速度时的所需要时间
Figure 478155DEST_PATH_IMAGE052
、车辆当前的里程和车辆当前已使用时间
Figure 194438DEST_PATH_IMAGE054
对应相差不大。例如，对于同一个品牌型号的两个车辆，若其里程均在同一里程设定范围内，那么则认为这个车辆的里程对应相差不大。也就说，所获取车辆的历史交易时的配置情况与待评估车辆的当前配置情况基本相同。然后获取这些车辆对应的历史交易价格，然后根据这些历史交易价格对应的交易时间，按照交易时间从前往后的顺序，得到这些历史交易价格构成的交易价格时序序列。
（3）将交易价格时序序列输入到预先获取的车辆残值预测网络中，由车辆残值预测网络预测输出待评估车辆的车辆残值。
在上述步骤（2）的基础上，将步骤（2）获取的交易价格时序序列输入到预先获取的车辆残值预测网络中，由车辆残值预测网络直接预测并输出待评估车辆的车辆残值，从而得到待评估车辆的车辆残值。由于得到待评估车辆的车辆残值的关键在于预先获取车辆残值预测网络，下面对该车辆残值预测网络的获取过程进行详细介绍。
（3-1）获取N组车辆的各个车辆的历史交易价格所构成的交易价格时序序列，并获取N组车辆中的各个车辆的相关信息，每组车辆中的所有车辆的相关信息等同。
统计全国内每个二手交易（除了一手交易外的所有交易统称为二手交易）车辆的交易价格和交易时间，同时统计这些二手交易车辆的相关信息，由于统计的这些二手交易车辆的相关信息中的各类信息与步骤（1）中所获取待评估车辆的相关信息中的各类信息相同，此处不再赘述。另外，对于不同的品牌型号的车辆，还需要统计每种不同品牌型号的车辆在首次卖出时宣传的最高车速
Figure DEST_PATH_IMAGE056
和该品牌型号车辆的预计使用时间
Figure DEST_PATH_IMAGE058
。
在统计完全国内所有二手交易车辆的历史交易价格、交易时间、相关信息以及每种不同品牌型号的车辆在首次卖出时宣传的最高车速
Figure 389796DEST_PATH_IMAGE056
和该品牌型号车辆的预计使用时间
Figure 128689DEST_PATH_IMAGE058
之后，构建全国车辆二手交易数据库，将统计的这些信息存储在该数据库中。在信息存储时，将每个城市的二手交易车辆的信息存储在一个数据库中，然后将车辆品牌相同的信息存储在各个数据库中的同一个分数据库中。
以品牌某迪车辆为例，对于每一个城市，将统计到的市面上品牌某迪车辆的所有型号车辆的信息，即交易价格、交易时间、所在城市、品牌型号、里程、当前可达最大车速、当前加速所需时间、已使用时间、宣传最大车速、和预计使用时间存储在一个分数据库中。
基于构建的全国车辆二手交易数据库，为了后续获取车辆残值预测网络的足够多的训练样本，将数据库中存储的相关信息等同的所有车辆的构成一组车辆，相关信息等同已在上述步骤（2）中进行了介绍，此处不再赘述。假设可以得到N组车辆，然后获取这N组车辆中每一个车辆的历史交易价格，并根据每一个车辆的交易时间，分别对每一组车辆对应的交易价格进行排序，从而得到每一组车辆对应的历史交易价格所构成的交易价格时序序列。
将获取的N组车辆对应的历史交易价格所构成的交易价格时序序列后，对该序列中的历史交易价格进行过滤处理，过滤处理的原因在于当同时期如同一个月车辆的个别交易价格与其它交易价格有较大的差值，那么这些异常值相比其它数据显得更加不可信，因此为了后续对车辆残值预测网络进行可靠训练，需要将这些异常值从序列中剔除，并将剔除异常值后的交易价格时序序列作为最终的交易价格时序序列。
（3-2）构造车辆残值预测网络，并将N组车辆的交易价格时序序列中的每个历史交易价格作为一个训练样本，确定车辆残值预测网络的初始损失函数。
使用动态时域网络(TCN) 构造车辆残值预测网络，具体构造过程属于现有技术，此处不再赘述。将N组车辆的交易价格时序序列中的每个历史交易价格作为一个训练样本，后续进行训练时，将交易价格时序序列中的前一部分训练样本作为车辆残值预测网络的输入，由该网络对交易价格时序序列中的后一部分训练样本进行预测并输出。在本实施例中，设置车辆残值预测网络的初始损失函数为均方差损失函数，其对应的计算公式为：
LOSS=
Figure DEST_PATH_IMAGE060
其中，LOSS为车辆残值预测网络的初始损失函数，
Figure DEST_PATH_IMAGE062
为车辆残值预测网络输出的历史交易价格的数目，
Figure DEST_PATH_IMAGE064
为车辆残值预测网络输出的第i个历史交易价格对应的损失函数，
Figure DEST_PATH_IMAGE066
为车辆残值预测网络输出的第i个历史交易价格的实际值，
Figure DEST_PATH_IMAGE068
为车辆残值预测网络输出的第i个历史交易价格的预测值。
（3-3）根据N组车辆中的各个车辆的相关信息，确定N组车辆中的各个车辆的车辆残值系数，从而得到每个训练样本的车辆残值系数。
在车辆残值预测网络的初始损失函数中，不同组车辆之间以及同一组车辆之间每个车辆对应的权重是无差别的。为了更好的对车辆残值预测网络进行训练，根据N组车辆中的各个车辆的相关信息，获取N组车辆中的各个车辆的车辆残值系数，以便于后续对车辆残值预测网络的初始损失函数，具体实现过程如下：
（3-3-1）根据N组车辆中的各个车辆的相关信息中的当前可达最大车速和当前加速所需时间以及N组车辆对应的宣传最大车速，确定N组车辆中的各个车辆的性能指标。
随着车辆的使用时间的增长，车辆的配置随着时间的推移会老化，这种老化会表现为车辆的可达最大车速的降低以及车辆加速到一定的速度所用的时间T变长。因此，为了衡量车辆的配置变化情况，根据N组车辆中的各个车辆的相关信息中的当前可达最大车速
Figure 984780DEST_PATH_IMAGE050
以及数据库中存储的N组车辆对应的宣传最大车速
Figure 137544DEST_PATH_IMAGE056
，确定N组车辆中的各个车辆的最大车速占比S=
Figure DEST_PATH_IMAGE070
。然后根据N组车辆中的各个车辆的最大车速占比S和当前加速所需时间
Figure 882515DEST_PATH_IMAGE008
，确定N组车辆中的各个车辆的性能指标，对应的计算公式为：
Figure 324299DEST_PATH_IMAGE002
=
Figure 549744DEST_PATH_IMAGE004
其中，
Figure 873409DEST_PATH_IMAGE006
为N组车辆中的各个车辆的性能指标，
Figure 449884DEST_PATH_IMAGE008
为N组车辆中的各个车辆的当前加速所需时间，
Figure 500885DEST_PATH_IMAGE010
为N组车辆中的各个车辆的最大车速占比。
在得到N组车辆中的各个车辆的性能指标后，对这些性能指标进行行归一化处理，使其值域位于[0，1]，并将归一化处理后的性能指标作为最终的性能指标。
（3-3-2）根据N组车辆中的各个车辆的相关信息中的里程以及各个车辆的性能指标，确定N组车辆中的各个车辆的综合性能值。
对于N组车辆，基于车辆的里程建立车辆里程函数，本实施例设置每组车辆所对应的第一端点里程
Figure 721782DEST_PATH_IMAGE028
和第二端点里程
Figure 606562DEST_PATH_IMAGE030
，此处设置两个端点里程的含义是车辆处在[
Figure DEST_PATH_IMAGE072
]区间内是车辆的性能巅峰期。基于此，N组车辆中的各个车辆的综合性能值对应的计算公式为：
Figure 702956DEST_PATH_IMAGE012
=
Figure 698594DEST_PATH_IMAGE014
其中，
Figure 495036DEST_PATH_IMAGE012
为N组车辆中的各个车辆的综合性能值，
Figure 550717DEST_PATH_IMAGE016
为最终的N组车辆中的各个车辆的性能指标，
Figure 977150DEST_PATH_IMAGE018
为N组车辆中的各个车辆的里程，
Figure 151646DEST_PATH_IMAGE020
为N组车辆中的各个车辆的最大综合性能值，
Figure 206190DEST_PATH_IMAGE020
=
Figure 573717DEST_PATH_IMAGE022
，
Figure 471135DEST_PATH_IMAGE024
、m和n为综合性能值的调控常数，n=ln(
Figure 683942DEST_PATH_IMAGE020
)，
Figure DEST_PATH_IMAGE074
和m用于调控车辆里程的数量级，
Figure 281408DEST_PATH_IMAGE026
为N组车辆中的各个车辆的初始里程，
Figure 6787DEST_PATH_IMAGE028
为N组车辆中的各个车辆达到最佳性能期时的第一端点里程，
Figure 407812DEST_PATH_IMAGE030
为N组车辆中的各个车辆达到最佳性能期时的第二端点里程，
Figure 906533DEST_PATH_IMAGE032
为N组车辆中的各个车辆的预计里程。
由于新车都需要进行测试，车辆的初始里程
Figure 935669DEST_PATH_IMAGE026
可以为0或者其它数字。新车在买过来以后，都需要开一段时间，以尽快让新车到达最佳性能时期，
Figure DEST_PATH_IMAGE076
是新车的磨合时期，在这一时期，新车中各个系统处于磨合阶段。
Figure 35212DEST_PATH_IMAGE028
是新车达到最佳性能的里程，
Figure 782589DEST_PATH_IMAGE030
是车辆性能开始下滑的时候的里程。
Figure DEST_PATH_IMAGE078
是车辆性能巅峰时期，在这一时期，认为车辆的综合性能不在发生改变。
Figure 760034DEST_PATH_IMAGE032
是车辆的预计里程，
Figure DEST_PATH_IMAGE080
是车辆性能下滑时期，在这一时期车辆各个系统由于老化等其它原因车辆的性能下降较快。
通过上述步骤（3-3-2），结合车辆的性能指标，可得到车辆在不同里程时的综合性能值，综合性能值的值域为(0
Figure DEST_PATH_IMAGE082
1)。
（3-3-3）根据N组车辆中的各个车辆的相关信息中的已使用时间以及N组车辆对应的预计使用时间，确定N组车辆中的各个车辆的成新率，对应的计算公式为：
Figure 971573DEST_PATH_IMAGE038
=1-
Figure 710858DEST_PATH_IMAGE040
其中，
Figure 555318DEST_PATH_IMAGE038
为每组车辆中的第i个车辆的成新率，
Figure 401701DEST_PATH_IMAGE042
为每组车辆中的第i个车辆的已使用时间，
Figure 405429DEST_PATH_IMAGE044
为每组车辆对应的预计使用时间。
根据车辆的成新率的计算公式可知，随着车辆使用时间的增加，车辆的成新率会越来越低，对应车辆的残值会变得越来越低，成新率是重置成本法的一项重要因素。
（3-3-4）根据N组车辆中的各个车辆的综合性能值和成新率，确定N组车辆中的各个车辆的车辆残值系数，对应的计算公式为：
Figure 190982DEST_PATH_IMAGE034
=
Figure 37584DEST_PATH_IMAGE036
+
Figure 793051DEST_PATH_IMAGE038
其中，
Figure 526652DEST_PATH_IMAGE034
为每组车辆中的第i个车辆的车辆残值系数，
Figure 233839DEST_PATH_IMAGE036
为每组车辆中的第i个车辆的综合性能值，
Figure 177524DEST_PATH_IMAGE038
为每组车辆中的第i个车辆的成新率。
在得到N组车辆中的各个车辆的车辆残值系数之后，对车辆残值系数进行归一化处理，使其值域位于[0，1]，从而得到归一化处理后的车辆残值系数，并将归一化处理后的车辆残值系数作为最终的车辆残值系数。
（3-4）根据车辆残值预测网络的初始损失函数和每个训练样本的车辆残值系数，确定车辆残值预测网络的最终的损失函数，对应的计算公式为：
LOSS=
Figure 346468DEST_PATH_IMAGE046
其中，LOSS为车辆残值预测网络的最终的损失函数，n为每组车辆中对应的训练样本的数目，
Figure 324789DEST_PATH_IMAGE048
为每组车辆中对应的第i个训练样本对应的初始损失函数，
Figure 701412DEST_PATH_IMAGE034
为每组车辆中对应的第i个训练样本对应的车辆残值系数。
（3-5）根据车辆残值预测网络的最终的损失函数，利用训练样本对车辆残值预测网络进行训练，得到的车辆残值预测网络。
利用通过（3-2）所获取的训练样本，并根据步骤（3-4）所获取的车辆残值预测网络的最终的损失函数，对车辆残值预测网络进行训练。也就是，将N组车辆的各个车辆的历史交易价格所构成的交易价格时序序列输入到车辆残值预测网络中，由车辆残值预测网络根据序列中的前一部分历史交易价格，对序列中的后一部分历史交易价格进行预测，根据预算结果计算车辆残值预测网络的最终的损失函数的函数值，进而实现对车辆残值预测网络的参数调整，最终完成车辆残值预测网络的训练过程。
本实施例还提供了一种基于大数据的交易平台，该交易平台包括待评估车辆信息接收系统、数据库系统和残值评估系统，残值评估系统接收待评估车辆信息接收系统发送过来的待评估车辆的相关信息，并在数据库系统中调用与待评估车辆的相关信息等同的车辆的历史交易价格以构成交易价格时序序列，以实现上面的基于大数据的车辆残值评估方法。由于该基于大数据的车辆残值评估方法已在上述内容中进行了详细介绍，此处不再赘述。
本发明基于大数据分析车辆历史数据，从而得到训练好的车辆残值预测网络。当需要对车辆进行残值估计时，只需要将待评估车辆的相关信息输入到交易平台，交易平台根据待评估车辆的相关信息即可调用与待评估车辆的相关信息等同的车辆的历史交易价格以构成交易价格时序序列，并将该交易价格时序序列输入到训练好的车辆残值预测网络，即可得到待评估车辆的车辆残值。由于本发明通过综合考虑历史交易车辆的相关信息，进而确定历史交易车辆的车辆残值系数，最终得到具备统一评价标准的车辆残值预测网络，避免了人为评估的不确定性，可以准确评估某一时间车辆的残值，提高了车辆残值估计的准确性和可靠性，给二手车的交易提供了准确的价格预估。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书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或步骤可以按照不同于实施例中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才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据的车辆残值评估方法，其特征在于，包括以下步骤：
获取待评估车辆的相关信息，所述相关信息至少包括所在城市、品牌型号、里程、当前可达最大车速、当前加速所需时间和已使用时间；
根据待评估车辆的相关信息，获取与待评估车辆的相关信息等同的车辆的历史交易价格所构成的交易价格时序序列；
将交易价格时序序列输入到预先获取的车辆残值预测网络中，由车辆残值预测网络预测输出待评估车辆的车辆残值；
所述车辆残值预测网络的获取步骤包括：
获取N组车辆的各个车辆的历史交易价格所构成的交易价格时序序列，并获取N组车辆中的各个车辆的相关信息，每组车辆中的所有车辆的相关信息等同；
构造车辆残值预测网络，并将N组车辆的交易价格时序序列中的每个历史交易价格作为一个训练样本，确定车辆残值预测网络的初始损失函数；
根据N组车辆中的各个车辆的相关信息，确定N组车辆中的各个车辆的车辆残值系数，从而得到每个训练样本的车辆残值系数；
根据车辆残值预测网络的初始损失函数和每个训练样本的车辆残值系数，确定车辆残值预测网络的最终的损失函数；
根据车辆残值预测网络的最终的损失函数，利用训练样本对车辆残值预测网络进行训练，得到的车辆残值预测网络；
确定N组车辆中的各个车辆的车辆残值系数的步骤包括：
根据N组车辆中的各个车辆的相关信息中的当前可达最大车速和当前加速所需时间以及N组车辆对应的宣传最大车速，确定N组车辆中的各个车辆的性能指标；
根据N组车辆中的各个车辆的相关信息中的里程以及各个车辆的性能指标，确定N组车辆中的各个车辆的综合性能值；
根据N组车辆中的各个车辆的相关信息中的已使用时间以及N组车辆对应的预计使用时间，确定N组车辆中的各个车辆的成新率；
根据N组车辆中的各个车辆的综合性能值和成新率，确定N组车辆中的各个车辆的车辆残值系数；
确定车辆残值预测网络的最终的损失函数对应的计算公式为：
LOSS=
Figure DEST_PATH_IMAGE002
其中，LOSS为车辆残值预测网络的最终的损失函数，n为每组车辆中对应的训练样本的数目，
Figure DEST_PATH_IMAGE004
为每组车辆中对应的第i个训练样本对应的初始损失函数，
Figure DEST_PATH_IMAGE006
为每组车辆中对应的第i个训练样本对应的车辆残值系数。
2.根据权利要求1所述的基于大数据的车辆残值评估方法，其特征在于，确定N组车辆中的各个车辆的性能指标的步骤包括：
根据N组车辆中的各个车辆的相关信息中的当前可达最大车速以及N组车辆对应的宣传最大车速，确定N组车辆中的各个车辆的最大车速占比；
根据N组车辆中的各个车辆的最大车速占比和当前加速所需时间，确定N组车辆中的各个车辆的性能指标；
对N组车辆中的各个车辆的性能指标进行归一化处理，得到最终的N组车辆中的各个车辆的性能指标。
3.根据权利要求2所述的基于大数据的车辆残值评估方法，其特征在于，确定N组车辆中的各个车辆的性能指标对应的计算公式为：
Figure DEST_PATH_IMAGE008
=
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE012
为N组车辆中的各个车辆的性能指标，
Figure DEST_PATH_IMAGE014
为N组车辆中的各个车辆的当前加速所需时间，
Figure DEST_PATH_IMAGE016
为N组车辆中的各个车辆的最大车速占比。
4.根据权利要求1所述的基于大数据的车辆残值评估方法，其特征在于，确定N组车辆中的各个车辆的综合性能值对应的计算公式为：
Figure DEST_PATH_IMAGE018
=
Figure DEST_PATH_IMAGE020
其中，
Figure 596523DEST_PATH_IMAGE018
为N组车辆中的各个车辆的综合性能值，
Figure DEST_PATH_IMAGE022
为最终的N组车辆中的各个车辆的性能指标，
Figure DEST_PATH_IMAGE024
为N组车辆中的各个车辆的里程，
Figure DEST_PATH_IMAGE026
为N组车辆中的各个车辆的最大综合性能值，
Figure 294090DEST_PATH_IMAGE026
=
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
、m和n为综合性能值的调控常数，n=ln(
Figure 122762DEST_PATH_IMAGE026
)，
Figure DEST_PATH_IMAGE032
为N组车辆中的各个车辆的初始里程，
Figure DEST_PATH_IMAGE034
为N组车辆中的各个车辆达到最佳性能期时的第一端点里程，
Figure DEST_PATH_IMAGE036
为N组车辆中的各个车辆达到最佳性能期时的第二端点里程，
Figure DEST_PATH_IMAGE038
为N组车辆中的各个车辆的预计里程。
5.根据权利要求1所述的基于大数据的车辆残值评估方法，其特征在于，确定N组车辆中的各个车辆的车辆残值系数对应的计算公式为：
Figure 905255DEST_PATH_IMAGE006
=
Figure DEST_PATH_IMAGE040
+
Figure DEST_PATH_IMAGE042
其中，
Figure 520561DEST_PATH_IMAGE006
为每组车辆中的第i个车辆的车辆残值系数，
Figure 437963DEST_PATH_IMAGE040
为每组车辆中的第i个车辆的综合性能值，
Figure 173838DEST_PATH_IMAGE042
为每组车辆中的第i个车辆的成新率。
6.根据权利要求1所述的基于大数据的车辆残值评估方法，其特征在于，确定N组车辆中的各个车辆的成新率对应的计算公式为：
Figure 576001DEST_PATH_IMAGE042
=1-
Figure DEST_PATH_IMAGE044
其中，
Figure 415518DEST_PATH_IMAGE042
为每组车辆中的第i个车辆的成新率，
Figure DEST_PATH_IMAGE046
为每组车辆中的第i个车辆的已使用时间，
Figure DEST_PATH_IMAGE048
为每组车辆对应的预计使用时间。
7.一种基于大数据的交易平台，其特征在于，包括待评估车辆信息接收系统、数据库系统和残值评估系统，所述残值评估系统接收待评估车辆信息接收系统发送过来的待评估车辆的相关信息，并在数据库系统中调用与待评估车辆的相关信息等同的车辆的历史交易价格以构成交易价格时序序列，用于实现如权利要求1-6中任一项所述的基于大数据的车辆残值评估方法。
CN202210249708.5A 2022-03-15 2022-03-15 一种基于大数据的车辆残值评估方法和交易平台 Active CN114331573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210249708.5A CN114331573B (zh) 2022-03-15 2022-03-15 一种基于大数据的车辆残值评估方法和交易平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210249708.5A CN114331573B (zh) 2022-03-15 2022-03-15 一种基于大数据的车辆残值评估方法和交易平台

Publications (2)

Publication Number Publication Date
CN114331573A CN114331573A (zh) 2022-04-12
CN114331573B true CN114331573B (zh) 2022-06-21

Family

ID=81033055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210249708.5A Active CN114331573B (zh) 2022-03-15 2022-03-15 一种基于大数据的车辆残值评估方法和交易平台

Country Status (1)

Country Link
CN (1) CN114331573B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997756B (zh) * 2022-08-03 2022-12-20 成都智暄科技有限责任公司 基于座舱数据的车辆残值评估系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154275A (zh) * 2017-12-29 2018-06-12 广东数鼎科技有限公司 基于大数据的汽车残值预测模型及预测方法
CN109993565A (zh) * 2018-01-02 2019-07-09 优估（上海）信息科技有限公司 一种车辆评估方法，装置及系统
CN113256325A (zh) * 2021-04-21 2021-08-13 北京巅峰科技有限公司 二手车估价方法、系统、计算设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10528989B1 (en) * 2016-02-08 2020-01-07 Allstate Insurance Company Vehicle rating system
CN109583926A (zh) * 2017-09-29 2019-04-05 优估（上海）信息科技有限公司 一种二手车定价方法装置及系统
WO2019178769A1 (zh) * 2018-03-21 2019-09-26 深圳市元征软件开发有限公司 车辆评估方法、装置及设备
CN111383060A (zh) * 2020-03-18 2020-07-07 浙江大搜车软件技术有限公司 车辆价格的确定方法、装置、电子设备及存储介质
CN113379445A (zh) * 2021-05-25 2021-09-10 杭州搜车数据科技有限公司 车辆价格的预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154275A (zh) * 2017-12-29 2018-06-12 广东数鼎科技有限公司 基于大数据的汽车残值预测模型及预测方法
CN109993565A (zh) * 2018-01-02 2019-07-09 优估（上海）信息科技有限公司 一种车辆评估方法，装置及系统
CN113256325A (zh) * 2021-04-21 2021-08-13 北京巅峰科技有限公司 二手车估价方法、系统、计算设备和存储介质

Also Published As

Publication number Publication date
CN114331573A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
EP0712516B1 (en) Data collection and retrieval system governed by a pay-off meter
CN114331573B (zh) 一种基于大数据的车辆残值评估方法和交易平台
US20080077515A1 (en) Self-Calibrating Fraud Detection
WO2020258836A1 (zh) 交易用户的提前感知方法和装置
CN115034821A (zh) 一种车辆估值方法、装置、计算机设备及存储介质
CN112819476A (zh) 风险识别方法、装置、非易失性存储介质和处理器
CN117035848A (zh) 一种即开型彩票销量预测方法、装置、设备及介质
T’Joens et al. In search of a global belief model for discrete-time uncertain processes
CN116883153A (zh) 一种基于人行征信的汽车金融预授信评分卡开发方法及终端
CN116308697A (zh) 一种电池管理方法、系统及计算机存储介质
CN114219318A (zh) 数据处理方法、装置、设备及计算机存储介质
CN112801690A (zh) 一种干预特征的确定方法和装置
CN111160593A (zh) 预约借车方法、模型、服务器、设备端、客户端和系统
CN117035433B (zh) 非法资金转移客户识别方法及装置
CN114529776A (zh) 一种基于长短期记忆神经网络的发票票种核定方法
CN112364995B (zh) 一种变压器故障率评估方法及系统、可读存储介质
KR101749541B1 (ko) 모델에 기초한 배출가스 검사정보로부터의 운행차 품질평가방법
Rocha et al. System forecast using a case-based reasoning methodology
CN113837873A (zh) 汽车金融贷款等待时间的预估方法、设备及计算介质
KR101748578B1 (ko) 차명에 기초한 배출가스 검사정보로부터의 운행차 품질평가방법
Joutsjärvi An exploratory time series data analysis on leasing vehicles' maintenance costs
CN117911089A (zh) 一种产品礼券兑换价值的评估方法、系统及存储介质
CN117974219A (zh) 一种基于大数据的新能源汽车营销投放城市选择方法
CN114782096A (zh) 一种二手车实时定价方法及系统
CN115511523A (zh) 一种基于曲线拟合的二手车快速估值方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A vehicle residual value evaluation method and trading platform based on big data

Effective date of registration: 20220725

Granted publication date: 20220621

Pledgee: Bank of China Limited Liangshan sub branch

Pledgor: Snail truck network (Shandong) e-commerce Co.,Ltd.

Registration number: Y2022980011029

PE01 Entry into force of the registration of the contract for pledge of patent right