CN114782096A - 一种二手车实时定价方法及系统 - Google Patents

Abstract

本发明涉及一种二手车实时定价方法及系统，其中二手车实时定价方法包括：步骤1：基于二手车历史成交数据进行自动建模，组成模型库；步骤2：判断是否收到车辆定价请求，若是，则执行步骤3，否则，继续执行步骤2；步骤3：查询对应车辆信息；步骤4：判断模型库中是否含有与本车型相对应的模型，若是，则调用对应模型进行定价预测，若否，则基于历史成交数据进行定价预测；步骤5：基于车辆维修保养数据对步骤4获取的定价进行修正，获得修正系数；步骤6：获得当前车辆的定价。与现有技术相比，本发明具有准确性高、实时性好等优点。

Description

一种二手车实时定价方法及系统

技术领域

本发明涉及二手车定价技术领域，尤其是涉及一种二手车实时定价方法及系统。

背景技术

目前市面上有很多二手车商，这些车商基本都能提供手机和电脑版二手车估计，估价基本都围绕着三要素：车型、上牌日期、里程。而这种估价都是非常简单的、初步的估价，各二手车商之间的差异也较大，此外客户还需要将车辆开到二手车商处进行进一步检查和估价，而这时的估价又非常依赖二手车评估师的经验水平，主观因素影响很大，此外这时的估价往往和初步估价差异较大，客户满意度较低，影响客户卖车意愿。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高、实时性好的二手车实时定价方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种二手车实时定价方法，所述的二手车实时定价方法包括：

步骤1：基于二手车历史成交数据进行自动建模，组成模型库；

步骤2：判断是否收到车辆定价请求，若是，则执行步骤3，否则，继续执行步骤2；

步骤3：查询对应车辆信息；

步骤4：判断模型库中是否含有与本车型相对应的模型，若是，则调用对应模型进行定价预测，若否，则基于历史成交数据进行定价预测；

步骤5：基于车辆维修保养数据对步骤4获取的定价进行修正，获得修正系数；

步骤6：获得当前车辆的定价。

优选地，所述的步骤1具体为：

建立算法库和特征库，利用机器学习算法学习二手车特征库中的特征与价格的关系，并计算各模型的精度来选取各车型定价最优模型，最终构成与车型相对应的模型库；

算法库内存储的算法包括GBDT算法、DT算法、LR算法、XGBOOST算法、RF算法、GBM算法、SVM算法和MLP算法；

特征库内存储的特征变量包括车型、年份、车款、车龄、里程、成交月份、内外饰评级、过户手数、车辆所在地、车牌所在地和历史成交价。

优选地，所述的步骤2具体为：

判断是否接收到车机或移动端发送的定价请求，若是，则继续判断是否接收到对应车辆的VIN号，若是则执行步骤3，否则，继续执行步骤2。

优选地，所述的步骤3具体为：

向TSP平台发送车辆信息查询请求，该请求的关键字是车辆VIN号；

TSP平台反馈的车辆信息包括车系、车型、颜色、排量、发动机号、车牌号、销售日期、生产日期、历程、配置描述、最后所在地和维修保养记录。

优选地，所述的步骤4具体为：

步骤4-1：判断模型库中是否含有当前车型的预测模型，若是，则执行步骤4-2，否则，执行步骤4-4；

步骤4-2：判断预测模型的精度是否满足预设精度阈值，若是，则执行步骤4-3，否则，执行步骤4-4；

步骤4-3：将车辆信息输入预测模型，获得当前车辆的定价预测值；

步骤4-4：基于历史成交数据，获得车辆定价。

更加优选地，所述的步骤4-4具体为：

在历史成交数据中寻找相同车型、相同年份、相同车款、车龄在预设浮动范围以及里程在预设浮动范围内的历史成交订单，将所有订单中成交价格的平均值作为预测车辆定价。

优选地，所述的步骤5具体为：

步骤5-1：基于车辆维修保养数据，判断车辆是否为事故车，若是，则判定为事故车，并将修正系数设置为第一阈值，然后执行步骤5-3，否则，将车辆判定为正常车，然后执行步骤5-2；

步骤5-2：根据预设车况判断条件，判断当前车况为较好、一般或者较差，若车况为较好，则将修正系数设置为第二阈值，若车况为一般，则将修正系数设置为1，若车况较差，则将修正系数设置为第三阈值，然后执行步骤5-3；

步骤5-3：输出修正系数。

更加优选地，所述的车况判断条件具体为：

若车辆仅有保养记录，则将车况判定为较好；

若车辆满足：全车多次做漆，且次数满足预设阈值；或覆盖件更换；或内饰破损或更换；或机电设备维修中的任一条件，则将车况判定为较差；

其他情况均判定为较好。

一种二手车实时定价系统，所述的定价系统包括：

定价平台，用于对定价模型进行建模，并根据车辆信息对车辆进行定价，并将定价发送给车机或移动端；

车机或移动端，用于获取车辆VIN号以及发布车辆定价请求给定价平台；

TSP平台，用于获取定价平台发送的车辆VIN号，并根据VIN号查询车辆数据并反馈给定价平台。

优选地，所述的定价平台内嵌有如上述任一项所述的二手车实时定价方法。

与现有技术相比，本发明具有以下有益效果：

准确性高、实时性好：本发明中的二手车实时定价方法及系统与评估平台和车企TSP平台相互关联，获取了车辆的多维度数据，结合大量车辆的历史成交数据，综合衡量车辆的多种维度，采用机器学习算法，最终给出实时精准的二手车定价，与传统实时估价方法相比，准确性更高，实时性更好。

附图说明

图1为本发明中二手车实时定价方法的流程示意图；

图2为本发明中二手车实时定价方法中步骤4的详细流程示意图；

图3为本发明中二手车实时定价方法中步骤5的详细流程示意图；

图4为本发明中二手车实时定价系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

一种二手车实时定价方法，其流程如图1所示，包括：

步骤1：基于二手车历史成交数据进行自动建模，组成模型库；

建立算法库和特征库，利用机器学习算法学习二手车特征库中的特征与价格的关系，并计算各模型的精度来选取各车型定价最优模型，最终构成与车型相对应的模型库；

算法库内存储的算法包括GBDT算法、DT算法、LR算法、XGBOOST算法、RF算法、GBM算法、SVM算法和MLP算法；

特征库内存储的特征变量包括车型、年份、车款、车龄、里程、成交月份、内外饰评级、过户手数、车辆所在地、车牌所在地和历史成交价；

步骤2：判断是否收到车辆定价请求，若是，则执行步骤3，否则，继续执行步骤2；

判断是否接收到车机或移动端发送的定价请求，若是，则继续判断是否接收到对应车辆的VIN号，若是则执行步骤3，否则，继续执行步骤2；

步骤3：查询对应车辆信息，具体为：

向TSP平台发送车辆信息查询请求，该请求的关键字是车辆VIN号；

TSP平台反馈的车辆信息包括车系、车型、颜色、排量、发动机号、车牌号、销售日期、生产日期、历程、配置描述、最后所在地和维修保养记录；

步骤4：判断模型库中是否含有与本车型相对应的模型，若是，则调用对应模型进行定价预测，若否，则基于历史成交数据进行定价预测；

如图2所示，步骤4具体为：

步骤4-1：判断模型库中是否含有当前车型的预测模型，若是，则执行步骤4-2，否则，执行步骤4-4；

步骤4-2：判断预测模型的精度是否满足预设精度阈值，若是，则执行步骤4-3，否则，执行步骤4-4；

步骤4-3：将车辆信息输入预测模型，获得当前车辆的定价预测值；

步骤4-4：基于历史成交数据，获得车辆定价，具体为：

在历史成交数据中寻找相同车型、相同年份、相同车款、车龄在预设浮动范围以及里程在预设浮动范围内的历史成交订单，将所有订单中成交价格的平均值作为预测车辆定价；

步骤5：基于车辆维修保养数据对步骤4获取的定价进行修正，获得修正系数；

如图3所示，步骤5具体为：

步骤5-1：基于车辆维修保养数据，判断车辆是否为事故车，若是，则判定为事故车，并将修正系数设置为第一阈值，然后执行步骤5-3，否则，将车辆判定为正常车，然后执行步骤5-2；

步骤5-2：根据预设车况判断条件，判断当前车况为较好、一般或者较差，若车况为较好，则将修正系数设置为第二阈值，若车况为一般，则将修正系数设置为1，若车况较差，则将修正系数设置为第三阈值，然后执行步骤5-3；

况判断条件具体为：

若车辆仅有保养记录，则将车况判定为较好；

若车辆满足：全车多次做漆，且次数满足预设阈值；或覆盖件更换；或内饰破损或更换；或机电设备维修中的任一条件，则将车况判定为较差；

其他情况均判定为较好；

步骤5-3：输出修正系数；

本实施例中车辆被判定为事故车，则直接对步骤4获取的定价打X折；若车况较好，则定价上浮a％；若车况较差，则定价下降b％；

步骤6：获得当前车辆的定价，定价的计算方法为：将步骤4获取的定价乘以步骤5获取的修正系数，即为最终定价。

本实施例还涉及一种二手车实时定价系统，其结构如图4所示，

定价平台，用于对定价模型进行建模，并根据车辆信息对车辆进行定价，并将定价发送给车机或移动端；在定价平台中内嵌有上述任一项二手车实时定价方法；

车机或移动端，用于获取车辆VIN号以及发布车辆定价请求给定价平台；

TSP平台，用于获取定价平台发送的车辆VIN号，并根据VIN号查询车辆数据并反馈给定价平台。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种二手车实时定价方法，其特征在于，所述的二手车实时定价方法包括：

步骤1：基于二手车历史成交数据进行自动建模，组成模型库；

步骤2：判断是否收到车辆定价请求，若是，则执行步骤3，否则，继续执行步骤2；

步骤3：查询对应车辆信息；

步骤4：判断模型库中是否含有与本车型相对应的模型，若是，则调用对应模型进行定价预测，若否，则基于历史成交数据进行定价预测；

步骤5：基于车辆维修保养数据对步骤4获取的定价进行修正，获得修正系数；

步骤6：获得当前车辆的定价。

2.根据权利要求1所述的一种二手车实时定价方法，其特征在于，所述的步骤1具体为：

建立算法库和特征库，利用机器学习算法学习二手车特征库中的特征与价格的关系，并计算各模型的精度来选取各车型定价最优模型，最终构成与车型相对应的模型库；

算法库内存储的算法包括GBDT算法、DT算法、LR算法、XGBOOST算法、RF算法、GBM算法、SVM算法和MLP算法；

特征库内存储的特征变量包括车型、年份、车款、车龄、里程、成交月份、内外饰评级、过户手数、车辆所在地、车牌所在地和历史成交价。

3.根据权利要求1所述的一种二手车实时定价方法，其特征在于，所述的步骤2具体为：

判断是否接收到车机或移动端发送的定价请求，若是，则继续判断是否接收到对应车辆的VIN号，若是则执行步骤3，否则，继续执行步骤2。

4.根据权利要求1所述的一种二手车实时定价方法，其特征在于，所述的步骤3具体为：

向TSP平台发送车辆信息查询请求，该请求的关键字是车辆VIN号；

TSP平台反馈的车辆信息包括车系、车型、颜色、排量、发动机号、车牌号、销售日期、生产日期、历程、配置描述、最后所在地和维修保养记录。

5.根据权利要求1所述的一种二手车实时定价方法，其特征在于，所述的步骤4具体为：

步骤4-1：判断模型库中是否含有当前车型的预测模型，若是，则执行步骤4-2，否则，执行步骤4-4；

步骤4-2：判断预测模型的精度是否满足预设精度阈值，若是，则执行步骤4-3，否则，执行步骤4-4；

步骤4-3：将车辆信息输入预测模型，获得当前车辆的定价预测值；

步骤4-4：基于历史成交数据，获得车辆定价。

6.根据权利要求5所述的一种二手车实时定价方法，其特征在于，所述的步骤4-4具体为：

在历史成交数据中寻找相同车型、相同年份、相同车款、车龄在预设浮动范围以及里程在预设浮动范围内的历史成交订单，将所有订单中成交价格的平均值作为预测车辆定价。

7.根据权利要求1所述的一种二手车实时定价方法，其特征在于，所述的步骤5具体为：

步骤5-1：基于车辆维修保养数据，判断车辆是否为事故车，若是，则判定为事故车，并将修正系数设置为第一阈值，然后执行步骤5-3，否则，将车辆判定为正常车，然后执行步骤5-2；

步骤5-2：根据预设车况判断条件，判断当前车况为较好、一般或者较差，若车况为较好，则将修正系数设置为第二阈值，若车况为一般，则将修正系数设置为1，若车况较差，则将修正系数设置为第三阈值，然后执行步骤5-3；

步骤5-3：输出修正系数。

8.根据权利要求7所述的一种二手车实时定价方法，其特征在于，所述的车况判断条件具体为：

若车辆仅有保养记录，则将车况判定为较好；

若车辆满足：全车多次做漆，且次数满足预设阈值；或覆盖件更换；或内饰破损或更换；或机电设备维修中的任一条件，则将车况判定为较差；

其他情况均判定为较好。

9.一种二手车实时定价系统，其特征在于，所述的定价系统包括：

定价平台，用于对定价模型进行建模，并根据车辆信息对车辆进行定价，并将定价发送给车机或移动端；

车机或移动端，用于获取车辆VIN号以及发布车辆定价请求给定价平台；

TSP平台，用于获取定价平台发送的车辆VIN号，并根据VIN号查询车辆数据并反馈给定价平台。

10.根据权利要求9所述的一种二手车实时定价系统，其特征在于，所述的定价平台内嵌有如权利要求1～8中任一项所述的二手车实时定价方法。

Images