CN116883029A - 一种对象估值方法、装置、设备及介质 - Google Patents
一种对象估值方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116883029A CN116883029A CN202310863647.6A CN202310863647A CN116883029A CN 116883029 A CN116883029 A CN 116883029A CN 202310863647 A CN202310863647 A CN 202310863647A CN 116883029 A CN116883029 A CN 116883029A
- Authority
- CN
- China
- Prior art keywords
- estimation
- accurate
- initial
- value
- price
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 description 55
- 230000014759 maintenance of location Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 25
- 230000000694 effects Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种对象估值方法、装置、设备及介质,对象估值方法包括:使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种对象估值方法、装置、设备及介质。
背景技术
现有技术中,在进行某些物品的交易时,需要先对物品进行估值,在估值基础上确定实际成交价,进而完成交易。可见,物品的估值将直接影响实际成交价以及能否完成交易,故如何对物品进行准确估值,成为重要课题。
有鉴于此,需要更有效的估值方案。
发明内容
本说明书实施例提供一种对象估值方法、装置、设备及介质,用以解决如何更有效地进行对象估值的技术问题。
为解决上述技术问题,本说明书实施例提供如下技术方案:
本说明书实施例提供一种对象估值方法,包括:
使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
本说明书实施例提供一种对象估值装置,包括:
初始估值模块,用于使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
精确估值模块,用于根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
估值融合模块,用于将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
本说明书实施例提供一种对象估值设备,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行上述的对象估值方法。
本说明书实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述的对象估值方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
上述技术方案中,通过初始估值模型对对象进行初始估值,并通过精确估值模型对对象进行精确估值,将初始估值和精确估值融合得到目标估值。由于是通过初始估值、精确估值、估值融合确定目标估值,故所得目标估值具有更高的估值准确度和精确性,将目标估值作为估值结果,也就提高了对象估值效果。由于精确估值模型是通过初始估值确定的,则所得的精确估值模型也就兼顾到初始估值的特点,能够进一步提高精确估值的准确度和精确性,进而有利于提高目标估值,即估值结果的准确度和精确性,从而得到更好的对象估值效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对本说明书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说明书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性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书第一个实施例中的对象估值方法的执行主体示意图。
图2是本说明书第一个实施例中的对象估值方法的流程示意图。
图3是本说明书第一个实施例中的对象估值过程示意图。
图4是本说明书第一个实施例中的一种价位划分示意图。
图5是本说明书第一个实施例中的一种数据分布示意图。
图6是本说明书第一个实施例中的一种函数示意图。
图7是本说明书第二个实施例中的对象估值装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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。基于本说明书实施例,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,都应当属于本申请保护的范围。
实际场景中,在进行某些物品的交易时,需要先对物品进行估值,在估值基础上确定实际成交价,进而完成交易。例如,有的交易平台或交易软件会先对待交易物品进行估值,并将估值在交易平台或交易软件上进行展示,以便消费者根据估值确定是否交易、确定实际成交价等。
本说明书第一个实施例(以下简称“实施例一”)提供了一种对象估值方法,实施例一的执行主体可以是终端(包括但不限于手机、计算机、pad、电视)或者服务器或者操作系统或者应用程序或者对象估值平台或者对象估值系统等,即执行主体可以是多种多样的,可以根据需要设置、使用或者变换执行主体。另外,也可以有第三方应用程序协助所述执行主体执行实施例一。例如图1所示,可以由服务器来执行实施例一中的对象估值方法,并且可以在(用户所持有的)终端上安装(与所述服务器)相对应的应用程序,终端或应用程序与服务器之间可以进行数据传输,通过终端或应用程序来进行数据的采集或输入或输出或(向用户)进行页面或信息处理,从而辅助服务器执行实施例一中的对象估值方法。
如图2和图3所示,实施例一提供的对象估值方法包括:
S101:(执行主体)使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
实施例一中,可以预先训练出初始估值模型,初始估值模型用于对对象(对对象即对“对象”,下同)进行初始估值。其中,可以以已有模型(例如随机森林模型、梯度渐进回归树(GBDT)、XGBoost)为基础,使用样本对已有模型进行训练,将训练得到的模型作为初始估值模型。具体对何种模型进行训练以得到初始估值模型,实施例一不进行具体限定。
实施例一中,初始估值模型可以是使用实施例一的执行主体训练得到的,也可以是使用实施例一的执行主体以外的其他主体训练得到的。初始估值模型可以部署在实施例一的执行主体上,也可以部署在实施例一的执行主体以外的其他主体上。
实施例一的执行主体可以获取待估值对象的初始估值参考信息(初始估值参考信息即用于进行初始估值的信息)。其中,待估值对象的初始估值参考信息与训练初始估值模型所用的信息一般是对应的,即训练初始估值模型用的是样本的哪几类信息,待估值对象的初始估值参考信息就是待估值对象的这几类信息。另外,待估值对象的初始估值参考信息可以存储在实施例一的执行主体上,或待估值对象的初始估值参考信息被输入或传输到实施例一的执行主体上,从而实施例一的执行主体可以获取待估值对象的初始估值参考信息。
实施例一的执行主体可以使待估值对象的初始估值参考信息输入初始估值模型。使待估值对象的初始估值参考信息输入初始估值模型的方式可以有多种,例如,若初始估值模型部署在实施例一的执行主体上,则实施例一的执行主体可以将待估值对象的初始估值参考信息输入初始估值模型;若初始估值模型部署在实施例一的执行主体以外的其他主体上,则实施例一的执行主体可以将待估值对象的初始估值参考信息发送给部署有初始估值模型的主体,以使部署有初始估值模型的主体将待估值对象的初始估值参考信息输入初始估值模型。
使待估值对象的初始估值参考信息输入初始估值模型后,初始估值模型输出的数据包括(待估值对象的)初始估值。若初始估值模型部署在实施例一的执行主体上,则实施例一的执行主体可以获取初始估值模型输出的初始估值;若初始估值模型部署在实施例一的执行主体以外的其他主体上,则部署有初始估值模型的主体可以将初始估值模型输出的初始估值发送给实施例一的执行主体。
S103:(执行主体)根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
实施例一中,可以预先训练出候选模型,候选模型用于对对象进行精确估值。其中,可以以已有模型(例如LightGBM模型)为基础,使用样本对已有模型进行训练,将训练得到的模型作为候选模型。具体对何种模型进行训练以得到候选模型,实施例一不进行具体限定。
特别的,可以训练出多个候选模型,各个候选模型都可以用于对对象进行精确估值。在对对象进行精确估值时,可以从候选模型中选择一个或多个候选模型作为实际应用的精确估值模型。
各个候选模型可以是使用实施例一的执行主体训练得到的,也可以是使用实施例一的执行主体以外的其他主体训练得到的。各个候选模型可以部署在实施例一的执行主体上,也可以部署在实施例一的执行主体以外的其他主体上。
由于初始估值模型是对对象进行初始估值,候选模型是对对象进行精确估值,故训练初始估值模型和训练候选模型所用的样本信息或样本数据可以不同。
获取待估值对象的初始估值后,实施例一的执行主体可以根据待估值对象的初始估值确定精确估值模型。其中,根据待估值对象的初始估值确定精确估值模型可以包括(但不限于):根据待估值对象的初始估值与价位分界点的关系,确定精确估值模型。下面具体说明:
实施例一中,可以设置多个价位分界点,价位分界点用于划分价位段,这多个价位分界点划分出多个价位段,故价位分界点实际上也是价位段的端点。例如图4所示,假设价位分界点包括Z1和Z2,则Z1和Z2可以划分出3个价位段。这3个价位段可以是[0,Z1),[Z1,Z2),[Z2,∞)或者[0,Z1],(Z1,Z2],(Z2,∞)。并且,这3个价位段可以分别作为低价位段([0,Z1)或[0,Z1])、中价位段([Z1,Z2)或(Z1,Z2])和高价位段([Z2,∞)或(Z2,∞))。
一般来说,价位分界点可以不包括最小价位点(即可取的最小价值,例如0)或最大价位点(即可取的最大价值,例如∞)。也就是说,通过n-1(n≥1,n为正整数)个价位分界点,就可以划分出n个价位段。价位分界点具体如何设置,实施例一不进行具体限定。
实施例一中,可以建立价位段和候选模型的对应关系,例如每个价位段可以对一个候选模型,即针对每个价位段训练其对应的候选模型。并且,对任一价位段,训练该价位段对应的候选模型所用的样本信息或样本数据,可以包括(但不限于)符合该价位段的样本的信息或数据。这样一来,对任一价位段,该价位段对应的候选模型就可以用于针对该价位段进行精确估值。举例来说,训练价位段[0,Z1)对应的候选模型所用的样本信息或样本数据,可以包括符合价位段[0,Z1)的样本的信息或数据。
实施例一中,每个价位分界点可以对应有价位范围。对任一价位分界点,该价位分界点对应的价位范围可以是从“该价位分界点减小一定值后的价位”到“该价位分界点增大一定值后的价位”所形成的区间,故该价位分界点对应的价位范围包含该价位分界点。例如图4所示,价位分界点Z1减小一定值a1后为K1,价位分界点Z1增大一定值a2后为K2,则价位分界点Z1对应的价位范围可以是[K1,K2](或[K1,K2));价位分界点Z2减小一定值a3后为K3,价位分界点增大一定值a4后为K4,则价位分界点Z2对应的价位范围可以是[K3,K4](或[K3,K4))。假设价位分界点包括最小价位点,则最小价位点对应的价位范围可以是从最小价位点到“最小价位点增大一定值后的价位”所形成的区间;假设价位分界点包括最大价位点,则最大价位点对应的价位范围可以是从“最大价位点减小一定值后的价位”到最大价位点做形成的区间。
如上所述,对任一价位段,该价位段对应的候选模型就可以用于针对该价位段进行精确估值,故若待估值对象的初始估值落入该价位段,则至少可以将该价位段对应的候选模型作为精确估值模型,对待估值对象进行精确估值。
另外,价位分界点一般是两个相邻价位段的分界点,这两个相邻价位段各自对应的候选模型对待估值对象的精确估值一般不同,甚至差别较大。在此基础上,对任一价位分界点,若待估值对象的初始估值落入该价位分界点对应的价位范围,说明待估值对象的初始估值接近该价位分界点,从而可以将以该价位分界点为分界点的两个相邻价位段(以该价位分界点为分界点的两个相邻价位段简称“该价位段分界点相邻的两个价位段”)各自对应的候选模型作为精确估值模型,分别对待估值对象进行精确估值,以便提高对待估值对象的精确估值的准确度和精确性。
此外,若待估值对象的初始估值落入某价位段,但待估值对象的初始估值未落入该价位段的价位分界点(该价位段的价位分界点即划分出该价位段的价位分界点,例如[0,Z1)或[0,Z1]的价位分界点即为Z1,[Z1,Z2)或(Z1,Z2]的价位分界点即为Z1和Z2,[Z2,∞)或(Z2,∞)的价位分界点即为Z2)对应的价位范围,说明待估值对象的初始估值距离该价位段的端点较远,就可以将该价位段对应的候选模型作为精确估值模型。
基于上述说明,根据待估值对象的初始估值与价位分界点的关系,确定精确估值模型,可以包括(但不限于)1.1和/或1.2所述的内容:
1.1、待估值对象的初始估值落入某个价位分界点对应的价位范围
若待估值对象的初始估值落入某个价位分界点对应的价位范围,则将该价位段分界点相邻的两个价位段对应的候选模型分别作为精确估值模型。例如,若待估值对象的初始估值落入价位分界点Z1对应的价位范围,则将价位分界点Z1相邻的两个价位段[0,Z1)和[Z1,Z2)(或[0,Z1]和(Z1,Z2])各自对应的候选模型分别作为精确估值模型;若待估值对象的初始估值落入价位分界点Z2对应的价位范围,则将价位分界点Z2相邻的两个价位段[Z1,Z2)和[Z2,∞)(或(Z1,Z2]和(Z2,∞))各自对应的候选模型分别作为精确估值模型。
1.2、待估值对象的初始估值落入某价位段,且未落入该价位段的价位分界点对应的价位范围
若待估值对象的初始估值落入某价位段,且待估值对象的初始估值未落入该价位段的价位分界点对应的价位范围,则将该价位段对应的候选模型作为精确估值模型。例如,若待估值对象的初始估值落入价位段[0,Z1)(或[0,Z1]),但未落入价位分界点Z1对应的价位范围,则将价位段[0,Z1)(或[0,Z1])对应的候选模型作为精确估值模型;若待估值对象的初始估值落入价位段[Z1,Z2)(或(Z1,Z2]),但未落入价位分界点Z1对应的价位范围和价位分界点Z2对应的价位范围,则将价位段[Z1,Z2)(或(Z1,Z2])对应的候选模型作为精确估值模型;若待估值对象的初始估值落入价位段[Z2,∞)(或(Z2,∞)),但未落入价位分界点Z2对应的价位范围,则将价位段[Z2,∞)(或(Z2,∞))对应的候选模型作为精确估值模型。
特别的,实施例一中,若任一价位分界点对应的价位范围只有该价位分界点本身,则根据待估值对象的初始估值确定精确估值模型可以包括(但不限于):根据待估值对象的初始估值所落入的价位段,确定精确估值模型。其中,根据待估值对象的初始估值所落入的价位段,确定精确估值模型,可以包括(但不限于):将“待估值对象的初始估值所落入的价位段”对应的候选模型作为精确估值模型(对应1.2),并且,若待估值对象的初始估值与某个价位分界点相同(对应1.1),则将该价位段分界点相邻的两个价位段对应的候选模型分别作为精确估值模型。
可见,若任一价位分界点对应的价位范围只有该价位分界点本身,则“根据待估值对象的初始估值与价位分界点的关系,确定精确估值模型”也就等同于“根据待估值对象的初始估值所落入的价位段,确定精确估值模型”。
实施例一的执行主体可以获取待估值对象的精确估值参考信息(精确估值参考信息即用于进行精确估值的信息)。其中,待估值对象的精确估值参考信息与训练候选模型所用的信息一般是对应的,即训练候选模型用的是样本的哪几类信息,待估值对象的精确估值参考信息就是待估值对象的这几类信息。另外,待估值对象的精确估值参考信息可以存储在实施例一的执行主体上,或待估值对象的精确估值参考信息被输入或传输到实施例一的执行主体上,从而实施例一的执行主体可以获取待估值对象的精确估值参考信息。
根据初始估值确定精确估值模型后,实施例一的执行主体可以使待估值对象的精确估值参考信息输入精确估值模型。使待估值对象的精确估值参考信息输入精确估值模型的方式可以有多种,例如,若精确估值模型部署在实施例一的执行主体上,则实施例一的执行主体可以将待估值对象的精确估值参考信息输入精确估值模型;若精确估值模型部署在实施例一的执行主体以外的其他主体上,则实施例一的执行主体可以将待估值对象的精确估值参考信息发送给部署有精确估值模型的主体,以使部署有精确估值模型的主体将待估值对象的精确估值参考信息输入精确估值模型。
使待估值对象的精确估值参考信息输入精确估值模型后,精确估值模型输出的数据包括(待估值对象的)精确估值。若精确估值模型为一个,则该精确估值模型输出待估值对象的精确估值;若精确估值模型有多个,则各个精确估值模型分别输出待估值对象的精确估值,即精确估值可以有多个。
若精确估值模型部署在实施例一的执行主体上,则实施例一的执行主体可以获取各精确估值模型输出的精确估值;若精确估值模型部署在实施例一的执行主体以外的其他主体上,则部署有精确估值模型的主体可以将精确估值模型输出的精确估值发送给实施例一的执行主体。
S105:(执行主体)将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
获取待估值对象的初始估值和精确估值后,实施例一的执行主体可以将待估值对象的初始估值和各精确估值进行融合(即估值融合),从而得到(待估值对象的)目标估值。其中,将待估值对象的初始估值和精确估值进行融合得到目标估值可以包括(但不限于):根据待估值对象的初始估值与价位分界点的关系,将待估值对象的初始估值和精确估值进行融合得到目标估值。
实施例一中,根据待估值对象的初始估值与价位分界点的关系,将待估值对象的初始估值和精确估值进行融合得到目标估值,可以包括(但不限于)2.1和/或2.2所述的内容:
2.1、待估值对象的初始估值落入某个价位分界点对应的价位范围
若待估值对象的初始估值落入某个价位分界点对应的价位范围(对应1.1,说明精确估值模型至少有两个,每个精确估值模型都会输出精确估值),则将待估值对象的初始估值分别与待估值对象的各个精确估值进行比较,从而比较待估值对象的初始估值与待估值对象的各个精确估值的差异(差异取绝对值或正值,下同)。
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异(即相对于最大的精确估值,该最小差异精确估值更靠近最小的精确估值,或该最小差异精确估值与最大的精确估值的差异,等于该最小差异精确估值与最小的精确估值的差异),则将待估值对象的初始估值与该最小差异精确估值中的较大者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值就是最小的精确估值,则将待估值对象的初始估值与该最小差异精确估值中的较大者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异(即相对于最小的精确估值,该最小差异精确估值更靠近最大的精确估值),则将待估值对象的初始估值与该最小差异精确估值中的较小者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值就是最大的精确估值,则将待估值对象的初始估值与该最小差异精确估值中的较小者作为目标估值。
其中,“最小的精确估值”是指待估值对象的各精确估值中的最小者,“最大的精确估值”是指待估值对象的各精确估值中的最大值,下同。
2.2、待估值对象的初始估值落入某价位段,且未落入该价位段的价位分界点对应的价位范围
若待估值对象的初始估值落入某价位段,且未落入该价位段的价位分界点对应的价位范围(对应1.2,说明精确估值模型为一个,该精确估值模型输出精确估值),则将待估值对象的初始估值与待估值对象的精确估值中的较小者作为目标估值。
另外,实施例一中,可以从精确估值的数量角度考虑,将待估值对象的初始估值和精确估值进行融合得到目标估值,可以包括(但不限于)3.1和/或3.2所述的内容:
3.1、仅有一个精确估值(对应2.2)
若仅有一个(待估值对象的)精确估值,则将待估值对象的初始估值与待估值对象的精确估值中的较小者作为目标估值。
3.2、有多个精确估值(对应2.1)
若有多个(待估值对象的)精确估值,则将待估值对象的初始估值分别与待估值对象的各个精确估值进行比较,从而比较待估值对象的初始估值与待估值对象的各个精确估值的差异。
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异(即相对于最大的精确估值,该最小差异精确估值更靠近最小的精确估值,或该最小差异精确估值与最大的精确估值的差异,等于该最小差异精确估值与最小的精确估值的差异),则将待估值对象的初始估值与该最小差异精确估值中的较大者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值就是最小的精确估值,则将待估值对象的初始估值与该最小差异精确估值中的较大者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异(即相对于最小的精确估值,该最小差异精确估值更靠近最大的精确估值),则将待估值对象的初始估值与该最小差异精确估值中的较小者作为目标估值。
和/或,
若待估值对象的初始估值与待估值对象的某个精确估值差异最小(以下将与待估值对象的初始估值差异最小的精确估值称为“最小差异精确估值”),且该最小差异精确估值就是最大的精确估值,则将待估值对象的初始估值与该最小差异精确估值中的较小者作为目标估值。
若有多个精确估值,但这多个精确估值相同,则按仅有一个精确估值处理。
得到待估值对象的目标估值后,实施例一的执行主体可以将待估值对象的目标估值作为待估值对象的估值结果,从而实现对待估值对象的估值。当然,实施例一的执行主体可以根据需要对估值结果进行操作,例如展示估值结果、将估值结果发送给其他主体等,实施例一不进行具体限定。
根据上述内容得到待估值对象的估值结果后,实施例一的执行主体还可以对估值结果进行校准。其中,对估值结果进行校准可以包括(但不限于):
确定待估值对象对应的保值率参考信息,待估值对象对应的保值率参考信息用于计算待估值对象的同类对象的保值率。
其中,保值率参考信息可以通过待估值对象的同类对象的历史交易信息确定。具体的,可以统计待估值对象的同类对象的历史交易信息,根据待估值对象的同类对象的历史交易信息得到待估值对象的同类对象的实际成交价格,以及待估值对象的同类对象的一种或多种受关注属性,例如受关注属性可以包括(但不限于)交易时的货龄(货龄一般指从生产完成到交易时的时长)。将待估值对象的同类对象的实际成交价格,以及待估值对象的同类对象的一种或多种受关注属性作为保值率参考信息。当然,保值率参考信息还可以包括其他内容,对保值率参考信息的具体内容,实施例一不进行具体限定。
根据保值率参考信息,可以确定待估值对象的参考估值。
具体的,按照“保值率=实际成交价格÷指导价”计算待估值对象的各个同类对象的保值率,将待估值对象的各个同类对象的受关注属性以及保值率进行拟合,就可以得到待估值对象的同类对象的保值率曲线或保值率函数。这里的保值率曲线或保值率函数利用了数据统计原理,代表了待估值带对象的同类对象的受关注属性与保值率的关系,也可以用于表征待估值对象所属类别内的对象的受关注属性与保值率的关系,故可以称为“回归保值率”(即回归保值率曲线或回归保值率函数)。将待估值对象的受关注属性(自变量)代入保值率曲线或保值率函数,就可以计算出待估值对象的保值率(因变量)。根据待估值对象的保值率以及待估值对象的指导价(指导价已知或预设),按照“参考估值=保值率×指导价”就可以计算出待估值对象的参考估值(参考估值也可以称为回归估值)。
确定待估值对象的参考估值后,可以比较待估值对象的参考估值和待估值对象的目标估值,判断待估值对象的参考估值和待估值对象的目标估值的差异是否满足预设条件。其中,待估值对象的参考估值和待估值对象的目标估值的差异满足预设条件可以包括(但不限于):待估值对象的参考估值和待估值对象的目标估值的差异不超过预设值。
若待估值对象的参考估值和待估值对象的目标估值的差异满足预设条件,说明待估值对象的参考估值和待估值对象的目标估值的差异较小,则维持估值结果,即仍然将待估值对象的目标估值作为待估值对象的估值结果。
和/或,
若待估值对象的参考估值和待估值对象的目标估值的差异满足不预设条件,说明待估值对象的参考估值和待估值对象的目标估值的差异较大,则实施例一的执行主体可以根据待估值对象的近似对象的历史交易信息确定维持估值结果(即仍然将待估值对象的目标估值作为待估值对象的估值结果)或将估值结果更新为待估值对象的参考估值。
若待估值对象的参考估值和待估值对象的目标估值的差异满足不预设条件,则根据待估值对象的近似对象的历史交易信息确定维持估值结果或将估值结果更新为待估值对象的参考估值,可以包括(但不限于):
确定待估值对象的近似对象(相对于待估值对象的同类对象,待估值对象到的交易对象一般与待估值对象的相似度更高或相似属性更多,同类对象或近似对象的判断标准可以根据需要确定或变化,实施例一不进行具体限定。当然,近似对象可以就是同类对象)的平均交易值。具体的,可以根据待估值对象的近似对象的历史交易信息中确定待估值对象的各近似对象的实际交易价格,进而确定待估值对象的近似对象的平均交易值。
将待估值对象的近似对象的平均交易值分别与待估值对象的参考估值和目标估值进行比较,从而得到待估值对象的近似对象的平均交易值与待估值对象的参考估值的差异,以及待估值对象的近似对象的平均交易值与待估值对象的目标估值的差异。
若待估值对象的近似对象的平均交易值与待估值对象的目标估值的差异,小于等于待估值对象的近似对象的平均交易值与待估值对象的参考估值的差异,则维持估值结果,即仍然将待估值对象的目标估值作为待估值对象的估值结果。
和/或,
若待估值对象的近似对象的平均交易值与待估值对象的参考估值的差异,小于待估值对象的近似对象的平均交易值与待估值对象的目标估值的差异,则将待估值对象的估值结果更新为待估值对象的参考估值,即将待估值对象的参考估值作为待估值对象的估值结果。
需要说明的是,训练初始估值模型和候选模型(自然包括精确估值模型)所使用的样本信息或样本数据,可以是产生对象估值需求时,最近的预设周期(例如最近三个月)内的样本信息或样本数据。这样一来,不同时期产生的估值需求,训练初始估值模型和候选模型所用的样本数据也会不断动态更新,实现了每次都是使用最新预设周期内的样本信息或样本数据训练初始估值模型和候选模型(即初始估值模型和候选模型也是不断更新的),并使用最新训练出的初始估值模型和候选模型,实施上述对象估值方法。
当然,也不需要每出现一个待估值对象,都利用最近的预设周期内的样本信息或样本数据训练一次初始估值模型和候选模型,也可以为对象估值需求设定估值周期,单个估值周期内的对象估值需求(即单个估值周期内需要估值的对象),使用距该估值周期最近的预设周期内的样本信息或样本数据训练初始估值模型和候选模型。例如估值周期为7日,则某估值周期内产生的对象估值需求,使用距该估值周期最近的预设周期内的样本信息或样本数据训练初始估值模型和候选模型,下个估值周期内产生的对象估值需求,使用距下个估值周期最近的预设周期内的样本信息或样本数据训练初始估值模型和候选模型。
实施例一中,初始估值模型用于初始估值,候选模型与价位段对应,可作为精确估值模型针对对应价位段进行精确估值,故一般来说,训练候选模型所使用的样本信息或样本数据的维度和精细度比训练初始估值模型所使用的样本信息或样本数据的维度和精细度要更复杂和多样一些。对于样本信息或样本数据中的价位信息或价位数据,训练单个候选模型所使用的价位信息或价位数据可能比训练初始估值模型所使用的价位信息或价位数据要少或更精准一些(因为单个候选模型对应单个价位段,主要用到单个价位段的价位信息或价位数据)。
实施例一中,对象估值是对对象的一种评估操作,对象估值也属于对对象的评估业务。对象估值结果可以作为(对象的)各种价格使用,包括但不限于用作保留价、收购价、批售价、零售价中的一种或多种。
下面通过示例对实施例一的技术方案进行进一步说明(本示例的执行主体同实施例一的执行主体):
实际场景中,车辆作为一种商品,在车辆销售或交易过程中,往往涉及到对车辆的估值。例如在进行二手车交易时,需要对待交易车辆进行估值,并可以将待交易车辆的估值在具有交易功能的平台或软件上进行展示;又例如在进行车辆拍卖时,需要对待拍卖车辆进行估值,并可以将待拍卖车辆的估值在具有拍卖功能的平台或软件上进行展示。故本示例中,可以将车辆作为待估值对象,
现有的车辆估值手段包括重置成本法、现行估价法以及专家定价法等。
其中,重置成本法是指:将在现时条件下重新购置一辆全新状态的待估值车辆所需的全部成本(即完全重置成本,简称重置全价),减去该待评估车辆的各种陈旧贬值后的差额,作为待评估车辆的现时估值。一般来讲,一辆车一年之内二手车价格较其新车价格相比损失20%左右,一年之后按每年折价10%来进行计算。虽然此方法因为运算快而被经常使用,但这种方法较为粗糙,未考虑各品牌车系市占率对保值率的影响,也未考虑每辆二手车的车况特性差异,因而估值准确性较低。
现行估价法是指:以与待估值车辆同款式、同年份、同使用期限的车辆在二手车市场上的平均价格为基础,并考虑待估值车辆的现时技术状况评定系数,以平均价格乘以系数,从而判定车辆价格。虽然这种方法较为贴近市场真实价格,但是该方法的前提条件是需要以大量的市场真实交易数据作为样本,这样所得的平均价格才有代表性。由于并不是每个品牌车系都有满足要求的历史交易量,故该方法对很多品牌车系难以适用。
专家定价法是指:人工基于车辆的基础属性及实时外部交易环境凭经验给出车辆价格判断。这种方法高度依赖专家经验,难以满足高频、规模化、全国范围、多场景的车辆估值过程,无法做到快速、高效定价,也难以控制经营成本和风险管理,故应用范围有限。
现有技术中也有通过构建纯机器学习模型进行车辆估值的方法,但存在无法动态感知市场行情变化,导致估值不准确的问题。
本示例中,可以统计历史一段时间内(如3个月内)的车辆信息和/或车况信息,作为训练模型的样本信息或样本数据。特别的,所统计的车辆信息和/或车况信息可以整理成宽表的形式,如表1所示:
表1
表1中示出了车辆信息和/或车况信息可以包含的内容,例如车辆编码、品牌、车系、成交日期、上牌日期、成交价、营运性质、表显里程、车况评星等,根据需要,车辆信息和/或车况信息还可以包含其他内容。对于车辆信息和/或车况信息的具体内容,本示例不进行具体限定。
在利用统计的车辆信息和/或车况信息训练模型前,可以先对统计的车辆信息和/或车况信息中的数据进行预处理,所述预处理包括但不限于数据类型标准化和/或异常数据处理。
其中,数据类型标准化可以包括数据类型转换,以便将车辆信息和/或车况信息中的各种类型数据转换成满足要求的类型的数据,例如都转换成数字形式的数据。以合资性质为例,国产车辆、合资车辆、进口车辆可以进行对应赋值,实现由string类型数据到integer类型数据的转换。若所用模型可以自行进行数据类型转换,例如将分类变量(即字符串类型)转换为数值信息,则需提前将车辆信息和/或车况信息进行分类变量设置。若所用模型不可以自行进行数据类型转换,则可以单独进行数据类型转换。
异常数据处理包括但不限于空值填充(填众数)、异常值修正。对于空值填充,以营运性质为例,如果非营运性质的车辆数量高于营运性质的车辆数量,则对于营运性质为空的车辆,可以将其营运性质填充为非营运;如果非营运性质的车辆数量低于营运性质的车辆数量,则对于营运性质为空的车辆,可以将其营运性质填充为营运。对于异常值修正,例如某品牌车系及年款对应的统计成交价或保值率(下文介绍)偏差较大,则需要对其进行修正。
基于预处理后的车辆信息和/或车况信息,可以构建特征工程,例如品牌成交量、区域成交量、品牌成交价均值/方差等。所构建的特征工程可以分为两类,即连续列(例如车辆表显里程)和分类列(如变速箱类型为手动或自动)两类。
针对连续列,可以进行如下处理:
1、若某列取值长尾效应明显,则对该列做尺度变换或标准化(如取对数),从而弱化该列的取值差异影响。例如损伤点、损伤情况这样的连续列,可能出现取值长尾效应明显的情况,则可以进行此种处理。又例如对于成交价这一列,实际统计的成交价可能集中在某一价格区间,有明显的长尾效应。对成交价取对数后,可以缩小成交价最大值和最小值之间的差值,弱化成交价在后续训练出的模型中的权重。图5示出了一种可能的成交价分布情况,取对数后所得结果如图5中曲线所示。
2、若某列连续取值太多,则对该列进行分桶划分。例如表显里程这样的连续列,按0.5万公里四舍五入圆整,比如表显里程为34509公里,圆整为3.5万公里。
针对分类列,可以进行如下处理:
将分类列中的枚举值进行onehot编码,如变速箱类型为手动或自动这样的分类列,可以进行onehot编码。
本示例中,可以进行离线特征工程标准化和线上特征轻量化。其中,离线特征工程标准化指先通过离线方式将(库中)所有车辆相关信息,按照模型训练时特征工程处理逻辑进行处理,包括但不限于连续列和分类列处理、统计、交叉等方式,得到基于车辆信息的特征工程信息,便于进行模型训练,提高模型训练速度和效率。线上特征轻量化是指当需要输入待估值车辆的车辆信息和/或车况信息,以进行初始估值和精确估值时,从已事先离线处理得到的车辆特征工程信息去提取相关信息即可,从而减小线上特征工程计算量,提高初始估值和精确估值速度和效率。
对于上述统计到的各种信息或数据的处理方式,可以根据需要设置或变化,本示例不进行具体限定。
经上述处理后的各种信息或数据(即所构建并经过处理之后的特征工程),可以作为样本信息或样本数据,用于训练候选模型。
需要说明的是,如上所述,可以划分出多个价位段,针对每个价位段训练其对应的候选模型。故对于任一价位段,训练该价位段对应的候选模型时,有些样本信息或样本数据可以是通用的,即训练其他价位段对应的候选模型也可以使用这些样本信息或样本数据。而有些样本信息或样本数据可以是训练该价位段对应的候选模型时单独使用的,训练其他价位段对应的候选模型也可以使用这些样本信息或样本数据。例如,训练低价位段对应的候选模型时,可以用到一些低价位车辆的价位信息或数据,这些低价位车辆的价位信息或数据,在训练中价位段对应的候选模型或高价位段对应的候选模型时,可能不会使用。训练中价位段对应的候选模型或高价位段对应的候选模型同理。
另外,由于初始估值模型是用于初始估值,候选模型与价位段对应,可作为精确估值模型针对对应价位段进行精确估值,故训练初始估值模型和训练候选模型所使用的样本信息或样本数据可以既有相同部分,又有不同部分。以车况信息为例,训练初始估值模型所使用的车况信息主要包括骨架、外观、内饰、工况、电器评分等,所构建的车况相关的特征工程也主要包括这几种车况信息对应的特征工程。训练候选模型除了使用骨架、外观、内饰、工况、电器评分等特征工程外,还可以包括这几种特征工程的和值、乘积,以及这几种特征工程中,各个特征工程对应的损伤点个数,每个损伤点对应的损伤程度分以及各个特征工程对应的损伤点个数、损伤程度分的和值、乘积等。
一般来说,训练候选模型所使用的车况信息的维度和精细度比训练初始估值模型所使用的车况信息的维度和精细度要更复杂和多样一些,训练单个候选模型所使用的价位信息或价位数据可能比训练初始估值模型所使用的价位信息或价位数据要少或更精准一些(因为单个候选模型对应单个价位段,主要用到单个价位段的价位信息或价位数据)。
下面说明如何确定回归保值率:
本示例中,回归保值率主要表示各品牌车型维度下不同车龄的保值率曲线(即车龄是受关注属性,品牌车型和车辆是保值率参考信息)。
具体的,对于任一品牌任一车型,统计该品牌车型(同品牌同车型之间可以看作同类车辆,即同类对象)近一段时间(如3个月)内的交易数据,计算每台车的车龄和保值率,并拟合出该品牌车型不同车龄车辆与保值率的曲线或函数,即回归保值率。实际拟合出的曲线或函数可以是指数函数曲线的形式,例如图6所示(图6中残值率即保值率)。其中,车龄指成交日期与上牌日期的月份差,保值率指成交价与新车指导价的比值。
另外,若该品牌车型近一段时间成交的车辆数不足需要的统计量,不足以拟合出需要的曲线或函数,则可以将统计范围扩大到该品牌车系,根据该品牌车系近一段时间内的交易数据拟合相应的曲线或函数。
若该品牌车系的交易数据仍不足以拟合出需要的曲线或函数,则可以将统计范围扩大到该品牌,根据该品牌近一段时间内的交易数据拟合相应的曲线或函数。
若该品牌的交易数据仍不足以拟合出需要的曲线或函数,则可以将该品牌设置为小众品牌。将所有小众品牌的交易数据合并,根据合并后的交易数据进行统计分析,拟合出所有小众品牌下,不同车龄车辆与保值率的曲线或函数。
在确定回归保值率时,还可以对统计的数据进行异常数据处理。例如,若某个交易主体(交易主体包括但不限于车辆购买方或销售方,下同)实际的保值率(成交保值率=成交价/新车指导价)偏低,则可以不将该交易主体的交易数据用于回归保值率的计算或模型的训练。
另外,回归保值率还可以用于判断交易数据是否异常。例如,对于某类型车辆(比如成交价在某个或某些价位段的车辆,或车况达到某标准的车辆)来说,通过回归保值率曲线或函数可以计算出这些车辆在其对应车龄下的保值率(称为理论保值率)。若这些车辆中,实际保值率(实际保值率=成交价/新车指导价)低于理论保值率的车辆占比超过预设值,则可以判断这些车辆的交易数据存在异常,存在异常的交易数据可以不用于模型训练和/或不再用于计算回归保值率。若这些车辆是成交价在某个或某些价位段的车辆,还可能需要重新划分价位段;若这些车辆是某个或某些交易主体买卖的车辆,则这个或这些交易主体的交易数据可以不用于模型训练和/或不再用于计算回归保值率。
通过上述说明可知,本示例由宽表数据构建特征工程,特征工程包含车辆信息和/或车况信息,成交价信息,可以将特征工程作为样本信息或样本数据进行模型训练,从而训练出候选模型。以LightGBM模型为例,LightGBM是机器学习中较为快速稳定的模型,可以基于LightGBM模型训练候选模型。
基于LightGBM模型训练完成的候选模型在作为精确估值模型应用时,可以理解是树的结构,从树根开始,每一层有不同分支,例如树根代表A品牌,第一层左边分支代表车系X3,第二层第3个分支代表车型X3下的具体车型,……,以此类推,一个特征一个特征地判断,进而进入到与待估值车辆相同车型相同年款,相似车况的目标分支,再对分支的成交价进行拟合,以最小二乘法或最大似然得到偏差最小的价格,作为待估值车辆的精确估值。
由于本示例中针对价位段建立对应的候选模型,即本示例侧重分价位段建模。上述的目标分支与价位段可以对应,也体现了分价位段的思想,故基于LightGBM模型训练完成的候选模型能够实现与价位段的对应。
下面说明本示例的主要工作过程:
构建初始估值模型和候选模型后,将待估值车辆的车辆信息和/或车况信息输入初始估值模型(待估值车辆的车辆信息和/或车况信息输入初始估值模型前可以进行上述的处理操作,输入初始估值模型的待估值车辆的车辆信息和/或车况信息,与训练初始估值模型所用的车辆信息和/或车况信息对应),得到初始估值,初始估值记为p。
根据初始估值与各个价位分界点(价位分界点和价位段预设)的关系,确定精确估值模型。
以图4为例,若p<K1(即p落入低价位段,但未落入低价位段的价位分界点Z1对应的价位范围),则精确估值模型为低价位段对应的候选模型;
若p>=K1 and p<K2(即p落入价位分界点Z1对应的价位范围),则精确估值模型为低价位段对应的候选模型和中价位段对应的候选模型;
若p>=K2 and p<K3(即p落入中价位段,但未落入中价位段的价位分界点Z1和Z2对应的价位范围),则精确估值模型为中价位段对应的候选模型;
若p>=K3 and p<K4(即p落入价位分界点Z2对应的价位范围),则精确估值模型为中价位段对应的候选模型和高价位段对应的候选模型;
若p>=K4(即p落入高价位段,但未落入高价位段的价位分界点Z2对应的价位范围),则精确估值模型为高价位段对应的候选模型。
将待估值车辆的车辆信息和/或车况信息输入精确估值模型(待估值车辆的车辆信息和/或车况信息输入精确估值模型前可以进行上述的处理操作,输入精确估值模型的待估值车辆的车辆信息和/或车况信息,与训练精确估值模型所用的车辆信息和/或车况信息对应),得到精确估值。
根据初始估值与各个价位分界点的关系,和/或根据精确估值的数量,将初始估值和精确估值进行融合,得到目标估值。例如:
若p<K1(即p落入低价位段,但未落入低价位段的价位分界点Z1对应的价位范围,也即精确估值为1个,精确估值记为q),则融合结果为:将初始估值与精确估值中的较小者,即min(p,q),作为目标估值;
若p>=K1 and p<K2(即p落入价位分界点Z1对应的价位范围,则由两个精确估值模型得到2个精确估值,两个精确估值记为q1和q2,假设q1<q2),则融合结果为:若最小差异估值更靠近最小的精确估值q1,即abs(p-q1)<=abs(p-q2),或最小差异估值就是q1,则将初始估值与最小差异精确估值中的较大者,即max(p,q1),作为目标估值;若最小差异精确估值更靠近最大的精确估值q2,即abs(p-q2)<abs(p-q1),或最小差异估值就是q2,则将初始估值与最小差异精确估值中的较小者,即min(p,q2),作为目标估值;
若p>=K2 and p<K3(即p落入中价位段,但未落入中价位段的价位分界点Z1和Z2对应的价位范围,也即精确估值为1个,精确估值记为r),则融合结果为:将初始估值与精确估值中的较小者,即min(p,r),作为目标估值;
若p>=K3 and p<K4(即p落入价位分界点Z2对应的价位范围,则由两个精确估值模型得到2个精确估值,两个精确估值记为r1和r2,假设r1<r2),则融合结果为:若最小差异估值更靠近最小的精确估值r1,即abs(p-r1)<=abs(p-r2),或最小差异估值就是r1,则将初始估值与最小差异精确估值中的较大者,即max(p,r1),作为目标估值;若最小差异精确估值更靠近最大的精确估值r2,即abs(p-r2)<abs(p-r1),或最小差异估值就是r2,则将初始估值与最小差异精确估值中的较小者,即min(p,r2),作为目标估值;
若p>=K4(即p落入高价位段,但未落入高价位段的价位分界点Z2对应的价位范围,也即精确估值为1个,精确估值记为s),则融合结果为:将初始估值与精确估值中的较小者,即min(p,s),作为目标估值。
下面介绍对估值结果进行校准:
根据回归保值率曲线或回归保值率函数,计算待估值车辆的参考估值,比较参考估值与目标估值,判断参考估值与目标估值的差异是否满足预设条件,即参考估值与目标估值的差异是否不超过阈值。
若参考估值与目标估值的差异不超过阈值,则仍然将目标估值作为待估值车辆的估值结果。
若参考估值与目标估值的差异超过阈值,则统计近一段时间(如近三个月)待估值车辆的近似车辆(近似包括但不限于同品牌、同车系、同年款、同地区、相同或相似车况、相同或相近里程中的一项或多项)的交易信息,根据交易信息确定待估值车辆的近似车辆的平均交易值。
将待估值车辆的近似车辆的平均交易值分别与待估值车辆的参考估值和目标估值进行比较,得到待估值车辆的近似车辆的平均交易值与待估值车辆的参考估值的差异,以及待估值车辆的近似车辆的平均交易值与待估值车辆的目标估值的差异。
若待估值车辆的近似车辆的平均交易值与待估值车辆的目标估值的差异,小于等于待估值车辆的近似车辆的平均交易值与待估值车辆的参考估值的差异,则维持估值结果,即仍然将待估值车辆的目标估值作为待估值车辆的估值结果。
和/或,
若待估值车辆的近似车辆的平均交易值与待估值车辆的参考估值的差异,小于待估值车辆的近似车辆的平均交易值与待估值车辆的目标估值的差异,则将待估值车辆的估值结果更新为待估值车辆的参考估值,即将待估值车辆的参考估值作为待估值车辆的估值结果。
另外,若待估值车辆的近似车辆的交易信息量达不到预设数量,则仍然将待估值车辆的目标估值作为待估值车辆的估值结果。
经实验,通过本示例确定的车辆估值结果准确率可达91.1%以上。其中,车辆估值结果准确率为1-MAPE,MAPE=abs(估值结果-实际成交价)/实际成交价。
具体的实验结果如表2所示:
成交价分段 | 本示例MAPE | 其他估值手段MAPE |
0-4万 | 14.3% | 27.3% |
4-8万 | 7.1% | 9.3% |
8-15万 | 6.5% | 7.9% |
15-20万 | 6.7% | 7.0% |
20万以上 | 9.1% | 9.0% |
整体 | 8.9% | 21.3% |
本示例的实验环境是8核32GCPU,270个并发1s内完成,可见本示例具体快速、高效、准确的特点。
本示例能够实现车辆估值,可以用于多种场景。例如:
a.新车置换:本示例的车辆估值可以作为准备卖车用户或经销商的二手车成交价参考。
b.买车:对消费者来说,本示例的车辆估值有助于消费者了解市场行情,根据自己预算,快速选择满意的品牌车辆;对经销商来说,本示例的车辆估值有助于快速确定收购价格,方便核算收车利润管理。
c.金融信贷:本示例的车辆估值可以作为提供贷款额度的参考。
d.拍卖平台:本示例的车辆估值可以作为保留价(超过保留价,即可成交)和起拍价(拍卖开始的起拍价)设置的参考。
e.4S店或经销商:本示例的车辆估值可以作为收销业务参考,包括但不限于作为车辆收购价、批售价(同行交易)、零售价(销售给终端消费者)的参考。
当然,本示例仅是以车辆为例进行说明,本示例中的内容,都可以扩展到对除车辆以外的其他对象的估值。
实施例一中,通过初始估值模型对对象进行初始估值,并通过精确估值模型对对象进行精确估值,将初始估值和精确估值融合得到目标估值。由于是通过初始估值、精确估值、估值融合确定目标估值,故所得目标估值具有更高的估值准确度和精确性,将目标估值作为估值结果,也就提高了对象估值效果。
实施例一利用初始估值模型和精确估值模型双模型形式确定估值结果,所得估值结果结合了初始估值模型和精确估值模型的特点和效果,估值准确度和精确性更高,估值效果更好。
实施例一中,可以针对各价位段分别构建候选模型,使得候选模型与价位段的关联性和针对性更强。由于精确估值模型是通过初始估值确定的,且精确估值模型是从候选模型中选择的,则所得的精确估值模型也就兼顾到初始估值的特点以及价位段的特点,能够进一步提高精确估值的准确度和精确性,进而有利于提高目标估值,即估值结果的准确度和精确性,从而得到更好的对象估值效果。
实施例一中,通过初始估值、精确估值、估值融合得到目标估值,所得目标估值兼顾和结合了初始估值和精确估值的特点,使得目标估值准确度和精确性更高,估值效果更好。
实施例一中,能够对估值结果校准,从而进一步提高估值准确度和精确性,得到更好的对象估值效果。
实施例一中可以利用已有模型训练初始估值模型和精确估值模型,有利于提高对象估值速度。模型训练可以采用离线训练方式,并可以对待估值对象进行在线估值,提高了对象估值速度和效率。
通过上述示例可知,实施例一能够实现对异常数据的判断和处理,也就保证了对象估值所用的信息或数据的准确性,进一步提高估值准确度和精确性,有利于得到更好的对象估值效果。
上述示例中,所用到的车辆信息还可以包括:制造方、品牌、车系、车型、年款、排放标准、新车指导价、排量、马力、油耗、车辆类型、合资类型、供油方式、变速箱类型、综合油耗、车身类型;所用到的车况信息还可以包括:里程、上牌区域、车身颜色、车龄、营运性质、过户次数、选配部件、车况星级(包含不限于外观、内饰、骨架、工况、电器)、车辆来源、维修保养记录、出险记录。通过上述示例可知,实施例一能够利用多种信息或数据或多种特征工程进行模型训练,以及计算回归保值率,进而实现对象估值,使得估值结果能够充分兼顾和结合各种对象信息或对象数据,包括多维度、多种类的对象信息或对象数据,进一步提高估值准确度和精确性,有利于得到更好的对象估值效果。
实施例一中,构建模型所用样本信息或样本数据动态更新,所构建模型也可以动态更新,使得模型能够感知信息或数据变化以及市场动态变化,具有更高的适应性,也有利于进一步提高估值准确度和精确性,得到更好的对象估值效果。
如图7所示,本说明书第二个实施例提供一种与实施例一对应的对象估值装置,包括:
初始估值模块202,用于使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
精确估值模块204,用于根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
估值融合模块206,用于将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
可选的,根据所述初始估值确定精确估值模型包括:
根据所述初始估值与价位分界点的关系,确定精确估值模型。
可选的,所述价位分界点用于划分价位段,每个价位段对应有候选模型;
根据所述初始估值与价位分界点的关系,确定精确估值模型,包括:
若所述初始估值落入某个价位分界点对应的价位范围,则将该价位段分界点相邻的两个价位段对应的候选模型分别作为精确估值模型。
可选的,所述价位分界点用于划分价位段,每个价位段对应有候选模型;
根据所述初始估值与价位分界点的关系,确定精确估值模型,包括:
若所述初始估值落入某价位段,且所述初始估值未落入该价位段的价位分界点对应的价位范围,则将该价位段对应的候选模型作为精确估值模型。
可选的,将所述初始估值和精确估值进行融合得到目标估值包括:
根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值。
可选的,根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值,包括:
若所述初始估值落入某个价位分界点对应的价位范围,则比较所述初始估值与各个精确估值的差异;
若所述初始估值与某个精确估值差异最小,且该精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最小的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异,则将所述初始估值与该精确估值中的较小者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最大的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值。
可选的,根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值,包括:
若所述初始估值落入某价位段,且所述初始估值未落入该价位段的价位分界点对应的价位范围,则将所述初始估值和所述精确估值中的较小者作为目标估值。
可选的,根据所述初始估值确定精确估值模型包括:
根据所述初始估值所落入的价位段,确定精确估值模型。
可选的,将所述初始估值和精确估值进行融合得到目标估值包括:
若仅有一个精确估值,则将所述初始估值和所述精确估值中的较小者作为目标估值;
和/或,
若有多个精确估值,则比较所述初始估值与各个精确估值的差异;
若所述初始估值与某个精确估值差异最小,且该精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最小的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异,则将所述初始估值与该精确估值中的较小者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最大的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值。
可选的,所述装置还包括:
校准模块,用于对所述估值结果进行校准;
其中,对所述估值结果进行校准包括:
确定所述待估值对象对应的保值率参考信息,根据所述保值率参考信息确定所述待估值对象的参考估值;
若所述参考估值与所述目标估值的差异满足预设条件,则维持所述估值结果;
和/或,
若所述参考估值与所述目标估值的差异不满足预设条件,则根据所述待估值对象的近似对象的历史交易信息确定维持所述估值结果或将估值结果更新为所述参考估值。
可选的,若所述参考估值与所述目标估值的差异不满足预设条件,则根据所述待估值对象的近似对象的历史交易信息确定维持所述估值结果或将估值结果更新为所述参考估值,包括:
确定所述待估值对象的近似对象的平均交易值;
若所述平均交易值与所述目标估值的差异,小于等于所述平均交易值与所述参考估值的差异,则维持所述估值结果;
和/或,
若所述平均交易值与所述参考估值的差异,小于所述平均交易值与所述目标估值的差异,则将估值结果更新为所述参考估值。
可选的,训练所述初始估值模型所使用的样本信息或样本数据,是产生对象估值需求时,最近的预设周期内的样本信息或样本数据;
和/或,
训练所述精确估值模型所使用的样本信息或样本数据,是产生对象估值需求时,最近的预设周期内的样本信息或样本数据。
可选的,所述待估值对象为车辆。
本说明书第三个实施例提供一种对象估值设备,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行实施例一所述的对象估值方法。
本说明书第四个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现实施例一所述的对象估值方法。
上述各实施例可以结合使用,不同实施例之间或同一实施例内的名称相同的模块可以是相同或不同的模块。
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,附图中描绘的过程不一定必须按照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。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,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。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应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,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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,在实施本说明书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,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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,磁带式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(trans itory 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。
本说明书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说明书,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。
以上所述仅为本说明书实施例而已,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 (16)
1.一种对象估值方法,其特征在于,包括:
使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
2.如权利要求1所述的方法,其特征在于,根据所述初始估值确定精确估值模型包括:
根据所述初始估值与价位分界点的关系,确定精确估值模型。
3.如权利要求2所述的方法,其特征在于,所述价位分界点用于划分价位段,每个价位段对应有候选模型;
根据所述初始估值与价位分界点的关系,确定精确估值模型,包括:
若所述初始估值落入某个价位分界点对应的价位范围,则将该价位段分界点相邻的两个价位段对应的候选模型分别作为精确估值模型。
4.如权利要求2所述的方法,其特征在于,所述价位分界点用于划分价位段,每个价位段对应有候选模型;
根据所述初始估值与价位分界点的关系,确定精确估值模型,包括:
若所述初始估值落入某价位段,且所述初始估值未落入该价位段的价位分界点对应的价位范围,则将该价位段对应的候选模型作为精确估值模型。
5.如权利要求3或4所述的方法,其特征在于,将所述初始估值和精确估值进行融合得到目标估值包括:
根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值。
6.如权利要求5所述的方法,其特征在于,根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值,包括:
若所述初始估值落入某个价位分界点对应的价位范围,则比较所述初始估值与各个精确估值的差异;
若所述初始估值与某个精确估值差异最小,且该精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最小的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异,则将所述初始估值与该精确估值中的较小者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最大的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值。
7.如权利要求5所述的方法,其特征在于,根据所述初始估值与价位分界点的关系,将所述初始估值和精确估值进行融合得到目标估值,包括:
若所述初始估值落入某价位段,且所述初始估值未落入该价位段的价位分界点对应的价位范围,则将所述初始估值和所述精确估值中的较小者作为目标估值。
8.如权利要求1所述的方法,其特征在于,根据所述初始估值确定精确估值模型包括:
根据所述初始估值所落入的价位段,确定精确估值模型。
9.如权利要求1所述的方法,其特征在于,将所述初始估值和精确估值进行融合得到目标估值包括:
若仅有一个精确估值,则将所述初始估值和所述精确估值中的较小者作为目标估值;
和/或,
若有多个精确估值,则比较所述初始估值与各个精确估值的差异;
若所述初始估值与某个精确估值差异最小,且该精确估值与最小的精确估值的差异,小于等于该最小差异精确估值与最大的精确估值的差异,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最小的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值与最大的精确估值的差异,小于该最小差异精确估值与最小的精确估值的差异,则将所述初始估值与该精确估值中的较小者作为目标估值;
和/或,
若所述初始估值与某个精确估值差异最小,且该精确估值就是最大的精确估值,则将所述初始估值与该精确估值中的较大者作为目标估值。
10.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述估值结果进行校准;
其中,对所述估值结果进行校准包括:
确定所述待估值对象对应的保值率参考信息,根据所述保值率参考信息确定所述待估值对象的参考估值;
若所述参考估值与所述目标估值的差异满足预设条件,则维持所述估值结果;
和/或,
若所述参考估值与所述目标估值的差异不满足预设条件,则根据所述待估值对象的近似对象的历史交易信息确定维持所述估值结果或将估值结果更新为所述参考估值。
11.如权利要求10所述的方法,其特征在于,若所述参考估值与所述目标估值的差异不满足预设条件,则根据所述待估值对象的近似对象的历史交易信息确定维持所述估值结果或将估值结果更新为所述参考估值,包括:
确定所述待估值对象的近似对象的平均交易值;
若所述平均交易值与所述目标估值的差异,小于等于所述平均交易值与所述参考估值的差异,则维持所述估值结果;
和/或,
若所述平均交易值与所述参考估值的差异,小于所述平均交易值与所述目标估值的差异,则将估值结果更新为所述参考估值。
12.如权利要求1所述的方法,其特征在于,训练所述初始估值模型所使用的样本信息或样本数据,是产生对象估值需求时,最近的预设周期内的样本信息或样本数据;
和/或,
训练所述精确估值模型所使用的样本信息或样本数据,是产生对象估值需求时,最近的预设周期内的样本信息或样本数据。
13.如权利要求1所述的方法,其特征在于,所述待估值对象为车辆。
14.一种对象估值装置,其特征在于,包括:
初始估值模块,用于使待估值对象的初始估值参考信息输入初始估值模型,获取所述初始估值模型输出的初始估值;
精确估值模块,用于根据所述初始估值确定精确估值模型,使所述待估值对象的精确估值参考信息输入精确估值模型,获取所述精确估值模型输出的精确估值;
估值融合模块,用于将所述初始估值和精确估值进行融合得到目标估值,将所述目标估值作为所述待估值对象的估值结果。
15.一种对象估值设备,其特征在于,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行权利要求1至13中任一项所述的对象估值方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现权利要求1至13中任一项所述的对象估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863647.6A CN116883029A (zh) | 2023-07-13 | 2023-07-13 | 一种对象估值方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863647.6A CN116883029A (zh) | 2023-07-13 | 2023-07-13 | 一种对象估值方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883029A true CN116883029A (zh) | 2023-10-13 |
Family
ID=88269331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863647.6A Pending CN116883029A (zh) | 2023-07-13 | 2023-07-13 | 一种对象估值方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883029A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280674A (zh) * | 2017-12-29 | 2018-07-13 | 广东数鼎科技有限公司 | 一种利用大数据进行二手车估值的方法及系统 |
CN113159837A (zh) * | 2021-04-09 | 2021-07-23 | 杭州搜车网科技有限公司 | 车辆价格的评估方法及装置 |
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 |
CN115034821A (zh) * | 2022-06-16 | 2022-09-09 | 平安银行股份有限公司 | 一种车辆估值方法、装置、计算机设备及存储介质 |
-
2023
- 2023-07-13 CN CN202310863647.6A patent/CN116883029A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280674A (zh) * | 2017-12-29 | 2018-07-13 | 广东数鼎科技有限公司 | 一种利用大数据进行二手车估值的方法及系统 |
CN113159837A (zh) * | 2021-04-09 | 2021-07-23 | 杭州搜车网科技有限公司 | 车辆价格的评估方法及装置 |
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 |
CN115034821A (zh) * | 2022-06-16 | 2022-09-09 | 平安银行股份有限公司 | 一种车辆估值方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6453303B1 (en) | Automated analysis for financial assets | |
CN108280674A (zh) | 一种利用大数据进行二手车估值的方法及系统 | |
WO2014089101A2 (en) | Payment instrument selection | |
CN109299807A (zh) | 一种二手车定价优化方法及系统 | |
CN113674040B (zh) | 车辆的报价方法、计算机设备和计算机可读存储介质 | |
CN107679987A (zh) | 资产配置策略获取方法、装置、计算机设备和存储介质 | |
CN110634043A (zh) | 供需匹配模型获得方法、供需匹配方法、平台和存储介质 | |
CN108764291A (zh) | 电子装置、基于机器学习的股票择时方法及存储介质 | |
Peston et al. | 7 Inter-Temporal Price Relationships with Forward Markets: A Method of Analysis | |
US20080109384A1 (en) | System and method for determining optimal investment strategy | |
KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
CN112561112A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
Wiiava et al. | Stock price prediction with golden cross and death cross on technical analysis indicators using long short term memory | |
CN116883029A (zh) | 一种对象估值方法、装置、设备及介质 | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
CN111507779A (zh) | 一种对商品进行等级划分的方法和装置 | |
US11861579B1 (en) | Intelligent inventory system | |
Kurita et al. | An I (2) cointegration model with piecewise linear trends | |
CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
KR20210127506A (ko) | 온라인 차량 구매 희망자의 서비스 이용 기록을 참조하여 구매자 중심으로 차량을 거래하기 위한 방법 및 이를 이용한 서버 | |
Emms et al. | Optimal management of an insurer’s exposure in a competitive general insurance market | |
CN111275505A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN117114775A (zh) | 一种基于LightGBM模型的二手车快速定价方法及系统 | |
KR102665627B1 (ko) | 절세를 위한 다이렉트 인덱싱 실행 장치, 방법 및 컴퓨터 프로그램 | |
CN116758576B (zh) | 基于机器学习的营销信息识别方法、装置、设备和介质 |
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 |