CN117035847A - 基于汽车数据模型的信息处理方法、计算机设备 - Google Patents

Abstract

本公开的实施例公开了基于汽车数据模型的信息处理方法、计算机设备。该方法的一具体实施方式包括：将第一汽车流转信息序列输入至第一汽车价值预测模型中，得到第一汽车流转价值预测信息；根据各个历史汽车需求信息，生成汽车需求预测信息；根据各个历史汽车流出信息，生成初始汽车流出量预测信息；根据汽车需求预测信息与初始汽车流出量预测信息，生成第二汽车流出价值预测信息；将第二汽车售后信息序列集输入至第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息；生成目标汽车流转价值预测信息。该实施方式提升了对于经营价值预测的准确性，从而便于进行成本控制，实现了利润可视化。

Description

基于汽车数据模型的信息处理方法、计算机设备

技术领域

本公开的实施例涉及汽车信息处理领域，具体涉及基于汽车数据模型的信息处理方法、计算机设备。

背景技术

随着汽车行业的发展，汽车用户也变得越来越多。目前，对于汽车的需求预测（汽车需求量、车行获取价值预测（营业额/利润）等）可以实现汽车与成本的精准调控（诸如，汽车制造终端可以合理制造汽车的数量；车行可以根据车行获取价值预测进行成本调控）。当前，通常会通过各个历史汽车需求量信息，利用移动平均的方式，预测未来的汽车需求。然而，通过移动平均的方式预测未来的汽车需求，通常存在以下技术问题：利用移动平均的方式，导致汽车需求预测的准确率较低，影响了汽车与成本调控的精度；此外，考虑的因素较为单一，导致汽车需求预测准确率较低，影响汽车制造终端的汽车生产进度的调控，以及造成汽车管理终端的成本调控不准确。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了基于汽车数据模型的信息处理方法、计算机设备和计算机可读存储介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种基于汽车数据模型的信息处理方法，该方法包括：从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列，其中，上述第一汽车流转信息序列中的第一汽车流转信息包括：第一汽车流出信息集与第一汽车售后信息集，上述第一汽车流出信息集中的第一汽车流出信息包括：汽车类型、第一收入价值、第一价值流入值、第一缴纳价值、第一汽车流出数量与第一汽车基础价值，上述第一汽车售后信息集中的第一汽车售后信息包括：汽车类型、第一维修数量、第一维修基础价值与第一维修收入价值，上述第二汽车流转信息序列中的第二汽车流转信息包括：第二汽车流出信息集与第二汽车售后信息集，上述第二汽车流出信息集中的第二汽车流出信息包括：历史汽车需求信息与历史汽车流出信息，上述历史汽车流出信息包括：汽车类型、第二收入价值、第二价值流入值、第二缴纳价值、历史汽车流出量与第二汽车基础价值，上述第二汽车售后信息集中的第二汽车售后信息包括：汽车类型、第二维修数量、第二维修基础价值与第二维修收入价值；将上述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息；根据汽车类型，对上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集，其中，一个第二汽车流出信息序列对应一个汽车类型，一个第二汽车售后信息序列对应一个汽车类型；对于上述第二汽车流出信息序列集中的每个第二汽车流出信息序列，执行以下处理步骤：根据上述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息；根据上述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应上述预设未来时间段的初始汽车流出量预测信息；根据上述汽车需求预测信息与上述初始汽车流出量预测信息，生成对应上述预设未来时间段的第二汽车流出价值预测信息；将上述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息；根据上述第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将上述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。

第二方面，本公开还提供一种计算机设备，上述计算机设备包括处理器、存储器、以及存储在上述存储器上并可被上述处理器执行的计算机程序，其中上述计算机程序被上述处理器执行时，实现如上述第一方面任一实现方式所描述的方法。

第三方面，本公开还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，其中上述计算机程序被处理器执行时，实现如上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于汽车数据模型的信息处理方法，提升了汽车与成本调控的精度，从而，避免了汽车生产过剩或不足，也便于进行成本控制。首先，从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列。由此，便于根据新车与二手车的流转信息与售后信息，确定未来的汽车终端的价值信息。接着，将上述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息。由此，可以预测出汽车终端在未来时段的流转价值。之后，根据汽车类型，对上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集。其中，一个第二汽车流出信息序列对应一个汽车类型，一个第二汽车售后信息序列对应一个汽车类型。再接着，对于上述第二汽车流出信息序列集中的每个第二汽车流出信息序列，执行以下处理步骤：根据上述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息；根据上述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应上述预设未来时间段的初始汽车流出量预测信息；根据上述汽车需求预测信息与上述初始汽车流出量预测信息，生成对应上述预设未来时间段的第二汽车流出价值预测信息。由此，可以通过汽车需求预测信息与初始汽车流出量预测信息，预测出新车的流出价值。可以准确地预测每一时间节点的汽车需求，提高了汽车需求预测的准确性。然后，将上述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息。最后，根据上述第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将上述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。由此，便于根据第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，拟合预测出目标汽车流转价值预测信息。从而，提升了目标汽车流转价值预测信息的准确性。进而，，提升了后续汽车与成本调控的精度，避免了汽车生产过剩或不足，也便于进行成本控制。提升了对于经营价值预测的准确性，实现了利润可视化

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的基于汽车数据模型的信息处理方法的一些实施例的流程图；

图2是本公开实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的基于汽车数据模型的信息处理方法的一些实施例的流程图。示出了根据本公开的基于汽车数据模型的信息处理方法的一些实施例的流程100。该基于汽车数据模型的信息处理方法，包括以下步骤：

步骤101，从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列。

在一些实施例中，基于汽车数据模型的信息处理的执行主体（例如计算设备）可以通过有线连接或无线连接的方式从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列。其中，上述第一汽车流转信息序列中的第一汽车流转信息包括：第一汽车流出信息集与第一汽车售后信息集。上述第一汽车流出信息集中的第一汽车流出信息包括：汽车类型、第一收入价值、第一价值流入值、第一缴纳价值、第一汽车流出数量与第一汽车基础价值。上述第一汽车售后信息集中的第一汽车售后信息包括：汽车类型、第一维修数量、第一维修基础价值与第一维修收入价值。上述第二汽车流转信息序列中的第二汽车流转信息包括：第二汽车流出信息集与第二汽车售后信息集。上述第二汽车流出信息集中的第二汽车流出信息包括：历史汽车需求信息与历史汽车流出信息。上述历史汽车流出信息包括：汽车类型、第二收入价值、第二价值流入值、第二缴纳价值、历史汽车流出量与第二汽车基础价值。上述第二汽车售后信息集中的第二汽车售后信息包括：汽车类型、第二维修数量、第二维修基础价值与第二维修收入价值。其中，第一汽车流转信息序列表示汽车数据库对应的汽车流转节点在预设历史时间段内的二手车流转信息。一个第一汽车流转信息对应一个时间粒度。例如，汽车流转节点可以表示售卖汽车的车行、展厅等。汽车类型可以表示车辆类型。第一收入价值可以表示二手车辆的收入价值（总价，包含保险、配套产品的价值）。第一价值流入值可以表示二手车辆的净价值（单价、车辆裸车价）。第一缴纳价值可以表示二手车辆的交税价值（车辆购置税）。第一汽车流出数量可以表示某一类型二手车辆当天的流出数量（销量）。第一汽车基础价值可以表示二手车辆的成本价值（即，二手车辆的成本价）。第一维修数量可以表示当天某一类型二手车辆的维修数量。第一维修基础价值可以表示当天某一类型二手车辆的维修成本。第一维修收入价值可以表示当天某一类型二手车辆维修的总收入价值（总收入金额）。历史汽车需求信息可以表示一天的汽车需求信息。例如，历史汽车需求信息可以包括：汽车名称、汽车类型、历史汽车需求量。历史汽车需求量可以表示某一汽车的预订数量。第二收入价值可以表示某一新车的收入价值（总价，包含保险、配套产品的价值）。第二价值流入值可以表示某一新车的净价值（单价、车辆裸车价）。第二缴纳价值可以表示某一新车的交税价值（车辆购置税）。历史汽车流出量可以表示某一类型新车当天的流出数量（销量）。第二汽车基础价值可以表示某一新车的成本价值（即，新车的成本价）。第二维修数量可以表示当天某一类型新车的维修数量。第二维修基础价值可以表示当天某一类型新车的维修成本。第二维修收入价值可以表示当天某一类型新车维修的总收入价值（总收入金额）。

步骤102，将上述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息。

在一些实施例中，上述执行主体可以将上述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息。其中，第一汽车价值预测模型可以是预先训练的以第一汽车流转信息序列为输入，以第一汽车流转价值预测信息为输出的卷积神经网络模型。例如，第一汽车价值预测模型可以是CNN（ConvolutionalNeural Networks）卷积神经网络模型。第一汽车流转价值预测信息可以是预测的汽车流转节点在预设未来时间段内的获取的二手车价值信息（汽车流转节点在预设未来时间段内的利润）。

可选地，上述第一汽车价值预测模型是通过以下步骤训练得到的：

第一，获取第一汽车流转训练样本集。诸如，可以在本地数据库中获取第一汽车流转训练样本集。其中，第一汽车流转训练样本表示一个第一汽车流转信息序列样本。

第二，从上述第一汽车流转训练样本集中选择出第一目标汽车流转训练样本。诸如，可以随机从上述第一汽车流转训练样本集中选择出一个第一汽车流转训练样本作为第一目标汽车流转训练样本。

第三，将上述第一目标汽车流转训练样本输入至初始第一汽车价值预测模型中，得到第一汽车流转价值预测结果。例如，初始第一汽车价值预测模型可以是未经训练的卷积神经网络模型。

第四，根据预设的第一损失函数，确定上述第一目标汽车流转训练样本对应的样本标签与上述第一汽车流转价值预测结果之间的第一样本损失值。例如，第一损失函数可以是合页损失函数、余弦损失函数、均方误差损失函数。

第五，响应于确定上述第一样本损失值小于等于第一预设损失值，将上述初始第一汽车价值预测模型确定为训练完成的第一汽车价值预测模型。诸如，第一预设损失值可以是0.1。

步骤103，根据汽车类型，对上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集。

在一些实施例中，上述执行主体可以根据汽车类型，对上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集。其中，一个第二汽车流出信息序列对应一个汽车类型，一个第二汽车售后信息序列对应一个汽车类型。首先，可以按照同一汽车类型，将上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息分别进行聚类，得到第二汽车流出信息组集与第二汽车售后信息组集。其中，一个第二汽车流出信息组对应一个汽车类型。一个第二汽车售后信息组对应一个汽车类型。之后，可以按照时间的先后顺序，对每个第二汽车流出信息组包括的各个第二汽车流出信息进行排序，以生成第二汽车流出信息序列。最后，可以按照时间的先后顺序，对每个第二汽车售后信息组包括的各个第二汽车售后信息进行排序，以生成第二汽车售后信息序列。

步骤104，对于上述第二汽车流出信息序列集中的每个第二汽车流出信息序列，执行以下处理步骤：

步骤1041，根据上述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息。

在一些实施例中，上述执行主体可以根据上述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息。其中，预设未来时间段的时长与预设历史时间段的时长相同。

在实际的应用场景中，上述执行主体可以通过以下步骤生成预设未来时间段的汽车需求预测信息：

第一，对上述各个历史汽车需求信息进行排序，得到历史汽车需求信息序列。即，可以时间的先后顺序，对上述各个历史汽车需求信息进行排序，得到历史汽车需求信息序列。

第二，对于上述历史汽车需求信息序列中的每个历史汽车需求信息，执行如下处理步骤：

第一步骤，通过上述历史汽车需求信息对应的第一汽车需求波动参数，生成第一用户汽车需求信息。

其中，上述第一步骤，可以包括以下子步骤：

子步骤1，响应于确定上述历史汽车需求信息对应的时间处于目标需求时间段内，将上述第一汽车需求波动参数与预设数值的和确定为第一汽车需求波动数值。其中，第一汽车需求波动参数可以指待更新的、表征上述历史汽车需求信息对应的时间对汽车需求影响的程度参数。第一汽车需求波动参数越大，表示历史汽车需求信息对应的时间对汽车需求的影响越大。目标需求时间段可以预先设定的每个月的需求时间段（诸如，每个月1号-10号）。第一用户汽车需求信息可以是根据汽车对应的时间所预测的用户的汽车需求量。例如，预设数值可以是5。

子步骤2，将上述历史汽车需求信息包括的历史汽车需求量与上述第一汽车需求波动数值的比值确定为第一用户汽车需求信息。

子步骤3，响应于确定上述历史汽车需求信息对应的时间未处于目标需求时间段内，将上述历史汽车需求信息确定为第一用户汽车需求信息。

第二步骤，通过上述第一用户汽车需求信息与上述历史汽车需求信息的下一历史汽车需求信息对应的初始汽车趋势参数，生成上述下一历史汽车需求信息对应的第二用户汽车需求信息。下一历史汽车需求信息可以是指在历史汽车需求信息序列中排序在上述历史汽车需求信息的下一名的历史汽车需求信息。初始汽车趋势参数可以是历史汽车需求信息对应的历史汽车需求量与下一历史汽车需求信息对应的历史汽车需求量之间的变化趋势参数。例如，可以将初始汽车趋势参数与上述下一历史汽车需求信息包括的历史汽车需求量的乘积确定为第二用户汽车需求信息。

第三步骤，通过上述第二用户汽车需求信息与上述下一历史汽车需求信息的第二汽车需求波动参数，生成上述下一历史汽车需求信息对应的目标汽车需求预测信息。第二汽车需求波动参数可以指待更新的、表征上述下一历史汽车需求信息对应的时间对汽车需求影响的程度参数。

其中，上述第三子步骤，可以包括以下子步骤：

子步骤1，将上述第二汽车需求波动参数与上述预设数值的和确定为第二汽车需求波动数值。

子步骤2，将上述第二汽车需求波动数值与上述第二用户汽车需求信息包括的历史汽车需求量的乘积确定为目标汽车需求预测信息。

第四步骤，根据上述目标汽车需求预测信息和上述下一历史汽车需求信息，对上述初始汽车趋势参数、上述第一汽车需求波动参数和上述第二汽车需求波动参数进行梯度更新，得到汽车需求参数信息组。首先，可以通过预设的损失函数，确定目标汽车需求预测信息与下一历史汽车需求信息之间的需求数据差异，得到需求数据差异信息。其次，根据需求数据差异信息，利用初始汽车趋势参数对应的求解过程、上述第一汽车需求波动参数对应的求解过程和上述第二汽车需求波动参数对应的求解过程，对上述初始汽车趋势参数、上述第一汽车需求波动参数和上述第二汽车需求波动参数进行参数更新，得到汽车需求参数信息组。预设的损失函数可以是余弦损失函数，也可以是合页损失函数。

第三，根据所生成的汽车需求参数信息组序列与目标历史汽车需求信息，生成对应预设未来时间段的汽车需求预测信息。目标历史汽车需求信息可以是指当前的汽车需求信息（例如，当天的辆需求信息）。目标历史汽车需求信息可以包括汽车名称、汽车类型、历史汽车需求量。预设未来时间段的时长与预设历史时间段的时长相同。即，汽车需求预测信息可以包含预设未来时间段中每个时间粒度的子汽车需求预测信息。子汽车需求预测信息的生成方式可以参见目标汽车需求预测信息的生成方式，在此不在赘述。

步骤1042，根据上述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应上述预设未来时间段的初始汽车流出量预测信息。

在一些实施例中，上述执行主体可以根据上述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应上述预设未来时间段的初始汽车流出量预测信息。上述各个历史汽车流出信息中的历史汽车流出信息还包括：历史汽车咨询量（汽车当天的咨询量）。

在实际的应用场景中，上述执行主体可以通过以下步骤生成对应上述预设未来时间段的初始汽车流出量预测信息：

第一，对上述各个历史汽车流出信息进行排序，得到历史汽车流出信息序列。诸如，可以按照时间的先后顺序，对上述各个历史汽车流出信息进行排序，得到历史汽车流出信息序列。

第二，将上述历史汽车流出信息序列包括的各个历史汽车咨询量确定为历史汽车咨询量序列。

第三，将上述历史汽车流出信息序列包括的各个历史汽车流出量确定为历史汽车流出量序列。

第四，通过上述历史汽车咨询量序列，对第一初始汽车咨询量预测模型的各个初始模型参数进行调整训练，得到上述预设未来时间段内对应上述历史汽车咨询量序列的汽车类型的第一汽车咨询量预测模型。第一初始汽车咨询量预测模型可以是时间序列模型。例如，第一初始汽车咨询量预测模型可以是ARIMA模型或Prophet模型。

其中，第四步可以包括以下处理步骤：

第一步骤，通过上述历史汽车咨询量序列和上述第一初始汽车咨询量预测模型，生成对应第一模型参数区间的验证参数信息组，其中，每个验证参数信息包括：准确率和咨询量分布信息，上述第一模型参数区间对应上述第一初始汽车咨询量预测模型的各个初始模型参数。第一模型参数区间可以为初始化第一初始汽车咨询量预测模型的各个模型参数的取值范围。在进行参数优化时，第一模型参数区间可以为设定的调整的各个初始模型参数的取值范围。第一初始汽车咨询量预测模型的各个初始模型参数可以是预先设定好的。各个初始模型参数可以包括：灵活性调节参数、季节性模型的调节强度参数、假期组件模型的调节强度参数。咨询量分布信息可以表征预测的汽车咨询量的分布概率。例如，咨询量分布信息可以是高斯分布的方差。可以通过高斯过程回归函数，生成在第一模型参数区间内的各个验证参数信息作为验证参数信息组。一个参数验证信息对应一组初始模型参数。

第二步骤，利用上述验证参数信息组，确定对应上述各个初始模型参数的各个模型调整参数。可以通过验证参数信息组、验证参数信息组对应的各组初始模型参数以及采集函数，求解出最优的一组初始模型参数作为各个模型调整参数。采集函数可以为UCB(Upper confidence bound)函数或PI（Probability of Improvement）函数。可以通过求解器求解出最优的一组初始模型参数。

第三步骤，利用各个模型调整参数，对上述第一初始汽车咨询量预测模型进行更新处理，得到更新第一初始汽车咨询量预测模型。可以将第一初始汽车咨询量预测模型的各个初始模型参数替换为各个模型调整参数。

第四步骤，利用上述更新第一初始汽车咨询量预测模型和上述历史汽车咨询量序列，生成模型校验信息。可以利用上述历史汽车咨询量序列对应的对比历史汽车咨询量组，对更新第一初始汽车咨询量预测模型进行模型验证，得到模型验证信息。模型验证信息可以表示更新第一初始汽车咨询量预测模型的准确率。对比历史汽车咨询量组可以是从历史汽车咨询量序列中选取出的数目个历史汽车咨询量。

第五步骤，响应于确定上述模型校验信息满足预设条件，将上述更新第一初始汽车咨询量预测模型确定为第一汽车咨询量预测模型。预设条件可以是指模型校验信息对应的准确率大于等于预设准确率。

第五，通过上述历史汽车咨询量序列，对第二初始汽车咨询量预测模型的各个初始模型参数进行调整训练，得到上述预设未来时间段内对应上述汽车类型的第二汽车咨询量预测模型。例如，第二初始汽车咨询量预测模型可以是ARIMA模型或Prophet模型。首先，过对应上述第二初始汽车咨询量预测模型的各个初始模型参数的第二模型参数区间，构建对应上述第二初始汽车咨询量预测模型的第二模型参数组集。第二初始汽车咨询量预测模型的各个初始模型参数可以包括：季节性自回归参数、季节性差分参数、季节性移动平均参数、非季节性自回归参数、非季节性差分参数。例如，可以在上述第二模型参数区间，可以为第二初始汽车咨询量预测模型设定不同的第二模型参数组，得到第二模型参数组集。之后，根据上述第二模型参数组集，构建对应上述第二初始汽车咨询量预测模型的备选汽车咨询量预测模型集。可以将一个第二模型参数组设定在第二初始汽车咨询量预测模型中，得到备选汽车咨询量预测模型。从而，得到备选汽车咨询量预测模型集。即，一个备选汽车咨询量预测模型对应一个第二模型参数组。然后，对于上述备选汽车咨询量预测模型集中的每个备选汽车咨询量预测模型，根据上述历史汽车咨询量序列，生成对应上述备选汽车咨询量预测模型的指标信息。可以利用上述历史汽车咨询量序列对应的对比历史汽车咨询量组对每个备选汽车咨询量预测模型进行指标验证，得到指标信息。指标信息可以是指贝叶斯信息量准则指标值。最后，从上述备选汽车咨询量预测模型集中选择出对应的指标信息满足预设指标条件的备选汽车咨询量预测模型作为第二汽车咨询量预测模型。预设指标条件可以是“贝叶斯信息量准则指标值最小”。

第六，将上述历史汽车咨询量序列输入至上述第一汽车咨询量预测模型中，得到上述预设未来时间段对应的第一汽车咨询预测量序列。即，一个历史汽车咨询量对应一个第一汽车咨询预测量。

第七，将上述历史汽车咨询量序列输入至上述第二汽车咨询量预测模型中，得到上述预设未来时间段对应的第二汽车咨询预测量序列。一个历史汽车咨询量对应一个第二汽车咨询预测量。

第八，根据上述第一汽车咨询预测量序列和上述第二汽车咨询预测量序列，生成上述预设未来时间段对应的汽车咨询预测量序列。例如，可以将每个第一汽车咨询预测量与对应的第二汽车咨询预测量的平均值确定为汽车咨询预测量，得到汽车咨询预测量序列。

第九，根据上述汽车咨询预测量序列与上述历史汽车流出量序列，生成对应上述预设未来时间段的初始汽车流出量预测信息。初始汽车流出量预测信息可以是预测的上述预设未来时间段内的汽车流出量（销量）。

其中，第九步可以包括以下处理步骤：

第一处理步骤，将上述历史汽车流出量序列与上述汽车咨询预测量序列合并为模型输入数据。其中，一个历史汽车流出量对应一个汽车咨询预测量。

第二处理步骤，对预先训练好的汽车流出量信息预测模型进行模型解析，以确定上述汽车流出量信息预测模型中各个算子对应的参数信息和各个算子之间的连接关系，分别作为算子参数信息集和算子连接关系信息。其中，上述算子参数信息集中的算子参数信息可以是算子对应函数的参数信息。对应函数是动态链接库中的函数（例如，余弦损失函数、合页损失函数）。上述算子连接关系信息可以是上述模型文件对应模型中各个算子之间的前后关联关系信息。例如，汽车流出量信息预测模型对应的算子信息集包括；算子信息1，算子信息2，算子信息3，算子信息4，算子信息5，算子信息6，算子信息7。其中，算子信息1可以是算子信息2的前层算子信息，算子信息2可以是算子信息1的后层算子信息。算子信息V1可以是起始算子位置的信息。算子信息7可以是结尾算子位置的信息。算子信息1对应的至少一个后层算子信息为算子信息2和算子信息3。算子信息4、算子信息5和算子信息6对应的至少一个后层算子信息为算子信息7。算子信息7对应的至少一个前层算子信息为算子信息4、算子信息5和算子信息6。例如，上述算子信息为算子信息3，至少一个前层算子信息为算子信息1。至少一个后层算子为算子信息6和算子信息5。

第三处理步骤，将上述模型输入数据作为输入，根据上述算子连接关系信息、上述算子参数信息集和对应上述汽车流出量信息预测模型的动态链接库，执行基于算子推理数据预测操作，以生成初始汽车流出量预测信息。其中，上述初始汽车流出量预测信息可以是针对上述模型输入数据对应的预测结果。例如，初始汽车流出量预测信息可以是预测的汽车在预设未来时间段内的总流出量（销量）。

其中，第三处理步骤可以包括以下子步骤：

子步骤1，基于每条目标算子信息链对应的算子顺序，依次将至少一条目标算子信息链对应的各个算子信息添加至算子处理队列，得到添加算子处理队列。其中，每条目标算子信息链中的第一位置的算子信息对应的前层算子信息集为空。上述第一位置可以是目标算子信息链中第一个算子信息的位置。上述目标算子信息链对应的算子顺序可以是上述目标算子信息链中包括的至少一个算子信息之间的顺序。算子处理队列可以是包括各个待执行的算子对应的算子信息。根据算子处理队列中各个算子信息的顺序，依次执行对应各个算子对应的算子逻辑。目标算子信息链可以是第一位置的算子信息对应的前层算子信息集为空的算子信息链。上述目标算子信息链可以是出度和入度为目标数值的链。前层算子信息集可以是算子信息表的形式。即每个算子信息在初始时都存在对应的前向算子信息表和后向算子信息表。前向算子信息表中的各个前向算子信息可以是执行顺序位于算子信息之前的、且后向算子为算子信息的算子信息。随着前向算子信息集中的前向算子信息变少，表征算子信息之前的前向算子执行依次执行完成。同样地，后向算子信息集中的各个后向算子信息为与算子信息相连接的、后续待执行的算子的信息。

子步骤2，对于至少一条目标算子信息链中的每条目标算子信息链，根据上述算子参数信息集和上述动态链接库，依次执行添加算子处理队列中的、与目标算子信息链相关联的各个算子信息，得到算子执行结果。

首先，上述执行主体可以对于添加算子处理队列中的与上述目标算子信息链相关联的算子信息，执行如下结果确定步骤：

第一确定步骤，利用上述算子参数信息集和上述动态链接库，确定算子信息对应的调用函数。首先，可以确定上述动态链接库包括的函数信息对应的函数集中与算子信息对应的函数，作为待调用函数。然后，可以利用上述算子参数信息集中与算子信息对应的算子参数信息，确定上述待调用函数的参数，以更改上述待调用函数的参数，得到算子信息对应的调用函数。函数集中的函数可以是各个损失函数。例如，合页损失函数、均方误差损失函数。

第二确定步骤，响应于确定算子信息存在对应的至少一个历史前层算子信息，将算子信息对应至少一个前层预测结果输入至上述调用函数，得到当前预测结果。其中，至少一个前层预测结果是算子信息对应至少一个前层算子信息对应的至少一个当前预测结果。至少一个历史前层算子信息可以是与算子信息的输入相关的、历史已执行完的至少一个前层算子的算子信息。

第三确定步骤，响应于确定算子信息不存在对应的至少一个历史前层算子信息，将上述模型输入数据输入至上述调用函数，得到当前预测结果。

第四确定步骤，从对应的目标算子处理队列中去除算子信息，得到去除算子处理队列。其中，上述目标算子处理队列不包括上述目标算子信息链中的、在算子信息之前的至少一个算子信息。目标算子处理队列不包括链中位置位于算子信息之前的算子信息。

第五确定步骤，响应于确定算子信息为相关联的目标算子信息链中的、第二位置的算子信息，将当前预测结果确定为算子执行结果。上述第二位置可以是链中最后一个算子信息对应的位置。

然后，响应于确定去除算子处理队列不为空，将上述目标算子信息链中的上述算子信息对应的下一算子信息确定为算子信息，再次执行上述结果确定步骤。

子步骤3，根据所得到的至少一个算子执行结果，生成初始汽车流出量预测信息。可以响应于确定至少一个目标算子信息中每个目标算子信息对应的后层算子信息集为空，将至少一个目标算子信息对应的至少一个算子执行结果合并为初始汽车流出量预测信息。其中，上述至少一个目标算子信息中的目标算子信息是至少一条目标算子信息链中目标算子信息链中的、第二位置的算子信息。

进一步地，动态链接库可以是通过以下步骤生成的：

第一步，对上述汽车流出量信息预测模型进行解析，以确定上述汽车流出量信息预测模型中各个算子的算子类型，得到算子类型集。上述算子类型可以是表征算子的类别。实践中，算子类型集可以是汽车流出量信息预测模型使用的所有算子的算子类别集。针对模型使用多个相同的算子，这里算子类型集包括的各个算子类型间可以存在重复的算子类型。例如，算子类型可以是卷积算子类型，还可以是傅里叶变换算子类型。上述算子类型集中的算子类型可以是算子的类型。上述算子类型集中的算子类型可以是算子的算子类别类型。例如，上述算子类型集中的算子类型可以是卷积算子类型。

第二步，根据算子类型集，生成动态链接库。其中，上述动态链接库可以是支持对函数进行调用的库。例如，上述动态链接库支持调用的函数可以包括：针对汽车流出量预测的函数。首先，可以确定上述算子类型集中各个算子类型对应的调用函数，得到调用函数集（可以包含各个损失函数）。然后，可以将上述调用函数集中各个调用函数对应的定义函数信息和源文件进行打包，以生成动态链接库。其中，上述定义函数信息可以是对调用函数定义的信息。上述源文件可以是使用调用函数的源文件。例如，上述定义函数信息可以是对调用函数定义数量的信息。

步骤1043，根据上述汽车需求预测信息与上述初始汽车流出量预测信息，生成对应上述预设未来时间段的第二汽车流出价值预测信息。

在一些实施例中，上述执行主体可以根据上述汽车需求预测信息与上述初始汽车流出量预测信息，生成对应上述预设未来时间段的第二汽车流出价值预测信息。

步骤105，将上述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息。

在一些实施例中，上述执行主体可以将上述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息。其中，第二汽车售后价值预测模型可以是预先训练的以第二汽车售后信息序列集为输入，以第二汽车售后价值预测信息为输出的卷积神经网络模型。例如，第二汽车售后价值预测模型可以是CNN（Convolutional Neural Networks）卷积神经网络模型。第二汽车售后价值预测信息可以是预测的汽车流转节点在预设未来时间段内的获取的新车售后价值信息（汽车流转节点在预设未来时间段内的新车售后维修的利润）。

可选地，上述第二汽车售后价值预测模型是通过以下步骤训练得到的：

第一，获取第二汽车售后价值信息训练样本集。诸如，可以在本地数据库中获取第二汽车售后价值信息训练样本集。其中，第二汽车售后价值信息训练样本表示一个第二汽车售后信息序列集样本。

第二，从上述第二汽车售后价值信息训练样本集中选择出第二目标汽车售后价值信息训练样本。诸如，可以随机从上述第二汽车售后价值信息训练样本集中选择出一个第二汽车售后价值信息训练样本作为第二目标汽车售后价值信息训练样本。

第三，将上述第二目标汽车售后价值信息训练样本输入至初始第二汽车价值预测模型中，得到第二汽车售后价值预测结果。诸如，初始第二汽车价值预测模型可以是未经训练的卷积神经网络模型。

第四，根据预设的第二损失函数，确定上述第二目标汽车售后价值信息训练样本对应的样本标签与上述第二汽车售后价值预测结果之间的第二样本损失值。第二损失函数可以是合页损失函数、余弦损失函数、均方误差损失函数。

第五，响应于确定上述第二样本损失值小于等于第二预设损失值，将上述初始第二汽车价值预测模型确定为训练完成的第二汽车售后价值预测模型。例如，第二预设损失值可以是0.1。

步骤106，根据上述第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将上述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。

在一些实施例中，上述执行主体可以根据上述第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将上述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。实践中，可以将第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息所表征的价值数值的总和确定为目标汽车流转价值预测信息。汽车信息浏览终端可以是生产汽车的管理终端。例如，汽车信息浏览终端可以是汽车流转节点的控制终端。

可选地，将上述初始汽车流出量预测信息发送至相关联的汽车制造终端，以便于上述汽车制造终端进行汽车制造。

在一些实施例中，上述执行主体可以将上述初始汽车流出量预测信息发送至相关联的汽车制造终端，以便于上述汽车制造终端进行汽车制造。汽车制造终端可以是指汽车制造商的汽车管理终端。

可选地，将上述目标汽车流转价值预测信息发送至相关联的汽车管理终端，以便于上述汽车管理终端制定汽车流转策略。

在一些实施例中，上述执行主体可以将上述目标汽车流转价值预测信息发送至相关联的汽车管理终端，以便于上述汽车管理终端制定汽车流转策略。汽车管理终端可以是指车行/汽车零售商的管理终端。汽车流转策略可以表示汽车销售策略。诸如，汽车流转策略可以表示某一汽车的优惠策略。

对于背景技术提及的“考虑的因素较为单一，当汽车需求预测的准确率较低，影响汽车制造终端的汽车生产进度的调控，以及造成汽车管理终端的成本调控不准确。”。可以通过以下步骤解决：首先，将上述历史汽车流出信息序列包括的各个历史汽车咨询量确定为历史汽车咨询量序列。其次，将上述历史汽车流出信息序列包括的各个历史汽车流出量确定为历史汽车流出量序列。接着，通过上述历史汽车咨询量序列，对第一初始汽车咨询量预测模型的各个初始模型参数进行调整训练，得到上述预设未来时间段内对应上述汽车类型的第一汽车咨询量预测模型。由此，为初步确定未来时间段的咨询量，提供了模型支持。再接着，通过上述历史汽车咨询量序列，对第二初始汽车咨询量预测模型的各个初始模型参数进行调整训练，得到上述预设未来时间段内对应上述汽车类型的第二汽车咨询量预测模型。由此，为进一步确定未来时间段的咨询量，提供了模型支持。之后，将上述历史汽车咨询量序列输入至上述第一汽车咨询量预测模型中，得到上述预设未来时间段对应的第一汽车咨询预测量序列。再之后，将上述历史汽车咨询量序列输入至上述第二汽车咨询量预测模型中，得到上述预设未来时间段对应的第二汽车咨询预测量序列。然后，根据上述第一汽车咨询预测量序列和上述第二汽车咨询预测量序列，生成上述预设未来时间段对应的汽车咨询预测量序列。由此，便于根据预测的汽车咨询预测量，去预测未来时间的汽车流出量。最后，根据上述汽车咨询预测量序列与上述历史汽车流出量序列，生成对应上述预设未来时间段的初始汽车流出量预测信息。由此，可以通过多个汽车参数（咨询量与历史流出量），去预测的汽车需求。从而，可以更加精准地对汽车生产进度进行调控，以及更加精准地对汽车管理终端的成本进行调控。

图2为本公开实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。

如图2所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于汽车数据模型的信息处理方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于汽车数据模型的信息处理方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图2中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，上述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列，其中，上述第一汽车流转信息序列中的第一汽车流转信息包括：第一汽车流出信息集与第一汽车售后信息集，上述第一汽车流出信息集中的第一汽车流出信息包括：汽车类型、第一收入价值、第一价值流入值、第一缴纳价值、第一汽车流出数量与第一汽车基础价值，上述第一汽车售后信息集中的第一汽车售后信息包括：汽车类型、第一维修数量、第一维修基础价值与第一维修收入价值，上述第二汽车流转信息序列中的第二汽车流转信息包括：第二汽车流出信息集与第二汽车售后信息集，上述第二汽车流出信息集中的第二汽车流出信息包括：历史汽车需求信息与历史汽车流出信息，上述历史汽车流出信息包括：汽车类型、第二收入价值、第二价值流入值、第二缴纳价值、历史汽车流出量与第二汽车基础价值，上述第二汽车售后信息集中的第二汽车售后信息包括：汽车类型、第二维修数量、第二维修基础价值与第二维修收入价值；将上述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息；根据汽车类型，对上述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集，其中，一个第二汽车流出信息序列对应一个汽车类型，一个第二汽车售后信息序列对应一个汽车类型；对于上述第二汽车流出信息序列集中的每个第二汽车流出信息序列，执行以下处理步骤：根据上述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息；根据上述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应上述预设未来时间段的初始汽车流出量预测信息；根据上述汽车需求预测信息与上述初始汽车流出量预测信息，生成对应上述预设未来时间段的第二汽车流出价值预测信息；将上述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息；根据上述第一汽车流转价值预测信息、上述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将上述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。

本公开实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，上述计算机程序中包括程序指令，上述程序指令被执行时所实现的方法可参照本公开基于汽车数据模型的信息处理方法的各个实施例。

其中，上述计算机可读存储介质可以是前述实施例上述的计算机设备的内部存储单元，例如上述计算机设备的硬盘或内存。上述计算机可读存储介质也可以是上述计算机设备的外部存储设备，例如上述计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，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公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于汽车数据模型的信息处理方法，其特征在于，所述方法包括：

从设定的汽车数据库中获取预设历史时间段内的第一汽车流转信息序列与第二汽车流转信息序列，其中，所述第一汽车流转信息序列中的第一汽车流转信息包括：第一汽车流出信息集与第一汽车售后信息集，所述第一汽车流出信息集中的第一汽车流出信息包括：汽车类型、第一收入价值、第一价值流入值、第一缴纳价值、第一汽车流出数量与第一汽车基础价值，所述第一汽车售后信息集中的第一汽车售后信息包括：汽车类型、第一维修数量、第一维修基础价值与第一维修收入价值，所述第二汽车流转信息序列中的第二汽车流转信息包括：第二汽车流出信息集与第二汽车售后信息集，所述第二汽车流出信息集中的第二汽车流出信息包括：历史汽车需求信息与历史汽车流出信息，所述历史汽车流出信息包括：汽车类型、第二收入价值、第二价值流入值、第二缴纳价值、历史汽车流出量与第二汽车基础价值，所述第二汽车售后信息集中的第二汽车售后信息包括：汽车类型、第二维修数量、第二维修基础价值与第二维修收入价值；

将所述第一汽车流转信息序列输入至预先训练的第一汽车价值预测模型中，得到第一汽车流转价值预测信息；

根据汽车类型，对所述第二汽车流转信息序列包括的各个第二汽车流出信息与第二汽车售后信息进行聚类排序，得到第二汽车流出信息序列集与第二汽车售后信息序列集，其中，一个第二汽车流出信息序列对应一个汽车类型，一个第二汽车售后信息序列对应一个汽车类型；

对于所述第二汽车流出信息序列集中的每个第二汽车流出信息序列，执行以下处理步骤：

根据所述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息；

根据所述第二汽车流出信息序列包括的各个历史汽车流出信息，生成对应所述预设未来时间段的初始汽车流出量预测信息；

根据所述汽车需求预测信息与所述初始汽车流出量预测信息，生成对应所述预设未来时间段的第二汽车流出价值预测信息；

将所述第二汽车售后信息序列集输入至预先训练的第二汽车售后价值预测模型中，得到第二汽车售后价值预测信息；

根据所述第一汽车流转价值预测信息、所述第二汽车售后价值预测信息与各个第二汽车流出价值预测信息，生成目标汽车流转价值预测信息，以及将所述目标汽车流转价值预测信息发送至相关联的汽车信息浏览终端。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述初始汽车流出量预测信息发送至相关联的汽车制造终端，以便于所述汽车制造终端进行汽车制造；

将所述目标汽车流转价值预测信息发送至相关联的汽车管理终端，以便于所述汽车管理终端制定汽车流转策略。

3.根据权利要求1所述的方法，其特征在于，所述第一汽车价值预测模型是通过以下步骤训练得到的：

获取第一汽车流转训练样本集；

从所述第一汽车流转训练样本集中选择出第一目标汽车流转训练样本；

将所述第一目标汽车流转训练样本输入至初始第一汽车价值预测模型中，得到第一汽车流转价值预测结果；

根据预设的第一损失函数，确定所述第一目标汽车流转训练样本对应的样本标签与所述第一汽车流转价值预测结果之间的第一样本损失值；

响应于确定所述第一样本损失值小于等于第一预设损失值，将所述初始第一汽车价值预测模型确定为训练完成的第一汽车价值预测模型。

4.根据权利要求1所述的方法，其特征在于，所述第二汽车售后价值预测模型是通过以下步骤训练得到的：

获取第二汽车售后价值信息训练样本集；

从所述第二汽车售后价值信息训练样本集中选择出第二目标汽车售后价值信息训练样本；

将所述第二目标汽车售后价值信息训练样本输入至初始第二汽车价值预测模型中，得到第二汽车售后价值预测结果；

根据预设的第二损失函数，确定所述第二目标汽车售后价值信息训练样本对应的样本标签与所述第二汽车售后价值预测结果之间的第二样本损失值；

响应于确定所述第二样本损失值小于等于第二预设损失值，将所述初始第二汽车价值预测模型确定为训练完成的第二汽车售后价值预测模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第二汽车流出信息序列包括的各个历史汽车需求信息，生成预设未来时间段的汽车需求预测信息，包括：

对所述各个历史汽车需求信息进行排序，得到历史汽车需求信息序列；

对于所述历史汽车需求信息序列中的每个历史汽车需求信息，执行如下处理步骤：

通过所述历史汽车需求信息对应的第一汽车需求波动参数，生成第一用户汽车需求信息；

通过所述第一用户汽车需求信息与所述历史汽车需求信息的下一历史汽车需求信息对应的初始汽车趋势参数，生成所述下一历史汽车需求信息对应的第二用户汽车需求信息；

通过所述第二用户汽车需求信息与所述下一历史汽车需求信息的第二汽车需求波动参数，生成所述下一历史汽车需求信息对应的目标汽车需求预测信息；

根据所述目标汽车需求预测信息和所述下一历史汽车需求信息，对所述初始汽车趋势参数、所述第一汽车需求波动参数和所述第二汽车需求波动参数进行梯度更新，得到汽车需求参数信息组；

根据所生成的汽车需求参数信息组序列与目标历史汽车需求信息，生成对应预设未来时间段的汽车需求预测信息。

6.一种计算机设备，其中，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1-5中任一所述的方法的步骤。

7.一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1-5中任一所述的方法的步骤。