CN117235677B - 一种汽车配件价格异常识别检测方法 - Google Patents
一种汽车配件价格异常识别检测方法 Download PDFInfo
- Publication number
- CN117235677B CN117235677B CN202311489310.XA CN202311489310A CN117235677B CN 117235677 B CN117235677 B CN 117235677B CN 202311489310 A CN202311489310 A CN 202311489310A CN 117235677 B CN117235677 B CN 117235677B
- Authority
- CN
- China
- Prior art keywords
- price
- supplier
- data
- model
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 17
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000004278 EU approved seasoning Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 235000011194 food seasoning agent Nutrition 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明的实施例公开了一种汽车配件价格异常识别检测方法，包括：从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常。本发明通过整合历史价格数据和机器学习模型，结合统计方法，实现对了当前汽车配件价格异常的识别。
Description
技术领域
本发明涉及汽车配件价格检测技术领域，特别涉及一种汽车配件价格异常识别检测方法。
背景技术
对于商品价格的预估，往往是通过历史价格的沉淀数据，通过数据挖掘算法。汽车配件具有丰富的品种，同一品牌、同一车系、统一年款的车型可能存在大量不同的配置和配件组合，这种多样性使得难以建立通用的数据挖掘模型，因为需要大量长期的历史价格数据来覆盖这些不同的情况。汽车配件市场的价格数据可能不如其他商品市场那么容易积累，因为该市场的商品类型多样，不同汽车配件的数据可能相对有限。不同的因素会影响汽车配件价格，这些多因素影响使得价格的异常不仅受到价格历史数据的影响，还受到市场和供应链因素的影响，难以简单地通过传统的时间序列分析方法来解决。汽车配件的定制性使得缺乏标准化的定价体系，不同供应商和平台可能采用不同的价格策略和单位，这增加了价格异常的识别难度。
综上，现有对汽车配件价格检测技术领域，由于汽车配件领域数据多样性和积累的挑战，不同配件种类多，历史价格数据有限，汽车配件价格受多因素影响，包括市场需求和供应链因素，因此无法有效综合考虑这些复杂影响，缺乏价格标准化和单位统一也增加了异常价格的检测难度。缺少对汽车配件价格的检测方法，以解决上述问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种汽车配件价格异常识别检测方法，通过整合历史价格数据和机器学习模型，结合统计方法，实现对了当前汽车配件价格异常的识别。
第一方面，本发明实施例提供了一种汽车配件价格异常识别检测方法，其中，包括：
从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；
在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；
使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；
结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述从各平台收集每个汽车配件的成本价、供应商进货价、供应商售价，得到汽车配件的历史价格数据集，包括：
从数据源收集每个汽车配件的价格数据，所述数据源包括供应商、市场平台、内部记录中的至少一种；
从所述价格数据中提取特征，得到成本价、供应商进货价和供应商售价；
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价；
对所述成本价、所述供应商进货价和所述供应商售价进行预处理，统一数据格式。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常，包括：
分别对所述成本价的历史数据集、所述供应商进货价的历史数据集和所述供应商售价的历史数据集计算均值μ和标准差σ；
对于每个价格数据xi，计算其与对应的均值μ的偏差d i ，d i =|xi-μ|;
若d i ＞3σ，则将该价格数据xi标记为异常，否则标记为正常。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述使用所述历史价格数据集的统计特征训练机器学习模型，得到正常价格分布的识别检测模型，包括：
将所述历史价格数据集中的数据随机划分为训练集和测试集，其中所述训练集中的数据量多于所述测试集中的数据量；
构建深度神经网络的正常价格分布的识别检测模型；
使用所述训练集，对所述识别检测模型进行训练，直到模型收敛。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述识别检测模型的输入层的节点包括汽车配件的成本价、供应商进货价和供应商售价；
所述识别检测模型的输出层包括一个节点，表示所述汽车配件的价格为正常或异常的二元。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，对所述识别检测模型进行训练包括：
定义模型的输入向量X=[x1,x2,x3]，其中x1为汽车配件的成本价,x2为汽车配件的供应商进货价,x3为汽车配件的供应商售价；
定义模型的输出向量Y=[y1,y2]，其中，y1为汽车配件的价格正常,y2为汽车配件的价格异常；
输入向量X，通过神经网络进行前向传播，计算得到模型预测函数Y_pred=NeuralNetwork(X)；
重复进行前向传播运算，直到模型收敛，得到收敛后的识别检测模型。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常，包括：
将当前的汽车配件价格数据组成输入向量X；
将输入向量 X输入到已经训练好的所述识别检测模型中，执行前向传播；
根据所述识别检测模型的输出结果，判断当前汽车配件价格是否异常。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，还包括：
使用所述测试集，对所述识别检测模型进行损失函数评估；
根据评估结果，对所述识别检测模型进行超参数调整或模型结构修改。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，识别出不同的异常模式，所述异常模式包括季节性波动、价格波动。
结合第一方面，本发明实施例提供了第一方面的第九种可能的实施方式，其中，还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，使用拟合的时间序列模型，对未来时间点进行价格预测，生成未来汽车配件价格的走势预测。
第二方面，本发明实施例还提供了一种汽车配件价格异常识别检测系统，其中，包括：
采集模块，用于从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；
统计特征计算模块，用于在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；
建模模块，用于使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；
判断模块，用于结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常。
本发明实施例的有益效果是：
发明的汽车配件价格异常识别检测方法，通过结合统计方法和机器学习，有效识别汽车配件价格的异常情况，无需大量的历史数据，同时可以适应不同配件类型和市场因素的影响，提高了对汽车配件价格波动的敏感度和准确性，这有助于汽车配件市场的价格监测和异常检测，提高市场透明度和供应链管理效率。
本发明的汽车配件价格异常识别检测方法，允许从不同数据源收集汽车配件的价格数据，包括供应商、市场平台、内部记录等，通过统一格式化和标记异常值的方式，实现了数据的整合和标准化，使得原本多样化的数据得以利用。采用了综合统计方法和机器学习模型的方式，结合历史价格数据进行分析，通过训练机器学习模型，捕捉复杂的价格变化模式，从而提高了异常检测的准确性。
本发明的汽车配件价格异常识别检测方法，针对时间序列数据进行季节性波动和价格波动的识别，有助于更准确地捕捉价格变动中的异常模式，不仅有益于异常检测，还可以为市场分析提供更深入的见解。
本发明的汽车配件价格异常识别检测方法，将拟合的时间序列模型应用于未来价格的预测，为汽车配件价格走势提供预测，有助于供应商和市场参与者更好地规划和决策，从而更好地适应市场波动。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明汽车配件价格异常识别检测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。
请参照图1，本发明的第一个实施例提供一种汽车配件价格异常识别检测方法，其中，包括：
从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；
在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；
使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；
结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常。
其中，所述从各平台收集每个汽车配件的成本价、供应商进货价、供应商售价，得到汽车配件的历史价格数据集，包括：
从数据源收集每个汽车配件的价格数据，所述数据源包括供应商、市场平台、内部记录中的至少一种；
从所述价格数据中提取特征，得到成本价、供应商进货价和供应商售价；
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价；
对所述成本价、所述供应商进货价和所述供应商售价进行预处理，统一数据格式。
其中，在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常，包括：
分别对所述成本价的历史数据集、所述供应商进货价的历史数据集和所述供应商售价的历史数据集计算均值μ和标准差σ；
对于每个价格数据xi，计算其与对应的均值μ的偏差d i ，d i =|xi-μ|;
若d i ＞3σ，则将该价格数据xi标记为异常，否则标记为正常。
其中，所述使用所述历史价格数据集的统计特征训练机器学习模型，得到正常价格分布的识别检测模型，包括：
将所述历史价格数据集中的数据随机划分为训练集和测试集，其中所述训练集中的数据量多于所述测试集中的数据量；
构建深度神经网络的正常价格分布的识别检测模型；
使用所述训练集，对所述识别检测模型进行训练，直到模型收敛。
其中，所述识别检测模型的输入层的节点包括汽车配件的成本价、供应商进货价和供应商售价；
所述识别检测模型的输出层包括一个节点，表示所述汽车配件的价格为正常或异常的二元。
其中，对所述识别检测模型进行训练包括：
定义模型的输入向量X=[x1,x2,x3]，其中x1为汽车配件的成本价,x2为汽车配件的供应商进货价,x3为汽车配件的供应商售价；
定义模型的输出向量Y=[y1,y2]，其中，y1为汽车配件的价格正常,y2为汽车配件的价格异常；
输入向量X，通过神经网络进行前向传播，计算得到模型预测函数Y_pred=NeuralNetwork(X)；
重复进行前向传播运算，直到模型收敛，得到收敛后的识别检测模型。
具体的，所述前向传播运算的过程包括：
Z1=X*W1+b1。
A1=activation_function(Z1)。
Z2=A1*W2+b2。
A2=activation_function(Z2)。
Z3=A2*W3+b3。
A3=activation_function(Z3)。
Z4=A3*W4+b4。
A4=activation_function(Z4)。
Y_pred=A4。
其中，Z1、Z2、Z3和Z4表示识别检测模型中每个隐藏层的加权和，也可以称为输入信号的加权输入。W1、W2、W3、W4表示相应层之间的权重矩阵，b1、b2、b3、b4表示相应层的偏置向量，activation_function表示激活函数（例如Sigmoid函数、ReLU函数等），A1、A2、A3、A4表示相应层的激活值。最终的预测结果Y_pred为A4，表示识别检测模型对输入向量X的预测输出。
其中，所述结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常，包括：
将当前的汽车配件价格数据组成输入向量X；
将输入向量 X输入到已经训练好的所述识别检测模型中，执行前向传播；
根据所述识别检测模型的输出结果，判断当前汽车配件价格是否异常。
其中，还包括：
使用所述测试集，对所述识别检测模型进行损失函数评估；
根据评估结果，对所述识别检测模型进行超参数调整或模型结构修改。
超参数是指模型训练过程中需要手动设置的参数，如学习率、批量大小、隐藏层的神经元数量等。根据损失函数评估的结果，可以尝试调整超参数的取值，以改善模型的性能。
模型结构修改指根据损失函数评估的结果，考虑调整模型的结构，如增加或减少隐藏层的数量、调整神经元的数量等。可以尝试更复杂的模型结构来增加模型的拟合能力，或者通过减少模型的复杂度来避免过拟合。
其中，还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，识别出不同的异常模式，所述异常模式包括季节性波动、价格波动。
具体方法包括：
拟合自回归模型AR，以成本价为例，对于时间点t处的成本价数据，建立自回归模型，Xt=c+Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+εt，其中，Xt是时间点t处的成本价数据，c是常数，Φ1,Φ2,…,Φp是模型的自回归系数，ε t 是误差。使用最小二乘法对上述自回归模型进行拟合。其中自回归系数Φ1,Φ2,…,Φp通过拟合时间序列数据得到。
使用季节分解方法将汽车配件价格的时间序列数据分解为趋势、季节性和残差三个部分。趋势部分表示数据的长期趋势，通过滤波技术或移动平均法进行估计；季节性部分表示数据中由季节性因素引起的周期性变化，通过滤波技术或季节分解算法进行估计；残差部分是剩余的部分，不包括趋势和季节性，代表了数据中未被趋势和季节性解释的部分，通常包含价格波动以及其他随机因素。
使用残差分析方法来检测异常值。从季节分解后的时间序列数据中提取残差部分，将残差数据绘制成残差图，以可视化残差的分布和模式，检查残差的均值是否接近于零，识别和标记残差中的异常值。
其中，还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，使用拟合的时间序列模型，对未来时间点进行价格预测，生成未来汽车配件价格的走势预测。
本发明的第二个实施例提供一种汽车配件价格异常识别检测系统，包括：
采集模块，用于从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；
统计特征计算模块，用于在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；
建模模块，用于使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；
判断模块，用于结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常。
本发明实施例旨在保护一种汽车配件价格异常识别检测方法，具备如下效果：
1.本发明的汽车配件价格异常识别检测方法从供应商、市场平台和内部记录等多个数据源收集汽车配件的价格数据，使得数据来源更加全面。这种综合性的数据收集有助于提高异常检测的准确性和可靠性。
2.本发明通过对历史价格数据集进行统计特征计算，包括成本价、供应商进货价和供应商售价的均值和标准差等，能够捕捉到价格的分布特征。这种统计特征的计算可以揭示价格的波动情况，并为后续的异常检测提供基础。
3.本发明使用历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型，可以学习历史数据中的价格模式，进而能够判断当前价格是否异常。通过机器学习模型的应用，可以提高异常检测的自动化和准确性。
4.本发明将统计方法和机器学习模型相结合，综合考虑多个角度的价格信息。统计方法可以通过计算均值和标准差等指标，对价格进行基本的异常判断。而机器学习模型则可以学习更复杂的价格模式，对异常进行更精细的识别。通过结合两种方法，可以提高异常检测的准确性和鲁棒性。
5.本发明在统计成本价、供应商进货价和供应商售价时，通过分析汽车配件价格的时间序列数据，并识别出不同的异常模式，如季节性波动和价格波动。这种异常模式的识别有助于更好地理解和解释价格的变动情况。
6.本发明利用拟合的时间序列模型对未来时间点进行价格预测，生成未来汽车配件价格的走势预测。这样的预测可以帮助企业做出更准确的供应链和采购决策，降低价格异常对业务的影响。
本发明实施例所提供的汽车配件价格异常识别检测方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述汽车配件价格异常识别检测方法，从而能够通过综合多数据源、统计特征计算、机器学习模型训练以及异常模式识别等技术手段，提供了一种全面、准确和自动化的汽车配件价格异常检测方案，帮助及时发现价格异常情况，采取相应的措施，减少损失并优化供应链管理。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述权利要求的保护范围为准。
Claims (1)
1.一种汽车配件价格异常识别检测方法，其特征在于，包括：
从各平台收集每个汽车配件的成本价、供应商进货价和供应商售价，得到汽车配件的历史价格数据集；
在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常；
使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；
结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常；
所述从各平台收集每个汽车配件的成本价、供应商进货价、供应商售价，得到汽车配件的历史价格数据集，包括：
从数据源收集每个汽车配件的价格数据，所述数据源包括供应商、市场平台、内部记录中的至少一种；
从所述价格数据中提取特征，得到成本价、供应商进货价和供应商售价；
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价；
对所述成本价、所述供应商进货价和所述供应商售价进行预处理，统一数据格式；
在所述历史价格数据集中计算统计特征，分别对每个所述成本价、所述供应商进货价和所述供应商售价标记是否异常，包括：
分别对所述成本价的历史数据集、所述供应商进货价的历史数据集和所述供应商售价的历史数据集计算均值μ和标准差σ；
对于每个价格数据xi，计算其与对应的均值μ的偏差d i ，;
若d i ＞3σ，则将该价格数据xi标记为异常，否则标记为正常；
所述使用所述历史价格数据集的统计特征训练机器学习模型，得到正常价格分布的识别检测模型，包括：
将所述历史价格数据集中的数据随机划分为训练集和测试集，其中所述训练集中的数据量多于所述测试集中的数据量；
构建深度神经网络的正常价格分布的识别检测模型；
使用所述训练集，对所述识别检测模型进行训练，直到模型收敛；
所述识别检测模型的输入层的节点包括汽车配件的成本价、供应商进货价和供应商售价；
所述识别检测模型的输出层包括一个节点，表示所述汽车配件的价格为正常或异常的二元；
对所述识别检测模型进行训练包括：
定义模型的输入向量X=[x1,x2,x3]，其中x1为汽车配件的成本价,x2为汽车配件的供应商进货价,x3为汽车配件的供应商售价；
定义模型的输出向量Y=[y1,y2]，其中，y1为汽车配件的价格正常,y2为汽车配件的价格异常；
输入向量X，通过神经网络进行前向传播，计算得到模型预测函数Y_pred=NeuralNetwork(X)；
重复进行前向传播运算，直到模型收敛，得到收敛后的识别检测模型；
所述结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常，包括：
将当前的汽车配件价格数据组成输入向量X；
将输入向量 X输入到已经训练好的所述识别检测模型中，执行前向传播；
根据所述识别检测模型的输出结果，判断当前汽车配件价格是否异常；
还包括：
使用所述测试集，对所述识别检测模型进行损失函数评估；
根据评估结果，对所述识别检测模型进行超参数调整或模型结构修改；
还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，识别出不同的异常模式，所述异常模式包括季节性波动、价格波动；
具体方法包括：
拟合自回归模型AR，对于成本价，对于时间点t处的成本价数据，建立自回归模型，，其中，Xt是时间点t处的成本价数据，c是常数，/>是模型的自回归系数，ε t 是误差，使用最小二乘法对上述自回归模型进行拟合，其中自回归系数/>通过拟合时间序列数据得到；
使用季节分解方法将汽车配件价格的时间序列数据分解为趋势、季节性和残差三个部分，趋势部分表示数据的长期趋势，通过滤波技术或移动平均法得到；季节性部分表示数据中由季节性因素引起的周期性变化，通过滤波技术或季节分解算法得到；残差部分是剩余的部分，不包括趋势和季节性；
使用残差分析方法来检测异常值，从季节分解后的时间序列数据中提取残差部分，将残差数据绘制成残差图，以可视化残差的分布和模式，检查残差的均值是否接近于零，识别和标记残差中的异常值；
还包括：
按照时间节点统计所述成本价、所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，使用拟合的时间序列模型，对未来时间点进行价格预测，生成未来汽车配件价格的走势预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489310.XA CN117235677B (zh) | 2023-11-10 | 2023-11-10 | 一种汽车配件价格异常识别检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489310.XA CN117235677B (zh) | 2023-11-10 | 2023-11-10 | 一种汽车配件价格异常识别检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235677A CN117235677A (zh) | 2023-12-15 |
| CN117235677B true CN117235677B (zh) | 2024-02-20 |
Family
ID=89093071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311489310.XA Active CN117235677B (zh) | 2023-11-10 | 2023-11-10 | 一种汽车配件价格异常识别检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235677B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129064A (zh) * | 2021-04-25 | 2021-07-16 | 深圳壹账通创配科技有限公司 | 汽车配件价格预测方法、系统、设备与可读存储介质 |
| CN114169915A (zh) * | 2021-11-17 | 2022-03-11 | 中国银行保险信息技术管理有限公司 | 车险理赔行业汽车配件价格参考值确定方法及装置 |
| CN114493696A (zh) * | 2022-01-24 | 2022-05-13 | 上海芯化和云数据科技有限公司 | 一种化学品市场异常波动监测方法 |
| CN116010707A (zh) * | 2023-01-17 | 2023-04-25 | 上海识装信息科技有限公司 | 商品价格异常识别方法、装置、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11379865B2 (en) * | 2020-07-17 | 2022-07-05 | Sap Se | Machine learned models for item price planning |
-
2023
- 2023-11-10 CN CN202311489310.XA patent/CN117235677B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129064A (zh) * | 2021-04-25 | 2021-07-16 | 深圳壹账通创配科技有限公司 | 汽车配件价格预测方法、系统、设备与可读存储介质 |
| CN114169915A (zh) * | 2021-11-17 | 2022-03-11 | 中国银行保险信息技术管理有限公司 | 车险理赔行业汽车配件价格参考值确定方法及装置 |
| CN114493696A (zh) * | 2022-01-24 | 2022-05-13 | 上海芯化和云数据科技有限公司 | 一种化学品市场异常波动监测方法 |
| CN116010707A (zh) * | 2023-01-17 | 2023-04-25 | 上海识装信息科技有限公司 | 商品价格异常识别方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235677A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhavsar et al. | Machine learning in transportation data analytics | |
| Zhai et al. | Enabling predictive maintenance integrated production scheduling by operation-specific health prognostics with generative deep learning | |
| Chung et al. | Insolvency prediction model using multivariate discriminant analysis and artificial neural network for the finance industry in New Zealand | |
| Chen et al. | Feature selection to diagnose a business crisis by using a real GA-based support vector machine: An empirical study | |
| CN110706039A (zh) | 电动汽车残值率评估系统、方法、设备及介质 | |
| CN111340086A (zh) | 无标签数据的处理方法、系统、介质及终端 | |
| CN113553577B (zh) | 基于超球面变分自动编码器的未知用户恶意行为检测方法及系统 | |
| CN116433333B (zh) | 基于机器学习的数字商品交易风险防控方法及装置 | |
| CN111724241B (zh) | 基于动态边特征的图注意力网络的企业发票虚开检测方法 | |
| CN117235677B (zh) | 一种汽车配件价格异常识别检测方法 | |
| Gleue et al. | Decision support for the automotive industry: Forecasting residual values using artificial neural networks | |
| Aquize et al. | Self-organizing maps for anomaly detection in fuel consumption. Case study: Illegal fuel storage in Bolivia | |
| CN115641153A (zh) | 一种基于深度神经网络的车辆价格评估方法 | |
| CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
| Özsürünç | The Role of Data Mining in Digital Transformation | |
| Harris et al. | Decision-Making with Machine Prediction: Evidence from Predictive Maintenance in Trucking | |
| Hemendiran et al. | Predicting the Prices of the Used Cars using Machine Learning for Resale | |
| Zimal et al. | Customer churn prediction using machine learning | |
| Florbäck | Anomaly detection in logged sensor data | |
| Abdullah et al. | Machine learning modeling for reconditioned car selling price prediction | |
| Gaikwad et al. | Unveiling Market Dynamics through Machine Learning: Strategic Insights and Analysis | |
| Boyko et al. | Methodology for Estimating the Cost of Construction Equipment Based on the Analysis of Important Characteristics Using Machine Learning Methods | |
| US20240113936A1 (en) | Method and system for artificial intelligence-based acceleration of zero-touch processing | |
| CN117593101B (zh) | 基于多维数据的金融风险数据处理分析方法及系统 | |
| CN116822968B (zh) | 一种基于租赁物持续产生现金流的风险管理方法 |
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 |