CN117372101A - 基于多维度影响因子的二手车自动化评价方法及定价方法 - Google Patents
基于多维度影响因子的二手车自动化评价方法及定价方法 Download PDFInfo
- Publication number
- CN117372101A CN117372101A CN202311266776.3A CN202311266776A CN117372101A CN 117372101 A CN117372101 A CN 117372101A CN 202311266776 A CN202311266776 A CN 202311266776A CN 117372101 A CN117372101 A CN 117372101A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- hand
- data
- model
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013210 evaluation model Methods 0.000 claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1413—1D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- Toxicology (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于多维度影响因子的二手车自动化评价方法及定价方法，二手车自动化评价方法包括：获取二手车辆的单车维度个性化特征数据单车维度个性化特征数据信息；对于每条单车维度个性化特征数据信息，获取单车维度个性化特征数据信息所对应的二手车影响因子子模型；根据单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建多维度的二手车自动化交易的评价模型；根据二手车自动化交易的评价模型以及单车维度个性化特征数据信息，确定二手车辆的评价参数。解决了现有技术评价依赖人工用时较长且准确率较低的问题，达到了融合影响二手车辆的评价参数的各个特征构建二手车自动化交易的评价模型自动输出评价参数，降低对人工的依赖，降低用时提高准确率。
Description
技术领域
本发明涉及一种基于多维度影响因子的二手车自动化评价方法及定价方法，属于人工智能技术领域。
背景技术
近年来随着汽车工业的发展，汽车正从传统的燃油车朝着电气化、数字化、智能化的方向发展。燃油车和新能源汽车均可以实现动力系统及车身各控制单元由软件程序控制，并且在车辆行驶过程中生成大量数据，这些数据均可实现实时采集与云端同步存储。车联网及数字化技术的应用为传统汽车后市场以及二手车行业带来了全新的变革。
由于二手车的车况状态各不相同也即具有非标准化商品特点，需要结合具体车况与市场行情共同确定车辆价格。当前二手车行业主要的定价方式有两种：第一类是人工定价，评估师需要先对车况进行检测再结合车辆具体损伤情况与市场行情、车辆历史交易价格对车辆进行定价。这种方法高度依赖评估人员的个人专业经验，由于评估师个人很难全面了解市场动态以及各种品牌车型的历史交易价格，个人经验不足造成的定价偏差的风险难以避免。第二类是人工加模型定价，此种方法在评估师定价的过程中引入了二手车估值模型，二手车估值模型可以根据二手车市场的平均交易价格提供该车辆的价格参考，再由评估师根据具体车况最终定价。这种方法引入二手车估值模型帮助评估师更好的了解不同品牌车型的市场行情，但是两种方法本质上都需要借助评估师的个人经验，再结合外部参考信息进行最终定价，上述两种方法都无法避免因个人经验和道德风险导致的定价偏差。
发明内容
本发明的目的在于提供一种基于多维度影响因子的二手车自动化评价方法及定价方法，用于解决现有技术中存在的问题。
为达到上述目的，本发明提供如下技术方案：
根据第一方面，本发明实施例提供了一种基于多维度影响因子的二手车自动化评价方法，所述基于多维度影响因子的二手车自动化评价方法方法包括：
获取二手车辆的单车维度个性化特征数据信息；
对于每条单车维度个性化特征数据信息，自动触发所述单车维度个性化特征数据信息所对应的二手车影响因子子模型；
根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型；
根据所述二手车自动化交易的评价模型以及所述单车维度个性化特征数据信息，确定所述二手车辆的评价或及价的参数。
可选地，所述单车维度个性化特征数据信息包括：基础车辆数据、预设时间段内的维修数据、折旧数据、库存数据、季节数据、里程数据、续航数据、配置数据以及所述二手车辆对应的新车价格信息中的至少一种。
可选地，若所述单车维度个性化特征数据信息包括基础车辆数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取所述二手车辆对应的新车价格信息；
根据所述车况信息、不同样本二手车辆的基础车辆数据以及各自的历史的交易数据，训练得到所述基础车辆数据所对应的二手车影响因子子模型。
可选地，所述根据所述车况信息、不同样本二手车辆的基础车辆数据以及各自的历史的交易数据，训练得到所述基础车辆数据所对应的二手车影响因子子模型，包括：
根据所述车况信息、不同样本二手车辆的基础车辆数据、各自的历史交易数据以及预设回归模型，训练得到所述基础车辆数据所对应的二手车影响因子子模型。
可选地，若所述单车维度个性化特征数据信息包括预设时间段内的维修数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取不同类型的零部件所对应的第一衰减信息；所述不同类型的零部件包括：评价参数线性衰减的零部件、评价参数衰减预设数值后不变的零部件以及评价参数阶梯式衰减的零部件中的至少一种；
根据获取到的第一衰减信息，获取每种类型的零部件所对应的二手车影响因子子模型。
可选地，若所述单车维度个性化特征数据信息包括折旧数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取不同类型的选装零部件对应的第二衰减信息，所述不同类型的选装零部件包括：线性折旧后不具备功能价值的部件、线性折旧后具备功能价值的部件以及阶梯式折旧后具备一定功能价值的部件中的至少一种；
根据获取到的第二衰减信息，获取每种类型的选装零部件所对应的二手车影响因子子模型。
可选地，若所述单车维度个性化特征数据信息包括库存数据、季节数据和里程数据中的至少一种，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取包括不同单车维度个性化特征数据信息与不同评价因子之间的对应关系的所述二手车自动化交易的评价模型，所述二手车自动化交易的评价模型用于根据输入的库存数据、季节数据或者里程数据输出对应的二手车影响因子子模型。
可选地，所述根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型，包括：
获取各个单车维度个性化特征数据信息所对应的权重信息；
根据各个单车维度个性化特征数据信息所对应的二手车影响因子子模型及其权重信息，构建所述二手车自动化交易的评价模型。
本申请还公开了一种二手车定价方法，还包括以下步骤：
对设置在二手车辆上的识别码进行扫描；
后台服务器在获取到所述识别码后，采用上述的车辆评价方法自动地调用与该二手车辆相关的车辆数据信息并自动触发对应的二手车影响因子子模型计算，基于多维度的二手车自动化交易的评价模型得到二手车辆的定价。
其中，二手车定价方法还包括以下步骤：
自动化定价模型自动关联车况的影响；
自动化定价模型自动关联电池衰减的影响；
自动化定价模型自动关联经营活动中库存变化对的影响。
通过获取二手车辆的单车维度个性化特征数据信息；对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型；根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型；根据所述二手车自动化交易的评价模型以及所述单车维度个性化特征数据信息，确定所述二手车辆的评价参数。解决了现有技术评价用时较长且准确率较低的问题，达到了融合影响二手车辆的评价参数的各个特征构建二手车自动化交易的评价模型通过二手车自动化交易的评价模型自动输出评价参数，降低对人工的依赖进而降低用时提高准确率的效果。
本申请中针对车辆的每种单车维度个性化特征数据信息分别设置有对应的二手车影响因子子模型，且每个二手车影响因子子模型为根据互联网中的相关信息自动生成并保存，全程无需人工参与，达到了可以对车辆进行自动评价，提高评价效率的效果。
显然，不同于现有技术中虽然输入了一些参数，但是这些参数只是从整体上来进行考虑，只能做一个大体的估测。这种估测显然不够精准，且需要人工来进行测算。
相反的，本申请中的各个二手车影响因子子模型结合每种单车维度个性化特征数据信息的相关信息来生成，可以全自动的关联车况包括历史维保记录、历史出险记录、车联网数据、评价时刻当前车况缺陷数据、动力电池健康度数据（或发动机损耗程度），结合市场行情（包括淡旺季价格波动、竞品价格变化、新车价格变化）以及企业内部经营情况（包括库存、处置渠道及历史交易价格），使得后续在根据生成的二手车影响因子子模型进行评价时，评价结果更加准确客观。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一个实施例提供的车辆评价方法的方法流程图。
具体实施方式
下面将结合附图对本发明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。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前提下所获得的所有其他实施例，都属于本发明保护的范围。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖 直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
请参考图1，其示出了本申请提供的一种可能的基于多维度影响因子的二手车自动化评价方法的流程图，如图1所示，所述基于多维度影响因子的二手车自动化评价方法包括：
步骤101，获取二手车辆的单车维度个性化特征数据信息；
所述单车维度个性化特征数据信息包括：基础车辆数据、预设时间段内的维修数据、折旧数据、库存数据、季节数据、里程数据、续航数据、配置数据以及所述二手车辆对应的新车价格信息。
基础车辆数据可以包括二手车的品牌、车系、年款、车型、厂商、MSRP、排放标准、车型级别、变速器类型、能源类型、外观颜色、出厂日期、电池初始容量、电芯品牌、电池化学类型等等。
预设时间段内的维修数据是指零部件在预设时间段内是否维修以及维修项目。预设时间段可以为最近一个月、最近半年、最近一年等等。此处所述零部件可以为安全装置、底盘件、覆盖件、机械装置、加强件、结构件、其他、制动类、内饰件、外饰件、电脑模块件、电器功能件、电器件等等。
折旧数据是指零部件的老化磨损信息。此处所述零部件可以为外观颜色、内饰颜色、轮圈、内外饰、功能、新能源汽车动力电池健康度、科技类配置等等。
库存数据是指不同类型二手车辆的库存去化信息。比如，3个月内去化、半年内的去化等。
季节数据是指当前所处的季节。比如，春节、夏季、秋季或者冬季等等。
里程数据是指车辆已经行驶的里程。
续航数据、配置数据是指二手车辆的续航能力，比如，续航400km，续航300km、续航80km等等。
二手车辆对应的新车价格信息是指同款或近似款新车当前的价格。比如，官方指导价为20W，当前优惠3W，则目前的新车价格为17W。
步骤102，对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的影响因子二手车影响因子子模型；
实际实现时，根据单车维度个性化特征数据信息的不同，本步骤的执行方式也有所不同，也即本步骤可以包括如下可能的实现方式：
第一种，在单车维度个性化特征数据信息包括基础车辆数据时，本步骤包括：
第一，获取所述二手车的车辆信息；
车辆信息包括：品牌、车型、上牌日期、上牌城市、车辆使用性质、车龄、里程、电池健康度、实际续航、新车折扣、配置等。
第二，根据所述车辆信息、不同样本二手车辆的基础车辆数据以及各自的历史的交易数据，训练得到所述基础车辆数据所对应的影响因子二手车影响因子子模型。
样本二手车可以为最近历史时间段内发生交易的二手车。最近历史时间段可以为最近一个月、最近2个月或者最近3个月等等。每个样本二手车对应的交易数据包括：二手车车况详情、过户次数、冷热门车系、主辅销车型、历史成交价格、成交日期、成交城市等。
当然，实际实现时，对于获取到的样本二手车的基础信息以及各自对应的交易数据，可根据相同时间段、相同地区、相同车型、相同车龄以及相同里程的条件下，选择交易价格在中间位置的数据进行训练。
根据所述车况信息、不同样本二手车辆的基础车辆数据、各自的历史交易数据以及预设回归模型，训练得到所述基础车辆数据所对应的影响因子二手车影响因子子模型，
第二种，在单车维度个性化特征数据信息包括预设时间段内的维修数据时，本步骤包括：
第一，获取不同类型的零部件所对应的第一衰减信息；
零部件可以分为三类，第一类为：评价参数线性衰减的零部件，比如安全装置、底盘件、覆盖件、机械装置、加强件、结构件、其他、制动类等；第二类为：评价参数衰减预设数值后不变的零部件，比如，内饰件和外饰件；第三类为：评价参数阶梯式衰减零部件中的至少一种，比如新能源汽车动力电池。
获取不同类型的零部件对应的第一衰减信息，第一衰减信息包括不同情况的零部件的评价参数的衰减幅度。
实际实现时，为了保证获取到的二手车影响因子子模型的精度，对于某种类型的零部件，可以获取多条第一衰减信息。
第二，根据获取到的第一衰减信息，获取每种类型的零部件所对应的二手车影响因子子模型。
即可根据获取到的多条第一衰减信息，获取每种类型的零部件所对应的二手车影响因子子模型。可选地，可以通过回归模型分别拟合得到对应的二手车影响因子子模型。实际实现时，以拟合得到的二手车影响因子子模型为来举例说明。
所述回归模型包括线性回归、LightGBM、XGBoost、随机森林和ElasticNet中的至少一种。
具体的，线性回归的一般形式为：
其中，，/>，/>
损失函数为均方误差：
ElasticNet回归：
。
可选地，通过上述获取方法获取到的二手车影响因子子模型为，具体为：
其中，和/>为线性折旧零部件的减值规律和预设时间段内的减值系数或金额，/>和/>为加速折旧后趋于0的零部件的减值规律和预设时间段内的减值系数或金额，/>和/>为慢速折旧阶梯式下降的零部件的减值规律和预设时间段内的减值系数或金额。
第三种，在单车维度个性化特征数据信息为折旧数据时，本步骤包括：
第一，获取不同类型的选装零部件对应的第二衰减信息，所述不同类型的选装零部件包括：线性折旧后不具备功能价值的部件、线性折旧后具备功能价值的部件以及阶梯式折旧后具备一定功能价值的部件中的至少一种；
选装零部件按照各自的部件属性可以分为3类，第一类：线性折旧后不具备功能价值的部件，比如外观颜色和内饰颜色；第二类：线性折旧后具备功能价值的部件，比如，轮圈和内外饰；第三类：阶梯式折旧后具备一定功能价值的部件，比如，功能、电池、科技类。
第二，根据获取到的第二衰减信息，获取每种类型的选装零部件所对应的二手车影响因子子模型。
本步骤与上述第二种可能的实现方式中的实现方式类似，在此不再赘述，并且，本实施例以得到的二手车影响因子子模型为来举例说明。
使用线性回归模型和专家规则分别拟合这3类随车龄不同衰减类别的选装件的衰减规律，此处同样可采用上述回归算法；
其中，和/>为线性折旧最终无价值的选装件的衰减规律和选装价格，/>和/>为线性折旧最终有价值的选装件的衰减规律和选装价格，/>和/>为阶梯式或慢速折旧最终有价值的选装件的衰减规律和选装价格。
第四种，在单车维度个性化特征数据信息包括库存数据、季节数据和里程数据中的至少一种时，本步骤包括：
获取包括不同单车维度个性化特征数据信息与不同评价因子之间的对应关系的所述二手车自动化交易的评价模型，所述二手车自动化交易的评价模型用于根据输入的库存数据、季节数据或者里程数据输出对应的二手车影响因子子模型。
具体的，在单车维度个性化特征数据信息包括库存数据时，由于车辆库存时间越短说明大家评价越高，反之则评价越低，因此，在本申请中，可以根据库存时间设置相反方向的评价参数的二手车影响因子子模型，在本申请中以二手车影响因子子模型为来举例说明。可选地，根据历史库存周转状况，基于不同车况等级/>和残值率差值/>当前计算收购残值率/>-基础收购残值率/>)去锚定不同车系年款车型的建议库存周转天数/>。结合当前的库存状况，若在收购阶段使用该车型的在库天数平均数或者中位数/>，若在销售阶段使用该车的在库天数/>，再和该车的建议库存周转天数相比较，超过建议则扣钱，少于建议则加钱，相应地调整二手车当前残值；
其中和/>都为线性回归模型。
在单车维度个性化特征数据信息包括季节数据时，由于车市在旺季和淡季人们对二手车辆的评价c完全相反，旺季可以为秋季和冬季，淡季可以为春季和夏季。当然实际实现时，根据市场的变化，淡旺季的划分方式也有所不同。因此，本实施例中设置旺季增加评价参数而淡季扣除评价参数的二手车影响因子子模型，在一种可能的实施例中，二手车影响因子子模型可以为：
在单车维度个性化特征数据信息包括里程数据时，则通过年均里程可以映射该车辆的使用情况进而映射车辆的车况，因此，本申请可以设置年均标准里程，在实际里程数据超过年均标准里程时则扣除评价参数，而在实际里程数据低于年均标准里程时则可以增加评价参数。在一种可能的实施例中，二手车影响因子子模型可以为：
当然，实际实现时，单车维度个性化特征数据信息中还可以包括续航数据、配置数据和新车价格信息，与上述类似，也可以构建对应的二手车影响因子子模型。比如，续航数据越长、配置数据越长对于客户越实用，因此可以设置更高评价参数，反之则扣除评价参数。又比如，新车价格越高说明市场对该车辆评价越高相应的二手车的评价参数越高，反之则越低，比如，对于新车价格信息，构建的二手车影响因子子模型为。
可选地，新车折扣率的变化对二手车当前定价的影响。根据新车销售价格即开票价的变化，考虑到新车折扣的变化，相应地向相同方向调整二手车当前残值。其中还要考虑当前新车折扣对不同车龄的二手车影响程度也有所不同：二手车车龄越长，新车折扣变化对其影响就越小，反之亦然，本申请引入折扣率调整系数/>；
其中和/>都为线性回归模型。
需要补充说明的是，本实施例仅以单车维度个性化特征数据信息包括上述几种中的至少一种来举例说明，实际实现时单车维度个性化特征数据信息还可以包括更多或者更少的信息，对此并不做限定。
步骤103，根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型；
在得到各个单车维度个性化特征数据信息对应的二手车影响因子子模型之后，即可构建二手车自动化交易的评价模型。可选地，二手车自动化交易的评价模型可以为：
上述仅以各二手车影响因子子模型的权重一致来举例说明，实际实现时，本步骤还可以包括：
第一，获取各个单车维度个性化特征数据信息所对应的权重信息；
第二，根据各个单车维度个性化特征数据信息所对应的二手车影响因子子模型及其权重信息，构建所述二手车自动化交易的评价模型。
也即可以根据各个单车维度个性化特征数据信息的重要程度分别设置不同权重，在此不再赘述。
。其中，W1、W2、…、W6为对应的权重。
可选地，为了保证二手车自动化交易的评价模型的精度，在构建得到二手车自动化交易的评价模型之后，即可进行模型验证和调优。具体的，通过历史时间段内二手车辆的实际评价参数以及通过上述模型确定的评价参数的偏差作为模型评估指标。
具体的，MAE：平均绝对误差，Mean Absolute Error，预测值与真实值的绝对误差的平均值
MAPE：平均绝对百分比误差，Mean absolute percentage error，此指标对相对误差敏感，不会因目标变量的全局缩放而改变，适合目标变量量纲差距较大的问题。
在偏差满足预设条件时，则将二手车自动化交易的评价模型作为最终模型，反之则重新构建。
步骤104，根据所述二手车自动化交易的评价模型以及所述单车维度个性化特征数据信息，确定所述二手车辆的评价参数。
将获取到的各个单车维度个性化特征数据信息输入至二手车自动化交易的评价模型中，即可输出得到该二手车辆的评价参数。
综上所述，通过获取二手车辆的单车维度个性化特征数据信息；对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型；根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型；根据所述二手车自动化交易的评价模型以及所述单车维度个性化特征数据信息，确定所述二手车辆的评价参数。解决了现有技术评价用时较长且准确率较低的问题，达到了融合影响二手车辆的评价参数的各个特征构建二手车自动化交易的评价模型通过二手车自动化交易的评价模型自动输出评价参数，降低对人工的依赖进而降低用时提高准确率的效果。
当然的，在其他可选的应用场景下，还可以基于二手车自动化评价方法来对二手车进行其他相关的评估工作，从而在评估后对二手车进行相对应的应对，例如，在评估后进行报废、维修或者更新零配件等作业。
本申请中针对车辆的每种单车维度个性化特征数据信息分别设置有对应的二手车影响因子子模型，且每个二手车影响因子子模型为根据互联网中的相关信息自动生成并保存，全程无需人工参与，达到了可以对车辆进行自动评价，提高评价效率的效果。
此外，本申请中的各个二手车影响因子子模型结合每种单车维度个性化特征数据信息的相关信息来生成，使得后续在根据生成的二手车影响因子子模型进行评价时，评价结果更加准确客观。
本申请还公开了一种二手车定价方法，还包括以下步骤：
对设置在二手车辆上的识别码进行扫描；
后台服务器在获取到所述识别码后，采用如上述的车辆评价方法全自动地调用与该二手车辆的单车维度个性化特征数据信息对应的二手车影响因子子模型，从而基于该二手车辆的评价参数生成该二手车的当前价值。
借由上述步骤和方法，操作人员只需要对二手车辆上的识别码（例如二维码或条形码等）进行扫描，并且在通过授权后，就可以得到该二手车辆的当前价值，以方便后续对该二手车辆进行买卖、租赁等，同时可以给后续的工作给出相应的比较公允的指导价。
特别的，还可以包括以下步骤：
后台服务器通过物联网对已经发生的交易进行采样，并根据采样得到的信息，通过神经网络对二手车自动化交易的评价模型以及二手车影响因子子模型进行更新迭代。
借由此，后台服务器可以基于物联网的帮助下，基于实时发生的交易来实时更新二手车影响因子子模型，从而对整体的二手车自动化交易的评价模型进行更新迭代，从而得出更加公允、更加精确的数值，以便于对后续工作进行指导。
综上，该二手车自动化交易的评价模型在考虑多维度的情况下，即将多维度进行了分解，又进行了综合集成，从而在尽量规避人为偏差的清下，能够更为自动地得到较为公允的价格。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多维度影响因子的二手车自动化评价方法，其特征在于，所述二手车自动化评价方法包括：
获取二手车辆的单车维度个性化特征数据信息；
对于每条个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型；
根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型；
根据所述二手车自动化交易的评价模型以及所述单车维度个性化特征数据信息，确定所述二手车辆的评价参数。
2.根据权利要求1所述的二手车自动化评价方法，其特征在于，所述单车维度个性化数据信息包括：基础车辆数据、预设时间段内的维修数据、折旧数据、库存数据、季节数据、里程数据、续航数据、配置数据以及所述二手车辆对应的新车价格信息。
3.根据权利要求2所述的二手车自动化评价方法，其特征在于，若所述单车维度的数据包括基础车辆数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取所述二手车辆对应的新车价格信息；
根据车况信息、不同样本二手车辆的基础车辆数据以及各自的历史的交易数据，训练得到所述基础车辆数据所对应的二手车影响因子子模型。
4.根据权利要求3所述的二手车自动化评价方法，其特征在于，所述根据所述车况信息、不同样本二手车辆的基础车辆数据以及各自的历史的交易数据，训练得到所述基础车辆数据所对应的二手车影响因子子模型，包括：
根据所述车况信息、不同样本二手车辆的基础车辆数据、各自的历史交易数据以及预设回归模型，训练得到所述基础车辆数据所对应的二手车影响因子子模型。
5.根据权利要求2所述的二手车自动化评价方法，其特征在于，若所述单车维度个性化特征数据信息包括预设时间段内的维修数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取不同类型的零部件所对应的第一衰减信息；所述不同类型的零部件包括：评价参数线性衰减的零部件、评价参数衰减预设数值后不变的零部件以及评价参数阶梯式衰减的零部件中的至少一种；
根据获取到的第一衰减信息，获取每种类型的零部件所对应的二手车影响因子子模型。
6.根据权利要求2所述的二手车自动化评价方法，其特征在于，若所述单车维度个性化特征数据信息包括折旧数据，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取不同类型的选装零部件对应的第二衰减信息，所述不同类型的选装零部件包括：线性折旧后不具备功能价值的部件、线性折旧后具备功能价值的部件以及阶梯式折旧后具备一定功能价值的部件中的至少一种；
根据获取到的第二衰减信息，获取每种类型的选装零部件所对应的二手车影响因子子模型。
7.根据权利要求2所述的二手车自动化评价方法，其特征在于，若所述单车维度个性化特征数据信息包括库存数据、季节数据和里程数据中的至少一种，所述对于每条单车维度个性化特征数据信息，获取所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，包括：
获取包括不同单车维度个性化特征数据信息与不同评价因子之间的对应关系的所述二手车自动化交易的评价模型，所述二手车自动化交易的评价模型用于根据输入的库存数据、季节数据或者里程数据输出对应的二手车影响因子子模型。
8.根据权利要求1至7任一所述的二手车自动化评价方法，其特征在于，所述根据所述单车维度个性化特征数据信息所对应的二手车影响因子子模型，构建所述二手车自动化交易的评价模型，包括：
获取二手车影响因子子模型二手车影响因子子模型所需数据；
根据上述数据所对应的二手车影响因子子模型及其权重，构建多维度的二手车自动化交易的评价模型。
9.一种二手车定价方法，其特征在于，还包括以下步骤：
对设置在二手车辆上的识别码进行扫描；
后台服务器在获取到所述识别码后，采用如权利要求1至8任一项所述的车辆评价方法自动地调用与该二手车辆相关的车辆数据信息并自动触发对应的二手车影响因子子模型计算，基于多维度的二手车自动化交易的评价模型得到二手车辆的定价。
10.根据权利要求9所述的二手车定价方法，其特征在于，还包括以下步骤：自动化定价模型自动关联车况的影响；
自动化定价模型自动关联电池衰减的影响；
自动化定价模型自动关联经营活动中库存变化对的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266776.3A CN117372101A (zh) | 2023-09-28 | 2023-09-28 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311266776.3A CN117372101A (zh) | 2023-09-28 | 2023-09-28 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372101A true CN117372101A (zh) | 2024-01-09 |
Family
ID=89403256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311266776.3A Pending CN117372101A (zh) | 2023-09-28 | 2023-09-28 | 基于多维度影响因子的二手车自动化评价方法及定价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372101A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130030870A1 (en) * | 2011-07-28 | 2013-01-31 | Michael Swinson | System and method for analysis and presentation of used vehicle pricing data |
| KR101675820B1 (ko) * | 2016-01-19 | 2016-11-29 | 박은양 | 표준가격을 이용한 중고차 가격산정 시스템 |
| US20170300991A1 (en) * | 2016-01-12 | 2017-10-19 | Sandeep Aggarwal | Used-vehicle algorithmic pricing engine method and system |
| 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 |
| CN108564415A (zh) * | 2018-04-25 | 2018-09-21 | 济南浪潮高新科技投资发展有限公司 | 一种智能预测二手车价格的方法 |
| CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估（上海）信息科技有限公司 | 一种二手车的定价方法，装置及系统 |
| 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 |
| KR20210108752A (ko) * | 2020-02-26 | 2021-09-03 | 지준호 | 중고차 가격산정시스템 및 방법 |
-
2023
- 2023-09-28 CN CN202311266776.3A patent/CN117372101A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130030870A1 (en) * | 2011-07-28 | 2013-01-31 | Michael Swinson | System and method for analysis and presentation of used vehicle pricing data |
| WO2013016217A2 (en) * | 2011-07-28 | 2013-01-31 | Truecar, Inc. | System and method for analysis and presentation of used vehicle pricing data |
| US20170300991A1 (en) * | 2016-01-12 | 2017-10-19 | Sandeep Aggarwal | Used-vehicle algorithmic pricing engine method and system |
| KR101675820B1 (ko) * | 2016-01-19 | 2016-11-29 | 박은양 | 표준가격을 이용한 중고차 가격산정 시스템 |
| 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 |
| CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估（上海）信息科技有限公司 | 一种二手车的定价方法，装置及系统 |
| CN108564415A (zh) * | 2018-04-25 | 2018-09-21 | 济南浪潮高新科技投资发展有限公司 | 一种智能预测二手车价格的方法 |
| KR20210108752A (ko) * | 2020-02-26 | 2021-09-03 | 지준호 | 중고차 가격산정시스템 및 방법 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Burnham et al. | Comprehensive total cost of ownership quantification for vehicles with different size classes and powertrains | |
| Helfand et al. | Evaluating the consumer response to fuel economy: A review of the literature | |
| CN101739644B (zh) | 车辆转售价格分析系统 | |
| US11062338B2 (en) | Used-vehicle algorithmic pricing engine method and system | |
| Mulholland et al. | The cost of electrifying private transport–Evidence from an empirical consumer choice model of Ireland and Denmark | |
| KR20200021351A (ko) | 중고차 예상가격 제공시스템 및 그 방법 | |
| CN111242680A (zh) | 一种基于机器学习算法的二手车估值方法与系统 | |
| CN111932096A (zh) | 一种二手车价值评估方法 | |
| Gillingham et al. | A dynamic model of vehicle ownership, type choice, and usage | |
| CN111091401A (zh) | 一种网约车定价方法、系统、存储介质及设备 | |
| Scorrano et al. | Simulating electric vehicle uptake in Italy in the small-to-medium car segment: A system dynamics/agent-based model parametrized with discrete choice data. | |
| Mohammadian et al. | Modeling household vehicle transaction behavior: competing risk duration approach | |
| Van et al. | Enhancing electric vehicle market diffusion modeling: A German case study on environmental policy integration | |
| Li et al. | Green premium modeling based on total cost ownership analysis: From the Chinese Electric Vehicle sales forecasting perspective | |
| De Jong et al. | The impact of fixed and variable costs on household car ownership | |
| CN117372101A (zh) | 基于多维度影响因子的二手车自动化评价方法及定价方法 | |
| De Silva et al. | Fuel Efficiency and E-Mobility Policy Development in Sri Lanka | |
| Rashidi et al. | A competing hazard model of household vehicle transaction behavior with discrete time intervals and unobserved heterogeneity | |
| Gutjar et al. | Electro mobility acceptance: The influence of political bonus and malus factors | |
| Walter et al. | Decarbonizing the European Automobile Fleet: Impacts of 1.5 C-Compliant Climate Policies in Germany and Norway | |
| Kochhan | Techno-economic evaluation of battery-electric taxis | |
| Li et al. | Electric Vehicle Sales Forecasting Model Considering Green Premium: A Chinese Market-based Perspective | |
| JP2020194445A (ja) | 情報処理方法及びコンピュータプログラム | |
| Mayeres et al. | CarTax: a simulation model for analysing the reform of car taxation in Flanders | |
| CN113032730B (zh) | 一种数据驱动的车辆tco智能计算方法 |
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 |