WO2021042896A1 - 基于大数据的车辆估值方法、系统、设备及可读存储介质 - Google Patents

基于大数据的车辆估值方法、系统、设备及可读存储介质 Download PDF

Info

Publication number
WO2021042896A1
WO2021042896A1 PCT/CN2020/103602 CN2020103602W WO2021042896A1 WO 2021042896 A1 WO2021042896 A1 WO 2021042896A1 CN 2020103602 W CN2020103602 W CN 2020103602W WO 2021042896 A1 WO2021042896 A1 WO 2021042896A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
valuation
information
price
sample
Prior art date
Application number
PCT/CN2020/103602
Other languages
English (en)
French (fr)
Inventor
夏良超
Original Assignee
深圳壹账通智能科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳壹账通智能科技有限公司 filed Critical 深圳壹账通智能科技有限公司
Publication of WO2021042896A1 publication Critical patent/WO2021042896A1/zh

Links

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
    • G06Q30/0283—Price estimation or determination

Definitions

  • the embodiments of the present application relate to the field of big data, and in particular to a method, system, computer device, and computer-readable storage medium for vehicle estimation based on big data.
  • the valuation methods of second-hand cars on the market mostly use machine valuation methods.
  • This machine valuation method is mainly based on the specific model information of the second-hand car obtained, and then depreciation calculation based on the year and price of the second-hand car at the time of listing, and finally the current valuation of the second-hand car is obtained.
  • the inventor realizes that the machine valuation method based on the specific model information of the second-hand car does not take into account the historical data of the use of the vehicle and the specific purpose of the valuation of the vehicle, which easily leads to insufficient accuracy and reasonableness of the vehicle valuation result.
  • the embodiments of the present application provide a vehicle estimation method, system, computer equipment, and computer readable storage medium based on big data, which are used to solve the problem of using the existing machine estimation method to estimate the vehicle. Taking into account the historical data of the use of the vehicle and the specific purpose of the valuation of the vehicle, the valuation price is not accurate enough.
  • a vehicle valuation method based on big data including:
  • the first confidence levels corresponding to multiple residual value rates are output, the residual value rate with the highest first confidence degree is determined as the final residual value rate corresponding to the associated vehicle, and according to the final The residual value rate evaluates the first valuation price of the associated vehicle;
  • the loss level of the associated vehicle is determined according to the final residual value rate, and the corresponding transaction vehicle data set is obtained from the vehicle model database based on the loss level, and the transaction vehicle data set contains Transaction data of multiple trading vehicles of the same vehicle type with the same loss;
  • an embodiment of the present application also provides a vehicle estimation system based on big data, including:
  • the first collection module is configured to receive basic user information and evaluation strategy selection information provided by a target user through a client terminal, where the basic user information includes identification information of the target user;
  • a query module configured to send a query request to at least one database based on the basic user information, the query request being used to request the at least one database to query the basic vehicle information and vehicle history information of the associated vehicle of the target user;
  • the second collection module is configured to receive basic vehicle information and vehicle history information of the associated vehicle of the target user returned by the at least one database;
  • the input module is used to obtain multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle from a preset mapping table, and to associate multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle.
  • the weight parameter is input into the first vehicle estimation model
  • the output module is configured to output first confidence levels corresponding to multiple residual value rates according to the first vehicle estimation model, and determine the residual value rate with the highest first confidence level as the final residual value rate corresponding to the associated vehicle, And evaluate the first estimated price of the associated vehicle according to the final residual value rate;
  • the third acquisition module is used to determine the loss level of the associated vehicle based on the preset vehicle model database according to the final residual value rate, and obtain a corresponding transaction vehicle data set from the vehicle model database based on the loss level,
  • the transaction vehicle data set contains transaction data of a plurality of transaction vehicles of the same vehicle type with the same loss;
  • the evaluation module is used to obtain the transaction data of each transaction vehicle in the transaction vehicle data set, and evaluate the second valuation of the associated vehicle based on the transaction data of each transaction vehicle and the first valuation price of the associated vehicle price;
  • the determining module is used to determine the final valuation price of the associated vehicle based on the valuation strategy selection information and the second valuation price; generate a price valuation form according to the final valuation price, and then use the price valuation form Sent to the client terminal to display the price evaluation form on a designated display interface through the client terminal.
  • embodiments of the present application also provide a computer device, the computer device including a memory, a processor, and a computer program stored on the memory and running on the processor, and the processor executes the following steps :
  • the first confidence levels corresponding to multiple residual value rates are output, the residual value rate with the highest first confidence degree is determined as the final residual value rate corresponding to the associated vehicle, and according to the final The residual value rate evaluates the first valuation price of the associated vehicle;
  • the loss level of the associated vehicle is determined according to the final residual value rate, and the corresponding transaction vehicle data set is obtained from the vehicle model database based on the loss level, and the transaction vehicle data set contains Transaction data of multiple trading vehicles of the same vehicle type with the same loss;
  • the embodiments of the present application also provide a computer-readable storage medium having a computer program stored in the computer-readable storage medium, and the computer program may be executed by at least one processor, so that the at least A processor performs the following steps:
  • the first confidence levels corresponding to multiple residual value rates are output, the residual value rate with the highest first confidence degree is determined as the final residual value rate corresponding to the associated vehicle, and according to the final The residual value rate evaluates the first valuation price of the associated vehicle;
  • the loss level of the associated vehicle is determined according to the final residual value rate, and the corresponding transaction vehicle data set is obtained from the vehicle model database based on the loss level, and the transaction vehicle data set contains Transaction data of multiple trading vehicles of the same vehicle type with the same loss;
  • the vehicle valuation method, system, computer equipment, and computer-readable storage medium provided in the embodiments of this application are compared with the current method of vehicle valuation based on specific vehicle model information, listing year, and listing price on the market.
  • This application implements For example, by inputting multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the target user's associated vehicle into the first vehicle evaluation model, to obtain the first evaluation price of the associated vehicle; Obtain the transaction data of the corresponding transaction vehicle according to the wear level of the associated vehicle; and evaluate the second valuation price of the associated vehicle based on the transaction data of the corresponding transaction vehicle; and then select the information and the second valuation based on the valuation strategy The price determines the final valuation price of the associated vehicle.
  • the embodiment of the present application effectively combines the vehicle history information and the target user's evaluation strategy selection information, so that each vehicle can be evaluated more accurately and reasonably.
  • FIG. 1 is a flowchart of the steps of the method for vehicle estimation based on big data in the first embodiment of the application;
  • Embodiment 2 is a schematic diagram of program modules of Embodiment 2 of a vehicle estimation system based on big data of this application;
  • FIG. 3 is a schematic diagram of the hardware structure of the third embodiment of the computer equipment of this application.
  • FIG. 1 shows a flowchart of steps of a method for vehicle estimation based on big data in an embodiment of the present application. It can be understood that the flowchart in this method embodiment is not used to limit the order of execution of the steps.
  • the following is an exemplary description with computer equipment as the main body of execution, and the details are as follows:
  • Step S101 Receive basic user information and evaluation strategy selection information provided by a target user through a client terminal, where the basic user information includes identification information of the target user.
  • the identification information of the target user includes: name, age, gender, ID number, mobile phone number, income range and other information.
  • step S101 may further include: step S100, obtaining authorization information of the target user.
  • Step S100 may further include the following steps:
  • an authorization instruction is generated or no response is made.
  • Step S102 Send a query request to at least one database based on the basic user information, the query request being used to request the at least one database to query the basic vehicle information and vehicle history information of the associated vehicle of the target user.
  • the at least one database includes a customer information database, a vehicle model database, a vehicle maintenance database, and the like.
  • the basic vehicle information includes: frame number, model information, vehicle brand information, vehicle color information, license plate number, listing date, factory date, vehicle registration date, vehicle listing price, vehicle quotation information, vehicle transaction price, vehicle mileage Count etc.
  • the vehicle history information includes maintenance information (basic information of maintenance records, maintenance parts, maintenance times, repair prices, maintenance times of various parts, vehicle maintenance times, etc.), auto insurance information (insurance amount, insured valuation information, insurance times, etc.) Insurance fixed loss amount, total amount of claims, insurance components, etc.), transaction information (transaction type, number of transfers, legal status, etc.).
  • maintenance information basic information of maintenance records, maintenance parts, maintenance times, repair prices, maintenance times of various parts, vehicle maintenance times, etc.
  • auto insurance information insurance amount, insured valuation information, insurance times, etc.
  • Insurance fixed loss amount total amount of claims, insurance components, etc.
  • transaction information transaction type, number of transfers, legal status, etc.
  • multiple vehicle model information of the target user can be obtained according to the frame number, and then based on the vehicle maintenance database, multiple basic information of maintenance records can be acquired to determine the basic information based on the multiple maintenance records
  • a vehicle model information corresponding to the associated vehicle of the target user, and other basic vehicle information, such as vehicle brand information, launch date, delivery date, vehicle launch price, and other information, are obtained from the model database according to the determined model information.
  • Step S103 Receive basic vehicle information and vehicle history information of the associated vehicle of the target user returned by the at least one database.
  • Step S104 Obtain multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle from a preset mapping table, and combine multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle Input into the first vehicle estimation model.
  • multiple weighting parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle in the mapping table can be manually set based on experience.
  • the weight parameter corresponding to the vehicle mileage of 50,000 kilometers is 0.90
  • the weight parameter corresponding to the vehicle quotation information of 200,000 is 0.82
  • the difference between the time when the vehicle is on the plate and the current time The weight parameter corresponding to 3 years is 0.86
  • the weight parameter corresponding to a certain brand of vehicle brand information is 0.88, etc.
  • Step S105 Output first confidence levels corresponding to multiple residual value rates according to the first vehicle estimation model, determine the residual value rate with the highest first confidence level as the final residual value rate corresponding to the associated vehicle, and determine the residual value rate corresponding to the associated vehicle according to the The final residual value rate evaluates the first estimated price of the associated vehicle.
  • the residual value rate is the ratio of the residual price of the vehicle to the latest new car market price of the vehicle.
  • the first vehicle estimation model is a Logistic Regression (LR) model trained based on big data.
  • LR Logistic Regression
  • Step S106 Based on the preset vehicle model database, determine the wear level of the associated vehicle according to the final residual value rate, and obtain a corresponding transaction vehicle data set from the vehicle model database based on the wear level.
  • the data set contains transaction data of multiple transaction vehicles of the same vehicle type with the same loss.
  • the transaction data of the transaction vehicle in the transaction vehicle data set is the transaction data of the past six months.
  • Step S107 Obtain transaction data of each transaction vehicle in the transaction vehicle data set, and evaluate the second evaluation price of the associated vehicle based on the transaction data of each transaction vehicle and the first evaluation price of the associated vehicle.
  • Step S108 Determine the final valuation price of the associated vehicle based on the valuation strategy selection information and the second valuation price; generate a price valuation form according to the final valuation price, and send the price valuation form to In the client terminal, the price evaluation form is displayed on a designated display interface through the client terminal.
  • the valuation strategy selection information is the valuation strategy information used by the associated vehicle in a second-hand car transaction, then it is determined that the second valuation price of the associated vehicle is the final valuation price.
  • the valuation strategy selection information is the valuation strategy information used by the associated vehicle for vehicle loans
  • the basic user information and the second valuation price of the target user are input into the second vehicle valuation model
  • the softmax classifier outputs a plurality of second confidence degrees corresponding to the third evaluation prices, and determines the third evaluation price with the highest second confidence degree as the final evaluation price.
  • the method for vehicle estimation based on big data further includes a training step of the first vehicle estimation model:
  • each sample data set includes multiple sample original data corresponding to the customer.
  • the sample data set is divided into a complete sample data set and a missing sample data set, and the sample original data in the complete sample data set is randomly divided into a training sample set and a test sample set, and the test sample set is randomly deleted Several data are taken as missing test sample sets.
  • the neural network model is trained for the first time through the training sample set.
  • the missing values in the sample data set can also be imputed by adding zeros to the missing values.
  • some abnormal sample original data can be deleted to filter and obtain normal sample original data. Since the original data of the abnormal sample is relatively small in the sample data set, the kmeans (K-means) clustering algorithm can be used to find the original data of the abnormal sample and delete it directly.
  • K-means kmeans clustering algorithm
  • FIG. 2 shows a schematic diagram of program modules of the vehicle estimation system based on big data of the present application.
  • the vehicle estimation system 20 based on big data may include or be divided into one or more program modules, and the one or more program modules are stored in a storage medium and are executed by one or more processors. Execute to complete this application and realize the above-mentioned vehicle valuation method based on big data.
  • the program module referred to in the embodiments of the present application refers to a series of computer program instruction segments capable of completing specific functions, and is more suitable for describing the execution process of the vehicle estimation system 20 based on big data in the storage medium than the program itself. The following description will specifically introduce the functions of each program module in this embodiment:
  • the first collection module 201 is configured to receive basic user information and evaluation strategy selection information provided by a target user through a client terminal, where the basic user information includes identification information of the target user;
  • the query module 202 is configured to send a query request to at least one database based on the basic user information, and the query request is used to request the at least one database to query the basic vehicle information and vehicle history information of the associated vehicle of the target user;
  • the second collection module 203 is configured to receive basic vehicle information and vehicle history information of the associated vehicle of the target user returned by the at least one database;
  • the input module 204 is used to obtain multiple weight parameters corresponding to the basic vehicle information and vehicle history information of the associated vehicle from a preset mapping table, and to correlate the basic vehicle information and vehicle history information of the associated vehicle with multiple weight parameters. Input weight parameters into the first vehicle estimation model;
  • the output module 205 is configured to output first confidence levels corresponding to multiple residual value rates according to the first vehicle estimation model, and determine the residual value rate with the highest first confidence level as the final residual value rate corresponding to the associated vehicle , And evaluate the first estimated price of the associated vehicle according to the final residual value rate;
  • the third collection module 206 is configured to determine the wear level of the associated vehicle based on the preset vehicle model database according to the final residual value rate, and obtain a corresponding transaction vehicle data set from the vehicle model database based on the wear level ,
  • the transaction vehicle data set contains transaction data of multiple transaction vehicles of the same vehicle type with the same loss;
  • the evaluation module 207 is used to obtain the transaction data of each transaction vehicle in the transaction vehicle data set, and evaluate the second estimate of the associated vehicle based on the transaction data of each transaction vehicle and the first evaluation price of the associated vehicle. Value price
  • the determining module 208 is configured to determine the final valuation price of the associated vehicle based on the valuation strategy selection information and the second valuation price; generate a price valuation form according to the final valuation price, and estimate the price
  • the form is sent to the client terminal to display the price evaluation form on a designated display interface through the client terminal.
  • determining module 208 is also used for:
  • the valuation strategy selection information is the valuation strategy information used by the related vehicle for second-hand car transactions, determining that the second valuation price of the related vehicle is the final valuation price;
  • the valuation strategy selection information is the valuation strategy information used by the associated vehicle for vehicle loans
  • the basic user information and the second valuation price of the target user are input into the second vehicle valuation model
  • the softmax classifier outputs a plurality of second confidence degrees corresponding to the third evaluation prices, and determines the third evaluation price with the highest second confidence degree as the final evaluation price.
  • the vehicle estimation system 20 based on big data further includes:
  • the authorization module 200 is used for:
  • an authorization instruction is generated or no response is made.
  • the first vehicle estimation model is a trained logistic regression model, and the system further includes a training module 209 for:
  • each sample data set includes multiple sample raw data corresponding to the customer
  • the logistic regression model is trained through the feature combination to construct the first vehicle estimation model.
  • the training module 209 is also used to:
  • the sample data set is divided into a complete sample data set and a missing sample data set, and the sample original data in the complete sample data set is randomly divided into a training sample set and a test sample set, and some data in the test sample set are randomly deleted as missing Test sample set;
  • the computer device 2 is a device that can automatically perform numerical calculation and/or information processing in accordance with pre-set or stored instructions.
  • the computer device 2 may be a rack server, a blade server, a tower server, or a cabinet server (including an independent server or a server cluster composed of multiple servers).
  • the computer device 2 at least includes, but is not limited to, a memory 21, a processor 22, a network interface 23, and a vehicle estimation system 20 based on big data that can communicate with each other through a system bus. among them:
  • the memory 21 includes at least one type of computer-readable storage medium.
  • the readable storage medium includes flash memory, hard disk, multimedia card, card-type memory (for example, SD or DX memory, etc.), random access memory ( RAM), static random access memory (SRAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), programmable read-only memory (PROM), magnetic memory, magnetic disks, optical disks, etc.
  • the computer-readable storage medium may be non-volatile or volatile.
  • the memory 21 may be an internal storage unit of the computer device 2, for example, a hard disk or a memory of the computer device 2.
  • the memory 21 may also be an external storage device of the computer device 2, for example, a plug-in hard disk, a smart memory card (Smart Media Card, SMC), and a secure digital (Secure Digital, SD) card, flash card (Flash Card), etc.
  • the memory 21 may also include both the internal storage unit of the computer device 2 and its external storage device.
  • the memory 21 is generally used to store the operating system and various application software installed in the computer device 2, for example, the program code of the vehicle estimation system 20 based on big data in the second embodiment.
  • the memory 21 can also be used to temporarily store various types of data that have been output or will be output.
  • the processor 22 may be a central processing unit (Central Processing Unit) in some embodiments. Processing Unit, CPU), controller, microcontroller, microprocessor, or other data processing chip.
  • the processor 22 is generally used to control the overall operation of the computer device 2.
  • the processor 22 is used to run the program code or process data stored in the memory 21, for example, to run the vehicle estimation system 20 based on big data, so as to implement the big data-based vehicle estimation method of the first embodiment.
  • the network interface 23 may include a wireless network interface or a wired network interface, and the network interface 23 is generally used to establish a communication connection between the computer device 2 and other electronic devices.
  • the network interface 23 is used to connect the computer device 2 with an external terminal through a network, and establish a data transmission channel and a communication connection between the computer device 2 and the external terminal.
  • the network may be an intranet (Intranet), the Internet (Internet), a global system of mobile communication (Global System of Mobile) communication, GSM), Wideband Code Division Multiple Access (Wideband Code Division Multiple Access, WCDMA), 4G network, 5G network, Bluetooth (Bluetooth), Wi-Fi and other wireless or wired networks.
  • FIG. 3 only shows the computer device 2 with components 20-23, but it should be understood that it is not required to implement all the components shown, and more or fewer components may be implemented instead.
  • the big data-based vehicle estimation system 20 stored in the memory 21 may also be divided into one or more program modules, and the one or more program modules are stored in the memory 21, It is executed by one or more processors (the processor 22 in this embodiment) to complete the application.
  • FIG. 2 shows a schematic diagram of the program modules of the second embodiment of the big data-based vehicle estimation system 20.
  • the big data-based vehicle estimation system 20 can be divided into the first collection.
  • the program module referred to in this application refers to a series of computer program instruction segments that can complete specific functions, and is more suitable than a program to describe the execution process of the big data-based vehicle estimation system 20 in the computer device 2 .
  • the specific functions of the program modules 201-208 have been described in detail in the second embodiment, and will not be repeated here.
  • This embodiment also provides a computer-readable storage medium, such as flash memory, hard disk, multimedia card, card-type memory (for example, SD or DX memory, etc.), random access memory (RAM), static random access memory (SRAM), only Read memory (ROM), electrically erasable programmable read-only memory (EEPROM), programmable read-only memory (PROM), magnetic memory, magnetic disks, optical disks, servers, App application malls, etc., on which computer programs are stored, The corresponding function is realized when the program is executed by the processor.
  • the computer-readable storage medium of this embodiment is used to store the big data-based vehicle estimation system 20, and when executed by a processor, the big data-based vehicle estimation method of the first embodiment is implemented.
  • the computer-readable storage medium may be non-volatile or volatile.

Landscapes

  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (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

一种基于大数据的车辆估值方法、系统、设备及可读存储介质，该方法包括：接收目标用户的用户基本信息、估值策略选择信息、关联车辆的车辆基本信息及车辆历史信息；获取所述车辆基本信息及车辆历史信息对应的多个权重参数，将上述权重参数输入第一车辆估值模型；根据第一车辆估值模型获取关联车辆的第一估值价格；基于第一估值价格对应的最终残值率确定关联车辆的损耗等级及交易车辆数据集；根据交易车辆数据集中的多个交易数据与关联车辆的第一估值价格评估关联车辆的第二估值价格；基于估值策略选择信息、第二估值价格确定关联车辆的最终估值价格。该方法可以更准确地对车辆进行估值。

Description

基于大数据的车辆估值方法、系统、设备及可读存储介质
本申请要求于2019年9月6日提交中国专利局、申请号为201910844523.7,发明名称为“基于大数据的车辆估值方法、系统、设备及可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及大数据领域，尤其涉及一种基于大数据的车辆估值方法、系统、计算机设备及计算机可读存储介质。
 背景技术
随着汽车业的飞速发展，我国汽车的保有量越来越多，关于二手车的交易量及车辆贷款量也越来越多了。其中，二手车交易及贷款的关键在于二手车的估值。目前，市面上二手车估值方法多采用机器估值的方法。这种机器估值方法主要是根据获取的二手车的具体车型信息，再基于该二手车的上市年份、上市时价格进行折旧计算，最后得到该二手车的目前估值。发明人意识到基于二手车的具体车型信息的机器估值方法没有考虑到该车辆的使用历史数据及该车辆估值的具体用途，容易导致车辆估值结果不够准确、不够合理。
因此，如何更加准确、合理地对车辆进行估值是目前行业内急需解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于大数据的车辆估值方法、系统、计算机设备及计算机可读存储介质，用于解决采用现有的机器估值方法对车辆进行估值时没有考虑到该车辆的使用历史数据及该车辆估值的具体用途，导致估值价格不够准确的问题。
本申请实施例是通过下述技术方案来解决上述技术问题：
一种基于大数据的车辆估值方法，包括：
接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
为了实现上述目的，本申请实施例还提供一种基于大数据的车辆估值系统，包括：
第一采集模块，用于接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
查询模块，用于基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
第二采集模块，用于接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
输入模块，用于从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
输出模块，用于根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
第三采集模块，用于基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
评估模块，用于获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
确定模块，用于基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
为了实现上述目的，本申请实施例还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行以下步骤：
接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
为了实现上述目的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行以下步骤：
接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
本申请实施例提供的车辆估值方法、系统、计算机设备及计算机可读存储介质，相较于目前市场上通过车辆的具体车型信息、上市年份、上市价格进行机器估值的方法，本申请实施例通过将所述目标用户的关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中，以获取所述关联车辆的第一估值价格；再基于所述关联车辆的损耗等级获取相应的交易车辆的交易数据；并根据相应的交易车辆的交易数据评估所述关联车辆的第二估值价格；再基于所述估值策略选择信息及第二估值价格确定所述关联车辆的最终估值价格。本申请实施例有效结合车辆历史信息及目标用户的估值策略选择信息，能够更加准确、合理地对每个车辆进行估值。
以下结合附图和具体实施例对本申请进行详细描述，但不作为对本申请的限定。
 附图说明
图1为本申请实施例一之基于大数据的车辆估值方法的步骤流程图；
图2为本申请基于大数据的车辆估值系统之实施例二的程序模块示意图；
图3为本申请计算机设备之实施例三的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
实施例一
请参阅图1，示出了本申请实施例之基于大数据的车辆估值方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述，具体如下：
步骤S101，接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息。
具体的，所述目标用户的标识信息包括：姓名、年龄、性别、身份证号、手机号、收入范围等信息。
在示例性的实施例中，步骤S101之前还可以进一步包括：步骤S100，获取所述目标用户的授权信息。
步骤S100还可以进一步包括以下步骤：
1.1、向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
1.2、接收所述客户终端基于所述授权请求信息返回的授权信息；
1.3、根据所述授权信息，生成授权指令或者不做响应。
具体的，当授权信息为“同意”时，生成授权启动指令；当接授权信息为“不同意”时，则不做响应。
步骤S102，基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息。
具体的，所述至少一个数据库包括客户信息数据库、车型数据库、车辆维修数据库等。
所述车辆基本信息包括：车架号、车型信息、车辆品牌信息、车辆颜色信息、车牌号码、上市日期、出厂日期、车辆上牌日期、车辆上市价格、车辆报价信息、车辆交易价格、车辆行驶里程数等。
所述车辆历史信息包括维修保养信息（维修记录基本信息、维修部件、维修次数、维修价格、各部件保养次数、整车保养次数等）、车险信息（投保金额、投保估值信息、出险次数、保险定损金额、理赔总金额、出险部件等）、交易信息（交易类型、过户次数、法律状态等）。
进一步的，基于客户信息数据库及车型数据库，可以根据车架号获取所述目标用户的多个车型信息，再基于车辆维修数据库，获取多个维修记录基本信息，以根据多个维修记录基本信息确定所述目标用户的关联车辆对应的一个车型信息，并根据确定的车型信息从车型数据库中获取其他的车辆基本信息，如车辆品牌信息、上市日期、出厂日期、车辆上市价格等其他信息。
步骤S103，接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息。
步骤S104，从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中。
具体的，所述映射表中的关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数可由人工根据经验自行设置。
示例性的，可以从预设的映射表中得到：车辆行驶里程数5万公里对应的权重参数为0.90，车辆报价信息为20万对应的权重参数为0.82，车辆上牌时间与当前时间的差值为3年对应的权重参数为0.86，车辆品牌信息为某品牌对应的权重参数为0.88等。
步骤S105，根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格。
在本实施例中，残值率为车辆的残余价格与该车辆最新的新车市场价的比率。
具体的，所述第一车辆估值模型为基于大数据训练后的逻辑回归（Logistic Regression，LR）模型。
示例性的，可以根据公式Pm=（1-Z（x））*Y计算所述目标用户的关联车辆的第一估值价格，其中，Pm为第一估值价格，Z（x）为最终残值率，Y为所述目标用户的关联车辆的原始车价。
步骤S106，基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据。
进一步的，所述交易车辆数据集中的交易车辆的交易数据为近半年的交易数据。
步骤S107，获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格。
步骤S108，基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
示例性的，如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格。
如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
在示例性的实施例中，所述基于大数据的车辆估值方法还包括第一车辆估值模型的训练步骤：
2.1、获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据。
2.2、将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
示例性的，将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集。
通过所述训练样本集对神经网络模型进行初次训练。
通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练。
将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型。
将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
示例性的，对于样本数据集中的缺失值还可以采用对缺失值补零的方式对缺失值进行插补。
示例性的，可以删除掉一些异常的样本原始数据，以筛选得到正常的样本原始数据。由于异常的样本原始数据于样本数据集中的占比较小，可以利用kmeans（K均值）聚类算法对异常的样本原始数据进行查找并直接删除。
2.3、将所述多个样本数据集中的多个样本原始数据输入到GBDT（迭代决策树）模型中，以通过GBDT模型输出特征组合。
2.4、通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
实施例二
请继续参阅图2，示出了本申请基于大数据的车辆估值系统的程序模块示意图。在本实施例中，基于大数据的车辆估值系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本申请，并可实现上述基于大数据的车辆估值方法。本申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述基于大数据的车辆估值系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
第一采集模块201，用于接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
查询模块202，用于基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
第二采集模块203，用于接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
输入模块204，用于从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
输出模块205，用于根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
第三采集模块206，用于基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
评估模块207，用于获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
确定模块208，用于基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
进一步地，所述确定模块208还用于：
如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格；
如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
在示例性的实施例中，所述基于大数据的车辆估值系统20还包括：
授权模块200，用于：
向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
接收所述客户终端基于所述授权请求信息返回的授权信息；
根据所述授权信息，生成授权指令或者不做响应。
所述第一车辆估值模型为经过训练后的逻辑回归模型，所述系统还包括训练模块209，用于：
获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据；
将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
将所述多个样本数据集中的多个样本原始数据输入到GBDT模型中，以通过GBDT模型输出特征组合；
通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
所述训练模块209还用于：
将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集；
通过所述训练样本集对初步构建的神经网络模型进行初次训练；
通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练；
将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型；
将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
实施例三
参阅图3，是本申请实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。如图3所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及基于大数据的车辆估值系统20。其中：
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。所述计算机可读存储介质可以是非易失性，也可以是易失性。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例二的基于大数据的车辆估值系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行基于大数据的车辆估值系统20，以实现实施例一的基于大数据的车辆估值方法。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网（Intranet）、互联网（Internet）、全球移动通讯系统（Global System of Mobile communication，GSM）、宽带码分多址（Wideband Code Division Multiple Access，WCDMA）、4G网络、5G网络、蓝牙（Bluetooth）、Wi-Fi等无线或有线网络。
需要指出的是，图3仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的所述基于大数据的车辆估值系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器（本实施例为处理器22）所执行，以完成本申请。
例如，图2示出了所述实现基于大数据的车辆估值系统20实施例二的程序模块示意图，该实施例中，所述基于大数据的车辆估值系统20可以被划分为第一采集模块201、查询模块202、第二采集模块203、输入模块204、输出模块205、第三采集模块206、评估模块207及确定模块208。其中，本申请所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于大数据的车辆估值系统20在所述计算机设备2中的执行过程。所述程序模块201-208的具体功能在实施例二中已有详细描述，在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于大数据的车辆估值系统20，被处理器执行时实现实施例一的基于大数据的车辆估值方法。所述计算机可读存储介质可以是非易失性，也可以是易失性。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种基于大数据的车辆估值方法，其中，包括：
    接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
    基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
    根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
    基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
    获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
    基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
  2. 根据权利要求1所述的基于大数据的车辆估值方法，其中，接收目标用户通过客户终端提供的用户基本信息的步骤之前，还包括：
    向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
    接收所述客户终端基于所述授权请求信息返回的授权信息；
    根据所述授权信息，生成授权指令或者不做响应。
  3. 根据权利要求1所述的基于大数据的车辆估值方法，其中，所述第一车辆估值模型为经过训练后的逻辑回归模型，所述车辆估值方法还包括第一车辆估值模型的训练步骤：
    获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据；
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
    将所述多个样本数据集中的多个样本原始数据输入到GBDT模型中，以通过GBDT模型输出特征组合；
    通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
  4. 根据权利要求3所述的基于大数据的车辆估值方法，其中，将每个样本数据集中的多个样本原始数据填充到对应的多个字段中的步骤，还包括：
    将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集；
    通过所述训练样本集对初步构建的神经网络模型进行初次训练；
    通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练；
    将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型；
    将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
  5. 根据权利要求1所述的基于大数据的车辆估值方法，其中，基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格的步骤，还包括：
    如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格；
    如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
  6. 一种基于大数据的车辆估值系统，其中，包括：
    第一采集模块，用于接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
    查询模块，用于基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    第二采集模块，用于接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    输入模块，用于从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
    输出模块，用于根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
    第三采集模块，用于基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
    评估模块，用于获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
    确定模块，用于基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
  7. 根据权利要求6所述的基于大数据的车辆估值系统，其中，所述车辆估值系统还包括授权模块，用于：
    向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
    接收所述客户终端基于所述授权请求信息返回的授权信息；
    根据所述授权信息，生成授权指令或者不做响应。
  8. 根据权利要求6所述的基于大数据的车辆估值系统，其中，所述第一车辆估值模型为经过训练后的逻辑回归模型，所述系统还包括训练模块，用于：
    获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据；
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
    将所述多个样本数据集中的多个样本原始数据输入到GBDT模型中，以通过GBDT模型输出特征组合；
    通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
  9. 根据权利要求8所述的骨龄检测系统，其中，所述训练模块还用于：
    将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集；
    通过所述训练样本集对初步构建的神经网络模型进行初次训练；
    通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练；
    将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型；
    将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
  10. 根据权利要求6所述的基于大数据的车辆估值系统，其中，所述确定模块，还用于：
    如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格；
    如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
  11. 一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时执行以下步骤：
    接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
    基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
    根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
    基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
    获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
    基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
  12. 根据权利要求11所述的计算机设备，其中，所述处理器执行所述计算机程序时执行以下步骤：
    接收目标用户通过客户终端提供的用户基本信息的步骤之前，还执行以下步骤：
    向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
    接收所述客户终端基于所述授权请求信息返回的授权信息；
    根据所述授权信息，生成授权指令或者不做响应。
  13. 根据权利要求11所述的计算机设备，其中，所述第一车辆估值模型为经过训练后的逻辑回归模型，所述处理器执行所述计算机程序时执行以下步骤：
    获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据；
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
    将所述多个样本数据集中的多个样本原始数据输入到GBDT模型中，以通过GBDT模型输出特征组合；
    通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
  14. 根据权利要求13所述的计算机设备，其中，所述处理器执行所述计算机程序时执行以下步骤：
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中的步骤，还包括：
    将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集；
    通过所述训练样本集对初步构建的神经网络模型进行初次训练；
    通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练；
    将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型；
    将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
  15. 根据权利要求11所述的计算机设备，其中，所述处理器执行所述计算机程序时执行以下步骤：
    基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格的步骤，还包括：
    如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格；
    如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
  16. 一种计算机可读存储介质，其中，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行以下步骤：
    接收目标用户通过客户终端提供的用户基本信息和估值策略选择信息，所述用户基本信息包括所述目标用户的标识信息；
    基于所述用户基本信息向至少一个数据库发送查询请求，所述查询请求用于请求所述至少一个数据库查询所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    接收所述至少一个数据库返回的所述目标用户的关联车辆的车辆基本信息及车辆历史信息；
    从预设的映射表中获取所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数，并将所述关联车辆的车辆基本信息及车辆历史信息对应的多个权重参数输入到第一车辆估值模型中；
    根据所述第一车辆估值模型输出多个残值率对应的第一置信度，将第一置信度最高的残值率确定为所述关联车辆对应的最终残值率，并根据所述最终残值率评估所述关联车辆的第一估值价格；
    基于预设的车型数据库，根据所述最终残值率确定所述关联车辆的损耗等级，并基于所述损耗等级从所述车型数据库中获取相应的交易车辆数据集，所述交易车辆数据集中包含多个相同损耗的相同车型的交易车辆的交易数据；
    获取交易车辆数据集中每个交易车辆的交易数据，并根据所述每个交易车辆的交易数据与所述关联车辆的第一估值价格评估所述关联车辆的第二估值价格；
    基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格；根据所述最终估值价格生成价格估值表单，并将该价格估值表单发送到所述客户终端中，以通过所述客户终端将所述价格估值表单显示在指定的显示界面上。
  17. 根据权利要求16所述的计算机可读存储介质，其中，所述处理器执行所述计算机程序时执行以下步骤：
    接收目标用户通过客户终端提供的用户基本信息的步骤之前，还包括：
    向所述客户终端发送授权请求信息，所述授权请求信息为是否允许计算机设备获取目标用户的用户基本信息；
    接收所述客户终端基于所述授权请求信息返回的授权信息；
    根据所述授权信息，生成授权指令或者不做响应。
  18. 根据权利要求16所述的计算机可读存储介质，其中，所述第一车辆估值模型为经过训练后的逻辑回归模型，所述处理器执行所述计算机程序时执行以下步骤：
    获取多个客户的多个样本数据集，每个样本数据集中包括对应客户的多个样本原始数据；
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中；
    将所述多个样本数据集中的多个样本原始数据输入到GBDT模型中，以通过GBDT模型输出特征组合；
    通过所述特征组合对逻辑回归模型进行训练，以构建第一车辆估值模型。
  19. 根据权利要求18所述的计算机可读存储介质，其中，所述处理器执行所述计算机程序时执行以下步骤：
    将每个样本数据集中的多个样本原始数据填充到对应的多个字段中的步骤，还包括：
    将所述样本数据集分为完整样本数据集与缺失样本数据集，并将所述完整样本数据集中的样本原始数据随机分为训练样本集和测试样本集，随机删除测试样本集中若干数据作为缺失测试样本集；
    通过所述训练样本集对初步构建的神经网络模型进行初次训练；
    通过初次训练后的神经网络模型对缺失测试样本集进行样本空白数据的插补以得到多个第一插补值，将多个第一插补值与所述测试样本集相应的样本原始数据进行比对，并根据比对结果的精确度对初次训练后的神经网络模型进行再训练；
    将完整样本数据集输入上述再训练后的神经网络模型，以得到最终训练后的神经网络模型；
    将缺失样本数据集输入上述最终训练后的神经网络模型，以得到与缺失样本数据集的样本空白数据相应的最终插补值，并将所述最终插补值填充到对应的多个字段位置处。
  20. 根据权利要求16所述的计算机可读存储介质，其中，所述处理器执行所述计算机程序时执行以下步骤：
    基于所述估值策略选择信息、第二估值价格确定所述关联车辆的最终估值价格的步骤，还包括：
    如果所述估值策略选择信息为所述关联车辆用于二手车交易的估值策略信息，则确定所述关联车辆的第二估值价格为最终估值价格；
    如果所述估值策略选择信息为所述关联车辆用于车辆贷款的估值策略信息，则将所述目标用户的用户基本信息及第二估值价格输入到第二车辆估值模型中，通过softmax分类器输出多个第三估值价格对应的第二置信度，并将第二置信度最高的第三估值价格确定为最终估值价格。
PCT/CN2020/103602 2019-09-06 2020-07-22 基于大数据的车辆估值方法、系统、设备及可读存储介质 WO2021042896A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910844523.7 2019-09-06
CN201910844523.7A CN110634021A (zh) 2019-09-06 2019-09-06 基于大数据的车辆估值方法、系统、设备及可读存储介质

Publications (1)

Publication Number Publication Date
WO2021042896A1 true WO2021042896A1 (zh) 2021-03-11

Family

ID=68972265

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/103602 WO2021042896A1 (zh) 2019-09-06 2020-07-22 基于大数据的车辆估值方法、系统、设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN110634021A (zh)
WO (1) WO2021042896A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634021A (zh) * 2019-09-06 2019-12-31 深圳壹账通智能科技有限公司 基于大数据的车辆估值方法、系统、设备及可读存储介质
CN111882345A (zh) * 2020-01-17 2020-11-03 成都检车家汽车服务有限公司 车况信息获取方法、终端设备及计算机可读存储介质
CN113671907B (zh) * 2020-05-14 2023-01-24 华晨宝马汽车有限公司 用于监控车辆生产的生产监控方法和装置及存储介质
CN112150270B (zh) * 2020-09-18 2024-08-13 中国建设银行股份有限公司 监控车辆信息的方法、装置、设备和计算机可读介质
CN112633925A (zh) * 2020-12-21 2021-04-09 深圳壹账通智能科技有限公司 物品价值评估方法、装置、计算机设备和存储介质
CN112950030B (zh) * 2021-03-02 2024-02-06 爱驰汽车有限公司 电动汽车的残差评估方法、装置、电子设备及存储介质
CN114579859B (zh) * 2022-03-04 2022-10-14 北京永泰万德信息工程技术有限公司 一种车辆个性化配置方法及系统
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
CN117114775A (zh) * 2023-04-10 2023-11-24 上海信宝博通电子商务有限公司 一种基于LightGBM模型的二手车快速定价方法及系统
CN118379132B (zh) * 2024-06-24 2024-09-06 南京三百云信息科技有限公司 用于汽车金融业务平台的处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2913790A1 (en) * 2008-09-09 2015-09-02 Truecar Inc. System and method for calculating and displaying price distributions based on analysis of transactions
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
CN108985833A (zh) * 2018-07-06 2018-12-11 成都小时代科技有限公司 一种车辆估值的方法及系统
CN109191163A (zh) * 2018-07-12 2019-01-11 深圳市轱辘汽车维修技术有限公司 一种二手车估值方法及相关设备
CN110634021A (zh) * 2019-09-06 2019-12-31 深圳壹账通智能科技有限公司 基于大数据的车辆估值方法、系统、设备及可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032400A1 (en) * 2015-07-27 2017-02-02 Truecar, Inc. Vehicle data system for distribution of vehicle data in an online networked environment
CN107180367A (zh) * 2017-06-06 2017-09-19 杭州大搜车汽车服务有限公司 一种基于机器学习的车辆估价的方法、存储介质及装置
CN109583926A (zh) * 2017-09-29 2019-04-05 优估（上海）信息科技有限公司 一种二手车定价方法装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2913790A1 (en) * 2008-09-09 2015-09-02 Truecar Inc. System and method for calculating and displaying price distributions based on analysis of transactions
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
CN108985833A (zh) * 2018-07-06 2018-12-11 成都小时代科技有限公司 一种车辆估值的方法及系统
CN109191163A (zh) * 2018-07-12 2019-01-11 深圳市轱辘汽车维修技术有限公司 一种二手车估值方法及相关设备
CN110634021A (zh) * 2019-09-06 2019-12-31 深圳壹账通智能科技有限公司 基于大数据的车辆估值方法、系统、设备及可读存储介质

Also Published As

Publication number Publication date
CN110634021A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
WO2021042896A1 (zh) 基于大数据的车辆估值方法、系统、设备及可读存储介质
CN101777147B (zh) 预测建模
US12019689B1 (en) Database system for dynamically generating customized models
CN110060144B (zh) 额度模型训练方法、额度评估方法、装置、设备及介质
US7904366B2 (en) Method and system to determine resident qualifications
US7966203B1 (en) Property insurance risk assessment using application data
US20140095213A1 (en) System and method for coordinating transactions
US8775291B1 (en) Systems and methods for enrichment of data relating to consumer credit collateralized debt and real property and utilization of same to maximize risk prediction
CN111192144A (zh) 一种金融数据预测方法、装置、设备及存储介质
CN112597745B (zh) 一种智能图表的生成方法、装置、计算机系统及可读存储介质
US20190287140A1 (en) Method and system for vehicle valuation using telematics
CN111881158A (zh) 一种管理报表数据处理方法、装置、计算机系统及可读存储介质
CN110610431A (zh) 基于大数据的智能理赔方法及智能理赔系统
CN111886619A (zh) 基于历史案例的车辆碰撞定损方法及系统
CN111340584A (zh) 一种资金方的确定方法、装置、设备及存储介质
CN112561691B (zh) 一种客户授信预测方法、装置、设备及存储介质
CN111242779B (zh) 金融数据特征选择和预测方法、装置、设备及存储介质
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
CN116503092A (zh) 用户留资意向识别方法、装置、电子设备及存储介质
CN116228431A (zh) 一种异常交易账户确定方法、装置及电子设备
CN115907898A (zh) 对再保客户进行金融产品推荐的方法及其相关设备
JP2000215251A (ja) 動的リスク評価のための多重ソ―ス情報融合システム
CN113869996A (zh) 阶梯式额度分析测算方法、装置、设备及介质
US11625788B1 (en) Systems and methods to evaluate application data
CN113724038A (zh) 一种个性化推荐保险产品的方法、装置、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20861738

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18/07/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20861738

Country of ref document: EP

Kind code of ref document: A1