电动汽车残值率评估系统、方法、设备及介质与流程

文档序号:19741246发布日期:2020-01-18 05:14阅读:1102来源:国知局
电动汽车残值率评估系统、方法、设备及介质与流程

本发明涉及车辆数据处理技术领域,尤其涉及一种电动汽车残值率评估系统、方法、设备及介质。



背景技术:

新能源电动车产业作为我国七大战略性新兴产业之一,近年来产业规模发展迅猛。2009年我国开始正式启动新能源电动车“十城千辆”的推广示范工作,截至2018年底,全球累计销售新能源电动车超过550万辆,中国占比超过了53%,2015-2018年连续4年销量位居全球第一。与之相对的是,如今消费者在购买新能源汽车时,经常会顾虑汽车残值的不确定性,这对新能源汽车的进一步推广造成了不利的影响。汽车残值是指在规定的汽车的合理使用年限之内,所剩余的使用价值。保险行业对纯电动汽车商业保险不完善也十分困扰,这些问题在一定程度上阻碍了纯电动汽车的普及。因此,亟需建立一套纯电动汽车残余价值评估方法。

通过调研发现残值评估时通常有3种传统方法:重置成本法、现行市价法、和清算价格法。1)重置成本法,被评估车辆的现时价格=重置成本×成新率。重置成本是购买一辆新的与被评估车辆相同的车辆所支付的最低成本。成新率=(1-已使用年限/规定使用年限)×调整系数×100%。缺点是缺乏客观性,确定成新率时主观因素影响较大。2)现行市价法,通过市场调节,选择一个或几个与评估对象相同或类似的资产作为比较对象,分析比较对象的现时成交价格和交易条件。估算出所需评估的资产价值的方法。缺点是该方法对市场要求较高,需要存在充分活跃的的二手车市场,市场中的车辆要足够全面且量大,才能为被评估车辆提供在使用年限、地域、车型、颜色等各方面近似的参照车辆;市场中不存在市场分割,买卖双方地位平等,才能够避免交易的偶然性。3)清算价格法,从理论上讲,清算价格法没有专门评估方法。但是在实践中大多采用如下方法:该方法给定一个可成交的最低折扣率,当买家给出折扣率不低于该最低折率时,即可成交。评估值与折扣率的乘积即为清算价格。缺点是主要用于企业破产、倒闭、自愿停业、资不抵债等特殊情况。由于适用条件的限制较大,导致清算价格明显低于普遍残值。

另外,现有技术中也有基于大数据的汽车残值预测方法,其主要是在大数据集下使用因果模型建立单个因素和残值的关系,再将各个关系简单组合处理,得出最终结果。但这种方式忽略了多个因素之间的关系,可解释性不强。

综上所述,现有的汽车残值评估方法较简单、不能充分利用数据、严重依赖人工检测(耗时、成本高、主观性强),造成估值误差大。而且已有的评估方法基本都是适用于燃油车的,尚没有专门针对电动车的方案,而由于电动车与传统燃油车区别较大,所以电动汽车的残值预测不能照搬燃油车残值评估方案。



技术实现要素:

针对现有技术中的问题,本发明的目的在于提供一种电动汽车残值率评估系统、方法、设备及介质,解决现有技术中信息使用较少、严重依赖人工检测、小数据集下无法建模和评估准确率低的问题。

本发明实施例提供一种电动汽车残值率评估系统,所述系统包括:

历史数据获取模块,用于获取电动汽车的历史交易数据,并构成训练集,所述历史交易数据包括电动汽车的特征数据和残值率数据;

评估模型训练模块,用于基于机器学习算法构建至少一个残值率评估模型,并采用所述训练集训练所述残值率评估模型,所述残值率评估模型的输入为电动汽车的特征数据,输出为电动汽车的残值率;

评估模型库,用于存储训练好的残值率评估模型;

车辆数据获取模块,用于获取待评估的电动汽车的特征数据;

残值率评估模块,用于将待评估的电动汽车的特征数据输入至所述残值率评估模型,得到所述残值率评估模型输出的残值率。

可选地,所述历史数据获取模块获取电动汽车的历史交易数据,包括所述历史数据获取模块获取历史订单数据,从所述历史订单数据中解析得到所述电动汽车的特征数据和残值率数据,以及所述历史数据获取模块从电动汽车的车载信息处理设备获取电动汽车的传感器检测数据。

可选地,所述评估模型训练模块构建至少一个残值率评估模型,包括所述评估模型训练模块根据预设的车型分类分别构建多个与车型类别一一对应的残值率评估模型;

所述评估模型训练模块采用所述训练集训练所述残值率评估模型,包括所述评估模型训练模块根据根据预设的车型分类将所述训练集中的数据分类,将不同车型类别的训练数据分别输入所对应的残值率评估模型。

可选地,所述残值率评估模块将待评估的电动汽车的特征数据输入至所述残值率评估模型,包括所述残值率评估模块判断所述待评估的电动汽车的车型类别,将所述待评估的电动汽车的特征数据输入至其车型类别所对应的残值率评估模型。

可选地,所述电动汽车的特征数据包括车辆基本特征数据、车辆销售特征数据、电力部件特征数据和使用习惯特征数据;

所述车辆基本特征数据包括城市、车型、型号、年款、里程、上牌时间、外观信息、交易类型、交易次数和使用性质中的一种或多种;

所述车辆销售特征数据包括品牌等级、口碑等级、优惠信息和销售信息中的一种或多种;

所述电力部件特征数据包括动力电池信息、电机信息和整车控制器信息中的一种或多种;

所述使用习惯特征数据包括驾驶行为信息、充电行为信息、维修记录、保养记录和故障记录中的一种或多种。

可选地,所述历史数据获取模块获取电动汽车的历史交易数据之后,整理得到多条历史数据,每条历史数据包括多个特征和对应的特征值。

可选地,设置第一阈值和第二阈值,分别为介于1和0之间的一个具体的数值;其中第一阈值大于第二阈值,对于每条历史数据,所述评估模型训练模块判断该条历史数据的特征值缺失比例是否大于第一阈值,如果是,则删除该条历史数据;

如果该条历史数据的特征值缺失比例介于第一阈值和第二阈值之间,则采用模型预测法补充该条历史数据的缺失特征值;

如果该条历史数据的特征值缺失比例小于第二阈值,则根据其他条历史数据中对应于缺失的特征值的数据,采用均值法或插值法补充该条历史数据的缺失特征值。

可选地,所述采用模型预测法补充该条历史数据的缺失特征值,包括判断该条历史数据缺失的特征值的类型,如果是离散型特征的特征值,则采用支持向量机、logistic回归分析或树分类模型补充该条历史数据的缺失特征值,如果是连续型特征的特征值,则采用线性回归支持向量机或lightgbm回归模型补充该条历史数据的缺失特征值。

可选地,所述评估模型训练模块还用于采用如下步骤对每条历史数据的特征进行筛选:

计算每个特征的特征值方差,如果一特征的特征值方差归一化处理后小于0.1,则删除每条历史数据中该特征和所对应的特征值;

采用皮尔逊系数相关矩阵法,计算每个特征与残值率的相关性,即为每个特征对应的相关系数,如果一特征的相关系数小于0.1,则删除每条历史数据中该特征和所对应的特征值。

可选地,所述评估模型训练模块还用于采用如下步骤对每条历史数据的特征进行筛选:

采用所述训练集对一个基模型进行多轮训练,且在每轮训练之后,移除具有最小绝对权重的特征和特征值,并基于移除该特征和特征值的训练集进行下一轮训练,直至剩余的特征数量符合预设的特征数量要求。

可选地,所述评估模型训练模块采用交叉验证法将所述历史数据获取模块得到的训练集进一步拆分为训练集和验证集,采用拆分后的训练集训练所述残值率评估模型,并采用验证集验证训练后的残值率评估模型的泛化性能。

可选地,所述评估模型训练模块采用回归树模型算法训练所述残值率评估模型。

本发明实施例还提供一种电动汽车残值率评估方法,采用所述的电动汽车残值率评估系统,所述方法包括:

所述车辆数据获取模块获取待评估的电动汽车的特征数据;

所述残值率评估模块从所述评估模型库中选择残值率评估模型;

所述残值率评估模块将待评估的电动汽车的特征数据输入至所述残值率评估模型,得到所述残值率评估模型输出的残值率。

本发明实施例还提供一种电动汽车残值率评估设备,包括:

处理器;

存储器,其中存储有所述处理器的可执行指令;

其中,所述处理器配置为经由执行所述可执行指令来执行所述的电动汽车残值率评估方法的步骤。

本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的电动汽车残值率评估方法的步骤。

应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。

本发明所提供的电动汽车残值率评估系统、方法、设备及介质具有下列优点:

本发明基于大数据技术和机器学习技术,自动对电动汽车进行残值预测,降低人工检测成本,在预测中综合考虑电动汽车本身的特征数据,实时根据车况预测残值,从而提高残值预测的准确性,并且更加适用于电动汽车,实用性很强,有利于电动汽车的推广和应用。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的电动汽车残值率评估系统的结构示意图;

图2是本发明一实施例的电动汽车残值率评估系统进行建模的流程图;

图3是本发明一实施例的电动汽车残值率评估系统进行建模的过程示意图;

图4是本发明一实施例的电动汽车残值率评估方法的流程图;

图5是本发明一实施例的电动汽车残值率评估设备的示意图;

图6是本发明一实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

如图1所示,为了解决现有技术的技术问题,本发明提供了一种电动汽车残值率评估系统,所述系统包括:

历史数据获取模块m100,用于获取电动汽车的历史交易数据,并构成训练集,所述历史交易数据包括电动汽车的特征数据和残值率数据;

评估模型训练模块m200,用于基于机器学习算法构建至少一个残值率评估模型,并采用所述训练集训练所述残值率评估模型,所述残值率评估模型的输入为电动汽车的特征数据,输出为电动汽车的残值率;

评估模型库m300,用于存储训练好的残值率评估模型;

车辆数据获取模块m400,用于获取待评估的电动汽车的特征数据;

残值率评估模块m500,用于将待评估的电动汽车的特征数据输入至所述残值率评估模型,得到所述残值率评估模型输出的电动汽车的残值率。

因此,本发明的电动汽车残值率评估系统通过采用上述各个功能模块,基于大数据技术和机器学习技术,对残值率评估进行建模,自动对电动汽车进行残值预测,降低人工检测成本,在预测中综合考虑电动汽车本身的特征数据,实时根据车况预测残值,从而提高残值预测的准确性。

在该实施例中,所述历史数据获取模块获取电动汽车的历史交易数据,包括所述历史数据获取模块获取历史订单数据,从所述历史订单数据中解析得到所述电动汽车的特征数据和残值率数据,以及所述历史数据获取模块从电动汽车的车载信息处理设备获取电动汽车的传感器检测数据。历史数据获取模块可以建立与销售订单管理系统的连接,直接获取电子的历史订单数据,对订单进行解析得到所需要的数据。而传感器检测数据通过can总线、车载t-box等车载信息处理设备采集到车内各个传感器的检测数据,从而完成数据采集。

在该实施例中,所述电动汽车的特征数据包括车辆基本特征数据、车辆销售特征数据、电力部件特征数据和使用习惯特征数据;

所述车辆基本特征数据包括城市、车型、型号、年款、里程、上牌时间、外观信息(例如颜色等)、交易类型(个人给公司、公司给个人、公司给公司、个人给个人等)、交易次数和使用性质(租赁、自用、营运等)中的一种或多种;

所述车辆销售特征数据包括品牌等级、口碑等级、优惠信息和销售信息中的一种或多种;其中,优惠信息可以包括新车优惠信息和优惠政策信息,销售信息可以进一步包括销售情况(售出速度、销售额等)、公司生产经营情况(营业额、利润等)、处于淡旺季等;

所述电力部件特征数据包括动力电池信息、电机信息和整车控制器信息中的一种或多种;

所述使用习惯特征数据包括驾驶行为信息、充电行为信息、维修记录、保养记录和故障记录中的一种或多种。

在一个具体实施例中,将数据特征分为基本特征、经济性特征、三电系统特征和使用习惯特征。基本特征包括:城市、车型、型号、年款、里程、上牌年月、颜色、交易类型、过户次数和使用性质;经济性特征包括:品牌等级、口碑等级、政策优惠力度、销售情况、公司生产经营情况、淡旺季和新车优惠;三电系统特征包括:动力电池成新率、电机电控和整车控制器;使用习惯特征包括:驾驶行为、充电行为、维修、保养和故障记录。一共25个特征。顺序记为α={α1,α2,…,α25}。

在特征选择前,介绍一下该实施例中对口碑系数、政策优惠力度、维修、保养和故障记录的量化方式。

口碑是企业和产品多年的沉淀和凝结,在激烈的市场竞争中影响消费者购买的重要标识,口碑对于汽车产品的保值率也有较大影响。以汽车网站中口碑评分和用户评论为数据,进行lda(latentdirichletallocation,文档主题生成模型)主题提取,对应为五个等级,作为品牌口碑系数。

车辆的维保记录记录着车辆自购买以来在4s店的维修、保养等的文字描述,详细的描述了车辆的检查及零部件更换情况,隐含着车辆车况信息。对大量二手车维修保养记录文本进行文本预处理后,采用lda-gibbs主题模型,得到各样本车辆对应维保记录在维修、保养、事故三个主题上的分布,作为后续车辆残值评估模型中的重要计算因子。

政策优惠力度:纯电动汽车在购置环节享受补贴和税收减免,将补贴金额加上税收减免额度作为政策优惠力度的量化表示。

动力电池折旧对于纯电动汽车的实体性贬值影响显著。动力电池的可靠性研究分为荷电状态(stateofcharge,soc)估计和健康度(stateofhealth,soh)估计。soh是标准条件下动力电池从充满电状态以一定倍率放电到截止电压所放出的容量与其对应的标称容量的比值,是评估动力电池健康程度的关键。该实施例主要以soh指标来表征。在其他可替代的实施方式中,也可以选择其他指标来替代动力电池指标。

如图2所示,在该实施例中,在电动汽车的历史交易数据采集之后,对特征数据进行预处理。具体地,所述历史数据获取模块m100获取电动汽车的历史交易数据之后,整理得到多条历史数据,每条历史数据包括多个特征和对应的特征值。每条历史数据即为一条数据样本。

在所述历史数据获取模块m100获取到电动汽车的历史交易数据之后,首先将数据整理成为易于机器学习建模的格式。格式具体如下:每一列为一个特征,列名为特征名称。最后一列为目标变量,即残值率。存储格式最好为csv文件或者sql文件。数据量大的话建议使用sql文件存储。然后清洗无用数据,并对获取数据的过程中存在缺失值或者异常值进行处理。

缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些特征的值是不完全的。缺失值的产生的原因主要分为机械原因和人为原因。缺少的数据可能减少模型的拟合,或者可能导致模型偏差。

缺失值处理方法可以为:简单删除法,即删除缺失值所在的整个样本。这种方法操作简单,但减少了样本数量;多重插补法,使用平均值、中位数、众数或者相邻数值填充;使用模型预测法,假设特征t个,遍历特征,将数据集分为两组,第1组没有缺失值,第2组含有缺失值,利用第1组创建预测模型,使用模型预测第2组缺失的数据。对于缺失值数量少于10%的特征,可以采用均值或者插值填充。少于1/3的特征,采用模型预测法。对于离散特征,根据特征数据特性(离散型特种),可以从svm、logisticregression、树分类模型中选择;对于连续型特征,根据特征数据特性,可从线性回归svr、lightgbm回归模型选择。舍弃缺失值数量在2/3以上的变量。

具体地,在一个具体实施例中,设置第一阈值和第二阈值,第一阈值和第二阈值分别为介于1和0之间的一个具体的数值,第一阈值和第二阈值的数值可以根据需要设定和选择;其中第一阈值大于第二阈值。

对于每条历史数据,所述评估模型训练模块m200判断该条历史数据的特征值缺失比例是否大于第一阈值,如果是,则删除该条历史数据;

如果该条历史数据的特征值缺失比例介于第一阈值和第二阈值之间,则采用模型预测法补充该条历史数据的缺失特征值;此处特征值缺失比例指的是对于该条历史数据来说,其缺少特征值的特征数量与所有特征数量的比值;

在该实施例中,所述采用模型预测法补充该条历史数据的缺失特征值,包括判断该条历史数据缺失的特征值的类型,如果是离散型特征的特征值,则采用支持向量机、logistic回归分析或树分类模型补充该条历史数据的缺失特征值,如果是连续型特征的特征值,则采用线性回归支持向量机或lightgbm回归模型补充该条历史数据的缺失特征值。

如果该条历史数据的特征值缺失比例小于第二阈值,则根据其他条历史数据中对应于缺失的特征值的数据,采用均值法或插值法补充该条历史数据的缺失特征值。此处均值法可以是将其他条历史数据对应于该缺失特征值的特征的特征值求平均值,将平均值作为该缺失特征值,插值法可以是根据其他条历史数据对应于该缺失特征值的特征的特征值构建连续函数,然后再连续函数上取对应的点作为该缺失特征值。

在该实施例中,所述评估模型训练模块m200构建至少一个残值率评估模型,包括所述评估模型训练模块m200根据预设的车型分类分别构建多个与车型类别一一对应的残值率评估模型;

所述评估模型训练模块m200采用所述训练集训练所述残值率评估模型,包括所述评估模型训练模块m200根据根据预设的车型分类将所述训练集中的数据分类,将不同车型类别的训练数据分别输入所对应的残值率评估模型。

在该实施例中,所述残值率评估模块m500将待评估的电动汽车的特征数据输入至所述残值率评估模型,包括所述残值率评估模块m500判断所述待评估的电动汽车的车型类别,将所述待评估的电动汽车的特征数据输入至其车型类别所对应的残值率评估模型。

其中,车型类别可以是预设的几个类别,例如将车型划分为大型车、小型车、中型车等几个类别,也可以采用其他的类别划分方法,均属于本发明的保护范围之内。

进一步地,本发明还包括对历史数据中异常值的检测和处理。异常值(outlier)是指一组测定值中与平均值的偏差超过两倍标准差的测定值,与平均值的偏差超过三倍标准差的测定值,称为高度异常的异常值。产生原因分为人为和自然因素。异常值可以大幅度地改变数据分析和统计建模的结果。数据集中异常值有很多不利影响。

本发明中可采用的异常值检测算方法可以包括:(1)可视化方法,如箱线图(boxplot),又称为盒须图、盒式图或箱形图,是一种用作显示一组数据分散情况资料的统计图。利用箱线图的四分位距(iqr)对异常值进行检测,其中四分位距是上四分位和下四分位的差值,超过上四分位1.5倍iqr和下四分位-1.5倍的iqr视为异常值。(2)专门的异常值检测算法,如oneclasssvm(一类支持向量机)(尤其适合中小型数据检测)、iforest(线性时间复杂度,适合处理海量的数据)。在一个具体的实施例中,采用箱线图做一个初步检测,删除明显异常的样本。在剩余样本的基础上使用oneclasssvm和iforest综合分析异常值。

进一步地,如图2所示,本发明还包括对特征进行筛选的步骤。特征选择使模型更简单,模型更精准,好的特征是数据中抽取出来的对预测结果最有用的信息。特征选择方法可以包括:filter过滤器(方差选择法、相关系数法、卡方检验、互信息法),对特征重要性排序选择,独立于模型等。

在该实施例中,所述评估模型训练模块m200进行探索数据分析(exploredataanalysis),分析变量之间的相互联系。可以绘制各个特征变量和残值率的散点图,观察各个特征和残值率的关系,删除弱相关的特征。计算各特征的方差,删除方差过小的特征。具体地,所述评估模型训练模块m200用于采用如下步骤对每条历史数据的特征进行筛选:

设置第三阈值为0.1。计算每个特征的特征值方差,如果一特征的特征值方差进行归一化处理后小于第三阈值,则删除每条历史数据中该特征和所对应的特征值;

设置第四阈值为0.1。采用皮尔逊系数相关矩阵法,计算每个特征与残值率的相关性,即为每个特征对应的相关系数,如果一特征的相关系数小于第四阈值,则删除每条历史数据中该特征和所对应的特征值。例如,记相关系数为ρ,其中,ρ∈[-1,1],ρ越接近1,表明该特征变量和残值率成正相关。反之,成负相关。删除|ρ|<0.1的特征。剩余特征集α={α1,α2,…,αn},n表示删除特征后剩余的特征个数。

在上面处理的基础上,还可以进一步使用递归特征消除法(recursivefeatureelimination)继续筛选重要特征。用一个基模型(例如:lightgbm)在α={α1,α2,…,αn}来进行多轮训练,每轮训练后,移除那些最小绝对权重的特征,再基于剩下的特征集进行下一轮训练,直到剩余特征为所需数量,至此筛选特征完成。

具体地,在该实施例中,所述评估模型训练模块还用于采用如下步骤对每条历史数据的特征进行筛选:

采用所述训练集对一个基模型进行多轮训练,且在每轮训练之后,移除具有最小绝对权重的特征和特征值,并基于移除该特征和特征值的训练集进行下一轮训练,直至剩余的特征数量符合预设的特征数量要求。

在该实施例中,所述评估模型训练模块m200根据每个车型数据,选择合适的机器学习方法建立不同的模型,每个车型数据对应的机器学习方法可以是相同的,也可以是不同的。如图3所示,为了验证构建的模型的准确性,所述评估模型训练模块m200采用交叉验证法将所述历史数据获取模块得到的训练集进一步拆分为训练集和验证集,采用拆分后的训练集训练所述残值率评估模型,并采用验证集验证训练后的残值率评估模型的泛化性能,防止模型过拟合。

该实施例中,通过优化算法使得预测值和真实值之间的指标加上正则项最小。优化算法可以如下公式所示,其中mse表示平法误差:

采用10折交叉验证法,使用lightgbm(此处以lightgbm为例)算法训练模型,绘制学习曲线图。通过观察学习曲线图可以看到模型是过拟合或者欠拟合。最后,得到一个交叉验证最优的结果,记为train_score。如果单个模型不能满足要求,可以选择多模型融合。

在该实施例中,所述评估模型训练模块采用回归树模型算法训练所述残值率评估模型。此处以回归树模型为例对车型a的残值率评估模型进行训练的过程进行介绍。首先输入车型a的训练数据为:t=({(x1,y1),(x2,y2),…,(xn,yn)}),其中,xi表示车型a的特征数据,yi表示车型a的残值率。训练过程如下:

(1)初始化f0(x)=0,第一个基分类器初始化;

(2)对m=1,2…m;

(a)计算残值rmi=yi-fm-1(xi),i=1,2,…,n;

(b)拟合残值rmi学习一颗回归树,得到

(c)更新

(3)得到回归问题提升树

每个基分类器(cart树模型)构建过程如下:输出y为残值率,将输入特征空间划分为k个区域,分别为r1,r2,…,rk,每个区域的输出值分别为:c1,c2,…,cm。损失函数取:

(3.1)依次遍历每个特征j,以及该特征的每个取值s,计算每个切分点(j,s)的损失函数,选择损失函数最小的切分点。

其中c1,c2分别为r1,r2区间内的输出平均值。

(3.2)使用上步得到的切分点将当前的输入空间划分为两个部分。

(3.3)然后将被划分后的两个部分再次计算切分点,依次类推,直到不能继续划分。

(3.4)最后将输入空间划分为k个区域r1,r2,…,rk,生成的决策树为:

其中cm为所在区域的输出值的平均。

(3.5)测试验证:使用测试集验证模型的泛化性能,测试模型对残值率预测的准确度。使用d步骤获得的交叉验证模型,对测试集数据进行预测,得出test_score,对比train_score和test_score,判断模型好坏。

(3.6)如果e步骤模型符合要求,将车型a对应的模型存入评估模型库m300。

评估模型库m300中的各个残值率评估模型可以部署在本地机器(比如台式电脑或移动设备)或云计算服务器上,前端展现形式可以为app(application,应用程序)或网页。在模型使用阶段,车辆数据获取模块m400获取用户输入的待评估的汽车的数据,也可以直接通过与车辆的数据处理设备通信获取车辆的传感器检测数据,然后在评估模型库m300中选择合适模型,对输入车型信息进行残值预测,最后输出车辆残值报告。

综上所述,本发明采用大数据技术、数据挖掘算法、nlp(自然语言处理技术)对残值率评估问题进行建模,既可以在小样本数据下建模,也能充分从海量的数据中挖掘到规律,从而获得更高的评估准确性,通过对车况的实时检测,也可以获得更高的评估实时性。本发明提出的电动汽车残值率评估系统可以为消费者购买电动车、二手电动车交易市场和电动车租赁市场提供参考依据。

如图4所示,本发明实施例还提供一种电动汽车残值率评估方法,采用上述的电动汽车残值率评估系统,所述方法包括:

s100:所述车辆数据获取模块获取待评估的电动汽车的特征数据;

s200:所述残值率评估模块从所述评估模型库中选择残值率评估模型;

s300:所述残值率评估模块将待评估的电动汽车的特征数据输入至所述残值率评估模型,得到所述残值率评估模型输出的残值率。

因此,本发明的电动汽车残值率评估方法通过采用上述各个步骤,基于大数据技术和机器学习技术,自动对电动汽车进行残值预测,降低人工检测成本,在预测中综合考虑电动汽车本身的特征数据,实时根据车况预测残值,从而提高残值预测的准确性。

在该实施例中,上述电动汽车残值率评估方法中各个步骤均可以根据上述电动汽车残值率评估系统中各个模块的功能实现方式来具体实现,例如,步骤s100可以根据车辆数据获取模块m400的具体功能实现来实现,步骤s200和步骤s300可以根据残值率评估模块m500的具体功能实现来实现,此处不予赘述。

进一步地,该电动汽车残值率评估方法还可以包括评估模型构建的步骤,即首先由历史数据获取模块m100获取电动汽车的历史交易数据,由评估模型训练模块m200根据电动汽车的历史交易数据构建残值率评估模型,并存储到评估模型库m300中去。该评估模型构建的步骤可以采用上述历史数据获取模块m100和评估模型训练模块m200的具体功能实现方式来实现,此处不予赘述。

本发明实施例还提供一种电动汽车残值率评估设备,包括处理器;存储器,其中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行所述的电动汽车残值率评估方法的步骤。

所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。

下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组合可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组合(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(rom)6203。

所述存储单元620还可以包括具有一个或多个程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700通信,外部设备700可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备700使得用户能与该电子设备600进行交互通信。电子设备600也能与一个或多个其它计算设备进行通信,所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(i/o)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan),广域网(wan)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述的电动汽车残值率评估方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(此处为非穷举的列举)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、rf等等,或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等,还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(lan)或广域网(wan),连接到用户计算设备,或者,可以连接到外部计算设备,例如利用因特网服务提供商来通过因特网连接。

综上所述,与现有技术相比,本发明所提供的电动汽车残值率评估系统、方法、设备及介质具有下列优点:

本发明基于大数据技术和机器学习技术,自动对电动汽车进行残值预测,降低人工检测成本,在预测中综合考虑电动汽车本身的特征数据,实时根据车况预测残值,从而提高残值预测的准确性,并且更加适用于电动汽车,实用性很强,有利于电动汽车的推广和应用。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1