[发明专利]基于大数据的车辆估值方法、系统、设备及可读存储介质在审
申请号: | 201910844523.7 | 申请日: | 2019-09-06 |
公开(公告)号: | CN110634021A | 公开(公告)日: | 2019-12-31 |
发明(设计)人: | 夏良超 | 申请(专利权)人: | 深圳壹账通智能科技有限公司 |
主分类号: | G06Q30/02 | 分类号: | G06Q30/02 |
代理公司: | 11015 北京英特普罗知识产权代理有限公司 | 代理人: | 邓应山 |
地址: | 518052 广东省深圳市*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 关联 策略选择信息 车辆基本信息 车辆数据 历史信息 权重参数 大数据 可读存储介质 用户基本信息 价格评估 交易数据 接收目标 模型获取 交易 | ||
1.一种基于大数据的车辆估值方法,其特征在于,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,其特征在于,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,其特征在于,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,其特征在于,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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳壹账通智能科技有限公司,未经深圳壹账通智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910844523.7/1.html,转载请声明来源钻瓜专利网。