[发明专利]一种基于光滑支撑向量回归融合的二手车估值方法

权利要求书

1.一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，包括以下步骤：

S1：获取二手车交易时的成交价格作为数据源，对数据源进行加工、清洗和脱敏；

S2：将脱敏后的数据源中的成交价格作为输入向量x，x_i∈R^d，i＝1,2,……,m，并根据不同的影响因素进行分类，所述影响因素作为相对变量y，y_i∈R，i＝1,2,……,m，形成集合s{x_i，y_i}；

S3：对所述集合进行约束优化；

S4：应用机器学习技术与光滑支撑向量回归及性能融合，得到融合预测模型，采用所述模型进行分析，得到二手车预测成交价格。

2.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述影响因素为二手车的成交时间、二手车的型号、二手车的车系、二手车上牌时间、二手车的行驶里程、二手车耗油率。

3.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述步骤S3中的约束优化具体包括以下步骤：

S31：建立所述数据源中的成交价格的线性函数f(x,w)＝W^Tx+b，其中w作为加权系数矩阵，b为误差项；

S32：建立所述输入向量与所述相对变量之间的ε-不敏感损失函数：

S33：赋予控制加权常数c，以控制输入向量x处于近似误差与权重向量范数||W||之间：

通过S32步骤建立ε-不敏感损失函数之后，可以使线性聚集函数f(x,w)通过同时S34步骤最小化||W²||和线性ε-不敏感损失函数之和被估计；

S34：建立约束S33步骤得到的R值：

(W^Tx+b)-y_i≤ε+ξ_i

其中ξ_i，

ξ_i和为松弛变量，超过目标值，ξ_i低于目标值，所述目标值超过ε；

S35：通过对所述集合进行约束优化，利用光滑支撑向量回归算法将输入向量x_i∈R^d映射到高维特征空间Φ(x_i)∈H，建立核函数K(x_i，y_i)执行映射Φ(·)，将所述影响因素y_i代入所述核函数K(x_i，y_i)中，得到约束优化后的所述集合。

4.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述核函数K(x_i，y_i)为多项式函数：

K(x_i，y_i)＝(x_i·y_i+1)^d，其中d是多项式函数的次数。

5.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述核函数K(x_i，y_i)为径向基函数：

K(x_i，y_i)＝exp(-γ||x_i-y_i||)，其中γ是径向基函数的常数。

6.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述机器学习技术为人工神经网络算法、随机森林算法、支持向量机算法中的一种。

7.根据权利要求1所述的一种基于光滑支撑向量回归融合的二手车估值方法，其特征在于，所述S2步骤中的形成集合采用如下公式：

其中α为加权系数。