[发明专利]汽车未来保值率预测方法、系统、设备及可读存储介质

说明书

本发明公开了一种汽车未来保值率预测方法、系统、设备及可读存储介质，对待预测汽车文本数据进行分词得到待预测汽车文本序列；对待预测汽车文本序列中的每个词进行词向量映射，并作为编码器‑解码器模型的输入，输出得到待预测汽车的未来保值率预测结果；其中，编码器‑解码器模型采用基于门循环单元变体的编码器‑解码器模型；本发明中待测汽车文本数据的收集和处理较结构化数据过程简单；并能够放大离散数据的作用，充分发挥了离散数据的作用，有效减少了人工收集和处理结构化的历史数据的成本；模型的输入长度可以根据文本的长度自适应变化，灵活性好；解码过程能够充分发挥循环神经网络对时序的理解，体现了新车未来保值率之间的时序性。

技术领域

本发明属于汽车保值率预测技术领域，特别涉及一种汽车未来保值率预测方法、系统、设备及可读存储介质。

背景技术

目前，汽车市场主要包括新车市场和二手车市场，新车市场的汽车交易量是二手车市场的两倍；新车市场的兴起带动了二手车市场的发展，二手车市场因此拥有更多的车源；新车的性能、外观、装饰及保值率等因素都会影响顾客的决策，其中新车未来的保值率是顾客的首要考虑因素。

目前，计算新车未来的保值率通常都是统计分析历史数据，如果想要计算某品牌的新车未来5年的保值率，就将该品牌车龄在1-5年的二手车交易数据按车龄来分组并对其二手车成交价取平均，用每个车龄对应的二手车成交价的平均值作为该品牌的新车的未来1-5年的保值率。还有学者用先聚类再回归的算法来预测汽车保值率，先聚类找到和该车同类的其它车，再用其它车的数据训练回归模型来预测该车的保值率，当然这种做法值能预测某二手车当前的保值率。同时，大数据技术越来越火热，有很多公司开始利用大数据技术来分析国内汽车市场的现状，并且按系别、车型等格式给出新车未来几年的保值率。

经过调查与研究，发现新车未来保值率的预测方法存在以下三点不足：首先，新车未来保值率的预测需要收集、处理大量的历史交易数据，这样做不仅耗费人力，而且收集数据的周期太长；其次，基于结构化数据的保值率预测模型需要对离散数据做数值化处理，数值化处理的方式会影响离散数据本身的表达含义，而且有的离散数据特征值较多很难做数据值化处理，所以一般在结构化数据中连续数据占的比重高，离散数据占的比重少；最后，新车未来保值率本质是一个时间序列，未来第1年的保值率影响了未来第2年的保值率，以此类推；所以普通的回归预测模型并不适合用来预测新车未来的保值率。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种汽车未来保值率预测方法、系统、设备及可读存储介质，以解决现有技术在预测新车未来的保值率时，历史数据不足，且只能根据结构化数据来预测，无法充分发挥离散数据的作用，同时预测结果不能体现未来保值率之间时序性的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种汽车未来保值率预测方法，包括以下步骤：

获取待预测汽车文本数据，对待预测汽车文本数据进行分词，得到待预测汽车文本序列；

采用词向量模型，对待预测汽车文本序列中的每个词进行词向量映射，得到文本序列的词向量矩阵；

将文本序列的词向量矩阵作为编码器-解码器模型的输入，获取编码器-解码器模型的输出，即得到待预测汽车的未来保值率预测结果；其中，编码器-解码器模型采用基于门循环单元变体的编码器-解码器模型。

进一步的，采用jieba工具对待预测汽车文本数据进行分词，得到待预测汽车文本序列。

进一步的，采用word2vec词向量模型，对待预测汽车文本序列中的每个词进行词向量映射，得到文本序列的词向量矩阵。

进一步的，基于门循环单元变体的编码器-解码器模型包括双层编码器及双层解码器，并在双层编码器与双层解码器之间添加软注意力机制；