一种二手车车辆价格预测方法及系统与流程

摘要: 本发明涉及二手产品估价方法,具体的涉及一种二手车车辆价格预测方法及系统。背景技术:1、随着二手车市场的快速发展,二手车交易量逐年攀升,车辆价格预测成为交易过程中...
一种二手车车辆价格预测方法及系统与流程

本发明涉及二手产品估价方法,具体的涉及一种二手车车辆价格预测方法及系统。

背景技术:

1、随着二手车市场的快速发展,二手车交易量逐年攀升,车辆价格预测成为交易过程中的核心问题。传统的二手车价格评估方法主要依赖于人工经验或简单的统计模型,难以全面考虑车辆的多维度特征(如品牌、车型、里程数、过户次数等)以及市场动态变化,导致预测结果准确性不足。此外,二手车数据通常存在缺失值、异常值等问题,进一步增加了价格预测的难度。

2、近年来,随着人工智能和大数据技术的进步,基于机器学习的价格预测方法逐渐成为研究热点。然而,现有方法多局限于单一模态数据(如数值型数据或文本型数据),未能充分利用多模态信息,且缺乏对模型动态更新的支持,难以适应市场价格的快速变化。因此,开发一种能够高效处理多模态数据、支持自动化模型更新并具备高预测精度的二手车价格预测方法,成为当前技术领域亟待解决的问题。

技术实现思路

1、发明目的:针对上述不足,本发明提出一种二手车车辆价格预测方法,通过对二手车关键数据提取,清洗,编码,导入预测模型,从而提供一种高效、准确的二手车车辆价格预测解决方案,以满足市场需求并提升交易效率。

2、技术方案:

3、一种二手车车辆价格预测方法,其特征在于,包括:

4、s1.获取目标二手车车辆关键数据;

5、s2.对所述目标二手车车辆关键数据进行数据清洗,得到高质量的二手车车辆关键数据;

6、s3.对所述高质量的二手车车辆关键数据进行特征编码;

7、s4.将高质量的二手车车辆关键数据的特征编码输入到二手车车辆价格预测模型中;

8、s5.得到预测二手车车辆价格。

9、进一步的,所述方法进一步的包括:

10、s6.自动化模型更新;引入最新产生的二手车车辆成交记录,所述二手车车辆成交记录包括二手车车辆关键数据和成交价格,对所述二手车车辆成交记录进行数据清洗并持久化保存,对所述二手车车辆价格预测模型进行增量学习训练,对所述二手车车辆价格预测模型进行基于交叉验证的模型评估,并进行自动化的模型部署;

11、进一步的,包括:数据流水线、模型训练、模型评估、模型部署和模型监控五个组件。

12、进一步的,所述数据流水线,其特征在于使用网络抓取(web scraping)工具实时抓取数据,并利用二手车车辆关键数据清洗技术,进行二手车车辆关键数据和价格的自动收集、清洗,将清洗数据存储到关系型mysql(my structured query language)数据库,并利用二手车车辆关键数据特征编码技术对得到的高质量的二手车车辆关键数据进行特征编码。

13、进一步的,所述模型训练,其特征在于使用自动化机器学习(automated machinelearning,automl)工具,采用小批量梯度下降方法,在收到新二手车车辆关键数据和价格数据时,立即更新模型,逐步优化参数,实现在线学习,以适应市场动态变化。

14、进一步的,所述模型评估,其特征在于使用交叉验证方法评估模型性能,并设置平均绝对误差(mean absolute error,mae)评估指标阈值,决定是否更新模型。

15、进一步的,所述模型部署,其特征在于使用持续集成工具(jenkins)实现持续集成与部署,使用开放神经网络交换(open neural network exchange,onnx)格式将模型标准化,实现跨平台部署。

16、进一步的,所述模型监控,其特征在于使用普罗米修斯(prometheus)警报工具监控模型预测性能,收集用户反馈和实际成交结果,触发下一轮模型更新。

17、进一步的,s1中,目标二手车车辆关键数据包括:数值型数据、离散型数据、时间类型数据以及文本类型数据中的一个或多个;

18、所述数值型数据包括但不仅限于:历史成交均价、里程数、过户次数中的一个或多个;

19、所述离散型数据包括但不仅限于:品牌、车型、车身颜色中的一个或多个;

20、所述时间类型数据包括但不仅限于:首次上牌时间、出售时间中的一个或多个;

21、所述文本类型数据包括但不仅限于:车牌号、车况描述。

22、进一步的,s2对所述目标二手车车辆关键数据进行数据清洗进一步的包括:空值检测、异常值检测、正则表达式检测、多字段联合分析;

23、所述空值检测,根据字段相应输入检测空值,对于数值型数据,0值代表空值,对于文本类型数据,空字符串为空值;

24、所述异常值检测采用3δ原则检测和或边界原则检测,3δ原则检测通过统计方法计算数值型字段的均值和方差,若数据值与均值的偏差超过标准差的3倍,即将该数据标记为异常值;边界原则检测对数值型字段的取值范围进行约束,该字段取值超过所述范围,即将该数据标记为异常值;

25、所述正则表达式检测法,是指根据相应文本型字段的语法规则,预设符合语法规则的正则表达式,将无法通过正则表达式语法规则的数据标记为异常值;

26、所述多字段联合分析方法,是指根据字段之间的逻辑映射关系,分析成交价格是否合理,将品牌、车型、过户次数、里程数和成交价格进行多字段联合分析,根据成交价格偏离幅度分析业务逻辑原因。

27、进一步的,s2对所述目标二手车车辆关键数据进行数据清洗进一步的包括:空值填补方法,所述空值填补法包括knn(k-nearest neighbor,knn)空值填补方法,首先对所述二手车车辆关键数据中的数值型字段进行标准化处理,以确保不同量纲数据在计算距离时具有相同权重,通过交叉验证确定knn算法中的参数k值,选择距离度量为欧式距离,根据计算出的距离,找到与数据样本最接近的k个邻接点,对于数值型数据,使用此k个邻居的中位数或均值填补空值,对于离散型数据,使用众数进行填补。

28、进一步的,s3对所述高质量的二手车车辆关键数据进行特征编码,进一步的包括:对离散型类别数据进行标签编码、对时间类型数据取差值、对车牌号数据的ascii编码及对数值型数据进行归一化处理,对文本型数据转换为数值型的技术,它将每个类别映射为一个唯一的整数。

29、进一步的,对时间类型数据取差值进一步的包括:指根据时间类型数据的月份差值公式,获得月数表示的车龄carmonth:

30、cormonth=12*(yearregistration-yearsell)+monthregistration-monthsell

31、其中,yearregistration,yearsell分别表示二手车车辆的首次上牌年份和出售年份,monthregistration,monthsell分别表示二手车车辆的首次上牌月份和出售月份。

32、进一步的,对车牌号数据的ascii(american standard code for informationinterchange)编码,是指将7(8)位的车辆号牌后5(6)位,分别将每位号码转换为相应的ascii编码,即,7(8)位文本描述型的车辆号牌被转换为5(6)个对应于后5(6)位的5(6)个整数型字段。

33、进一步的,所述对数值型数据进行归一化处理,是指将数据缩放到特定的范围(通常是[0,1]或[-1,1]),以消除特征之间的量纲差异;所述归一化处理采用最大值-最小值归一化方法,对数值valold的归一化值valnormalization的计算首先计算取值范围valrange:

34、valrange=field.max-field.min

35、其中,field.max表示字段最大值,field.min表示字段的最小值,由此计算字段的归一化值valnormalization,

36、

37、其中valold表示字段原始值。

38、进一步的,所述二手车车辆价格预测模型包括多模态转换器(transformer)特征提取网络模块和多层感知机(multilayer perceptron,mlp)神经网络模块;所述多模态转换器特征提取网络模块包括多模态数据融合模块和自注意力机制模块;将归一化数据和车况描述文本型数据,通过多模态数据融合模块提取得到多模态融合中间特征,将所述多模态融合中间特征输入到自注意力机制模块得到多模态数据特征;将所述多模态数据特征输入到多层感知机神经网络模块中,以得到预测价格。

39、进一步的,一种二手车车辆价格预测系统,实现所述的二手车车辆价格预测方法,其特征在于,包括数据采集模块、数据清洗模块、二手车车辆价格预测模块、自动化模型更新模块和风险预警模块:

40、所述数据采集模块,自动采集网站中二手车车辆关键数据和成交价格,将以上数据传入到数据清洗模块,获取并将高质量的二手车车辆关键数据存入数据库;

41、所述数据清洗模块,接收来自数据采集模块的二手车车辆关键原始数据,利用数据清洗技术,得到高质量的二手车车辆关键数据,并反馈到数据采集模块保存、利用二手车车辆关键数据特征编码技术对高质量的二手车车辆关键数据进行特征编码并馈送到二手车车辆价格预测模块预测。

42、所述二手车车辆价格预测模块,接收来自数据清洗模块的高质量的二手车车辆关键数据的特征编码,多模态transformer特征提取网络模块和多层感知机神经网络模块,实现二手车车辆价格预测。

43、所述自动化模型更新模块,自动化模型更新技术,自动更新、部署、评估和监控二手车价格预测模型。

44、所述风险预警模块,实时监测和分析模型预测结果及系统运行状态,识别潜在风险并提供预警。其特征在于分析市场波动、监测系统延迟和资源使用率、提供以上异常情况的实时预警。

45、有益效果:本发明的二手车车辆价格预测方法、系统、设备及存储介质针对二手车市场中价格预测不准确、数据质量参差不齐的问题,提出了一种高效、精准的解决方案。通过获取并清洗二手车车辆的关键数据,包括历史成交均价、里程数、品牌、车型等信息,结合多模态transformer特征提取网络和多层感知机神经网络,能够有效提取并融合数值型与文本型数据特征,从而实现高精度的二手车价格预测。此外,本发明还引入了自动化模型更新技术,通过增量学习和实时数据流水线,动态调整模型参数,确保预测模型能够适应市场变化,保持预测的准确性和时效性。本发明的系统还具备风险预警功能,能够实时监测市场波动和系统运行状态,识别潜在风险并提供预警,为二手车交易提供可靠的价格参考,提升市场透明度和交易效率。本发明的方法准确率高、实施便捷、资源利用率高,可广泛应用于二手车交易平台及车辆评估机构,助力二手车市场的规范化发展。