面向废品与二手物品混合回收场景的动态智能定价方法、系统、电子设备和存储介质与流程

摘要: 本发明涉及物品回收,具体地涉及一种面向废品与二手物品混合回收场景的动态智能定价方法、系统、电子设备和存储介质。背景技术:1、在互联网+回收领域,线上回收平台通常...
面向废品与二手物品混合回收场景的动态智能定价方法、系统、电子设备和存储介质与流程

本发明涉及物品回收,具体地涉及一种面向废品与二手物品混合回收场景的动态智能定价方法、系统、电子设备和存储介质。

背景技术:

1、在互联网+回收领域,线上回收平台通常需要处理两类物品:一类是作为原材料处理的“废品”,例如纸板、塑料瓶、废旧金属等,其价值主要取决于物品重量和市场大宗商品价格;另一类是具有二次流通价值的“二手物品”,例如旧手机、二手家电、旧书籍等,其价值取决于品牌、型号、成色、功能完整性、配件情况等多维因素。

2、现有线上回收平台在废品与二手物品混合回收场景下的定价普遍存在如下问题:

3、(1)废品定价静态僵化:多数平台采用固定价格表或定期调整的半动态模式,无法跟随上游回收站收购价、大宗商品期货价格等市场因素的实时波动。当市场价格上涨时,平台因报价偏低而流失用户;当市场价格下跌时,平台若维持原价则产生亏损。

4、(2)二手物品回收定价粗放:

5、许多回收平台对同型号二手物品给出统一回收价,例如针对二手手机,许多平台忽略屏幕划痕、电池损耗、拆修历史、外观磨损等个体品相差异。这种“一刀切”定价导致优质品用户觉得被低估而流失,低质品用户觉得“赚了”却使平台承担亏损,产生“劣币驱逐良币”现象。

6、(3)缺乏历史成交数据支撑:

7、部分平台依赖人工评估师经验或参考二手交易平台挂牌价,但挂牌价不等于实际成交价,且人工评估效率低、标准不统一,难以规模化复用。平台运营过程中积累的海量历史成交记录仅用于统计分析,未被系统性地用于驱动定价决策。

8、(4)废品与二手物品定价割裂:现有平台通常用两套独立系统分别处理废品和二手物品,无法应对“跨界物品”——例如一部彻底损坏无法修复的旧手机,应作为废品按材料定价;而同一型号品相完好的手机,应作为二手物品按流通价值定价。现有系统通常采用完全分离的两套逻辑,其在面对“跨界物品”时,要么强制归为废品导致用户价值损失,要么强制归为二手物品导致平台亏损,这种静态分类的本质缺陷在于缺乏统一的价值评估维度和动态决策阈值。因此,如何在统一的框架下,为具有不同价值再生路径的物品构建一个自适应、多模态的定价机制,是本领域亟待解决的技术挑战。

9、综上,本领域亟需一种能够统一处理废品与二手物品混合回收场景、动态响应市场变化、利用历史数据实现精准定价的方法及系统。

技术实现思路

1、本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。

2、为了实现上述目的,本发明提供了一种面向废品与二手物品混合回收场景的动态智能定价方法,包括以下步骤:

3、获取用户提交的物品信息,所述物品信息包括物品的基础信息和结构化数据信息;

4、根据用户指定或根据所述物品信息将物品分类为废品或二手物品;

5、对于分类为废品的物品,基于上游市场数据和区域供需数据,采用废品定价模型计算废品回收价格;

6、对于分类为二手物品的物品,基于历史成交数据库中的历史成交记录,采用机器学习模型确定基础预估成交价;对用户提交的物品图片进行计算机视觉分析,得到品相修正系数;基于所述品相修正系数对所述基础预估成交价进行修正,得到二手物品回收价格。

7、优选地,当用户未明确指定物品类别时,根据所述物品信息将物品分类为废品或二手物品的具体步骤包括:

8、基于物品的品牌型号获取基准参考价格;

9、根据物品信息计算预估剩余价值;

10、将所述预估剩余价值与动态分类阈值进行比较,若预估剩余价值高于动态分类阈值,则将物品分类为二手物品,否则分类为废品;

11、其中,所述动态分类阈值根据物品的品类以及平台运营数据进行周期性调整。

12、优选地,所述废品定价模型的计算公式为:

13、

14、其中,为基于上游市场数据计算的动态基准价;为基于区域实时订单量和回收员数量计算的供需调节因子;为基于用户历史交易行为计算的用户价值系数;为物品预估重量。

15、优选地,将城市划分为若干地理网格,每个网格g的实时供需指数为:

16、

17、其中,为网格g在当前时刻的订单数量;为网格g内在线回收员数量;为防止除零的小常数;

18、供需调节因子的计算公式为:

19、

20、其中,为供需平衡阈值;和为调节强度系数;函数用于平滑调节幅度。

21、优选地,采用机器学习模型确定基础预估成交价包括以下步骤:

22、从历史成交数据库中提取训练样本,每条训练样本包含物品特征和对应的实际成交价;

23、对物品特征进行特征工程处理,包括类别特征编码、数值特征归一化、文本特征提取、交叉特征构建、时间特征提取和地域特征提取;

24、采用梯度提升树、随机森林或深度神经网络中的至少一种算法训练回归模型作为所述机器学习模型。

25、优选地,还包括使用新增交易数据更新所述机器学习模型。

26、优选地,对于历史成交数据不足的新品或稀缺物品,采用迁移学习方法来确定所述基础预估成交价,包括以下步骤:

27、选择与新品或稀缺物品的品类相似的源域品类;

28、将在源域品类上训练好的模型参数作为初始值,利用当前物品的特征信息进行微调;或者直接使用源域模型的输出乘以品类差异修正系数,得到迁移学习输出价格;

29、当预测置信度低于预设阈值时,将所述迁移学习输出价格与相似品参考价加权平均,得到新品或稀缺物品的基础预估成交价。

30、优选地,获取所述品相修正系数的步骤具体包括:

31、对用户上传的图片进行预处理,包括剔除模糊、过暗、过曝的图片;对图片进行归一化处理,统一尺寸和色彩空间;对图片中的物品主体进行检测和裁剪,去除背景干扰;

32、采用预训练的卷积神经网络作为骨干网络,设置多个并行检测分支,分别用于识别不同的品相特征;

33、各个检测分支分别输出损伤程度评分,通过加权综合生成品相评分;

34、从历史成交数据中统计不同品相评分区间相对于标准品的实际成交价折价比例或溢价比例,拟合品相评分到品相修正系数的映射函数;所述标准品为品相评分为0.5的物品。

35、优选地,所述动态智能定价方法还包括闭环反馈,所述闭环反馈包括采集反馈数据、计算反馈指标和更新模型;

36、所述反馈数据包括用户侧数据、回收员侧数据和物品侧数据,所述用户侧数据包括用户是否接受定价、接受后是否取消订单;所述回收员侧数据包括回收员上门后验机结果、是否重新议价、议价后成交价、议价原因;所述物品侧数据包括回收员上传的实际物品照片、最终处理方式、最终处理价格;

37、所述反馈指标包括定价准确率、转化率、议价率、亏损率和用户满意度;所述更新模型包括根据所述反馈指标定期更新所述机器学习模型、品相修正系数以及废品回收价格的计算参数。

38、本发明还提供一种面向废品与二手物品混合回收场景的动态智能定价系统,包括:

39、物品信息采集模块,用于获取用户提交的物品信息;

40、物品分类模块,用于根据所述物品信息将物品分类为废品或二手物品;

41、废品定价模块,用于对分类为废品的物品,基于上游市场数据和区域供需数据计算废品回收价格;

42、历史成交数据库模块,用于存储二手物品的历史成交记录;

43、二手物品定价模块,用于对分类为二手物品的物品,基于所述历史成交记录,采用机器学习模型确定基础预估成交价;对用户提交的物品图片进行计算机视觉分析,得到品相修正系数;以及基于所述品相修正系数对所述基础预估成交价进行修正,得到二手物品回收价格。

44、优选地,所述动态智能定价系统还包括价格输出模块,所述价格输出模块用于输出废品回收价格或二手物品回收价格。

45、优选地,所述动态智能定价系统还包括反馈优化模块,所述反馈优化模块用于收集交易反馈数据,定期更新所述机器学习模型、品相修正系数以及废品定价模块的计算参数。

46、本发明还提供一种电子设备,包括处理器和存储器,所述存储器中存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现上述的动态智能定价方法。

47、本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的动态智能定价方法。

48、与现有技术相比,在本发明提供的动态智能定价方法中,通过对废品与二手物品的分类、废品动态定价、二手物品历史数据建模以及品相视觉修正的有机结合,为废品与二手物品的混合回收场景构建了一个动态、智能、自适应的定价方案,显著提升了定价准确性、用户转化率和平台盈利能力。

49、本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。