车辆报价方法、装置、系统和计算机可读存储介质与流程

1.本技术实施例涉及计算机领域，特别是涉及一种车辆报价方法、装置、系统、计算机设备和计算机可读存储介质。


背景技术：

2.随着汽车工业的发展，二手车的交易需求越来越大，利用基于网络的二手车交易平台购买二手车，已经成为购买者的重要选择。但是，二手车价格信息不透明岁使得消费者面对二手车时望而却步的很重要的一个原因，进而也成为阻碍二手车行业健康发展的一个重要因素，因此，在整个二手车交易链条中，如何给处于公允的价格参考成了二手车市场尤为迫切的需求。
3.为了更公允的为二手车进行估值定价，市面上涌现了很多二手车估值平台，目前常用的评估二手车价值的方法为通过存储参数变量系数进行二手车价格的实时计算，大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数，当具体车型信息传递到系统中之后，通过实现存储好的权重系数对二手车进行价格计算。该技术方案存在以下技术缺陷：车辆信息堆积在平台服务器中导致平台服务器负担增大，进而导致平台服务器运行和维护成本增加的问题。
4.目前针对相关技术中的车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种车辆报价方法、装置、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中的车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题。
6.第一方面，本技术实施例提供了一种车辆报价方法，所述方法包括：获取历史成交订单数据和待报价车辆的当前报价方案，以及所述待报价车辆的车型信息；
7.从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息，并将所述特征信息输入到已训练的售出时长预测模型中，得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长；其中，所述已训练的售出时长预测模型是以车辆的特征信息作为输入，以车辆的实际售出时长作为监督，对机器学习模型进行训练得到的；
8.根据所述预测售出时长，调整所述当前报价方案。
9.在其中一个实施例中，获取所述当前报价方案包括：
10.获取所述待报价车辆的参考价值；
11.根据所述参考价值，生成多个参考报价方案，并分别确定所述待报价车辆的历史报价方案相对于所述多个参考报价方案的差异化价值；
12.根据所述历史成交订单数据确定所述待报价车辆的历史平均售出时长，并基于所
述历史平均售出时长分别修正所述待报价车辆在所述多个参考报价方案下的差异化价值，得到修正的差异化价值；
13.根据修正的差异化价值，确定所述待报价车辆的修正的多个参考报价方案的总价；
14.确定修正的多个参考报价方案的最低总价，并以所述最低总价作为所述历史报价方案的总价，生成所述当前报价方案。
15.在其中一个实施例中，获取所述待报价车辆的参考价值包括：
16.根据所述历史成交订单数据，获取与所述待报价车辆的车型相同的多个车辆的里程、上牌时间以及市场价；
17.将所述多个车辆按照里程和上牌时间划分为多个价值档位，并根据每个价值档位中车辆的市场价确定该价值档位对应的参考价值；
18.根据所述待报价车辆的里程以及上牌时间确定所述待报价车辆的价值档位，并将所述待报价车辆的价值档位对应的参考价值作为所述待报价车辆的参考价值。
19.在其中一个实施例中，根据所述预测售出时长，调整所述当前报价方案包括：
20.在所述当前报价方案为分期付款报价方案的情况下，根据所述预测售出时长，调整所述分期付款报价方案的分期利率；其中，所述预测售出时长与所述分期利率呈反比关系。
21.在其中一个实施例中，所述的特征信息包括以下至少之一：时间特征、车型特征、价格特征、优惠特征、节日特征、区域特征。
22.在其中一个实施例中，所述方法还包括：
23.根据所述当前报价方案，确定所述待报价车辆的拍卖利润和售出利润；
24.根据所述预测售出时长，确定所述待报价车辆的拍卖概率和售出概率；
25.根据所述拍卖利润、所述拍卖概率、所述售出利润和所述售出概率，确定所述待报价车辆的利润期望值；
26.在所述利润期望值低于预设阈值的情况下，提示所述当前报价方案存在异常。
27.第二方面，本技术实施例提供了一种车辆报价装置，所述装置包括：获取模块，用于获取历史成交订单数据和待报价车辆的当前报价方案，以及所述待报价车辆的车型信息；
28.提取模块，用于从所述历史成交订单数据和所述车型信息中提取所述待报价车辆的特征信息；
29.输入模块，用于将所述特征信息输入到已训练的售出时长预测模型中，得到所述已训练的售出时长预测模型输出的所述待报价车辆的预测售出时长；其中，所述已训练的售出时长预测模型是以车辆的特征信息作为输入，以车辆的实际售出时长作为监督，对机器学习模型进行训练得到的；
30.调整模块，用于根据所述预测售出时长，调整所述当前报价方案。
31.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆报价方法。
32.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，该程序被处理器执行时实现如上述第一方面所述的二手车辆的方法。
33.第五方面，本技术实施例提供了一种车辆报价系统，所述系统包括：
34.用户终端和服务器，所述服务器与所述用户终端通过网络连接，其中，所述服务器包括存储器、处理器以及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，
35.所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆报价方法；
36.所述用户终端用于接收并显示所述当前报价方案。
37.相比于相关技术，本技术实施例提供的车辆报价方法，通过预测待报价车辆的售出时长，进而量化待报价车辆的处置能力，解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题，实现了降低服务器负担的技术效果。
38.本技术实施例的一个或多个实施例的细节在以下附图和描述中提出，以使本技术实施例的其他特征、目的和优点更加简明易懂。
附图说明
39.此处所说明的附图用来提供对本技术实施例的进一步理解，构成本技术实施例的一部分，本技术实施例的示意性实施例及其说明用于解释本技术实施例，并不构成对本技术实施例的不当限定。在附图中：
40.图1是根据本技术实施例的车辆报价方法的流程图；
41.图2是根据本技术实施例的获得当前报价方案的流程图；
42.图3是根据本技术实施例的已训练的预测售出时长模型与统计学预测模型的评估结果示意图；
43.图4是根据本技术实施例的车辆报价装置的结构框图；
44.图5是根据本技术实施例的计算机设备的硬件结构示意图；
45.图6是根据本技术实施例的车辆报价系统的结构框图。
具体实施方式
46.为了使本技术实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术实施例进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术实施例，并不用于限定本技术实施例。基于本技术实施例提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
47.显而易见地，下面描述中的附图仅仅是本技术实施例的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术实施例应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术实施例公开的内容相关的本领域的普通技术人员而言，在本技术实施例揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术实施例公开的内容不充分。
48.在本技术实施例中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术实施例的至少一个实施例中。在说明书中的各个位置出现该短语并不
一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术实施例所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
49.除非另作定义，本技术实施例所涉及的技术术语或者科学术语应当为本技术实施例所属技术领域内具有一般技能的人士所理解的通常意义。本技术实施例所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术实施例所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术实施例所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术实施例所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术实施例所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
50.本实施例提供了一种车辆报价方法。图1是根据本技术实施例的车辆报价方法的流程图，该流程包括如下步骤：
51.步骤s101，获取历史成交订单数据和待报价车辆的当前报价方案，以及待报价车辆的车型信息。
52.在本实施例中，当前报价方案可以为四年分期报价方案或一年买断报价方案。其中，四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供，一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额；历史成交订单数据包括与待报价车辆相同车型的车辆的成交订单数据。
53.步骤s102，从历史成交订单数据和车型信息中提取待报价车辆的特征信息，并将特征信息输入到已训练的售出时长预测模型中，得到已训练的售出时长预测模型输出的待报价车辆的预测售出时长；其中，已训练的售出时长预测模型是以车辆的特征信息作为输入，以车辆的实际售出时长作为监督，对机器学习模型进行训练得到的。
54.该步骤是通过已训练的售出时长预测模型来预测待报价车辆的售出时长，进而量化销售平台对待报价车辆的处置能力，处置能力即产品转化为现金流的能力，以便在报价阶段考虑待报价车辆的处置情况，提前对难以处置的车型作出反应。
55.步骤s103，根据预测售出时长，调整当前报价方案。
56.基于已训练的售出时长预测模型，预测待报价车辆在各个里程、上牌时间区间组合下的售出时长，以此来量化二手车辆的处置能力。其中，售出时长指二手车辆上架到售出的时间，不包含收车整备的时间；依据对不同车型的不同处置能力，对车型的价格进行调整，对处置能力较差的车型可以适当降低分期利率，对处置能力较强的车型可以适当提高分期利率。
57.相关技术中的二手车估值定价方法，往往通过存储参数变量系数进行二手车价格的实时计算，大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数，当具体车型信息传递到系统中之后，通过实现存储好
的权重系数对二手车进行价格计算。
58.当二手车平均售出时长比较长的情况下，车辆信息堆积在平台服务器中导致平台服务器负担增大，进而导致平台服务器运行和维护成本增加，同时，由于报价时没有结合待报价车辆的处置能力，往往会导致报价出错，引起用户质疑。
59.同时，现有的统计学预测模型无法依据车况的不同而给出差异化的预测结果，例如：在同一车型中，里程数500公里和50000公里的车在统计学预测模型中两者的售出时长是相同的，但事实上，虽然两台二手车辆车型相同，但两者的售出时长必然存在较大的差异性。
60.通过上述步骤，通过预测待报价车辆的售出时长，进而量化待报价车辆的处置能力，解决了在二手车辆平均售出时长比较长的情况下，车辆信息堆积在平台服务器中导致平台服务器负担增大，进而导致平台服务器运行和维护成本增加的问题，实现了降低服务器负担的技术效果；同时，通过量化待报价车辆的处置能力，便于在报价阶段考虑待报价车辆的处置情况，提前对难以处置的车辆作出反应；若不考虑待报价车辆的处置能力，对于处置能力较差的待报价车辆，也有可能将其定为高价，导致该车辆的处置能力进一步下降，最终进入拍卖处置环节，导致亏损增大。
61.图2示出了本实施例中获取当前报价方案的流程，如图3所示，在其中一些实施例中，获取当前报价方案的流程包括以下步骤：
62.步骤s201，获取待报价车辆的参考价值。
63.步骤s202，根据参考价值，生成多个参考报价方案，并分别确定待报价车辆的历史报价方案相对于多个参考报价方案的差异化价值。
64.步骤s203，根据历史成交订单数据确定待报价车辆的历史平均售出时长，并基于历史平均售出时长分别修正待报价车辆在多个参考报价方案下的差异化价值，得到修正的差异化价值。
65.步骤s204，根据修正的差异化价值，确定待报价车辆的修正的多个参考报价方案的总价。
66.步骤s205，确定修正的多个参考报价方案的最低总价，并以最低总价作为历史报价方案的总价，生成当前报价方案。
67.在本实施例中，参考报价方案包括以下至少一种：全款购车报价方案、消费贷购车报价方案，根据历史成交订单数据以及与待报价车辆同款车型的车辆的当下的市场零售价，分别计算待报价车辆的全款购车总价以及消费贷购车总价待报价车辆的全款购车总价uftp为与待报价车辆同款车型的车辆的市场零售价以及保险费用的和，待报价车辆的消费贷购车总价ultp为消费贷首付、月供金额乘以期数、保险费用、上牌费用以及消费贷手续费用的和。
68.从历史成交订单数据中获得与待报价车辆同款车型的车辆的历史总价ttp，待报价车辆同款车型的车辆的历史总价ttp为首付金额、月租金额乘以期数以及月供金额乘以期数的和。
69.确定待报价车辆的历史报价方案相对于多个参考报价方案的差异化价值通过以下公式确定：差异化价值dvr1＝(ttp
–
uftp)/uftp)*α，差异化价值dvr2＝((ttp
–
ultp)/ultp)*α，其中，α为修正系数，根据历史成交订单数据确定待报价车辆的历史平均售出时
长，用来修正差异化价值，若待报价车辆的历史平均售出时长较长，则α下调，若待报价车辆的历史平均售出时长较短，则α上调。
70.还可以按照车型/车系/品牌各个维度进行统计，获得每个车型/车系/品牌的多个平均差异化价值，将其整理统合，获得车型/车系/品牌的差异化价值数据库。
71.在其中一些实施例中，获取待报价车辆的参考价值包括：根据历史成交订单数据，获取与待报价车辆的车型相同的多个车辆的里程、上牌时间以及市场价；将多个车辆按照里程和上牌时间划分为多个价值档位，并根据每个价值档位中车辆的市场价确定该价值档位对应的参考价值；根据待报价车辆的里程以及上牌时间确定待报价车辆的价值档位，并将待报价车辆的价值档位对应的参考价值作为待报价车辆的参考价值。
72.相关技术中的二手车估值定价方法，往往通过存储参数变量系数进行二手车价格的实时计算，大多数二手车估值软件底层都是存储了如车型、车龄、里程、区域等若干参变量对于二手车价格影响的权重系数，当具体车型信息传递到系统中之后，通过实现存储好的权重系数对二手车进行价格计算。
73.其中，相关技术中的二手车估值定价方法往往对里程、上牌时间的档位划分粗犷，容易出现同一车型不同档位价格倒挂的现象，例如：同上牌时间下，低里程的二手车辆报价低于高里程的二手车辆；也容易出现二手车辆报价高于新车的现象，引起用户的质疑，例如，现有技术中，往往将里程为0～25000公里的车型划为一档，这导致相同车型和相同上牌时间下里程2000公里的二手车辆的与里程20000公里的二手车辆的价格相同。
74.本实施例中，价值档位至少包括63档，分档粒度更细。在本实施例中，可以将上牌时间划分为7档，分别为0～6月，6～12月，12～18月，18～24月，24～36月，36～48月以及超过48月，将里程划分为9档，分别为0～1000公里，1000～10000公里，10000～20000公里，20000～30000公里，30000～40000公里，40000～50000公里，50000～80000公里，80000～100000公里以及超过100000公里，共计53个里程以及上牌时间档位，每个档位取中间里程以及中间上牌时间来为待报价车辆在该档位下的价格进行参考价值估值。
75.在其中一些实施例中，根据预测售出时长，调整当前报价方案包括：在当前报价方案为分期付款报价方案的情况下，根据预测售出时长，调整分期付款报价方案的分期利率；其中，预测售出时长与分期利率呈反比关系。
76.在本实施例中，当前报价方案为四年分期报价方案或一年买断报价方案中，四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供，一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额；历史成交订单数据包括与待报价车辆相同车型的车辆的成交订单数据，对预测售出时长较长的车辆可以适当降低月租利率以及月供利率，对预测售出时长较短的车型可以适当提高月租利率以及月供利率。
77.其中，本实施例中，预测售出时长在0～4天内，分别提高1％月租利率以及1％月供利率，预测售出时长在4～11天内，分别提高0.5％月租利率以及0.5％月供利率，预测售出时长在11～25天内，不对待报价车辆的月租利率以及月供利率进行调整，预测售出时长在25～35天内，分别降低0.5％月租利率以及0.5％月供利率，预测售出时长在35～45天内，分别降低1％月租利率以及1％月供利率，预测售出时长在45～55天内，分别降低1.5％月租利率以及1.5％月供利率，预测售出时长大于55天，分别降低2％月租利率以及2％月供利率。
78.在本实施例中，通过已训练的售出时长预测模型预测待报价车辆的售出时长，进
而量化待报价车辆的处置能力，同时根据待报价车辆的处置能力量化结果调整当前报价方案，完成当前报价方案。
79.在其中一些实施例中，特征信息包括以下至少之一：时间特征、车型特征、价格特征、优惠特征、节日特征、区域特征。
80.在本实施例中，时间特征为待报价车辆任何与时间相关的特征信息，时间特征包括：上架时间-年、上架时间-月、上架时间-当月-某日、上架时间-当年-某日、车型上市时间、车型年款、上架时距离上市时间间隔、上架时是否符合当下排放标准、已上牌时间-月、已上牌时间-天、上架日平均售出时长、上架周平均售出时长以及上架月平均售出时长。
81.在本实施例中，车型特征为待报价车辆任何与车型相关的特征信息，车型特征包括：品牌、车系、车型、公里数、排量、轴距、长度、级别、变速箱类型、新车上架日均销量、车型名称词向量、车系市场销量、三年保值率、大众好评率、媒体好评率、每年保养费等级、车系平均售出时长、品牌平均售出时长以及新车上架日均销量。
82.在本实施例中，价格特征为待报价车辆任何与价格相关的特征信息，价格特征包括：指导价、首付金额、月租、月供、首付比例、对外尾款、四年总价、一年买断价、提车时总费用以及交车服务费。
83.在本实施例中，优惠特征为待报价车辆任何与优惠相关的特征信息，优惠特征包括：首付直降金额、优惠券金额以及实际首付金额。
84.在本实施例中，节日特征为待报价车辆上架日与节日相关的特征信息，节日特征包括：节日等级、上架日是否为节日前7天后3天范围内，上架日距离下个节日天数、上架日第2日是否为节日、上架日第3日是否为节日、上架日第4日是否为节日、上架日第5日是否为节日
…
上架日第50日是否为节日。
85.在本实施例中，区域特征为待报价车辆任何与是售出区域相关的特征信息，区域特征包括：省份平均售出时长、城市平均售出时长、省份历史总销量以及城市历史总销量。
86.在其中一些实施例中，车辆报价方法还包括：根据当前报价方案，确定待报价车辆的拍卖利润和售出利润；根据预测售出时长，确定待报价车辆的拍卖概率和售出概率；根据拍卖利润、拍卖概率、售出利润和售出概率，确定待报价车辆的利润期望值；在利润期望值低于预设阈值的情况下，提示当前报价方案存在异常。
87.在本实施例中，超过50天没有售出的二手车辆会进入拍卖处置步骤，拍卖概率为待报价车辆的预测售出时长除以50，售出概率为1减去拍卖概率，根据当前报价方案，从历史拍卖数据库中确定待报价车辆的拍卖利润，根据当前报价方案，从财务利润模型中确定待报价车辆的售出利润，利润期望值为拍卖概率乘以拍卖利润乘以财务成本与售出概率乘以售出利润乘以财务成本的和，当利润期望值大于等于预设阈值时，则完成当前报价方案；当利润期望值小于预设阈值时，则提示当前报价方案存在异常。
88.在本实施例中，若要完成当前报价方案，需满足以下至少之一条件：待报价车辆的一年买断报价方案的总价需要小于新车的一年买断报价方案减去预设阈值的差，待报价车辆的尾款金额需要小于新车的尾款金额减去预设阈值的差，待报价车辆的四年分期报价方案的总价需要小于新车的四年分期报价方案的总价减去预设阈值的差，待报价车辆的首年费用需要小于新车的首年费用减去预设阈值的差，待报价车辆的首年月租和次三年的月供绝对差值率需要小于预设阈值，二手车辆同车型同里程上牌档位下，老款二手车辆四年分
期报价方案的总价需要小于新款二手车辆四年分期报价方案的总价减去预设阈值的差，二手车辆同车型同里程上牌档位下，老款二手车辆首年费用需要小于新款二手车辆首年减去预设阈值的差，二手车辆同车型同里程上牌档位下，老款二手车辆四年分期报价方案需要小于新款新车四年分期报价方案减去预设阈值的差，二手车辆同车型同里程上牌档位下，老款二手车辆首年费用需要小于新款新车首年减去预设阈值的差，二手车辆同车系高低配之间，低配车辆四年分期报价方案的总价需要小于高配车辆四年分期报价方案的总价减去预设阈值的差。
89.其中，新老款的区分依据车型年份，例如，2018款相对于2017款为新款，2018款相对于2019款为老款；待报价车辆首年月租和次三年的月供绝对差值率＝绝对值(首年月租-次三年月供)/首年月租；首年费用为首付金额和12个月的首年月租的和；同车系高低配的区分依据指导价，例如，相同车系编码下，厂商指导价高的车为高配。
90.上述价格监控体系在日常调价活动中也有监控作用，避免调价后价格出错，导致价格不合理，进而降低二手车辆价格公信力，对于价格监控报错结果，每日实时监控调整。
91.图3示出了本技术实施例的已训练的预测售出时长模型与统计学预测模型的评估结果示意图。
92.其中，已训练的售出时长预测模型的输入还包括以下至少一种：库存数据、财务口径优惠数据、从车型数据中提取的特征信息，售出时长预测模型可以选用light gbm算法或者其他的决策树算法，通过输入已清洗后的训练集对其进行训练。已清洗后的训练集包括以下至少一种：二手车成交订单数据、库存数据、财务口径优惠数据、从车型数据中提取的特征信息。在本实施例中，售出时长预测模型的参数为：
93.n_estimators＝4000；
94.learning_rate＝0.01；
95.objective＝
‘
regression’；
96.num_leaves＝4；
97.feature_fraction＝0.2；
98.min_data_in_leaf＝2；
99.max_bin＝200。
100.在本实施例中，已清洗后的训练集包括2018年1月16日至2019年12月23日中的22646条二手车成交订单数据、库存数据、财务口径优惠数据或从车型数据中提取的特征信息，已清洗后的测试集包括2019年12月23日至2020年1月23日中的1523条二手车成交订单数据、库存数据、财务口径优惠数据或从车型数据中提取的特征信息。
101.在本实施例中，已训练的售出时长预测模型对特征信息的重要性排序结果如表1所示：
102.表1
[0103][0104][0105]
将本实施例中的已训练的售出时长预测模型与统计学预测模型进行对比实验，本实施例中的已训练的售出时长预测模型与统计学预测模型的评估结果如表2所示，统计学预测模型即取二手车辆的历史售出时长数据，按照车型分类取售出时长平均值，该值作为该车型的预测售出时长。
[0106]
表2
[0107]
[0108]
分别对i类、ii类、iii类、iv类车型进行售出时长预测，本实施例中的已训练的售出时长预测模型的平均绝对误差均小于统计学预测模型的平均绝对误差，按照i类车型30％的销量占比，ii类车型30％的销量占比，iii类车型30％的销量占比，iv类车型10％的销量占比，本实施中的已训练的售出时长预测模型的最终加权平均误差为8.76天。
[0109]
其中，包括i类以及ii类畅销车型的加权平均绝对误差为8.96天，包括i类、ii类以及iii类畅销车型的加权平均绝对误差为8.76天，包括i类、ii类、iii类以及iv类全量车型的加权平均绝对误差为8.76天，所有新上架车型的加权平均绝对误差为9.32天，符合预测精度。
[0110]
因此，本实施例中的已训练的售出时长预测模型对新上架车型的适用性较好；而统计学预测模型需要统计历史平均值来作为车型售出时长的预测结果，当新上架车型不存在历史销量或历史销量很小时，统计学预测模型的预测结果会具有极大的偶然性。
[0111]
当本实施例中的已训练的预测售出时长模型与统计学预测模型均对2018款传祺ga4 200t自动豪华版这一车型的二手车辆进行售出时长预测时，本技术实施例的已训练的预测售出时长模型与统计学预测模型的评估结果如图3所示。
[0112]
如图3所示，图3中纵轴为售出时长，横轴为该车型的车辆标号，图3中水平的实线代表统计学预测模型的预测结果，可以得出：针对该车型的任何车况，统计学预测模型的预测结果均相同。波动的虚线代表该车型的实际售出时长，可以看到该车型根据车况不同，实际售出时长的波动很大，该车型的平均售出时长可能与统计学预测模型相近，但是对于该车型不同车况的车辆，统计学预测模型的误差很大；波动的实线代表本实施例中的已训练的预测售出时长模型，本实施例中的已训练的预测售出时长模型并没有与该车型的实际售出时长完全重合，但是两者趋势大致相符，预测结果优于统计学预测模型。
[0113]
本实施例中的已训练的售出时长预测模型中还可以通过将每个月的新销量数据提取出特征信息输入售出时长预测模型进行迭代、增加新的特征信息输入售出时长预测模型、优化算法内部参数、寻找更为优秀的机器学习算法或者根据实际业务场景策略修正预测结果来优化其模型本体，进而获得准确率更高的预测结果。
[0114]
综上，本技术实施例提供的车辆报价方法，根据历史成交订单数据确定与待报价车辆的车型相同的车辆的多个价值档位，根据待报价车辆的里程以及上牌时间确定待报价车辆的参考价值，根据待报价车辆的参考价值确定待报价车辆的当前报价方案，通过已训练的售出时长预测模型量化待报价车辆的处置能力，并通过待报价车辆的处置能力的量化结果调整待报价车辆的当前报价方案。相比于相关技术，本技术实施例有以下优势：
[0115]
(1)本技术实施例以市场价格作为参考价值，并附加差异化价值为待报价车辆制定报价方案，更加贴合市场。
[0116]
(2)本技术实施例将二手车辆的价值档位划分为63档，更精细地划分二手车辆的参考价值，确保多个价值档位中的参考价值不会倒挂，价值档位内部里程、上牌时间划分合理。
[0117]
(3)本技术实施例还考虑了待报价车辆的处置能力，通过已训练的售出时长预测模型，对待报价车辆的处置能力进行量化，并根据待报价车辆的处置能力量化结果，调整当前报价方案，最终在确保利润处于合理水平的前提下，完成当前报价方案。
[0118]
(4)本技术实施例通过预测待报价车辆的售出时长，进而量化待报价车辆的处置
read-only memory，简称为eprom)、电可擦除prom(electrically erasable programmable read-only memory，简称为eeprom)、电可改写rom(electrically alterable read-only memory，简称为earom)或闪存(flash)或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器(static random-access memory，简称为sram)或动态随机存取存储器(dynamic random access memory，简称为dram)，其中，dram可以是快速页模式动态随机存取存储器(fast page mode dynamic random access memory，简称为fpmdram)、扩展数据输出动态随机存取存储器(extended date out dynamic random access memory，简称为edodram)、同步动态随机存取内存(synchronous dynamic random-access memory，简称sdram)等。
[0130]
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器51所执行的可能的计算机程序指令。
[0131]
处理器51通过读取并执行存储器52中存储的计算机程序指令，以实现上述实施例中的任意一种车辆报价方法。
[0132]
在其中一些实施例中，计算机设备还可包括通信接口53和总线50。其中，如图5所示，处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
[0133]
通信接口53用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。通信接口53还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
[0134]
总线50包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一：数据总线(data bus)、地址总线(address bus)、控制总线(control bus)、扩展总线(expansion bus)、局部总线(local bus)。举例来说而非限制，总线50可包括图形加速接口(accelerated graphics port，简称为agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，简称为eisa)总线、前端总线(front side bus，简称为fsb)、超传输(hyper transport，简称为ht)互连、工业标准架构(industry standard architecture，简称为isa)总线、无线带宽(infiniband)互连、低引脚数(low pin count，简称为lpc)总线、存储器总线、微信道架构(micro channel architecture，简称为mca)总线、外围组件互连(peripheral component interconnect，简称为pci)总线、pci-express(pci-x)总线、串行高级技术附件(serial advanced technology attachment，简称为sata)总线、视频电子标准协会局部(video electronics standards association local bus，简称为vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线50可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术实施例考虑任何合适的总线或互连。
[0135]
另外，结合上述实施例中的车辆报价方法，本技术实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆报价方法。
[0136]
另外，结合上述实施例中的车辆报价方法，本技术实施例可提供一种车辆报价系统来实现。图6是根据本技术实施例的车辆报价系统的结构框图，如图6所示，该车辆报价系统包括：用户终端60和服务器61，服务器61与用户终端60通过网络连接，其中，服务器61包括存储器52、处理器51以及存储在存储器上的并可在处理器上运行的计算机程序，该处理
器51可以执行本技术实施例中的车辆报价方法，用户终端60用于接收并显示当前报价方案。
[0137]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0138]
以上所述实施例仅表达了本技术实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术实施例构思的前提下，还可以做出若干变形和改进，这些都属于本技术实施例的保护范围。因此，本技术实施例专利的保护范围应以所附权利要求为准。