[發明專利]基于大數據的汽車殘值預測模型及預測方法

在審

• 申請號: 201711479877.3
• 申請日: 2017-12-29
• 公開（公告）號: CN108154275A
• 公開（公告）日: 2018-06-12
• 發明（設計）人: 蓬蕾;程博;楊永健;高飄飄;劉志文
• 申請（專利權）人: 廣東數鼎科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 胡輝

1.基于大數據的汽車殘值預測模型，其特征在于，所述預測模型通過以下步驟建立獲得：

S01、獲取最近一段時間內汽車的大量歷史交易數據；

S02、對歷史交易數據進行交叉數據清洗處理，剔除不具備代表性的歷史交易數據；

S03、將清洗后的歷史交易數據分成N個時間段內的訓練數據，結合預設的車型數據庫，將每個時間段內的訓練數據解析為價格以及多個與二手車價格相關的影響因素；N為自然數；

S04、根據所有歷史交易數據的解析結果，針對每種車型，從預設的備選函數庫中選取合適的預測函數以及各影響因素的影響函數，組成函數數據庫；

S05、基于每個時間段內的訓練數據的解析結果，采用優化算法分別計算使得預測函數和各影響函數的成本函數最小的函數參數組合，從而建立與該時段對應的歷史參數庫；

S06、針對每種車型，根據其在N個時段內的不同的歷史參數庫，預測獲得不同參數隨時間的變化趨勢，建立預測參數庫；

S07、預測獲得每個影響因素隨時間變化的趨勢，建立影響因素預測庫；

S08、針對每個歷史參數庫，計算其對應的預測誤差，進而根據N個時段內的預測誤差的變化規律，預測獲得預測誤差隨時間的變化趨勢，建立預測誤差時間序列趨勢庫；

S09、建立由上述函數數據庫、預測參數庫、影響因素預測庫以及預測誤差時間序列趨勢庫構成的預測模型。

2.根據權利要求1所述的基于大數據的汽車殘值預測模型，其特征在于，所述影響因素包括舊車供應量因素、新車價格因素、新車型市場表現因素、消費趨勢因素、車型折舊因素、配置價值折舊因素、城市影響因素、交易類型影響因素和個體因子影響因素。

3.根據權利要求2所述的基于大數據的汽車殘值預測模型，其特征在于，所述步驟S05中，所述分別計算每種車型在該時段內預測函數和各影響函數相應的函數參數的步驟中，具體通過計算選取使得由預測函數和各影響函數組成的正則化成本函數最小的參數值作為相應的函數參數。

4.根據權利要求1所述的基于大數據的汽車殘值預測模型，其特征在于，所述步驟S07中，采用時間序列法或因果預測模型預測獲得每個影響因素隨時間的變化趨勢。

5.根據權利要求1所述的基于大數據的汽車殘值預測模型，其特征在于，所述步驟S04中，所述從預設的備選函數庫中選取合適的預測函數以及各影響因素的影響函數的步驟中，采用的選取原則為：

從預設的備選函數庫中選取函數組成不同的預測函數和各影響函數的函數組合后，代入解析得到的價格以及多個影響因素進行計算，最后選擇總體擬合度最好的函數組合。

6.根據權利要求1所述的基于大數據的汽車殘值預測模型，其特征在于，所述歷史交易數據包括城市、車型、型號、年款、里程、上牌年月、顏色，還包括交易類型、過戶次數、車況和/或保養情況。

7.基于大數據的汽車殘值預測方法，應用權利要求1-6任一項所述的汽車殘值預測模型，其特征在于，包括以下步驟：

S11、獲取用戶輸入的目標汽車的車型信息以及預測時間；

S12、根據用戶輸入的車型信息，結合預設的車型數據庫，匹配獲得對應的車輛配置信息；

S13、從預測模型的函數數據庫、預測參數庫、影響因素預測庫以及預測誤差時間序列趨勢庫中選取對應的函數以及參數后，將車型信息和預測時間代入預測模型進行計算，獲得目標汽車在預測時間的預測殘值；

其中，所述車型信息包括型號、上牌時間、里程、車況、交易地點、顏色、配置和/或物理參數。

8.根據權利要求7所述的基于大數據的汽車殘值預測方法，其特征在于，還包括以下步驟：

S14、計算獲得目標汽車在當前時間到預測時間中不同時段的預測殘值，并進行圖形化顯示。