[發明專利]殘值確定方法、模型獲取方法、裝置、設備及存儲介質

在審

• 申請號: 202010969352.3
• 申請日: 2020-09-15
• 公開（公告）號: CN112101998A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 薛淼;孟格思;李敏;王瑜
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N20/00
• 代理公司: 北京超成律師事務所 11646
• 代理人: 裴素英

本申請提供了一種殘值確定方法、模型獲取方法、裝置、設備及存儲介質，物品殘值確定方法包括：獲取目標物品的特征數據，目標物品的特征數據用于表征目標物品在多種維度下的信息。將特征數據輸入預先訓練獲取的目標預測模型，得到目標物品的預測殘值、目標物品的殘值上限以及目標物品的殘值下限。輸出目標物品的預測殘值、目標物品的殘值上限以及目標物品的殘值下限。該方法在模型預測出的具體殘值存在小幅的誤差的情況下，也可以使得用戶基于殘值的置信區間對物品殘值得以準確全面的了解，從而極大提升用戶感受。

技術領域

本申請涉及計算機技術領域中的大數據及人工智能技術領域，具體而言，涉及一種殘值確定方法、模型獲取方法、裝置、設備及存儲介質。

背景技術

隨著社會的不斷發展以及汽車行業的不斷完善，汽車的購買量急劇上升。隨著汽車購買量的不斷上升，人們對于汽車未來的保值情況尤為關注。而汽車的殘值受車齡、車況、配置等多種因素的影響，因此，對于汽車的殘值預測的難度較大。因此，如何進行準確的汽車殘值預測，是亟待解決的問題。

現有技術中，提出了一種利用機器學習模型自動對電動汽車進行殘值預測的方法。該方法使用預設的訓練集訓練機器學習模型，并由機器學習模型基于電動汽車的特征數據得到電動汽車的殘值率。

但是，現有的方法僅能輸出電動汽車的具體殘值率，該具體殘值率可能存在一定的誤差，因此，可能導致用戶獲知的殘值信息不夠準確全面，進而導致用戶的體驗不佳。

發明內容

有鑒于此，本申請實施例的目的在于提供一種殘值確定方法、模型獲取方法、裝置、設備及存儲介質，以解決現有技術中具體殘值率存在一定誤差時用戶無法準確全面獲知殘值信息的問題。

第一方面，本申請提供一種物品殘值確定方法，包括：

獲取目標物品的特征數據，所述目標物品的特征數據用于表征所述目標物品在多種維度下的信息。

將所述特征數據輸入預先訓練獲取的目標預測模型，得到所述目標物品的預測殘值、所述目標物品的殘值上限以及所述目標物品的殘值下限。

輸出所述目標物品的預測殘值、所述目標物品的殘值上限以及所述目標物品的殘值下限。

一種可能的方式中，所述目標物品的特征數據包括：所述目標物品在基礎屬性維度、歷史交易結果維度、時間類型維度以及地域維度的特征數據。

一種可能的方式中，所述歷史交易結果維度的特征數據包括：時間平滑特征數據以及信息熵特征數據，所述時間平滑特征數據基于所述目標物品對應的歷史實際殘值以及時間信息得到，所述信息熵特征數據基于對所述目標物品對應的歷史實際殘值的熵值計算得到。

一種可能的方式中，所述方法還包括：

根據預設特征上的各特征數據之間的預設比值，得到關聯物品的預測殘值、殘值上限以及殘值下限，所述關聯物品與所述目標物品在所述預設特征上的特征數據不同，并且，所述關聯物品與所述目標物品在除所述預設特征之外的特征上的特征數據相同。

一種可能的方式中，所述目標預測模型包括：殘值預測模型、殘值上限預測模型以及殘值下限預測模型。

所述將所述特征數據輸入預先訓練獲取的目標預測模型，得到所述目標物品的預測殘值、所述目標物品的殘值上限以及所述目標物品的殘值下限，包括：

將所述特征數據分別輸入預先訓練獲取的殘值預測模型、殘值上限預測模型以及殘值下限預測模型，分別得到所述目標物品的預測殘值、所述目標物品的殘值上限以及所述目標物品的殘值下限。

一種可能的方式中，所述將所述特征數據分別輸入預先訓練獲取的殘值預測模型、殘值上限預測模型以及殘值下限預測模型，分別得到所述目標物品的預測殘值、所述目標物品的殘值上限以及所述目標物品的殘值下限，包括：