CN117788044A - 换车意愿预测方法、***、介质及电子设备 - Google Patents
换车意愿预测方法、***、介质及电子设备 Download PDFInfo
- Publication number
- CN117788044A CN117788044A CN202311812342.9A CN202311812342A CN117788044A CN 117788044 A CN117788044 A CN 117788044A CN 202311812342 A CN202311812342 A CN 202311812342A CN 117788044 A CN117788044 A CN 117788044A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- willingness
- history data
- predicted
- change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种换车意愿预测方法、***、介质及电子设备,方法包括:获取待预测车辆的车辆历史数据;构建待预测车辆的车辆历史数据对应的目标特征数据;将目标特征数据输入预先训练的换车意愿预测模型,输出待预测车辆的换车意愿度;基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。由于本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种换车意愿预测方法、***、介质及电子设备。
背景技术
随着车辆的不断迭代更新,在不同的时间节点上会出现很多司机对自己的车辆进行更换。
目前业界对于精准营销领域已有一些成果,例如用户画像技术是精准营销领域最常用的技术手段,例如通过建立用户画像,实现用户潜在价值挖掘、用户价值细分和用户管理等功能。现有技术中没有将用户画像技术应用到司机的换车意愿预测。
发明内容
本申请实施例提供了一种换车意愿预测方法、***、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种换车意愿预测方法,方法包括:
获取待预测车辆的车辆历史数据;
构建待预测车辆的车辆历史数据对应的目标特征数据;
将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度;
基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。
可选的,按照以下步骤生成预先训练的换车意愿预测模型,包括:
从平台***中,获取预设周期内每个车辆的车辆历史数据;
将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据;
根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本;
创建换车意愿度预测模型;
根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型。
可选的,将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据,包括:
将每个车辆的车辆历史数据按照入网时间进行排序,得到所有车辆的车辆历史数据序列;
从所有车辆的车辆历史数据序列中,识别并过滤掉历史发生车辆买卖行为的车辆对应的车辆历史信息;
从所有车辆的车辆历史数据序列中,识别并过滤车龄范围不在预设车龄范围内且未在预设时间段内上报位置信息的车辆对应的车辆历史信息;
将过滤后剩余的车辆对应的车辆历史信息作为预处理后的每个目标车辆的车辆历史数据。
可选的,根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本,包括:
根据每个目标车辆的车辆历史数据,确定每个目标车辆在未来预设周期内是否发生车辆买卖;
将发生车辆买卖的目标车辆的车辆历史信息标记为正样本;正样本为标记换车标签的车辆历史信息;
将未发生车辆买卖的目标车辆的车辆历史信息标记为负样本;负样本为未标记换车标签的车辆历史信息;
将标记的正样本和负样本作为模型训练的正样本和负样本。
可选的,根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型,包括:
构建正样本和负样本的特征数据;
将正样本和负样本的特征数据按照预设比例进行划分,得到模型的训练集和测试集;
将训练集输入换车意愿度预测模型进行训练,训练结束后得到初始换车意愿度预测模型;
将测试集中任意一条数据输入初始换车意愿度预测模型中,输出预测标签;
当预测标签和输入模型的数据所标注的真实标签一致时,将初始换车意愿度预测模型作为预先训练的换车意愿预测模型;或者,
当预测标签和输入模型的数据所标注的真实标签不一致时,继续执行将训练集输入换车意愿度预测模型进行训练的步骤,直到预测标签和输入模型的数据所标注的真实标签一致。
可选的,预先训练的换车意愿预测模型包括决策树网络和sigmoid函数;
将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度,包括:
将目标特征数据输入决策树网络中,得到决策树网络的分数和;
将分数和代入sigmoid函数中,以计算目标特征数据属于正样本的目标概率;
将计算出的目标概率作为待预测车辆的换车意愿度。
可选的,待预测车辆的车辆历史数据包括用户和车辆的关联关系信息、车辆基本属性信息、车辆运营城市信息、车辆运营里程信息、车辆运营天数信息、车辆运营行业信息、车辆维修信息、车辆出险信息、车辆运营线路信息;
车辆基本属性信息包括品牌、马力、车龄、排放标准;
车辆运营城市信息包括车辆运营过程中停靠时长最长的城市;
车辆运营里程信息包括车辆累计运营里程数、车辆高速运营里程占比、车辆国道运营里程、车辆省道运营里程占比、近1、3、6、12月内里程环比增长率、近1、3、6、12月内里程同比增长率、近1、3、6、12月里程数等;
车辆运营天数信息包括近1、3、6、12月运营的天数、近1、3、6、12月运营天数环比增长率以及近1、3、6、12月运营天数同比增长率;
车辆运营行业信息包括车辆经常停靠的围栏的行业属性;
车辆维修信息包括一定时间内车辆是否进行维修;
车辆出险信息包括一定时间内车辆是否有过出险记录;
车辆运营线路信息包括车辆经常跑的线路。
第二方面,本申请实施例提供了一种换车意愿预测***,***包括:
车辆历史数据获取模块,用于获取待预测车辆的车辆历史数据;
目标特征数据构建模块,用于构建待预测车辆的车辆历史数据对应的目标特征数据;
换车意愿度输出模块,用于将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度;
换车判定模块,用于基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种换车意愿预测方法的流程示意图;
图2是本申请实施例提供的一种换车意愿预测过程的过程示意框图;
图3是本申请实施例提供的一种换车意愿预测***的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的***和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“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。
本申请提供了一种换车意愿预测方法、***、介质及电子设备,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图2,对本申请实施例提供的换车意愿预测方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的换车意愿预测***上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种换车意愿预测方法的流程示意图。
如图1所示,本申请实施例的方法可以包括以下步骤:
S101,获取待预测车辆的车辆历史数据;
其中,待预测车辆是需要进行换车意愿预测的某一个车辆;车辆历史数据包括待预测车辆的车辆历史数据包括用户和车辆的关联关系信息、车辆基本属性信息、车辆运营城市信息、车辆运营里程信息、车辆运营天数信息、车辆运营行业信息、车辆维修信息、车辆出险信息、车辆运营线路信息;车辆基本属性信息包括品牌、马力、车龄、排放标准;车辆运营城市信息包括车辆运营过程中停靠时长最长的城市;车辆运营里程信息包括车辆累计运营里程数、车辆高速运营里程占比、车辆国道运营里程、车辆省道运营里程占比、近1、3、6、12月内里程环比增长率、近1、3、6、12月内里程同比增长率、近1、3、6、12月里程数等;车辆运营天数信息包括近1、3、6、12月运营的天数、近1、3、6、12月运营天数环比增长率以及近1、3、6、12月运营天数同比增长率;车辆运营行业信息包括车辆经常停靠的围栏的行业属性;车辆维修信息包括一定时间内车辆是否进行维修;车辆出险信息包括一定时间内车辆是否有过出险记录;车辆运营线路信息包括车辆经常跑的线路。
在本申请实施例中,在对待预测车辆进行换车意愿预测时,首先确定该车辆的入网标识,然后从数据库中,根据该入网标识获取车辆历史数据包括用户和车辆的关联关系信息、车辆基本属性信息、车辆运营城市信息、车辆运营里程信息、车辆运营天数信息、车辆运营行业信息、车辆维修信息、车辆出险信息、车辆运营线路信息;将获取的上述参数作为待预测车辆的车辆历史数据。
S102,构建待预测车辆的车辆历史数据对应的目标特征数据;
其中,特征数据是对待预测车辆的车辆历史数据中各个信息进行特征编码后的编码参数。
在本申请实施例中,在构建待预测车辆的车辆历史数据对应的目标特征数据时,可采用卷积神经网络提取车辆历史数据中各信息的特征,或者采用One-Hot编码方式对车辆历史数据中各信息进行编码,得到待预测车辆的车辆历史数据对应的目标特征数据。
对于特征数据的生成可采用多种现有方式,此处不做赘述。
S103,将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度;
其中,预先训练的换车意愿预测模型是可以确定出待预测车辆所属的司机在未来预设周期内是否进行换车的数学模型。
具体的,预先训练的换车意愿预测模型包括决策树网络和sigmoid函数;
在本申请实施例中,首先将目标特征数据输入决策树网络中,得到决策树网络的分数和;然后将分数和代入sigmoid函数中,以计算目标特征数据属于正样本的目标概率;最后将计算出的目标概率作为待预测车辆的换车意愿度。
在本申请实施例中,可按照以下步骤生成预先训练的换车意愿预测模型,首先从平台***中,获取预设周期内每个车辆的车辆历史数据;然后将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据;其次根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本;再创建换车意愿度预测模型;最后根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型。
具体的,在将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据时,首先将每个车辆的车辆历史数据按照入网时间进行排序,得到所有车辆的车辆历史数据序列;然后从所有车辆的车辆历史数据序列中,识别并过滤掉历史发生车辆买卖行为的车辆对应的车辆历史信息;其次从所有车辆的车辆历史数据序列中,识别并过滤车龄范围不在预设车龄范围内且未在预设时间段内上报位置信息的车辆对应的车辆历史信息;最后将过滤后剩余的车辆对应的车辆历史信息作为预处理后的每个目标车辆的车辆历史数据。
例如,别并过滤掉历史发生车辆买卖行为的车辆对应的车辆历史信息可以保证所有车辆均为一手车。创建换车意愿度预测模型时可采用lightGBM模型进行创建。
具体的,在根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本时,首先根据每个目标车辆的车辆历史数据,确定每个目标车辆在未来预设周期内是否发生车辆买卖;然后将发生车辆买卖的目标车辆的车辆历史信息标记为正样本;正样本为标记换车标签的车辆历史信息;其次将未发生车辆买卖的目标车辆的车辆历史信息标记为负样本;负样本为未标记换车标签的车辆历史信息;最后将标记的正样本和负样本作为模型训练的正样本和负样本。
具体的,在根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型时,首先构建正样本和负样本的特征数据;然后将正样本和负样本的特征数据按照预设比例进行划分,得到模型的训练集和测试集;其次将训练集输入换车意愿度预测模型进行训练,训练结束后得到初始换车意愿度预测模型;再将测试集中任意一条数据输入初始换车意愿度预测模型中,输出预测标签;最后当预测标签和输入模型的数据所标注的真实标签一致时,将初始换车意愿度预测模型作为预先训练的换车意愿预测模型;或者,当预测标签和输入模型的数据所标注的真实标签不一致时,继续执行将训练集输入换车意愿度预测模型进行训练的步骤,直到预测标签和输入模型的数据所标注的真实标签一致。
S104,基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。
其中,换车是指用户当前拥有车辆为司机已购买的没有经过任何其它买卖的一手车,且想要卖出当前拥有车辆,购置另外一辆货车的行为。
在本申请实施例中,当换车意愿度大于预设阈值时,可确定待预测车辆所属的司机在未来预设周期内进行换车;当换车意愿度小于等于预设阈值时,可确定待预测车辆所属的司机在未来预设周期内不进行换车。
进一步地,可对需要进行分析的每个车辆全部进行步骤S101-步骤S104的步骤,确定出存在换车行为的车辆集合;将该集合中每个车辆的用户信息上报至相关预警管理人员;或者根据业务反馈的预测信息进行进一步的对模型进行在线的迭代更新。
例如图2所示,图2是本申请提供的一种换车意愿预测过程的过程示意框图,首先确定用户关联的车辆,获取各个车辆的车辆历史数据,对各个车辆的车辆历史数据按照预设条件进行过滤,得到最终的目标车辆的车辆历史数据,对最终的目标车辆的车辆历史数据中出现换车行为和未出现换车行为的车辆历史数据分别进行标记,得到标记的正样本和负样本,通过确定正样本和负样本中信息的特征进行模型训练,得到预先训练的换车意愿预测模型,基于该模型可实现换车意愿预测,以确定出预测车辆所属司机的换车意愿度,基于该意愿度进行实际应用,例如对模型进行在线训练更新。
在本申请实施例中,获取待预测车辆的车辆历史数据;构建待预测车辆的车辆历史数据对应的目标特征数据;将目标特征数据输入预先训练的换车意愿预测模型,输出待预测车辆的换车意愿度;基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。由于本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率。
下述为本申请***实施例,可以用于执行本申请方法实施例。对于本申请***实施例中未披露的细节,请参照本申请方法实施例。
请参见图3,其示出了本申请一个示例性实施例提供的换车意愿预测***的结构示意图。该换车意愿预测***可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该***1包括车辆历史数据获取模块10、目标特征数据构建模块20、换车意愿度输出模块30、换车判定模块40。
车辆历史数据获取模块10,用于获取待预测车辆的车辆历史数据;
目标特征数据构建模块20,用于构建待预测车辆的车辆历史数据对应的目标特征数据;
换车意愿度输出模块30,用于将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度;
换车判定模块40,用于基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。
需要说明的是,上述实施例提供的换车意愿预测***在执行换车意愿预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的换车意愿预测***与换车意愿预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,获取待预测车辆的车辆历史数据;构建待预测车辆的车辆历史数据对应的目标特征数据;将目标特征数据输入预先训练的换车意愿预测模型,输出待预测车辆的换车意愿度;基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。由于本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率。
本申请还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的换车意愿预测方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的换车意愿预测方法。
请参见图4,为本申请实施例提供了一种电子设备的结构示意图。如图4所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储***。如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及换车意愿预测应用程序。
在图4所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的换车意愿预测应用程序,并具体执行以下操作:
获取待预测车辆的车辆历史数据;
构建待预测车辆的车辆历史数据对应的目标特征数据;
将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度;
基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。
在一个实施例中,处理器1001在执行生成预先训练的换车意愿预测模型时,具体执行以下操作:
从平台***中,获取预设周期内每个车辆的车辆历史数据;
将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据;
根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本;
创建换车意愿度预测模型;
根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型。
在一个实施例中,处理器1001在执行将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据时,具体执行以下操作:
将每个车辆的车辆历史数据按照入网时间进行排序,得到所有车辆的车辆历史数据序列;
从所有车辆的车辆历史数据序列中,识别并过滤掉历史发生车辆买卖行为的车辆对应的车辆历史信息;
从所有车辆的车辆历史数据序列中,识别并过滤车龄范围不在预设车龄范围内且未在预设时间段内上报位置信息的车辆对应的车辆历史信息;
将过滤后剩余的车辆对应的车辆历史信息作为预处理后的每个目标车辆的车辆历史数据。
在一个实施例中,处理器1001在执行根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本时,具体执行以下操作:
根据每个目标车辆的车辆历史数据,确定每个目标车辆在未来预设周期内是否发生车辆买卖;
将发生车辆买卖的目标车辆的车辆历史信息标记为正样本;正样本为标记换车标签的车辆历史信息;
将未发生车辆买卖的目标车辆的车辆历史信息标记为负样本;负样本为未标记换车标签的车辆历史信息;
将标记的正样本和负样本作为模型训练的正样本和负样本。
在一个实施例中,处理器1001在执行根据正样本和负样本,对换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型时,具体执行以下操作:
构建正样本和负样本的特征数据;
将正样本和负样本的特征数据按照预设比例进行划分,得到模型的训练集和测试集;
将训练集输入换车意愿度预测模型进行训练,训练结束后得到初始换车意愿度预测模型;
将测试集中任意一条数据输入初始换车意愿度预测模型中,输出预测标签;
当预测标签和输入模型的数据所标注的真实标签一致时,将初始换车意愿度预测模型作为预先训练的换车意愿预测模型;或者,
当预测标签和输入模型的数据所标注的真实标签不一致时,继续执行将训练集输入换车意愿度预测模型进行训练的步骤,直到预测标签和输入模型的数据所标注的真实标签一致。
在一个实施例中,处理器1001执行将目标特征数据输入预先训练的换车意愿预测模型中,输出待预测车辆的换车意愿度时,具体执行以下操作:
将目标特征数据输入决策树网络中,得到决策树网络的分数和;
将分数和代入sigmoid函数中,以计算目标特征数据属于正样本的目标概率;
将计算出的目标概率作为待预测车辆的换车意愿度。
在本申请实施例中,获取待预测车辆的车辆历史数据;构建待预测车辆的车辆历史数据对应的目标特征数据;将目标特征数据输入预先训练的换车意愿预测模型,输出待预测车辆的换车意愿度;基于换车意愿度,判定待预测车辆所属的司机在未来预设周期内是否进行换车。由于本申请待预测车辆的车辆历史数据可以表征车辆的基本属性和运营、维修、出险信息,同时该模型是采用机器学习算法结合预设周期内每个车辆的车辆历史数据进行训练的,因此通过该模型对车辆历史数据进行处理,可自动确定出存在换车行为的司机,能有效降低车商和存在换车行为的司机之间连接的成本,从而提高了社会运营效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,换车意愿预测的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,换车意愿预测的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种换车意愿预测方法,其特征在于,所述方法包括:
获取待预测车辆的车辆历史数据;
构建所述待预测车辆的车辆历史数据对应的目标特征数据;
将所述目标特征数据输入预先训练的换车意愿预测模型中,输出所述待预测车辆的换车意愿度;
基于所述换车意愿度,判定所述待预测车辆所属的司机在未来预设周期内是否进行换车。
2.根据权利要求1所述的方法,其特征在于,按照以下步骤生成预先训练的换车意愿预测模型,包括:
从平台***中,获取预设周期内每个车辆的车辆历史数据;
将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据;
根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本;
创建换车意愿度预测模型;
根据所述正样本和负样本,对所述换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型。
3.根据权利要求2所述的方法,其特征在于,所述将获取的所有车辆的车辆历史数据进行预处理,得到预处理后的每个目标车辆的车辆历史数据,包括:
将每个车辆的车辆历史数据按照入网时间进行排序,得到所有车辆的车辆历史数据序列;
从所有车辆的车辆历史数据序列中,识别并过滤掉历史发生车辆买卖行为的车辆对应的车辆历史信息;
从所有车辆的车辆历史数据序列中,识别并过滤车龄范围不在预设车龄范围内且未在预设时间段内上报位置信息的车辆对应的车辆历史信息;
将过滤后剩余的车辆对应的车辆历史信息作为预处理后的每个目标车辆的车辆历史数据。
4.根据权利要求2所述的方法,其特征在于,所述根据每个目标车辆的车辆历史数据,生成模型训练的正样本和负样本,包括:
根据每个目标车辆的车辆历史数据,确定所述每个目标车辆在未来预设周期内是否发生车辆买卖;
将发生车辆买卖的目标车辆的车辆历史信息标记为正样本;所述正样本为标记换车标签的车辆历史信息;
将未发生车辆买卖的目标车辆的车辆历史信息标记为负样本;所述负样本为未标记换车标签的车辆历史信息;
将标记的正样本和负样本作为模型训练的正样本和负样本。
5.根据权利要求2所述的方法,其特征在于,所述根据所述正样本和负样本,对所述换车意愿度预测模型进行训练,得到预先训练的换车意愿预测模型,包括:
构建所述正样本和负样本的特征数据;
将所述正样本和负样本的特征数据按照预设比例进行划分,得到模型的训练集和测试集;
将所述训练集输入所述换车意愿度预测模型进行训练,训练结束后得到初始换车意愿度预测模型;
将所述测试集中任意一条数据输入所述初始换车意愿度预测模型中,输出预测标签;
当所述预测标签和输入模型的数据所标注的真实标签一致时,将所述初始换车意愿度预测模型作为预先训练的换车意愿预测模型;或者,
当所述预测标签和输入模型的数据所标注的真实标签不一致时,继续执行所述将所述训练集输入所述换车意愿度预测模型进行训练的步骤,直到所述预测标签和输入模型的数据所标注的真实标签一致。
6.根据权利要求1所述的方法,其特征在于,所述预先训练的换车意愿预测模型包括决策树网络和sigmoid函数;
所述将所述目标特征数据输入预先训练的换车意愿预测模型中,输出所述待预测车辆的换车意愿度,包括:
将所述目标特征数据输入所述决策树网络中,得到决策树网络的分数和;
将所述分数和代入所述sigmoid函数中,以计算所述目标特征数据属于正样本的目标概率;
将计算出的目标概率作为所述待预测车辆的换车意愿度。
7.根据权利要求1所述的方法,其特征在于,所述待预测车辆的车辆历史数据包括用户和车辆的关联关系信息、车辆基本属性信息、车辆运营城市信息、车辆运营里程信息、车辆运营天数信息、车辆运营行业信息、车辆维修信息、车辆出险信息、车辆运营线路信息;
所述车辆基本属性信息包括品牌、马力、车龄、排放标准;
所述车辆运营城市信息包括车辆运营过程中停靠时长最长的城市;
所述车辆运营里程信息包括车辆累计运营里程数、车辆高速运营里程占比、车辆国道运营里程、车辆省道运营里程占比、近1、3、6、12月内里程环比增长率、近1、3、6、12月内里程同比增长率、近1、3、6、12月里程数等;
所述车辆运营天数信息包括近1、3、6、12月运营的天数、近1、3、6、12月运营天数环比增长率以及近1、3、6、12月运营天数同比增长率;
所述车辆运营行业信息包括车辆经常停靠的围栏的行业属性;
所述车辆维修信息包括一定时间内车辆是否进行维修;
所述车辆出险信息包括一定时间内车辆是否有过出险记录;
所述车辆运营线路信息包括车辆经常跑的线路。
8.一种换车意愿预测***,其特征在于,所述***包括:
车辆历史数据获取模块,用于获取待预测车辆的车辆历史数据;
目标特征数据构建模块,用于构建所述待预测车辆的车辆历史数据对应的目标特征数据;
换车意愿度输出模块,用于将所述目标特征数据输入预先训练的换车意愿预测模型中,输出所述待预测车辆的换车意愿度;
换车判定模块,用于基于所述换车意愿度,判定所述待预测车辆所属的司机在未来预设周期内是否进行换车。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812342.9A CN117788044A (zh) | 2023-12-26 | 2023-12-26 | 换车意愿预测方法、***、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812342.9A CN117788044A (zh) | 2023-12-26 | 2023-12-26 | 换车意愿预测方法、***、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788044A true CN117788044A (zh) | 2024-03-29 |
Family
ID=90397748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311812342.9A Pending CN117788044A (zh) | 2023-12-26 | 2023-12-26 | 换车意愿预测方法、***、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037343A (zh) * | 2024-04-15 | 2024-05-14 | 中汽信息科技(天津)有限公司 | 车辆置换概率确定方法、设备和介质 |
-
2023
- 2023-12-26 CN CN202311812342.9A patent/CN117788044A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037343A (zh) * | 2024-04-15 | 2024-05-14 | 中汽信息科技(天津)有限公司 | 车辆置换概率确定方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11354899B2 (en) | Visual inspection support using extended reality | |
US11651411B1 (en) | Systems, methods, and devices for determining and displaying market relative position of unique items | |
Bevilacqua et al. | Implementing lean information management: the case study of an automotive company | |
US20170116793A1 (en) | Method for generating vehicle health parameters, method for displaying vehicle health parameters and devices thereof | |
CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
US20170169399A1 (en) | System and method for vehicle pricing | |
WO2018175544A1 (en) | Method and system for facilitating purchase of vehicles by buyers and/or sale of vehicles by sellers | |
CN117788044A (zh) | 换车意愿预测方法、***、介质及电子设备 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
US20190102752A1 (en) | System and method of evaluating a commercial good prior to being placed in commerce | |
US11830017B2 (en) | System and method for providing a price for a vehicle | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN113222492B (zh) | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN106991175A (zh) | 一种客户信息挖掘方法、装置、设备以及存储介质 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN114240495A (zh) | 商机转化概率的预测方法、装置及计算机可读存储介质 | |
Duganova et al. | Problems of introduction of digital technologies in the transport industry | |
CN116782145A (zh) | 一种中高频gps轨迹数据处理方法、装置、存储介质及终端 | |
CN114782115B (zh) | 一种专营店选址推荐方法、***和终端设备 | |
CN115496440A (zh) | 一种二手车库存量的确定方法及装置 | |
CN115631002A (zh) | 基于计算机视觉的车险智能定损方法及*** | |
JP2015079314A (ja) | 中古車価格査定システム、方法、及びプログラム | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN109165842B (zh) | 一种基建热度指数统计方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |