一种运营纯电动汽车残值评估方法及设备

摘要

本发明涉及残值数据处理技术领域，尤其涉及一种运营纯电动汽车残值评估方法及设备。本发明运营纯电动汽车残值评估方法，包括步骤：1.获取待评估运营纯电动汽车的购车数据，计算该车辆的重置成本P0；2.获取该车辆的运营维护数据，运营维护数据分为数据集I和数据集II；3.建立车辆残值率评估模型，并输入数据集I获得车辆残值率C；4.建立评分体系模型和层次分析结构模型，确定数据集II中各参数的评分系数Kn和各参数的权重Pn，利用各参数的评分系数Kn和各参数的权重Pn，通过公式计算残值率修正系数K；5.利用公式P＝P0*C*K得到车辆残值P。本发明能够全面、准确地评估纯电动汽车残值。

说明书

技术领域

本发明涉及残值数据处理技术领域，尤其涉及一种运营纯电动汽车残值评估方法及系统。

背景技术

随着新能源乘用车保有量的不断增加，对于新能源二手车市场活跃度不断提高，但是体系尚未成熟，保有量小、技术更新换代快、检测手段缺乏、估值难，评估检测技术不完善，相应的服务体系不完整等问题而很难与燃油二手车竞争，因此亟需建立面向新能源汽车的二手车评估体系。

发明内容

为了解决以上问题，本发明的目的是提供一种运营纯电动汽车残值评估方法，能够全面、准确地评估纯电动汽车残值。

为实现上述目的，本发明所设计的运营纯电动汽车残值评估方法，其特征在于，包括步骤：

S1.获取待评估运营纯电动汽车的购车数据，计算该车辆的重置成本P

S2.获取该车辆的运营维护数据，运营维护数据分为数据集I和数据集II；数据集I包括车辆的车型、运营使用时间、行驶里程、运营城市数据；数据集II包括维修保养数据，维修保养数据包括整车状况参数、保养状况参数、工作环境参数、动力电池参数、车型升级换代参数、新车价格稳定性参数、品牌价值参数和售后服务水平参数；

S3.利用数据集I建立车辆残值率评估模型，并向车辆残值率评估模型中输入数据集I获得车辆残值率C；

S4.建立评分体系模型和层次分析结构模型，基于评分体系模型确定数据集II中各参数的评分系数K

S5.利用公式(2)得到车辆残值P：

P＝P

式中，P为车辆残值、P

作为优选方案，所述步骤S1中，评估运营纯电动汽车的购车数据包括购车价格P′

P

式中，P

作为优选方案，所述步骤S3中，车辆残值率评估模型的建立过程为：

(1).从数据集I中提取特征数据：

从数据集I中筛选出车型、运营时间、行驶里程、运营城市、二手车估值特征数据；

(2).采用XGBoost算法以及Boosted Trees增强树模型，对特征数据进行训练，通过模型评估优化，输出车辆残值率评估模型：

车辆残值率评估模型的函数为：

式中，

(3).将数据集I输入车辆残值率评估模型，得到车辆的评估残值率C。

作为优选方案，所述车辆残值率评估模型的损失函数为：

作为优选方案，所述步骤S4中，层次分析结构模型的建立过程为：

(1).对维修保养数据进行分类，分为车辆实体性贬值、功能性贬值、经济性贬值；车辆实体性贬值包括整车状况参数、保养状况参数、工作环境影响参数动力电池参数；功能性贬值包括车型升级换代参数和新车价格稳定性参数；经济性贬值包括品牌价值参数和售后服务水平参数；

(2).建立由目标层、准则层、方案层构成的层次结构模型：

目标层：残值率修正系数；

准则层：实体性贬值、功能性贬值、经济性贬值；

方案层：整车状况、保养状况、工作环境、动力电池、车型升级、价格稳定性、品牌保值率、售后服务水平；

(3).构造判断矩阵；

(4).判断矩阵一致性程度检验；

(5).权重计算：计算判断矩阵的权重，获得该判断矩阵对应因素相对上一层次因素的权重值。

作为优选方案，基于层次分析结构模型确定维修保养数据中整车状况参数权重P1、保养状况参数权重P2、工作环境参数权重P3、动力电池参数权重P4、车型升级换代参数权重P5、新车价格稳定性参数权重P6、品牌价值参数权重P7和售后服务水平参数权重P8分别为17.86％、4.06％、11.33％、28.19％、16.96％、5.28％、12.24％、4.08％。

作为优选方案，基于评分体系模型确定数据集II中各参数的评分系数K

(1)建立评分体系模型：

对整车状况参数、保养状况参数、工作环境参数、动力电池参数、车型升级换代参数、新车价格稳定性参数、品牌价值参数和售后服务水平参数的特征分别进行水平分级，针对每个等级设定评分系数，得到评分体系模型；

(2)特征匹配

将待评估的参数特征与评分体系模型的参数特征进行特征匹配，得到待评估的整车状况参数评分系数K1、保养状况参数评分系数K2、工作环境参数评分系数K3、动力电池参数评分系数K4、车型升级换代参数评分系数K5、新车价格稳定性参数评分系数K6、品牌价值参数评分系数K7和售后服务水平参数评分系数K8。

作为优选方案，所述动力电池参数的水平分级采用动力电池的折旧率K

一种设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。

一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法。

与现有的汽车残值评估方法相比，本发明的优点在于：本发明综合考虑使用时间因素、行驶里程因素以及地区因素，同时模型中增加残值率修正系数，从车辆的实体性、经济性以及功能性贬值全面对车辆状况评估，具有较强的针对性，能够更加全面准确地对运营纯电动汽车的残值进行评估。

附图说明

图1为本发明运营纯电动汽车残值评估方法的流程框图；

图2为建立车辆残值率评估模型的流程框图；

图3为建立层次分析结构模型的流程框图。

具体实施方式

为更好地理解本发明，以下将结合具体实例对发明进行详细的说明。

实施例1

结合图1所示，一种运营纯电动汽车残值评估方法，其特征在于，包括步骤：

S1：获取待评估运营纯电动汽车的购车数据，计算该车辆的重置成本；

结合购买方和车厂提供的数据确定并需要结合实际购买时的花费，具体地，待评估运营纯电动汽车的购车数据包括购车价格、牌照费及税费，根据公式(3)计算该车辆的重置成本：

P

式中，P

S2：获取该车辆的运营维护数据，运营维护数据分为数据集I和数据集II；数据集I包括车辆的车型、运营使用时间、行驶里程、运营城市数据，数据集II包括维修保养数据，其中维修保养数据具体包括整车状况、保养状况、工作环境、动力电池、车型升级换代、新车价格稳定性、品牌价值和售后服务水平参数；

运营维护数据来自于自运营车辆商，数据集I评估车辆残值率C；数据集II用于评估残值率修正系数K；

S3：结合图2所示，利用数据集I建立车辆残值率评估模型，并向车辆残值率评估模型中输入数据集I获得车辆残值率C：

S3.1：从数据集I中提取特征数据：

对数据集I进行预处理，剔除异常数据，并将处理后的数据划分为训练数据和测试数据，对训练数据和测试数据建立特征工程，对数据标准化以及特征提取，具体从数据集I中筛选出车型、运营时间、行驶里程、运营城市、二手车估值特征数据；

S3.2：采用XGBoost算法以及Boosted Trees增强树模型，对特征数据进行训练，通过模型评估优化，输出车辆残值率评估模型；

采用XGBoost算法以及Boosted Trees增强树模型构建车辆残值率评估模型的具体过程如下：

首先，Boosted Trees增强树模型算法过程：

(1)每一轮添加一棵树；

(2)每一轮开始的时候，计算一阶导数和二阶导数；

一阶导数：

二阶导数：

(3)统计分裂点信息，生成树：

其次，建立基学习器，即树的构建：

(1)从深度为0的树开始；

(2)对树的每个叶子节点，枚举所有的特征。对于每个特征，根据特征值对样本进行排序。对每个分裂点计算确定增益Gain最大特征和对应的分裂点；

(3)添加找到的最优分裂点。添加这个分裂点后，计算损失函数值的变化。如果增益大于设定值，选择分裂，否则舍弃该分裂点。

重复上述步骤，直到满足设定结束条件，停止分裂，模型搭建完成。

最后，获得车辆残值率评估模型的函数为：

式中，

车辆残值率评估模型的损失函数为：

S3.3：将数据集I输入车辆残值率评估模型，得到车辆的评估残值率C；

S4.基于评分体系模型和层次分析结构模型获得维修保养数据中各参数的评分系数K

S4.1.建立评分体系模型，基于评分体系模型确定维修保养数据中各参数评分系数K

结合表1～表8所示，评分体系模型如下：

1)整车状况参数评分：

表1

2)保养状况参数评分

表2

3)工作环境参数评分

表3

4)动力电池参数评分

表4

动力电池的折旧率K

5)新车价格稳定性评分

表5

6)车型升级换代参数评分

表6

7)品牌保值参数评分

表7

8)售后服务水平参数评分

表8

S4.2.对照评分体系模型，确定各参数的评分系数K

S4.3.建立层次分析结构模型：

4.31.对维修保养数据进行分类，分为车辆实体性贬值、功能性贬值、经济性贬值：车辆实体性贬值包括整车状况参数、保养状况参数、工作环境影响参数动力电池参数，功能性贬值包括车型升级换代参数和新车价格稳定性参数，经济性贬值包括品牌价值参数和售后服务水平参数；

4.32.结合图3所示，建立由目标层、准则层、方案层构成的层次结构模型：

目标层：残值率修正系数；

准则层：实体性贬值、功能性贬值、经济性贬值；

方案层：整车状况、保养状况、工作环境、动力电池、车型升级、价格稳定性、品牌保值率、售后服务水平。

4.33.构造判断矩阵

判断矩阵表示相对上一层(准则层)的某一准则时，本层次因素之间相互的重要性程度。结合表9所示，当分析A层与下一层因素时，下一层因素之间B1，B2，...Bn之间也有联系，设Bij为相对上一层A时，因素Bi对Bj的相对重要性，用数字1-9来表示这些重要性，可构建判断矩阵。

表9判断矩阵

表9中，b

表10标度意义

4.34、判断矩阵一致性程度检验

一致性检验的意义在于检验各元素重要度之间的协调性，避免出现A比B重要，B比C重要，而C比A重要的矛盾出现。若矩阵A满足：

a

上式中i,j,k＝1,2...n，称之为一致性矩阵；在具体决策时，一般不会出现严格-致的情况，因此需要检验其一致性程度。设矩阵A的最大特征根为入，那么它的一致性指标为CI：

CI是绝对指标，无法通过它来判断不同矩阵的一致性程度，因此引入相对性指标CR，即：

RI是判断矩阵的平均随机一致性指标，反映了不同阶矩阵的随机一致性指标的平均值。当CR<0.10时，若矩阵A满足一致性，即归一化的向量作为权重值，否则需要重新调整重要性。平均随机一致性指标，如下表11所示，采用标度1-9打分制：

表11平均随机一致性指标

S4.4、基于层次分析结构模型确定维修保养数据各参数的P

计算判断矩阵的权重，找出最大特征根所对应的规范化特征向量即该判断矩阵对应因素相对上一层次因素的权重值，于是获得了决策层相对上一次层的权重，从而可以得到同一层次所有元素针对目标层的相对重要性，即层次总排序。基于层次分析建立残值率修正模型得到各个因素的权重，如下表12所示：

表12残值修正系数模型参数权重

S4.5、利用公式(1)计算残值率修正系数K：

式中K

S5、利用公式(2)得到评估车辆的残值P：

P＝P

式中，P为评估车辆残值、P

实施例2

本实施例是实施例1的详细实例，结合某款车辆的残值评估说明，具体包括如下步骤：

S1、获取评估车辆的购车数据，由下表购车数据可计算出评估车辆重置成本：

评估车辆重置成本：P

S2、获取评估车辆的运营数据，评估车辆的残值率。评估车辆相关数据如下：

车型：风神E70-2018超享

动力电池：三元锂电池，电池能量：49kWh

运营时间：2年

行驶里程：20万公里

运营地区：湖北武汉

基于残值模型输入评估车辆特征参数：车型、运营时间、行驶里程、运营地区，模型输出评估车辆残值率：C＝13.92％。

S3、基于评分体系模型和层次分析结构模型获得维修保养数据中各参数的评分系数和权重，结合表13，通过各参数的评分系数和权重计算残值率修正系数K；

表13

S4：通过评估车辆的重置成本P

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。