(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210719439.4 (22)申请日 2022.06.23 (71)申请人 浙江极氪智能科技有限公司 地址 315899 浙江省宁波市新碶街道辽河 路商务大厦1幢10 31室 申请人 浙江吉利控股集团有限公司 (72)发明人 郭少林　戴嘉境　董超　蒋枫立　 刘文峰　李蕾华　刘浩　李威　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 苗芬芬 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 一种车辆估值方法和装置 (57)摘要 本发明涉及了一种车辆估值方法和装置， 所 述方法包括： 获取待估值车辆的车型信息和与待 估值车辆的估值有关的属性信息； 对于每种车型 信息， 确定各个属性信息对应的属性类别并对属 性信息标注属性类别， 得到标注属性信息； 将标 注属性信息和车型信息输入目标车辆估值模型； 根据待估值车辆的标注属性信息、 车型信息、 估 值函数和权重得到待估值车辆的估值结果。 本方 案从车辆生命周期的角度， 将车辆估值的影响因 素划分为稳定因素和波动因素， 进而构建各因素 对应的估值函数， 可以将车辆各个维度的数据进 行标准化， 且引入了车型信息和属性信息， 更能 反映出车辆真实的价 值， 提高了估值的准确性。 权利要求书3页 说明书15页 附图6页 CN 115310256 A 2022.11.08 CN 115310256 A 1.一种车辆估值方法， 其特 征在于， 所述方法包括： 获取待估值车辆的属性信息； 确定各个所述属性信 息对应的属性类别， 所述属性类列根据所述属性信 息随着时间的 延续对所述车辆估值的影响程度确定； 将所述属性信 息和所述属性类别输入目标车辆估值模型； 所述目标车辆估值模型中的 估值函数包括各个所述属性信息对应的子估值函数和所述属性类别对应的权重； 所述目标 车辆估值模型根据历史时间段内的车辆估值数据构建； 根据所述属性信息、 所述估值 函数得到所述待估值车辆的估值结果。 2.根据权利要求1所述的方法， 其特征在于， 所述属性类别包括稳定属性和波动属性， 所述稳定属性为随着时间的延续对所述车辆估值的影响值小于第一阈值的属性， 所述波动 属性为随着时间的延续对所述车辆估值的影响值大于或等于所述第一阈值的属性。 3.根据权利要求2所述的方法， 其特征在于， 所述目标车辆估值模型通过以下方法训练 得到： 获取预设历史时间段内的样本车辆估值数据， 所述样本车辆估值数据包括： 车辆的样 本属性信息、 各个子时间段的所述样本属 性信息对所述车辆估值的影响值； 所述预设历史 时间段包括多个所述子时间段； 从所述样本车辆估值数据中， 分别获取各个所述稳定属性对应的估值数据和各个所述 波动属性对应的估值数据， 得到多个稳定属性估值数据和多个波动属性估值数据； 根据所述稳定属性估值数据中的影响值， 分别确定各个所述稳定属性对应的第 一初始 估值函数； 并根据所述波动属 性估值数据中的影响值， 分别确定各个所述波动属 性对应的 第二初始估值 函数； 利用所述样本车辆估值数据， 分别对所述第 一初始估值函数和所述第 二初始估值函数 进行训练， 得到各个所述稳定属性的第一初始估值函数组成的稳定属性初始模型和各个所 述波动属性的第二初始估值 函数组成的波动属性初始模型； 根据预先设置的所述稳定属性初始模型和所述波动属性初始模型的权重， 得到目标车 辆估值模型。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述稳定属性估值数据中的影响 值， 分别确定各个所述稳定属性对应的第一初始估值 函数， 包括： 设置各个所述子时间段对应的权 重； 对于每种所述稳定属性， 计算各个所述子时间段对应的影响值和所述权重的加权平均 值， 得到加权影响值； 分别确定所述稳定属性在各种取值情况下， 车龄信 息和所述加权影响值之间的函数关 系， 得到所述稳定属性对应的初始估值 函数。 5.根据权利要求4所述的方法， 其特征在于， 所述样本属性信息包括选装配置信息， 在 设置各个所述子时间段对应的权 重之前， 还 包括： 对各个所述样本车辆估值数据的所述选装配置信 息进行聚类， 得到多组相似的选装配 置信息； 所述确定车龄信息和所述加权影响值之间的函数关系， 包括： 对于每组所述相似的选装配置信 息， 分别确定所述车龄信 息和所述加权影响值之间的权　利　要　求　书 1/3 页 2 CN 115310256 A 2函数关系。 6.根据权利要求3所述的方法， 其特征在于， 所述根据所述波动属性估值数据中的影响 值， 分别确定各个所述波动属性对应的第二初始估值 函数， 包括： 对于每种所述波动属性， 将所述波动属性的值作为特征向量， 将所述波动属性对应的 影响值作为 目标值， 对预设的算法模型进行训练， 得到所述波动属 性和所述影响值之间的 函数关系； 根据所述 函数关系确定所述波动属性对应的初始估值 函数。 7.根据权利要求6所述的方法， 其特征在于， 所述波动属性包括车况信息， 所述车况信 息包括： 所述车辆的事故信息和维修信息， 在将所述波动属性的值作为特征向量， 将所述波 动属性对应的影响值作为目标值， 对预设的算法模型进行训练之前， 还 包括： 获取所述样本车辆估值数据中车龄信 息相同的车辆， 得到多个车龄信 息相同车辆的数 据集合； 对所述车龄信 息相同车辆的数据集合中的车辆的所述事故信 息进行聚类， 得到多组相 似的事故信息集 合； 对所述事故信息集 合中的车辆的维修信息进行聚类， 得到多组相似的维修信息集 合； 获取各组所述维修信息集 合中的车辆的所述影响值。 8.根据权利要求7所述的方法， 其特征在于， 所述将所述波动属性的值作为特征向量， 将所述波动属性对应的影响值作为目标值， 对预设的算法模型进行训练， 包括： 对于每种所述维修信息集合， 将所述车龄信息、 所述事故信息和所述维修信息作为特 征向量， 将所述维修信息集合中的车辆的所述影响值作为 目标值， 对预设的算法模型进行 训练， 得到所述维修信息集 合对应的所述车龄信息和所述影响值之间的函数关系； 所述函数关系为以所述车龄信息为自变量、 所述影响值为因变量的分段函数， 所述分 段函数中的每一个子段为常量 函数， 所述常量 函数的值随着所述车龄信息的增大而减小。 9.根据权利要求6所述的方法， 其特征在于， 所述波动属性包括里程信息， 对于每种所 述里程信息取值， 所述里程信息取值对应的车龄信息和所述影响值之间的函数关系为： 以 所述车龄信息为自变量、 所述影响值 为因变量的一次函数， 所述 一次函数的斜 率为负数。 10.根据权利要求6所述的方法， 其特征在于， 所述波动属性为所述车辆交易的月份信 息， 所述月份信息和所述影响值之 间的函数关系为： 以所述月份为自变量、 所述影响值为因 变量的折线型函数。 11.根据权利要求2所述的方法， 其特征在于， 所述属性信息至少包括所述待估值车辆 的车型信息、 选装配置信息、 牌照信息、 使用信息和外 部环境信息 。 12.根据权利要求11所述的方法， 其特征在于， 所述稳定属性中的牌照信 息包括上牌信 息、 牌照属性信息； 所述稳定属性中的使用信息包括使用性质信息、 过户次数信息， 所述稳 定属性中的外 部环境信息包括国家优惠政策信息 。 13.根据权利要求11所述的方法， 其特征在于， 所述波动属性中的使用信 息包括车龄信 息、 车况信息、 里程信息、 索赔信息， 所述波动属性中的外部政策信息包括所述车辆交易的 月份信息 。 14.一种车辆估值装置， 其特 征在于， 所述装置包括： 属性信息获取模块， 用于获取待估值车辆的属性信息；权　利　要　求　书 2/3 页 3 CN 115310256 A 3