一种汽车配件价格异常识别检测方法技术

本发明专利技术的实施例公开了一种汽车配件价格异常识别检测方法，包括：从各平台收集每个汽车配件的成本价

【技术实现步骤摘要】
一种汽车配件价格异常识别检测方法


[0001]本专利技术涉及汽车配件价格检测
，特别涉及一种汽车配件价格异常识别检测方法
。

技术介绍

[0002]对于商品价格的预估，往往是通过历史价格的沉淀数据，通过数据挖掘算法
。
汽车配件具有丰富的品种，同一品牌
、
同一车系
、
统一年款的车型可能存在大量不同的配置和配件组合，这种多样性使得难以建立通用的数据挖掘模型，因为需要大量长期的历史价格数据来覆盖这些不同的情况
。
汽车配件市场的价格数据可能不如其他商品市场那么容易积累，因为该市场的商品类型多样，不同汽车配件的数据可能相对有限
。
不同的因素会影响汽车配件价格，这些多因素影响使得价格的异常不仅受到价格历史数据的影响，还受到市场和供应链因素的影响，难以简单地通过传统的时间序列分析方法来解决
。
汽车配件的定制性使得缺乏标准化的定价体系，不同供应商和平台可能采用不同的价格策略和单位，这增加了价格异常的识别难度
。
[0003]综上，现有对汽车配件价格检测
，由于汽车配件领域数据多样性和积累的挑战，不同配件种类多，历史价格数据有限，汽车配件价格受多因素影响，包括市场需求和供应链因素，因此无法有效综合考虑这些复杂影响，缺乏价格标准化和单位统一也增加了异常价格的检测难度
。
缺少对汽车配件价格的检测方法，以解决上述问题
。

技术实现思路

[0004]有鉴于此，本专利技术实施例的目的在于提供一种汽车配件价格异常识别检测方法，通过整合历史价格数据和机器学习模型，结合统计方法，实现对了当前汽车配件价格异常的识别
。
[0005]第一方面，本专利技术实施例提供了一种汽车配件价格异常识别检测方法，其中，包括：从各平台收集每个汽车配件的成本价
、
供应商进货价和供应商售价，得到汽车配件的历史价格数据集；在所述历史价格数据集中计算统计特征，分别对每个所述成本价
、
所述供应商进货价和所述供应商售价标记是否异常；使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常
。
[0006]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述从各平台收集每个汽车配件的成本价
、
供应商进货价
、
供应商售价，得到汽车配件的历史价格数据集，包括：从数据源收集每个汽车配件的价格数据，所述数据源包括供应商
、
市场平台
、
内部
记录中的至少一种；从所述价格数据中提取特征，得到成本价
、
供应商进货价和供应商售价；按照时间节点统计所述成本价
、
所述供应商进货价和所述供应商售价；对所述成本价
、
所述供应商进货价和所述供应商售价进行预处理，统一数据格式
。
[0007]结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，在所述历史价格数据集中计算统计特征，分别对每个所述成本价
、
所述供应商进货价和所述供应商售价标记是否异常，包括：分别对所述成本价的历史数据集
、
所述供应商进货价的历史数据集和所述供应商售价的历史数据集计算均值
μ
和标准差
σ
；对于每个价格数据
x
i
，计算其与对应的均值
μ
的偏差
d
i
，
d
i
=|x
i
‑
μ
|;
若
d
i
＞3σ
，则将该价格数据
x
i
标记为异常，否则标记为正常
。
[0008]结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述使用所述历史价格数据集的统计特征训练机器学习模型，得到正常价格分布的识别检测模型，包括：将所述历史价格数据集中的数据随机划分为训练集和测试集，其中所述训练集中的数据量多于所述测试集中的数据量；构建深度神经网络的正常价格分布的识别检测模型；使用所述训练集，对所述识别检测模型进行训练，直到模型收敛
。
[0009]结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述识别检测模型的输入层的节点包括汽车配件的成本价
、
供应商进货价和供应商售价；所述识别检测模型的输出层包括一个节点，表示所述汽车配件的价格为正常或异常的二元
。
[0010]结合第一方面，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，对所述识别检测模型进行训练包括：定义模型的输入向量
X=[x1,x2,x3]，其中
x1为汽车配件的成本价
,x2为汽车配件的供应商进货价
,x3为汽车配件的供应商售价；定义模型的输出向量
Y=[y1,y2]，其中，
y1为汽车配件的价格正常
,y2为汽车配件的价格异常；输入向量
X
，通过神经网络进行前向传播，计算得到模型预测函数
Y_pred=NeuralNetwork(X)
；重复进行前向传播运算，直到模型收敛，得到收敛后的识别检测模型
。
[0011]结合第一方面，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，所述结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常，包括：将当前的汽车配件价格数据组成输入向量
X
；将输入向量 X
输入到已经训练好的所述识别检测模型中，执行前向传播；根据所述识别检测模型的输出结果，判断当前汽车配件价格是否异常
。
[0012]结合第一方面，本专利技术实施例提供了第一方面的第七种可能的实施方式，其中，还包括：使用所述测试集，对所述识别检测模型进行损失函数评估；
根据评估结果，对所述识别检测模型进行超参数调整或模型结构修改
。
[0013]结合第一方面，本专利技术实施例提供了第一方面的第八种可能的实施方式，其中，还包括：按照时间节点统计所述成本价
、
所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，识别出不同的异常模式，所述异常模式包括季节性波动
、
价格波动
。
[0014]结合第一方面，本专利技术实施例提供了第一方面的第九种可能的实施方式，其中，还包括：按照时间节点统计所述成本价
、
所述供应商进货价和所述供应商售价时，分析汽车配件价格的时间序列数据，使用拟合的时间序列模型，对未来时间点进行价格预测，生成未来汽车配件价格的走势预测
。
[0015]第二方面，本专利技术实施例还提供了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种汽车配件价格异常识别检测方法，其特征在于，包括：从各平台收集每个汽车配件的成本价
、
供应商进货价和供应商售价，得到汽车配件的历史价格数据集；在所述历史价格数据集中计算统计特征，分别对每个所述成本价
、
所述供应商进货价和所述供应商售价标记是否异常；使用所述历史价格数据集训练机器学习模型，得到正常价格分布的识别检测模型；结合统计方法和所述识别检测模型，判断当前汽车配件价格是否异常
。2.
根据权利要求1所述的汽车配件价格异常识别检测方法，其特征在于，所述从各平台收集每个汽车配件的成本价
、
供应商进货价
、
供应商售价，得到汽车配件的历史价格数据集，包括：从数据源收集每个汽车配件的价格数据，所述数据源包括供应商
、
市场平台
、
内部记录中的至少一种；从所述价格数据中提取特征，得到成本价
、
供应商进货价和供应商售价；按照时间节点统计所述成本价
、
所述供应商进货价和所述供应商售价；对所述成本价
、
所述供应商进货价和所述供应商售价进行预处理，统一数据格式
。3.
根据权利要求2所述的汽车配件价格异常识别检测方法，其特征在于，在所述历史价格数据集中计算统计特征，分别对每个所述成本价
、
所述供应商进货价和所述供应商售价标记是否异常，包括：分别对所述成本价的历史数据集
、
所述供应商进货价的历史数据集和所述供应商售价的历史数据集计算均值
μ
和标准差
σ
；对于每个价格数据
x
i
，计算其与对应的均值
μ
的偏差
d
i
，
d
i
=|x
i
‑
μ
|;
若
d
i
＞3σ
，则将该价格数据
x
i
标记为异常，否则标记为正常
。4.
根据权利要求3所述的汽车配件价格异常识别检测方法，其特征在于，所述使用所述历史价格数据集的统计特征训练机器学习模型，得到正常价格分布的识别检测模型，包括：将所述历史价格数据集中的数据随机划分为训练集和测试集，其中所述训练集中的数据量多于所述测试集中的数据量；构建深度神经网络的正...

【专利技术属性】
技术研发人员：赵良晶，马双，张启龙，王安吉，谢文秀，尹翔宇，吴佩风，周敬威，
申请(专利权)人：邦邦汽车销售服务，
类型：发明
国别省市：