[0001] 本发明涉及汽车配件价格检测技术领域，特别涉及一种汽车配件价格异常识别检测方法。

[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技术领域，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。

[0022] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。

[0023] 请参照图1，本发明的第一个实施例提供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。

[0024] 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。

[0025] 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xi，计算其与对应的均值μ的偏差di，di=|xi‑μ|;
若di＞3σ，则将该价格数据xi标记为异常，否则标记为正常。

[0026] 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。

[0027] 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。

[0028] 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。

[0029] 具体的，所述前向传播运算的过程包括：Z1=X*W1+b1。

[0030] A1=activation_function(Z1)。

[0031] Z2=A1*W2+b2。

[0032] A2=activation_function(Z2)。

[0033] Z3=A2*W3+b3。

[0034] A3=activation_function(Z3)。

[0035] Z4=A3*W4+b4。

[0036] A4=activation_function(Z4)。

[0037] Y_pred=A4。

[0038] 其中，Z1、Z2、Z3和Z4表示识别检测模型中每个隐藏层的加权和，也可以称为输入信号的加权输入。W1、W2、W3、W4表示相应层之间的权重矩阵，b1、b2、b3、b4表示相应层的偏置向量，activation_function表示激活函数（例如Sigmoid函数、ReLU函数等），A1、A2、A3、A4表示相应层的激活值。最终的预测结果Y_pred为A4，表示识别检测模型对输入向量X的预测输出。

[0039] 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。

[0040] 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。

[0041] 超参数是指模型训练过程中需要手动设置的参数，如学习率、批量大小、隐藏层的神经元数量等。根据损失函数评估的结果，可以尝试调整超参数的取值，以改善模型的性能。

[0042] 模型结构修改指根据损失函数评估的结果，考虑调整模型的结构，如增加或减少隐藏层的数量、调整神经元的数量等。可以尝试更复杂的模型结构来增加模型的拟合能力，或者通过减少模型的复杂度来避免过拟合。

[0043] 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。

[0044] 具体方法包括：拟合自回归模型AR，以成本价为例，对于时间点t处的成本价数据，建立自回归模型，Xt=c+Φ1Xt‑1+Φ2Xt‑2+…+ΦpXt‑p+εt，其中，Xt是时间点t处的成本价数据，c是常数，Φ1,Φ2,…,Φp是模型的自回归系数，εt是误差。使用最小二乘法对上述自回归模型进行拟合。
其中自回归系数Φ1,Φ2,…,Φp通过拟合时间序列数据得到。

[0045] 使用季节分解方法将汽车配件价格的时间序列数据分解为趋势、季节性和残差三个部分。趋势部分表示数据的长期趋势，通过滤波技术或移动平均法进行估计；季节性部分表示数据中由季节性因素引起的周期性变化，通过滤波技术或季节分解算法进行估计；残差部分是剩余的部分，不包括趋势和季节性，代表了数据中未被趋势和季节性解释的部分，通常包含价格波动以及其他随机因素。

[0046] 使用残差分析方法来检测异常值。从季节分解后的时间序列数据中提取残差部分，将残差数据绘制成残差图，以可视化残差的分布和模式，检查残差的均值是否接近于零，识别和标记残差中的异常值。

[0047] 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。

[0048] 本发明的第二个实施例提供一种汽车配件价格异常识别检测系统，包括：采集模块，用于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；
统计特征计算模块，用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；
建模模块，用于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；
判断模块，用于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。

[0049] 本发明实施例旨在保护一种汽车配件价格异常识别检测方法，具备如下效果：1.本发明的汽车配件价格异常识别检测方法从供应商、市场平台和内部记录等多
个数据源收集汽车配件的价格数据，使得数据来源更加全面。这种综合性的数据收集有助于提高异常检测的准确性和可靠性。

[0050] 2.本发明通过对历史价格数据集进行统计特征计算，包括成本价、供应商进货价和供应商售价的均值和标准差等，能够捕捉到价格的分布特征。这种统计特征的计算可以揭示价格的波动情况，并为后续的异常检测提供基础。

[0051] 3.本发明使用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，可以学习历史数据中的价格模式，进而能够判断当前价格是否异常。通过机器学习模型的应用，可以提高异常检测的自动化和准确性。

[0052] 4.本发明将统计方法和机器学习模型相结合，综合考虑多个角度的价格信息。统计方法可以通过计算均值和标准差等指标，对价格进行基本的异常判断。而机器学习模型则可以学习更复杂的价格模式，对异常进行更精细的识别。通过结合两种方法，可以提高异常检测的准确性和鲁棒性。

[0053] 5.本发明在统计成本价、供应商进货价和供应商售价时，通过分析汽车配件价格的时间序列数据，并识别出不同的异常模式，如季节性波动和价格波动。这种异常模式的识别有助于更好地理解和解释价格的变动情况。

[0054] 6.本发明利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。这样的预测可以帮助企业做出更准确的供应链和采购决策，降低价格异常对业务的影响。

[0055] 本发明实施例所提供的汽车配件价格异常识别检测方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

[0056] 具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述汽车配件价格异常识别检测方法，从而能够通过综合多数据源、统计特征计算、机器学习模型训练以及异常模式识别等技术手段，提供了一种全面、准确和自动化的汽车配件价格异常检测方案，帮助及时发现价格异常情况，采取相应的措施，减少损失并优化供应链管理。

[0057] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0058] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。