專利名稱：：一種智能汽車評估方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種汽車價值評估領(lǐng)域。具體涉及一種智能汽車評估方法及系統(tǒng)。
背景技術(shù)：
：現(xiàn)行的汽車評估方法有現(xiàn)行市價法，重置成本法，綜合分析法和資產(chǎn)清算法等。由于我國二手車市場發(fā)育不夠，不易得到市場價值作為參照，因此在上述方法中最為常用的是采用重置成本法。在這一方法中成新率的確定是一個關(guān)鍵問題。目前其成新率的確定主要采用的是基于使用時間的確定方法，計算已行駛年限與可行駛年限的比值進行確定。在實際應(yīng)用中，上述評估方法計算出來的價格不是非常準確，因此，在目前汽車市場，特別是二手車市場中，人們大都根據(jù)市場價，以評估師的主觀經(jīng)驗對汽車的價值進行評估。在當前汽車領(lǐng)域，尚未存在專業(yè)的智能化評估系統(tǒng)，因此，用戶迫切的需要一個對汽車，尤其是二手車評估統(tǒng)一、明確的標準，使凌亂的汽車市場上的二手車的評估有一個統(tǒng)一的標尺，使得汽車的價值不再由人為因素主導。
發(fā)明內(nèi)容為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供一種基于數(shù)學智能模型的更為成熟、精準的智能汽車評估方法及系統(tǒng)。本發(fā)明解決現(xiàn)有技術(shù)問題所采用的技術(shù)方案為一種智能汽車評估方法，包括步驟一、建立層次分析模型，具體包括al、對影響汽車價值的因素進行分類并建立層次結(jié)構(gòu)模型；a2、由決策者利用成對比較法，構(gòu)造成對比較矩陣A；a3、檢驗或修改成對比較矩陣A，使其具有完全一致性或可接受一致性；a4、在符合a3步驟所述對比較矩陣A—致性的前提下，通過成對比較矩陣A的最大特征值相對應(yīng)的特征向量，經(jīng)過歸一化處理得到權(quán)重矩陣D；步驟二、建立模糊評價模型，具體包括bl、確定指標集U={Ul，U2，......,Un}；U是一個由評價指標所組成的指標集，其中Ui對應(yīng)于層次結(jié)構(gòu)模型中的第i層；b2、建立模糊評語集ff={ffl,W2,......,ffn},ffj表示由高到低的各級評語，其中j=0,1,......,n；b3、通過建立模糊關(guān)系矩陣R，用以描述從指標集U到模糊評語集W的模糊關(guān)系，,尸尸、,11r\nR=\'.；其中rij表示對第i個評價指標作出的第j級評語的隸屬度；b4、利用步驟a4中得到的權(quán)值矩陣D與b3建立的模糊關(guān)系矩陣R的合成運算，得5到綜合評價模型P；步驟三、計算成新率具體包括設(shè)F=fffn)T是成新率集，fi表示第j級評語對應(yīng)的成新率值，利用等差打分法，令最高級評語所對應(yīng)的成新率值為1，力=(j=1,2,...，n)當只有一級指標時，最終成新率為C=PF或者當有多級指標時，最終成新率C如下，<formula>formulaseeoriginaldocumentpage6</formula><formula>formulaseeoriginaldocumentpage6</formula>根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案步驟a2中構(gòu)造成對比矩陣的具體方法是，比較第卜元素與第j個元素相對上一層某個因素的重要性時，使用數(shù)量化的相對權(quán)重aij來描述；設(shè)共有n個元素參與比較，A=(aij)n*n為成對比較矩陣；其中aij在19及其倒數(shù)中間取值，其中各個取值的意義分別為aijaijaijaijaij=1第=3第=5第=7第=9第個元素與第j個元素比第j個元素比第j個元素比第j個元素比第j個元素對上一層次因素的重要性相同個元素略重要；個元素重要；個元素重要得多；個元素的極其重要；aij=2n,n=1，2，3，4，第i個元素與第j個元素的重要性介于aij=2n-l與aij=2n之間；aijJ=l/n，n=1，2，3，......，9，當且僅當aij=n其中，aij>0，aii=1，aij=1/aji根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案步驟a3所述的檢驗成對比矩陣一致性步驟為cl、計算一個成對比較矩陣An*n不一致程度的指標CI<formula>formulaseeoriginaldocumentpage6</formula><formula>formulaseeoriginaldocumentpage6</formula>其中\(zhòng)(max)(A)為成對比較矩陣A的最大特征值。c2、查找檢驗成對比較矩陣A—致性的標準RIc3、按照下面公式計算成對比較矩陣A的隨機一致性比率CR其中，當CR<0．1時，認為成對比較矩陣A一致性滿足要求，或其不一致程度是可接受的；否則就調(diào)整矩陣A，直到其一致性可以接受為止。一eig(A)實現(xiàn)，其中Y為成對比較陣A的特征值，D的列為相應(yīng)的特征向量。根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案步驟a4得到成對比較矩陣的最大特征值及其相對應(yīng)的特征向量的方法可通過計算近似值獲得，具體方法為首先對成對比較矩陣A的列進行歸一化處理如下，對任意aij，其次，按如下公式計算之<formula>formulaseeoriginaldocumentpage7</formula>力近似為成對比較矩陣A對應(yīng)于最大特征值的特征向量；0046]近似最大特征值入<formula>formulaseeoriginaldocumentpage7</formula>最后，將特征向量力進行歸一化后返回，得到權(quán)值矩陣力。根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案步驟b3中隸屬度r，j可以由如下方法得到將決策者專家團中各成員對各指標的評語進行分類整理后，得到對第i個評價指標有w，、個wl級評語，w，，個w2級評語，……，w，．個wn級評語。那么，對i—l，2，……，m有。一氣r0049l’／／藝聯(lián)’‘j一“，00”，根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案步驟b4所利用的合成運算得到綜合評價模型的具體方法為<formula>formulaseeoriginaldocumentpage7</formula>或者P—DoR一(P、，P，，．．．，Pn)<formula>formulaseeoriginaldocumentpage7</formula>八表示切或者di與rij“較取最小值，v表示m個伊八勺)或者‘di+＼，的最小值中取最大值；若丟／T)(’，歸一化hgp2戶二(矛乏…習，5’寸殲gsm62mg+sw69p?！皯艚M成<formula>formulaseeoriginaldocumentpage8</formula>為了解決現(xiàn)有技術(shù)問題，本發(fā)明還提供一種智能汽車評估系統(tǒng)，包括信息采集單元，信息處理單元和結(jié)果輸出單元；所述信息采集單元用于采集用戶對所述系統(tǒng)預(yù)先設(shè)定的汽車影響因素的輸入值；信息處理單元根據(jù)信息采集單元得到的輸入值按照智能汽車評估方法對數(shù)據(jù)進行評估處理，并由結(jié)果輸出單元輸出結(jié)果。根據(jù)本發(fā)明的一優(yōu)選技術(shù)方案所述信息采集和輸出結(jié)果的方式為網(wǎng)頁形式。本發(fā)明技術(shù)中利用層次分析法與模糊分析法結(jié)合的思想實現(xiàn)對汽車價值，特別是二手車價值的智能評估，其中，層次分析法通過對影響汽車價值的因素進行分類并建立層次結(jié)構(gòu)模型得到權(quán)重矩陣。模糊綜合評價法是一種基于模糊數(shù)學的綜合評標方法。該綜合評價法根據(jù)模糊數(shù)學的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價。它具有結(jié)果清晰，系統(tǒng)性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。本發(fā)明提供一種基于數(shù)學智能模型的更為成熟、精準的智能汽車評估方法及系統(tǒng)。利用本發(fā)明所述評估方法及其系統(tǒng)可以將把復雜、精準的評估模型以簡單易用的界面形式展示給用戶，用戶只需要選擇或輸入相應(yīng)汽車的相關(guān)值，系統(tǒng)就會根據(jù)用戶輸入值評價出汽車的最終價值，較之現(xiàn)有的評估師人工方法，更加客觀和準確。四圖1是本發(fā)明的整體計算流程圖；圖2本發(fā)明方法中建立的分層模型示意圖。圖3為本發(fā)明系統(tǒng)的客戶端輸入界面。五具體實施例方式以下結(jié)合實施例對本發(fā)明進行詳細說明如圖1所示，為本發(fā)明方法的整體計算流程圖。一種智能汽車評估方法，包括如下步驟步驟一、建立層次分析模型，具體為al、對影響汽車價值的因素進行分類并建立層次結(jié)構(gòu)模型。如圖2所示，建立層次結(jié)構(gòu)模型是將問題所包含的因素分層，最高層為待評價的事物，具體在本發(fā)明中為汽車價值，第二層為影響汽車價值的n個因素，圖2中以5個元素A1，......，A5為例；a2、由決策者利用成對比較法比較同一層次中各影響因素關(guān)于上一層次同一個因素的相對重要性，構(gòu)造成對比較矩陣A，具體方法是，比較第i個元素與第j個元素相對上一層某個因素的重要性時，使用數(shù)量化的相對權(quán)重aij來描述；設(shè)共有n個元素參與比較，A=(aij)n*n為成對比較矩陣；其中aij在19及其倒數(shù)中間取值，其中各個取值的意義分別為aij=1第i個元素與第j個元素對上一層次因素的重要性相同；aij=3第i個元素比第j個元素略重要；aij=5第i個元素比第j個元素重要；aij=7第i個元素比第j個元素重要得多；aij=9第i個元素比第j個元素的極其重要；aij=2n，n=1，2，3，4，第1個元素與第j個元素的重要性介于aij=2n_l與aij=2n之間；aij=l/n，n=1,2,3,......，9，當且僅當aij=n；其中，aij>0，aii=1，aij=1/aji。如我們可以請一組專家A按照上述方法，給出A1到A5的評價結(jié)果作為成對比較矩陣A，如下所示由上述矩陣可知相比之下，A2比A1稍微重要，A3比A1重要的多，A4和A5比A1重要；A3對A2來說比較重要，A4和A5比A2略重要；a3、檢驗或修改成對比較矩陣A，使其具有完全一致性或可接受一致性；理論上，如果給出的評價矩陣完全一致，那么會有aij*ajk=aik。但是在實際構(gòu)造這個兩兩比較矩陣的時候，由于人的主觀因素，要使專家給出的成對比較矩陣符合眾多上述等式是不可能的。因此可以退一步要求這個矩陣具備一定的一致性即可。意思就是只要這個成對比較矩陣滿足一定程度的正確性就行，不需要它做到評估完全正確，完全正確也是不可能做到的。因此，通常情況下采用可接受一致性，判斷成對比矩陣A的可接受一致性的具體步驟為cl、計算一個成對比較矩陣An*n不一致程度的指標CI<formula>formulaseeoriginaldocumentpage9</formula>其中入(max)(A)為成對比較矩陣A的最大特征值。c2、查找檢驗成對比較矩陣A—致性的標準RI，由于平均隨機一致性指標，只與矩陣的階數(shù)有關(guān)，表1將13以內(nèi)的平均隨機一致性指標列出表113以內(nèi)的平均隨機一致性指標RI<table>tableseeoriginaldocumentpage10</column></row><table>c3、按照下面公式計算成對比較矩陣A的隨機一致性比率CRCR=CI/RI其中，當CR<0.1時，認為成對比較矩陣A—致性滿足要求，或其不一致程度是可接受的；否則就調(diào)整矩陣A，直到其一致性可以接受為止。a4、在符合a3步驟所述對比較矩陣一致性的前提下，通過成對比較矩陣A的最大特征值相對應(yīng)的特征向量，得出權(quán)重矩陣D;其中得到成對比較矩陣的最大特征值及其相對應(yīng)的特征向量的方法為利用MATLAB語句Y，D]=eig(A)實現(xiàn)，其中Y為成對比較陣A的特征值，D的列為相應(yīng)的特征向量。在實際編程的時候，可以用如下方法來近似獲得矩陣A的最大特征值和特征向量首先對成對比較矩陣A的列進行歸一化處理，具體為對任意aij<formula>formulaseeoriginaldocumentpage10</formula>其次，按如下公式計算義<formula>formulaseeoriginaldocumentpage10</formula>其中另可以看作是成對比較矩陣A對應(yīng)于最大特征值的特征向量。再次，計算近似最大特征值入<formula>formulaseeoriginaldocumentpage10</formula>需要將特征向量另進行歸一化之后返回，這時的另為權(quán)值矩陣。步驟二、建立模糊評價模型，具體包括bl、確定指標集U={Ul，U2，......,Un}；U是一個由評價指標所組成的指標集，其中Ui對應(yīng)于層次結(jié)構(gòu)模型中的第i層；在圖2所示的層次模型中，U={U1}。b2、建立模糊評語集W={ffl,W2,......，Wn}，其中j=0，1，......,n；ffj表示由高到低的各級評語，比如新，較新，半新，舊，待報廢等。b3、通過建立模糊關(guān)系矩陣R，用以描述從指標集U到模糊評語集W的模糊關(guān)系，<formula>formulaseeoriginaldocumentpage11</formula>其中rij表示對第i個評價指標作出的第j級評語的隸屬度；其中隸屬度rij優(yōu)選如下方法得到將決策者專家團中各成員對各指標的評語進行分類整理后，得到對第i個評價指標有Wi1個W1級評語，Wi2個W2級評語，......，Win個Wn級評語。那么，對i=1,2,......，m有<formula>formulaseeoriginaldocumentpage11</formula>以圖2所示模型為例，給出評語集W={好，比較好，中等，比較差，差}，假設(shè)對A1，專家團有1人評價好，3人評價比較好，4人評價中等，5人評價比較差，1人評價差；對A2，共有2個好，3個比較好，6個中等，1個比較差，2個差；那么，模糊關(guān)系矩陣R為<formula>formulaseeoriginaldocumentpage11</formula>b4、利用得到的權(quán)值矩陣d或者另與b3建立的模糊關(guān)系矩陣R的合成運算，得到綜合評價模型P;步驟b4所利用的合成運算得到綜合評價模型的具體方法為戶=另Qy=(々，4，...，乃)或者p=DoR=(PpPy.，Pn)m(\m/\_^^^'^=ary)=v(4ary)j=1，2，，n，八表示或者di與rijn.比較取最小值，V表示m個〈)或者(diArj的最小值中取最大值；若K*1歸一w/a7=1化處理P為月^？組成/丨II^p=若評價指標為多級，綜合評價模型p由多個f=v7=1上述步驟的是將權(quán)重集的每一行和模糊關(guān)系矩陣R的每一列的對應(yīng)元素先求最小值，然后從這些最小值中間挑一個最大的作為結(jié)果集中的元素。步驟三、計算成新率。運用等差打分法及矩陣運算得到汽車最終成新率。計算成新率具體為，設(shè)F=fffn)T是成新率集，fi表示第j級評語對應(yīng)的成新率值，利用等差打分法，令最高級評語所對應(yīng)的成新率值為1，<formula>formulaseeoriginaldocumentpage12</formula>當只有一級指標時，最終成新率為C=PF或者月當有多級指標時，最終成新率C如下，<formula>formulaseeoriginaldocumentpage12</formula><formula>formulaseeoriginaldocumentpage12</formula><formula>formulaseeoriginaldocumentpage12</formula>根據(jù)本發(fā)明得出的成新率，可以進一步根據(jù)最貼近當前的新車價格與成新率，得出汽車所值價值用戶汽車所值的價錢=最貼近當前的此種新車價格*成新率。本發(fā)明所述的一種智能汽車評估系統(tǒng)，包括信息采集單元，信息處理單元和結(jié)果輸出單元；所述信息采集單元用于采集用戶對所述系統(tǒng)預(yù)先設(shè)定的汽車影響因素的輸入值；信息處理單元根據(jù)信息采集單元得到的輸入值按照智能汽車評估方法對數(shù)據(jù)進行評估處理，并由結(jié)果輸出單元輸出評估結(jié)果。所述信息采集和輸出結(jié)果的方式為網(wǎng)頁形式，圖3為本發(fā)明信息采集系統(tǒng)客戶端的輸入界面。以上內(nèi)容是結(jié)合具體的優(yōu)選技術(shù)方案對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當視為屬于本發(fā)明的保護范圍。權(quán)利要求一種智能汽車評估方法，其特征在于包括如下步驟步驟一、建立層次分析模型，具體包括a1、對影響汽車價值的因素進行分類并建立層次結(jié)構(gòu)模型；a2、由決策者利用成對比較法，構(gòu)造成對比較矩陣A；a3、檢驗或修改成對比較矩陣A，使其具有完全一致性或可接受一致性；a4、在符合a3步驟所述對比較矩陣A一致性的前提下，通過成對比較矩陣A的最大特征值相對應(yīng)的特征向量，經(jīng)過歸一化處理得到權(quán)重矩陣D；步驟二、建立模糊評價模型，具體包括b1、確定指標集U＝{U1，U2，......，Un}；U是一個由評價指標所組成的指標集，其中Ui對應(yīng)于層次結(jié)構(gòu)模型中的第i層；b2、建立模糊評語集W＝{W1，W2，......，Wn}，Wj表示由高到低的各級評語，其中j＝0，1，......，n；b3、通過建立模糊關(guān)系矩陣R，用以描述從指標集U到模糊評語集W的模糊關(guān)系，其中rij表示對第i個評價指標作出的第j級評語的隸屬度；b4、利用步驟a4中得到的權(quán)值矩陣D與b3建立的模糊關(guān)系矩陣R的合成運算，得到綜合評價模型P；步驟三、計算成新率具體包括設(shè)F＝(f1f2...fn)T是成新率集，fi表示第j級評語對應(yīng)的成新率值，利用等差打分法，令最高級評語所對應(yīng)的成新率值為1，當只有一級指標時，最終成新率為C＝P·F或者當有多級指標時，最終成新率C計算方法為，<mrow><mi>Z</mi><mo>=</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mover><mi>P</mi><mo>~</mo></mover><mn>11</mn></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mover><mi>P</mi><mo>~</mo></mover><mrow><mn>1</mn><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mover><mi>P</mi><mo>~</mo></mover><mrow><mi>m</mi><mn>1</mn></mrow></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mover><mi>P</mi><mo>~</mo></mover><mi>mn</mi></msub></mtd></mtr></mtable></mfenced><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>f</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mrow><msub><mi>f</mi><mi>n</mi></msub></mrow></mtd></mtr></mtable></mfenced><mo>=</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>z</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>z</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced></mrow><mrow><mi>C</mi><mo>=</mo><mi>D</mi><mo>·</mo><mi>Z</mi><mo>=</mo><mrow><mo>(</mo><msub><mi>d</mi><mn>1</mn></msub><mo>,</mo><msub><mi>d</mi><mn>2</mn></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>d</mi><mi>m</mi></msub><mo>)</mo></mrow><mo>·</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>z</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>z</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>d</mi><mi>i</mi></msub><mo>·</mo><msub><mi>z</mi><mi>i</mi></msub></mrow>或者<mrow><mi>C</mi><mo>=</mo><mover><mi>D</mi><mo>~</mo></mover><mo>·</mo><mi>Z</mi><mo>=</mo><mrow><mo>(</mo><msub><mover><mi>d</mi><mo>~</mo></mover><mn>1</mn></msub><mo>,</mo><msub><mover><mi>d</mi><mo>~</mo></mover><mn>2</mn></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mover><mi>d</mi><mo>~</mo></mover><mi>m</mi></msub><mo>)</mo></mrow><mo>·</mo><mfencedopen='('close=')'><mtable><mtr><mtd><msub><mi>z</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>z</mi><mi>m</mi></msub></mtd></mtr></mtable></mfenced><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mover><mi>d</mi><mo>~</mo></mover><mi>i</mi></msub><mo>·</mo><msub><mi>z</mi><mi>i</mi></msub></mrow>FDA0000021198230000011.tif,FDA0000021198230000021.tif,FDA0000021198230000022.tif2.根據(jù)權(quán)利要求1所述的一種智能汽車評估方法，其特征在于步驟a2中構(gòu)造成對比矩陣的具體方法是，比較第i個元素與第j個元素相對上一層某個因素的重要性時，使用數(shù)量化的相對權(quán)重aij來描述；設(shè)共有n個元素參與比較，A=(aij)n*n為成對比較矩陣；其中aij在19及其倒數(shù)中間取值，其中各個取值的意義分別為aijaijaijaijaij=1第=3第=5第=7第=9第個元素與第j個元素比第j個元素比第j個元素比第j個元素比第j個元素對上一層次因素的重要性相同個元素略重要；個元素重要；個元素重要得多；個元素的極其重要；aij=2n，n=1，2，3，4，第i個元素與第j個元素的重要性介于aij=2n-l與aij=2n之間；aij=1/n,n=1,2,3,......,9,當且僅當aij=n；其中，aij>0,aii=1,aij=l/aji03.根據(jù)權(quán)利要求1所述的一種智能汽車評估方法，其特征在于步驟a3所述的檢驗成對比矩陣一致性步驟為cl、計算一個成對比較矩陣An*n不一致程度的指標CI<formula>formulaseeoriginaldocumentpage3</formula>其中X(max)(A)為成對比較矩陣A的最大特征值。c2、查找檢驗成對比較矩陣A—致性的標準RIc3、按照下面公式計算成對比較矩陣A的隨機一致性比率CR<formula>formulaseeoriginaldocumentpage3</formula>其中，當CR<0.1時，認為成對比較矩陣A—致性滿足要求，或其不一致程度是可接受的；否則就調(diào)整矩陣A，直到其一致性可以接受為止。4.根據(jù)權(quán)利要求1所述的一種智能汽車評估方法，其特征在于步驟a4得到成對比較矩陣的最大特征值及其相對應(yīng)的特征向量的方法為利用MATLAB語句Y，D=eig(A)實現(xiàn)，其中Y為成對比較陣A的特征值，D的列為相應(yīng)的特征向量。5.根據(jù)權(quán)利要求1所述的一種智能汽車評估方法，其特征在于步驟a4得到成對比較矩陣的最大特征值及其相對應(yīng)的特征向量的方法可通過計算近似值獲得，具體方法為首先對成對比較矩陣A的列進行歸一化處理如下，對任意aij，<formula>formulaseeoriginaldocumentpage3</formula>其次，按如下公式計算劣<formula>formulaseeoriginaldocumentpage3</formula>乃近似為成對比較矩陣A對應(yīng)于最大特征值的特征向量近似最大特征值<formula>formulaseeoriginaldocumentpage3</formula>最后，將特征向量另進行歸一化后返回，得到權(quán)值矩陣另。6.根據(jù)權(quán)利要求1所述的一種智能汽車評估方法，其特征在于步驟b3中隸屬度可以由如下方法得到將決策者專家團中各成員對各指標的評語進行分類整理后，得到對第i個評價指標有Wn個W1級評語，Wi2個W2級評語，......，Win個Wn級評語。那么，對i=1,2,......，m有7.根據(jù)權(quán)利要求1，4或5所述的一種智能汽車評估方法，其特征在于步驟b4所利用的合成運算得到綜合評價模型的具體方法為尸=另0及=(片，戶2，...，乃)或者P=DoR=(P”P2，，Pn)<formula>formulaseeoriginaldocumentpage4</formula>其中，巧=v(4arv.),或者巧=v(4arv.)y=1,2,…,,八表示義或者di與rij比較取最小值，V表示m個或者(di八的最小值中取最大值；若歸一化處理P為<formula>formulaseeoriginaldocumentpage4</formula>巧.若評價指標為多級，綜合評價模型p由多個組成<formula>formulaseeoriginaldocumentpage4</formula>8.一種智能汽車評估系統(tǒng)，其特征在于包括信息采集單元，信息處理單元和結(jié)果輸出單元；所述信息采集單元用于采集用戶對所述系統(tǒng)預(yù)先設(shè)定的汽車影響因素的輸入值；信息處理單元根據(jù)信息采集單元得到的輸入值按照智能汽車評估方法對數(shù)據(jù)進行評估處理，并由結(jié)果輸出單元輸出結(jié)果。9.根據(jù)權(quán)利要求8所述的一種智能汽車評估系統(tǒng)，其特征在于所述信息采集和輸出結(jié)果的方式為網(wǎng)頁形式。全文摘要本發(fā)明涉及一種汽車價值評估領(lǐng)域。一種智能汽車評估方法及系統(tǒng)。包括建立層次分析模型，建立模糊評價模型，運用等差打分法及矩陣運算得到最終成新率實現(xiàn)對二手汽車的評估。本發(fā)明提供了一種基于數(shù)學智能模型的更為成熟、精準的智能汽車評估方法及系統(tǒng)。即利用層次分析法與模糊分析法結(jié)合的思想實現(xiàn)對汽車的評估。其中，層次分析法通過對影響汽車價值的因素建立層次結(jié)構(gòu)模型得到權(quán)重矩陣。模糊綜合評價法是一種基于模糊數(shù)學的綜合評價方法，它根據(jù)模糊數(shù)學的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價?？梢暂^好地解決模糊的、難以量化的問題。文檔編號G06Q10/00GK101826183SQ20101016635公開日2010年9月8日申請日期2010年5月10日優(yōu)先權(quán)日2010年5月10日發(fā)明者張棟,李鳳岐申請人:李鳳岐;張棟