本技术涉及数据处理技术，尤其涉及一种用于汽车金融业务平台的处理方法及系统。
背景技术：
1、随着二手车市场的日益扩大，汽车金融业务需求也同步显著增长，但同时伴随着较高的风险评估难度。传统评估方法依赖人工检查和简单的信息比对，难以全面、准确地把握车辆状况及价值，影响金融业务的精准决策。
2、在现有技术中，由于二手车无法像新车一样，有相对固定的指导价格。因此，对于二手车的金融贷款额度，往往是基于买卖双方所签订的二手车销售合同上的二手车交易价格进行确定，而有些买卖双方为了能够取得更高额度的贷款，会刻意伪造销售合同的交易价格。
3、因此，亟需一种能够自动化、智能化评估二手车辆并给出金融业务置信度信息的方法。
技术实现思路
1、本技术提供一种用于汽车金融业务平台的处理方法及系统，用以解决的技术问题。
2、第一方面，本技术提供一种用于汽车金融业务平台的处理方法，包括：
3、获取待评估车辆的待评估车辆信息以及待评估金融业务信息，所述待评估车辆信息包括待评估车辆图像信息以及待评估车辆特征信息，所述待评估车辆为非首次销售的车辆；
4、根据所述待评估车辆特征信息从车辆数据库中确定第一待选车辆集合，所述第一待选车辆集合为与所述待评估车辆特征信息相匹配的待选车辆；
5、根据所述待评估车辆图像信息以及预设车辆识别模型从所述第一待选车辆集合中确定目标车辆；
6、获取所述目标车辆的目标车辆信息，所述目标车辆信息包括所述目标车辆的目标售价信息；
7、根据所述目标售价信息以及预设风险评估模型确定所述待评估金融业务信息的置信度信息。
8、在本方案中，通过获取待评估车辆的综合信息（包括图像和特征信息），并结合车辆数据库和车辆识别模型，实现了对非首次销售车辆的快速而准确的识别与评估。此过程不仅提高了评估的效率，还增强了评估的准确性和针对性，有利于汽车金融业务平台做出更加合理的风险决策，提升金融服务风险控制安全性。
9、可选的，所述待评估车辆特征信息包括：车型信息、车龄信息、里程数信息以及车辆颜色信息；对应的，所述根据所述待评估车辆特征信息从车辆数据库中确定第一待选车辆集合，包括：
10、通过词袋模型将所述待评估车辆特征信息转化为特征向量集合，所述特征向量集合包括第一特征向量、第二特征向量、第三特征向量以及第四特征向量，其中，所述第一特征向量为所述车型信息所对应的特征向量，所述第二特征向量为所述车龄信息所对应的特征向量、所述第三特征向量为所述里程数信息所对应的特征向量，所述第四特征向量为所述车辆颜色信息所对应的特征向量；
11、根据所述特征向量集合从所述车辆数据库中确定待选车辆，以生成所述第一待选车辆集合，其中，所述待选车辆为所述车辆数据库中与所述特征向量集合匹配度高于预设匹配度的车辆，所述第一特征向量、所述第二特征向量、所述第三特征向量以及所述第四特征向量分别对应第一匹配权重值、第二匹配权重值、第三匹配权重值以及第四匹配权重值，所述第一匹配权重值、所述第二匹配权重值、所述第三匹配权重值以及所述第四匹配权重值依次变小。
12、在本方案中，通过将待评估车辆特征信息（车型、车龄、里程数、颜色）转换为特征向量集合，并利用词袋模型进行匹配，本步骤显著提高了车辆匹配的精确度和效率。匹配权重值的设定进一步优化了匹配逻辑，确保关键特征（如车型）对匹配结果的影响大于次要特征（如颜色），使得目标车辆的匹配更加准确。
13、可选的，所述待评估车辆图像信息包括车辆变化区域图像，所述车辆变化区域图像为车辆瑕疵区域的图像或车辆改装区域的图像；对应的，所述根据所述待评估车辆图像信息以及预设车辆识别模型从所述第一待选车辆集合中确定目标车辆，包括：
14、获取所述第一待选车辆集合中各个待选车辆的待选车辆图像序列，所述待选车辆图像序列包括对应待选车辆处于不同视角下所拍摄的图像；
15、利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，所述待选车辆特征索引中的每项待选车辆特征信息包括对应待选车辆的所述待选车辆图像序列所对应的待选车辆视觉特征集合；
16、利用所述特征提取器对所述车辆变化区域图像进行特征提取，以形成目标视觉特征集合；
17、利用所述目标视觉特征集合在所述待选车辆特征索引中对每项待选车辆特征信息依次进行特征匹配，以确定特征匹配度最高的待选车辆为所述目标车辆。
18、在本方案中，针对车辆变化区域（瑕疵或改装）的图像处理，通过深度学习网络的特征提取，能够有效识别车辆的特定变化，提高了识别的敏感性和准确性，从而有助于在相似车辆中精准区分目标车辆。
19、可选的，所述利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，包括：
20、对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列中的各个图像进行多个角度的旋转，以生成各个待选车辆对应的扩展待选车辆图像序列，所述扩展待选车辆图像序列包括所述待选车辆图像序列以及对所述待选车辆图像序列中的各个图像进行不同角度旋转后的图像；
21、对应的，所述利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，包括：
22、利用基于深度学习网络的所述特征提取器对所述第一待选车辆集合中各个待选车辆的所述扩展待选车辆图像序列进行特征提取，以形成所述待选车辆特征索引。
23、在本方案中，对车辆图像序列进行多角度旋转处理并提取特征，构建扩展待选车辆图像序列，增强了特征提取的全面性，确保了不同视角下的特征一致性和识别鲁棒性。这不仅提高了特征匹配的稳定性，还可以使得车辆识别过程更加接近真实场景，能够避免因为视角问题所导致的识别误差。
24、可选的，所述利用所述目标视觉特征集合在所述待选车辆特征索引中对每项待选车辆特征信息依次进行特征匹配，以确定特征匹配度最高的待选车辆为所述目标车辆，包括：
25、利用公式1，并根据所述目标视觉特征集合以及所述待选车辆特征索引确定所述目标视觉特征集合 与所述待选车辆特征索引 中各个待选车辆特征信息之间的特征匹配度，公式1为：
26、，
27、为所述目标视觉特征集合与所述待选车辆特征索引中第个待选车辆特征信息之间的特征匹配度，为所述目标视觉特征集合中第个特征所对应的向量，为第个待选车辆特征信息中第个特征所对应的向量，为所述目标视觉特征集合中特征的数量，为所述待选车辆特征索引中待选车辆特征信息的数量，为每个待选车辆特征信息中特征的数量；
28、确定所述目标视觉特征集合与所述待选车辆特征索引中各个待选车辆特征信息之间的特征匹配度为最高的待选车辆特征信息所对应的待选车辆为所述目标车辆。
29、在本方案中，通过计算目标视觉特征集合与待选车辆特征索引之间的匹配度，提供了量化比较的标准，使得目标车辆的识别过程更为客观和系统化。该步骤确保了目标车辆选择的科学性，降低了主观判断带来的不确定性，提高了评估的自动化水平。
30、可选的，所述待评估金融业务信息包括目标贷款信息；所述根据所述目标售价信息以及预设风险评估模型确定所述待评估金融业务信息的置信度信息，包括：
31、若所述目标贷款信息中的目标贷款大于所述目标售价信息中的目标售价，则所述置信度信息为第一置信度；
32、若所述目标贷款小于或等于所述目标售价，则利用公式2，并根据所述目标贷款与所述目标售价确定贷款特征值，所述公式2为：
33、，
34、若所述贷款特征值大于预设贷款特征阈值，则所述置信度信息为第二置信度；
35、若所述贷款特征值小于或等于预设贷款特征阈值，则所述置信度信息为第三置信度，其中，所述第三置信度大于所述第二置信度，所述第二置信度大于所述第一置信度。
36、在本方案中，结合目标售价信息与预设风险评估模型，根据目标贷款信息确定置信度信息，使得风险控制更为精准。通过设定不同置信度等级，为不同贷款情况提供了明确的业务指导，有助于金融机构快速决策，优化资源配置，降低不良贷款率。
37、可选的，在所述根据所述目标售价信息以及预设风险评估模型确定所述待评估金融业务信息的置信度信息之后，还包括：
38、若所述置信度信息为所述第一置信度，则生成第一金融业务评估结果，所述第一金融业务评估结果用于指示停止后续金融服务；
39、若所述置信度信息为所述第二置信度，则生成第二金融业务评估结果，所述第二金融业务评估结果用于指示重新录入新的待评估金融业务信息；
40、若所述置信度信息为所述第三置信度，则生成第三金融业务评估结果，所述第三金融业务评估结果用于指示继续后续金融服务。
41、在本方案中，在确定置信度信息后，根据不同等级生成相应的金融业务评估结果，为后续金融服务提供明确指示，这种机制简化了业务流程，提升了操作的灵活性和响应速度。从而使得金融机构能够迅速调整策略，如及时停止风险业务、重新评估或推进服务，进而有效管理风险，提高了业务的运行效率和安全性。
42、第二方面，本技术提供一种汽车金融业务评估系统，包括：
43、获取模块，用于获取待评估车辆的待评估车辆信息以及待评估金融业务信息，所述待评估车辆信息包括待评估车辆图像信息以及待评估车辆特征信息，所述待评估车辆为非首次销售的车辆；
44、处理模块，用于根据所述待评估车辆特征信息从车辆数据库中确定第一待选车辆集合，所述第一待选车辆集合为与所述待评估车辆特征信息相匹配的待选车辆；
45、所述处理模块，还用于根据所述待评估车辆图像信息以及预设车辆识别模型从所述第一待选车辆集合中确定目标车辆；
46、所述获取模块，还用于获取所述目标车辆的目标车辆信息，所述目标车辆信息包括所述目标车辆的目标售价信息；
47、所述处理模块，还用于根据所述目标售价信息以及预设风险评估模型确定所述待评估车辆信息的置信度信息。
48、可选的，所述待评估车辆特征信息包括：车型信息、车龄信息、里程数信息以及车辆颜色信息；
49、所述处理模块，具体用于：
50、通过词袋模型将所述待评估车辆特征信息转化为特征向量集合，所述特征向量集合包括第一特征向量、第二特征向量、第三特征向量以及第四特征向量，其中，所述第一特征向量为所述车型信息所对应的特征向量，所述第二特征向量为所述车龄信息所对应的特征向量、所述第三特征向量为所述里程数信息所对应的特征向量，所述第四特征向量为所述车辆颜色信息所对应的特征向量；
51、根据所述特征向量集合从所述车辆数据库中确定待选车辆，以生成所述第一待选车辆集合，其中，所述待选车辆为所述车辆数据库中与所述特征向量集合匹配度高于预设匹配度的车辆，所述第一特征向量、所述第二特征向量、所述第三特征向量以及所述第四特征向量分别对应第一匹配权重值、第二匹配权重值、第三匹配权重值以及第四匹配权重值，所述第一匹配权重值、所述第二匹配权重值、所述第三匹配权重值以及所述第四匹配权重值依次变小。
52、可选的，所述待评估车辆图像信息包括车辆变化区域图像，所述车辆变化区域图像为车辆瑕疵区域的图像或车辆改装区域的图像；所述处理模块，具体用于：
53、获取所述第一待选车辆集合中各个待选车辆的待选车辆图像序列，所述待选车辆图像序列包括对应待选车辆处于不同视角下所拍摄的图像；
54、利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，所述待选车辆特征索引中的每项待选车辆特征信息包括对应待选车辆的所述待选车辆图像序列所对应的待选车辆视觉特征集合；
55、利用所述特征提取器对所述车辆变化区域图像进行特征提取，以形成目标视觉特征集合；
56、利用所述目标视觉特征集合在所述待选车辆特征索引中对每项待选车辆特征信息依次进行特征匹配，以确定特征匹配度最高的待选车辆为所述目标车辆。
57、所述处理模块，具体用于：
58、对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列中的各个图像进行多个角度的旋转，以生成各个待选车辆对应的扩展待选车辆图像序列，所述扩展待选车辆图像序列包括所述待选车辆图像序列以及对所述待选车辆图像序列中的各个图像进行不同角度旋转后的图像；
59、对应的，所述利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，包括：
60、利用基于深度学习网络的所述特征提取器对所述第一待选车辆集合中各个待选车辆的所述扩展待选车辆图像序列进行特征提取，以形成所述待选车辆特征索引。
61、可选的，所述处理模块，具体用于：
62、利用公式1，并根据所述目标视觉特征集合以及所述待选车辆特征索引确定所述目标视觉特征集合与所述待选车辆特征索引中各个待选车辆特征信息之间的特征匹配度，公式1为：
63、，
64、为所述目标视觉特征集合与所述待选车辆特征索引中第个待选车辆特征信息之间的特征匹配度，为所述目标视觉特征集合中第个特征所对应的向量，为第个待选车辆特征信息中第个特征所对应的向量，为所述目标视觉特征集合中特征的数量，为所述待选车辆特征索引中待选车辆特征信息的数量，为每个待选车辆特征信息中特征的数量；
65、确定所述目标视觉特征集合与所述待选车辆特征索引中各个待选车辆特征信息之间的特征匹配度为最高的待选车辆特征信息所对应的待选车辆为所述目标车辆。
66、可选的，所述待评估金融业务信息包括目标贷款信息；所述处理模块，具体用于：
67、若所述目标贷款信息中的目标贷款大于所述目标售价信息中的目标售价，则所述置信度信息为第一置信度；
68、若所述目标贷款小于或等于所述目标售价，则利用公式2，并根据所述目标贷款与所述目标售价确定贷款特征值，所述公式2为：
69、 ，
70、若所述贷款特征值大于预设贷款特征阈值，则所述置信度信息为第二置信度；
71、若所述贷款特征值小于或等于预设贷款特征阈值，则所述置信度信息为第三置信度，其中，所述第三置信度大于所述第二置信度，所述第二置信度大于所述第一置信度。
72、所述处理模块，具体用于：
73、若所述置信度信息为所述第一置信度，则生成第一金融业务评估结果，所述第一金融业务评估结果用于指示停止后续金融服务；
74、若所述置信度信息为所述第二置信度，则生成第二金融业务评估结果，所述第二金融业务评估结果用于指示重新录入新的待评估金融业务信息；
75、若所述置信度信息为所述第三置信度，则生成第三金融业务评估结果，所述第三金融业务评估结果用于指示继续后续金融服务。
76、第三方面，本技术提供一种电子设备，包括：
77、处理器；以及，
78、存储器，用于存储所述处理器的可执行指令；
79、其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中所述的任一种可能的方法。
80、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面中所述的任一种可能的方法。
81、本技术提供的用于汽车金融业务平台的处理方法及系统，通过获取待评估车辆的待评估车辆信息以及待评估金融业务信息，并根据待评估车辆特征信息从车辆数据库中确定第一待选车辆集合，以及根据待评估车辆图像信息以及预设车辆识别模型从第一待选车辆集合中确定目标车辆，然后，获取目标车辆的目标车辆信息，并根据目标售价信息以及预设风险评估模型确定待评估金融业务信息的置信度信息，从而实现了对非首次销售车辆的快速而准确的识别与评估，不仅提高了评估的效率，还增强了评估的准确性和针对性，有利于汽车金融业务平台做出更加合理的风险决策，提升金融服务风险控制安全性。
1.一种用于汽车金融业务平台的处理方法，其特征在于，包括：
2.根据权利要求1所述的用于汽车金融业务平台的处理方法，其特征在于，所述待评估车辆特征信息包括：车型信息、车龄信息、里程数信息以及车辆颜色信息；对应的，所述根据所述待评估车辆特征信息从车辆数据库中确定第一待选车辆集合，包括：
3.根据权利要求2所述的用于汽车金融业务平台的处理方法，其特征在于，所述待评估车辆图像信息包括车辆变化区域图像，所述车辆变化区域图像为车辆瑕疵区域的图像或车辆改装区域的图像；对应的，所述根据所述待评估车辆图像信息以及预设车辆识别模型从所述第一待选车辆集合中确定目标车辆，包括：
4.根据权利要求3所述的用于汽车金融业务平台的处理方法，其特征在于，所述利用基于深度学习网络的特征提取器对所述第一待选车辆集合中各个待选车辆的所述待选车辆图像序列进行特征提取，以形成待选车辆特征索引，包括：
5.根据权利要求4所述的用于汽车金融业务平台的处理方法，其特征在于，所述利用所述目标视觉特征集合在所述待选车辆特征索引中对每项待选车辆特征信息依次进行特征匹配，以确定特征匹配度最高的待选车辆为所述目标车辆，包括：
6.根据权利要求1-5中任意一项所述的用于汽车金融业务平台的处理方法，其特征在于，所述待评估金融业务信息包括目标贷款信息；所述根据所述目标售价信息以及预设风险评估模型确定所述待评估金融业务信息的置信度信息，包括：
7.根据权利要求6所述的用于汽车金融业务平台的处理方法，其特征在于，在所述根据所述目标售价信息以及预设风险评估模型确定所述待评估金融业务信息的置信度信息之后，还包括：
8.一种汽车金融业务评估系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
