ProbSAINT: Uma Nova Abordagem para o Preço de Carros Usados

O preço de carros usados é uma parte importante da indústria automotiva. Muitas coisas podem afetar o quanto um carro usado custa, incluindo a economia e o Mercado. Com mais gente comprando carros usados online ultimamente, ficou ainda mais importante definir o preço certo. Colocar o preço certo ajuda tanto os compradores quanto os vendedores a se sentirem bem sobre o negócio. No entanto, criar um sistema para definir Preços automaticamente usando tecnologia pode ser complicado. Um grande desafio é saber quando o sistema não tem certeza sobre uma Previsão.

No passado, pesquisadores sugeriram diferentes formas de prever preços de carros. Alguns métodos usam algoritmos que dão estimativas de preço rapidamente, enquanto outros se baseiam em encontrar carros similares para definir um preço. Mas capturar quão incertos os modelos são continua sendo um problema difícil.

#Apresentando o ProbSAINT

Para enfrentar esses desafios, apresentamos um novo modelo chamado ProbSAINT. Esse modelo não só busca prever preços com precisão, mas também fornece uma maneira de entender quão incertas essas previsões podem ser. Nos nossos testes, descobrimos que o ProbSAINT pode prever preços tão bem quanto os melhores métodos existentes, enquanto também consegue sinalizar quando as previsões podem não ser tão confiáveis.

Uma característica única do ProbSAINT é sua capacidade de se adaptar a diferentes situações. Por exemplo, as empresas costumam querer saber como os preços mudam quando um carro está listado para venda por diferentes períodos de tempo. O ProbSAINT pode ajudar a prever preços com base em quanto tempo se espera que um carro permaneça no mercado.

#O Crescimento do Mercado de Carros Usados

O mercado de carros usados é enorme, com milhões de carros vendidos todo ano. Por exemplo, o mercado de carros usados na Alemanha valia mais de 113 bilhões de dólares em 2021 e deve continuar crescendo nos próximos anos. À medida que o mercado se expande, há uma necessidade de melhores sistemas de precificação que consigam lidar com a dinâmica de mercado mais complexa.

Por exemplo, durante a pandemia, muitos problemas fizeram os preços dos carros usados subirem. Coisas como problemas na cadeia de suprimentos e escassez de peças importantes significaram que menos carros novos e usados estavam disponíveis. Essas condições tornam vital ter tecnologia avançada que possa se ajustar rapidamente a mudanças nos preços e nas necessidades dos consumidores. Além disso, conseguir medir quão incertas são as previsões de um modelo é fundamental para construir confiança em sistemas de precificação automatizados.

#A Complexidade da Precificação de Carros Usados

Precificar carros usados envolve muitos fatores diferentes. Isso inclui características do veículo como modelo, marca e ano, além de seu estado, há quanto tempo está à venda e quantos quilômetros já rodou. Além dessas características, o momento em que um carro é listado e vendido também importa bastante.

Os métodos de precificação anteriores se baseavam principalmente em modelos simples que não conseguiam lidar com a mistura complexa de tipos de dados. Recentemente, métodos mais avançados, como Árvores de Decisão Aumentadas por Gradiente, têm sido usados, mas frequentemente não se comparam aos últimos modelos de aprendizado profundo ou são testados em conjuntos de dados menores.

Comparado a essas abordagens passadas, métodos mais novos baseados em aprendizado profundo e mecanismos de atenção estão começando a mostrar potencial para lidar com os tipos de dados vistos na precificação de carros usados. No entanto, pouquíssima atenção foi dada ao aspecto de Incerteza dessas previsões. Essa falta de foco limita o quão bem esses sistemas podem ser usados em situações do mundo real onde a confiança é importante.

#A Necessidade de Quantificação de Incerteza

Entender quão incerta é uma previsão pode ser vital em muitos processos de tomada de decisão. Muitos modelos atuais de previsão de preços não consideram adequadamente quão incertos seus resultados podem ser. Enquanto métodos de aumento são eficazes para previsões rápidas, geralmente fornecem apenas um ponto de preço sem uma noção de quão confiável essa estimativa é.

Alguns métodos tentam resolver isso olhando para múltiplos modelos e fazendo uma média das opiniões deles, mas essas abordagens podem ser inconsistentes. Outras técnicas tentam estimar a incerteza aplicando dropout durante os testes, mas esses métodos não são infalíveis.

Nos últimos anos, pesquisadores têm explorado como melhorar a maneira como a incerteza é modelada em aprendizado profundo. Alguns modelos usam abordagens específicas para aprender a produzir distribuições de saída confiáveis. Adaptando esses métodos para a precificação de carros usados, podemos melhorar como lidamos com preços e incerteza.

#O Problema da Precificação de Carros Usados

Ao definir um preço para um carro usado, o objetivo é usar dados históricos para fazer uma previsão informada sobre qual seria um preço justo. Isso envolve descobrir faixas de preço prováveis e entender quão incertas essas faixas são.

Para colocar esse conceito de forma simples, digamos que temos um conjunto de dados que contém informações de preços passados. O objetivo se torna encontrar um método que preveja a distribuição de preços para um carro dado um conjunto de dados sobre aquele veículo.

#Metodologia: Como o ProbSAINT Funciona

Para criar o ProbSAINT, começamos usando um método chamado SAINT, que foi originalmente projetado para tarefas de classificação. O ProbSAINT modifica o SAINT para focar em prever preços, enquanto também incorpora a incerteza nessas previsões.

O modelo usa uma técnica chamada normalização em camadas dentro das camadas de atenção e feed-forward que permite que ele aprenda efetivamente a partir dos dados. Uma característica importante do ProbSAINT é como ele lida com vários tipos de dados, incluindo números e categorias. Essa combinação ajuda o ProbSAINT a funcionar bem em situações onde informações passadas podem orientar previsões futuras.

#Auto-Atenção e Características

O ProbSAINT usa uma combinação de dois tipos de atenção: auto-atenção e atenção inter-amostra. A auto-atenção analisa relações dentro do mesmo ponto de dados, enquanto a atenção inter-amostra examina os dados entre diferentes pontos para determinar quão similares eles são. Essa configuração permite que o ProbSAINT lide melhor com dados ausentes ou ruidosos, que são comuns em conjuntos de dados do mundo real.

Por meio dessas camadas de atenção, o modelo pode tirar conclusões a partir de várias características e criar previsões precisas com base nessas informações.

#Design de Saída Probabilística

O núcleo do modelo ProbSAINT compreende um codificador e várias camadas de atenção que ajudam a gerar saídas que refletem tanto um valor médio quanto a incerteza das previsões. Ao incluir um perceptron de múltiplas camadas no final, o modelo pode produzir não apenas um preço de saída, mas sim uma distribuição completa representando os preços potenciais de venda.

Esse método significa que, em vez de obter apenas um preço previsto, os usuários podem entender o intervalo de preços prováveis, refletindo a incerteza envolvida nessas previsões.

#Configuração Experimental

Para testar nosso modelo, usamos dados do mundo real de plataformas online onde as pessoas compram e vendem carros usados. Esse conjunto de dados contém cerca de 2 milhões de registros com várias características, como marca, modelo e histórico de vendas.

Para preparar os dados para treinar o ProbSAINT, fizemos vários ajustes, como converter características categóricas para um formato que o modelo pudesse usar e preencher valores ausentes com marcadores de posição. Também dividimos os dados em seções para garantir que as fases de treinamento, validação e teste fossem bem definidas.

Ao reservar momentos específicos para o treinamento e testes, visamos refletir situações do mundo real onde previsões precisam ser feitas sobre vendas futuras com base em dados passados.

#Treinamento e Avaliação

Treinamos vários modelos de aprendizado de máquina para comparar como o ProbSAINT se sai em relação a outros métodos comuns. Para nossas avaliações, usamos métricas para avaliar tanto previsões pontuais (quão próximo o preço previsto está do preço real) quanto saídas probabilísticas (quão confiáveis são as faixas de preço previstas).

As principais descobertas mostraram que o modelo ProbSAINT não apenas produziu previsões pontuais confiáveis, mas também ofereceu boas saídas probabilísticas, o que significa que ele se saiu bem ao indicar quando as previsões poderiam ser menos certas.

#O Impacto da Duração da Oferta nos Preços

A duração pela qual um carro é listado para venda pode afetar significativamente seu preço de venda. Nosso modelo leva isso em conta, permitindo que os usuários prevejam como os preços podem mudar dependendo de diferentes períodos de listagem.

Essa abordagem significa que os vendedores de carros podem entender melhor a dinâmica do mercado, incluindo se pode ser mais vantajoso vender um carro rapidamente ou esperar por um preço melhor. As previsões geradas podem ajudar a identificar como diferentes fatores influenciam a precificação ao longo do tempo.

#Os Principais Pontos

As principais contribuições do modelo ProbSAINT incluem:

1. Oferecer previsões de preços precisas, enquanto também fornece uma medida de incerteza.
2. Demonstrar seu valor por meio de testes extensivos em relação a métodos existentes.
3. Mostrar que pode se adaptar a diferentes condições de mercado, levando em conta o tempo esperado que um carro é listado para venda.

Acreditamos que essa posição do ProbSAINT aumenta a confiabilidade dos sistemas de precificação automatizados, facilitando para as empresas confiarem e adotarem essas tecnologias em suas operações.

#Comparação com Outros Modelos

Em nossos experimentos, comparamos o ProbSAINT com vários modelos populares de aprendizado de máquina e aprendizado profundo. Esses incluíram métodos tradicionais como Árvores de Decisão Aumentadas por Gradiente, que são fortes em previsões rápidas, mas muitas vezes carecem do aspecto da incerteza.

O ProbSAINT teve um desempenho consistentemente melhor, especialmente ao considerar como lida com a incerteza, provando ser uma alternativa vantajosa para aplicações do mundo real na precificação de carros usados.

#Conclusão e Perspectivas Futuras

Em resumo, mostramos como o ProbSAINT pode prever eficazmente os preços de carros usados, enquanto também fornece insights sobre a incerteza dessas previsões. A capacidade do modelo de se adaptar às dinâmicas de mercado o diferencia no campo da precificação automatizada.

Avançando, há planos para aprimorar ainda mais o modelo explorando tarefas de pré-treinamento que poderiam ajudá-lo a aprender a partir de conjuntos de dados maiores. Encontrar maneiras de incorporar dados adicionais continuará sendo um foco central, já que isso pode melhorar ainda mais o desempenho do ProbSAINT.

No geral, o desenvolvimento contínuo de modelos como o ProbSAINT representa um avanço significativo na criação de sistemas mais precisos e confiáveis para a precificação de carros usados.