面向无拆解车辆部件成本估算的可解释AI:一种自顶向下方法
计算机与社会
2021-10-22 v1 人工智能
机器学习
机器学习
摘要
本文的更广泛目标是推广一种将系统输出量公平分配至其各子系统的方法,同时允许底层复杂的子系统级交互。具体而言,我们提出一种数据驱动方法,通过结合机器学习和博弈论的概念,进行车辆价格建模及其部件价格估算。我们展示了一种替代常见拆解方法和调查方法的方案,用于在制造商建议零售价(MSRP)层面估算部件与车辆价格,其优势在于规避了以下不确定性:1)拆解数据收集,2)需要进行昂贵且有偏的调查,3)需要进行零售价等价(RPE)或间接成本乘数(ICM)调整,以将直接制造成本加成至MSRP。这一新颖工作不仅提供了客户层面技术的准确定价,还揭示了事先已知的制造商间、车辆尺寸、级别、细分市场及其他因素之间在定价策略上的巨大差距。某些技术的价格与同车其他规格之间也存在明显的协同或交互作用。这些(不足为奇的)结果表明,旧的制造商级部件成本核算、聚合以及应用僵化统一的RPE或ICM调整因子的做法应被审慎审视。研究结果基于阿贡国家实验室开发的广泛数据库,涵盖超过64,000辆车辆,涉及1990至2020车型年的数百项车辆规格。
引用
@article{arxiv.2006.08828,
title = {Explainable AI for a No-Teardown Vehicle Component Cost Estimation: A Top-Down Approach},
author = {Ayman Moawad and Ehsan Islam and Namdoo Kim and Ram Vijayagopal and Aymeric Rousseau and Wei Biao Wu},
journal= {arXiv preprint arXiv:2006.08828},
year = {2021}
}
备注
17 pages, 18 figures