CN107169847B - 基于机器学习模型动态调整短租房房价的系统及其方法 - Google Patents
基于机器学习模型动态调整短租房房价的系统及其方法 Download PDFInfo
- Publication number
- CN107169847B CN107169847B CN201710473309.6A CN201710473309A CN107169847B CN 107169847 B CN107169847 B CN 107169847B CN 201710473309 A CN201710473309 A CN 201710473309A CN 107169847 B CN107169847 B CN 107169847B
- Authority
- CN
- China
- Prior art keywords
- price
- information
- house
- user
- landlord
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010801 machine learning Methods 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于机器学习模型动态调整短租房房价的系统，其特征在于，包括：数据资源存储模块：通过分布式集群存储海量房源数据、房东信息和住户需求信息，成交历史信息；用户前端模块：用于接收用户输入的订房需求信息；人工智能计算模块：用于通过人工智能模型，进行房价估算；房屋竞价模块：用于将估算价格推送给房东，并获得房东根据自己意愿输入的当前房源的售出价格；排序引擎模块和输出模块：结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息。本发明还提供了相应的方法。
Description
技术领域
本发明涉及电子商务的数据处理技术领域，具体涉及在线订房技术领域；
背景技术
短租住宿行业的典型代表在国外有Airbnb，在国内有蚂蚁短租、小猪短租、木鸟短租等；这些短租平台的模式普遍是：房东将自己的房源按照固定的价格挂在平台上，然后被动等待顾客上门；房东不了解客户有什么样的价格需求，有多少房源住宿的需求等，可能会因为价格原因导致空房率出现；另一方面，由于入住情况不断进行变化，且房屋大小和星级情况的不同，价格差距非常大，所以，以固定价格在网站平台上进行销售非常不便，且经还常会出现合同生成却没有房源的尴尬局面；对于住户来说，则是到各个平台进行大量的筛选，咨询，对比房价，过程费时费力；
如果当前房源紧张，房东可能想抬高价格或者当前房间空闲比较多的时候房东想降低价格，对于住户来说如果有个平台可以将这些信息整合并以一个合理的价格展示所需房源，是目前亟待解决的问题；
发明内容
为房东方面解决空房问题，为用户找到最合适价位的房源；本发明实施例提出了一种基于机器学习模型动态调整短租房房价的系统，其特征在于，包括：数据资源存储模块：通过分布式集群存储海量房源数据、房东信息和住户需求信息，成交历史信息；
用户前端模块：用于接收用户输入的订房需求信息；
人工智能计算模块：用于通过人工智能模型，进行房价估算；
房屋竞价模块：用于将估算价格推送给房东，并获得房东根据自己意愿输入的当前房源的售出价格；
排序引擎模块和输出模块：结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息。
优选的，还包括：所述人工智能计算模块：用于首先提取系统内部如当地房价当时天气当时空房率当前空房房源质量房源历史住房信息历史房价等信息资源进行当前房源价格的估算；
1)通过内部大数据集群云计算等分布式计算的方式获取大量的房源数据信息，例如房源地址房源空房率用房天气房源成交价格等等；以及最近的入住成交信息，例如最近入住价格最近入住率；和用户需求，如用户希望入住的地段；
2)基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用DNN模型进行计算；DNN通过输入X模仿人脑神经元传输的方式输出结果Y；
这样的变换可以扩大输入X的量也可以做一些输入特征的变换
3)将DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格GBDT通过函数f(x)这样的输入方式将DNN的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；
其次根据用户输入需求的信息进行房源的筛选，例如用户填入的住房地址筛选用户填写需求租房地址附近的一定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况等筛信息进行初步筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，即历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格等信息；
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此可以挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
比如房东最想成交价格为P1，系统估算价格P2，P1-P2<diff3，所述diff3为差价的接受范围，小于该数值时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出。
优选的，所述房屋竞价模块：用于将估算的价格推送给房东；同时将当前空房率,客户需求量等信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格。
优选的，所述排序引擎模块和输出模块：用于结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息。
优选的，利用所述的系统进行订房的方法，包括：
系统平台接收用户输入房屋绣球信息，然后系统后台根据输入信息进行匹配；在获得匹配的房源信息后，系统平台内部根据各种外界因素，再结合用户的房价承受程度，房东的房价承受程度各方因素，通过智能算法估算出当前房源最合适的房价；向匹配的房源信息的房东，推送房源定价信息和用户订单信息；房东进行出价，然后输出房源信息给住户。
本发明实施例还提出了一种基于机器学习模型动态调整短租房房价的系统，其特征在于，
首先提取系统内部如当地房价当时天气当时空房率当前空房房源质量房源历史住房信息历史房价等信息资源进行当前房源价格的估算；具体步骤如下：
1)通过内部大数据集群云计算等分布式计算的方式获取大量的房源数据信息，例如房源地址房源空房率用房天气房源成交价格等等；以及最近的入住成交信息，例如最近入住价格最近入住率；和用户需求，如用户希望入住的地段；
2)基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用DNN模型进行计算；DNN通过输入X模仿人脑神经元传输的方式输出结果Y；
可选的，通过一些输入变换，例如可以扩大输入X的量，也可以对输入特征的进行变换；
3)将DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格GBDT通过函数f(x)这样的输入方式将DNN的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；
其次根据用户输入需求的信息进行房源的筛选，例如用户填入的住房地址筛选用户填写需求租房地址附近的一定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况等筛信息进行初步筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，即历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格等信息
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此可以挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
比如房东最想成交价格为P1，系统估算价格P2，P1-P2<diff3，所述diff3为差价的接受范围，小于该数值时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出；
再次将估算的价格推送给房东；同时将当前空房率,客户需求量等信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格；
最后结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息，比如房屋楼层、朝向、户型、面积、周边环境等。
本发明的上述技术方案的有益效果如下：本发明平台运用大数据和人工智能技术，根据用户的需求，当前房源的质量，空房率和时间地点等信息进行房价动态调整；为用户和房东找到最合理的成交价格；
附图说明
图1为本发明实施例的房屋价格动态调整流程示意图；
图2为本发明实施例的系统模块结构示意图；
图3为本发明实施例的系统中的DNN模型结构图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述；
本发明主要的思路是，用户在系统平台进行下单，经过如下流程：首先用户在发单页面填写一个简单的表单，系统平台接收用户输入信息，如入住/退房时间、房源区域、出价等，然后系统后台根据输入信息进行匹配；在获得匹配的房源信息后，向匹配的房源信息的房东，推送用户订单信息；房东进行出价，然后输出房源信息给住户；
对于当前房源价格的动态调整，房东要按当时的状况给多少需要一个决策能力；例如房东可以按当时的状况，自行决策房源价格；
而本发明能够解决此时房屋的合理动态调整价格提供给房东作参考；
住户出行订房的价格，根据地点，时间，房屋条件，空房率等一系列因素的影响；房价应该是不同的；而不是现有很多平台的固定价格；
系统平台内部根据各种外界因素，再结合用户的房价承受程度，房东的房价承受程度各方因素，通过智能算法估算出当前房源最合适的房价；推荐给房东和用户，这样的优化策略可以给用户带来方便和优惠，使房东对行业价格有更清晰的了解，更容易做出利于自己的决策；
系统通过人工智能模型，机器学习结合大数据的方式，估算当前房源最合理的房价；
如图1所示的，本发明实施例的房屋价格动态调整具体流程包括：
首先提取系统内部如当地房价当时天气当时空房率当前空房房源质量房源历史住房信息历史房价等信息资源进行当前房源价格的估算；具体步骤如下：
1)通过内部大数据集群云计算等分布式计算的方式获取大量的房源数据信息，例如房源地址房源空房率用房天气房源成交价格等等；以及最近的入住成交信息，例如最近入住价格最近入住率；和用户需求，如用户希望入住的地段；
2)基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用DNN模型进行计算；DNN通过输入X模仿人脑神经元传输的方式输出结果Y；
可选的，通过一些输入变换，例如可以扩大输入X的量，也可以对输入特征的进行变换；
DNN(Deep neural network)是一种人工神经网络算法。DNN人工神经网络是模仿人脑神经元工作原理，多层人工神经元传输信息处理信息的过程来组织模型原理结构。如下图所示：
输入层是我们将大数据中的数据输入到这个地方，然后数据通过隐含层的计算整理，最后到输出层。输出我们想要的结果。图上的w和b是通过选择的神经元传输函数的参数这里选择sigmoid函数做神经元传输函数然后计算模型信息损失函数最小的方式迭代求出w和b。
本模型选择三层网络。
3)将DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格GBDT通过函数f(x)这样的输入方式将DNN的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；
其次根据用户输入需求的信息进行房源的筛选，例如用户填入的住房地址筛选用户填写需求租房地址附近的一定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况等筛信息进行初步筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，即历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格等信息
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此可以挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
比如房东最想成交价格为P1，系统估算价格P2，P1-P2<diff3，所述diff3为差价的接受范围，小于该数值时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出；
再次将估算的价格推送给房东；同时将当前空房率,客户需求量等信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格；
最后结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息，比如房屋楼层、朝向、户型、面积、周边环境等；
图2示出了整个系统的模块设计：
数据资源存储模块：通过分布式集群存储海量房源数据、房东信息和住户需求信息，成交历史信息；
用户前端模块：用于接收用户输入的订房需求信息；
人工智能计算模块：用于通过人工智能模型，进行房价估算；
房屋竞价模块：用于将估算价格推送给房东，并获得房东根据自己意愿输入的当前房源的售出价格；
排序引擎模块和输出模块：结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息；
进一步的，人工智能计算模块：
1)通过内部大数据集群云计算等分布式计算的方式获取大量的房源数据信息，例如房源地址房源空房率用房天气房源成交价格等等；以及最近的入住成交信息，例如最近入住价格最近入住率；和用户需求，如用户希望入住的地段；
2)基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用DNN模型进行计算；DNN通过输入X模仿人脑神经元传输的方式输出结果Y；
这样的变换可以扩大输入X的量也可以做一些输入特征的变换
3)将DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格GBDT通过函数f(x)这样的输入方式将DNN的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；
其次根据用户输入需求的信息进行房源的筛选，例如用户填入的住房地址筛选用户填写需求租房地址附近的一定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况等筛信息进行初步筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，即历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格等信息；
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此可以挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
比如房东最想成交价格为P1，系统估算价格P2，P1-P2<diff3，所述diff3为差价的接受范围，小于该数值时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出；
进一步的，房屋竞价模块：
再次将估算的价格推送给房东；同时将当前空房率,客户需求量等信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格；
进一步的，排序引擎模块和输出模块：
最后结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息，比如房屋楼层、朝向、户型、面积、周边环境等；
以上仅是本发明的可选实施方式而已，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任意简单修改、等同变化、结合或修饰，均仍属于本发明技术方案的保护范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等；可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现；相应地，上述实施例中的每个模块/单元可以采用硬件的形式实现，例如通过集成电路来实现其相应功能，也可以采用软件功能模块的形式实现，例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能；本发明不限制于任何特定形式的硬件和软件的结合。
虽然本申请所揭露的实施方式如上，但所述的内容仅为便于理解本申请而采用的实施方式，并非用以限定本申请，如本发明实施方式中的具体的实现方法；任何本申请所属领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种基于机器学习模型动态调整短租房房价的系统，其特征在于，包括：
数据资源存储模块：通过分布式集群存储海量房源数据、房东信息和住户需求信息，成交历史信息；
用户前端模块：用于接收用户输入的订房需求信息；
人工智能计算模块：用于通过人工智能模型，进行房价估算；
房屋竞价模块：用于将估算价格推送给房东，并获得房东根据自己意愿输入的当前房源的售出价格；
排序引擎模块和输出模块：结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息；
所述人工智能计算模块：用于首先提取系统内部房源数据信息资源进行当前房源价格的估算；
1）通过内部分布式计算的方式获取大量的房源数据信息，以及最近的入住成交信息；
2）基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用人工神经网络DNN模型进行计算；所述DNN模型通过输入X模仿人脑神经元传输的方式输出结果Y；
3）将所述DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格，GBDT模型通过函数f(x)的输入方式将DNN模型的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；具体包括：
其次根据用户输入需求的信息进行房源的筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，包括历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格信息；
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
具体的，房东最想成交价格为P1，系统估算价格P2，P1-P2< diff3，所述diff3为差价的接受范围，小于所述diff3时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出。
2.根据权利要求1所述的系统，其特征在于，所述房屋竞价模块：用于将估算的价格推送给房东；同时将当前空房率,客户需求量信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格。
3.根据权利要求2所述的系统，其特征在于，所述排序引擎模块和输出模块：用于结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息。
4.根据权利要求1所述的系统，其特征在于，所述信息资源包括以下至少之一：当地房价、当时天气、当时空房率、当前空房房源质量、房源历史住房信息、历史房价；最近的入住成交信息包括以下至少之一：最近入住价格最近入住率；和用户需求，用户希望入住的地段。
5.根据权利要求1所述的系统，其特征在于，所述分布式计算包括大数据集群云计算。
6.根据权利要求1所述的系统，其特征在于，用户输入需求的信息筛选包括以下至少之一：用户填入的住房地址筛选，用户填写需求租房地址附近的特定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况筛选。
7.一种利用如权利要求1-6所述的系统进行订房的方法，其特征在于，包括：
系统平台接收用户输入房屋需求信息，然后系统后台根据输入信息进行匹配；在获得匹配的房源信息后，系统平台内部根据各种外界因素，再结合用户的房价承受程度，房东的房价承受程度各方因素，通过智能算法估算出当前房源最合适的房价；向匹配的房源信息的房东，推送房源定价信息和用户订单信息；房东进行出价，然后输出房源信息给住户。
8.一种基于机器学习模型动态调整短租房房价的方法，其特征在于，包括：
通过分布式集群存储海量房源数据、房东信息和住户需求信息，成交历史信息；
接收用户输入的订房需求信息；
通过人工智能模型，进行房价估算；
将估算价格推送给房东，并获得房东根据自己意愿输入的当前房源的售出价格；
结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息；
所述通过人工智能模型，进行房价估算进一步包括：
首先提取系统内部房源数据信息资源进行当前房源价格的估算；
1）通过内部分布式计算的方式获取大量的房源数据信息，以及最近的入住成交信息；
2）基于大数据进行数据整理；根据提取的房源数据信息以及最近的入住成交信息和用户需求；将这些资源信息作为输入，使用人工神经网络DNN模型进行计算；所述DNN模型通过输入X模仿人脑神经元传输的方式输出结果Y；
3）将所述DNN模型输出的结果Y输入给GBDT模型进行回归计算，估算当前各个房源的可行价格，GBDT模型通过函数f(x)的输入方式将DNN模型的输出Y值作为X输入，然后进行下面的迭代计算过程最终产生函数f(x)来估算输出结果；具体包括：
其次根据用户输入需求的信息进行房源的筛选；
将筛选到的房源提取评估价格结果，提取经筛选房源历史成交的价格和最近成交的价格，包括历史成交价格与提取历史推送给房东的价格并且没成交的，即历史不成交价格信息；
获取上面信息后通过FP-tree频繁项集的方式挖掘出房东和价格的最频繁成交关系；
如此挖掘出房东最想成交的价格，获得该价格后再与估算价格进行匹配，如果估算价格在用户容忍范围内则认为这个估算价格较为合理；
具体的，房东最想成交价格为P1，系统估算价格P2，P1-P2< diff3，所述diff3为差价的接受范围，小于所述diff3时认为估算价格是可接受的；其中，diff3的设定可以根据目前房价的动荡程度来估算得出；
再次将估算的价格推送给房东；同时将当前空房率,客户需求量信息一并发送给房东；房东可以按照自己的意愿，输入当前房源的售出价格；
最后结合用户填写的订单资源信息按照用户要求以合理的排序方式展示给用户房源信息，包括房屋楼层、朝向、户型、面积、周边环境。
9.根据权利要求8所述的方法，其特征在于，通过输入X进行输入变换，包括扩大输入X的量，或者对输入特征的进行变换。
10.根据权利要求8所述的方法，其特征在于，所述信息资源包括以下至少之一：当地房价、当时天气、当时空房率、当前空房房源质量、房源历史住房信息、历史房价；最近的入住成交信息包括以下至少之一：最近入住价格最近入住率；和用户需求，用户希望入住的地段。
11.根据权利要求8所述的方法，其特征在于，所述分布式计算包括大数据集群云计算。
12.根据权利要求8所述的方法，其特征在于，用户输入需求的信息筛选包括以下至少之一：用户填入的住房地址筛选，用户填写需求租房地址附近的特定范围内的全部房源信息，用户输入户型两室一厅，周边环境状况筛选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710473309.6A CN107169847B (zh) | 2017-06-21 | 2017-06-21 | 基于机器学习模型动态调整短租房房价的系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710473309.6A CN107169847B (zh) | 2017-06-21 | 2017-06-21 | 基于机器学习模型动态调整短租房房价的系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107169847A CN107169847A (zh) | 2017-09-15 |
| CN107169847B true CN107169847B (zh) | 2021-01-12 |
Family
ID=59819497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710473309.6A Active CN107169847B (zh) | 2017-06-21 | 2017-06-21 | 基于机器学习模型动态调整短租房房价的系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107169847B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679940A (zh) * | 2017-09-22 | 2018-02-09 | 刘捷 | 一客一价无人订房处理系统及方法 |
| CN108471455A (zh) * | 2018-06-14 | 2018-08-31 | 万翼科技有限公司 | 房产信息的推送方法、服务器及存储介质 |
| US10956631B2 (en) * | 2018-08-31 | 2021-03-23 | Accenture Global Solutions Limited | Distribution selection and simulation of intermittent data using machine learning (ML) |
| CN109710648A (zh) * | 2018-12-30 | 2019-05-03 | 深圳爱拼信息科技有限公司 | 一种基于迁移学习的信息整理方法 |
| CN111346387A (zh) * | 2020-03-30 | 2020-06-30 | 上海应用技术大学 | 高校电竞赛事监控方法 |
| CN112288488A (zh) * | 2020-11-02 | 2021-01-29 | 上海字符飞舞科技有限公司 | 一种短租民宿智能定价系统和方法 |
| CN113657956A (zh) * | 2021-07-05 | 2021-11-16 | 西宁城市职业技术学院 | 二手物品交易方法、装置、存储介质和电子设备 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831541A (zh) * | 2012-08-14 | 2012-12-19 | 上海克而瑞信息技术有限公司 | 房屋价值自动评估方法及装置 |
| CN202748835U (zh) * | 2012-08-14 | 2013-02-20 | 上海克而瑞信息技术有限公司 | 房屋价值自动评估装置 |
| CN103345718A (zh) * | 2013-07-15 | 2013-10-09 | 北京拓世寰宇网络技术有限公司 | 一种二手房房价评估方法 |
| CN103729783B (zh) * | 2014-01-10 | 2018-05-18 | 五八同城信息技术有限公司 | 二手物品电子商务交易平台中的价格挖掘和审核系统 |
| JP6126029B2 (ja) * | 2014-03-07 | 2017-05-10 | ヤンマー株式会社 | 遠隔サーバ |
| CN104517224B (zh) * | 2014-12-22 | 2017-09-29 | 浙江工业大学 | 一种网络热销商品的预测方法及系统 |
| US10929905B2 (en) * | 2015-10-05 | 2021-02-23 | Verizon Media Inc. | Method, system and machine-readable medium for online task exchange |
| CN106447471A (zh) * | 2016-11-30 | 2017-02-22 | 安徽金曦网络科技股份有限公司 | 房屋买卖交易管理系统 |
| CN106815782A (zh) * | 2017-01-23 | 2017-06-09 | 重庆汇集源科技有限公司 | 一种基于神经网络统计学模型的房地产估值方法及系统 |
-
2017
- 2017-06-21 CN CN201710473309.6A patent/CN107169847B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107169847A (zh) | 2017-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169847B (zh) | 基于机器学习模型动态调整短租房房价的系统及其方法 | |
| Niyato et al. | Economics of Internet of Things: An information market approach | |
| JP6543700B2 (ja) | 宿泊設備リスティングに対する宿主選好を決定すること | |
| CN107330715B (zh) | 选择图片广告素材的方法和装置 | |
| CN107735811A (zh) | 用于房地产定价的系统、方法和程序 | |
| US20210073930A1 (en) | Commercial real estate evaluation, valuation, and recommendation | |
| CN104657133B (zh) | 移动群智感知中一种用于单时间窗口任务的激励方法 | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN105683954A (zh) | 设施、特殊服务及食品/饮料搜索和购买预订系统 | |
| CN108230007A (zh) | 一种用户意图的识别方法、装置、电子设备及存储介质 | |
| KR102483733B1 (ko) | 인테리어 중개 서비스 제공 방법 및 장치 | |
| CN113724039A (zh) | Ota网站的酒店推荐方法、系统、设备及可读存储介质 | |
| CN109034853A (zh) | 基于种子用户寻找相似用户方法、装置、介质和电子设备 | |
| WO2013109457A2 (en) | Systems and methods for rule-based content optimization | |
| US20160343051A1 (en) | Network computer system to predict contingency outcomes | |
| CN107220721B (zh) | 一种多智能代理支持的订房议价方法及系统 | |
| CN114187033A (zh) | 一种基于深度迁移学习的可解释性房屋价格评估分类方法 | |
| US11120515B1 (en) | Property enhancement analysis | |
| CN107408229A (zh) | 用于优化诸如旅游设施等的未充分使用的多个物理设施的使用的系统和方法 | |
| US10402921B2 (en) | Network computer system for quantifying conditions of a transaction | |
| CN115049437A (zh) | 家居资源交互方法、装置、计算机设备 | |
| US20230260249A1 (en) | Systems and methods for training and using a machine learning model for matching objects | |
| JP6670406B1 (ja) | 学習装置及び予測装置 | |
| CN112990954B (zh) | 优惠券分发的方法和装置 | |
| US20220036460A1 (en) | Systems and Methods for Asset Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 1726-2, 17th Floor, Zhongheng Building, No. 111 Bada Street, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Fabiao Intelligent Technology Co.,Ltd. Address before: 215522 unit 2-a1f-10, creative industry park, 328 Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province Patentee before: SUZHOU FABIAO INTELLIGENT TECHNOLOGY CO.,LTD. |