CN110458601A - 资源数据的处理方法、装置、计算机设备和存储介质 - Google Patents
资源数据的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110458601A CN110458601A CN201910612928.8A CN201910612928A CN110458601A CN 110458601 A CN110458601 A CN 110458601A CN 201910612928 A CN201910612928 A CN 201910612928A CN 110458601 A CN110458601 A CN 110458601A
- Authority
- CN
- China
- Prior art keywords
- resource data
- predicted
- value
- data
- prediction index
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims description 49
- 230000009466 transformation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013501 data transformation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 108010074506 Transfer Factor Proteins 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源数据的处理方法、装置、计算机设备和存储介质。所述方法包括:接收终端发送的查询请求;查询请求携带待预测区域的区域标识;获取与区域标识对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据;将待预测数据进行转化,得到与资源数据预测指标对应的关联值;将关联值进行转化,得到与资源数据预测指标对应的参考值;将参考值输入资源数据预测模型,得到与区域标识对应的资源数据预测值;根据资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端进行显示。本方法基于预测模型对资源数据预测值进行全面跟踪评估,提高了生成的资源数据预测信息的准确性。
Description
技术领域
本申请涉及人工智能预测技术领域,特别是涉及一种资源数据的处理方法、装置、计算机设备和存储介质。
背景技术
资源数据预测信息是指区域中的资源数据如房价在未来一段时间内的预测值,不同区域的资源数据预测信息不一样;为了及时掌握资源数据在未来一段时间内的预测值,对区域中的资源数据进行预测显得非常重要。
目前,对于区域中的资源数据的预测,通常是通过服务器根据人工收集的同种类型的特定数据,比如地理信息、政策信息、城镇化水平信息等,并结合单一的定性评估模型,对区域中的资源数据进行评估预测。但是,资源数据受多个因素影响,不同区域中的资源数据的主要影响因素不一样;若针对每一个区域中的资源数据,都仅仅根据人工收集的同种类型的特定数据,并结合单一的定性评估模型对资源数据进行预测,导致无法实现对资源数据预测值的全面跟踪评估,造成得到的资源数据预测信息容易出现偏差,从而导致得到的资源数据预测信息的准确性低。
发明内容
基于此,有必要针对上述传统资源数据预测方法得到的资源数据预测信息的准确性低的技术问题,提供一种能够提高得到的资源数据预测信息的准确性的资源数据的处理方法、装置、计算机设备和存储介质。
一种资源数据预测信息的生成方法,所述方法包括:
接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
一种资源数据的处理装置,所述装置包括:
请求接收模块,用于接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
数据获取模块,用于获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
数据转化模块,用于获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
数值转化模块,用于获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
预测值获取模块,用于将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
信息生成模块,用于根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
上述资源数据的处理方法、装置、计算机设备和存储介质,通过预先训练的资源数据预测模型,对与待预测区域的资源数据预测值相关的资源数据预测指标对应的待预测数据进行评估分析,不再针对每一个区域的资源数据预测值,都仅仅根据人工收集的同种类型的特定数据,并结合单一的定性评估模型对资源数据进行预测,从而实现了对待预测区域的资源数据预测值的全面跟踪评估的目的,能够避免传统资源数据预测方法得到的资源数据预测信息容易出现偏差的缺陷,从而提高了得到的资源数据预测信息的准确性。同时,结合预先训练的资源数据预测模型对待预测数据进行分析,可以进一步提高得到的资源数据预测信息的准确性。
附图说明
图1为一个实施例中资源数据的处理方法的应用场景图;
图2为一个实施例中资源数据的处理方法的流程示意图;
图3为一个实施例中得到资源数据预测值的步骤的流程示意图;
图4为一个实施例中资源数据的处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的资源数据的处理方法,可以应用于如图1所示的应用环境中。其中,终端110与服务器120通过网络进行通信。终端110安装了应用程序,用户通过该应用程序可以查询与待预测区域对应的资源数据预测信息,比如与待预测区域对应的房价预测信息。终端110响应用户对应用程序展示的查询界面的输入操作,生成用于获取待预测区域的资源数据预测信息的查询请求,并将该查询请求发送至服务器120。服务器120解析查询请求,得到用户输入的待预测区域的区域标识;获取与区域标识对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据;将获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值,并将与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值;将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值;根据与区域标识对应的资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端110。终端110根据接收的资源数据预测信息,显示与用户输入的待预测区域的区域标识对应的资源数据预测值。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种资源数据的处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,接收终端发送的查询请求;查询请求用于获取待预测区域的资源数据预测信息;查询请求携带待预测区域的区域标识。
在本步骤中,待预测区域可以是指城市区域、省份区域或者行政区域等;资源数据是指区域中的建筑物连同其占用土地在特定时间段内房产的市场价值,比如房价;资源数据预测信息是指区域中的资源数据在未来一段时间内的预测值,比如房价预测值;区域标识是指用于标识待预测区域的信息,比如区域名称、区域简称或者区域编号等,便于服务器进行区分。
终端安装了用于查询与待预测区域的区域标识对应的资源数据预测信息的应用程序,用户通过登录应用程序可以查询与区域标识对应的资源数据预测信息。终端响应用户对应用程序展示的查询界面的输入操作,生成用于获取待预测区域的资源数据预测信息的查询请求,并将该查询请求发送至服务器。服务器解析接收到的查询请求,得到待预测区域的区域标识。此外,用户还可以通过登录终端运行的浏览器,进入资源数据预测信息的查询界面,用户基于查询界面输入待预测区域的区域标识,通过终端将携带待预测区域的区域标识的查询请求发送至服务器。
步骤S202,获取与区域标识对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据。
在本步骤中,资源数据预测指标是指对区域中的资源数据预测值造成影响的指标,比如对区域中的房价预测值造成影响的指标为上海房屋供给指标、上海房屋需求指标、上海政策指标、上海土地供给指标、上海人口增长指标、广州商业银行买房贷款政策指标、广州城市化水平指标、广州租房政策指标、广州海外房地产发展水平指标等;不同区域标识对应的资源数据预测指标不一样,比如上海房屋供给指标与广州房屋供给指标不一样;且不同区域标识对应的主要资源数据预测指标不一样,比如广州的主要资源数据预测指标为广州商业银行买房贷款政策指标、广州城市化水平指标、广州租房政策指标、广州海外房地产发展水平指标等,上海的主要资源数据预测指标为上海房屋供给指标、上海房屋需求指标、上海政策指标、上海土地供给指标、上海人口增长指标等。
服务器预先确定与区域标识对应的资源数据预测指标;并基于大数据,将各个资源数据预测指标作为搜索关键词,预先从互联网爬取与各个资源数据预测指标对应的数据,对爬取到的与各个资源数据预测指标对应的数据进行预处理操作,比如去除噪声数据、过滤干扰信息等,得到与各个资源数据预测指标对应的关键数据内容;将获取到的关键数据内容作为待预测数据,并对待预测数据添加对应的资源数据预测指标,从而得到与同一区域标识中的各个资源数据预测指标对应的待预测数据;将属于同一区域标识的待预测数据及对应的资源数据预测指标进行打包,生成与区域标识对应的数据包,并将生成的数据包存储至预先建立的数据库中;方便后续服务器通过查询数据库,获取与区域标识的资源数据预测指标对应的待预测数据。
此外,在一定时间之后,比如3个月,服务器重新基于互联网获取与各个资源数据预测指标对应的待预测数据;对于同一资源数据预测指标,采用重新获取的待预测数据覆盖数据库中与该资源数据预测指标对应的原始数据,以及时更新数据库中的数据,有利于提高获取到的与各个资源数据预测指标对应的待预测数据的准确性和时效性,进一步提高了后续得到的资源数据预测信息的准确性。
具体实现中,服务器从预设的已知区域标识中,筛选出与获取到的区域标识匹配的已知区域标识;获取与该已知区域标识对应的资源数据预测指标,将与该已知区域标识信息对应的资源数据预测指标作为与获取到的区域标识对应的资源数据预测指标;根据与获取到的区域标识对应的资源数据预测指标查询预先建立的数据库,从数据库中获取与各个资源数据预测指标对应的待预测数据,方便后续服务器根据与各个资源数据预测指标对应的待预测数据确定与区域标识对应的资源数据预测值,实现了对区域标识的资源数据预测值的全面跟踪评估,从而提高了得到的资源数据预测信息的准确性。
步骤S203,获取预设数据转化指令,根据预设数据转化指令,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值。
在本步骤中,数据转化指令是一种能够将与资源数据预测指标对应的待预测数据转化为对应的关联值的指令;不同资源数据预测指标,对应的数据转化指令不一样。关联值是指基于数据转化指令,由与资源数据预测指标对应的待预测数据转化而成的数值。例如,将上海人口增长指标对应的待预测数据转化为对应的人口增长级别,那么该人口增长级别即为上海人口增长指标对应的关联值。
具体实现中,服务器获取预设数据转化指令,根据预设数据转化指令,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到相应的待预测级别,并将得到的待预测级别识别为与资源数据预测指标对应的关联值;方便后续服务器根据得到的关联值,对资源数据预测值进行预测,避免多余数据干扰,从而提高了得到的资源数据预测信息的准确性。
针对数字型待预测数据,例如将上海人口增长指标对应的待评估数据转化为对应的人口增长级别,并将得到的人口增长级别作为与上海人口增长指标对应的关联值;假设人口增长数为a,则对应的人口增长级别为一级,即与上海人口增长指标对应的关联值为1;假设人口增长数为b,则对应的人口增长级别为二级,即与上海人口增长指标对应的关联值为2。针对理论型待预测数据,例如根据广州商业银行买房贷款政策指标对应的待预测数据对资源数据预测值上涨的影响程度,将该待预测数据转化为对应的政策级别,并将得到的政策级别作为与广州商业银行买房贷款政策指标对应的关联值;比如广州商业银行买房贷款政策指标对应的待预测数据对资源数据预测值上涨的影响程度较高,则对应的政策级别为一级,即与广州商业银行买房贷款政策指标对应的关联值为1。
步骤S204,获取预设数值转化指令,根据预设数值转化指令,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值。
在本步骤中,数值转化指令是一种能够将与资源数据预测指标对应的关联值转化为对应的参考值的指令;不同资源数据预测指标,对应的数值转化指令不一样。参考值是指基于数值转化指令,由与资源数据预测指标对应的关联值转化而成的数值;用于将关联值转化为便于资源数据预测模型计算的数值。关联值与参考值存在一一对应的关系,不同关联值,对应的参考值不一样。例如,假设上海人口增长指标对应的关联值为10,而关联值10对应的参数值为1,那么上海人口增长指标对应的参数值为1。
具体实现中,服务器获取预设数值转化指令,根据预设数值转化指令,对获取到的与资源数据预测指标对应的关联值进行转化,得到与关联值对应的参考值,并将该参考值作为与资源数据预测指标对应的参考值;方便后续服务器根据得到的参考值,对资源数据预测值进行预测,避免多余数据干扰,从而提高了得到的资源数据预测信息的准确性。
步骤S205,将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值。
在本步骤中,资源数据预测模型是一种能够根据输入的与资源数据预测指标对应的参考值,确定与区域标识对应的资源数据预测值的模型。与区域标识对应的资源数据预测值是指区域中的建筑物连同其占用土地在未来时间段内房产的市场价值。
服务器将获取的与各个资源数据预测指标对应的参考值输入预先训练的资源数据预测模型中,通过资源数据预测模型对与各个资源数据预测指标对应的参考值进行计算分析,得到与各个资源数据预测指标对应的资源数据预测结果;综合与各个资源数据预测指标对应的资源数据预测结果,得到与区域标识对应的资源数据预测值,有利于对资源数据预测值进行全面跟踪评估,从而提高了得到的资源数据预测信息的准确性。
步骤S206,根据与区域标识对应的资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端进行显示。
在本步骤中,服务器获取预设信息模板,将与区域标识对应的资源数据预测值导入到预设信息模板中,生成对应的资源数据预测信息,并将生成的资源数据预测信息发送至对应的终端,通过终端的显示界面显示与区域标识对应的资源数据预测值,方便用户直观、全面地了解与区域标识对应的资源数据在未来一段时间内的预测值,有利于用户对与区域标识对应的资源数据预测值进行全面跟踪评估。
上述资源数据预测信息的生成方法中,通过预先训练的资源数据预测模型,对与待预测区域的资源数据预测值相关的资源数据预测指标对应的待预测数据进行评估分析,不再针对每一个区域的资源数据预测值,都仅仅根据人工收集的同种类型的特定数据,并结合单一的定性评估模型对资源数据进行预测,从而实现了对待预测区域的资源数据预测值的全面跟踪评估的目的,能够避免传统资源数据预测方法得到的资源数据预测信息容易出现偏差的缺陷,从而提高了得到的资源数据预测信息的准确性。同时,结合预先训练的资源数据预测模型对待预测数据进行分析,可以进一步提高得到的资源数据预测信息的准确性。
在一个实施例中,上述步骤S202,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据,包括:从数据库中提取出已知资源数据预测指标;将资源数据预测指标与已知资源数据预测指标进行匹配;若资源数据预测指标与已知资源数据预测指标匹配,从数据库中获取与已知资源数据预测指标对应的待预测数据;将获取到的与已知资源数据预测指标对应的待预测数据,作为与资源数据预测指标对应的待预测数据。
例如,服务器分别计算资源数据预测指标与各个已知资源数据预测指标之间的匹配度,从数据库中将匹配度最大的已知资源数据预测指标对应的待预测数据,作为与该资源数据预测指标对应的待预测数据,从而得到与各个资源数据预测指标对应的待预测数据。通过本实施例,方便后续服务器根据与各个资源数据预测指标对应的待预测数据,确定与区域标识对应的资源数据预测值,实现了对区域标识的资源数据预测值的全面跟踪评估,从而提高了得到的资源数据预测信息的准确性。
此外,为了避免多余信息干扰,可以通过服务器将得到的待预测数据转化成相应的数值。在一个实施例中,上述步骤S203,根据预设数据转化指令,将获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值,包括:提取预设数据转化指令中的数据转化规则;数据转化规则为数据与关联值之间的转化规则;根据数据转化规则,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值。
本实施例中,数据转化规则是指将与资源数据预测指标对应的待预测数据转化为相应的关联值的规则;不同资源数据预测指标,对应的数据转化规则不一样。
服务器获取数据转化规则的标识符,根据数据转化规则的标识符,从数据转化指令中提取出对应的数据转化规则;根据数据转化规则,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到相应的待预测级别,并将得到的待预测级别识别为与资源数据预测指标对应的关联值。通过本实施例,方便后续服务器根据得到的关联值,对资源数据预测值进行预测,避免了多余数据干扰,从而提高了得到的资源数据预测信息的准确性。
针对数字型待预测数据,比如与上海人口增长指标对应的待预测数据,则可以将与资源数据预测指标对应的待预测数据中的数值,转化成相应的待预测级别,并将得到的待预测级别作为与资源数据预测指标对应的关联值;例如,将与上海人口增长指标对应的待预测数据中的人口增长数,转化成相应的人口增长级别,并将得到的人口增长级别作为与上海人口增长指标对应的关联值。针对理论型待评估数据,比如与广州商业银行买房贷款政策指标对应的待预测数据,则可以根据与资源数据预测指标对应的待预测数据对资源数据预测值上涨的影响程度,将待预测数据转化成相应的待预测级别,并将得到的待预测级别作为与资源数据预测指标对应的关联值;例如,根据广州商业银行买房贷款政策指标对应的待预测数据对资源数据预测值上涨的影响程度,将该待预测数据转化成相应的政策级别,并将得到的政策级别作为与广州商业银行买房贷款政策指标对应的关联值。
在一个实施例中,上述步骤S204,根据预设数值转化指令,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值,包括:提取预设数值转化指令中的数值转化规则;数值转化规则为关联值与参考值之间的转化规则;根据数值转化规则,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值。
本实施例中,数值转化规则是指将与资源数据预测指标对应的关联值转化为相应的参考值的规则;不同资源数据预测指标,对应的数值转化规则不一样。
具体实现中,服务器获取数值转化规则的标识符,根据数值转化规则的标识符,从数值转化指令中提取出对应的数值转化规则;根据数值转化规则,确定关联值与参考值的对应关系;根据关联值与参考值的对应关系,对得到的与资源数据预测指标对应的关联值进行转化,得到关联值对应的参考值,并将该参考值识别为与资源数据预测指标对应的参考值。通过本实施例,方便后续服务器根据得到的参考值,对资源数据预测值进行预测,避免了多余数据干扰,从而提高了得到的资源数据预测信息的准确性。进一步地,为了提高得到的资源数据预测信息的准确性,可以将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,以得到与区域标识对应的资源数据预测值。
在一个实施例中,如图3所示,将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值的步骤具体包括:
步骤S301,基于资源数据预测模型,获取与各个资源数据预测指标对应的信息匹配表;信息匹配表包括参考值与资源数据变化比例的对应关系。
步骤S302,分别根据与各个资源数据预测指标对应的信息匹配表,确定与各个参考值匹配的资源数据变化比例。
步骤S303,分别根据预设的与各个资源数据预测指标对应的权重因子,对对应的资源数据变化比例进行加权计算,得到资源数据变化总比例。
步骤S304,获取与区域标识对应的资源数据当前值,根据资源数据当前值以及资源数据变化总比例,生成与区域标识对应的资源数据预测值。
本实施例中,信息匹配表是指用于标识参考值与资源数据变化比例的对应关系的匹配表,是按照资源数据预测指标分类存储至预先建立的第一数据库中的;不同资源数据预测指标对应的信息匹配表不一样。资源数据变化比例和资源数据变化总比例均指资源数据在未来一段时间内的涨跌百分比,可以是正数、负数或者零。权重因子是指资源数据预测指标的参考值对资源数据预测值的影响程度;权重因子越大,对资源数据预测值的影响程度越大;不同区域标识中,各个资源数据预测指标对应的权重因子不一样。资源数据当前值是指区域中的建筑物连同其占用土地在当前时间段内房产的市场价值,是按照区域标识分类存储至预先建立的第二数据库中的。
例如,服务器将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型;根据资源数据预测指标查询预先建立的第一数据库,获取与各个资源数据预测指标对应的信息匹配表;查询与各个资源数据预测指标对应的信息匹配表,确定与各个参考值匹配的资源数据变化比例;并将确定的与各个参考值匹配的资源数据变化比例,分别作为与各个资源数据预测指标对应的资源数据变化比例;结合预设的与各个资源数据预测指标对应的权重因子,对对应的资源数据变化比例进行加权计算,得到资源数据变化总比例;比如与区域标识对应的资源数据预测指标为a,b,c,d,与资源数据预测指标a,b,c,d对应的资源数据变化比例分别为y1,y2,y3,y4,与资源数据预测指标a,b,c,d对应的权重因子分别为m1,m2,m3,m4,则得到的资源数据变化总比例y=y1×m1+y2×m2+y3×m3+y4×m4。服务器根据区域标识查询预先建立的第二数据库,获取与区域标识对应的资源数据当前值;根据资源数据当前值以及资源数据变化总比例,计算得到与区域标识对应的资源数据预测值。
在本实施例中,通过对与区域标识的资源数据预测值相关的多个资源数据预测指标对应的待预测数据进行分析,能够从多个角度对资源数据预测值进行分析评估,从而实现了对资源数据预测值进行全面跟踪评估的目的,避免出现偏差,从而提高了得到的资源数据预测信息的准确性。
在一个实施例中,上述步骤S304,根据资源数据当前值以及资源数据变化总比例,生成与区域标识对应的资源数据预测值,包括:将资源数据当前值与资源数据变化总比例进行相乘,得到资源数据变化值;将资源数据当前值和资源数据变化值进行相加,得到与区域标识对应的资源数据变化值。例如,资源数据当前值为A,资源数据变化总比例为y,则得到的资源数据变化值A1=A×y;将资源数据当前值A和资源数据变化值A1进行相加,得到的与区域标识对应的资源数据预测值为B=A+A1=A+A×y。方便用户直观、全面地了解与区域标识对应的资源数据在未来一段时间内的预测值,有利于用户对与区域标识对应的资源数据预测值进行全面跟踪评估。
在一个实施例中,上述步骤S205,根据与区域标识对应的资源数据预测值生成资源数据预测信息,包括:确定各个资源数据预测指标在预设资源数据图谱模板中对应的导入位置;将与各个资源数据预测指标对应的待预测数据,导入到预设资源数据图谱模板中对应的导入位置,生成资源数据图谱;将资源数据图谱以及与区域标识对应的资源数据预测值,导入到预设信息模板中,生成对应的资源数据预测信息。
本实施例中,服务器获取各个资源数据预测指标在资源数据图谱模板中的位置标识符,位置标识符用于标识资源数据预测指标在资源数据图谱模板中的导入位置;分别根据各个资源数据预测指标的位置标识符,确定各个资源数据预测指标在预设资源数据图谱模板中对应的导入位置;将与各个资源数据预测指标对应的待预测数据,分别导入到预设资源数据图谱模板中对应的导入位置,生成资源数据图谱;将资源数据图谱以及与区域标识对应的资源数据预测值,依次导入到预设信息模板中,生成对应的资源数据预测信息。方便后续通过服务器将生成的资源数据预测信息发送至终端,在终端的显示界面上显示资源数据图谱以及与区域标识对应的资源数据预测值,方便用户直观、全面地了解区域中的资源数据在未来一段时间内的预测值,有利于用户对与区域标识对应的资源数据预测值进行全面跟踪评估。
此外,为了进一步提高资源数据预测模型的资源数据预测准确率,可以对资源数据预测模型进行多次训练。在一个实施例中,资源数据预测模型通过下述方法得到:分别获取与各个资源数据预测指标对应的样本预测数据和权重因子;根据与各个资源数据预测指标对应的样本预测数据和权重因子对待训练的资源数据预测模型进行训练,得到训练后的资源数据预测模型;获取训练后的资源数据预测模型输出的资源数据预测值与对应的资源数据实际值之间的预测误差;当预测误差大于或等于预设阈值时,根据预测误差调整与各个资源数据预测指标对应的权重因子,并根据调整后的权重因子,对待训练的资源数据预测模型进行反复训练,直到根据训练后的资源数据预测模型得到的预测误差小于预设阈值。
比如,当预测误差大于或等于预设阈值时,服务器根据预测误差调整与各个资源数据预测指标对应的权重因子,并根据调整后的权重因子,对待训练的资源数据预测模型进行再次训练;获取根据再次训练后的资源数据预测模型得到的资源数据预测值与对应的资源数据实际值之间的预测误差,根据预测误差对与各个资源数据预测指标对应的权重因子进行再次调整,以对待训练的资源数据预测模型进行再次训练,直到根据训练后的资源数据预测模型得到的资源数据预测值与对应的资源数据实际值之间的预测误差小于预设阈值;当得到的预测误差小于预设阈值时,获取当前的资源数据预测模型,作为训练好的资源数据预测模型;并将当前的各个权重因子,分别作为预设的与各个资源数据预测指标对应的权重因子。
本实施例中,通过不断调整与各个资源数据预测指标对应的权重因子,以对资源数据预测模型进行多次训练,有利于通过资源数据预测模型输出更准确的资源数据预测值,从而提高了得到的资源数据预测信息的准确性。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种资源数据的处理装置,包括:请求接收模块410、数据获取模块420、数据转化模块430、数值转化模块440、预测值获取模块450和信息生成模块460,其中:
请求接收模块410,用于接收终端发送的查询请求;查询请求用于获取待预测区域的资源数据预测信息,查询请求携带待预测区域的区域标识。
数据获取模块420,用于获取与区域标识对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据。
数据转化模块430,用于获取预设数据转化指令,根据预设数据转化指令,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值。
数值转化模块440,用于获取预设数值转化指令,根据预设数值转化指令,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值。
预测值获取模块450,用于将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值。
信息生成模块460,用于根据与区域标识对应的资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端进行显示。
在一个实施例中,数据获取模块还用于从数据库中提取出已知资源数据预测指标;将资源数据预测指标与已知资源数据预测指标进行匹配;若资源数据预测指标与已知资源数据预测指标匹配,从数据库中获取与已知资源数据预测指标对应的待预测数据;将获取到的与已知资源数据预测指标对应的待预测数据,作为与资源数据预测指标对应的待预测数据。
在一个实施例中,数据转化模块还用于提取预设数据转化指令中的数据转化规则;数据转化规则为数据与关联值之间的转化规则;根据数据转化规则,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值。
在一个实施例中,数值转化模块还用于提取预设数值转化指令中的数值转化规则;数值转化规则为关联值与参考值之间的转化规则;根据数值转化规则,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值。
在一个实施例中,预测值获取模块还用于基于资源数据预测模型,获取与各个资源数据预测指标对应的信息匹配表;信息匹配表包括参考值与资源数据变化比例的对应关系;分别根据与各个资源数据预测指标对应的信息匹配表,确定与各个参考值匹配的资源数据变化比例;分别根据预设的与各个资源数据预测指标对应的权重因子,对对应的资源数据变化比例进行加权计算,得到资源数据变化总比例;获取与区域标识对应的资源数据当前值,根据资源数据当前值以及资源数据变化总比例,生成与区域标识对应的资源数据预测值。
在一个实施例中,预测值获取模块还用于将资源数据当前值与资源数据变化总比例进行相乘,得到资源数据变化值;将资源数据当前值和资源数据变化值进行相加,得到与区域标识对应的资源数据预测值。
在一个实施例中,信息生成模块还用于确定各个资源数据预测指标在预设资源数据图谱模板中对应的导入位置;将与各个资源数据预测指标对应的待预测数据,导入到预设资源数据图谱模板中对应的导入位置,生成资源数据图谱;将资源数据图谱以及与区域标识对应的资源数据预测值,导入到预设信息模板中,生成对应的资源数据预测信息。
在一个实施例中,资源数据预测信息的生成装置还包括模型训练模块,用于分别获取与各个资源数据预测指标对应的样本预测数据和权重因子;根据与各个资源数据预测指标对应的样本预测数据和权重因子对待训练的资源数据预测模型进行训练,得到训练后的资源数据预测模型;获取训练后的资源数据预测模型输出的资源数据预测值与对应的资源数据实际值之间的预测误差;当预测误差大于或等于预设阈值时,根据预测误差调整与各个资源数据预测指标对应的权重因子,并根据调整后的权重因子,对待训练的资源数据预测模型进行反复训练,直到根据训练后的资源数据预测模型得到的预测误差小于预设阈值。
上述各个实施例,资源数据的处理装置通过预先训练的资源数据预测模型,对与待预测区域的资源数据预测值相关的资源数据预测指标对应的待评估数据进行评估分析,不再针对每一个区域的资源数据,都仅仅根据人工收集的同种类型的特定数据,并结合单一的定性评估模型对资源数据进行预测,从而实现了对待预测区域的资源数据预测值的全面跟踪评估的目的,能够避免传统资源数据预测方法得到的资源数据预测信息容易出现偏差的缺陷,从而提高了得到的资源数据预测信息的准确性。同时,结合预先训练的资源数据预测模型对待评估数据进行分析,可以进一步提高得到的资源数据预测信息的准确性。
关于资源数据的处理装置的具体限定可以参见上文中对于资源数据的处理方法的限定,在此不再赘述。上述资源数据的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与资源数据预测指标对应的待预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源数据的处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收终端发送的查询请求;查询请求用于获取待预测区域的资源数据预测信息;查询请求携带待预测区域的区域标识;
获取与区域标识信息对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据预设数据转化指令,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值;
获取预设数值转化指令,根据预设数值转化指令,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值;
将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值;
根据与区域标识对应的资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端进行显示。
上述实施例,计算机设备通过处理器上运行的计算机程序,实现了对待预测区域的资源数据预测值的全面跟踪评估的目的,能够避免传统资源数据预测方法得到的资源数据预测信息容易出现偏差的缺陷,从而提高了得到的资源数据预测信息的准确性。同时,结合预先训练的资源数据预测模型对待预测数据进行分析,可以进一步提高得到的资源数据预测信息的准确性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收终端发送的查询请求;查询请求用于获取待预测区域的资源数据预测信息;查询请求携带待预测区域的区域标识;
获取与区域标识对应的资源数据预测指标,根据资源数据预测指标查询数据库,获取与资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据预设数据转化指令,对获取到的与资源数据预测指标对应的待预测数据进行转化,得到与资源数据预测指标对应的关联值;
获取预设数值转化指令,根据预设数值转化指令,对得到的与资源数据预测指标对应的关联值进行转化,得到与资源数据预测指标对应的参考值;
将与资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与区域标识对应的资源数据预测值;
根据与区域标识对应的资源数据预测值生成资源数据预测信息,将资源数据预测信息发送至终端进行显示。
上述实施例,计算机可读存储介质通过其存储的计算机程序,实现了对待预测区域的资源数据预测值的全面跟踪评估的目的,能够避免传统资源数据预测方法得到的资源数据预测信息容易出现偏差的缺陷,从而提高了得到的资源数据预测信息的准确性。同时,结合预先训练的资源数据预测模型对待预测数据进行分析,可以进一步提高得到的资源数据预测信息的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种资源数据的处理方法,所述方法包括:
接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
2.根据权利要求1所述的方法,其特征在于,所述根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据,包括:
从数据库中提取出已知资源数据预测指标;
将所述资源数据预测指标与所述已知资源数据预测指标进行匹配;
若所述资源数据预测指标与所述已知资源数据预测指标匹配,从所述数据库中获取与所述已知资源数据预测指标对应的待预测数据;
将获取到的与所述已知资源数据预测指标对应的待预测数据,作为与所述资源数据预测指标对应的待预测数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预设数据转化指令,将获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值,包括:
提取所述预设数据转化指令中的数据转化规则;所述数据转化规则为数据与关联值之间的转化规则;
根据所述数据转化规则,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
所述根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值,包括:
提取所述预设数值转化指令中的数值转化规则;所述数值转化规则为关联值与参考值之间的转化规则;
根据所述数值转化规则,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值。
4.根据权利要求1所述的方法,其特征在于,所述将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值,包括:
基于所述资源数据预测模型,获取与各个所述资源数据预测指标对应的信息匹配表;所述信息匹配表包括参考值与资源数据变化比例的对应关系;
分别根据与各个所述资源数据预测指标对应的信息匹配表,确定与各个所述参考值匹配的资源数据变化比例;
分别根据预设的与各个所述资源数据预测指标对应的权重因子,对对应的资源数据变化比例进行加权计算,得到资源数据变化总比例;
获取与所述区域标识对应的资源数据当前值,根据所述资源数据当前值以及所述资源数据变化总比例,生成与所述区域标识对应的资源数据预测值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述资源数据前值以及所述资源数据变化总比例,生成与所述区域标识对应的资源数据预测值,包括:
将所述资源数据当前值与所述资源数据变化总比例进行相乘,得到资源数据变化值;
将所述资源数据当前值和所述资源数据变化值进行相加,得到与所述区域标识对应的资源数据预测值。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,包括:
确定各个所述资源数据预测指标在预设资源数据图谱模板中对应的导入位置;
将与各个所述资源数据预测指标对应的待预测数据,导入到所述预设资源数据图谱模板中对应的导入位置,生成资源数据图谱;
将所述资源数据图谱以及与所述区域标识对应的资源数据预测值,导入到预设信息模板中,生成对应的资源数据预测信息。
7.根据权利要求6所述的方法,其特征在于,所述资源数据预测模型通过下述方法得到:
分别获取与各个所述资源数据预测指标对应的样本预测数据和权重因子;
根据与各个所述资源数据预测指标对应的样本预测数据和权重因子对待训练的资源数据预测模型进行训练,得到训练后的资源数据预测模型;
获取所述训练后的资源数据预测模型输出的资源数据预测值与对应的资源数据实际值之间的预测误差;
当所述预测误差大于或等于预设阈值时,根据所述预测误差调整与各个所述资源数据预测指标对应的权重因子,并根据调整后的权重因子,对所述待训练的资源数据预测模型进行反复训练,直到根据训练后的资源数据预测模型得到的预测误差小于所述预设阈值。
8.一种资源数据的处理装置,其特征在于,所述装置包括:
请求接收模块,用于接收终端发送的查询请求;所述查询请求用于获取待预测区域的资源数据预测信息;所述查询请求携带所述待预测区域的区域标识;
数据获取模块,用于获取与所述区域标识对应的资源数据预测指标,根据所述资源数据预测指标查询数据库,获取与所述资源数据预测指标对应的待预测数据;
数据转化模块,用于获取预设数据转化指令,根据所述预设数据转化指令,对获取到的与所述资源数据预测指标对应的待预测数据进行转化,得到与所述资源数据预测指标对应的关联值;
数值转化模块,用于获取预设数值转化指令,根据所述预设数值转化指令,对得到的与所述资源数据预测指标对应的关联值进行转化,得到与所述资源数据预测指标对应的参考值;
预测值获取模块,用于将与所述资源数据预测指标对应的参考值输入预先训练的资源数据预测模型,得到与所述区域标识对应的资源数据预测值;
信息生成模块,用于根据与所述区域标识对应的资源数据预测值生成资源数据预测信息,将所述资源数据预测信息发送至所述终端进行显示。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612928.8A CN110458601B (zh) | 2019-07-09 | 2019-07-09 | 资源数据的处理方法、装置、计算机设备和存储介质 |
PCT/CN2020/098843 WO2021004318A1 (zh) | 2019-07-09 | 2020-06-29 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612928.8A CN110458601B (zh) | 2019-07-09 | 2019-07-09 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458601A true CN110458601A (zh) | 2019-11-15 |
CN110458601B CN110458601B (zh) | 2023-11-24 |
Family
ID=68482381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612928.8A Active CN110458601B (zh) | 2019-07-09 | 2019-07-09 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110458601B (zh) |
WO (1) | WO2021004318A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310784A (zh) * | 2020-01-14 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 资源数据的处理方法及装置 |
WO2021004318A1 (zh) * | 2019-07-09 | 2021-01-14 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
CN114066043A (zh) * | 2021-11-12 | 2022-02-18 | 北京中知智慧科技有限公司 | 专利有用性的预测方法及装置 |
CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
CN109523068A (zh) * | 2018-10-31 | 2019-03-26 | 平安直通咨询有限公司 | 房屋价值预测方法、装置、计算机设备和存储介质 |
CN109614231A (zh) * | 2018-12-04 | 2019-04-12 | 广东亿迅科技有限公司 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185996B2 (en) * | 2015-07-15 | 2019-01-22 | Foundation Of Soongsil University Industry Cooperation | Stock fluctuation prediction method and server |
CN108572988A (zh) * | 2017-03-13 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种房产评估数据生成方法和装置 |
CN109688121B (zh) * | 2018-12-17 | 2022-11-04 | 中国平安财产保险股份有限公司 | 资源数据获取方法、装置、计算机设备和存储介质 |
CN110458601B (zh) * | 2019-07-09 | 2023-11-24 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-07-09 CN CN201910612928.8A patent/CN110458601B/zh active Active
-
2020
- 2020-06-29 WO PCT/CN2020/098843 patent/WO2021004318A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
CN109523068A (zh) * | 2018-10-31 | 2019-03-26 | 平安直通咨询有限公司 | 房屋价值预测方法、装置、计算机设备和存储介质 |
CN109614231A (zh) * | 2018-12-04 | 2019-04-12 | 广东亿迅科技有限公司 | 空闲服务器资源发现方法、装置、计算机设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004318A1 (zh) * | 2019-07-09 | 2021-01-14 | 平安科技(深圳)有限公司 | 资源数据的处理方法、装置、计算机设备和存储介质 |
CN111310784A (zh) * | 2020-01-14 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 资源数据的处理方法及装置 |
CN114066043A (zh) * | 2021-11-12 | 2022-02-18 | 北京中知智慧科技有限公司 | 专利有用性的预测方法及装置 |
CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
CN117436767B (zh) * | 2023-12-15 | 2024-04-09 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021004318A1 (zh) | 2021-01-14 |
CN110458601B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458601A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
Naimi et al. | sdm: a reproducible and extensible R platform for species distribution modelling | |
CN110489630A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
Xue et al. | Short-term bus passenger demand prediction based on time series model and interactive multiple model approach | |
Cremer et al. | Data-driven power system operation: Exploring the balance between cost and risk | |
AU2021343372A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
Orlando et al. | Forecasting interest rates through Vasicek and CIR models: A partitioning approach | |
CN113793507A (zh) | 可用车位预测方法、装置、计算机设备及存储介质 | |
CN109584045A (zh) | 授信额度配置方法、装置、计算机设备和存储介质 | |
CN105335875A (zh) | 购买力预测方法和装置 | |
Rapp et al. | Product development resilience through set‐based design | |
Reston Filho et al. | Energy price prediction multi-step ahead using hybrid model in the Brazilian market | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN109829640A (zh) | 企业违约风险的识别方法、装置、计算机设备和存储介质 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Jabeen et al. | An improved software reliability prediction model by using high precision error iterative analysis method | |
Rajapaksha et al. | Limref: Local interpretable model agnostic rule-based explanations for forecasting, with an application to electricity smart meter data | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Sheoran et al. | Efficacy and application of the window-sliding ARIMA for daily and weekly wind speed forecasting | |
CN110458633A (zh) | 基于区块链技术的发票数据生成方法、系统和计算机设备 | |
CN109816534A (zh) | 融资租赁产品推荐方法、装置、计算机设备和存储介质 | |
Raphael et al. | Incremental development of CBR strategies for computing project cost probabilities | |
Chen | Modeling information security threats for smart grid applications by using software engineering and risk management | |
CN110414260B (zh) | 一种数据访问方法、装置、系统及存储介质 | |
Jiang et al. | An improved nonlinear grey bernoulli model based on the whale optimization algorithm and its application |
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 |