CN111260406A - 房地产销售目标自动设置方法、装置、服务器及存储介质 - Google Patents

房地产销售目标自动设置方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111260406A
CN111260406A CN202010055968.XA CN202010055968A CN111260406A CN 111260406 A CN111260406 A CN 111260406A CN 202010055968 A CN202010055968 A CN 202010055968A CN 111260406 A CN111260406 A CN 111260406A
Authority
CN
China
Prior art keywords
state
time interval
transition probability
reference time
transition
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.)
Pending
Application number
CN202010055968.XA
Other languages
English (en)
Inventor
李琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010055968.XA priority Critical patent/CN111260406A/zh
Publication of CN111260406A publication Critical patent/CN111260406A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0202Market predictions or forecasting for commercial activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/16Real estate

Abstract

本发明提供一种房地产销售目标自动设置方法、装置、服务器及存储介质,通过获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;选择参考时段;分别确定各参考时段与待预测时段之间的滞时,以及确定各参考时段对应的初始状态值;根据滞时确定初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重;计算转移至同一状态的加权和,作为同一状态的最终转移概率;选择最终转移概率最大的状态作为目标转移状态,根据预设对应关系确定该目标转移状态对应的设定成交量,根据设定成交量设置待预测时段的销售任务量。可有效预测未来的成交量,给开发商提供可靠的数据参考,从而制定科学合理的销售任务。

Description

房地产销售目标自动设置方法、装置、服务器及存储介质
技术领域
本发明涉及房地产领域,尤其涉及一种房地产销售目标自动设置方法、装置、服务器及存储介质。
背景技术
为了激励房地产销售团队,也为了更好的销售业绩,开发商往往会设定一个年度签约任务,确定每个月的销售目标。但开发商对销售目标的设定,除了主观推测没有任何辅助方法来支撑,导致销售目标设定具有盲目性。过高的销售目标会让下面的执行人员,处于过大的压力之中;相反,太低的销售目标会让执行人员容易陷入过于放松的状态,两种情况都不利于销售业绩的提升,从而无法有效提高销售业绩。
发明内容
本发明提供的房地产销售目标自动设置方法、装置、服务器及存储介质,主要解决的技术问题是:如何指导或帮助开发商合理设置销售目标,以有利于提高销售业绩。
为解决上述技术问题,本发明提供一种房地产销售目标自动设置方法,包括:
获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;
从所述状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量;
分别确定各所述参考时段与所述待预测时段之间的滞时,以及确定各所述参考时段对应的初始状态值;
根据所述滞时确定所述初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重;
根据各所述参考时段初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重,计算转移至同一状态的加权和,作为所述同一状态的最终转移概率;
从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据所述预设对应关系确定该目标转移状态对应的设定成交量,根据所述设定成交量设置所述待预测时段的销售任务量。
可选的,所述历史成交数据包括历史各月份的成交数据,以月份为单位时段。
可选的,所述根据所述滞时确定所述初始状态值转移到不同状态的转移概率包括:
根据所述状态时间序列,生成一步转移概率矩阵P;其中一步转移概率为所述状态时间序列中从第一状态转移到第二状态的次数,与所述第一状态的总个数之间的比值;
根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
所述k步转移概率矩阵的第N行转移概率为所述参考时段初始状态值转移到不同状态的转移概率;所述N等于所述参考时段的初始状态值。
可选的,所述各所述参考时段分别对应的权重的计算过程如下:
根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure BDA0002372824840000021
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;X为历史成交数据的均值;n为指状态时间序列的长度;
对各滞时参考时段自相关系数按照如下公式(3)进行规范化;
Figure BDA0002372824840000031
将规范化后的自相关系数分别作为各所述参考时段分别对应的权重。
本发明还提供一种房地产销售目标自动设置装置,包括:
数据预处理模块,用于获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;
配置模块,用于从所述状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量;
处理模块,用于分别确定各所述参考时段与所述待预测时段之间的滞时,以及确定各所述参考时段对应的初始状态值;根据所述滞时确定所述初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重;根据各所述参考时段初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重,计算转移至同一状态的加权和,作为所述同一状态的最终转移概率;从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据所述预设对应关系确定该目标转移状态对应的设定成交量,根据所述设定成交量设置所述待预测时段的销售任务量。
可选的,所述数据预处理模块用于获取历史各月份的成交数据,以月份为单位时段。
可选的,所述处理模块用于根据所述状态时间序列,生成一步转移概率矩阵P;其中一步转移概率为所述状态时间序列中从第一状态转移到第二状态的次数,与所述第一状态的总个数之间的比值;
所述处理模块根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
所述k步转移概率矩阵的第N行转移概率为所述参考时段初始状态值转移到不同状态的转移概率;所述N等于所述参考时段的初始状态值。
可选的,所述处理模块用于根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure BDA0002372824840000041
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;X为历史成交数据的均值;n为指状态时间序列的长度;
所述处理模块对各滞时参考时段自相关系数按照如下公式(3)进行规范化;
Figure BDA0002372824840000042
将规范化后的自相关系数分别作为各所述参考时段分别对应的权重。
本发明还提供一种服务器,包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如上任一项所述的房地产销售目标自动设置方法的步骤。
本发明还提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一项所述的房地产销售目标自动设置方法的步骤。
本发明的有益效果是:
根据本发明提供的房地产销售目标自动设置方法、装置、服务器及存储介质,通过获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;从状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量;分别确定各参考时段与待预测时段之间的滞时,以及确定各参考时段对应的初始状态值;根据滞时确定初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重;根据各参考时段初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重,计算转移至同一状态的加权和,作为同一状态的最终转移概率;从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据预设对应关系确定该目标转移状态对应的设定成交量,根据设定成交量设置待预测时段的销售任务量。通过分析每个楼盘平均成交量的数据,利用改进的马尔科夫链一一对其赋予权重,可有效预测未来的成交量,给开发商提供可靠的数据参考,从而制定科学合理的销售任务,让每个楼盘的销售人员向着可实现的目标努力。
附图说明
图1为本发明实施例一的房地产销售目标自动设置方法流程示意图;
图2为本发明实施例一的历史各月成交量变化趋势图;
图3为本发明实施例二的房地产销售目标自动设置装置结构示意图;
图4为本发明实施例三的服务器结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
为了指导或帮助开发商合理设置销售目标,提高销售业绩,本实施例提供一种房地产销售目标自动设置方法,通过分析历史成交数据,利用改进的马尔科夫链,可有效预测未来的成交量,给开发商提供相对可靠的数据参考,从而制定科学合理的销售任务。
请参见图1,图1为本实施例的房地产销售目标自动设置方法流程示意图,该方法主要包括如下步骤:
S101、获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列。
历史成交数据包括历史各月份的成交数据,以月份为单位时段。成交数据可以是成交房屋套数、成交金额等。
本实施例中,将状态分为成交量低、偏低、中等、偏高、高五种,分别对应数值1~5。应当理解,状态级别可根据实际需求灵活设置。
请参见图2,图2为某开发商在某地历史前52个月的成交数据变化趋势图。结合如下表1所示的预设对应关系,生成前52个月的状态时间序列,参见表2。
表1
状态值 状态级别 成交量
1 X<86
2 偏低 86≤X<167
3 中等 167≤X<228
4 偏高 228≤X<309
5 X≥309
表2
Figure BDA0002372824840000061
Figure BDA0002372824840000071
在本发明的其他实施例中,预设对应关系中状态分级可以根据历史各月成交数据的平均值
Figure BDA0002372824840000072
及标准差
Figure BDA0002372824840000073
建立状态分级标准。
例如,将成交量低这一状态定义为
Figure BDA0002372824840000074
将成交量偏低这一状态定义为
Figure BDA0002372824840000075
将成交量中等这一状态定义为
Figure BDA0002372824840000076
将成交量偏高这一状态定义为
Figure BDA0002372824840000077
将成交量高这一状态定义为
Figure BDA0002372824840000078
应当理解,各状态的分级标准可以根据实际情况灵活设置,在此不作限制。
S102、从状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量。
为便于理解,假设当前时间为2019.5月,参考时段可以从上述前52个月(即2015年1月至2019年4月)中选择若干个时段作为参考时段,用来预测待预测时段的销售量。待预测时段例如为当月或者未来若干个月。为了提高预测准确率,可以尽量选择多个参考时段。具体的,可以选择最近几个月作为参考时段,提高准确性。
S103、分别确定各参考时段与待预测时段之间的滞时,以及确定各参考时段对应的初始状态值。
假设参考时段为第48~52这5个月(即2018.12~2019.4),待预测时段为第53个月(即2019.5),可以确定参考时段52与待预测时段53的滞时为1,参考时段51与待预测时段53的滞时为2,参考时段50与待预测时段53的滞时为3,参考时段49与待预测时段53的滞时为4,参考时段48与待预测时段53的滞时为5。
参考时段48对应初始状态值为2(参见表2),参考时段49对应初始状态值为2(参见同上),参考时段50对应初始状态值为1(参见同上),参考时段52对应初始状态值为1(参见同上),参考时段52对应初始状态值为2(参见同上)。
计算参考时段当前状态转移到各不同状态的转移概率,而转移概率与初始状态值和滞时有关,例如同一滞时下,由状态2变化到状态1的转移概率,与由状态3变化到状态1的转移概率通常不同;相同状态下,滞时不同,转移概率也一般不同。故需要确定参考时段与待预测时段的滞时,以及参考时段的初始状态值。
S104、根据滞时确定初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重。
在马尔可夫预测中,从一种状态转变为另一种状态的概率,就称为状态转移概率。pi,j(m,m+k)表示马尔科夫链在tm时刻出现Xm=ai的条件下(a表示状态),在tm+k时刻下出现Xm+k=aj条件的概率,即pi,j(m,m+k)=p(Xm+k=aj|Xm=ai),称为转移概率。当转移概率pi,j(m,m+k)中的k=1时,称为一步转移概率,表示马氏链由状态ai经过一次转移到状态aj的概率。为了计算转移概率,我们采用频率近似概率的思想来加以计算。
所有一步转移概率可以构成一步转移概率矩阵P,其中一步转移概率为状态时间序列中从第一状态转移到第二状态的次数,与第一状态的总个数之间的比值;例如p12表示从状态1到状态2的概率,其值等于状态1到状态2的个数(这里为3)与状态1总个数(这里为7)的比值3/7=0.4286;p21表示从状态2到状态1的概率,其值等于状态2到状态1的个数与状态2总个数的比值。同理可得其余概率结果pij,得出一步转移概率矩阵如下:
Figure BDA0002372824840000091
根据参考时段与待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
k步转移概率矩阵的第N行转移概率为参考时段初始状态值转移到不同状态的转移概率;其中N等于参考时段的初始状态值。
由此可得,参考时段52(滞时1,初始状态值2)转移到不同状态(包括状态1~5)的转移概率,分别为0.3,0.2,0.3,0.1,0.1(即一步转移矩阵的第二行转移概率)。
当k=2,3,4…表示k步转移概率,且k步转移概率矩阵为P(k)=Pk,所以两步转移概率矩阵如下:
Figure BDA0002372824840000092
由此可得,参考时段51(滞时2,初始状态值1)转移到不同状态(包括状态1~5)的转移概率,分别为0.3123,0.3034,0.2647,0.0701,0.0497(即二步转移矩阵的第一行转移概率)。
同理,基于三步转移概率矩阵,可以得到参考时段50(滞时3,初始状态值1)转移到不同状态(包括状态1~5)的转移概率;基于四步转移概率矩阵,可以得到参考时段49(滞时4,初始状态值2)转移到不同状态(包括状态1~5)的转移概率;基于五步转移概率矩阵,可以得到参考时段48(滞时5,初始状态值2)转移到不同状态(包括状态1~5)的转移概率。
当存在多个参考时段以预测待预测时段的销售量时,需要确定各个参考时段对应的权重,以计算最终的转移概率,本实施例中,各所述参考时段分别对应的权重的计算过程如下:
根据参考时段与待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure BDA0002372824840000101
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;
Figure BDA0002372824840000103
为历史成交数据的均值;n为指状态时间序列的长度;
对各滞时的参考时段自相关系数按照如下公式(3)进行规范化;
Figure BDA0002372824840000102
将规范化后的自相关系数分别作为各参考时段分别对应的权重,参见如下表3所示:
表3
k 1 2 3 4 5
r<sub>k</sub> 0.4028 0.3167 0.478 0.1973 0.1277
ω<sub>k</sub> 0.2646 0.208 0.314 0.13 0.0839
S105、根据各参考时段初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重,计算转移至同一状态的加权和,作为该同一状态的最终转移概率。
确定马尔科夫链的权重之后,确定初始状态下不同滞时的转移概率。如:参考时段51的初始状态是1,滞时为2,则它的转移概率矩阵为P(2),找到初始状态为1时各状态的概率(即为两步转移概率矩阵P(2)的第一行),同理可计算出其余滞时下各状态的概率,参见如下表4所示:
表4
序号 权重 初始状态 滞时 状态1 状态2 状态3 状态4 状态5
52 0.2646 2 1 0.3 0.2 0.3 0.1 0.1
51 0.208 1 2 0.3123 0.3034 0.2647 0.0701 0.0497
50 0.314 1 3 0.2320 0.2576 0.3286 0.1221 0.0601
49 0.13 2 4 0.1473 0.2071 0.4020 0.1708 0.0730
48 0.084 2 5 0.1357 0.2002 0.4122 0.1773 0.0747
p<sub>i</sub> 0.2477 0.2406 0.3244 0.1165 0.07139
最后计算每个状态的加权和,例如状态1的最终转移概率计算如下:
p1=0.3×0.2646+0.3123×0.208+0.232×0.314+0.1473×0.13+0.1357×0.084=0.2477;
P2=0.2406;
P3=0.3244;
P4=0.1165;
P5=0.07139。
S106、从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据预设对应关系确定该目标转移状态对应的设定成交量,根据该设定成交量设置待预测时段的销售任务量。
根据表(3),将同一状态的各预测概率加权求和后,max{pi,i∈E}=0.3244,预测结果属于状态3,可见2019年5月的月平均销售量属于中等状态,在761~82套范围内,从而可以帮助开发商合理的制定待预测时段的销售任务量。
例如,2019年5月的最低销售任务量设置为167套,理想销售任务量设置为228套,在当月实际销售量达到228套以上时,可以给予销售人员额外的销售提成,在当月实际销售量低于167套时,可以设置相应的惩罚机制,以激励销售人员下个月争取完成最低销售目标。使得销售人员向着可实现的目标努力,从而为开发商带来更高的销售业绩。
实施例二:
本实施例在上述实施例一的基础上,提供一种房地产销售目标自动设置装置,用以实现上述实施例一中房地产销售目标自动设置方法的相关步骤,请参见图3,该装置主要包括数据预处理模块31,配置模块32以及处理模块33,其中:
数据预处理模块31用于获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列。
可选的,数据预处理模块31用于获取历史各月份的成交数据,以月份为单位时段。当然,在本发明的其他实施例中,时段单位可以灵活配置,例如周、季度、年度等。
配置模块32用于从状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量。
配置模块32可以选择与待预测时段相邻近的若干个历史时段,作为参考时段。当然也可以按照其他方式确定参考时段,在此不再赘述。
处理模块33用于分别确定各参考时段与待预测时段之间的滞时,以及确定各参考时段对应的初始状态值;根据滞时确定初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重;根据各参考时段初始状态值转移到不同状态的转移概率,以及各参考时段分别对应的权重,计算转移至同一状态的加权和,作为同一状态的最终转移概率;从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据预设对应关系确定该目标转移状态对应的设定成交量,根据设定成交量设置待预测时段的销售任务量。
可选的,处理模块33用于根据状态时间序列,生成一步转移概率矩阵P;其中一步转移概率为状态时间序列中从第一状态转移到第二状态的次数,与第一状态的总个数之间的比值。
处理模块33根据参考时段与待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
k步转移概率矩阵的第N行转移概率为参考时段初始状态值转移到不同状态的转移概率;N等于参考时段的初始状态值。
处理模块用于根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure BDA0002372824840000131
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;X为历史成交数据的均值;n为指状态时间序列的长度;
处理模块33对各滞时参考时段自相关系数按照如下公式(3)进行规范化;
Figure BDA0002372824840000132
将规范化后的自相关系数分别作为各参考时段分别对应的权重。
将同一状态的各预测概率加权和,作为该状态的最终预测概率,
Figure BDA0002372824840000133
从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据预设对应关系确定该目标转移状态对应的设定成交量,根据设定成交量设置待预测时段的销售任务量。
本装置通过分析楼盘平均成交量的数据,利用改进的马尔科夫链一一对其赋予权重,可有效预测未来的成交量,给开发商提供可靠的数据参考,从而制定科学合理的销售任务,让每个楼盘的销售人员向着可实现的目标努力。
实施例三:
本实施例在上述实施例一和/或实施例二的基础上,提供一种服务器,请参见4,该服务器主要用以实现上述实施例一中所述房地产销售目标自动设置方法的步骤,主要包括处理器41、存储器42以及通信总线43,其中:
通信总线43用于实现处理器41和存储器42之间的连接通信;
处理器41用于执行存储器42中存储的一个或者多个程序,以实现如实施例一中所述的房地产销售目标自动设置方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
本实施例还提供一种存储介质,该存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如实施例一中所述的房地产销售目标自动设置方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

Claims (10)

1.一种房地产销售目标自动设置方法,其特征在于,包括:
获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;
从所述状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量;
分别确定各所述参考时段与所述待预测时段之间的滞时,以及确定各所述参考时段对应的初始状态值;
根据所述滞时确定所述初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重;
根据各所述参考时段初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重,计算转移至同一状态的加权和,作为所述同一状态的最终转移概率;
从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据所述预设对应关系确定该目标转移状态对应的设定成交量,根据所述设定成交量设置所述待预测时段的销售任务量。
2.如权利要求1所述的房地产销售目标自动设置方法,其特征在于,所述历史成交数据包括历史各月份的成交数据,以月份为单位时段。
3.如权利要求1或2所述的房地产销售目标自动设置方法,其特征在于,所述根据所述滞时确定所述初始状态值转移到不同状态的转移概率包括:
根据所述状态时间序列,生成一步转移概率矩阵P;其中一步转移概率为所述状态时间序列中从第一状态转移到第二状态的次数,与所述第一状态的总个数之间的比值;
根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
所述k步转移概率矩阵的第N行转移概率为所述参考时段初始状态值转移到不同状态的转移概率;所述N等于所述参考时段的初始状态值。
4.如权利要求3所述的房地产销售目标自动设置方法,其特征在于,所述各所述参考时段分别对应的权重的计算过程如下:
根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure FDA0002372824830000021
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;
Figure FDA0002372824830000023
为历史成交数据的均值;n为指状态时间序列的长度;
对各滞时参考时段自相关系数按照如下公式(3)进行规范化;
Figure FDA0002372824830000022
将规范化后的自相关系数分别作为各所述参考时段分别对应的权重。
5.如权利要求1所述的房地产销售目标自动设置装置,其特征在于,包括:
数据预处理模块,用于获取历史成交数据,根据成交量与状态值之间的预设对应关系,生成状态时间序列;
配置模块,用于从所述状态时间序列中选择其中至少一个时段,作为参考时段,以预测待预测时段的销售量;
处理模块,用于分别确定各所述参考时段与所述待预测时段之间的滞时,以及确定各所述参考时段对应的初始状态值;根据所述滞时确定所述初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重;根据各所述参考时段初始状态值转移到不同状态的转移概率,以及各所述参考时段分别对应的权重,计算转移至同一状态的加权和,作为所述同一状态的最终转移概率;从各状态分别对应的最终转移概率中,选择最终转移概率最大的状态作为目标转移状态,根据所述预设对应关系确定该目标转移状态对应的设定成交量,根据所述设定成交量设置所述待预测时段的销售任务量。
6.如权利要求5所述的房地产销售目标自动设置装置,其特征在于,所述数据预处理模块用于获取历史各月份的成交数据,以月份为单位时段。
7.如权利要求5或6所述的房地产销售目标自动设置装置,其特征在于,所述处理模块用于根据所述状态时间序列,生成一步转移概率矩阵P;其中一步转移概率为所述状态时间序列中从第一状态转移到第二状态的次数,与所述第一状态的总个数之间的比值;
所述处理模块根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(1)计算得到k步转移概率矩阵P(k)
P(k)=Pk
所述k步转移概率矩阵的第N行转移概率为所述参考时段初始状态值转移到不同状态的转移概率;所述N等于所述参考时段的初始状态值。
8.如权利要求7所述的房地产销售目标自动设置装置,其特征在于,所述处理模块用于根据所述参考时段与所述待预测时段之间的滞时k,按照如下公式(2)计算自相关系数;
Figure FDA0002372824830000031
其中rk为第k滞时参考时段的自相关系数;xi为第i时段的成交量;
Figure FDA0002372824830000033
为历史成交数据的均值;n为指状态时间序列的长度;
所述处理模块对各滞时参考时段自相关系数按照如下公式(3)进行规范化;
Figure FDA0002372824830000032
将规范化后的自相关系数分别作为各所述参考时段分别对应的权重。
9.一种服务器,其特征在于,所述服务器包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如权利要求1至4中任一项所述的房地产销售目标自动设置方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至4中任一项所述的房地产销售目标自动设置方法的步骤。
CN202010055968.XA 2020-01-18 2020-01-18 房地产销售目标自动设置方法、装置、服务器及存储介质 Pending CN111260406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010055968.XA CN111260406A (zh) 2020-01-18 2020-01-18 房地产销售目标自动设置方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010055968.XA CN111260406A (zh) 2020-01-18 2020-01-18 房地产销售目标自动设置方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN111260406A true CN111260406A (zh) 2020-06-09

Family

ID=70952358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010055968.XA Pending CN111260406A (zh) 2020-01-18 2020-01-18 房地产销售目标自动设置方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111260406A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426674A (zh) * 2011-10-28 2012-04-25 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷预测方法
CN102509173A (zh) * 2011-10-28 2012-06-20 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷准确预测方法
CN104239715A (zh) * 2014-09-11 2014-12-24 南京南瑞集团公司 一种大坝坝体沉降预测方法
US20180005253A1 (en) * 2016-06-30 2018-01-04 International Business Machines Corporation Revenue prediction for a sales pipeline using optimized weights
CN108573322A (zh) * 2018-03-13 2018-09-25 中联达通广(镇江)新能源科技有限公司 一种基于多车型共享换电站动态负荷预测方法
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426674A (zh) * 2011-10-28 2012-04-25 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷预测方法
CN102509173A (zh) * 2011-10-28 2012-06-20 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷准确预测方法
CN104239715A (zh) * 2014-09-11 2014-12-24 南京南瑞集团公司 一种大坝坝体沉降预测方法
US20180005253A1 (en) * 2016-06-30 2018-01-04 International Business Machines Corporation Revenue prediction for a sales pipeline using optimized weights
CN108573322A (zh) * 2018-03-13 2018-09-25 中联达通广(镇江)新能源科技有限公司 一种基于多车型共享换电站动态负荷预测方法
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陶茂华等: "基于加权马尔可夫模型的个性化需求预测" *

Similar Documents

Publication Publication Date Title
US10460230B2 (en) Reducing computations in a neural network
US10719803B2 (en) Automatic learning of weight settings for multi-objective models
US7720822B1 (en) Quality management in a data-processing environment
US8694427B2 (en) Time-efficient and deterministic adaptive score calibration techniques for maintaining a predefined score distribution
US20140025418A1 (en) Clustering Based Resource Planning, Work Assignment, and Cross-Skill Training Planning in Services Management
CN113312578B (zh) 一种数据指标的波动归因方法、装置、设备、及介质
US11861664B2 (en) Keyword bids determined from sparse data
US20160042017A1 (en) System Of And Method For Entity Representation Splitting Without The Need For Human Interaction
RU2680760C1 (ru) Компьютеризированный способ разработки и управления моделями скоринга
CN115438821A (zh) 一种智能排队方法和相关装置
US10956839B2 (en) Server tool
US10417573B2 (en) Goal-attainment assessment apparatus and method
CN111260406A (zh) 房地产销售目标自动设置方法、装置、服务器及存储介质
CN110097277B (zh) 基于时间窗的众包任务的动态分配方法
CN116452242A (zh) 一种基于拟合回归的游戏利润预测方法、装置及设备
CN112070564B (zh) 广告拉取方法、装置、系统与电子设备
CN111767520B (zh) 一种用户留存率计算方法、装置、电子设备及存储介质
CN112669091A (zh) 数据处理方法、装置及存储介质
CN115496304B (zh) 一种代理购电量预测算法的立体综合评价方法及系统
CN112101611B (zh) 房地产客户复购时间的预测方法、服务器及存储介质
CN109409596B (zh) 预测风速的处理方法、装置、设备和计算机可读存储介质
Mesabbah et al. An empirical estimation of statistical inferences for system dynamics model parameters
CN112035663B (zh) 聚类分析方法、装置、设备及存储介质
CN110851689A (zh) 转化率的优化方法、系统、可读存储介质和电子设备
JP2004094662A (ja) 信用リスク管理の最適化モデル適用方法及び装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609