CN111260443A - 基于房主需求和租户需求的派单优化方法及系统 - Google Patents
基于房主需求和租户需求的派单优化方法及系统 Download PDFInfo
- Publication number
- CN111260443A CN111260443A CN202010054134.7A CN202010054134A CN111260443A CN 111260443 A CN111260443 A CN 111260443A CN 202010054134 A CN202010054134 A CN 202010054134A CN 111260443 A CN111260443 A CN 111260443A
- Authority
- CN
- China
- Prior art keywords
- house
- tenant
- demand
- information
- renting
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于房主需求和租户需求的派单优化方法及系统,包括构建房源信息数据集R;构建租房需求信息数据集W;基于房源信息数据集R和租房需求信息数据集W构建租户租房需求信息与房源信息的匹配模型;基于匹配模型获取与租房需求信息对应的房源匹配度集合Q;将房源匹配度集合Q匹配到房源信息R中,构建最大化整体出房目标函数;对最大化整体出房目标函数进行求解,得到分配结果;租户获取匹配的房源信息,并选择多个房源且通过系统通知房主;房主通过系统获取租户需求信息,完成派单。本发明通过租户与房主自主交易,避免信息不对称交易,提高房主和租客双方的满意度。
Description
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种基于房主需求和租户需求的派单优化方法及系统。
背景技术
随着我国城镇化水平的不断提高,城市流动人口越来越多,使得房屋租赁市场的需求持续扩大,同时在租房过程中产生的问题越来越受到人们的重视,通过各种社会调查和舆论研究可以发现,当前租赁居住的平均满意度处于较低水平,现存的主要问题如下:
1、房主出租意愿不足、租房满意度偏低、发生纠纷时维权艰难等问题;
2、租户难以确定中介APP发布的房源信息的真实性,同时,租户看房仅靠房屋中介人员线下带看,优先带看性价比高的房源,导致租户不能选择合适自己的房源,造成损失;
3、房主提供的真实信息租户难以得到,租户真实的租房需求房主难以得到,造成信息不对称交易,造成房主和租户交易双方较低的满意度;
4、此外,现有的网络系统派单算法简单,仅依靠距离最优进行派单,无法获取全局最优的派单方案。
针对上述问题,如何提高房主出租房子的满意度,以及租户租赁房子的满意度,创造更舒适的租赁环境,解放劳动力,节省时间,是亟需待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于房主需求和租户需求的派单优化方法及系统,租户与房主能够实现自主交易,避免信息不对称交易,提高房主和租客双方的满意度。
本发明的一种基于房主需求和租户需求的派单优化方法及系统,包括:
获取房主提供的房源信息,将房源信息存储在数据库中,构建房源信息数据集R;
获取租户租房需求信息,将租户租房需求信息存储在数据库中,构建租房需求信息数据集W;
基于房源信息数据集R和租房需求信息数据集W构建租户租房需求信息与房源信息的匹配模型;
基于匹配模型获取与租房需求信息对应的房源匹配度集合Q,其中,每个租户房源信息均对应一个房源匹配度列表;
将房源匹配度集合Q匹配到房源信息R中,构建最大化整体出房目标函数;
对最大化整体出房目标函数进行求解,得到分配结果,即为与租户的租房需求信息相匹配的房源信息;
当租户通过系统输入租房需求信息时,获取匹配的房源信息,并选择多个房源且通过系统通知房主;
房主通过系统获取所有房源被选中的结果,且通过系统获取租户需求信息,完成派单。
可选地,房源信息数据集R={r1,r2,...,rj,...,rM},rj为房源信息,j∈(1,2,...,M), M为房源数量,房源信息rj包括地理位置集合fjx、备选房源数量fjy、房源配套设施fjz和房源性价比fjk,且rj=[fjx,fjy,fjz,fjk]。
可选地,租房需求信息数据集W=[r1,r2,…ri,…,rN],ri为租房需求信息, i∈(1,2,...,N),N为租户数量,租房需求信息ri包括地理位置dix、房间质量diy、周边环境diz和房主信誉dik,且ri=[dix,diy,diz,dik]。
可选地,地理位置集合fjx内包含多项子集且多项子集按照降级排序,其中,fjx>f(j+1)x;备选房源数量fjy内包含多项子集且多项子集按照降级排序,其中,fjy>f(j+1)y;房源配套设施fjz内包含多项子集且多项子集按照降级排序,其中,fjz>f(j+1)z;房源性价比fjk内包含多项子集且多项子集按照降级排序,其中,fjk>f(j+1)k。
可选地,基于匹配模型获取与租房需求信息对应的房源匹配度集合Q 的过程为:
对房源信息数据集R中的特征和租房需求信息数据集W中的特征进行清洗,对于训练数据中含有的缺失值,根据缺失值的具体类型进行填充;
对特征值进行判断,如果特征值是连续的,将特征值放入分箱操作进行特征分类,转化为离散型特征;如果特征值是离散型的,则执行下一步操作;
采用编码的方式使特征变成稀疏特征,利用神经网络进行特征重组,使特征维度增加;
采用训练集训练神经网络模型,根据租户最偏好的房源信息给训练数据的租户打标签,作为训练集的目标集,其中,训练集为租房需求信息和房源信息的特征值,目标集为租房需求信息和房源信息的标签;
设置神经网络的参数,将重组后的特征作为输入,得到与租房需求信息相匹配的房源信息,获取与租房需求信息匹配的房源匹配度集合,即 Q={q1,q2,...,qi,...,qN},其中,qi为与第i个租户的租房需求信息对应的房源匹配列表,i∈(1,2,...,N),N为租户数量。
可选地,与租户租房需求信息对应的房源匹配列表qi={Pi1,Pi2,...,PiS},PiS为第i个租户对应的房源的匹配度,S为第i个租户匹配到的房源数量,房源匹配列表内的子项数按照匹配度值由大到小排列。
可选地,地理位置集合fjx内的子集按照与租户租房需求信息中的地理位置dix的距离大小进行排序;备选房源数量fjy内的子集按照与租户租房需求信息中的地理位置dix定位区域内的小区房源数量多少排序;房源配套设施fjz内的子集按照与租户租房需求信息中的房间质量diy的优先级进行排序;房源性价比fjk内的子集按照与租户租房需求信息中的周边环境diz和房主信誉dik的优先级进行排序。
可选地,最大化整体出房目标函数为:
其中,表示每个房源所分配的租户总数小于等于房源需客量,Bj表示房源j的需客量fjk,表示每个租户只能被分到至多一个房源,xij为二元判决变量,当xij=1,租户i被分配到房源rj中,当xij=0,用户i未分配到房源rj中。
可选地,将最大化整体出房目标函数模拟为多背包问题,通过多背包问题MKP的求解原理求解,得到的分配结果为:其中,X=[x1,x2,…,xj,…,xM]表示租户的分配结果,xj表示对房源r的判决向量且表示分配得到的整体出房速度,为二元判决值,当用户i被分配到房源rj中,当用户i未被分配到房源rj。
本发明的一种基于房主需求和租户需求的派单优化系统,系统包括:
房源信息获取模块,用于获取房主提供的房源信息,其中,房源信息包括地理位置集合信息、备选房源数量集合、房源配套设施信息和房源性价比信息,将房源信息获取模块获取的房源信息存储到数据库中;
租房需求信息获取模块,用于获取租户的需求信息,将租房需求信息获取模块获取的租房需求信息存储到数据库中;
计算模块,用于构建最大化整体出房目标函数,且对最大化整体出房目标函数计算求解,获取分配结果;
信息处理模块,用于将与租户相匹配的房源信息返回给租户,并将租户选择的房源通知房主。
与现有技术相比,本发明提供的基于房主需求和租户需求的派单优化方法及系统,至少实现了如下的有益效果:
1、本发明的基于房主需求和租户需求的派单优化方法及系统,建立了房主提供的房源信息与租户租房需求信息的匹配模型,获取与租房需求信息相匹配的房源信息,获取匹配度列表,客观的获取租客的需求,解放中介人员凭借经验带看房源的劳动力;
2、本发明的基于房主需求和租户需求的派单优化方法及系统,房主通过系统获取相匹配租户需求信息,其中,房主能够知悉所提供房源信息的准确性,并且通过对租客信息的审核判断是否能够满足租客需求,房主与租客能够自主完成交易,解放中介人员的劳动力;
3、本发明的基于房主需求和租户需求的派单优化方法及系统,租户与房主能够实现自主交易,避免信息不对称交易,提高房主和租客双方的满意度。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明实施例的基于多背包问题的派单优化方法的一个实施例的流程示意图;
图2是根据本发明实施例的基于多背包问题的派单优化系统的一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
以下将结合附图和具体实施例进行详细说明。
图1为本实施例中基于多背包问题的派单优化方法的方法流程示意图,如图1所示,本实施例提供了一种基于房主需求和租户需求的派单优化方法,包括:
步骤S101、获取房主提供的房源信息,将房源信息存储在数据库中,构建房源信息数据集R;
步骤S102、获取租户租房需求信息,将租户租房需求信息存储在数据库中,构建租房需求信息数据集W;
步骤S103、基于房源信息数据集R和租房需求信息数据集W构建租户租房需求信息与房源信息匹配模型;
步骤S104、基于匹配模型获取与租房需求信息对应的房源匹配度集合 Q,其中,每个租户房源信息均对应一个房源匹配度列表;
步骤S105、将房源匹配度集合Q匹配到房源信息R中,构建最大化整体出房目标函数;
步骤S106、对最大化整体出房目标函数进行求解,得到分配结果,即为与租户的租房需求信息相匹配的房源信息;
步骤S107、当租户通过系统输入租房需求信息时,获取匹配的房源信息,并选择多个房源且通过系统通知房主;
步骤S108、房主通过系统获取所有房源被选中的结果,且通过系统获取相匹配的租户需求信息,完成派单。
具体地,获取的房源信息首先要经过初步整理,去掉没有用的信息,以一定的规则和形式存储在数据库中备用;获取的租户租房需求同样需要经过初步的整理,去掉没有用的信息,以一定的规则和形式存储在数据库中备用;其中,获取的房源信息的数量和获取的租户租房需求的数量适中且具有明显的特征,基于一定数量的房源信息和一定数量的租户租房需求训练租户租房需求信息与房源信息的匹配模型,能够获取与租户租房需求信息对应的房源匹配度集合,房源匹配度集合内包括多个子集,与每个租户租房需求信息为一一对应关系,获取的房源匹配度集合用于构建最大化整体出房目标函数,对目标函数求解,获取与租户的租房需求信息相匹配的房源信息,将以上获取方法,置于系统内,此外,需要不断加入新的房源信息和去除已被出租的房源信息,还需要不断加入新的租户租房需求,以及去除已租到房子的租户,需要对存储在数据库中的房源信息数据集R 和存储在数据库中租房需求信息数据集W不断更新,才能更准确的训练模型,以及随着政策与城市完善程度,更准确的为租户匹配合适的房源信息。
本发明的基于房主需求和租户需求的派单优化方法,建立了房主提供的房源信息与租户租房需求信息的匹配模型,获取与租房需求信息相匹配的房源信息,获取匹配度列表,客观的获取租客的需求,解放中介人员凭借经验带看房源的劳动力,此外,房主通过系统获取相匹配租户需求信息,其中,房主能够知悉所提供房源信息的准确性,并且通过对租客信息的审核判断是否能够满足租客需求,房主与租客能够自主完成交易,解放中介人员的劳动力,同时,租户与房主能够实现自主交易,避免信息不对称交易,提高房主和租客双方的满意度。
可选地,房源信息数据集R={r1,r2,...,rj,...,rM},rj为房源信息,j∈(1,2,...,M), M为房源数量,房源信息rj包括地理位置集合fjx、备选房源数量fjy、房源配套设施fjz和房源性价比fjk,且rj=[fjx,fjy,fjz,fjk]。
具体地,构建M个房源的房源信息数据集,其中房源信息中包括房源的地理位置、备选房源的数量、房源配套设施、房源性价比、房源周边交通状况、房源附近学校、房源附近就医状况等,系统对大量房主提供的信息的关键描述进行权重分析,获取权重值前四的影响因素,作为房源信息的子集。
可选地,租房需求信息数据集W=[r1,r2,…ri,…,rN],ri为租房需求信息, i∈(1,2,...,N),N为租户数量,租房需求信息ri包括地理位置dix、房间质量diy、周边环境diz和房主信誉dik,且ri=[dix,diy,diz,dik]。
具体地,构建N个租户租房需求信息数据集,其中,租房需求信息包括地理位置、房间质量、周边环境、交通状况、房主信誉、价格等,系统对大量租户提供租房需求时更多关注的房源因素进行权重分析,获取权重值较高的租户租房需求信息。
可选地,地理位置集合fjx内包含多项子集且多项子集按照降级排序,其中,fjx>f(j+1)x;备选房源数量fjy内包含多项子集且多项子集按照降级排序,其中,fjy>f(j+1)y;房源配套设施fjz内包含多项子集且多项子集按照降级排序,其中,fjz>f(j+1)z;房源性价比fjk内包含多项子集且多项子集按照降级排序,其中,fjk>f(j+1)k。
具体地,房源优先级为降级排列,具有较高优先级的房源排在前面,具有较低优先级的房源排在后面,这样排布能够全局优选较高优先级的房源;房源性价比为降级排序,具有高性价比的房源排在前面,具有低性价比房源排在后面,这样排布能够全局优选较高性价比的房源;房源需客量为降级排序,具有较大需客量的房源排在前面,具有较少需客量的房源排在后面,这样排布能够全局优先较大需客量的房源。
可选地,基于匹配模型获取与租房需求信息对应的房源匹配度集合Q 的过程为:
对房源信息数据集R中的特征和租房需求信息数据集W中的特征进行清洗,对于训练数据中含有的缺失值,根据缺失值的具体类型进行填充;
对特征值进行判断,如果特征值是连续的,将特征值放入分箱操作进行特征分类,转化为离散型特征;如果特征值是离散型的,则执行下一步操作;
采用编码的方式使特征变成稀疏特征,利用神经网络进行特征重组,使特征维度增加;
采用训练集训练神经网络模型,根据租户最偏好的房源信息给训练数据的租户打标签,作为训练集的目标集,其中,训练集为租房需求信息和房源信息的特征值,目标集为租房需求信息和房源信息的标签;
设置神经网络的参数,将重组后的特征作为输入,得到与租房需求信息相匹配的房源信息,获取与租房需求信息匹配的房源匹配度集合,即 Q={q1,q2,...,qi,...,qN},其中,qi为与第i个租户的租房需求信息对应的房源匹配列表,i∈(1,2,...,N),N为租户数量。
具体地,租户的租房需求信息通过终端系统获取且放入数据集中,房主的房源信息也通过终端系统获取且放入数据集中,并且储存在同一个数据库中,假设租户的租房需求信息的一列特征集为K={s1,s2,Nan,s3…,sn},其中,Nan为空,是一个缺失值,并且对缺失值进行填充,如果一列特征是连续性特征,可以采用均值和随机森林方法进行填充,如果一列特征是分类特征,可以采用众数进行填充,使一列特征集变成完整的之后,将特征变成稀疏特征后,再进行特征重组,比如将租房需求信息中的入住人数、年龄段、性别等多特征进行组合,将重组后的特征输入到神经网络中,得到与租户租房需求信息匹配的房源匹配度集合。
需要说明的是,重组后,可以使特征维度从几十维度上升到几百维度甚至上千维度,使神经网络更容易挖掘这些特征之间的内在联系。
可选地,与租户租房需求信息对应的房源匹配列表qi={Pi1,Pi2,...,PiS},PiS为第i个租户对应的房源的匹配度,S为第i个租户匹配到的房源数量,房源匹配列表内的子项数按照匹配度值由大到小排列。
该步骤中,每个租户的租房需求信息对应一个房源匹配列表,房源匹配列表内包含S个可以匹配的房源,并按照匹配度值由大到小进行排列,获取全局的房源匹配列表且用于构建最大化整体出房目标函,能够获取全局最优函数解。
可选地,地理位置集合fjx内的子集按照与租户租房需求信息中的地理位置dix的距离大小进行排序;备选房源数量fjy内的子集按照与租户租房需求信息中的地理位置dix定位区域内的小区房源数量多少排序;房源配套设施fjz内的子集按照与租户租房需求信息中的房间质量diy的优先级进行排序;房源性价比fjk内的子集按照与租户租房需求信息中的周边环境diz和房主信誉dik的优先级进行排序。
可选地,最大化整体出房目标函数为:
其中,表示每个房源所分配的租户总数小于等于房源需客量,Bj表示房源j的需客量fjk,表示每个租户只能被分到至多一个房源,xij为二元判决变量,当xij=1,租户i被分配到房源rj中,当xij=0,用户i未分配到房源rj中。
该步骤中,为约束条件1,表示每个房间所分配的用户总数不超过房间的需客量,其中,Bj表示房间j的需客量fjk,j=1,2,3,… M;为约束条件2,表示每个用户分配到一个房间,i=1,2,3,… N;基于动态规划方法求解得到当前可分配的房间的最优分配,其相应的判决向量相应的目标函数值为
可选地,将最大化整体出房目标函数模拟为多背包问题,通过多背包问题MKP的求解原理求解,得到的分配结果为:其中,X=[x1,x2,…,xj,…,xM]表示租户的分配结果,xj表示对房源r的判决向量且表示分配得到的整体出房速度,为二元判决值,当用户i被分配到房源rj中,当用户i未被分配到房源rj。
具体地,MKP为多维背包问题,是整数规划问题,对一个属性进行不超过限制条件的选择,最后求多个属性的交集,要求从多个限制条件中选出满足所有条件的最佳组合,并计算出最优价值,将最大化整体出房目标函数模拟为MKP为多维背包问题,采用MKP为多维背包问题求解原理获取目标函数的最优解,通过解决相应的多背包问题,可以对房间资源进行最优或次优分配,进行全局求解,有效地提升了房间的利用率。
实施例2
图2为本实施例中基于多背包问题的派单优化系统的结构示意图,如图2所示,本实施例提供了一种基于房主需求和租户需求的派单优化系统,系统包括:
房源信息获取模块S201,用于获取房主提供的房源信息,其中,房源信息包括地理位置集合信息、备选房源数量集合、房源配套设施信息和房源性价比信息,将房源信息获取模块获取的房源信息存储到数据库中;
租房需求信息获取模块S202,用于获取租户的需求信息,将租房需求信息获取模块获取的租房需求信息存储到数据库中;
计算模块S203,用于构建最大化整体出房目标函数,且对最大化整体出房目标函数计算求解,获取分配结果;
信息处理模块S204,用于将与租户相匹配的房源信息返回给租户,并将租户选择的房源通知房主。
与现有技术相比,本发明提供的基于房主需求和租户需求的派单优化方法及系统,至少实现了如下的有益效果:
1、本发明的基于房主需求和租户需求的派单优化方法及系统,建立了房主提供的房源信息与租户租房需求信息的匹配模型,获取与租房需求信息相匹配的房源信息,获取匹配度列表,客观的获取租客的需求,解放中介人员凭借经验带看房源的劳动力;
2、本发明的基于房主需求和租户需求的派单优化方法及系统,房主通过系统获取相匹配租户需求信息,其中,房主能够知悉所提供房源信息的准确性,并且通过对租客信息的审核判断是否能够满足租客需求,房主与租客能够自主完成交易,解放中介人员的劳动力;
3、本发明的基于房主需求和租户需求的派单优化方法及系统,租户与房主能够实现自主交易,避免信息不对称交易,提高房主和租客双方的满意度。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于房主需求和租户需求的派单优化方法,其特征在于,包括:
获取房主提供的房源信息,将所述房源信息存储在数据库中,构建房源信息数据集R;
获取租户租房需求信息,将所述租户租房需求信息存储在数据库中,构建租房需求信息数据集W;
基于房源信息数据集R和租房需求信息数据集W构建租户租房需求信息与房源信息的匹配模型;
基于所述匹配模型获取与所述租房需求信息对应的房源匹配度集合Q,其中,每个所述租户房源信息均对应一个房源匹配度列表;
将所述房源匹配度集合Q匹配到房源信息R中,构建最大化整体出房目标函数;
对所述最大化整体出房目标函数进行求解,得到分配结果,即为与所述租户的租房需求信息相匹配的房源信息;
当租户通过系统输入租房需求信息时,获取匹配的房源信息,并选择多个房源且通过系统通知房主;
房主通过系统获取所有房源被选中的结果,且通过系统获取租户需求信息,完成派单。
2.根据权利要求1所述的基于房主需求和租户需求的派单优化方法,其特征在于,所述房源信息数据集R={r1,r2,...,rj,...,rM},rj为房源信息,j∈(1,2,...,M),M为房源数量,所述房源信息rj包括地理位置集合fjx、备选房源数量fjy、房源配套设施fjz和房源性价比fjk,且rj=[fjx,fjy,fjz,fjk]。
3.根据权利要求2所述的基于房主需求和租户需求的派单优化方法,其特征在于,所述租房需求信息数据集W=[r1,r2,…ri,…,rN],ri为租房需求信息,i∈(1,2,...,N),N为租户数量,所述租房需求信息ri包括地理位置dix、房间质量diy、周边环境diz和房主信誉dik,且ri=[dix,diy,diz,dik]。
4.根据权利要求3所述的基于房主需求和租户需求的派单优化方法,其特征在于,所述地理位置集合fjx内包含多项子集且多项子集按照降级排序,其中,fjx>f(j+1)x;所述备选房源数量fjy内包含多项子集且多项子集按照降级排序,其中,fjy>f(j+1)y;所述房源配套设施fjz内包含多项子集且多项子集按照降级排序,其中,fjz>f(j+1)z;所述房源性价比fjk内包含多项子集且多项子集按照降级排序,其中,fjk>f(j+1)k。
5.根据权利要求1所述的基于房主需求和租户需求的派单优化方法,其特征在于,所述基于所述匹配模型获取与所述租房需求信息对应的房源匹配度集合Q的过程为:
对房源信息数据集R中的特征和租房需求信息数据集W中的特征进行清洗,对于训练数据中含有的缺失值,根据缺失值的具体类型进行填充;
对特征值进行判断,如果特征值是连续的,将特征值放入分箱操作进行特征分类,转化为离散型特征;如果特征值是离散型的,则执行下一步操作;
采用编码的方式使特征变成稀疏特征,利用神经网络进行特征重组,使特征维度增加;
采用训练集训练神经网络模型,根据租户最偏好的房源信息给训练数据的租户打标签,作为训练集的目标集,其中,训练集为租房需求信息和房源信息的特征值,目标集为租房需求信息和房源信息的标签;
设置神经网络的参数,将重组后的特征作为输入,得到与所述租房需求信息相匹配的房源信息,获取与所述租房需求信息匹配的房源匹配度集合,即Q={q1,q2,...,qi,...,qN},其中,qi为与第i个租户的租房需求信息对应的房源匹配列表,i∈(1,2,...,N),N为租户数量。
6.根据权利要求1所述的基于房主需求和租户需求的派单优化方法,其特征在于,与所述租户租房需求信息对应的房源匹配列表qi={Pi1,Pi2,...,PiS},PiS为第i个租户对应的房源的匹配度,S为第i个租户匹配到的房源数量,所述房源匹配列表内的子项数按照匹配度值由大到小排列。
7.根据权利要求6所述的基于房主需求和租户需求的派单优化方法,其特征在于,所述地理位置集合fjx内的子集按照与租户租房需求信息中的地理位置dix的距离大小进行排序;所述备选房源数量fjy内的子集按照与租户租房需求信息中的地理位置dix定位区域内的小区房源数量多少排序;房源配套设施fjz内的子集按照与租户租房需求信息中的房间质量diy的优先级进行排序;房源性价比fjk内的子集按照与租户租房需求信息中的周边环境diz和房主信誉dik的优先级进行排序。
10.一种基于房主需求和租户需求的派单优化系统,其特征在于,所述系统包括:
房源信息获取模块,用于获取房主提供的房源信息,其中,房源信息包括地理位置集合信息、备选房源数量集合、房源配套设施信息和房源性价比信息,将所述房源信息获取模块获取的房源信息存储到数据库中;
租房需求信息获取模块,用于获取租户的需求信息,将所述租房需求信息获取模块获取的租房需求信息存储到数据库中;
计算模块,用于构建最大化整体出房目标函数,且对最大化整体出房目标函数计算求解,获取分配结果;
信息处理模块,用于将与租户相匹配的房源信息返回给租户,并将租户选择的房源通知房主。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054134.7A CN111260443A (zh) | 2020-01-17 | 2020-01-17 | 基于房主需求和租户需求的派单优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054134.7A CN111260443A (zh) | 2020-01-17 | 2020-01-17 | 基于房主需求和租户需求的派单优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260443A true CN111260443A (zh) | 2020-06-09 |
Family
ID=70944010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010054134.7A Withdrawn CN111260443A (zh) | 2020-01-17 | 2020-01-17 | 基于房主需求和租户需求的派单优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700003A (zh) * | 2013-12-30 | 2014-04-02 | 陶鹏 | 基于意愿符合度匹配的房屋网上直租方法和系统 |
US20160379284A1 (en) * | 2015-06-29 | 2016-12-29 | Realster LLC | Landlord-Tenant-Property Matching System and Matrix |
CN108280750A (zh) * | 2018-02-22 | 2018-07-13 | 和悦诗乔(深圳)公寓科技管理有限公司 | 房屋租赁方法和房屋租赁系统 |
-
2020
- 2020-01-17 CN CN202010054134.7A patent/CN111260443A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700003A (zh) * | 2013-12-30 | 2014-04-02 | 陶鹏 | 基于意愿符合度匹配的房屋网上直租方法和系统 |
US20160379284A1 (en) * | 2015-06-29 | 2016-12-29 | Realster LLC | Landlord-Tenant-Property Matching System and Matrix |
CN108280750A (zh) * | 2018-02-22 | 2018-07-13 | 和悦诗乔(深圳)公寓科技管理有限公司 | 房屋租赁方法和房屋租赁系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10841743B2 (en) | Branching mobile-device to system-namespace identifier mappings | |
US20210312347A1 (en) | Dispatching distribution | |
CN104731895B (zh) | 自动应答的方法和装置 | |
CN107203789B (zh) | 分配模型建立方法、分配方法以及相关装置 | |
CN106570653B (zh) | 配网抢修工单派发支持系统及优化方法 | |
CN110377804A (zh) | 培训课程数据的推送方法、装置、系统及存储介质 | |
CN104169950A (zh) | 利用面向批处理的计算的数据库系统 | |
CN102272758A (zh) | 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现 | |
CN109165799A (zh) | 基于遗传算法的走班教学排课系统 | |
CN111506810A (zh) | 课程信息推送方法、系统、设备及存储介质 | |
CN110532429A (zh) | 一种基于聚类和关联规则的线上用户群体分类方法及装置 | |
CN110766438A (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
CN109857939A (zh) | 面向智能制造服务的精准推送方法 | |
CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
CN111260443A (zh) | 基于房主需求和租户需求的派单优化方法及系统 | |
CN114581140A (zh) | 一种广告投放楼盘的推荐方法、装置及电子设备 | |
Sawik et al. | A simulation-optimization model for automated parcel lockers network design in urban scenarios in Pamplona (Spain), Zakopane, and Krakow (Poland) | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
Lisic et al. | Optimal stratification and allocation for the june agricultural survey | |
CN113704637A (zh) | 基于人工智能的对象推荐方法、装置、存储介质 | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN111126714A (zh) | 基于长租公寓租房场景下的退租预测系统及方法 | |
KR20210023216A (ko) | 빅데이터 기반 농장 서비스 시스템 및 방법 | |
CN111242697B (zh) | 一种基于传粉启发聚类的商户选址方法 | |
Zhdanov et al. | Machine learning approach to optimal restaurant location search |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200609 |