CN111523614B - 小区相似判断方法及装置 - Google Patents
小区相似判断方法及装置 Download PDFInfo
- Publication number
- CN111523614B CN111523614B CN202010388810.4A CN202010388810A CN111523614B CN 111523614 B CN111523614 B CN 111523614B CN 202010388810 A CN202010388810 A CN 202010388810A CN 111523614 B CN111523614 B CN 111523614B
- Authority
- CN
- China
- Prior art keywords
- cell
- attribute information
- evaluated
- similar
- similarity
- 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 71
- 230000002093 peripheral effect Effects 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 235000013399 edible fruits Nutrition 0.000 description 7
- 235000013311 vegetables Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提供小区相似判断方法及装置，其中所述小区相似判断方法包括：获取待评估小区的小区自身属性信息；根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似，所述小区相似判断方法将小区自身属性信息和周边配置属性信息的差异输入预先训练的模型确定小区是否相似，由于采用周边配置属性信息并采用差异预测相似度，从而能够数据更全面且更客观准确地确定小区是否相似。
Description
技术领域
本说明书涉及信息处理技术领域，特别涉及一种小区相似判断方法。本说明书同时涉及一种小区相似判断装置，一种计算设备，以及一种计算机可读存储介质。
背景技术
小区相似度是小区字典建设过程中尤为重要的一部分，小区相似度模型的构建及结果可以应用于小区判重，小区价格计算等方面。
现有技术中还没有成熟的判断小区是否相似的体系和方法，因此需要可以客观准确地确定小区是否相似的方法进行操作或处理。
发明内容
有鉴于此，本说明书实施例提供了一种小区相似判断方法。本说明书同时涉及一种小区相似判断装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了一种小区相似判断方法，包括：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
可选地，所述小区自身属性信息包括经纬度信息，根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息包括：
基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点；
根据所述兴趣点获得所述待评估小区的周边位置属性信息。
可选地，根据所述兴趣点获得所述待评估小区的周边位置属性信息包括：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
可选地，分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分包括：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分。
可选地，根据所述兴趣点获得所述待评估小区的周边位置属性信息包括：
获得根据第一预定规则为所述待评估小区周边的属性参数相关的一种或多种兴趣点计算的评分，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个；
分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分，作为所述周边位置属性信息。
可选地，分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分包括：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的评分与兴趣点的权重乘积之和，作为所述属性参数的评分。
可选地，在确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异之前，根据本说明书实施例的小区相似判断方法还包括：
对所述待评估小区的小区自身属性信息和周边配置属性信息的特征字段进行清洗。
可选地，在将所述差异输入预先训练的相似度预测模型之前，根据本说明书实施例的小区相似判断方法还包括：
获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
可选地，根据本说明书实施例的小区相似判断方法还包括：
在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。
可选地，根据本说明书实施例的小区相似判断方法还包括：
获取所述待评估小区的相似小区的房源平均价值参数；
根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。
可选地，所述相似度预测模型包括XGBoost模型、随机森林模型、逻辑回归模型或决策树模型。
根据本说明书实施例的第二方面，提供了一种小区相似判断装置，包括：
第一获取模块，被配置为获取待评估小区的小区自身属性信息；
获得模块，被配置为根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定模块，被配置为确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
判断模块，被配置为将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
可选地，所述小区自身属性信息包括经纬度信息，所述获得模块还包括：
第一获得单元，被配置为基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点；
第二获得单元，被配置为根据所述兴趣点获得所述待评估小区的周边位置属性信息。
可选地，所述第二获得单元进一步被配置为：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
可选地，所述第二获得单元进一步被配置为：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分。
可选地，小区相似判断装置还包括：
第二获取模块，被配置为获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
训练模块，将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
可选地，小区相似判断装置还包括：
认定模块，被配置为在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。
可选地，小区相似判断装置还包括：
第三获取模块，被配置为获取所述待评估小区的相似小区的房源平均价值参数；
估计模块，被配置为根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。
根据本说明书实施例的第三方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现任意所述小区相似判断方法的步骤。
本说明书提供的小区相似判断方法，通过获取待评估小区的小区自身属性信息；根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。该方法将小区自身属性信息和周边配置属性信息的差异输入预先训练的模型确定小区是否相似，采用周边配置属性信息从而数据更全面，采用差异预测相似度从而能够更客观准确地确定小区是否相似。
附图说明
图1是本说明书一实施例提供的一种小区相似判断方法的流程图；
图2是本说明书一实施例提供的一种小区相似判断方法中获得周边配置属性信息的流程图；
图3是根据本说明书一实施例提供的一种小区相似判断方法的应用于具体示例的处理流程图；
图4是本说明书一实施例提供的一种小区相似判断装置的结构示意图；
图5是本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中，提供了一种小区相似判断方法，本说明书同时涉及一种小区相似判断装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例提供的一种小区相似判断方法的流程图，具体包括以下步骤102至108。
步骤102：获取待评估小区的小区自身属性信息。
待评估小区是指需要对其进行评估的小区，评估的内容例如可以是待评估小区房源的平均价格、宜居程度等。
具体地，可以获取来源于各个公开网站的户型图数据样本，确认待评估小区列表及名称、地址、开发商等属性。在本说明书实施例中，小区自身属性信息包括但不限于待评估小区的建筑年代、容积率、绿化率、经纬度信息中的一种或多种。
例如，本说明书一实施例中，可以通过基于待评估小区的“城市+地址”的信息，请求提供导航服务的应用程序的地理编码接口来获得待评估小区的经纬度信息或通过待评估小区的“城市+名称”的信息，请求提供导航服务的应用程序的地理编码接口来获得待评估小区的经纬度信息，待评估小区的经纬度信息与待评估小区的结构化地址可以通过地理编码/逆地理编码接口相互转化。
其中，地理编码/逆地理编码接口是通过HTTP/HTTPS协议访问远程服务的接口，提供待评估小区的结构化地址与待评估小区的经纬度之间的相互转化的能力。本说明书实施例中的结构化地址包括国家、省份、城市、区县、城镇、乡村、街道、门牌号码、屋邨、大厦等建筑物名称等信息，可以是一个按照由大区域名称到小区域名称组合在一起的字符。一个有效的结构化地址应该是唯一的。可以通过地理编码接口将详细的结构化地址转换为提供导航服务的应用程序的经纬度坐标。例如，可以将结构化地址“北京市朝阳区****街*号”转换成经纬度116.480881,**.******。
步骤104：根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息。
在本说明书实施例中，小区自身属性信息包括经纬度信息，如图2所示，步骤104可以包括步骤1042至1044。
步骤1042：基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点(POI)。
具体地，以提供导航服务的应用程序搜索兴趣点为例，对基于经纬度信息获取兴趣点进行说明。搜索服务应用程序接口是一类简单的HTTP接口，提供多种查询兴趣点信息的能力，其中包括关键字搜索、周边搜索、多边形搜索、ID查询四种筛选机制。关键字搜索：通过用兴趣点的关键字进行条件搜索，例如：a饭店、b公园等；同时支持设置兴趣点类型搜索，例如：银行。
在实际应用中，上述步骤1042可以通过如下方法实现：根据获得的经纬度信息，通过提供导航服务的应用程序搜索兴趣点接口，请求该地理位置周边预定距离内的以下类型的兴趣点：“幼儿园”，“小学”，“普通公交站”，“地铁站”，“公园”，“超市”，“购物中心”，“普通商场”，“综合市场”，“大型超市”，“蔬果市场”。以上兴趣点仅为示例，并非旨在限制。
步骤1044：根据所述兴趣点获得所述待评估小区的周边位置属性信息。
在一实施例中，步骤1044可以通过如下方法实现：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
预定规则可以是上述一种或多种兴趣点的数量与兴趣点的权重乘积之和，也可以是上述一种或多种兴趣点的数量平均值。
该实现方法限定根据相关的兴趣点的数量计算对应的评分，从而可以使计算过程具体化，实现根据兴趣点的数量获得周边位置属性信息。
为了使计算过程进一步具体化，例如，可以获得与所述属性参数相关的一种或多种兴趣点的权重，分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分，也可以计算与所述属性参数相关的兴趣点的数量平均值作为所述属性参数的评分。
在本实施例中，可以实现为教育评分＝幼儿园数量*幼儿园权重+小学数量*小学权重；生活评分＝超市数量*超市权重+购物中心数量*购物中心权重+普通商场数量*普通商场权重+综合市场数量*综合市场权重+大型超市数量*大型超市权重+蔬果市场数量*蔬果市场权重；交通评分＝地铁数量*地铁权重+公交数量*公交权重；环境评分＝公园数量*公园权重。
在另一实施例中，步骤1044可以通过如下方法实现：
获得根据第一预定规则为所述待评估小区周边的属性参数相关的一种或多种兴趣点计算的评分，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个；
分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分，作为所述周边位置属性信息。
第一预定规则可以依据是否有兴趣点、最近兴趣点的距离和/或兴趣点的数量制定。
第二预定规则可以是上述一种或多种兴趣点的评分与兴趣点的权重乘积之和，也可以是上述一种或多种兴趣点的评分平均值。
该实现方法限定根据相关的兴趣点的评分计算对应的评分，从而可以以另一种方式使计算过程具体化，实现根据兴趣点的评分获得周边位置属性信息。
为了使计算过程进一步具体化，例如，可以获得与所述属性参数相关的一种或多种兴趣点的权重，分别计算与所述属性参数相关的一种或多种兴趣点的评分与兴趣点的权重乘积之和，作为所述属性参数的评分。也可以计算与所述属性参数相关的兴趣点的评分平均值作为所述属性参数的评分。
下面以交通评分为例进行说明。在获取到待评估小区周边指定范围内的地铁数量以及经纬度坐标后，可得到是否有地铁以及最近地铁的距离和其地铁站的名称，其距离是通过上述的经纬度坐标计算，并以米为单位。同时获取小区周边指定范围内的公交数量。
接下来基于上述获取的数据计算交通评分：例如规定交通评分满分为5分，根据是否有地铁以及最近地铁的距离对地铁交通评分规则如表1所示，根据有无公交以及最近公交距离及公交数量对公交交通评分规则如表2所示。
表1地铁交通评分规则
表2公交交通评分规则
假设地铁权重为0.6，公交权重为0.4，某个小区的地铁交通评分为4分，公交交通评分为3分，那么最终的交通评分结果为4*0.6+3*0.4＝3.6分。
下面对教育评分、生活评分、环境评分计算方法进行说明。在获取到小区周边指定范围内的学校、超市、公园、绿化、娱乐设施、蔬菜市场、果品、商场等后，统计所有的品类的数量，分别计算出其教育评分、生活评分、环境评分，其评分也可以是满分5分，具体的评分也是根据其对应的数量大小确定。其中，学校数量决定教育评分，娱乐设施、超市、蔬菜市场、果品、商场等决定生活评分，公园、绿化等数量决定环境评分，具体过程可以参见上面的交通评分计算方法。
此外，周边位置属性信息还可以包括到市中心的距离。
步骤106：确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异。
参考小区是指参数已知的小区，例如其小区房源的平均价格已知或者宜居程度已知，并且参考小区的小区自身属性信息和周边配置属性信息也是已知的。
具体地，将待评估小区与参考小区对应的建筑年代、容积率、绿化率、经纬度、交通评分、环境评分、教育评分、生活评分、到市中心距离等进行相减，取绝对值为其差异。例如，经纬度信息差异可以计算为将待评估小区和参考小区对应的经纬度坐标通过距离计算函数，计算得到两个小区的实际距离，作为经纬度信息差异，到市中心距离差异可以计算为将待评估小区和参考小区对应的到市中心距离进行相减，取绝对值作为到市中心距离差异。
步骤108：将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
具体地，将差异输入训练的相似度预测模型进行预测以得到两个小区的相似结果。根据本实施例的小区相似判断方法将小区自身属性信息和周边配置属性信息的差异输入预先训练的模型确定小区是否相似，由于采用周边配置属性信息并采用差异预测相似度，从而能够数据更全面且更客观准确地确定小区是否相似。
其中，相似度预测模型是通过以下步骤预先训练的：
获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
下面对相似度预测模型的训练过程进行具体说明。以本说明书方法预测待评估小区的价格为例进行说明。具体地，随机从数据库的各个区域抽取1000个左右包含价格数据的小区作为样本，遍历所有样本，每个样本在同一区域内选取价格差别在15％以内的其他小区作为其相似样本案例，并选取对应数据量的价格差别在15％以上的小区作为其非相似样本案例。在不同区域内选取价格差别在10％以内的其他小区作为其相似样本案例，并选取对应数据量的价格差别在10％以上的小区作为其非相似样本案例。
相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异，非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异，在获取上述两两相似小区和两两非相似小区的小区自身属性信息和周边配置属性信息的差异后，对所有数值型数据进行归一化处理，将所有数据压缩到0-1区间内。并记录所有数据处理的规则，分离样本的特征和预测标签，并将70％的样本作为训练集和验证集，剩下样本作为测试集。
在实际应用中，相似度预测模型可以包括XGBoost模型、随机森林模型、逻辑回归模型或决策树模型。可以搭建多种上述模型选取最佳模型。例如可以搭建XGboost、随机森林以及小波神经网络的训练模型，将训练集分别输入到三个模型中，并设置不同的模型参数，模型通过对目标损失函数的不断优化寻得最佳模型。通过对三个模型的测试集上结果比较，选用准确度更好的模型算法。在某些数据计算时可将三种模型进行融合，通过综合投票得到最终的预测结果。最后，将训练得到的相似度预测模型保存至指定路径，作为预测使用，从而可以确定待评估小区与参考小区是否相似。
可选地，在确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异之前，还包括：
对所述待评估小区的小区自身属性信息和周边配置属性信息的特征字段进行清洗。
数据清洗是对数据进行重新审查和校验的过程。以经纬度坐标数据的清洗为例进行说明，a.对于数值型数据列中存在的非数值型的数据：如果非数值型的数据中包含数值则保留数值，剔除非数值，如果不包含非数值，直接置空；b.异常值处理：例如，在一实施例中，常规纬度坐标范围为100-140，常规经度坐标范围为20-40，则将不在100-140之间的纬度坐标和不在20-40之间的经度坐标归结为异常值，置空；c.缺失值/空值处理：根据清洗所得的地址坐标匹配周边名称类似的数个有经纬度坐标值的小区，并取其平均值作为填充。未找到类似小区的值直接用该列对应区域的所有小区的平均坐标填充。
对建筑年代数据、绿化率数据、容积率数据、经纬度数据、交通评分、环境评分、教育评分、生活评分、到市中心距离数据的清洗同理，提取获取数据中的建筑年代数据，进行清洗，保留数值，并对异常值进行置空操作，再对空值进行均值填充；对于绿化率和容积率，通过对小区内部的绿化面积、小区整体围栏面积、房屋面积等数据之间的计算，得到了小区容积率和绿化率的值，再对空值进行均值填充；经纬度数据、交通评分、环境评分、教育评分、生活评分同理，对于未能准确获取对应评分的数据用已有数据的平均值作为填充。通过数据清洗可以实现删除重复信息和去除异常数据。
可选地，小区相似判断方法还包括：在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。在认定为相似小区的情况下，可以获取所述待评估小区的相似小区的房源平均价值参数；根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。此处，平均价值参数是指用于描述小区房源平均价值的具体参数，通过平均价值参数可以体现小区房源的具体价值。
通过上述步骤可以实现根据相似小区的均价对待评估小区进行估价，参考了与待评估小区相似的小区的房屋交易数据，得出的结论客观准确，无需根据待评估小区房源的成交记录就可以对待评估小区房源平均价值参数进行估计，同时不同于现有小区相似度预测模型局限于物理位置来找到相似小区进行估价，本说明书实施例的小区相似判断方法不需要局限于物理位置信息评估小区是否相似，即使物理距离远，也可以作为相似小区进行定价，能够提高定价准确性。
下述结合附图3，参照具体示例对所述小区相似判断方法进行进一步说明。其中，图3示出了根据本实施例的小区相似判断方法在具体示例中的处理流程图，具体包括以下步骤302至312。
步骤302：获取待评估小区A的建筑年代、容积率、绿化率、经纬度信息。
待评估小区A和参考小区B的建筑年代、容积率、绿化率、经纬度信息如表3所示。
表3待评估小区与参考小区的建筑年代、容积率、绿化率、经纬度信息
步骤304：根据经纬度信息获得待评估小区A周边1.5Km内的以下类型的兴趣点的数量。
具体地，待评估小区A周边1.5Km内的以下类型的兴趣点包括：“幼儿园”，“小学”，“普通公交站”，“地铁站”，“公园”，“超市”，“购物中心”，“普通商场”，“综合市场”，“大型超市”，“蔬果市场”。
例如，待评估小区A的以上兴趣点的数量依次为2、3、4、1、2、6、2、4、3、4、5；而参考小区B的以上兴趣点的数量依次为3、4、4、0、1、8、3、5、2、3、6。
步骤306：计算与小区周边的教育、生活、交通、环境中之一相关的一种或多种兴趣点的数量与权重乘积之和，作为评分，从而获得周边位置属性信息。
此处，教育评分＝幼儿园数量*幼儿园权重+小学数量*小学权重；生活评分＝超市数量*超市权重+购物中心数量*购物中心权重+普通商场数量*普通商场权重+综合市场数量*综合市场权重+大型超市数量*大型超市权重+蔬果市场数量*蔬果市场权重；交通评分＝地铁数量*地铁权重+公交数量*公交权重；环境评分＝公园数量*公园权重。例如，幼儿园权重为0.4，小学权重为0.6，超市权重为0.15，购物中心权重为0.2，普通商场权重为0.15，综合市场权重为0.15，大型超市权重为0.2，蔬果市场权重为0.15，地铁权重为0.6，公交权重为0.4，公园权重为1，则待评估小区A、参考小区B的教育评分、生活评分、交通评分、环境评分如表4所示。
表4待评估小区与参考小区的教育评分、生活评分、交通评分、环境评分
| 教育评分 | 生活评分 | 交通评分 | 环境评分 | |
| 待评估小区A | 2.6 | 3.9 | 2.2 | 2 |
| 参考小区B | 3.6 | 4.35 | 1.6 | 1 |
步骤308：计算待评估小区A与参考小区B的建筑年代、容积率、绿化率、经纬度信息、教育评分、生活评分、交通评分、环境评分的差异。
在本示例中，建筑年代、容积率、绿化率、教育评分、生活评分、交通评分、环境评分的差异分别为2、0.2、2％、1、0.45、0.6、1，经纬度差异可以可以计算为将待评估小区A和参考小区B对应的经纬度坐标通过公知的距离计算函数，计算得到两个小区的实际距离，作为经纬度信息差异，此处未详细计算。
步骤310：将差异输入预先训练的相似度预测模型，判断待评估小区A与参考小区B是否相似。
预先训练的相似度预测模型判断待评估小区A与参考小区B是否相似。
步骤312：在待评估小区A与参考小区B相似时，获取参考小区B的房源平均价值参数，根据参考小区B的房源平均价值参数对待评估小区A的房源平均价值参数进行估计，获得待评估小区A的房源平均价值参数。
不同于现有小区相似度预测模型局限于物理位置来找到相似小区进行估价，本说明书实施例的小区相似判断方法不需要局限于物理位置信息评估小区是否相似，即使物理距离远，也可以作为相似小区进行定价，能够提高定价准确性。
与上述方法实施例相对应，本说明书还提供了小区相似判断装置实施例，图4示出了本说明书一实施例提供的一种小区相似判断装置的结构示意图。如图4所示，该装置包括：
第一获取模块402，被配置为获取待评估小区的小区自身属性信息；
获得模块404，被配置为根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定模块406，被配置为确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
判断模块408，被配置为将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
根据本实施例的小区相似判断装置将小区自身属性信息和周边配置属性信息的差异输入预先训练的模型确定小区是否相似，由于采用周边配置属性信息并采用差异预测相似度，从而能够数据更全面且更客观准确地确定小区是否相似。
可选地，所述小区自身属性信息包括经纬度信息，所述获得模块404还包括：
第一获得单元，被配置为基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点；
第二获得单元，被配置为根据所述兴趣点获得所述待评估小区的周边位置属性信息。
可选地，所述第二获得单元进一步被配置为：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
可选地，所述第二获得单元进一步被配置为：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分。
可选地，所述第二获得单元进一步被配置为：
获得根据第一预定规则为所述待评估小区周边的属性参数相关的一种或多种兴趣点计算的评分，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个；
分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分，作为所述周边位置属性信息。
可选地，所述第二获得单元进一步被配置为：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的评分与兴趣点的权重乘积之和，作为所述属性参数的评分。
可选地，小区相似判断装置还包括：
清洗模块，被配置为对所述待评估小区的小区自身属性信息和周边配置属性信息的特征字段进行清洗。
可选地，小区相似判断装置还包括：
第二获取模块，被配置为获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
训练模块，将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
可选地，小区相似判断装置还包括：
认定模块，被配置为在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。
可选地，小区相似判断装置还包括：
第三获取模块，被配置为获取所述待评估小区的相似小区的房源平均价值参数；
估计模块，被配置为根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。
可选地，所述相似度预测模型包括XGBoost模型、随机森林模型、逻辑回归模型或决策树模型。
上述为本实施例的一种小区相似判断装置的示意性方案。需要说明的是，该小区相似判断装置的技术方案与上述的小区相似判断方法的技术方案属于同一构思，小区相似判断装置的技术方案未详细描述的细节内容，均可以参见上述小区相似判断方法的技术方案的描述。
图5示出了根据本说明书一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中，处理器520用于执行如下计算机可执行指令：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的小区相似判断方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述小区相似判断方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的小区相似判断方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述小区相似判断方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (18)
1.一种小区相似判断方法，包括：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似；其中，所述相似度预测模型的训练方式包括：
获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
2.如权利要求1所述的小区相似判断方法，其中，所述小区自身属性信息包括经纬度信息，根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息包括：
基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点；
根据所述兴趣点获得所述待评估小区的周边位置属性信息。
3.如权利要求2所述的小区相似判断方法，其中，根据所述兴趣点获得所述待评估小区的周边位置属性信息包括：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
4.如权利要求3所述的小区相似判断方法，其中，分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分包括：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分。
5.如权利要求2所述的小区相似判断方法，其中，根据所述兴趣点获得所述待评估小区的周边位置属性信息包括：
获得根据第一预定规则为所述待评估小区周边的属性参数相关的一种或多种兴趣点计算的评分，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个；
分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分，作为所述周边位置属性信息。
6.如权利要求5所述的小区相似判断方法，其中，分别基于为所述属性参数相关的一种或多种兴趣点计算的评分、根据第二预定规则计算所述属性参数的评分包括：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的评分与兴趣点的权重乘积之和，作为所述属性参数的评分。
7.如权利要求1或2所述的小区相似判断方法，其中，
在确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异之前，还包括：
对所述待评估小区的小区自身属性信息和周边配置属性信息的特征字段进行清洗。
8.如权利要求1或2所述的小区相似判断方法，还包括：
在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。
9.如权利要求8所述的小区相似判断方法，还包括：
获取所述待评估小区的相似小区的房源平均价值参数；
根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。
10.如权利要求1或2所述的小区相似判断方法，其中，所述相似度预测模型包括XGBoost模型、随机森林模型、逻辑回归模型或决策树模型。
11.一种小区相似判断装置，包括：
第一获取模块，被配置为获取待评估小区的小区自身属性信息；
获得模块，被配置为根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定模块，被配置为确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
判断模块，被配置为将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似；
第二获取模块，被配置为获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
训练模块，将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
12.如权利要求11所述的小区相似判断装置，其中，所述小区自身属性信息包括经纬度信息，所述获得模块还包括：
第一获得单元，被配置为基于所述待评估小区的经纬度信息获取所述待评估小区周边预定距离内的预定类型的兴趣点；
第二获得单元，被配置为根据所述兴趣点获得所述待评估小区的周边位置属性信息。
13.如权利要求12所述的小区相似判断装置，其中，所述第二获得单元进一步被配置为：
分别基于与所述待评估小区周边的属性参数相关的一种或多种兴趣点的数量、根据预定规则计算所述属性参数的评分，作为所述周边位置属性信息，其中所述属性参数包括所述待评估小区周边的教育、生活、交通、环境中的一个或多个。
14.如权利要求13所述的小区相似判断装置，其中，所述第二获得单元进一步被配置为：
获得与所述属性参数相关的一种或多种兴趣点的权重；
分别计算与所述属性参数相关的一种或多种兴趣点的数量与兴趣点的权重乘积之和，作为所述属性参数的评分。
15.如权利要求11或12所述的小区相似判断装置，还包括：
认定模块，被配置为在所述待评估小区与所述参考小区相似时，将所述参考小区认定为所述待评估小区的相似小区。
16.如权利要求15所述的小区相似判断装置，还包括：
第三获取模块，被配置为获取所述待评估小区的相似小区的房源平均价值参数；
估计模块，被配置为根据所述相似小区的房源平均价值参数对所述待评估小区的房源平均价值参数进行估计，获得所述待评估小区的房源平均价值参数。
17.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取待评估小区的小区自身属性信息；
根据所述小区自身属性信息获得所述待评估小区的周边配置属性信息；
确定所述待评估小区的小区自身属性信息和周边配置属性信息与参考小区的小区自身属性信息和周边配置属性信息的差异；
将所述差异输入预先训练的相似度预测模型，判断所述待评估小区与所述参考小区是否相似；其中，所述相似度预测模型的训练方式包括：
获取训练样本集，其中，所述训练样本集包括多组相似小区样本及标签和多组非相似小区样本及标签，其中，相似小区样本包括两两相似小区之间小区自身属性信息和周边配置属性信息的差异；非相似小区样本包括两两非相似小区之间的小区自身属性信息和周边配置属性信息的差异；
将所述训练样本集输入待训练相似度预测模型进行训练，得到相似度预测模型，所述相似度预测模型将任意两个小区之间小区自身属性信息与周边配置属性信息的差异与两个小区是否相似相关联。
18.一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现权利要求1至10任意一项所述小区相似判断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010388810.4A CN111523614B (zh) | 2020-05-09 | 2020-05-09 | 小区相似判断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010388810.4A CN111523614B (zh) | 2020-05-09 | 2020-05-09 | 小区相似判断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523614A CN111523614A (zh) | 2020-08-11 |
| CN111523614B true CN111523614B (zh) | 2023-12-19 |
Family
ID=71907098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010388810.4A Active CN111523614B (zh) | 2020-05-09 | 2020-05-09 | 小区相似判断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523614B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801189A (zh) * | 2021-01-29 | 2021-05-14 | 上海寻梦信息技术有限公司 | 经纬度异常检测方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544410A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 小区房源价值参数估计方法以及装置 |
| CN109544214A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 小区房源平均价值参数估计方法以及装置 |
| CN109636437A (zh) * | 2018-10-31 | 2019-04-16 | 平安直通咨询有限公司 | 小区均价预估方法、电子装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239967A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技（深圳）有限公司 | 房产信息处理方法、装置、计算机设备及存储介质 |
-
2020
- 2020-05-09 CN CN202010388810.4A patent/CN111523614B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544410A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 小区房源价值参数估计方法以及装置 |
| CN109544214A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 小区房源平均价值参数估计方法以及装置 |
| CN109636437A (zh) * | 2018-10-31 | 2019-04-16 | 平安直通咨询有限公司 | 小区均价预估方法、电子装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 宫清勃 ; 钮俊 ; 孙秀廷 ; 王奎 ; .基于差值诱导的Web服务评价可信度的评估.电信科学.2016,(08),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523614A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170206204A1 (en) | System, method, and device for generating a geographic area heat map | |
| US20100153292A1 (en) | Making Friend and Location Recommendations Based on Location Similarities | |
| CN111954175B (zh) | 一种兴趣点到访判别方法和相关装置 | |
| CN112861972B (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
| CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
| CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| Bi et al. | How built environment impacts online car-hailing ridership | |
| CN111198989A (zh) | 确定出行推荐数据的方法、装置、存储介质及电子设备 | |
| CN110781256B (zh) | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 | |
| CN111460044B (zh) | 地理位置数据处理方法及装置 | |
| CN117217872A (zh) | 一种基于游客画像智能生成景区游玩方案的方法 | |
| CN112836146B (zh) | 一种基于网络消息的地理空间坐标信息获取方法及装置 | |
| CN111523614B (zh) | 小区相似判断方法及装置 | |
| CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
| CN114090898A (zh) | 一种信息推荐方法、装置、终端设备及介质 | |
| CN112700055A (zh) | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、存储介质及店铺选址系统 | |
| CN110569418A (zh) | 学历信息验证方法以及装置 | |
| Lutsai et al. | Geolocation predicting of tweets using bert-based models | |
| CN111369284B (zh) | 目标对象类型确定方法及装置 | |
| Zhdanov et al. | Machine learning approach to optimal restaurant location search | |
| CN112001172A (zh) | 识别方法及装置 | |
| CN112650932B (zh) | 一种融合社交和位置关系的神经协同过滤poi推荐方法 | |
| Balasooriya et al. | Location Intelligence Based Smart E-Commerce Platform for Residential Real-Estate Industry | |
| CN116957652A (zh) | 商铺选址方法和装置 | |
| CN113297377A (zh) | 基于空间自回归模型的零售店铺画像构建方法及系统 |
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 |