CN111861190A - 一种用于生成房源任务的方法和装置 - Google Patents

一种用于生成房源任务的方法和装置 Download PDF

Info

Publication number
CN111861190A
CN111861190A CN202010685040.XA CN202010685040A CN111861190A CN 111861190 A CN111861190 A CN 111861190A CN 202010685040 A CN202010685040 A CN 202010685040A CN 111861190 A CN111861190 A CN 111861190A
Authority
CN
China
Prior art keywords
disturbance
source
estimated value
characteristic
value
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
CN202010685040.XA
Other languages
English (en)
Inventor
陈杰
陈高均
潘昊
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.)
Seashell Housing Beijing Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
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 Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN202010685040.XA priority Critical patent/CN111861190A/zh
Publication of CN111861190A publication Critical patent/CN111861190A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用于生成房源任务的方法和装置，所述方法包括：将目标房源的当前特征集合输入预设的房源预测模型，得到第一预估值；基于当前特征集合和第一预估值，通过模型解释工具，得到每个特征的重要性数值；基于每个特征的重要性数值确定第一扰动特征，对第一扰动特征进行第一扰动，形成第一调整特征集合；将第一调整特征集合输入房源预测模型，得到第二预估值；比较第一预估值与第二预估值，如果第二预估值小于或等于第一预估值，则过滤掉该目标房源；如果第二预估值大于第一预估值，则基于第一扰动生成房源任务。本发明的方法和装置可提供预测模型的解释，提高了房产领域的工作效率和精准度。

Description

一种用于生成房源任务的方法和装置
技术领域
本发明涉及智能房源加工领域，特别涉及一种用于生成房源任务的方法和装置。
背景技术
在现今的房产行业中，知道房源哪些好卖、哪些竞争力强、哪些存在缺陷，以及影响房源成交概率的因素是哪些，这些因素对房源成交概率的预测结果的影响程度是怎样等信息对于房产经纪人或者用户来说是至关重要的。
但是，目前行业中能够做到的仅仅是通过计算机模型给出一个预测结果，例如一个预测房源在未来N天内成交概率的模型，模型输入特征是与房源相关的各种特征，输出是该房源在N天内成交概率的预测结果。然而，经纪人或者用户无法知晓该预测结果的解释，即无法知晓房源的各个特征是如何影响该预测结果的，这就会导致经纪人或者用户对预测结果的信任度降低，从而也就无法有针对性地为经纪人提出建议并制定方案以提升房源的成交概率。
这就需要对房源成交概率的预测模型进行解释，并基于对模型的解释来对房源的特征进行优化，以便提升房源的成交概率。
需要说明的是，以上背景技术部分所公开的信息仅用于增强对本发明背景的理解，因此其可能包含不构成对本领域技术人员已知的现有技术的信息。
发明内容
为了解决现有技术中存在的问题，本发明提供一种用于生成房源任务的方法，其在为预测模型提供可靠的解释的同时，克服现有技术中存在的问题。
本发明提供一种用于生成房源任务的方法，包括以下步骤：将目标房源的当前特征集合输入预设的房源预测模型，得到第一预估值；基于所述目标房源的当前特征集合和所述第一预估值，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值；基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合；将所述第一调整特征集合输入所述房源预测模型，得到第二预估值；比较所述第一预估值与所述第二预估值，如果所述第二预估值小于或等于第一预估值，则过滤掉该目标房源；如果所述第二预估值大于所述第一预估值，则基于所述第一扰动生成房源任务。
根据本发明一实施例，对所述第一扰动特征进行第一扰动包括：确定第一扰动目标房源，其中，所述第一扰动目标房源通过采用以下方式中的任一种或二者结合来确定：将所述第一预估值小于第一阈值的目标房源确定为第一扰动目标房源、将在所述目标房源中随机选择的房源确定为所述第一扰动目标房源；设置对所述第一扰动特征的第一扰动幅度，其中，所述第一扰动特征为所述第一扰动目标房源中重要性数值最小的一种或多种特征；确定第一扰动方式；对所述第一扰动目标房源的第一扰动特征进行扰动。
根据本发明一实施例，所述第一扰动方式包括折半扰动。
根据本发明一实施例，如果所述第二预估值大于所述第一预估值，则：基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合；将所述第二调整特征集合输入所述房源预测模型，得到第三预估值；比较所述第一预估值与所述第三预估值，如果所述第三预估值小于或等于所述第一预估值，则过滤掉该目标房源；如果所述第三预估值大于所述第一预估值，则基于所述第一扰动和/或第二扰动生成房源任务。
根据本发明一实施例，对所述第二扰动特征进行第二扰动包括：确定第二扰动目标房源，其中，将全部或部分所述第二预估值大于所述第一预估值的房源确定为第二扰动目标房源；设置对所述第二扰动特征的第二扰动幅度，其中，所述第二扰动特征为所述第二扰动目标房源中重要性数值最小的一种或多种特征；确定第二扰动方式；对所述第二扰动目标房源的第二扰动特征进行扰动。
根据本发明一实施例，所述第二扰动方式包括折半扰动。
根据本发明一实施例，所述预设的房源预测模型创建为神经网络模型。
根据本发明一实施例，所述预设的房源预测模型为房源成交概率预测模型，其基于对多个样本房源的样本特征集合和样本成交概率的学习而创建，其中所述样本特征集合包括房源基本属性特征、市场相关特征、经纪人作业特征、业主意愿特征、客源热度特征中的一个或多个。
根据本发明一实施例，所述房源基本属性特征包括楼层、户型、面积、朝向、地理位置中的一个或多个；所述市场相关特征包括房源价格、小区房源平均成交价格、同户型房源成交价格中的一个或多个；所述经纪人作业特征包括带看次数、面访次数、带看门店数、带看经纪人数、挂牌天数中的一个或多个；所述业主意愿特征包括业主登录频率和/或次数、价格调整次数中的一个或多个；所述客源热度特征包括房源关注度、线上访问量中的一个或多个。
根据本发明一实施例，所述模型解释工具为SHAP，其通过计算出房源的当前特征集合中的每个特征的shapley value而得到所述当前特征集合中的每个特征的重要性数值。
根据本发明的另一方面，还提供一种用于生成房源任务的装置，包括：预测模块，其被配置为：将房源的特征集合输入预设的房源预测模型，得到预估值；解释模块，其被配置为：基于通过所述预测模块将目标房源的当前特征集合输入所述房源预测模型得到的第一预估值以及所述目标房源的当前特征集合，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值；扰动模块，其被配置为：基于所述每个特征的重要性数值确定扰动特征，对所述扰动特征进行扰动，形成调整特征集合；过滤模块，其被配置为：比较所述第一预估值与通过所述预测模块将所述调整特征集合输入所述房源预测模型得到的调整预估值，如果所述调整预估值小于或等于第一预估值，则过滤掉该目标房源；以及任务模块，其被配置为：将所述过滤模块中所述调整预估值大于所述第一预估值的目标房源，基于所述扰动生成房源任务。
根据本发明一实施例，所述扰动模块包括第一扰动子模块和第二扰动子模块，所述过滤模块包括第一过滤子模块和第二过滤子模块，其中：所述第一扰动子模块被配置为：基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合；所述第一过滤子模块被配置为：比较所述第一预估值与通过所述预测模块将所述第一调整特征集合输入所述房源预测模型得到的第二预估值，如果所述第二预估值小于或等于第一预估值，则过滤掉该目标房源；所述第二扰动子模块被配置为：基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合；所述第二过滤子模块被配置为：比较所述第一预估值与通过所述预测模块将所述第二调整特征集合输入所述房源预测模型得到的第三预估值，如果所述第三预估值小于或等于第一预估值，则过滤掉该目标房源；其中，所述任务模块被配置为：将所述第二过滤子模块中所述第三预估值大于所述第一预估值的目标房源，基于所述第一扰动和/或第二扰动生成房源任务。
根据本发明的另一方面，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的用于生成房源任务的方法的步骤。
根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序该程序被处理器执行时实现以下步骤：该程序被处理器执行时实现如上所述的用于生成房源任务的方法的步骤。
本发明所提供的用于生成房源任务的方法和装置可为经纪人或用户提供预测模型的预测结果的解释，增加了用户对模型的信任度；通过对房源的每个特征给出其相应的重要度，能够指导经纪人或用户更有针对性且有效地对房源的相关特征进行干预，提高了房产领域的工作效率和精准度。
附图说明
以下将详细参考附图示出的特定示例性实施例，对本发明的上述和其他特征进行说明，所述示例性实施例在下文中仅以说明的方式给出，因此并不限制本发明，其中：
图1示出根据本发明一实施例的用于生成房源任务的方法的流程图。
图2示出根据本发明一实施例的图1的步骤S130的处理流程图。
图3示出根据本发明一实施例的图1的步骤S150与S160之间的处理流程图。
图4示出根据本发明一实施例的图3的步骤S151的处理流程图。
图5示出根据本发明一实施例的用于生成房源任务的装置的结构示意图。
具体实施方式
以下通过具体实施例对本发明进行详细描述，以使本领域普通技术人员能够容易地根据本说明书公开的内容实施本发明。以下所描述的实施例仅是本发明的一部分实施例，而非全部。基于本说明书所描述的实施例，本领域普通技术人员在不付出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不发生冲突的情况下，本说明书中的实施例及实施例中的特征可以相互组合。
如图1所示，本发明提供了一种用于生成房源任务的方法100。具体地，方法100包括在S110处将目标房源的当前特征集合输入预设的房源预测模型，得到第一预估值；在S120处通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值；在S130处基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合；在S140处将所述目标房源的所述第一调整特征集合输入所述房源预测模型，得到第二预估值；在S150处比较所述第一预估值与所述第二预估值；在S160处生成房源任务；以及在S170处过滤掉该目标房源。
其中，方法100在S110处将目标房源的当前特征集合输入预设的房源预测模型，得到第一预估值。在本发明一个或多个实施例中，所述预设的房源预测模型可以是：用于预测房源未来成交概率的房源成交概率预测模型、用于预测业主未来降价概率的业主意愿预测模型、用于预测客成交概率的客成交概率预测模型等，所述这些模型可以基于对样本数据的学习而创建。
具体地，这里以及下文将以房源成交概率预测模型为例进行详细说明。所述房源成交概率预测模型可以基于对多个样本房源的样本特征集合和样本成交概率的学习而创建，所述样本房源可以是预设历史时段内的在售房源，所述预设历史时段可以根据经验和需求进行选择，例如3个月或半年。同样，可以根据经验和需求来选择样本房源的数量，藉此能够获得不同的模型精度，例如选择1万套样本房源对模型进行训练。
在本发明一个或多个实施例中，所述样本房源的样本特征集合可以包括房源基本属性特征、市场相关特征、经纪人作业特征、业主意愿特征、客源热度特征中的一个或多个。所述房源基本属性特征可以包括楼层、户型、面积、朝向、地理位置等中的一个或多个；所述市场相关特征可以包括房源价格、小区房源平均成交价格、同户型房源成交价格等中的一个或多个；所述经纪人作业特征可以包括带看次数、面访次数、带看门店数、带看经纪人数、挂牌天数等中的一个或多个；所述业主意愿特征可以包括业主登录频率和/或次数、价格调整次数等中的一个或多个；所述客源热度特征可以包括房源关注度、线上访问量等中的一个或多个。额外或可替代地，所述样本特征集合还可以包括其他特征，上文所列出的特征并不作为对本发明的限制。所述样本房源的样本成交概率可以是在售房源在过去所述预设天数内是否成交的标记，所述预设天数可以根据经验和需求进行选择，例如14天。
举例来说，可以基于1万套样本房源的房源基本属性特征、市场相关特征、经纪人作业特征、业主意愿特征、客源热度特征和该1万套样本房源在14天内是否成交的标记，获得构建为神经网络模型的房源成交概率预测模型。值得说明的是，将房源预测模型——例如房源成交概率预测模型——构建为神经网络模型能够更好地对样本房源进行深度学习，相比于传统的模型，可以节省特征工程的成本，带来比较好的策略效果。接下来，将待预测的房源视为目标房源，所述目标房源同样具有与样本房源类似的特征集合，在本说明书中也称为当前特征集合，即同样可以包括房源基本属性特征、市场相关特征、经纪人作业特征、业主意愿特征、客源热度特征中的一个或多个。如本领域技术人员所理解的，将目标房源的当前特征集合输入所述房源成交概率预测模型，则该模型能够输出该目标房源在未来14天内的成交概率的预测结果。需要说明的是，输入所述房源成交概率预测模型的目标房源的当前特征集合可以是单套房源的也可以是多套房源的，为了提高预测效率，可以将多套目标房源的上述特征同时输入模型，进行批量预测。例如，将1000套目标房源的上述特征同时输入所述房源成交概率模型，则可以同时获得该1000套目标房源各自的成交概率。同样需要说明的是，样本房源的样本特征集合和目标房源的当前特征集合各自所包含的特征可以完全相同，也可以部分相同，本发明对此并不做限定。
在一可替代的实施例中，根据不同需要，所述房源预测模型也可以构建为线性模型、决策树模型等其他计算模型，本发明对此并不做限定。
回到图1，方法100随后在步骤S120处基于所述目标房源的当前特征集合和所述第一预估值，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值。在本发明一个或多个实施例中，可以使用的模型可解释性的方法可以包括SHAP(ShapleyAdditive exPlanations)、LIME、AP、Tree Regularization、LRP on LSTM等，通过上述提及的以及在本说明书中未能穷尽列出的模型可解释性方法，能够计算出输入所述房源预测模型的目标房源的特征集合中的每个特征对成交概率的贡献度，即每个特征的重要性数值。
在一优选实施例中，本发明采用SHAP作为所述模型解释工具。本领域技术人员知晓，SHAP算法是基于合作博弈论中的Shapley value原理，通过解决一个价值分配问题来给出每个参与者的贡献度。在本发明的房源预测模型中，模型的结果来自于特征的贡献，由此该原理完全适用于解释特征重要性。下式(1)是计算Shapley value的核心公式。举例来说，目标房源的当前特征集合N＝{x1,x2,…,xn}中有n个特征xi，任意多个特征形成的子集
Figure BDA0002587241410000071
其中v(S)表示S子集中所包括的特征共同合作所产生的价值，最终的分配价值Shapley Value其实是求累加贡献的均值。
Figure BDA0002587241410000081
基于SHAP算法，可以计算出每个特征的Shapley value，即重要性数值，由此实现模型可解释的目的。以房源成交概率预测模型为例，通过对房源成交概率预测模型使用SHAP算法后，可以得到总计例如697维特征的重要性数值。分析这些Shapley value的大小，我们可以知晓每个特征的重要度，从而明确各个特征对于目标房源成交的影响。
SHAP算法可以用来解释房源成交概率预测模型的输出值output_value与通过多个输出值output_value计算得到的均值base_value之间的差。其中，所述输出值output_value即为房源成交概率预测模型预测值
Figure BDA0002587241410000082
该预测值的数值范围为0-1。所述均值base_value即为SHAP基准值
Figure BDA0002587241410000083
也就是说，目标房源的所有特征的Shapleyvalue之和加上base_value后，即为模型的output_value。这里，通过运算获得的每个特征对应的Shapley value都具有各自的数值，该数值可以是正值也可以是负值。当
Figure BDA0002587241410000084
时，即Shapley value为正值，表示该Shapley value对应的特征对于目标房源的成交具有正向的贡献(利于成交)，且数值越大则贡献度越大；当
Figure BDA0002587241410000085
时，即Shapley value为负值，表示该Shapley value对应的特征对于目标房源的成交具有负向的贡献(不利于成交)，且数值的绝对值越大(即数值越小)则贡献度越小(负面影响越大)。
举例说明，通过房源成交概率预测模型获得了1000套目标房源各自的成交概率，以其中一套房源A为例，该房源A经过房源成交概率预测模型获得的成交概率，即output_value为0.44，而base_value为0.25，可以看到，output_value大于base_value，二者之间的差为0.19。这表明，预测的房源A的成交概率大于平均成交概率，进一步分析各个特征的Shapley value的数值大小，则可得到每个特征的贡献度。例如，分析Shapley value为正值的特征，可以发现Shapley value最大的特征为线上访问量，其次是带看次数，则表明这两个特征是能够促进房源A成交的最大因素。同样，分析Shapley value为负值的特征，可以发现Shapley value绝对值最大(数值最小)的特征为价格，其次是挂牌天数，则表明这两个特征是最不利于房源A成交的因素。
在上述实施例中，通过这种基于SHAP的试探性解释方法，可以更加准确定位影响房源成交概率的特征(或者因素)，尤其是当房源成交概率预测模型构建为神经网络模型时，由于神经网络模型通常被认为是“黑盒”，该解释方法不仅能够带来比较好的策略效果，还能够增加使用者对于房源成交概率预测模型的信任度。
随后，方法100可在步骤S130处基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合。举例说明，通过SHAP算法，可以得到每套目标房源的每个特征的重要性数值，然后对这些重要性数值进行分析，优选地，可以选择重要性数值最小的出现次数最多的特征，如价格，作为将要进行扰动的特征，即第一扰动特征。
参考图2，其显示了图1所示方法的步骤S130中对所述第一扰动特征进行第一扰动的实施例。步骤S130包括在S132处确定第一扰动目标房源。在一可选实施例中，所述第一扰动目标房源可以是全部目标房源，也可以是部分目标房源。
在本发明一实施例中，举例来说，在1000套目标房源中，通过房源成交概率预测模型的计算，可知有400套目标房源的成交概率output_value小于第一阈值，例如小于均值base_value，则可以将这400套目标房源作为将要进行扰动的房源。其中，所述第一阈值可以根据实际需要进行设置，本发明并不对此进行限定。可选地，在所述方法中，并不对确定第一扰动特征与确定第一扰动房源的先后顺序进行限定，而是可以根据实际需要而进行灵活设置。
在另一可选实施例中，第一扰动目标房源可以是当前特征集合中的每个特征的Shapley value之和小于第二阈值的目标房源。其中，所述第二阈值可以根据实际需要进行设置，本发明并不对此进行限定。可替代地，第一扰动目标房源还可以是当前特征集合中的每个特征的重要性数值之和在所有目标房源中例如排名后30％的目标房源，需要说明的是，所述排名后30％只是作为示例，这里也可以是其他排名区间的选择。
以上两种确定第一扰动目标房源的方式在本说明书中简称为“shap扰动”。
在一可替代实施例中，第一扰动目标房源还可以基于最小的Shapley value小于另一预定值b来确定，例如设定预定值b为-0.02，房源A的价格的Shapley value为-0.022，则确定该房源A为将要进行扰动的第一扰动目标房源。
在另一可替代实施例中，第一扰动目标房源还可以是在所述目标房源中随机选择的房源，该确定第一扰动目标房源的方式在本说明书中简称为“随机扰动”。
值得注意的是，上述确定第一扰动目标房源的方法可以单独使用，也可以结合使用，例如，“shap扰动”和“随机扰动”可以结合使用，这不仅保证了结果的准确性，还能够增加后续特征加工任务的多样性。
值得注意的是，在本发明其他实施例中，确定第一扰动目标房源和第一扰动特征也可以采用其他本领域技术人员能够获知的方式，上述实施例并不作为对本发明的限制。
需要说明的是，所确定的第一扰动特征可以是一个，也可以是多个，举例来说，对于上文所述的400套第一扰动目标房源，可以确定第一扰动特征为价格、带看次数和关注度这三个特征。
随后在步骤S134中，设置对所述第一扰动特征的第一扰动幅度。所述扰动幅度可以根据经验和需要来设置，这里不做限定。例如，如若将对房源A的价格进行扰动，可以设定扰动幅度为挂牌价的1％、2％、3％或其他值，即修改房源A的当前特征集合中的价格特征，使其价格特征降低1％、2％、3％或其他值。需要说明的是，如果将要扰动的特征是多个，则对多个特征进行扰动的幅度可以相同也可以不同。
随后在步骤S136中，确定第一扰动方式。在本发明一实施例中，第一扰动方式可以采用全扰动的方式，所述全扰动是对第一扰动目标房源中的所有房源进行扰动，例如对上述文所述的400套第一扰动目标房源中的例如价格进行统一扰动。在一优选实施例中，第一扰动方式可以采用折半扰动的方式，所述折半扰动是将第一扰动目标房源等分为两份，然后对这两份房源分别进行独立扰动，例如将上述文所述的400套第一扰动目标房源等分为2组，然后对这两组房源中的例如价格分别进行独立扰动，两组使用的扰动幅度可以相同也可以不同。通过全扰动和折半扰动对比可以发现，由于折半扰动的房源集合更小，扰动的效率更高，并且可以增加扰动的独立性，减少特征之间的相互影响。
随后在步骤S138中，对所述第一扰动目标房源的第一扰动特征进行扰动。
回到图1，方法100在S130处完成第一扰动后，形成第一调整特征集合。具体来说，如果对房源A的价格进行了扰动，则将扰动后的价格与其他并未经过扰动的特征重新组合在一起，形成与当前特征集合不同的第一调整特征集合。
随后，方法100可在步骤S140处将所述第一调整特征集合输入所述房源预测模型，得到第二预估值。举例来说，将上文所述的400套第一扰动目标房源的第一调整特征集合输入所述房源成交概率预测模型，可以得到该400套房源各自的成交概率。
随后，方法100可在步骤S150处比较所述第一预估值与所述第二预估值：如果在步骤S150处的回答为否，则方法100前进至步骤S170，以过滤掉该目标房源。如果在步骤S150处的回答为是，则方法100前进至步骤S160，以生成房源任务。
在本发明一实施例中，依然以房源成交概率预测模型为例，房源A的第一预估值为0.44，第二预估值为0.56，即第二预估值大于第一预估值，这表明通过对房源A的例如价格特征的干扰，将价格由原来的200万，通过3％幅度的扰动后，变为扰动后的194万时，该房源的成交概率将提高0.12，表明该扰动对于提高成交概率是有效的。随后，则可以基于该扰动生成提升该房源A成交概率的任务，例如任务可以显示建议将房源价格降低3％，预计将会提升的成交概率为0.12、房源成交周期的变化等信息。额外地或可替代地，也可以对同一特征进行不同幅度的扰动，以便给出更有价值的任务作为经纪人的参考。例如，将房源A的价格进行三次幅度不同的扰动，即分别采用1％、2％、3％的扰动幅度，对应的第二预估值分别为0.45、0.49、0.56，则相对于第一预估值0.44，可以在提升房源成交概率的任务中给出三种扰动的结果，以便经纪人能够选择更加有效的调整幅度，并根据实际情况对房源价格进行调整。相反，如果经过干扰后的第二预估值小于或等于第一预估值，则表明该干扰对于提升成交概率并没有作用，甚至有负面影响，那么将该房源过滤掉，即不对经纪人针对该房源生成任何任务或建议。通过将一定数量的房源过滤掉，可以提炼出所进行的干扰对于提升成交概率真正有作用的房源，从而为经纪人提供更有效的信息。
在另一优选的实施例中，可以分别对房源的多种特征进行扰动，例如对房源A的价格、带看次数和关注度分别进行一定幅度的扰动，从而获得对以上三种特征进行扰动后的三个第二预估值，当三个第二预估值都大于第一预估值时，则可以在提升房源成交概率的任务中按照不同干扰对成交概率的提升值进行排序，从而可以知晓哪些任务是性价比较高的，并把任务派发给经纪人。
在本发明的其他实施例中，可以基于第二预估值相对于第一预估值提升的数值与第一预估值的比值与一预设的预定值c的比较来确定是过滤掉该房源还是生成提升房源成交概率任务，所述预设的预设值c可以是根据经验和需要而设定的，本发明对此并不做限定。
在本发明另一优选的实施例中，图1所示的方法100还可以在步骤S150与S160之间增加如图3所示的步骤。具体地，在S151处如果所述第二预估值大于所述第一预估值，则基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合。依然以房源成交概率预测模型为例，基于前文所述方法100的步骤S110-S150，我们可以从400套目标房源中筛选出350套第二预估值大于第一预估值的房源，作为第二扰动目标房源。接着将该350套房源再次进行第二扰动，形成扰动后的第二调整特征集合。
参考图4，其显示了图3所示方法的步骤S151中对所述第二扰动特征进行第二扰动的实施例。步骤S151包括在S155处确定第二扰动目标房源。在一可选实施例中，可以将全部或部分所述第二预估值大于所述第一预估值的房源确定为第二扰动目标房源。进一步可选地，还可以基于上文所述确定第一扰动目标房源的方法或者其他方法来确定第二扰动目标房源，本发明对此并不做限定。
随后在步骤S156-S158中，设置对所述第二扰动特征的第二扰动幅度；确定第二扰动方式；对所述第二扰动目标房源的第二扰动特征进行扰动。可选地，所述步骤S156-S158可以基于与上文结合图2所述的步骤S134-S138类似的方法来实施，这里不再赘述。
在一更加优选的实施例中，第二扰动特征可以与第一扰动特征相同，在此基础上，第二扰动幅度也可以与第一扰动幅度相同，这样的方式在一定程度上能够实现验证的目的，即提高了筛选出的可以生成提升房源成交概率的任务的房源的精确度和准确性，即通过本发明所述方法生成的提升房源成交概率的任务中列出的房源加工任务，在完成加工动作后，房源的成交概率都能得到有效提升。在本发明另外的实施例中，还可以将这样起到验证作用的步骤设置为多个，即进行多次干扰动作，以便获得更加准确的结果，具体方法与图4所示类似，这里不再赘述。
回到图3，随后在S152处将所述第二调整特征集合输入所述房源预测模型，得到第三预估值。依然以房源成交概率预测模型为例，将所述350套第二扰动目标房源的第二调整特征集合输入所述房源预测模型，可以得到该350套房源各自的成交概率。
随后，在S153处比较所述第一预估值与所述第三预估值：如果在步骤S153处回答为否，则方法前进至步骤S154，过滤掉该目标房源；如果在步骤S153处回答为是，则方法前进至S160，以生成房源任务。例如，所述350套房源中第三预估值大于第一预估值的房源有300套，则将另外50套房源过滤掉，并且针对该300套房源生成提升房源成交概率的任务，这里所采用的方法与上文类似，这里不再赘述。额外地或可替代地，因为对于筛选出的300套房源来说，无论是第一扰动还是第二扰动，都能够提高成交概率，因此最后可以基于第一扰动或第二扰动来生成提升房源成交概率的任务，还可以同时基于第一扰动和第二扰动来生成提升房源成交概率的任务，即在任务列表中列出两次扰动的特征、幅度和结果等信息。
在另外的可替代实施例中，对于业主意愿预测模型和客成交概率预测模型，如本领域技术人员能够理解的，也可以以与上文类似的方式分别基于房源基本属性特征、市场相关特征、经纪人作业特征、业主意愿特征、客源热度特征等数据来创建，并以与上文类似的方式对房源进行筛选、生成房源任务，具体步骤在此不做赘述。
基于同样的发明构思，图5示出了根据本发明一实施例的用于解释房源预测模型的装置的结构示意图，所述装置包括：预测模块10，其被配置为将房源的特征集合输入预设的房源预测模型，得到预估值。具体地，通过所述预测模块，可以将目标房源的当前特征集合输入所述房源预测模型得到第一预估值、将调整特征集合输入所述房源预测模型得到调整预估值、将第一调整特征集合输入所述房源预测模型得到第二预估值以及将第二调整特征集合输入所述房源预测模型得到第三预估值，在本发明的实施例中，该预测模块10可以配置为执行图1中S110、S140、图中S152所示以及在本说明书中与图1中S110、S140、图中S152相对应的步骤；解释模块20，其被配置为基于所述目标房源的当前特征集合和所述第一预估值，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值，在本发明的实施例中，该解释模块20可以配置为执行图1中S120所示以及在本说明书中与图1中S120相对应的步骤；扰动模块30，其被配置为基于所述每个特征的重要性数值确定扰动特征，对所述扰动特征进行扰动，形成调整特征集合，在本发明的实施例中，该扰动模块30可以配置为执行图1中S130、图3中S151所示以及在本说明书中与图1中S130、图3中S151相对应的步骤；过滤模块40，其被配置为比较所述第一预估值与所述调整预估值：如果所述调整预估值小于或等于第一预估值，则过滤掉该目标房源，在本发明的实施例中，该过滤模块40可以配置为执行图1中S150、S170以及图3中S153、S154所示以及在本说明书中与图1中S150、S170以及图3中S153、S154相对应的步骤；任务模块50，其被配置为将所述过滤模块中所述调整预估值大于所述第一预估值的房源，基于所述扰动生成房源任务,在本发明的实施例中，任务模块50可以配置为执行图1、图3中S160所示以及在本说明书中与图1、图3中S160相对应的步骤。
在一优选实施例中，扰动模块30可以包括第一扰动子模块和第二扰动子模块，过滤模块40可以包括第一过滤子模块和第二过滤子模块。其中，所述第一扰动子模块被配置为基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合,在本发明的实施例中，第一扰动子模块可以配置为执行图1中S130所示以及在本说明书中与图1中S130相对应的步骤；所述第二扰动子模块被配置为基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合，在本发明的实施例中，第二扰动子模块可以配置为执行图3中S151所示以及在本说明书中与图3中S151相对应的步骤；所述第一过滤子模块被配置为比较所述第一预估值与所述第二预估值，如果所述第二预估值小于或等于第一预估值，则过滤掉该目标房源，在本发明的实施例中，第一过滤子模块可以配置为执行图1中S150和S170所示以及在本说明书中与图1中S150和S170相对应的步骤；所述第二过滤子模块，其被配置为比较所述第一预估值与所述第三预估值，如果所述第三预估值小于或等于第一预估值，则过滤掉该目标房源，在本发明的实施例中，第二过滤子模块可以配置为执行图3中S153和S154所示以及在本说明书中与图3中S153和S154相对应的步骤。其中，所述任务模块50被配置为将所述第二过滤子模块中所述第三预估值大于所述第一预估值的目标房源，基于所述第一扰动和/或第二扰动生成房源任务，在本发明的实施例中，任务模块50可以配置为执行图1、图3中S160所示以及在本说明书中与图1、图3中S160相对应的步骤。
在上述实施例中，扰动模块30和过滤模块40分别包括两个子模块，可选地，它们各自也可以包括其他数目的子模块，本发明并不对此进行限定。值得注意的是，在上述扰动模块30和过滤模块40分别包括多个子模块的实施例中，扰动模块30和过滤模块40之间是相互作用且相互依赖的。
可以理解，图5所示的结构仅为示意，所述装置还可包括比图5中所示更多或者更少的模块或组件，或者具有与图5所示不同的配置。
此外，本申请还提供了一种计算机设备，根据本发明一实施例，该计算机设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时，可以实现本说明书所述的用于生成房源任务的方法的步骤。
此外，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置可以执行本说明书所述的用于生成房源任务的方法的步骤。
特别地，以上参考附图中的流程图描述的实施例过程可以被实现为计算机软件程序。例如，本申请说明书公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行附图中各流程图所示的方法的程序代码，通过处理器执行该计算机程序，来执行本申请的方法。
需要说明的是，本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM)、闪存、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，示例性示出了按照本申请各实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意，在有些可作为替换的实施方式中，方框中所标注的功能也可以以不同于附图中所示的顺序发生。例如，两个依次表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。还要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。上述单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器，其包括预测模块、解释模块、扰动模块、过滤模块以及任务模块。这些单元或模块的名称在某些情况下并不构成对该单元或模块本身的限定。
在本说明书中提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被完整引用至本说明书作为参考。
此外应理解，在阅读了本发明的上述说明内容之后，本领域技术人员可以对本发明做出各种改动或修改，这些等同形式同样落入本发明的保护范围。

Claims (10)

1.一种用于生成房源任务的方法，其特征在于，包括以下步骤：
将目标房源的当前特征集合输入预设的房源预测模型，得到第一预估值；
基于所述目标房源的当前特征集合和所述第一预估值，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值；
基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合；
将所述第一调整特征集合输入所述房源预测模型，得到第二预估值；
比较所述第一预估值与所述第二预估值，如果所述第二预估值小于或等于第一预估值，则过滤掉该目标房源；如果所述第二预估值大于所述第一预估值，则基于所述第一扰动生成房源任务。
2.根据权利要求1所述的方法，其特征在于，对所述第一扰动特征进行第一扰动包括：
确定第一扰动目标房源，其中，所述第一扰动目标房源通过采用以下方式中的任一种或二者结合来确定：将所述第一预估值小于第一阈值的目标房源确定为第一扰动目标房源、将在所述目标房源中随机选择的房源确定为所述第一扰动目标房源；
设置对所述第一扰动特征的第一扰动幅度，其中，所述第一扰动特征为所述第一扰动目标房源中重要性数值最小的一种或多种特征；
确定第一扰动方式；
对所述第一扰动目标房源的第一扰动特征进行扰动。
3.根据权利要求2所述的方法，其特征在于，所述第一扰动方式包括折半扰动。
4.根据权利要求1所述的方法，其特征在于，如果所述第二预估值大于所述第一预估值，则：
基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合；
将所述第二调整特征集合输入所述房源预测模型，得到第三预估值；
比较所述第一预估值与所述第三预估值，如果所述第三预估值小于或等于所述第一预估值，则过滤掉该目标房源；如果所述第三预估值大于所述第一预估值，则基于所述第一扰动和/或第二扰动生成房源任务。
5.根据权利要求4所述的方法，其特征在于，对所述第二扰动特征进行第二扰动包括：
确定第二扰动目标房源，其中，将全部或部分所述第二预估值大于所述第一预估值的房源确定为第二扰动目标房源；
设置对所述第二扰动特征的第二扰动幅度，其中，所述第二扰动特征为所述第二扰动目标房源中重要性数值最小的一种或多种特征；
确定第二扰动方式；
对所述第二扰动目标房源的第二扰动特征进行扰动。
6.根据权利要求5所述的方法，其特征在于，所述第二扰动方式包括折半扰动。
7.一种用于生成房源任务的装置，其特征在于，包括：
预测模块，其被配置为：将房源的特征集合输入预设的房源预测模型，得到预估值；
解释模块，其被配置为：基于通过所述预测模块将目标房源的当前特征集合输入所述房源预测模型得到的第一预估值以及所述目标房源的当前特征集合，通过模型解释工具，得到所述当前特征集合中的每个特征的重要性数值；
扰动模块，其被配置为：基于所述每个特征的重要性数值确定扰动特征，对所述扰动特征进行扰动，形成调整特征集合；
过滤模块，其被配置为：比较所述第一预估值与通过所述预测模块将所述调整特征集合输入所述房源预测模型得到的调整预估值，如果所述调整预估值小于或等于第一预估值，则过滤掉该目标房源；以及
任务模块，其被配置为：将所述过滤模块中所述调整预估值大于所述第一预估值的目标房源，基于所述扰动生成房源任务。
8.根据权利要求7所述的装置，其特征在于，所述扰动模块包括第一扰动子模块和第二扰动子模块，所述过滤模块包括第一过滤子模块和第二过滤子模块，其中：
所述第一扰动子模块被配置为：基于所述每个特征的重要性数值确定第一扰动特征，对所述第一扰动特征进行第一扰动，形成第一调整特征集合；
所述第一过滤子模块被配置为：比较所述第一预估值与通过所述预测模块将所述第一调整特征集合输入所述房源预测模型得到的第二预估值，如果所述第二预估值小于或等于第一预估值，则过滤掉该目标房源；
所述第二扰动子模块被配置为：基于所述每个特征的重要性数值确定第二扰动特征，对所述第二扰动特征进行第二扰动，形成第二调整特征集合；
所述第二过滤子模块被配置为：比较所述第一预估值与通过所述预测模块将所述第二调整特征集合输入所述房源预测模型得到的第三预估值，如果所述第三预估值小于或等于第一预估值，则过滤掉该目标房源；
其中，所述任务模块被配置为：将所述第二过滤子模块中所述第三预估值大于所述第一预估值的目标房源，基于所述第一扰动和/或第二扰动生成房源任务。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6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，该程序被处理器执行时实现以下步骤：该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
CN202010685040.XA 2020-07-16 2020-07-16 一种用于生成房源任务的方法和装置 Pending CN111861190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010685040.XA CN111861190A (zh) 2020-07-16 2020-07-16 一种用于生成房源任务的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010685040.XA CN111861190A (zh) 2020-07-16 2020-07-16 一种用于生成房源任务的方法和装置

Publications (1)

Publication Number Publication Date
CN111861190A true CN111861190A (zh) 2020-10-30

Family

ID=72983608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010685040.XA Pending CN111861190A (zh) 2020-07-16 2020-07-16 一种用于生成房源任务的方法和装置

Country Status (1)

Country Link
CN (1) CN111861190A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734086A (zh) * 2020-12-24 2021-04-30 贝壳技术有限公司 一种用于更新神经网络预测模型的方法和装置
CN113469437A (zh) * 2021-06-30 2021-10-01 北京房江湖科技有限公司 事件发生周期的预测方法、存储介质与计算机程序产品
CN113807650A (zh) * 2021-08-04 2021-12-17 北京房江湖科技有限公司 房源业主面访管理方法、系统、电子设备及存储介质
CN115953248A (zh) * 2023-03-01 2023-04-11 支付宝(杭州)信息技术有限公司 基于沙普利可加性解释的风控方法、装置、设备及介质
CN113807650B (zh) * 2021-08-04 2024-06-07 贝壳找房(北京)科技有限公司 房源业主面访管理方法、系统、电子设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734086A (zh) * 2020-12-24 2021-04-30 贝壳技术有限公司 一种用于更新神经网络预测模型的方法和装置
CN113469437A (zh) * 2021-06-30 2021-10-01 北京房江湖科技有限公司 事件发生周期的预测方法、存储介质与计算机程序产品
CN113469437B (zh) * 2021-06-30 2023-11-10 北京房江湖科技有限公司 房源成交周期的预测方法与存储介质
CN113807650A (zh) * 2021-08-04 2021-12-17 北京房江湖科技有限公司 房源业主面访管理方法、系统、电子设备及存储介质
CN113807650B (zh) * 2021-08-04 2024-06-07 贝壳找房(北京)科技有限公司 房源业主面访管理方法、系统、电子设备及存储介质
CN115953248A (zh) * 2023-03-01 2023-04-11 支付宝(杭州)信息技术有限公司 基于沙普利可加性解释的风控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Hewamalage et al. Forecast evaluation for data scientists: common pitfalls and best practices
US9047559B2 (en) Computer-implemented systems and methods for testing large scale automatic forecast combinations
CN111861190A (zh) 一种用于生成房源任务的方法和装置
US20180182037A1 (en) Systems and methods for crowdsourcing of algorithmic forecasting
Chakhar et al. Spatial multicriteria decision making
US20110191141A1 (en) Method for Conducting Consumer Research
US9747574B2 (en) Project assessment tool
WO2015137970A1 (en) Qualitative and quantitative modeling of enterprise risk management and risk registers
Yeguas et al. Automatic parameter tuning for evolutionary algorithms using a bayesian case-based reasoning system
CN108876406A (zh) 客服行为分析方法、装置、服务器及可读存储介质
Saiz et al. A clustering‐based review on project portfolio optimization methods
US11727427B2 (en) Systems and methods for assessing, correlating, and utilizing online browsing and sales data
Magliocca et al. Integrating global sensitivity approaches to deconstruct spatial and temporal sensitivities of complex spatial agent-based models
Webb et al. Sustainability quantification and valuation. I: Definitions, metrics, and valuations for decision making
Mouhib et al. TSMAA‐TRI: A temporal multi‐criteria sorting approach under uncertainty
Sanderford et al. Factors influencing US homebuilders' adoption of green homebuilding products
KR102360383B1 (ko) 공공조달시장의 입찰을 위한 빅데이터 기반 예정가격 확률분포 예측 서비스 제공 시스템
US7979366B2 (en) System and method for coarse-classing variables in a propensity model
Kell et al. The quantification and presentation of risk
CN116954627A (zh) 游戏产品的参数预测方法、装置、设备、介质及程序产品
CN110825929A (zh) 一种业务权限推荐方法及装置
US20200160200A1 (en) Method and System for Predictive Modeling of Geographic Income Distribution
Terrell Predictions in time series using regression models
CN112734086A (zh) 一种用于更新神经网络预测模型的方法和装置
KAMLEY et al. Multiple regression: A data mining approach for predicting the stock market trends based on open, close and high price of the month

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210408

Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing

Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd.

Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457

Applicant before: BEIKE TECHNOLOGY Co.,Ltd.