CN112101611B - 房地产客户复购时间的预测方法、服务器及存储介质 - Google Patents

房地产客户复购时间的预测方法、服务器及存储介质 Download PDF

Info

Publication number
CN112101611B
CN112101611B CN202010760991.9A CN202010760991A CN112101611B CN 112101611 B CN112101611 B CN 112101611B CN 202010760991 A CN202010760991 A CN 202010760991A CN 112101611 B CN112101611 B CN 112101611B
Authority
CN
China
Prior art keywords
customer
index
time
repurchase
data
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
Application number
CN202010760991.9A
Other languages
English (en)
Other versions
CN112101611A (zh
Inventor
李琦
宋卫东
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.)
Chongqing Ruiyun Technology Co ltd
Original Assignee
Chongqing Ruiyun 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 Chongqing Ruiyun Technology Co ltd filed Critical Chongqing Ruiyun Technology Co ltd
Priority to CN202010760991.9A priority Critical patent/CN112101611B/zh
Publication of CN112101611A publication Critical patent/CN112101611A/zh
Application granted granted Critical
Publication of CN112101611B publication Critical patent/CN112101611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种房地产客户复购时间的预测方法、服务器及存储介质，该方法通过获取若干复购客户待处理数据，对待处理数据进行标准化处理；采用k‑means算法进行聚类，将若干复购客户对应划分到K个聚类簇中，获取各指标在K个聚类簇中的权重，确定该指标在K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度；根据指标的差异度，选择达到设定条件的指标，作为目标指标；选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测，实现了房地产客户复购时间的准确预测。

Description

房地产客户复购时间的预测方法、服务器及存储介质
技术领域
本发明涉及房地产数据分析领域，尤其涉及房地产客户复购时间的预测方法、服务器及存储介质。
背景技术
住房作为大宗商品，由于其商品特性和大部分客户的购买能力，且复购的时间间隔较长，置业顾问对已购买客户关注度较低，房地产商也无法掌握已购买客户复购的时间，导致大量的复购客户流失，而把握“准复购”客户的复购时间是提高复购率和节约营销成本的关键。
发明内容
本发明提供的房地产客户复购时间的预测方法、服务器及存储介质，主要解决的技术问题是：如何准确预测房地产客户的复购时间，为地产商营销活动提供理论支撑，从而提高复购率。
为解决上述技术问题，本发明提供一种房地产客户复购时间的预测方法，包括：
获取若干复购客户待处理数据，包括客档数据和第一线上行为数据；
对所述待处理数据进行标准化处理；
对标准化处理的待处理数据，采用k-means算法进行聚类，设定K个初始聚类中心，将所述若干复购客户对应划分到K个聚类簇中，并得到各聚类簇对应的函数关系式，所述函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重；
获取各指标在所述K个聚类簇中的权重，确定该指标在所述K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度；
根据指标的差异度，选择达到设定条件的指标，作为目标指标；
选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测。
进一步的，所述客档数据至少包括如下指标之一：客户年龄；买房用途；买房类别；看房时间；所述买房用途包含：自住、投资、自住+投资；所述买房类别包含：刚需、改善、投资；所述看房时间包含：1个月以内、3个月以内、一年以内、一年以上。
进一步的，所述第一线上行为数据为所述复购客户在初次成交之后，复购之前的数据，至少包括如下指标之一：浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率。
进一步的，所述对所述待处理数据进行标准化处理包括：
针对所述待处理数据中的各指标，求出所有指标的算数平均值
Figure BDA0002613078290000021
和标准差Si；
按照公式
Figure BDA0002613078290000022
进行计算；Zij表示标准化后的指标值，xij表示实际指标值。
进一步的，所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测包括：
将所述待预测客户的输入数据输入到所述最小二乘支持向量机模型，输出得到所述待预测客户的成交时间间隔，基于所述待预测客户的初次成交时间，预测得到其复购时间；所述输入数据包括所述待预测客户经所述标准化处理后的客档数据以及第一线上行为数据。
进一步的，在所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前，还包括：
将所述待预测客户的第二线上行为数据输入到成交概率预测模型中，输出该待预测客户的成交概率，将所述成交概率与设定成交概率阈值进行比较，且判断该待预测客户的成交概率大于等于所述设定成交概率阈值。
进一步的，所述成交概率预测模型为轻型梯度助推器(Light Gradient BoostingMachine，简称LightGBM)模型。
进一步的，所述设定条件包括：
将各指标的差异度按照数值从大到小依次排序，将排名前N的指标作为所述目标指标；所述N大于1，且小于所述指标数量；
或，将各指标的差异度与设定差异度阈值进行比较，将差异度达到所述设定差异度阈值的指标作为所述目标指标。
本发明还提供一种服务器，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，以实现如上任一项所述的房地产客户复购时间的预测方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读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，以实现如上所述的房地产客户复购时间的预测方法的步骤。
本发明的有益效果是：
根据本发明提供的房地产客户复购时间的预测方法、服务器及存储介质，该方法通过获取若干复购客户待处理数据，包括客档数据和第一线上行为数据；对待处理数据进行标准化处理；对标准化处理的待处理数据，采用k-means算法进行聚类，设定K个初始聚类中心，将若干复购客户对应划分到K个聚类簇中，并得到各聚类簇对应的函数关系式，该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重；获取各指标在K个聚类簇中的权重，确定该指标在K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度；根据指标的差异度，选择达到设定条件的指标，作为目标指标；选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测，实现了房地产客户复购时间的准确预测；利用k-means算法筛选模型构建指标，排除非必要指标的干扰，从而提高了模型精度，有利于挺高预测准确性；同时复购时间的预测，可以帮助置业顾问把控客户成交时间，并在该时间节点前后对客户进行一定的跟进，从而达到提高复购率的同时，节约了营销成本。
附图说明
图1为本发明的一种房地产客户复购时间的预测方法流程示意图；
图2为本发明的另一种房地产客户复购时间的预测方法流程示意图；
图3为本发明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：
为了实现房地产客户的复购时间准确预测，为地产商营销活动提供理论支撑，以提高复购率，本实施例提供一种房地产客户复购时间的预测方法，通过已复购客户的客档数据和线上行为数据，采用k-means算法，筛选目标指标，从而建立LS-SVR(Least SquareSupport Sector Regression,最小二乘支持向量机)模型，实现待预测客户复购时间的预测，准确性高。
请参见图1，该预测方法主要包括如下步骤：
S101、获取若干复购客户待处理数据，包括客档数据和第一线上行为数据。
其中，客档数据至少包括如下指标之一：客户年龄；买房用途；买房类别；看房时间；其中买房用途包含：自住、投资、自住+投资；买房类别包含：刚需、改善、投资；看房时间包含：1个月以内、3个月以内、一年以内、一年以上。
第一线上行为数据为复购客户在初次成交之后，复购之前这一段时间内的数据，至少包括如下指标之一：浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率。
S102、对待处理数据进行标准化处理。
针对待处理数据中的各指标，求出所有指标的算数平均值(数学期望)
Figure BDA0002613078290000041
和标准差Si；
按照公式
Figure BDA0002613078290000042
进行计算；所述
Figure BDA0002613078290000043
表示取绝对值，Zij表示标准化后的指标值，xij表示实际指标值。
S103、对标准化处理的待处理数据，采用k-means算法进行聚类，设定K个初始聚类中心，将若干复购客户对应划分到K个聚类簇中，并得到各聚类簇对应的函数关系式，该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重。
聚类过程如下：
1)选择K个点作为初始聚类中心；
2)将每个点分配到最近的质心，形成K个分类簇；
3)分配完成后，重新计算每个簇的质心；
4)重复步骤2)和3)，直到簇不发生变化或达到最大迭代次数；
5)将客户聚为Q1、Q2、Q3......QK；
6)然后从每一类中随机选出一个样本作为该类的代表，最后将各代表样本组成一个变量组，用于回归建模分析，从而筛选出不同类中差异较大的指标变量，完成指标变量的优选。具体回归分析过程如下
对不同类建立回归方程：
例如Q1类：f(x)＝w1R1+w2R2+w3R3+...wiRi+c；
其中w1、w2、w3...wi为变量权值，根据最小二乘法的基本原理，要使误差平方和最小，则：
Figure BDA0002613078290000051
取最小，其中x-xi为误差；
从而得到Q1类的对应回归方程函数：
Figure BDA0002613078290000052
在聚类完成后，根据各类对应的回归方程函数，可得到该类中复购客户待处理数据中各指标所占权重。例如，对于类Q1，对应函数关系式为
Figure BDA0002613078290000053
其中wi表示第i个指标Ri的权重。
S104、获取各指标在K个聚类簇中的权重，确定该指标在K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度。
例如，针对第1个指标R1，其在第一个类Q1中的权重为w1,1，在第二个类Q2中的权重为w1,2，……在第K个类QK中的权重为w1,K，通过比较，确定该指标R1在该K个聚类簇中的最大值和最小值，假设最大值为w1,K，最小值为w1,1，计算两者差值Δw＝w1,K-w1,1，得到该指标的差异度Δw。
S105、根据指标的差异度，选择达到设定条件的指标，作为目标指标。
其中，设定条件包括如下之一：
将各指标的差异度按照数值从大到小依次排序，将排名前N的指标作为目标指标；N大于1，且小于指标数量。其中N值可灵活设置。
或，将各指标的差异度与设定差异度阈值进行比较，将差异度达到设定差异度阈值的指标作为目标指标。其中，设定差异度阈值可根据实际情况灵活设置。从而排除干扰指标，筛选出目标指标，基于目标指标构建LS-SVR，提高模型精度。
S106、选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测。
LS-SVR模型采用最小二成线性系统，代替了标准SVR算法的二次规划方程，解决模式识别和函数估计问题，减少了一个调整参数和多个优化变量，因此可简化计算的复杂性，提高收敛速度。
其中，构建最小二乘支持向量机模型具体过程如下：
1)假设回归估计函数为：
Figure BDA0002613078290000061
其中，w表示权重向量，T表示数据集T＝{(x1,y1),(x2,y2),...(xl,yl)}，
Figure BDA0002613078290000062
表示训练函数实例，b表示bias偏向。
2)解决最优化问题：
Figure BDA0002613078290000063
Figure BDA0002613078290000064
表示w取一个固定值求最小值，并遍历所有w；γ表示正则化参数；l表示未知数个数；st表示服从于，后面为约束条件；xi为数据集的未知数，xi∈Rl,xi为第i个特征向量；yi表示约束条件；后续可知yi＝w·φ(x)+b+ξi；
3)构造拉格朗日函数：
Figure BDA0002613078290000065
将Lp分别对w,b,ξi求偏微分，并令其为0：
αi为拉格朗日乘子，wi表示遍历所有的w；
Figure BDA0002613078290000071
4)根据约束条件，有yi＝w·φ(x)+b+ξi；
5)由以上四式得到线性方程组：
Figure BDA0002613078290000072
其中，Z＝[φ(x1),φ(x2),...,φ(xl)],I＝[1,1,...1]，则
Figure BDA0002613078290000073
通过学习得到的回归估计函数为：
Figure BDA0002613078290000074
将待预测客户的输入数据输入到最小二乘支持向量机模型，输出得到待预测客户的成交时间间隔，基于待预测客户的初次成交时间，预测得到其复购时间；其中输入数据包括待预测客户经标准化处理后的客档数据以及第一线上行为数据。
在本发明可选的实施例中，请参见图2，在通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前，还包括：
将待预测客户的第二线上行为数据输入到成交概率预测模型中，输出该待预测客户的成交概率，将成交概率与设定成交概率阈值进行比较，且判断该待预测客户的成交概率大于等于设定成交概率阈值。
具体的，对第二线上行为数据进行预处理和特征工程处理得到模型输入数据，字段为：客户ID、访问楼盘ID、访问天数、总访问页面数、总浏览时长、总浏览次数、访问楼盘数量、是否访问户型、是否夜间访问、平均每日访问时长、平均每日点击次数、平均每日访问页面数量、单日最大点击次数、单日最大浏览时长、距今未访问天数、房贷计算器使用次数、是否成交。
其中，成交概率预测模型为LightGBM模型。选取成交客户30000条记录作为正样本，按照下采样选取同样的未成交客户作为负样本，数据按照7:3分为训练数据和测试数据，对模型进行训练和测试，得到LightGBM模型，以对客户成交概率预测。
假设现有一已完成初次购买，但未复购的客户，根据其现在行为数据输入成交概率模型，预测其成交概率大于60％，将其预测数据(客档数据和第一线上行为数据)带入LS-SVR模型中，计算出其下一次成交距初次成交的时间间隔，推测出其复购的时间，一方面提高了复购时间预测的准确性，另一方面将该结果反馈给置业顾问，以便置业顾问在该客户复购时间前后对其进行针对性营销。
本发明提供的房地产客户复购时间的预测方法，通过获取若干复购客户待处理数据，包括客档数据和第一线上行为数据；对待处理数据进行标准化处理；对标准化处理的待处理数据，采用k-means算法进行聚类，设定K个初始聚类中心，将若干复购客户对应划分到K个聚类簇中，并得到各聚类簇对应的函数关系式，该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重；获取各指标在K个聚类簇中的权重，确定该指标在K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度；根据指标的差异度，选择达到设定条件的指标，作为目标指标；选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测，实现了房地产客户复购时间的准确预测；利用k-means算法筛选模型构建指标，排除非必要指标的干扰，从而提高了模型精度，有利于挺高预测准确性；同时复购时间的预测，可以帮助置业顾问把控客户成交时间，并在该时间节点前后对客户进行一定的跟进，从而达到提高复购率的同时，节约了营销成本。
实施例二：
本实施例在上述实施例一的基础上，提供一种服务器，用于实现上述实施例一中所述的房地产客户复购时间的预测方法的步骤，请参见图3，该服务器至少包括处理器31、存储器32及通信总线33；
通信总线33用于实现处理器31和存储器32之间的连接通信；
处理器31用于执行存储器32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客户复购时间的预测方法的步骤。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计算机可读存储介质，该计算机可读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客户复购时间的预测方法的步骤。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 (3)

1.一种房地产客户复购时间的预测方法，其特征在于，包括：获取若干复购客户待处理数据，包括客档数据和第一线上行为数据；
对所述待处理数据进行标准化处理；
对标准化处理的待处理数据，采用k-means算法进行聚类，设定K个初始聚类中心，将所述若干复购客户对应划分到K个聚类簇中，并得到各聚类簇对应的函数关系式，所述函数关系式可指示该聚 类簇中复购客户待处理数据中各指标所占权重；
获取各指标在所述K个聚类簇中的权重，确定该指标在所述K个聚类簇中的最大值和最小值，计算两者差值，得到该指标的差异度；
根据指标的差异度，选择达到设定条件的指标，作为目标指标；
选择若干复购客户对应目标指标的数据，用于构建最小二乘支持向量机模型；通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测；
所述客档数据至少包括如下指标之一：客户年龄；买房用途；买房类别；看房时间；所述买房用途包含：自住、投资、自住+投资；所述买房类别包含：刚需、改善、投资；所述看房时间包含：1个月以内、3个月以内、一年以内、一年以上；
所述第一线上行为数据为所述复购客户在初次成交之后，复购之前的数据，至少包括如下指标之一：浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率；
对所述待处理数据进行标准化处理包括：针对所述待处理数据中的各指标，求出所有指标的算数平均值
Figure FDA0003801389750000021
和标准差Si；
按照公式
Figure FDA0003801389750000022
进行计算；Zij表示标准化后的指标值，xij表示实际指标值；
所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测包括：
将所述待预测客户的输入数据输入到所述最小二乘支持向量机模型，输出得到所述待预测客户的成交时间间隔，基于所述待预测客户的初次成交时间，预测得到其复购时间；所述输入数据包括所述待预测客户经所述标准化处理后的客档数据以及第一线上行为数据；
在所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前，还包括：
将所述待预测客户的第二线上行为数据输入到成交概率预测模型中，输出该待预测客户的成交概率，将所述成交概率与设定成交概率阈值进行比较，且判断该待预测客户的成交概率大于等于所述设定成交概率阈值；
所述成交概率预测模型为轻型梯度助推器LightGBM模型；
所述设定条件包括：
将各指标的差异度按照数值从大到小依次排序，将排名前N的指标作为所述目标指标；所述N大于1，且小于所述指标数量；
或，将各指标的差异度与设定差异度阈值进行比较，将差异度达到所述设定差异度阈值的指标作为所述目标指标。
2.一种服务器，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所述的房地产客户复购时间的预测方法的步骤。
3.一种计算机可读存储介质，其特征在于，所述计算机可读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所述的房地产客户复购时间的预测方法的步骤。
CN202010760991.9A 2020-07-31 2020-07-31 房地产客户复购时间的预测方法、服务器及存储介质 Active CN112101611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760991.9A CN112101611B (zh) 2020-07-31 2020-07-31 房地产客户复购时间的预测方法、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760991.9A CN112101611B (zh) 2020-07-31 2020-07-31 房地产客户复购时间的预测方法、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN112101611A CN112101611A (zh) 2020-12-18
CN112101611B true CN112101611B (zh) 2022-11-18

Family

ID=73750037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760991.9A Active CN112101611B (zh) 2020-07-31 2020-07-31 房地产客户复购时间的预测方法、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN112101611B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469099B (zh) * 2024-07-11 2024-10-15 山东盛德智能科技股份有限公司 基于多模态数据融合技术的工单中心优化调度方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930533A (zh) * 2012-10-09 2013-02-13 河海大学 一种基于改进k-均值聚类的半监督高光谱影像降维方法
CN106022385A (zh) * 2016-05-26 2016-10-12 华南理工大学 基于动态规划和K-means聚类的特征选择算法
CN106228068A (zh) * 2016-07-21 2016-12-14 江西师范大学 基于混合特征的Android恶意代码检测方法
CN107358368A (zh) * 2017-07-21 2017-11-17 国网四川省电力公司眉山供电公司 一种面向电力用户细分的鲁棒k‑means聚类方法
CN110210913A (zh) * 2019-06-14 2019-09-06 重庆邮电大学 一种基于大数据的商家回头客预测方法
CN110335072A (zh) * 2019-06-25 2019-10-15 上海有色网信息科技股份有限公司 大宗商品数据提取及报告生成的方法、系统、介质及装置
CN110348928A (zh) * 2018-04-08 2019-10-18 北京京东尚科信息技术有限公司 信息推送方法、装置及计算机可读存储介质
CN110705648A (zh) * 2019-10-12 2020-01-17 中国民航大学 大规模多视图数据自降维K-means算法及系统
CN110956497A (zh) * 2019-11-27 2020-04-03 桂林电子科技大学 一种电子商务平台用户重复购买行为预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190102706A1 (en) * 2011-10-20 2019-04-04 Affectomatics Ltd. Affective response based recommendations
US11257161B2 (en) * 2011-11-30 2022-02-22 Refinitiv Us Organization Llc Methods and systems for predicting market behavior based on news and sentiment analysis
CN103295031B (zh) * 2013-04-15 2016-12-28 浙江大学 一种基于正则风险最小化的图像目标计数方法
US20160012512A1 (en) * 2014-07-13 2016-01-14 Microsoft Corporation Lifestyle recommendation system
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
CN110675029A (zh) * 2019-08-30 2020-01-10 阿里巴巴集团控股有限公司 商户的动态管控方法、装置、服务器及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930533A (zh) * 2012-10-09 2013-02-13 河海大学 一种基于改进k-均值聚类的半监督高光谱影像降维方法
CN106022385A (zh) * 2016-05-26 2016-10-12 华南理工大学 基于动态规划和K-means聚类的特征选择算法
CN106228068A (zh) * 2016-07-21 2016-12-14 江西师范大学 基于混合特征的Android恶意代码检测方法
CN107358368A (zh) * 2017-07-21 2017-11-17 国网四川省电力公司眉山供电公司 一种面向电力用户细分的鲁棒k‑means聚类方法
CN110348928A (zh) * 2018-04-08 2019-10-18 北京京东尚科信息技术有限公司 信息推送方法、装置及计算机可读存储介质
CN110210913A (zh) * 2019-06-14 2019-09-06 重庆邮电大学 一种基于大数据的商家回头客预测方法
CN110335072A (zh) * 2019-06-25 2019-10-15 上海有色网信息科技股份有限公司 大宗商品数据提取及报告生成的方法、系统、介质及装置
CN110705648A (zh) * 2019-10-12 2020-01-17 中国民航大学 大规模多视图数据自降维K-means算法及系统
CN110956497A (zh) * 2019-11-27 2020-04-03 桂林电子科技大学 一种电子商务平台用户重复购买行为预测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
PSO-SVM在高速公路交通量预测中的应用;肖智等;《管理评论》;20111225(第12期);第34-39页 *
基于k-means聚类分析法的四川省区域经济差异时空演化分析;兰云飞;《甘肃科技》;20200105(第01期);第105-109页 *
基于支持向量机的用户回购行为预测;张宗垚;《电脑编程技巧与维护》;20200618(第06期);第5-8页 *
基于机器学习融合算法的网络购买行为预测研究;祝歆等;《统计与信息论坛》;20171210(第12期);第95-101页 *
基于集成学习的电子商务平台新用户重复购买行为预测;胡晓丽等;《现代电子技术》;20200601(第11期);第123-127页 *
客户购买行为建模分析预测;朱珏樟;《现代计算机》;20200725(第21期);第28-33页 *
客户购买记录可以预测客户评论行为吗?;刘慧丽等;《情报杂志》;20170218(第02期);第198-204页 *
电商平台用户再购物行为的预测研究;吕泽宇等;《计算机科学》;20200615;第434-438页 *

Also Published As

Publication number Publication date
CN112101611A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN109858740B (zh) 企业风险的评估方法、装置、计算机设备及存储介质
US8010324B1 (en) Computer-implemented system and method for storing data analysis models
Aytac et al. Characterization of demand for short life-cycle technology products
US7251589B1 (en) Computer-implemented system and method for generating forecasts
US10748072B1 (en) Intermittent demand forecasting for large inventories
Blevins Sequential Monte Carlo methods for estimating dynamic microeconomic models
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN107730087A (zh) 预测模型训练方法、数据监控方法、装置、设备及介质
US20210103858A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
US11087344B2 (en) Method and system for predicting and indexing real estate demand and pricing
Malikov et al. Estimation of firm‐level productivity in the presence of exports: Evidence from China's manufacturing
CN109583729B (zh) 用于平台在线模型的数据处理方法和装置
CN112101611B (zh) 房地产客户复购时间的预测方法、服务器及存储介质
US20200160200A1 (en) Method and System for Predictive Modeling of Geographic Income Distribution
CN108765137A (zh) 一种信贷需求预测方法和系统、存储介质
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备
CN111563628A (zh) 房地产客户成交时间预测方法、装置及存储介质
Fu et al. Applying DEA–BPN to enhance the explanatory power of performance measurement
WO2023229474A1 (en) Methods, systems and computer program products for determining models for predicting reoccurring transactions
Asghari et al. Selecting and prioritizing the electricity customers for participating in demand response programs
CN116167646A (zh) 基于交易算法的评价方法、装置、设备及存储介质
Çılgın et al. The Effect of Outlier Detection Methods in Real Estate Valuation with Machine Learning
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
Liu et al. Inventory Management of Automobile After-sales Parts Based on Data Mining
CN113988431A (zh) 一种客户潜在经纪人能力预测方法、系统及设备

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