CN112633915A - 基于区块链的二手房数据分析方法及系统 - Google Patents
基于区块链的二手房数据分析方法及系统 Download PDFInfo
- Publication number
- CN112633915A CN112633915A CN202011429024.0A CN202011429024A CN112633915A CN 112633915 A CN112633915 A CN 112633915A CN 202011429024 A CN202011429024 A CN 202011429024A CN 112633915 A CN112633915 A CN 112633915A
- Authority
- CN
- China
- Prior art keywords
- house
- hand
- information
- transaction
- data analysis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012443 analytical study Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于区块链的二手房数据分析方法及系统。一种基于区块链的二手房数据分析方法,包括:步骤一:建立关键词分类数据库;步骤二:对文本使用分词技术将其分为关键词;步骤三:使用TF‑IDF模型进行信息检索;步骤四:对关键词利用聚类算法进行聚类,对二手房信息进行分类,或者采用分词技术去碰撞分类数据库,并归属到相应的二手房分类。本发明对消费者、房地产中介和政府来说,对二手房数据的分析研究来帮助他们完成自己的决策是很必要的。
Description
技术领域
本发明涉及二手房数据分析领域,具体涉及一种基于区块链的二手房数据分析方法及系统。
背景技术
近年来随着社会经济的快速发展,房地产交易越发频繁尤其是二手房交易,为了及时了解房屋信息的波动,房屋数据分析系统应运而生。目前房屋分析领域的系统功能主要集中在实现系统的房屋数据综合分析和关联分析,比如对房屋交易信息进行单位面积房价、地点等关键信息提取以及对特定房价、特定区域等在内的同房型或不同房型的信息进行关联分析;未来的二手房房价发展趋势、二手房的地理分布以及结合区块链技术尚未实现。对于消费者、房地产中介和政府来说,对二手房数据的分析研究来帮助他们完成自己的决策是很必要的。
现有的二手房数据分析方法及系统,是根据现有的二手房屋交易网站对交易信息进行收集、分析。
目前现有方法及系统在功能上缺少对二手房的分类和二手房交易的地理分布,没有对二手房的分类,用户在使用的时候对交易信息的查找会造成困难,而二手房交易地理分布则可以提高对二手房交易的监控。在存储上现有的数据保护性私密性差,并不能安全的共享数据,区块链的数据脱敏技术可以保证数据私密性,为隐私下的数据提供了解决方案。
发明内容
本发明要解决的技术问题是提供一种基于区块链的二手房数据分析方法及系统。
为了解决上述技术问题,本发明提供了一种基于区块链的二手房数据分析方法,包括:
步骤一:建立关键词分类数据库;
步骤二:对文本使用分词技术将其分为关键词;
步骤三:使用TF-IDF模型进行信息检索;
步骤四:对关键词利用聚类算法进行聚类,对二手房信息进行分类,或者采用分词技术去碰撞分类数据库,并归属到相应的二手房分类;
步骤五:然后再对二手房交易信息进行分析处理,所述分析处理包括:单位面积房价分析、区域房屋信息分析、房屋楼层分析、房屋配置分析和房屋周围设施分析;
步骤六:根据二手房交易的地理分布进行划分,对同样的房屋交易信息进行分析,并根据已有的房屋交易趋势预测房屋交易的可能方向和结果;
步骤七:最后将二手房的所有信息存储在区块链中。
在其中一个实施例中,所述关键词分类数据库包括居家生活类关键词数据库、出行度假类关键词数据库、交通便利类关键词数据库和优质教育类关键词数据库。
在其中一个实施例中,“使用TF-IDF模型进行信息检索”具体包括:定义需要去除的词语列表,使用sklearn提供的函数即feature_extraction.text下的TfidfVectorizer函数创建词语转向量的对象,使用fit_transform函数将关键字转换为词向量空间模型。
在其中一个实施例中,所述聚类算法采用kmeans聚类算法。
在其中一个实施例中,所述分词技术是httpcws分词方法。
基于同样的发明构思,本申请还提供一种基于区块链的二手房数据分析系统,包括网络爬虫模块、房屋数据分析模块和区块链存储模块;
所述网络爬虫系统用于提取互联网中的房屋交易信息,提供所需数据,并定时进行更新;
所述房屋数据分析模块包括:房屋数据分析模块、房屋交易分布模块和房价预测模块;
所述房屋数据分析模块基于区块链构建房屋交易数据库;所述房屋交易分布模块用于对不用区域的二手房交易数据进行处理生成相应的分布图,按二手房的交易数量统计划分为:一级、二级、三级,可以根据输入的地名提供当地的二手房交易数据。所述房价预测模块通过建立的二手房房价预测模型对相应的二手房交易信息进行预测分析,根据已有的信息预测二手房房屋交易的大致价格的方向和结果;
所述区块链存储模块用于存储房屋交易信息。
在其中一个实施例中,所述房屋数据分析模块包括二手房单位面积房价分析模块、区域范围内二手房信息分析模块和二手房分类关键词模块;
所述二手房单位面积房价分析模块是利用变量直方图来观察数据的合理性,查看房价的均值、中位数、标准差基本数值;所述区域范围内二手房信息分析模块是对各区的房屋信息数量情况进行比较、各个房屋房价的比较、对二手房房屋结构对房价的影响分析以及房屋地理位置对房价的影响;所述二手房分类关键词模块通过一个相同意思不同叫法的关键词映射词库,对爬取的二手房交易数据统计出词频图谱以及词云图。
基于同样的发明构思,本申请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任一项所述方法的步骤。
基于同样的发明构思,本申请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任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
对消费者、房地产中介和政府来说,对二手房数据的分析研究来帮助他们完成自己的决策是很必要的。
附图说明
图1是本发明基于区块链的二手房数据分析方法的流程示意图。
图2是本发明基于区块链的二手房数据分析系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参阅图1,一种基于区块链的二手房数据分析方法,包括:
步骤一:建立关键词分类数据库。
具体地,所述关键词分类数据库包括居家生活类关键词数据库、出行度假类关键词数据库、交通便利类关键词数据库和优质教育类关键词数据库。
比如,出现“生活超市”,“农贸市场”,“生活广场”等可以归属到居家生活类关键词数据库。
比如,出现“公园”,“风景区”等可以归属到出行度假类关键词数据库。
比如,出现“地铁”,“公交”等可以归属到交通便利类关键词数据库。
比如,出现“学校”可以归属到优质教育类关键词数据库。
步骤二:对文本使用分词技术将其分为关键词。
步骤三:使用TF-IDF模型进行信息检索。
在其中一个实施例中,“使用TF-IDF模型进行信息检索”具体包括:定义需要去除的词语列表,使用sklearn提供的函数即feature_extraction.text下的TfidfVectorizer函数创建词语转向量的对象,使用fit_transform函数将关键字转换为词向量空间模型。
步骤四:对关键词利用聚类算法进行聚类,对二手房信息进行分类,或者采用分词技术去碰撞分类数据库,并归属到相应的二手房分类。
具体地,所述聚类算法采用kmeans聚类算法。当然,也可以根据需要采用其他聚类算法。
步骤五:然后再对二手房交易信息进行分析处理,所述分析处理包括:单位面积房价分析、区域房屋信息分析、房屋楼层分析、房屋配置分析和房屋周围设施分析。
步骤六:根据二手房交易的地理分布进行划分,对同样的房屋交易信息进行分析,并根据已有的房屋交易趋势预测房屋交易的可能方向和结果。
步骤七:最后将二手房的所有信息存储在区块链中。
具体地,所述分词技术是httpcws分词方法。当然,也可以根据需要采用其他分词方法。
参阅图2,一种基于区块链的二手房数据分析系统,包括网络爬虫模块、房屋数据分析模块和区块链存储模块;
所述网络爬虫系统用于提取互联网中的房屋交易信息,提供所需数据,并定时进行更新;
所述房屋数据分析模块包括:房屋数据分析模块、房屋交易分布模块和房价预测模块;
所述房屋数据分析模块基于区块链构建房屋交易数据库;所述房屋交易分布模块用于对不用区域的二手房交易数据进行处理生成相应的分布图,按二手房的交易数量统计划分为:一级、二级、三级,可以根据输入的地名提供当地的二手房交易数据。所述房价预测模块通过建立的二手房房价预测模型对相应的二手房交易信息进行预测分析,根据已有的信息预测二手房房屋交易的大致价格的方向和结果;
所述区块链存储模块用于存储房屋交易信息。
具体地,所述房屋数据分析模块包括二手房单位面积房价分析模块、区域范围内二手房信息分析模块和二手房分类关键词模块;
所述二手房单位面积房价分析模块是利用变量直方图来观察数据的合理性,查看房价的均值、中位数、标准差基本数值;所述区域范围内二手房信息分析模块是对各区的房屋信息数量情况进行比较、各个房屋房价的比较、对二手房房屋结构对房价的影响分析以及房屋地理位置对房价的影响;所述二手房分类关键词模块通过一个相同意思不同叫法的关键词映射词库,对爬取的二手房交易数据统计出词频图谱以及词云图。
房屋分类 | 房屋交易 |
居家生活 | 二级 |
出行度假 | 一级 |
交通便利 | 二级 |
优质教育 | 三级 |
区块链存储是指用区块链构建的去中心化存储系统,是区块链和存储系统的有效结合。从本质上讲,它是一个共享数据库,存储于其中的数据或信息,具有“不可伪造”“全程留痕”、“可以追溯”、“公开透明”、“集体维护”等特征。基于这些特征,区块链技术奠定了坚实的“信任”基础,创造了可靠的“合作”机制。存储在区块链上的信息是公开的,但是账户身份信息是高度加密的,只有在数据拥有者授权的情况下才能访问到,从而保证了数据的安全和个人的隐私。区块链的技术安全度高,技术前景广阔,目前还在不断的发展,就现在而言在处理分析数据时,已经能够很好的保护个人和企业的隐私。
基于同样的发明构思,本申请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任一项所述方法的步骤。
基于同样的发明构思,本申请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任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
对消费者、房地产中介和政府来说,对二手房数据的分析研究来帮助他们完成自己的决策是很必要的。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于区块链的二手房数据分析方法,其特征在于,包括:
步骤一:建立关键词分类数据库;
步骤二:对文本使用分词技术将其分为关键词;
步骤三:使用TF-IDF模型进行信息检索;
步骤四:对关键词利用聚类算法进行聚类,对二手房信息进行分类,或者采用分词技术去碰撞分类数据库,并归属到相应的二手房分类;
步骤五:然后再对二手房交易信息进行分析处理,所述分析处理包括:单位面积房价分析、区域房屋信息分析、房屋楼层分析、房屋配置分析和房屋周围设施分析;
步骤六:根据二手房交易的地理分布进行划分,对同样的房屋交易信息进行分析,并根据已有的房屋交易趋势预测房屋交易的可能方向和结果;
步骤七:最后将二手房的所有信息存储在区块链中。
2.如权利要求1所述的基于区块链的二手房数据分析方法,其特征在于,所述关键词分类数据库包括居家生活类关键词数据库、出行度假类关键词数据库、交通便利类关键词数据库和优质教育类关键词数据库。
3.如权利要求1所述的基于区块链的二手房数据分析方法,其特征在于,“使用TF-IDF模型进行信息检索”具体包括:定义需要去除的词语列表,使用sklearn提供的函数即feature_extraction.text下的TfidfVectorizer函数创建词语转向量的对象,使用fit_transform函数将关键字转换为词向量空间模型。
4.如权利要求1所述的基于区块链的二手房数据分析方法,其特征在于,所述聚类算法采用kmeans聚类算法。
5.如权利要求1所述的基于区块链的二手房数据分析方法,其特征在于,所述分词技术是httpcws分词方法。
6.一种基于区块链的二手房数据分析系统,其特征在于,包括网络爬虫模块、房屋数据分析模块和区块链存储模块;
所述网络爬虫系统用于提取互联网中的房屋交易信息,提供所需数据,并定时进行更新;
所述房屋数据分析模块包括:房屋数据分析模块、房屋交易分布模块和房价预测模块;
所述房屋数据分析模块基于区块链构建房屋交易数据库;所述房屋交易分布模块用于对不用区域的二手房交易数据进行处理生成相应的分布图,按二手房的交易数量统计划分为:一级、二级、三级,可以根据输入的地名提供当地的二手房交易数据。所述房价预测模块通过建立的二手房房价预测模型对相应的二手房交易信息进行预测分析,根据已有的信息预测二手房房屋交易的大致价格的方向和结果;
所述区块链存储模块用于存储房屋交易信息。
7.如权利要求6所述的基于区块链的二手房数据分析系统,其特征在于,所述房屋数据分析模块包括二手房单位面积房价分析模块、区域范围内二手房信息分析模块和二手房分类关键词模块;
所述二手房单位面积房价分析模块是利用变量直方图来观察数据的合理性,查看房价的均值、中位数、标准差基本数值;所述区域范围内二手房信息分析模块是对各区的房屋信息数量情况进行比较、各个房屋房价的比较、对二手房房屋结构对房价的影响分析以及房屋地理位置对房价的影响;所述二手房分类关键词模块通过一个相同意思不同叫法的关键词映射词库,对爬取的二手房交易数据统计出词频图谱以及词云图。
8.一种计算机设备,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到5任一项所述方法的步骤。
9.一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权利要求1到5任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429024.0A CN112633915B (zh) | 2020-12-09 | 基于区块链的二手房数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429024.0A CN112633915B (zh) | 2020-12-09 | 基于区块链的二手房数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633915A true CN112633915A (zh) | 2021-04-09 |
CN112633915B CN112633915B (zh) | 2024-07-05 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390035A (zh) * | 2022-01-12 | 2022-04-22 | 国家计算机网络与信息安全管理中心陕西分中心 | 一种以太坊智能合约应用态势感知系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012205031A1 (en) * | 2011-01-07 | 2013-07-18 | Primal Fusion Inc. | Systems and methods for analyzing and synthesizing complex knowledge representations |
US20170293597A1 (en) * | 2016-04-07 | 2017-10-12 | Khalifa University Of Science, Technology And Research | Methods and systems for data processing |
KR101849544B1 (ko) * | 2017-04-28 | 2018-04-17 | 주식회사 케이비금융지주 | 빅데이터를 이용한 부동산 예측 방법 및 이를 수행하기 위한 장치 |
CN108304568A (zh) * | 2018-02-12 | 2018-07-20 | 郑长敬 | 一种房地产公众预期大数据处理方法及系统 |
CN108921734A (zh) * | 2018-07-18 | 2018-11-30 | 北京航空航天大学 | 一个基于多源异构数据的房地产信息可视化系统 |
CN108961054A (zh) * | 2018-06-26 | 2018-12-07 | 方卫均 | 一种房屋信息交易平台 |
CN109493196A (zh) * | 2018-12-29 | 2019-03-19 | 杭州趣链科技有限公司 | 一种基于区块链的房地产存证和交易方法 |
CN109523362A (zh) * | 2018-11-16 | 2019-03-26 | 大唐高鸿信息通信研究院(义乌)有限公司 | 一种基于5g架构和区块链的二手房交易系统及方法 |
CN109656523A (zh) * | 2017-10-11 | 2019-04-19 | 长沙搜博网络科技有限公司 | 一种数据库的二手房销售管理系统设计 |
CN110069629A (zh) * | 2019-03-16 | 2019-07-30 | 平安城市建设科技(深圳)有限公司 | 房屋交易任务处理方法、设备、存储介质及装置 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012205031A1 (en) * | 2011-01-07 | 2013-07-18 | Primal Fusion Inc. | Systems and methods for analyzing and synthesizing complex knowledge representations |
US20170293597A1 (en) * | 2016-04-07 | 2017-10-12 | Khalifa University Of Science, Technology And Research | Methods and systems for data processing |
KR101849544B1 (ko) * | 2017-04-28 | 2018-04-17 | 주식회사 케이비금융지주 | 빅데이터를 이용한 부동산 예측 방법 및 이를 수행하기 위한 장치 |
CN109656523A (zh) * | 2017-10-11 | 2019-04-19 | 长沙搜博网络科技有限公司 | 一种数据库的二手房销售管理系统设计 |
CN108304568A (zh) * | 2018-02-12 | 2018-07-20 | 郑长敬 | 一种房地产公众预期大数据处理方法及系统 |
CN108961054A (zh) * | 2018-06-26 | 2018-12-07 | 方卫均 | 一种房屋信息交易平台 |
CN108921734A (zh) * | 2018-07-18 | 2018-11-30 | 北京航空航天大学 | 一个基于多源异构数据的房地产信息可视化系统 |
CN109523362A (zh) * | 2018-11-16 | 2019-03-26 | 大唐高鸿信息通信研究院(义乌)有限公司 | 一种基于5g架构和区块链的二手房交易系统及方法 |
CN109493196A (zh) * | 2018-12-29 | 2019-03-19 | 杭州趣链科技有限公司 | 一种基于区块链的房地产存证和交易方法 |
CN110069629A (zh) * | 2019-03-16 | 2019-07-30 | 平安城市建设科技(深圳)有限公司 | 房屋交易任务处理方法、设备、存储介质及装置 |
Non-Patent Citations (7)
Title |
---|
周国良;: "基于区块链的二手房交易系统的设计", 信息与电脑(理论版), no. 01, 10 January 2020 (2020-01-10), pages 79 - 82 * |
孙婷婷;丁硕权;: "房价数据抓取与分析系统设计与实现", 电脑知识与技术, no. 15, 25 May 2020 (2020-05-25), pages 24 - 27 * |
毛凤华;: "基于聚类分析的二手房推荐研究――以北京市为例", 科技创业月刊, no. 05, 25 May 2018 (2018-05-25), pages 149 - 153 * |
王占忠;: "基于多文本数据的联通工单系统辅助研判技术", 通讯世界, no. 02, 25 February 2020 (2020-02-25), pages 73 - 75 * |
王福成;齐平;: "基于Python的合肥市二手房信息爬取与数据分析", 九江学院学报(自然科学版), no. 03, 20 September 2020 (2020-09-20), pages 49 - 51 * |
赵凯;杨云帆;宋卓远;陈镱尹;杨秀璋;罗子江;: "数据挖掘视角下二手房市场与调控政策研究", 情报探索, no. 04, 15 April 2020 (2020-04-15), pages 87 - 93 * |
钱银-博客园: "Python机器学习(4)——基于k-means和tfidf的文本聚类分析", HTTPS:WWW.CNBLOGS.COM/QIANYIN123/P/9553825.HTML, 29 August 2018 (2018-08-29), pages 1 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390035A (zh) * | 2022-01-12 | 2022-04-22 | 国家计算机网络与信息安全管理中心陕西分中心 | 一种以太坊智能合约应用态势感知系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Crime prediction using Twitter sentiment and weather | |
Aasheim et al. | Data analytics vs. data science: A study of similarities and differences in undergraduate programs based on course descriptions | |
Holton | Identifying disgruntled employee systems fraud risk through text mining: A simple solution for a multi-billion dollar problem | |
US20210042366A1 (en) | Machine-learning system for servicing queries for digital content | |
Fu et al. | Identifying spatiotemporal urban activities through linguistic signatures | |
Yang et al. | Analysis of linkage effects among industry sectors in China’s stock market before and after the financial crisis | |
CN108241867B (zh) | 一种分类方法及装置 | |
CN110533212A (zh) | 基于大数据的城市内涝舆情监测预警方法 | |
CN110109908A (zh) | 基于社会基础信息挖掘人物潜在关系的分析系统及方法 | |
Aarthi et al. | Crime hotspot detection with clustering algorithm using data mining | |
Kamiran et al. | Classifying socially sensitive data without discrimination: An analysis of a crime suspect dataset | |
CN111414522A (zh) | 基于网络爬虫的招聘信息可视化分析系统 | |
Solomon et al. | A deep learning framework for predicting burglaries based on multiple contextual factors | |
Khanmohammadi et al. | An artificial intelligence framework for predicting fire spread sustainability in semiarid shrublands | |
Mai et al. | Detecting the intellectual pathway of resilience thinking in urban and regional studies: A critical reflection on resilience literature | |
Renigier-Biłozor et al. | Residential market ratings using fuzzy logic decision-making procedures | |
Tao et al. | Establishment of cross-border e-commerce credit evaluation system based on big data | |
CN112633915B (zh) | 基于区块链的二手房数据分析方法及系统 | |
Steinman et al. | Risky business: Examining the 80-20 rule in relation to a RTM framework | |
CN112633915A (zh) | 基于区块链的二手房数据分析方法及系统 | |
KR102342192B1 (ko) | 빅데이터 기반의 재난 발생 위험도 예측장치 및 방법 | |
Bhardwaj et al. | Decision-making optimisation in insurance market using big data analytics survey | |
Domashova et al. | Detection of non-typical users of the electronic marketplace" Freight transportation" to prevent the competitive intelligence | |
Ribeiro et al. | Prediction of homicides in urban centers: A machine learning approach | |
Yavari et al. | Event prediction in social network through Twitter messages analysis |
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 |