CN112907063A - 人口流动率和房屋空置率确定方法及终端设备 - Google Patents
人口流动率和房屋空置率确定方法及终端设备 Download PDFInfo
- Publication number
- CN112907063A CN112907063A CN202110182373.5A CN202110182373A CN112907063A CN 112907063 A CN112907063 A CN 112907063A CN 202110182373 A CN202110182373 A CN 202110182373A CN 112907063 A CN112907063 A CN 112907063A
- Authority
- CN
- China
- Prior art keywords
- house
- determining
- label
- energy
- rate
- 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 49
- 230000005611 electricity Effects 0.000 claims abstract description 86
- 230000003442 weekly effect Effects 0.000 claims abstract description 43
- 238000007621 cluster analysis Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 23
- 238000005265 energy consumption Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明适用于房屋技术领域，公开了一种人口流动率和房屋空置率确定方法及终端设备，上述方法包括：获取预设区域的每户房屋的历史用电量集合；对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率；根据每户房屋的用能特征标签确定房屋空置率，并在后续提出预测相关区域的房屋空置率的方法。本发明可以提高确定人口流动率和房屋空置率的效率和准确性。
Description
技术领域
本发明属于房屋技术领域，尤其涉及一种人口流动率和房屋空置率确定方法及终端设备。
背景技术
随着经济的发展，房地产行业作为一项综合性产业，已成为社会经济发展的支柱性产业，人口流动率和房屋空置率逐渐成为各界均十分关心的指标。开展人口流动率和房屋空置率分析，挖掘人员流动趋势，对辅助决策规划和优化各行业投资均具有重要意义。
然而，目前大都通过人工统计的方法确定人口流动率和房屋空置率，这种方法效率低且准确性差。
发明内容
有鉴于此，本发明实施例提供了一种人口流动率和房屋空置率确定方法及终端设备，以解决现有技术效率低且准确性差的问题。
本发明实施例的第一方面提供了一种人口流动率和房屋空置率确定方法，包括：
获取预设区域的每户房屋的历史用电量集合；
对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率；
根据每户房屋的用能特征标签确定房屋空置率。
本发明实施例的第二方面提供了一种人口流动率和房屋空置率确定装置，包括：
获取模块，用于获取预设区域的每户房屋的历史用电量集合；
聚类分析模块，用于对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
人口流动率确定模块，用于根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率；
房屋空置率确定模块，用于根据每户房屋的用能特征标签确定房屋空置率。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面所述人口流动率和房屋空置率确定方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被一个或多个处理器执行时实现如第一方面所述人口流动率和房屋空置率确定方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先获取预设区域的每户房屋的历史用电量集合；对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数，然后根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率，最后根据每户房屋的用能特征标签确定房屋空置率，可以提高确定人口流动率和房屋空置率的效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的人口流动率和房屋空置率确定方法的实现流程示意图；
图2是本发明一实施例提供的人口流动率和房屋空置率确定装置的示意框图；
图3是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的人口流动率和房屋空置率确定方法的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备。如图1所示，该方法可以包括以下步骤：
S101：获取预设区域的每户房屋的历史用电量集合。
其中，每户房屋的历史用电量集合可以是每户房屋的历史日用电量集合，具体可以是最近预设时间的日用电量集合，例如，可以是最近一年的日用电量的集合，等等。预设区域可以是某个小区，等等。
可选地，历史用电量集合也可以是历史周用电量集合，历史月用电量集合等，在此不做具体限制。
可选地，还可以获取每户房屋的用户基本信息、历史缴费记录等等。
可选地，可以对每户房屋的历史用电量集合进行异常值处理，包括异常偏大、异常偏小的处理。对缺失数据采用三次样条差值算法进行补齐。还可以对其进行平滑去噪处理，具体可以采用核函数对数据进行处理或采用均值法对数据进行处理。
S102：对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数。
可选地，居民用电情况可以分为全天在家类别、部分时间在家类别和全天不在家类别。由于居民的用电量与在家时长呈现正相关，因此可以根据用电量进行分析。可以采用k-means聚类算法对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类，分别为全天在家类、部分时间在家类和全天不在家类。每个聚类存在一个聚类中心，对应一个用电量均值。其中，全天在家类的用电量均值大于部分时间在家类的用电量均值大于全天不在家类的用电量均值。
在本发明的一个实施例中，三个聚类中的其中两个聚类为部分时间在家类和全天不在家类；
根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数的计算公式为：
其中，Kcut,i为第i户房屋的底值系数；Wno为三个聚类中的全天不在家类对应的用电量均值；Wpart为三个聚类中的部分时间在家类对应的用电量均值；Wmax,i为第i户房屋的历史日用电量最大值；k1和k2均为权重系数，且k1+k2＝1，k1>2k2。可选地，k1＝5/6，k2＝1/6。
在本发明的一个实施例中，在上述S102之后，上述方法还包括：
判断预设区域内是否存在历史数据不足的房屋；
若预设区域内存在历史数据不足的房屋，则计算历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离，并确定历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离中的最小值；
若最小值与历史数据不足的房屋的历史日用电量最大值的比值小于预设比值，则将三个聚类中心中的距离最近的两个聚类中心所属的聚类合为一个聚类，重新得到两个聚类以及两个中心分别对应的用电量均值；
根据两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数。
其中，历史数据不足的房屋为历史用电量集合中的数据不足预设时间，例如获取的历史用电量数据不足一年。
当预设区域内不存在历史数据不足的房屋时，可以继续执行S103；当预设区域内存在历史数据不足的房屋时，需要进行校正。具体地，若历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离中的最小值与历史数据不足的房屋的历史日用电量最大值的比值小于预设比值，则将三个聚类中心中的距离最近的两个聚类中心所属的聚类合为一个聚类，重新得到两个聚类以及两个中心分别对应的用电量均值。其中，预设比值可以是0.1，重新得到的两个聚类中有一个聚类是全天不在家类。
可选地，若所有历史数据不足的房屋均满足：历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离中的最小值与历史数据不足的房屋的历史日用电量最大值的比值小于预设比值，则将三个聚类中心中的距离最近的两个聚类中心所属的聚类合为一个聚类，重新得到两个聚类以及两个中心分别对应的用电量均值。
在本发明的一个实施例中，两个聚类中的其中一个聚类为全天不在家类；
根据两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数的计算公式为：
其中，K′cut,i为重新确定的第i户房屋的底值系数；W′no为两个聚类中的全天不在家类对应的用电量均值；Wmax,i为第i户房屋的历史日用电量最大值。
底值系数主要用于区分用户的居家状态，若该日日电量与历史日电量最大值的比值小于或等于底值系数，则判定用户不在家的概率较大。
S103：根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率。
在本发明的一个实施例中，上述S103可以包括：
计算每户房屋的周平均电量突变率；
针对每户房屋，若房屋的周平均电量突变率大于房屋的底值系数，则确定房屋的本周用能标签为流入，若房屋的周平均电量突变率小于房屋的底值系数的相反数，则确定房屋的本周用能标签为流出，若房屋的周平均电量突变率大于或等于房屋的底值系数的相反数且房屋的周平均电量突变率小于或等于房屋的底值系数，则确定房屋的本周用能标签为稳定；
获取预设区域内的本周用能标签为流入的房屋数量、本周用能标签为流出的房屋数量和房屋总数量，并根据本周用能标签为流入的房屋数量、本周用能标签为流出的房屋数量和房屋总数量计算预设区域的人口流动率；
针对每户房屋，若房屋的每周用能标签中包括流入和流出，且流入标签的出现时间早于流出标签，则确定房屋的用能特征标签为先入后出户，若房屋的每周用能标签中包括流入和流出，且流入标签的出现时间晚于流出标签，则确定房屋的用能特征标签为先出后入户，若房屋的每周用能标签中只包括流入，则确定房屋的用能特征标签为有入没出户，若房屋的每周用能标签中只包括流出，则确定房屋的用能特征标签为有出没入户，若房屋的每周用能标签中不包括流入和流出，则确定房屋的用能特征标签为人员稳定户。
在本发明实施例中，每户房屋每周对应一个用能标签，即流入、流出或稳定。
可选地，可以根据EB＝(EW-EZ)/EZ，计算每户房屋的周平均电量突变率EB。其中，EW为本周用电量，EZ为历史周用电量的平均值，可以是历史三年内的周用电量平均值，不足三年的取所有历史周用电量的平均值。
可选地，预设区域的人口流动率＝(本周用能标签为流入的房屋数量+本周用能标签为流出的房屋数量)/房屋总数量。
本发明实施例可以根据每户房屋的每周用能标签确定每户房屋的用能特征标签，包括先入后出户、先出后入户、有入没出户、有出没入户以及人员稳定户。
具体地，若每周用能标签中含有“流入”和“流出”，且“流入”标签出现的时间早于“流出”，则该房屋标签为“先入后出户”，记录该户房屋首次出现“流入”标签日期，以及最后一次“流出”标签出现的日期。
若每周用能标签中含有“流入”和“流出”，且“流入”标签出现的时间晚于“流出”，则该房屋标签为“先出后入户”，记录该户房屋首次出现“流出”标签的日期，以及最后一次“流入”标签出现的日期。
若每周用能标签中只含有“流入”，没有“流出”，则该房屋标签为“有入没出户”，记录该户房屋首次出现“流入”标签的日期。
若每周用能标签中只含有“流出”，没有“流入”，则该房屋标签为“有出没入户”，记录该户房屋首次出现“流出”标签的日期。
若每周用能标签中既没有“流出”，又没有“流入”，则该房屋标签为“人员稳定户”。
S104：根据每户房屋的用能特征标签确定房屋空置率。
在本发明的一个实施例中，上述S104可以包括：
根据每户房屋的用能特征标签确定预设区域内短时空置房屋的数量；
获取预设区域内用电量持续为0或持续接近0的房屋数量，并记为第一数量；
获取预设区域内的房屋总数量；
根据短时空置房屋的数量、第一数量和房屋总数量，确定短时空置率；
根据第一数量和房屋总数量确定持续空置率。
其中，短时空置房屋为存在流入和流出标签的房屋，即用能特征标签为先入后出户或先出后入户的房屋。
预设区域内用电量持续为0或持续接近0的房屋数量可以包括两类，一类是统计期间电能表表底持续为0或为空，即电能表基本未计数的房屋数量，另一类是统计期间用电量持续为零或接近零的房屋数量。两类去重之后相加的数量为第一数量。
第一数量加上短时空置房屋的数量的和，再除以房屋总数量得到短时空置率。第一数量除以房屋总数量得到持续空置率。
由上述描述可知，本发明实施例首先获取预设区域的每户房屋的历史用电量集合；对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数，然后根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率，最后根据每户房屋的用能特征标签确定房屋空置率，可以提高确定人口流动率和房屋空置率的效率和准确性。
在本发明的一个实施例中，上述人口流动率和房屋空置率确定方法还包括：
若预设区域内的房屋均未入住或尚在建设，则获取训练样本集，并基于训练样本集，采用梯度提升树算法，预测预设区域的房屋空置率。
在本发明的一个实施例中，训练样本集中的每个样本包括所在区域的人口流动率、房价、与最近的学校的距离、与最近的公园的距离、与最近的商业中心的距离以及与最近的医院的距离。
在本发明实施例中，若需要计算房屋空置率的小区还未有用户入住或者尚在建设，比如新建的小区或正在建设中的小区，则可以根据训练样本集，采用梯度提升树算法，预测预设区域的房屋空置率。
其中，训练样本集中的每个样本包括所在区域的人口流动率M、所在区域的房价N、所在区域与最近的学校的距离P、所在区域与最近的公园的距离Q、所在区域与最近的商业中心的距离R以及所在区域与最近的医院的距离S。每个样本还可以包括上述指标对应的房屋空置率。
房屋空置率K与人口流动率M、房价N、与最近的学校的距离P、与最近的公园的距离Q、与最近的商业中心的距离R以及与最近的医院的距离S均为连续值，因此需要对上述数据进行离散化处理。
可选地，根据按照国际通行惯例，商品房空置率在5％---10％之间为合理区，商品房供求平衡，有利于国民经济的健康发展；空置率在10％---20％之间为空置危险区，需采取一定措施，加大商品房销售的力度，以保证房地产市场的正常发展和国民经济的正常运行；空置率在20％以上为商品房严重积压区。因此对空置率K进行如下处置：
同样地，对于各个参数，人口流动率M、房价N、与最近的学校的距离P、与最近的公园的距离Q、与最近的商业中心的距离R以及与最近的医院的距离S采取聚类算法进行离散化，根据各个参数聚类个数O进行从0到O-1编号。
其次，构建基于梯度提升树的房屋空置率预测模型，对房屋空置率进行预测，并得出各指标权重，梯度提升回归树模型的加法模型为：
式中，l(·)是指示函数，表示如果x在空间Rj中则为1，否则为0；x为训练样本集T(x1,y1),(x2,y2),...(xN,yN)，训练样本集T中x1＝(m1,n1,p1,q1,r1,s1),y1＝k1，bj是回归树节点上的值，j为回归树叶子节点个数。对于梯度提升其核心为去拟合，计算在当前模型下损失函数的负梯度值，并将它作为残差的估计值。第t轮的第i个样本的损失函数的负梯度对于i＝1,2,...m计算rti，即
式中，yi为训练样本集变量(x1,y1),(x2,y2),...(xN,yN)，f(xi)为提升树在xi下的值，m为决策树的数量。
梯度提升树模型构建输入参量是训练样本集T＝{(x1,y1),(x2,y2),...(xm,ym)}，损失函数为L，输出函数是强学习器f(x)，具体步骤包括3步。
1)构建初始化学习器。
其中，f0(x)为根节点初始决策树，L(yi,c)为损失函数，c为使损失函数最小化的常数，yi为第i个训练样本。本发明实施例通过采用不同损失函数进行试验对比，最终确定最优损失函数。
2)对样本t＝1，2，...，T。
①对数据i＝1，2，...，m，计算损失函数L(yi,f(xi))在当前模型f(xi)的负梯度值，将其作为残差的估计值需计算器该损失函数下的负梯度：
②通过(xi,rti)，需拟合CART(Classification And Regression Tree，分类回归树)，计算得出第t棵回归树，该回归树叶子节点区域为Rmj,(j＝1,2,...J)。其中J为回归树t的叶子节点的个数。
③对叶子区域j＝1，2，...，J，通过计算所有样本及负梯度方向，得出各叶子节点最佳拟合值为：
该步骤为线性搜索过程，通过反复遍历得出学习率cim。进而得出本轮决策树拟合函数如下：
使用负梯度值作为目标值，拟合一颗回归树模型ht(x)。
④更新学习器，其学习器最终表达式为
式中：Rmj为回归树叶子节点区域；l为第i个训练样本在第j叶子节点区域的示性函数，且
式中Rmj为回归树叶子节点区域。
3)最后得出梯度提升树决策模型为
式中：f(x)为预测函数；f0(x)为根节点初始决策树；ctj为学习率；l为示性函数。
各指标权重公式为
式中：Tm为第m轮迭代中过程确定的决策树；Ij(xk)为第k个指标xk在决策树Tm被选为第j个叶子节点分裂变量的示性函数；
为训练样本集中人口流动率M、房价N、与最近的学校的距离P、与最近的公园的距离Q、与最近的商业中心的距离R以及与最近的医院的距离S等各指标变量，xk作为叶子节点对于预测结果改进量；
为变量xk在决策树中的权重，最后得出房屋空置率以及各指标的权重。
本发明实施例通过居民用电、缴费等数据，聚类形成老旧小区、群租房、新建住宅、教育学区等住宅标签，并计算人员流动率、房屋空置率，并计算房价、学校、公园、商业中心、大型医院距离与房屋空置率的关联关系，为政府部门了解人员流动率、住房空置率的准确数据、变化趋势以及变化特征，形成对该区域、楼盘的科学房价判断提高相关数据，可以提高开发商营销策略，辅助居民进行房屋购买和租赁。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上述人口流动率和房屋空置率确定方法，本发明一实施例还提供了一种人口流动率和房屋空置率确定装置，具有与上述人口流动率和房屋空置率确定方法同样的有益效果。图2是本发明一实施例提供的人口流动率和房屋空置率确定装置的示意框图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，人口流动率和房屋空置率确定装置30可以包括获取模块301、聚类分析模块302、人口流动率确定模块303和房屋空置率确定模块304。
其中，获取模块301，用于获取预设区域的每户房屋的历史用电量集合；
聚类分析模块302，用于对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
人口流动率确定模块303，用于根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率；
房屋空置率确定模块304，用于根据每户房屋的用能特征标签确定房屋空置率。
可选地，人口流动率和房屋空置率确定装置30还可以包括：校正模块。
校正模块，用于：
判断预设区域内是否存在历史数据不足的房屋；
若预设区域内存在历史数据不足的房屋，则计算历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离，并确定历史数据不足的房屋的历史用电量集合分别与三个聚类中心的距离中的最小值；
若最小值与历史数据不足的房屋的历史日用电量最大值的比值小于预设比值，则将三个聚类中心中的距离最近的两个聚类中心所属的聚类合为一个聚类，重新得到两个聚类以及两个中心分别对应的用电量均值；
根据两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数。
可选地，两个聚类中的其中一个聚类为全天不在家类；
上述校正模块中，根据两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数的计算公式为：
其中，K′cut,i为重新确定的第i户房屋的底值系数；W′no为两个聚类中的全天不在家类对应的用电量均值；Wmax,i为第i户房屋的历史日用电量最大值；
三个聚类中的其中两个聚类为部分时间在家类和全天不在家类；
上述聚类分析模块302中，根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数的计算公式为：
其中，Kcut,i为第i户房屋的底值系数；Wno为三个聚类中的全天不在家类对应的用电量均值；Wpart为三个聚类中的部分时间在家类对应的用电量均值；k1和k2均为权重系数，且k1+k2＝1，k1>2k2。
可选地，人口流动率确定模块303，具体用于：
计算每户房屋的周平均电量突变率；
针对每户房屋，若房屋的周平均电量突变率大于房屋的底值系数，则确定房屋的本周用能标签为流入，若房屋的周平均电量突变率小于房屋的底值系数的相反数，则确定房屋的本周用能标签为流出，若房屋的周平均电量突变率大于或等于房屋的底值系数的相反数且房屋的周平均电量突变率小于或等于房屋的底值系数，则确定房屋的本周用能标签为稳定；
获取预设区域内的本周用能标签为流入的房屋数量、本周用能标签为流出的房屋数量和房屋总数量，并根据本周用能标签为流入的房屋数量、本周用能标签为流出的房屋数量和房屋总数量计算预设区域的人口流动率；
针对每户房屋，若房屋的每周用能标签中包括流入和流出，且流入标签的出现时间早于流出标签，则确定房屋的用能特征标签为先入后出户，若房屋的每周用能标签中包括流入和流出，且流入标签的出现时间晚于流出标签，则确定房屋的用能特征标签为先出后入户，若房屋的每周用能标签中只包括流入，则确定房屋的用能特征标签为有入没出户，若房屋的每周用能标签中只包括流出，则确定房屋的用能特征标签为有出没入户，若房屋的每周用能标签中不包括流入和流出，则确定房屋的用能特征标签为人员稳定户。
可选地，房屋空置率确定模块304，具体用于：
根据每户房屋的用能特征标签确定预设区域内短时空置房屋的数量；
获取预设区域内用电量持续为0或持续接近0的房屋数量，并记为第一数量；
获取预设区域内的房屋总数量；
根据短时空置房屋的数量、第一数量和房屋总数量，确定短时空置率；
根据第一数量和房屋总数量确定持续空置率。
可选地，人口流动率和房屋空置率确定装置30还可以包括：预测模块。
预测模块，用于若预设区域内的房屋均未入住或尚在建设，则获取训练样本集，并基于训练样本集，采用梯度提升树算法，预测预设区域的房屋空置率。
可选地，训练样本集中的每个样本包括所在区域的人口流动率、房价、与最近的学校的距离、与最近的公园的距离、与最近的商业中心的距离以及与最近的医院的距离。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述人口流动率和房屋空置率确定装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图3是本发明一实施例提供的终端设备的示意框图。如图3所示，该实施例的终端设备40包括：一个或多个处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各个人口流动率和房屋空置率确定方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器401执行所述计算机程序403时实现上述人口流动率和房屋空置率确定装置实施例中各模块/单元的功能，例如图2所示模块301至304的功能。
示例性地，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备40中的执行过程。例如，所述计算机程序403可以被分割成获取模块、聚类分析模块、人口流动率确定模块和房屋空置率确定模块，各模块具体功能如下：
获取模块，用于获取预设区域的每户房屋的历史用电量集合；
聚类分析模块，用于对预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
人口流动率确定模块，用于根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和预设区域的人口流动率；
房屋空置率确定模块，用于根据每户房屋的用能特征标签确定房屋空置率。
其它模块或者单元可参照图2所示的实施例中的描述，在此不再赘述。
所述终端设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备40包括但不仅限于处理器401、存储器402。本领域技术人员可以理解，图3仅仅是终端设备40的一个示例，并不构成对终端设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备40还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备40的内部存储单元，例如终端设备40的硬盘或内存。所述存储器402也可以是所述终端设备40的外部存储设备，例如所述终端设备40上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括终端设备40的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序403以及所述终端设备40所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的人口流动率和房屋空置率确定装置和方法，可以通过其它的方式实现。例如，以上所描述的人口流动率和房屋空置率确定装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序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是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种人口流动率和房屋空置率确定方法，其特征在于，包括：
获取预设区域的每户房屋的历史用电量集合；
对所述预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据所述三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和所述预设区域的人口流动率；
根据每户房屋的用能特征标签确定房屋空置率。
2.根据权利要求1所述的人口流动率和房屋空置率确定方法，其特征在于，在所述根据所述三个聚类中心分别对应的用电量均值确定每户房屋的底值系数之后，还包括：
判断所述预设区域内是否存在历史数据不足的房屋；
若所述预设区域内存在历史数据不足的房屋，则计算所述历史数据不足的房屋的历史用电量集合分别与所述三个聚类中心的距离，并确定所述历史数据不足的房屋的历史用电量集合分别与所述三个聚类中心的距离中的最小值；
若所述最小值与所述历史数据不足的房屋的历史日用电量最大值的比值小于预设比值，则将所述三个聚类中心中的距离最近的两个聚类中心所属的聚类合为一个聚类，重新得到两个聚类以及两个中心分别对应的用电量均值；
根据所述两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数。
3.根据权利要求2所述的人口流动率和房屋空置率确定方法，其特征在于，所述两个聚类中的其中一个聚类为全天不在家类；
所述根据所述两个聚类中心分别对应的用电量均值重新确定每户房屋的底值系数的计算公式为：
其中，K′cut，i为重新确定的第i户房屋的底值系数；W′no为所述两个聚类中的全天不在家类对应的用电量均值；Wmax，i为第i户房屋的历史日用电量最大值；
所述三个聚类中的其中两个聚类为部分时间在家类和全天不在家类；
所述根据所述三个聚类中心分别对应的用电量均值确定每户房屋的底值系数的计算公式为：
其中，Kcut，i为第i户房屋的底值系数；Wno为所述三个聚类中的全天不在家类对应的用电量均值；Wpart为所述三个聚类中的部分时间在家类对应的用电量均值；k1和k2均为权重系数，且k1+k2＝1，k1＞2k2。
4.根据权利要求1所述的人口流动率和房屋空置率确定方法，其特征在于，所述根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和所述预设区域的人口流动率，包括：
计算每户房屋的周平均电量突变率；
针对每户房屋，若所述房屋的周平均电量突变率大于所述房屋的底值系数，则确定所述房屋的本周用能标签为流入，若所述房屋的周平均电量突变率小于所述房屋的底值系数的相反数，则确定所述房屋的本周用能标签为流出，若所述房屋的周平均电量突变率大于或等于所述房屋的底值系数的相反数且所述房屋的周平均电量突变率小于或等于所述房屋的底值系数，则确定所述房屋的本周用能标签为稳定；
获取所述预设区域内的本周用能标签为流入的房屋数量、本周用能标签为流出的房屋数量和房屋总数量，并根据所述本周用能标签为流入的房屋数量、所述本周用能标签为流出的房屋数量和所述房屋总数量计算所述预设区域的人口流动率；
针对每户房屋，若所述房屋的每周用能标签中包括流入和流出，且流入标签的出现时间早于流出标签，则确定所述房屋的用能特征标签为先入后出户，若所述房屋的每周用能标签中包括流入和流出，且流入标签的出现时间晚于流出标签，则确定所述房屋的用能特征标签为先出后入户，若所述房屋的每周用能标签中只包括流入，则确定所述房屋的用能特征标签为有入没出户，若所述房屋的每周用能标签中只包括流出，则确定所述房屋的用能特征标签为有出没入户，若所述房屋的每周用能标签中不包括流入和流出，则确定所述房屋的用能特征标签为人员稳定户。
5.根据权利要求1所述的人口流动率和房屋空置率确定方法，其特征在于，所述根据每户房屋的用能特征标签确定房屋空置率，包括：
根据每户房屋的用能特征标签确定所述预设区域内短时空置房屋的数量；
获取所述预设区域内用电量持续为0或持续接近0的房屋数量，并记为第一数量；
获取所述预设区域内的房屋总数量；
根据所述短时空置房屋的数量、所述第一数量和所述房屋总数量，确定短时空置率；
根据所述第一数量和所述房屋总数量确定持续空置率。
6.根据权利要求1至5任一项所述的人口流动率和房屋空置率确定方法，其特征在于，所述人口流动率和房屋空置率确定方法还包括：
若所述预设区域内的房屋均未入住或尚在建设，则获取训练样本集，并基于所述训练样本集，采用梯度提升树算法，预测所述预设区域的房屋空置率。
7.根据权利要求6所述的人口流动率和房屋空置率确定方法，其特征在于，所述训练样本集中的每个样本包括所在区域的人口流动率、房价、与最近的学校的距离、与最近的公园的距离、与最近的商业中心的距离以及与最近的医院的距离。
8.一种人口流动率和房屋空置率确定装置，其特征在于，包括：
获取模块，用于获取预设区域的每户房屋的历史用电量集合；
聚类分析模块，用于对所述预设区域的所有房屋的历史用电量集合进行聚类分析，得到三个聚类以及三个聚类中心分别对应的用电量均值，并根据所述三个聚类中心分别对应的用电量均值确定每户房屋的底值系数；
人口流动率确定模块，用于根据每户房屋的底值系数确定每户房屋的每周用能标签，并根据每户房屋的每周用能标签确定每户房屋的用能特征标签和所述预设区域的人口流动率；
房屋空置率确定模块，用于根据每户房屋的用能特征标签确定房屋空置率。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述人口流动率和房屋空置率确定方法的步骤。
10.一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计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述人口流动率和房屋空置率确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110182373.5A CN112907063B (zh) | 2021-02-10 | 2021-02-10 | 人口流动率和房屋空置率确定方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110182373.5A CN112907063B (zh) | 2021-02-10 | 2021-02-10 | 人口流动率和房屋空置率确定方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907063A true CN112907063A (zh) | 2021-06-04 |
| CN112907063B CN112907063B (zh) | 2023-02-28 |
Family
ID=76123367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110182373.5A Active CN112907063B (zh) | 2021-02-10 | 2021-02-10 | 人口流动率和房屋空置率确定方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907063B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609179A (zh) * | 2021-06-17 | 2021-11-05 | 国网江西省电力有限公司供电服务管理中心 | 人口流入评估方法、电子设备及存储介质 |
| CN115689290A (zh) * | 2022-11-07 | 2023-02-03 | 重庆市规划和自然资源信息中心 | 房地产市场地块开发空置监测预警分析方法 |
| CN117313981A (zh) * | 2023-07-11 | 2023-12-29 | 厦门身份宝网络科技有限公司 | 一种城中村人口动态分析方法、装置、设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225026A (zh) * | 2015-08-26 | 2016-01-06 | 中国电力科学研究院 | 一种基于电能服务管理平台的住房空置率评估方法 |
| CN105719198A (zh) * | 2016-01-22 | 2016-06-29 | 江苏省电力公司电力经济技术研究院 | 一种基于居民用电行为的房屋空置率计算方法 |
| CN109447404A (zh) * | 2018-09-20 | 2019-03-08 | 深圳供电局有限公司 | 住房空置率的评估方法、装置、计算机设备和存储介质 |
| CN109978394A (zh) * | 2019-03-29 | 2019-07-05 | 许昌学院 | 一种基于天然气用气数据的住房空置率估算方法 |
| CN110059114A (zh) * | 2019-03-16 | 2019-07-26 | 平安城市建设科技(深圳)有限公司 | 房屋空置率获取方法、装置、终端及计算机可读存储介质 |
| CN110264381A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种房屋居住率的估算方法 |
| CN111209534A (zh) * | 2019-12-23 | 2020-05-29 | 广西电网有限责任公司 | 基于居民客户用电量数据划分客户用电入住状态的方法 |
-
2021
- 2021-02-10 CN CN202110182373.5A patent/CN112907063B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225026A (zh) * | 2015-08-26 | 2016-01-06 | 中国电力科学研究院 | 一种基于电能服务管理平台的住房空置率评估方法 |
| CN105719198A (zh) * | 2016-01-22 | 2016-06-29 | 江苏省电力公司电力经济技术研究院 | 一种基于居民用电行为的房屋空置率计算方法 |
| CN109447404A (zh) * | 2018-09-20 | 2019-03-08 | 深圳供电局有限公司 | 住房空置率的评估方法、装置、计算机设备和存储介质 |
| CN110059114A (zh) * | 2019-03-16 | 2019-07-26 | 平安城市建设科技(深圳)有限公司 | 房屋空置率获取方法、装置、终端及计算机可读存储介质 |
| CN109978394A (zh) * | 2019-03-29 | 2019-07-05 | 许昌学院 | 一种基于天然气用气数据的住房空置率估算方法 |
| CN110264381A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种房屋居住率的估算方法 |
| CN111209534A (zh) * | 2019-12-23 | 2020-05-29 | 广西电网有限责任公司 | 基于居民客户用电量数据划分客户用电入住状态的方法 |
Non-Patent Citations (3)
| Title |
|---|
| JING LI 等: ""Estimating Housing Vacancy Rates in Rural China Using Power Consumption Data"", 《SUSTAINABILITY》 * |
| JINYANG JIANG等: ""Research on Vacancy rate and Idle Rate of Residential Houses Based on Power Data"", 《2020 IEEE 9TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE》 * |
| 崔凤山 等: ""用电采集系统电力大数据应用探究——电力数据看居民房屋空置率"", 《农电管理》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609179A (zh) * | 2021-06-17 | 2021-11-05 | 国网江西省电力有限公司供电服务管理中心 | 人口流入评估方法、电子设备及存储介质 |
| CN115689290A (zh) * | 2022-11-07 | 2023-02-03 | 重庆市规划和自然资源信息中心 | 房地产市场地块开发空置监测预警分析方法 |
| CN117313981A (zh) * | 2023-07-11 | 2023-12-29 | 厦门身份宝网络科技有限公司 | 一种城中村人口动态分析方法、装置、设备及可读存储介质 |
| CN117313981B (zh) * | 2023-07-11 | 2024-05-14 | 厦门身份宝网络科技有限公司 | 一种城中村人口动态分析方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907063B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907063B (zh) | 人口流动率和房屋空置率确定方法及终端设备 | |
| WO2013081283A1 (ko) | 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템 | |
| CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
| CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
| Wang et al. | Energy futures price prediction and evaluation model with deep bidirectional gated recurrent unit neural network and RIF-based algorithm | |
| CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
| CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
| CN113837488B (zh) | 能源消耗数据预测方法、系统、设备 | |
| CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
| CN113591899A (zh) | 电力客户画像识别方法、装置及终端设备 | |
| CN106909560B (zh) | 兴趣点排序方法 | |
| CN112614004A (zh) | 用电信息的处理方法及装置 | |
| CN113177366A (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
| CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
| CN109409951A (zh) | 一种基于价格指数的房地产市场监测预警方法和系统 | |
| CN110458609A (zh) | 一种新店经营管理预测分析系统 | |
| Zhang et al. | Prediction of long-term gas load based on particle swarm optimization and gray neural network model | |
| CN116596563B (zh) | 一种基于多因素模型的数字资产估值系统 | |
| CN117010942A (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
| Begum et al. | Housing price prediction with machine learning | |
| Ragapriya et al. | Machine Learning Based House Price Prediction Using Modified Extreme Boosting | |
| Hong et al. | Recurrence interval analysis on electricity consumption of an office building in China | |
| CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
| CN110826777A (zh) | 风电竞价场内交易数据分析方法、装置、设备及介质 | |
| CN114186785A (zh) | 构建房屋资源禀赋图谱的方法和提供房屋资源信息的方法 |
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 |