CN113469437A - 事件发生周期的预测方法、存储介质与计算机程序产品 - Google Patents
事件发生周期的预测方法、存储介质与计算机程序产品 Download PDFInfo
- Publication number
- CN113469437A CN113469437A CN202110735813.5A CN202110735813A CN113469437A CN 113469437 A CN113469437 A CN 113469437A CN 202110735813 A CN202110735813 A CN 202110735813A CN 113469437 A CN113469437 A CN 113469437A
- Authority
- CN
- China
- Prior art keywords
- event occurrence
- preset time
- time period
- period
- cycle
- 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 60
- 238000004590 computer program Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 71
- 230000000737 periodic effect Effects 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 3
- 102100040160 Rabankyrin-5 Human genes 0.000 description 2
- 101710086049 Rabankyrin-5 Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/04—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
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息技术领域,公开一种事件发生周期的预测方法、存储介质与计算机程序产品。所述方法包括:基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述预设对象的第一事件发生周期等级;基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述预设对象的第二事件发生周期等级;及对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。本发明可精确地预估事件发生周期等级,由此可引导相关的业务人员将主要精力投放在事件发生周期较小的对象上,从而可极大地提高业务人员的工作效率。
Description
技术领域
本发明涉及信息技术领域,具体地涉及一种事件发生周期的预测方法、存储介质与计算机程序产品。
背景技术
在以往的房产行业中,对于房源的事件发生周期(例如成交周期)的预测没有统一的科学可测量的方法,仅凭经验/主观意见进行判定。例如,经纪人仅通过其掌握的房源信息决定相应的周期预估。然而,这种方法的准确性主要由经纪人所掌握的房源信息全面程度决定,由此得到的预估结果非常不准确。
发明内容
本发明的目的是提供一种事件发生周期的预测方法、存储介质与计算机程序产品,其可精确地预估事件发生周期等级,由此可引导相关的业务人员将主要精力投放在需要关注的事件发生周期较小/较大的对象上,从而可极大地提高业务人员的工作效率,进而可有助于加快事件/业务的达成速度。
为了实现上述目的,本发明第一方面提供一种事件发生周期的预测方法,所述预测方法包括:基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述特定预设时间段内的预设对象的第一事件发生周期等级;基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述特定预设时间段内的预设对象的第二事件发生周期等级;以及对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。
优选地,所述预测方法还包括:采用多个训练样本集合对所述周期预测模型进行训练,其中,所述多个训练样本集合中的每个训练样本集合包括:多个历史预设时间段中的一个历史预设时间段内的对象样本的特征信息与事件发生周期等级,所述多个训练样本集合与所述多个历史预设时间段一一对应,并且,所述多个历史预设时间段内的对象样本的事件发生周期等级包括预设数目个事件发生周期等级。
优选地,所述多个历史预设时间段为连续或不连续的历史预设天数,相应地,所述多个历史预设时间段内的对象样本的事件发生周期等级通过以下方式确定:确定特定历史日期pt内的对象样本i的事件发生周期xpt i;以及根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级包括:根据所确定的事件发生周期xpt i及下式,确定所述特定历史日期pt内的对象样本i的事件发生周数f(xpt i):f(xpt i)=ceil(xpt i/7);以及根据所确定的事件发生周数f(xpt i)及等级划分规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述多个历史预设时间段至少包括第一历史预设时间段与第二历史预设时间段,并且所述第一历史预设时间段内的对象样本与所述第二历史预设时间段内的对象样本至少部分重叠,相应地,在执行所述采用所述多个训练样本集合对所述周期预测模型进行训练之前,所述预测方法还包括:对所述多个训练样本集合进行剔重处理。
优选地,所述对所述多个训练样本集合进行剔重处理包括:根据所述第一历史预设时间段、所述第一历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第一历史预设时间段内的对象样本的事件发生周期等级;根据所述第二历史预设时间段、所述第二历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第二历史预设时间段内的对象样本的事件发生周期等级;以及在所述第一历史预设时间段内的特定对象样本的事件发生周期等级为所述预设数目个事件发生周期等级中的最大等级且所述第二历史预设时间段内的所述特定对象的事件发生周期等级不为所述最大等级的情况下,剔除所述第一历史预设时间段内的所述特定对象样本。
优选地,所述周期预测规则为每个事件发生周期等级内的预设对象的数目与所述预设数目个事件发生周期等级内的预设对象的总数目的比例固定。
优选地,所述确定所述特定预设时间段内的预设对象的第二事件发生周期等级包括:根据所述周期预测规则及所述预设数目个事件发生周期等级内的预设对象的总数目,确定所述每个事件发生周期等级内的预设对象的数目;将所述特定预设时间段内的预设对象按照各自质量得分的降序方式进行排列;以及按照所述每个事件发生周期等级内的预设对象的数目,将按质量得分降序排列的所述特定预设时间段内的预设对象划分至相应的周期逐渐增大的事件发生周期等级内。
优选地,所述对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合包括:根据所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i、所述周期预测模型针对所述第一事件发生周期等级的权重W(Lmodel i)、所述预设对象i的所述第二事件发生周期等级Lrule i及所述周期预测规则针对所述第二事件发生周期等级的权重W(Lrule i)及下式,确定所述对象i的综合事件发生周期等级Li,Li=Lmodel i*Wmodel(Lmodel i)+Lrule i*Wrule(Lrule i)。
通过上述技术方案,本发明创造性地基于某预设时间段(例如某天pt1)内的预设对象(例如房源)的特征信息并通过周期预测模型,预测所述预设时间段内的各个预设对象的事件发生周期的等级;基于所述预设时间段(例如某天pt1)内的预设对象(例如房源)的质量得分并通过周期预测规则,预测所述各个预设对象的时间发生周期的等级;然后对通过以上两种方式预测的等级进行加权融合,从而可获得所述预测时间段内的预设对象的事件发生周期的有效等级。由此,本发明可引导相关的业务人员将主要精力投放在事件发生周期较小的对象上,从而可极大地提高业务人员的工作效率,进而可有助于加快事件/业务的达成速度。
本发明第二方面提供一种事件发生周期的预测系统,所述预测系统包括:第一等级确定装置,用于基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述特定预设时间段内的预设对象的第一事件发生周期等级;第二等级确定装置,用于基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述特定预设时间段内的预设对象的第二事件发生周期等级;以及融合装置,用于对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。
优选地,所述预测系统还包括:训练装置,用于采用多个训练样本集合对所述周期预测模型进行训练,其中,所述多个训练样本集合中的每个训练样本集合包括:多个历史预设时间段中的一个历史预设时间段内的对象样本的特征信息与事件发生周期等级,中的每个训练样本集合并且,所述多个历史预设时间段内的对象样本的事件发生周期等级包括预设数目个事件发生周期等级。
优选地,所述多个历史预设时间段为连续或不连续的历史预设天数,相应地,所述预测系统还包括:采样装置,用于通过以下方式确定所述多个历史预设时间段内的对象样本的事件发生周期等级:确定特定历史日期pt内的对象样本i的事件发生周期xpt i;以及根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述采样装置用于根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级包括:根据所确定的事件发生周期xpt i及下式,确定所述特定历史日期pt内的对象样本i的事件发生周数f(xpt i):f(xpt i)=ceil(xpt i/7);以及根据所确定的事件发生周数f(xpt i)及等级划分规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述多个历史预设时间段至少包括第一历史预设时间段与第二历史预设时间段,并且所述第一历史预设时间段内的对象样本与所述第二历史预设时间段内的对象样本至少部分重叠,相应地,所述预测系统还包括:剔重装置,用于对所述多个训练样本集合进行剔重处理。
优选地,所述剔重装置包括:第一等级确定模块,用于根据所述第一历史预设时间段、所述第一历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第一历史预设时间段内的对象样本的事件发生周期等级;第二等级确定模块,用于根据所述第二历史预设时间段、所述第二历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第二历史预设时间段内的对象样本的事件发生周期等级;以及剔除模块,用于在所述第一历史预设时间段内的特定对象样本的事件发生周期等级为所述预设数目个事件发生周期等级中的最大等级且所述第二历史预设时间段内的所述特定对象的事件发生周期等级不为所述最大等级的情况下,剔除所述第一历史预设时间段内的所述特定对象样本。
优选地,所述周期预测规则为每个事件发生周期等级内的预设对象的数目与所述预设数目个事件发生周期等级内的预设对象的总数目的比例固定。
优选地,所述第二等级确定装置包括:数目确定模块,用于根据所述周期预测规则及所述预设数目个事件发生周期等级内的预设对象的总数目,确定所述每个事件发生周期等级内的预设对象的数目;排序模块,用于将所述特定预设时间段内的预设对象按照各自质量得分的降序方式进行排列;以及划分模块,用于按照所述每个事件发生周期等级内的预设对象的数目,将按质量得分降序排列的所述特定预设时间段内的预设对象划分至相应的周期逐渐增大的事件发生周期等级内。
优选地,所述融合装置用于对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合包括:根据所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i、所述周期预测模型针对所述第一事件发生周期等级的权重W(Lmodel i)、所述预设对象i的所述第二事件发生周期等级Lrule i及所述周期预测规则针对所述第二事件发生周期等级的权重W(Lrule i)及下式,确定所述对象i的综合事件发生周期等级Li,Li=Lmodel i*Wmodel(Lmodel i)+Lrule i*Wrule(Lrule i)。
有关本发明提供的事件发生周期的预测系统的具体细节及益处可参阅上述针对事件发生周期的预测方法的描述,于此不再赘述。
本发明第三方面还提供一种机器可读存储介质,所述机器可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现所述的事件发生周期的预测方法的步骤。
本发明第四方面提供一种电子设备,所述电子设备包括:处理器;用于存储所述计算机程序的存储器;所述处理器,用于从所述存储器中读取所述计算机程序,并执行所述计算机程序以实现上述的事件发生周期的预测方法的步骤。
本发明第五方面提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述的事件发生周期的预测方法的步骤。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一实施例提供的事件发生周期的预测方法的流程图;
图2是本发明一实施例提供的对所述多个训练样本集合进行剔重处理的流程图;
图3是本发明一实施例提供的确定所述特定预设时间段内的预设对象的第二事件发生周期等级的流程图;以及
图4是本发明一实施例提供的事件发生周期的预测系统的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一实施例提供的一种事件发生周期的预测方法,所述预测方法包括以下步骤S101-S103。
在执行步骤S101之前,所述预测方法还可包括:采用多个训练样本集合对所述周期预测模型进行训练。由此,获取经训练的周期预测模型。
其中,所述多个训练样本集合中的每个训练样本集合可包括:多个历史预设时间段中的一个历史预设时间段内的对象样本的特征信息与事件发生周期等级,所述多个训练样本集合与所述多个历史预设时间段一一对应,并且,所述多个历史预设时间段内的对象样本的事件发生周期等级包括预设数目个事件发生周期等级。例如,2020年10月29日-至2021年1月25日之间的各天在线的所有房源的特征信息与事件发生周期等级(即任一天的各个房源的特征信息与事件发生周期等级)组成一个训练样本集合。具体地,2020年10月28日在线的所有房源的的特征信息与事件发生周期等级组成一个训练样本集合。
具体地,所述多个历史预设时间段可为连续的或不连续的历史预设天数(即预设时间段可为一天)。例如,所述多个历史预设时间段可为2020年10月28日至2021年1月25日之间(即连续90天内)的各天。
其中,所述多个历史预设时间段内的对象样本的特征信息可包括:地理位置、物理楼层、建筑类型、建筑年份、室内面积、是否唯一、是否满五、是否满二、面积水平、居室数、楼栋经纬度、交易权属、产权年限、同城区平均成交周期、同商圈平均成交周期、特定时间段内的页面浏览量与浏览人数等中的至少一者与对象标识。
相应地,所述多个历史预设时间段内的对象样本的事件发生周期等级通过以下方式可确定:确定特定历史日期pt内的对象样本i的事件发生周期xpt i;以及根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
其中,所述等级确定规则可包括按照事件发生周期确定事件发生周数(具体为对所述事件发生周期进行向上取整,可得到事件发生周数);以及按照所述事件发生周数与等级划分规则确定事件发生周期等级。
其中,所述根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级可包括:根据所确定的事件发生周期xpt i及下式(1),确定所述特定历史日期pt内的对象样本i的事件发生周数f(xpt i):
f(xpt i)=ceil(xpt i/7); (1)
根据所确定的事件发生周数f(xpt i)及等级划分规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
其中,所述等级划分规则可为分别将命中(0,4]、(4,6]、(6,8]、(8,10]、(10,12]、(12,~](单位为周,最大关注周数为12周(其可根据实际关注需求进行合理设置),即84天)的事件发生周数划分至等级0、等级1、等级2、等级3、等级4、等级5。
具体地,以2020年10月28日在线的房源(N为12)为例,若房源A到2020年11月28日售出,则预测房源A的事件发生周期为30日,然后根据上式(1)可预测房源A的事件发生周数为ceil(30/7)=5(即对30/7的结果进行向上取整,可得到周数为5);若房源B到2020年12月28日售出,则预测房源B的事件发生周期为60日,然后根据上式(1)可预测房源B的事件发生周数为9;若房源C到2021年1月28日售出,则预测房源B的事件发生周期为90日,然后根据上式(1)可预测房源B的事件发生周数为13。最后,房源A、B、C的事件发生周期分别命中区间(4,6]、(8,10]、(12,~],则确定房源A、B、C的事件发生周期等级分别为等级1、等级3、等级5。类似地,可根据上述过程确定2020年10月28日在线的所有房源的事件发生周期等级(即2020年10月28日的各个房源的特征信息与事件发生周期等级组成一个训练样本集合),并且,可根据上述过程确定2020年10月29日-至2021年1月25日之间的各天在线的所有房源的事件发生周期等级(即任一天的各个房源的特征信息与事件发生周期等级均组成一个训练样本集合)。
对于房产而言,由挂牌到售出的周期较长,可能在若干天数内均未成功出售某房源,由此,对于在特定日期出售的房源通过上文方式可能会得到相应的不同的周期等级。具体地,对于2020年10月28日在线的房源C而言,若其到2021年1月28日售出,则该房源C的事件发生周期等级为5;然而,对于2020年12月28日在线的房源而言,由于在12月28日当天仍未成功出售房源C,则12月28日当天在线的房源也包括所述房源C,类似地通过上文描述过程可得到12月28日在线的所述房源C的事件发生周期等级为1。另外,由于房源的交易周期长,故房源的各个周期等级间(尤其是最大等级(例如等级5)与其他等级间)的样本数目极度不均衡。因此,在本实施例中,可对训练样本集合进行合理的剔重处理。
所述多个历史预设时间段至少可包括第一历史预设时间段与第二历史预设时间段,并且所述第一历史预设时间段内的对象样本与所述第二历史预设时间段内的对象样本至少部分重叠。相应地,在执行所述采用所述多个训练样本集合对所述周期预测模型进行训练之前,所述预测方法还可包括:对所述多个训练样本集合进行剔重处理。由此,可得到各个周期等级更为均衡的多个训练样本集合,通过该多个训练样本集合训练得到的周期预测模型的准确性越高。
具体地,如上所述,在与多个训练样本所对应的多个历史预设时间段包括2020年10月28日与2020年12月28日的情况下,由于房源C直至2021年1月28日才售出,故2020年10月28日在线的房源与2020年12月28日在线的房源均包括房源C(即两个历史预设时间段内的对象样本至少部分重叠)。在此情况下,可对2020年10月28日在线的房源(即训练样本集合1)与2020年12月28日在线的房源(即训练样本集合2)进行剔重处理(具体过程详见下文)。
如图2所示,所述对所述多个训练样本集合进行剔重处理可包括以下步骤S201-S203。
步骤S201,根据所述第一历史预设时间段、所述第一历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及等级确定规则,确定所述第一历史预设时间段内的对象样本的事件发生周期等级。
具体地,以第一历史预设时间段为2020年10月28日为例,若当天在线的房源C到2021年1月28日售出(即事件发生所对应的最终预设时间段为2021年1月28日),则可确定10月28日在线的该房源C的事件发生周期为90日;接着结合上述等级确定规则(可参见上文描述)可先确定10月28日在线的该房源C的事件发生周数为ceil(90/7),再根据所述等级划分规则可确定10月28日在线的该房源C的事件发生周期等级为5。
步骤S202,根据所述第二历史预设时间段、所述第二历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第二历史预设时间段内的对象样本的事件发生周期等级。
具体地,以第二历史预设时间段为2020年12月28日为例,由于房源C在12月28日当天仍未成功出售,则12月28日当天在线的房源也包括所述房源C。房源C的事件发生所对应的最终预设时间段为2021年1月28日,则类似地结合上述等级确定规则(可参见上文描述)可得到12月28日在线的所述房源C的事件发生周期等级为1。
步骤S203,在所述第一历史预设时间段内的特定对象样本的事件发生周期等级为所述预设数目个事件发生周期等级中的最大等级且所述第二历史预设时间段内的所述特定对象的事件发生周期等级不为所述最大等级的情况下,剔除所述第一历史预设时间段内的所述特定对象样本。
具体地,如上所述最大等级可为等级5,若10月28日在线的所述房源C的事件发生周期等级为5(即其为最大等级),且12月28日在线的所述房源C的事件发生周期等级为1(即其不为最大等级),则剔除10月28日在线的所述房源C的样本。
在通过上述步骤S201-S203之后,在另一实施例中,还可继续对经剔重处理后的多个训练样本集合进行预处理(例如负采样),由此,可得到各个等级间更为均衡的训练样本。具体地,对所述多个训练样本集合中的每个训练样本集合中的事件发生周期等级为最大等级的对象样本进行随机负采样。例如,通过采样比为预设比例(例如0.7)的方式对事件发生周期等级为最大等级的对象样本进行负采样。
其中,所述周期预测模型可为LGBM(Light Gradient Boosting Machine,轻梯度提升机)模型。在通过上述方式获取经剔重处理的多个训练样本之后,采用多个训练样本集合对所述LGBM模型进行训练,以获取经训练的LGBM模型,具体训练过程可采用现有的方式进行。通过所述LGBM模型对周期等级进行预测不仅可提高预测结果的准确性,还可极大地提升预测速度。
步骤S101,基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述特定预设时间段内的预设对象的第一事件发生周期等级。
其中,预设时间段可为一天(或某个日期)。例如,所述特定预设时间段可为待预测日期(例如,2021年4月20日)。所述预设对象可为房源。
在基于多个训练样本集合并通过上述过程训练得到周期预测模型之后,将特定预设时间段内的预设对象的特征信息输入到训练好的周期预测模型(例如,LGBM模型),即可输出该特定预设时间段内的预设对象的事件发生周期。具体地,若想要预测当天(例如,2021年4月20日)在线的各个房源的事件发生周期(即在多少天之后能够被出售),则将当天在线的各个房源的特征信息(例如,地理位置与房源标识)输入到LGBM模型中,由所述LGBM模型可预测当天(例如,2021年4月20日)在线的各个房源的事件发生周期等级。
步骤S102,基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述特定预设时间段内的预设对象的第二事件发生周期等级。
其中,所述周期预测规则可为每个事件发生周期等级内的预设对象的数目与所述预设数目个事件发生周期等级内的预设对象的总数目的比例固定。
在执行步骤S102之前,可通过多个训练样本集合确定所述周期预测规则。其中,所述多个训练样本集合可与上文描述的用于对周期预测模型进行训练的多个训练样本集合相同或者不同。具体地,所述多个训练样本集合可包括多个历史预设时间段内的对象样本的质量得分与事件发生周期等级。对于质量得分而言,可通过多个历史预设时间段内的对象样本的特征信息的综合情况(例如,地理位置、物理楼层、建筑类型、建筑年份、室内面积、是否唯一、是否满五、是否满二、面积水平、居室数、楼栋经纬度、交易权属、产权年限、同城区平均成交周期、同商圈平均成交周期、特定时间段内的页面浏览量与浏览人数中的一项或多项等)进行确定(可参见现有的方法进行确定,例如地理位置越靠近市中心且物理楼层在特定楼层范围(例如中高层),房源的质量得分越高)。对于事件发生周期等级而言,可参见上文的相关描述进行确定,于此不再对其进行赘述。所述对象样本的质量得分越高,越容易出售,即其对应的事件发生周期越小(即事件发生周期等级(可简称为等级)越小)。
通过多个训练样本集合可确定各个等级内的房源的数目与所述多个训练样本集合中的房源的总数目的比例:等级0内的房源的比例为R1(例如5%);等级1内的房源的比例为R1(例如5%);等级2内的房源的比例为R2(例如10%);等级3内的房源的比例为R3(例如20%);等级4内的房源的比例为R4(例如15%);以及等级5内的房源的比例为R5(例如45%)。
对于步骤S102,所述确定所述特定预设时间段内的预设对象的第二事件发生周期等级可包括以下步骤S301-S303,如图3所示。
步骤S301,根据所述周期预测规则及所述预设数目个事件发生周期等级内的预设对象的总数目,确定所述每个事件发生周期等级内的预设对象的数目。
若所述预设数目个(例如6个)事件发生周期等级(例如等级0、等级1、等级2、等级3、等级4、等级5)内的房源的总数目为100,则根据所述周期预测规则可确定等级0、等级1、等级2、等级3、等级4、等级5内的房源的数目分别为5、5、10、20、15、45,如表1所示。
步骤S302,将所述特定预设时间段内的预设对象按照各自质量得分的降序方式进行排列。
其中,所述特定预设时间段可为待预测日期(例如,2021年4月20日)。
例如,在获得2021年4月21日在线的各个房源的质量得分的情况下,将所有房源按照从其得分从高到低的方式进行排序。即将得分最高的房源排在第1位(即排名为1);将得分仅次于最高值的房源排在第2位(即排名为2),……(类似地对其他房源进行排序),将得分最低的房源排在第100位(即建立各个房源与排名之间的映射关系)。
步骤S303,按照所述每个事件发生周期等级内的预设对象的数目,将按质量得分降序排列的所述特定预设时间段内的预设对象划分至相应的周期逐渐增大的事件发生周期等级内。
在各个周期等级内的房源数目为表1所示的数目的基础上,将得分排名1-5的房源划分至等级0、将得分排名6-10的房源划分至等级1、将得分排名11-20的房源划分至等级2、将得分排名21-40的房源划分至等级3、将得分排名41-55的房源划分至等级4、将得分排名56-100的房源划分至等级5,具体如表1所示。
表1周期等级、房源数目与排名区间之间的映射关系
等级 | 房源数目 | 排名区间 |
0 | 5 | [1,5] |
1 | 10 | [6,10] |
2 | 20 | [11,20] |
3 | 20 | [21,40] |
4 | 15 | [41,55] |
5 | 45 | [56,100] |
步骤S103,对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。
对于步骤S301,所述对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合可包括:根据所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i、所述周期预测模型针对所述第一事件发生周期等级的权重Wmodel(Lmodel i)、所述预设对象i的所述第二事件发生周期等级Lrule i及所述周期预测规则针对所述第二事件发生周期等级的权重Wrule(Lrule i)及下式(2),确定所述对象i的综合事件发生周期等级Li,
Li=Lmodel i*Wmodel(Lmodel i)+Lrule i*Wrule(Lrule i)。 (2)
其中,所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i与所述第二事件发生周期等级Lrule i可分别通过上文内容确定。在一实施例中,所述周期预测模型针对所述第一事件发生周期等级的权重Wmodel(Lmodel i)可与所述周期预测模型的准确性相关联(具体详见下文的描述);以及所述周期预测规则针对所述第二事件发生周期等级的权重Wrule(Lrule i)可与所述周期预测规则的准确性相关联(具体详见下文的描述)。
对于针对等级L的模型权重Wmodel(L)而言,在得到所述经训练的周期预测模型的情况下,可用多个验证样本集合(不同于用于训练所述周期预测模型的多个训练样本集合,但其获取方式可参见上述关于所述多个训练样本集合的描述)对所述经训练的周期预测模型进行验证。
具体地,首先获取通过所述经训练的LGBM模型预测的所述多个验证样本集合中的事件发生周期等级为L的房源的总数目为#Lmodel;然后获取通过所述经训练的LGBM模型获得的预测结果准确的房源的数目#Lm_true(即若一房源的预测的等级L大于或等于真实等级Lm_true(即该房源样本的事件发生周期等级),则认为该房源的预测结果准确,按照此方式确定预测结果准确的房源的数目);然后可根据#Lmodel、#Lm_true及下式(即模型的准确率),确定通过所述经训练的周期预测模型预测的结果为等级Lmodel的准确率Rmodel(L)。
类似地,对于针对等级L的模型权重Wtrue(L)而言,在得到所述周期预测规则的情况下,可用多个验证样本集合(不同于用于确定所述周期预测规则的多个训练样本集合,但其获取方式可参见上述关于所述多个训练样本集合的描述)对所述周期预测规则进行验证。
可通过上述类似的过程确定针对等级L的规则权重Wtrue(L)。具体地,可确定通过所述周期预测规则预测的结果为等级L的准确率(即规则的准确率),其中,#Lrule为通过所述周期预测规则预测的所述多个验证样本集合中的事件发生周期等级为L的房源的总数目;#Lr_true为通过所述周期预测规则获取的预测结果准确的房源的数目(即若一房源的预测的等级L大于或等于真实等级Lr_true(即该房源样本的事件发生周期等级),则认为该房源的预测结果准确,按照此方式确定预测结果准确的房源的数目)。
最后,根据模型的准确率Rmodel(L)与模型的准确率Rrule(L)及下式(2),确定针对等级L的模型权重Wmodel(L)与规则权重Wtrue(L),
由此,在变量L为Lmodel i时,可将Lmodel i代入上式(3)计算得到Wmodel(Lmodel i);在变量L为Lrule i时,可将Lrule i代入上式(3)计算得到Wrule(Lrule i)。
当然,上述过程可根据实际需求从不同的维度(例如,城市或者区域的维度)来预测相应维度内的预设对象的事件发生周期等级。由此,本发明各个实施例可定量地确定同一城市内的各个房源的事件发生周期等级,从而可引导相应的业务人员将主要精力投放在等级较小的房源上,从而可极大地提高业务人员的工作效率,进而可有助于加快事件/业务的达成速度。
综上所述,本发明创造性地基于某预设时间段(例如某天pt1)内的预设对象(例如房源)的特征信息并通过周期预测模型,预测所述预设时间段内的各个预设对象的事件发生周期的等级;基于所述预设时间段(例如某天pt1)内的预设对象(例如房源)的质量得分并通过周期预测规则,预测所述各个预设对象的时间发生周期的等级;然后对通过以上两种方式预测的等级进行加权融合,从而可获得所述预测时间段内的预设对象的事件发生周期的有效等级。由此,本发明可引导相关的业务人员将主要精力投放在事件发生周期较小的对象上,从而可极大地提高业务人员的工作效率,进而可有助于加快事件/业务的达成速度。
图4是本发明一实施例提供的事件发生周期的预测系统的结构图。如图4所示,所述预测系统可包括:第一等级确定装置10,用于基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述特定预设时间段内的预设对象的第一事件发生周期等级;第二等级确定装置20,用于基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述特定预设时间段内的预设对象的第二事件发生周期等级;以及融合装置30,用于对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。
优选地,所述预测系统还包括:训练装置(未示出),用于采用多个训练样本集合对所述周期预测模型进行训练,其中,所述多个训练样本集合中的每个训练样本集合包括:多个历史预设时间段中的一个历史预设时间段内的对象样本的特征信息与事件发生周期等级,所述多个训练样本集合与所述多个历史预设时间段一一对应,并且,所述多个历史预设时间段内的对象样本的事件发生周期等级包括预设数目个事件发生周期等级。
优选地,所述多个历史预设时间段为连续或不连续的历史预设天数,相应地,所述预测系统还包括:采样装置(未示出),用于通过以下方式确定所述多个历史预设时间段内的对象样本的事件发生周期等级:确定特定历史日期pt内的对象样本i的事件发生周期xpt i;以及根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述采样装置用于根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级包括:根据所确定的事件发生周期xpt i及下式,确定所述特定历史日期pt内的对象样本i的事件发生周数f(xpt i):f(xpt i)=ceil(xpt i/7);以及根据所确定的事件发生周数f(xpt i)及等级划分规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
优选地,所述多个历史预设时间段至少包括第一历史预设时间段与第二历史预设时间段,并且所述第一历史预设时间段内的对象样本与所述第二历史预设时间段内的对象样本至少部分重叠,相应地,所述预测系统还包括:剔重装置,用于对所述多个训练样本集合进行剔重处理。
优选地,所述剔重装置包括:第一等级确定模块,用于根据所述第一历史预设时间段、所述第一历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第一历史预设时间段内的对象样本的事件发生周期等级;第二等级确定模块,用于根据所述第二历史预设时间段、所述第二历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第二历史预设时间段内的对象样本的事件发生周期等级;以及剔除模块,用于在所述第一历史预设时间段内的特定对象样本的事件发生周期等级为所述预设数目个事件发生周期等级中的最大等级且所述第二历史预设时间段内的所述特定对象的事件发生周期等级不为所述最大等级的情况下,剔除所述第一历史预设时间段内的所述特定对象样本。
优选地,所述周期预测规则为每个事件发生周期等级内的预设对象的数目与所述预设数目个事件发生周期等级内的预设对象的总数目的比例固定。
优选地,所述第二等级确定装置包括:数目确定模块,用于根据所述周期预测规则及所述预设数目个事件发生周期等级内的预设对象的总数目,确定所述每个事件发生周期等级内的预设对象的数目;排序模块,用于将所述特定预设时间段内的预设对象按照各自质量得分的降序方式进行排列;以及划分模块,用于按照所述每个事件发生周期等级内的预设对象的数目,将按质量得分降序排列的所述特定预设时间段内的预设对象划分至相应的周期逐渐增大的事件发生周期等级内。
优选地,所述融合装置用于对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合包括:根据所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i、所述周期预测模型针对所述第一事件发生周期等级的权重W(Lmodel i)、所述预设对象i的所述第二事件发生周期等级Lrule i及所述周期预测规则针对所述第二事件发生周期等级的权重W(Lrule i)及下式,确定所述对象i的综合事件发生周期等级Li,Li=Lmodel i*Wmodel(Lmodel i)+Lrule i*Wrule(Lrule i)。
有关本发明提供的事件发生周期的预测系统的具体细节及益处可参阅上述针对事件发生周期的预测方法的描述,于此不再赘述。
本发明一实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现所述的事件发生周期的预测方法的步骤。
本发明一实施例还提供一种电子设备,所述电子设备包括:处理器;用于存储所述计算机程序的存储器;所述处理器,用于从所述存储器中读取所述计算机程序,并执行所述计算机程序以实现上述的事件发生周期的预测方法的步骤。
本发明一实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述的事件发生周期的预测方法的步骤。以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种事件发生周期的预测方法,其特征在于,所述预测方法包括:
基于周期预测模型及特定预设时间段内的预设对象的特征信息,确定所述特定预设时间段内的预设对象的第一事件发生周期等级;
基于周期预测规则及所述特定预设时间段内的预设对象的质量得分,确定所述特定预设时间段内的预设对象的第二事件发生周期等级;以及
对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合,以确定所述特定预设时间段内的预设对象的预设对象的综合事件发生周期等级。
2.根据权利要求1所述的事件发生周期的预测方法,其特征在于,在执行所述确定所述特定预设时间段内的预设对象的第一事件发生周期等级的步骤之前,所述预测方法还包括:
采用多个训练样本集合对所述周期预测模型进行训练,
其中,所述多个训练样本集合中的每个训练样本集合包括:多个历史预设时间段中的一个历史预设时间段内的对象样本的特征信息与事件发生周期等级,所述多个训练样本集合与所述多个历史预设时间段一一对应,并且,所述多个历史预设时间段内的对象样本的事件发生周期等级包括预设数目个事件发生周期等级。
3.根据权利要求2所述的事件发生周期的预测方法,其特征在于,所述多个历史预设时间段为连续或不连续的历史预设天数,
相应地,所述多个历史预设时间段内的对象样本的事件发生周期等级通过以下方式确定:
确定特定历史日期pt内的对象样本i的事件发生周期xpt i;以及
根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
4.根据权利要求3所述的事件发生周期的预测方法,其特征在于,所述根据所确定的事件发生周期xpt i及等级确定规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级包括:
根据所确定的事件发生周期xpt i及下式,确定所述特定历史日期pt内的对象样本i的事件发生周数f(xpt i):
f(xpt i)=ceil(xpt i/7);以及
根据所确定的事件发生周数f(xpt i)及等级划分规则,确定所述特定历史日期pt内的对象样本i的事件发生周期等级。
5.根据权利要求3所述的事件发生周期的预测方法,其特征在于,所述多个历史预设时间段至少包括第一历史预设时间段与第二历史预设时间段,并且所述第一历史预设时间段内的对象样本与所述第二历史预设时间段内的对象样本至少部分重叠。
6.根据权利要求5所述的事件发生周期的预测方法,其特征在于,在执行所述采用所述多个训练样本集合对所述周期预测模型进行训练之前,所述预测方法还包括:对所述多个训练样本集合进行剔重处理,
优选地,所述对所述多个训练样本集合进行剔重处理包括:
根据所述第一历史预设时间段、所述第一历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第一历史预设时间段内的对象样本的事件发生周期等级;
根据所述第二历史预设时间段、所述第二历史预设时间段内的对象样本的事件发生所对应的最终预设时间段及所述等级确定规则,确定所述第二历史预设时间段内的对象样本的事件发生周期等级;以及
在所述第一历史预设时间段内的特定对象样本的事件发生周期等级为所述预设数目个事件发生周期等级中的最大等级且所述第二历史预设时间段内的所述特定对象的事件发生周期等级不为所述最大等级的情况下,剔除所述第一历史预设时间段内的所述特定对象样本。
7.根据权利要求2所述的事件发生周期的预测方法,其特征在于,所述周期预测规则为每个事件发生周期等级内的预设对象的数目与所述预设数目个事件发生周期等级内的预设对象的总数目的比例固定,
优选地,所述确定所述特定预设时间段内的预设对象的第二事件发生周期等级包括:
根据所述周期预测规则及所述预设数目个事件发生周期等级内的预设对象的总数目,确定所述每个事件发生周期等级内的预设对象的数目;
将所述特定预设时间段内的预设对象按照各自质量得分的降序方式进行排列;以及
按照所述每个事件发生周期等级内的预设对象的数目,将按质量得分降序排列的所述特定预设时间段内的预设对象划分至相应的周期逐渐增大的事件发生周期等级内。
8.根据权利要求1所述的事件发生周期的预测方法,其特征在于,所述对所述特定预设时间段内的预设对象的所述第一事件发生周期等级与所述第二事件发生周期等级进行加权融合包括:
根据所述特定预设时间段内的预设对象i的所述第一事件发生周期等级Lmodel i、所述周期预测模型针对所述第一事件发生周期等级的权重W(Lmodel i)、所述预设对象i的所述第二事件发生周期等级Lrule i及所述周期预测规则针对所述第二事件发生周期等级的权重W(Lrule i)及下式,确定所述对象i的综合事件发生周期等级Li,
Li=Lmodel i*Wmodel(Lmodel i)+Lrule i*Wrule(Lrule i)。
9.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述权利要求1-8中任一项所述的事件发生周期的预测方法的步骤。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1-8中任一项所述的事件发生周期的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735813.5A CN113469437B (zh) | 2021-06-30 | 2021-06-30 | 房源成交周期的预测方法与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735813.5A CN113469437B (zh) | 2021-06-30 | 2021-06-30 | 房源成交周期的预测方法与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469437A true CN113469437A (zh) | 2021-10-01 |
CN113469437B CN113469437B (zh) | 2023-11-10 |
Family
ID=77876404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735813.5A Active CN113469437B (zh) | 2021-06-30 | 2021-06-30 | 房源成交周期的预测方法与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469437B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314415A (zh) * | 2022-07-08 | 2022-11-08 | 北京天融信网络安全技术有限公司 | 网络安全态势预测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251974A1 (en) * | 2010-04-07 | 2011-10-13 | Woodard Scott E | System and method for utilizing sentiment based indicators in determining real property prices and days on market |
US20130346151A1 (en) * | 2012-06-22 | 2013-12-26 | Corelogic Solutions, Llc | Systems and methods for automated valuation of real estate developments |
CN105740431A (zh) * | 2016-01-29 | 2016-07-06 | 湖南大学 | 一种基于多层周期指数递阶的时序数据预测方法 |
CN108038713A (zh) * | 2017-11-22 | 2018-05-15 | 链家网(北京)科技有限公司 | 房价预估方法及装置 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN109670569A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN111861190A (zh) * | 2020-07-16 | 2020-10-30 | 贝壳技术有限公司 | 一种用于生成房源任务的方法和装置 |
CN112734289A (zh) * | 2021-01-25 | 2021-04-30 | 中国人民解放军国防科技大学 | 国防技术发展周期评估方法及系统 |
-
2021
- 2021-06-30 CN CN202110735813.5A patent/CN113469437B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251974A1 (en) * | 2010-04-07 | 2011-10-13 | Woodard Scott E | System and method for utilizing sentiment based indicators in determining real property prices and days on market |
US20130346151A1 (en) * | 2012-06-22 | 2013-12-26 | Corelogic Solutions, Llc | Systems and methods for automated valuation of real estate developments |
CN105740431A (zh) * | 2016-01-29 | 2016-07-06 | 湖南大学 | 一种基于多层周期指数递阶的时序数据预测方法 |
CN109670569A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN108038713A (zh) * | 2017-11-22 | 2018-05-15 | 链家网(北京)科技有限公司 | 房价预估方法及装置 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN111861190A (zh) * | 2020-07-16 | 2020-10-30 | 贝壳技术有限公司 | 一种用于生成房源任务的方法和装置 |
CN112734289A (zh) * | 2021-01-25 | 2021-04-30 | 中国人民解放军国防科技大学 | 国防技术发展周期评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
邵聪聪: "购房者偏好视角下的北京二手房源分类研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑(月刊)》, no. 2020, pages 6 - 35 * |
郑成浩: "基于统计学习方法的住房流动性研究", 《中国优秀硕士学位论文全文数据库社会科学辑(月刊)》, no. 2020, pages 4 - 36 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314415A (zh) * | 2022-07-08 | 2022-11-08 | 北京天融信网络安全技术有限公司 | 网络安全态势预测方法、装置、电子设备及存储介质 |
CN115314415B (zh) * | 2022-07-08 | 2023-09-26 | 北京天融信网络安全技术有限公司 | 网络安全态势预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113469437B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sundgren et al. | Auditor‐in‐charge characteristics and going‐concern reporting | |
WO2016206557A1 (zh) | 一种风险识别方法及装置 | |
Hermawan | Intellectual capital, financial performance and market performance: evidence from high IC intensive company in Indonesia | |
CN112862283A (zh) | 基于层次分析的城管派遣方法和系统 | |
Dobrovolskienė et al. | Simple Additive Weighting versus Technique for Order Preference by Similarity to an Ideal Solution: which method is better suited for assessing the sustainability of a real estate project | |
CN113469437A (zh) | 事件发生周期的预测方法、存储介质与计算机程序产品 | |
Kakhbod et al. | Finfluencers | |
Asuquo et al. | Governance quality and public sector procurement of infrastructure projects in developing countries: evidence from Nigeria | |
Kasyanov et al. | Method for multi-criteria evaluation of urban parks | |
Li et al. | Spatial effect of market sentiment on housing price: Evidence from social media data in China | |
Ross | A socioeconomic analysis of property assessment uniformity: Empirical evidence on the role of policy | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN111950883A (zh) | 一种住宅价格指数预警方法、终端设备及存储介质 | |
Wodon et al. | Training for the Urban Unemployed: A Reevaluation of Mexico's Training Program, Probecat | |
CN115423600A (zh) | 数据筛选方法、装置、介质及电子设备 | |
CN115471192A (zh) | 工作量验收中的数据处理方法、装置、设备及存储介质 | |
CN112307307B (zh) | 一种保险产品推荐方法及装置 | |
Ofori Dei et al. | The Relative and Interactive Effects of Actual and Perceived Gambling Exposure on Gambling Behaviour | |
CN110569475A (zh) | 一种网民影响力的评估方法、装置、设备和存储介质 | |
Baylis et al. | How important is spatial correlation in randomized controlled trials? | |
Novyarni et al. | Influence of Intellectual Capital and Corporate Governance on Company Financial Performance: Study on Mining Sector Companies Listed on The Indonesia Stock Exchange for 2016-2020 Period | |
KR20190048007A (ko) | 증권 빅데이터기반 페어 트레이딩시스템 및 그 제어방법 | |
Molina et al. | Accuracy of concert versus independent age estimates made from anal fin rays of muskellunge | |
CN108259938B (zh) | 一种评估用户对直播房间感兴趣程度的方法和装置 | |
Lusk et al. | A linguistic examination of the CapitalCube™ market effect variables |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231109 Address after: Room 102, floor 1, building 1, No. 2, Chuangye Road, Haidian District, Beijing 100085 Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: 101309 room 24, 62 Farm Road, Erjie village, Yangzhen, Shunyi District, Beijing Applicant before: Beijing fangjianghu Technology Co.,Ltd. |