CN113689085A - 一种多指标要素的特征属性信息处理方法以及装置 - Google Patents

Abstract

本公开涉及数据处理技术领域，提供了一种多指标要素的特征属性信息处理方法、装置、计算机设备及计算机可读存储介质。该方法包括：通过目标模块的当前属性信息，确定该目标模块的当前模块类型；根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型；由于该目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的属性信息对该目标模块的特征属性进行评估，而避免出现人工依据经验评估所导致的主观性、片面性和局限性的问题；这样，可利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值，提高了特征属性评估的效率。

Description

一种多指标要素的特征属性信息处理方法以及装置

技术领域

本公开涉及数据处理技术领域，尤其涉及一种多指标要素的特征属性信息处理方法、装置、计算机设备及计算机可读存储介质。

背景技术

在现有技术中，对于一个指标的考量，通常主要基于专业技术人员根据主观经验有侧重地从某个角度或某种信息对指标进行考量、评估，而这种考量、评估方式具有一定的主观性、片面性和局限性，导致所确定的指标评估结果的准确度较差。例如，在评估各个兴趣点(Point ofInterest，POI)对环境空气质量的影响的过程中，现有的污染源对环境空气质量影响的评估方法较为杂乱，未形成较为统一或认可度较高的方法，通常为技术人员通过将污染源在某一或主导风速风向下对研究区域的环境影响模拟得到环境空气质量影响指标的评估结果，由于该指标的评估结果仅根据风向与污染源的位置信息所评估得到的，而并未考虑其他信息，例如POI附近的水源，故现有技术中对污染源的环境空气质量影响指标评价不够全面客观。

发明内容

有鉴于此，本公开实施例提供了一种多指标要素的特征属性信息处理方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中基于专业技术人员根据主观经验有侧重地从某个角度或某种信息对指标进行考量、评估，而这种考量、评估方式具有一定的主观性、片面性和局限性，导致所确定的指标评估结果的准确度较差的问题。

本公开实施例的第一方面，提供了一种多指标要素的特征属性信息处理方法，所述方法包括：

获取目标模块的当前属性信息；

根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型；

根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型；

根据所述目标模块的当前属性信息和所述目标预测模型，得到所述目标模块的特征属性。

本公开实施例的第二方面，提供了一种多指标要素的特征属性信息处理装置，所述装置包括：

信息获取单元，被配置为获取目标模块的当前属性信息；

类型确定单元，被配置为根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型；

模型确定单元，被配置为根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型；

属性确定单元，被配置为将所述目标模块的当前属性信息输入所述目标预测模型，得到所述板块的特征属性。

本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例先通过目标模块的当前属性信息，确定该目标模块的当前模块类型；然后，根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型。由于该目标预测模型是基于该当前模块类型的板块的历史属性信息与历史特征属性之间的影响关系所设计、训练得到的；故此，该目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的属性信息对该目标模块的特征属性进行评估，以及，能够针对不同的特征属性针对性地结合相关度较高的属性信息进行评估，而避免出现了人工依据经验评估所导致的主观性、片面性和局限性的问题；这样，本实施例利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值以及更加具有自适应性，并且，也提高了特征属性评估的效率，从而提高了用户体验。

附图说明

为了更清楚地说明本公开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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的特征属性的预测方法的流程图；

图3是本公开实施例提供的模块类型的示意图；

图4是本公开实施例提供的特征属性的预测装置的框图；

图5是本公开实施例提供的计算机设备的示意图。

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，以便透彻理解本公开实施例。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公开。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公开的描述。

下面将结合附图详细说明根据本公开实施例的一种多指标要素的特征属性信息处理方法和装置。

在现有技术中，对于一个指标的考量，通常主要基于专业技术人员根据主观经验有侧重地从某个角度或某种信息对指标进行考量、评估，而这种考量、评估方式具有一定的主观性、片面性和局限性，导致所确定的指标评估结果的准确度较差。

为了解决上述问题。本发明提供了一种多指标要素的特征属性信息处理方法，在本方法中，可以先通过目标模块的当前属性信息，确定该目标模块的当前模块类型；然后，根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型。由于该目标预测模型是基于该当前模块类型的板块的历史属性信息与历史特征属性之间的影响关系所设计、训练得到的；故此，该目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的属性信息对该目标模块的特征属性进行评估，以及，能够针对不同的特征属性针对性地结合相关度较高的属性信息进行评估，而避免出现了人工依据经验评估所导致的主观性、片面性和局限性的问题；这样，本实施例利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值以及更加具有自适应性，并且，也提高了特征属性评估的效率，从而提高了用户体验。

举例说明，本发明实施例可以应用到如图1所示的应用场景。在该场景中，可以包括终端设备1和服务器2。

终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有显示屏且支持与服务器2通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1为软件时，其可以安装在如上所述的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器2可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器2可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器2可以是硬件，也可以是软件。当服务器2为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器2为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

终端设备1与服务器2可以通过网络进行通信连接。网络可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

具体地，用户可以通过终端设备1输入目标模块的当前属性信息，终端设备1将该目标模块的当前属性信息向服务器2发送。服务器2先通过目标模块的当前属性信息，确定该目标模块的当前模块类型；然后，服务器2可以根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型；接着，服务器2可以将所述目标模块的当前属性信息输入所述目标预测模型，得到所述目标模块的特征属性。这样，本实施例利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值，并且，也提高了特征属性评估的效率，从而提高了用户体验。

需要说明的是，终端设备1和服务器2以及网络的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

需要注意的是，上述应用场景仅是为了便于理解本公开而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。

图2是本公开实施例提供的一种多指标要素的特征属性信息处理方法的流程图。图2的一种多指标要素的特征属性信息处理方法可以由图1的终端设备或服务器执行。如图2所示，该特征属性的预测方法包括：

S201：获取目标模块的当前属性信息。

在本实施例中，目标模块可以理解为需要进行特征属性评估的区域。其中，目标模块为待分类模块集合中的一个板块，且该待分类模块集合可以包括多个板块，可以理解的是，该待分类模块集合对应的区域可以包括这多个板块。需要说明的是，待分类模块集合还包括各个板块各自分别对应的当前属性信息。板块对应的当前属性信息可以理解为能够反映板块在当前阶段的某一方面的属性指标。例如，当前属性信息可以为反映板块在当前阶段的影响环境空气质量的属性指标，此时，板块对应的当前属性信息可以包括兴趣点(Point ofInterest，POI)指标维度、楼房密度维度、地形地势维度，而当前属性信息可以反映板块在当前阶段的发展成熟度的属性指标，此时，板块对应的当前属性信息可以分为五个维度，具体为土地指标维度、用地指标维度、人口指标维度、区位要素维度和POI指标维度；POI指标维度包括交通要素指标、教育要素指标、医疗要素指标、环境要素指标和负面要素指标。

需要说明的是，在本实施例中可以是依次将待分类模块集合中的板块分别作为目标模块，也可以是将用户从待分类模块集合中所选定的板块作为目标模块。在确定目标模块后，可以从待分类模块集合中获取目标模块的当前属性信息。举例来说，假设终端设备提供有一操作界面，该操作界面中展示有待分类模块集合中的所有板块选项，终端设备可以响应于用户选择指令，将用户选择指令对应的板块选项作为目标模块，并从服务器或者终端设备本地所存储的待分类模块集合中获取到目标模块的当前属性信息。

S202：根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型。

在本实施例中，可以预先根据板块在当前阶段的某一方面的属性指标划分了多种板块类型，需要说明的是，在本实施例中为了便于描述，将板块的当前属性信息对应的板块类型称之为当前模块类型。可以理解的是，目标模块的当前模块类型可以反映目标模块在当前阶段的某一方面的属性指标。

例如，若当前属性信息为反映板块在当前阶段的影响环境空气质量的属性指标，在获取到目标模块的当前属性信息后，可以根据目标模块的当前属性信息，对目标模块从POI指标维度、楼房密度维度、地形地势维度分析，以确定该目标模块的当前模块类型，例如当前模块类型可以为低洼地势类型、高地地势类型。

S203：根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型。

由于不同当前模块类型的板块在当前阶段的某一方面的属性指标也不相同，故若需要评估板块的特征属性，则可以针对不同当前模块类型的板块，筛选并依据更多与该当前模块类型相关度较高的属性信息(即属性指标)对该目标模块的特征属性进行评估。在本实施例中，可以利用预测模型评估目标模块的特征属性，并且，针对不同当前模块类型的板块，可以采用不同的预测模型进行特征属性评估；需要说明的是，为了便于描述，可以将目标模块的当前模块类型对应的预测模型称之为目标预测模型。也就是说，在本实施例中，确定目标模块的当前模块类型后，可以根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型。

在本实施例中，目标预测模型为预测模型集中的一个预测模型。其中，预测模型集包括若干个预测模型，且预测模型集中的预测模型的数量与当前模块类型的数量相同，所述预测模型集中的每一预测模型均对应一当前模块类型，且每个预测模型对应的当前模块类型均不相同；可以理解的是，预测模型集中的预测模型与当前模块类型为一一对应的关系。举例来说，假设当前属性信息为反映板块在当前阶段的影响环境空气质量的属性指标，当前模块类型可以包括低洼地势类型、高地地势类型，则预测模型集中包括两个预测模型，其中，预测模型A与低洼地势类型相对应，预测模型B与高地地势类型相对应。这样，在本实施例中，在确定目标模块的当前模块类型后，可以根据目标模块的当前模块类型，从预测模型集中确定该当前模块类型对应的预测模型，并且可以将该当前模块类型对应的预测模型作为该目标模块对应的目标预测模型，即可以根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型。举例说明，假设预测模型集包括当前模块类型为低洼地势类型与预测模型A的对应关系，在确定目标模块的当前模块类型为低洼地势类型，则可以根据该目标模块的当前模块类型低洼地势类型，确定该当前模块类型“低洼地势类型”对应的目标预测模型为预测模型A。

需要说明的是，每一预测模型均包括若干个决策树模型，每个预测模型中的每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同。其中，每个预测模型中的决策树模型是不相同的。可以理解的，在一种实现方式中，预测模型集中的任意两个预测模型中的决策树模型可以是部分决策树模型对应的指标类型是相同的以及部分决策树模型对应的指标类型是不相同。例如，预测模型A包括决策树模型a和决策树模型b，决策树模型a对应的指标类型为人口密度，决策树模型b对应的指标类型为POI分布情况，而预测模型B包括决策树模型1和决策树模型2，决策树模型1对应的指标类型为人口密度，决策树模型2对应的指标类型为低洼地势分布情况。在另一种实现方式中，预测模型集中的任意两个预测模型中的决策树模型也可以是决策树模型对应的指标类型是完全不同的。例如，预测模型A包括决策树模型a和决策树模型b，决策树模型a对应的指标类型为人口密度，决策树模型b对应的指标类型为POI分布情况，而预测模型B包括决策树模型1和决策树模型2，决策树模型1对应的指标类型为楼房密度维度，决策树模型2对应的指标类型为低洼地势。当然，在一种实现方式中，预测模型集中的两个预测模型中可以是部分决策树模型对应的指标类型是相同的以及部分决策树模型对应的指标类型是不相同，而另外两个预测模型中可以是决策树模型对应的指标类型是完全不同的。

需要说明的是，预测模型中的决策树模型所对应的指标类型可以是基于历史训练样本训练得到的。具体地，可以先根据预测模型对应的当前模块类型，获取该当前模块类型对应的历史训练样本，其中，该历史训练样本包括该当前模块类型下的历史属性信息与历史特征属性之间的对应关系。然后，可以利用该当前模块类型对应的历史训练样本对预测模型训练，这样，便可以得到在该当前模块类型下各个历史属性指标对历史特征属性的影响程度权重值，其中，若历史属性指标对历史特征属性的影响程度权重值越大，说明该历史属性指标与该历史特征属性的相关度较高，反之，若历史属性指标对历史特征属性的影响程度权重值越小，说明该历史属性指标与该历史特征属性的相关度较低。接着，可以将影响程度权重值大于预设阈值的历史属性指标对应的指标类型作为与该当前模块类型相关度较高的关键属性指标类型，并且，可以将与关键属性指标类型对应的决策树模型构成与该当前模块模型对应的预测模型。需要说明的是，该预设阈值可以根据实际需求进行设置，例如可以是一个固定阈值，也可以是所有历史属性指标的影响程度权重值的平均值，当然还可以为其他确定方式，在此不再一一列举。

举例来说，假设当前模块类型为高地地势类型时，由于其对应的关键属性指标类型包括人口密度、高地高度分布情况、高地风向情况，故可以将人口密度、高地高度分布情况、高地风向情况分别对应的决策树模型组成城区板块对应的预测模型。

S204：将所述目标模块的当前属性信息输入所述目标预测模型，得到所述目标模块的特征属性。

其中，特征属性可以理解为能够反映目标模块对应的某一类型资源的数量，例如，目标模块的特征属性可以为对环境空气质量影响程度。也就是说，在本实施例中可以将目标预测模型通过评估预测得到的特征属性作为目标模块的特征属性。

在本实施例中，针对性地选取目标模块的当前模块类型对应的目标预测模型后，可以将所述目标模块的当前属性信息输入所述目标预测模型，以便目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的关键属性指标类型对该目标模块的特征属性进行评估，得到所述目标模块的特征属性。

举例说明，假设特征属性为环境空气质量影响程度，目标模块为A地，该目标模块A地的当前模块类型“低洼地势类型”对应的目标预测模型为预测模型A，则在确定该目标模块A地对应的目标预测模型为预测模型A后，可以将目标模块A地的当前属性信息输入预测模型A，得到目标模块A地的特征属性为环境空气质量影响程度较低。

根据本公开图2对应的实施例提供的技术方案，通过目标模块的当前属性信息，确定该目标模块的当前模块类型；然后，根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型。由于该目标预测模型是基于该当前模块类型的板块的历史属性信息与历史特征属性之间的影响关系所设计、训练得到的；故此，该目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的属性信息对该目标模块的特征属性进行评估，以及，能够针对不同的特征属性针对性地结合相关度较高的属性信息进行评估，而避免出现了人工依据经验评估所导致的主观性、片面性和局限性的问题；这样，本实施例利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值以及更加具有自适应性，并且，也提高了特征属性评估的效率，从而提高了用户体验。

在一些实施例中，S202：根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型，可以包括以下步骤：

S202a：根据所述待分类板块集中各个板块各自分别对应的当前属性信息，对所述待分类板块集中的多个板块进行聚类处理，得到若干个聚类集。

在本实施例中，在获取到目标模块后，可以先确定目标模块对应的待分类板块集。然后，可以根据该待分类板块集中各个板块各自分别对应的当前属性信息，对该待分类板块集中的多个板块进行聚类处理，得到若干个聚类集，例如，可以根据该待分类板块集中各个板块各自分别对应的当前属性信息，采用聚类方式对该待分类板块集中的多个板块进行聚类处理，得到若干个聚类集。需要说明的是，每个聚类集均包括至少一个板块，即一个聚类集中可以包括一个或多个板块，且一个聚类集中的全部板块的当前模块类型均是相同的；还需要强调的是，在本实施例中，通过对待分类板块集中的多个板块进行聚类处理所得到的聚类集之中，每个聚类集的当前模块类型均不相同，也就是说，任意两个聚类集中的板块的当前模块类型是不相同的。

具体地，可以先根据类簇初始值K和该待分类板块集中各个板块各自分别对应的当前属性信息，确定K个聚类集中每个聚类集的聚类中心；其中，K为正整数，且K可以为预先设置的。可以理解的是，在本实施例中，可以根据类簇初始值K和该待分类板块集中各个板块各自分别对应的当前属性信息，确定K个聚类集以及这K个聚类集中各个聚类集的聚类中心。

作为一种示例，可以从该待分类板块集中随机选择K个板块，并将该K个板块分别作为K个聚类集中的一个待定聚类中心，也就是说，在本实施例中可以针对每一个聚类集，先分别挑选一个板块作为该聚类集的待定聚类中心，且，每个聚类集的待定聚类中心均为不同的板块。然后，可以确定待分类板块集中每个板块的当前属性信息分别与各个聚类集的待定聚类中心的当前属性信息的欧式距离，即分别计算该待分类板块集中各个板块的当前属性信息分别与各个聚类集的待定聚类中心的当前属性信息的欧式距离。接着，可以根据每个板块的最小欧式距离，将每个板块分别划分到板块的最小欧式距离对应的聚类集，也就是说，若两个板块的最小欧式距离均对应同一个聚类集，则可以将这两个板块分配到该聚类集。紧接着，针对每一个聚类集，可以先确定该聚类集中各个板块的当前属性信息的均值向量(比如各个板块的当前属性信息的平均值)；若该均值向量对应的板块为该待定聚类中心，则将该待定聚类中心作为该聚类集的聚类中心；若该均值向量对应的板块与该待定聚类中心不相同，则将该均值向量对应的板块作为待定聚类中心，并重新执行该确定该聚类集中各个板块的当前属性信息的均值向量的步骤，直至该均值向量对应的板块为该待定聚类中心，此时，可以将该待定聚类中心作为该聚类集的聚类中心。

在确定K个聚类集中每个聚类集的聚类中心之后，可以根据该待分类板块集和各个聚类中心，将该待分类板块集中各个板块分别分配至一聚类集，得到聚类后的K个聚类集。作为一种示例，可以根据该待分类板块集中的各个板块与各个聚类集的聚类中心之间的欧式距离，将该待分类板块集中的各个板块分别分配至一聚类集，得到聚类后的K个聚类集；可以理解的是，针对该待分类板块集中的每一个板块，先确定该板块分别与各个聚类集的聚类中心之间的欧式距离，然后，可以确定该版块的最小欧式距离所对应的聚类中心，接着，可以将该版块分配至该最小欧式距离所对应的聚类中心的聚类集中。

S202b：将所述目标模块对应的聚类集的当前模块类型作为所述目标模块的当前模块类型。

在对待分类板块集中的多个板块进行聚类处理，得到若干个聚类集之后，可以先确定目标模块所处的聚类集，然后，可以将该目标模块对应的聚类集的当前模块类型作为该目标模块的当前模块类型。举例来说，假设目标模块为聚类集A中的一个板块，而聚类集A对应的当前模块类型为城区板块，因此，可以确定该目标模块的当前模块类型为城区板块。

可见，根据本公开实施例提供的技术方案，通过根据待分类板块集中各个板块各自分别对应的当前属性信息，对该待分类板块集中的多个板块进行聚类处理，得到若干个聚类集，从而可以将该目标模块对应的聚类集的当前模块类型作为该目标模块的当前模块类型。这样，通过根据待分类板块集中各个板块各自分别对应的当前属性信息，对该待分类板块集中的多个板块进行聚类处理，可以使得待分类板块集中各个板块的分类更加准确，从而提高了确定目标模块的当前模块类型的准确度。

在一些实施例中，S204：根据所述目标模块的当前属性信息和所述目标预测模型，得到所述目标模块的特征属性，可以包括以下步骤：

S204a：将所述目标模块的当前属性信息分别输入所述目标预测模型中的每个决策树模型，得到每个决策树模型输出的特征属性。

在本实施例中，目标预测模型包括若干个决策树模型，其中，目标预测模型中的每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同。在获取到目标模块的当前属性信息之后，可以将目标模块的当前属性信息分别输入该目标预测模型中的各个决策树模型，从而可以得到各个决策树模型分别输出的特征属性。需要说明的是，每个决策树模型所输出的特征属性均为基于该决策树模型对应的指标类型维度，对目标模块的当前属性信息进行评估所得到的，也就是说，目标预测模型在预测目标模块的目标特征属性过程中，会依据与该目标模块的当前模块类型相关度较高的若干指标类型维度，对该目标模块的特征属性进行评估，从而得到每个指标类型维度下的特征属性。

举例来说，假设目标模块的当前模块类型为城区板块，城区板块对应的预测模型包括人口密度对应的决策树模型A、医院分布情况对应的决策树模型B、和中小学分布情况对应的决策树模型C，则可以将所述目标模块的当前属性信息分别输入决策树模型A、决策树模型B和决策树模型C，得到决策树模型A输出的特征属性A、决策树模型B输出的特征属性B和决策树模型C输出的特征属性C。

S204b：根据每个决策树模型输出的特征属性，确定所述目标模块的特征属性。

在得到目标预测模型中每个决策树模型输出的特征属性后，可以基于目标预测模型中决策树模型所输出的若干特征属性，确定目标模块的特征属性。作为一种示例，可以将目标预测模型所输出的若干特征属性的平均值作为目标模块的特征属性；作为另一种示例，还可以将目标预测模型所输出的若干特征属性中出现频率最高的特征属性作为目标模块的特征属性。

举例来说，假设目标模块的当前模块类型为城区板块，城区板块对应的预测模型包括人口密度对应的决策树模型A、医院分布情况对应的决策树模型B、和中小学分布情况对应的决策树模型C，将所述目标模块的当前属性信息分别输入决策树模型A、决策树模型B和决策树模型C，得到决策树模型A输出的特征属性为资源属性1、决策树模型B输出的特征属性为资源属性2和决策树模型C输出的特征属性为资源属性3；可以将目标预测模型所输出的三个特征属性的平均资源属性元作为目标模块的特征属性。

再举例来说，假设目标模块的当前模块类型为城区板块，城区板块对应的预测模型包括人口密度对应的决策树模型A、医院分布情况对应的决策树模型B、和中小学分布情况对应的决策树模型C，将所述目标模块的当前属性信息分别输入决策树模型A、决策树模型B和决策树模型C，得到决策树模型A输出的特征属性为资源属性1、决策树模型B输出的特征属性为资源属性1和决策树模型C输出的特征属性为资源属性2；可以将目标预测模型所输出的三个特征属性中出现频率最高的特征属性“资源属性1”作为目标模块的特征属性。

可见，根据本公开实施例提供的技术方案，由于每个决策树模型所输出的特征属性均为基于该决策树模型对应的指标类型维度，对目标模块的当前属性信息进行评估所得到的，因此，目标预测模型在预测目标模块的目标特征属性过程中，会依据与该目标模块的当前模块类型相关度较高的若干指标类型维度，对该目标模块的特征属性进行评估，从而得到每个指标类型维度下的特征属性，这样，根据每个指标类型维度下的特征属性所确定的目标模块的特征属性更加准确、更具有参考价值。

在一些实施例中，在S202：根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型的步骤之后，所述方法还包括：

步骤a：获取目标模块的规划属性信息。

在本实施例中，目标模块的规划属性信息可以理解为能够反映板块在未来阶段的发展成熟度的属性指标；例如，目标模块对应的规划属性信息可以分为五个维度，具体为规划土地指标维度、规划用地指标维度、规划人口指标维度、规划区位要素维度和规划兴趣点(Point ofInterest，POI)指标维度。需要说明的是，在一种实现方式中，目标模块的规划属性信息可以从国土资源和规划局、教育局等公布的《城市圈总体规划》、《综合交通规划》、《中小学布局规划》等规划文件获取到，例如，可以获取到如表1所示的规划属性信息。

表1

步骤b：根据所述目标模块的规划属性信息，确定所述目标模块的规划板块类型。

需要说明的是，本实施例中的步骤b与图2对应实施例中的S202相似。因此，在本实施例中，不再对步骤b进行阐述，具体可以参见S202的介绍。

需要强调的是，在本实施例中为了便于描述，将板块的规划属性信息对应的板块类型称之为规划板块类型。可以理解的是，目标模块的规划板块类型可以反映目标模块在未来阶段的发展成熟度，需要强调的是，目标模块的发展成熟度越高，说明目标模块的特征属性也越高，反之，目标模块的发展成熟度越低，说明目标模块的特征属性也越低。具体地，在获取到目标模块的规划属性信息后，可以根据目标模块的规划属性信息，对目标模块进行多维度分析，例如可以对目标模块从土地指标维度、用地指标维度、人口指标维度、区位要素维度和POI指标维度进行分析，以确定该目标模块的规划板块类型。

在一种实现方式中，规划板块类型可以包括城区板块、城区边缘板块、新城中心板块、新城边缘板块和远郊板块，其中，以上规划板块类型依照所反映的目标模块在当前阶段的发展成熟度从高到低的排列顺序为：城区板块、城区边缘板块、新城中心板块、新城边缘板块、远郊板块。

步骤c：根据所述目标模块的当前模块类型和规划板块类型，确定所述目标模块对应的板块变化类型。

需要说明的是，板块对应的板块变化类型可以理解为板块从当前到未来的特征属性发展趋势，也就是说，板块对应的板块变化类型可以反映板块的特征属性的变化趋势。在一种实现方式中，板块对应的板块变化类型可以包括下降板块类型、非变类板块类型和上升板块类型；其中，下降板块类型反映了板块的特征属性的变化趋势为特征属性越来越低，非变类板块类型反映了板块的特征属性的变化趋势为特征属性并未发生变化，上升板块类型反映了板块的特征属性的变化趋势为特征属性越来越高。

在本实施例中，确定目标模块的当前模块类型和规划板块类型之后，可以根据当前模块类型对应的发展成熟度与规划板块类型对应的发展成熟度，确定目标模块对应的板块变化类型。具体地，若目标模块的当前模块类型和规划板块类型均为同一板块类型，则该目标模块的板块变化类型为非变类板块类型，以图3举例说明，各个板块的当前模块类型如图3中的图(a)所示，各个板块的规划板块类型如图3(b)所示，由于除了板块A、B、C以外的板块的当前模块类型和规划板块类型均为同一板块类型，故如图3(c)所示，除了板块A、B、C以外的板块变化类型均为非变类板块类型；若目标模块的当前模块类型的发展成熟度高于规划板块类型的发展成熟度，则该目标模块的板块变化类型为下降板块类型，以图3举例说明，各个板块的当前模块类型如图3中的图(a)所示，各个板块的规划板块类型如图3(b)所示，由于板块B的当前模块类型的发展成熟度高于规划板块类型的发展成熟度，故如图3(c)所示，板块B的板块变化类型为下降板块类型；若目标模块的当前模块类型的发展成熟度低于规划板块类型的发展成熟度，则该目标模块的板块变化类型为上升板块类型，以图3举例说明，各个板块的当前模块类型如图3中的图(a)所示，各个板块的规划板块类型如图3(b)所示，由于板块A和板块C的当前模块类型的发展成熟度低于规划板块类型的发展成熟度，故如图3(c)所示，板块A和板块C的板块变化类型为上升板块类型。

步骤d：根据所述目标模块对应的板块变化类型，确定所述目标模块对应的潜力属性信息。

在本实施例中，由于目标模块对应的板块变化类型可以反映板块的特征属性的变化趋势。故此，在确定目标模块对应的板块变化类型后，可以根据该目标模块对应的板块变化类型，确定该目标模块对应的潜力属性信息，其中，潜力属性信息可以理解能够反映板块价值发展的潜力程度的信息；可以理解的是，若目标模块对应的板块变化类型为下降板块类型，说明目标模块的价值发展的潜力较低；若目标模块对应的板块变化类型为非变类板块类型，说明目标模块的价值发展潜力一般；若目标模块对应的板块变化类型为上升板块类型，说明目标模块的价值发展潜力较高，此时，可以将目标模块确定为价值洼地。需要说明的是，在一种实现方式中，确定目标模块对应的潜力属性信息后，可以以可视化的方式展示目标模块对应的潜力属性信息。

可见，根据本公开实施例提供的技术方案，可以根据目标模块的当前模块类型和规划板块类型，确定目标模块对应的板块变化类型，从而可以根据目标模块对应的板块变化类型，确定目标模块对应的潜力属性信息，这样，便可以根据目标模块对应的潜力属性信息确定出具有提高特征属性的价值洼地，从而便于用户根据目标模块对应的潜力属性信息做出合理的板块发展决策，从而提高用户体验。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的特征属性的预测装置的示意图。如图4所示，该特征属性的预测装置包括：

信息获取模块401，被配置为获取目标模块的当前属性信息；

类型确定模块402，被配置为根据该目标模块的当前属性信息，确定该目标模块的当前模块类型；

模型确定模块403，被配置为根据该目标模块的当前模块类型，确定该当前模块类型对应的目标预测模型；

属性确定模块404，被配置为将该目标模块的当前属性信息输入该目标预测模型，得到该板块的特征属性。

在一些实施例中，该目标模块为待分类模块集合中的一个板块，该待分类模块集合包括多个板块以及各个板块各自分别对应的当前属性信息。类型确定模块402，具体被配置为：

根据该待分类板块集中各个板块各自分别对应的当前属性信息，对该待分类板块集中的多个板块进行聚类处理，得到若干个聚类集；其中，每个聚类集均包括至少一个板块，且每个聚类集的当前模块类型均不相同；

将该目标模块对应的聚类集的当前模块类型作为该目标模块的当前模块类型。

在一些实施例中，类型确定模块402，具体被配置为：

根据类簇初始值K和该待分类板块集中各个板块各自分别对应的当前属性信息，确定K个聚类集中每个聚类集的聚类中心；其中，K为正整数；

根据该待分类板块集和各个聚类中心，将该待分类板块集中各个板块分别分配至一聚类集，得到聚类后的K个聚类集。

在一些实施例中，类型确定模块402，具体被配置为：

从该待分类板块集中随机选择K个板块，并将该K个板块分别作为该K个聚类集中的一个待定聚类中心；

确定该待分类板块集中每个板块的当前属性信息分别与各个聚类集的待定聚类中心的当前属性信息的欧式距离；

根据每个板块的最小欧式距离，将每个板块分别划分到板块的最小欧式距离对应的聚类集；

针对每一个聚类集，确定该聚类集中各个板块的当前属性信息的均值向量；若该均值向量对应的板块为该待定聚类中心，则将该待定聚类中心作为该聚类集的聚类中心；若该均值向量对应的板块与该待定聚类中心不相同，则将该均值向量对应的板块作为待定聚类中心，并重新执行该确定该聚类集中各个板块的当前属性信息的均值向量的步骤，直至该均值向量对应的板块为该待定聚类中心。

在一些实施例中，类型确定模块402，具体被配置为：

根据该待分类板块集中的各个板块与各个聚类集的聚类中心之间的欧式距离，将该待分类板块集中的各个板块分别分配至一聚类集，得到聚类后的K个聚类集。

在一些实施例中，目标预测模型为预测模型集中的一个预测模型，其中，该预测模型集中的预测模型的数量与当前模块类型的数量相同，该预测模型集中的每一预测模型均对应一当前模块类型，且每个预测模型对应的当前模块类型均不相同；

每一预测模型均包括若干个决策树模型，每个预测模型中的每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同；其中，每个预测模型中的决策树模型是不相同的。

在一些实施例中，属性确定模块404，具体被配置为：

将该目标模块的当前属性信息分别输入该目标预测模型中的每个决策树模型，得到每个决策树模型输出的特征属性；

根据每个决策树模型输出的特征属性，确定该目标模块的特征属性。

在一些实施例中，该装置还包括信息确定模块405，被配置为：

在该根据该目标模块的当前属性信息，确定该目标模块的当前模块类型的步骤之后，获取目标模块的规划属性信息；根据该目标模块的规划属性信息，确定该目标模块的规划板块类型；根据该目标模块的当前模块类型和规划板块类型，确定该目标模块对应的板块变化类型；根据该目标模块对应的板块变化类型，确定该目标模块对应的潜力属性信息。

根据本公开实施例提供的技术方案，通过目标模块的当前属性信息，确定该目标模块的当前模块类型；然后，根据该目标模块的当前模块类型，针对性地选取该当前模块类型对应的目标预测模型。由于该目标预测模型是基于该当前模块类型的板块的历史属性信息与历史特征属性之间的影响关系所设计、训练得到的；故此，该目标预测模型在预测该当前模块类型的目标模块的特征属性过程中，会筛选并依据更多与该当前模块类型相关度较高的属性信息对该目标模块的特征属性进行评估，以及，能够针对不同的特征属性针对性地结合相关度较高的属性信息进行评估，而避免出现了人工依据经验评估所导致的主观性、片面性和局限性的问题；这样，本实施例利用该目标预测模型根据该目标模块的当前属性信息所评估的该目标模块的特征属性更加准确、更具有参考价值以及更加具有自适应性，并且，也提高了特征属性评估的效率，从而提高了用户体验。

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，而不应对本公开实施例的实施过程构成任何限定。

图5是本公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。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，该指令段用于描述计算机程序503在计算机设备5中的执行过程。

计算机设备5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机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5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，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器501可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、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)或者其它可编程逻辑器件、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。

存储器502可以是计算机设备5的内部存储单元，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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，存储器502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

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，并不用于限制本公开的保护范围。上述系统中单元、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。

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公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，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，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。

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，在本公开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。

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存储介质中。基于这样的理解，本公开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，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，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电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (11)

1.一种多指标要素的特征属性信息处理方法，其特征在于，所述方法包括：

获取目标模块的当前属性信息；

根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型；

根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型；

根据所述目标模块的当前属性信息和所述目标预测模型，获取所述目标模块的特征属性。

2.根据权利要求1所述的方法，其特征在于，所述目标模块为待分类模块集合中的一个模块，所述待分类模块集合包括多个模块以及各个模块各自分别对应的当前属性信息；

所述根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型，包括：

根据所述待分类模块集中各个模块各自分别对应的当前属性信息，对所述待分类模块集中的多个模块进行聚类处理，得到若干个聚类集；其中，每个聚类集均包括至少一个模块，且每个聚类集的当前模块类型均不相同；

将所述目标模块对应的聚类集的当前模块类型作为所述目标模块的当前模块类型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述待分类模块集中各个模块各自分别对应的当前属性信息，对所述待分类模块集中的多个模块进行聚类处理，得到若干个聚类集，包括：

根据类簇初始值K和所述待分类模块集中各个模块各自分别对应的当前属性信息，确定K个聚类集中每个聚类集的聚类中心；其中，K为正整数；

根据所述待分类模块集和各个聚类中心，将所述待分类模块集中各个模块分别分配至一聚类集，得到聚类后的K个聚类集。

4.根据权利要求3所述的方法，其特征在于，所述根据类簇初始值K和所述待分类模块集中各个模块各自分别对应的当前属性信息，确定K个聚类集中每个聚类集的聚类中心，包括：

从所述待分类模块集中随机选择K个模块，并将所述K个模块分别作为所述K个聚类集中的一个待定聚类中心；

确定所述待分类模块集中每个模块的当前属性信息分别与各个聚类集的待定聚类中心的当前属性信息的欧式距离；

根据每个模块的最小欧式距离，将每个模块分别划分到模块的最小欧式距离对应的聚类集；

针对每一个聚类集，确定该聚类集中各个模块的当前属性信息的均值向量；

若所述均值向量对应的模块为所述待定聚类中心，则将所述待定聚类中心作为该聚类集的聚类中心；

若所述均值向量对应的模块与所述待定聚类中心不相同，则将所述均值向量对应的模块作为待定聚类中心，并重新执行所述确定该聚类集中各个模块的当前属性信息的均值向量的步骤，直至所述均值向量对应的模块为所述待定聚类中心。

5.根据权利要求4所述的方法，其特征在于，所述根据所述待分类模块集和各个聚类中心，将所述待分类模块集中各个模块分别分配至一聚类集，得到聚类后的K个聚类集，包括：

根据所述待分类模块集中的各个模块与各个聚类集的聚类中心之间的欧式距离，将所述待分类模块集中的各个模块分别分配至一聚类集，得到聚类后的K个聚类集。

6.根据权利要求1所述的方法，其特征在于，所述目标预测模型为预测模型集中的一个预测模型，其中，所述预测模型集中的预测模型的数量与当前模块类型的数量相同，所述预测模型集中的每一预测模型均对应一当前模块类型，且每个预测模型对应的当前模块类型均不相同；

每一预测模型均包括若干个决策树模型，每个预测模型中的每个决策树模型对应一个指标类型且每个决策树模型对应的指标类型均不相同；其中，每个预测模型中的决策树模型是不相同的。

7.根据权利要求6所述的方法，其特征在于，所述将所述目标模块的当前属性信息输入所述目标预测模型，得到所述目标模块的特征属性，包括：

将所述目标模块的当前属性信息分别输入所述目标预测模型中的每个决策树模型，得到每个决策树模型输出的特征属性；

根据每个决策树模型输出的特征属性，确定所述目标模块的特征属性。

8.根据权利要求1-7中任一项所述的方法，其特征在于，在所述根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型的步骤之后，所述方法还包括：

获取目标模块的规划属性信息；

根据所述目标模块的规划属性信息，确定所述目标模块的规划模块类型；

根据所述目标模块的当前模块类型和规划模块类型，确定所述目标模块对应的模块变化类型；

根据所述目标模块对应的模块变化类型，确定所述目标模块对应的潜力属性信息。

9.一种多指标要素的特征属性信息处理装置，其特征在于，所述装置包括：

信息获取模块，被配置为获取目标模块的当前属性信息；

类型确定模块，被配置为根据所述目标模块的当前属性信息，确定所述目标模块的当前模块类型；

模型确定模块，被配置为根据所述目标模块的当前模块类型，确定所述当前模块类型对应的目标预测模型；

属性确定模块，被配置为将所述目标模块的当前属性信息输入所述目标预测模型，得到所述模块的特征属性。

10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以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8中任一项所述方法的步骤。

11.一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如权利要求1至8中任一项所述方法的步骤。

Images