CN113988431A - 一种客户潜在经纪人能力预测方法、系统及设备 - Google Patents

一种客户潜在经纪人能力预测方法、系统及设备 Download PDF

Info

Publication number
CN113988431A
CN113988431A CN202111276016.1A CN202111276016A CN113988431A CN 113988431 A CN113988431 A CN 113988431A CN 202111276016 A CN202111276016 A CN 202111276016A CN 113988431 A CN113988431 A CN 113988431A
Authority
CN
China
Prior art keywords
svr model
target
nonlinear
linear
client
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.)
Pending
Application number
CN202111276016.1A
Other languages
English (en)
Inventor
李琦
赖艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Ruiyun Technology Co ltd
Original Assignee
Chongqing Ruiyun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Ruiyun Technology Co ltd filed Critical Chongqing Ruiyun Technology Co ltd
Priority to CN202111276016.1A priority Critical patent/CN113988431A/zh
Publication of CN113988431A publication Critical patent/CN113988431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种客户潜在经纪人能力预测方法、系统及设备，其中，方法包括：提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值；对相关数据信息和房产成交均值进行数据预处理，获取训练数据集；搭建线性SVR模型和非线性SVR模型，根据训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；输入当前客户信息，根据目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果。本发明能够获取客户潜在经纪人能力的预测结果，从而能够针对性的激发客户潜在的经纪人能力，为后续提高成交量打下坚实的基础。

Description

一种客户潜在经纪人能力预测方法、系统及设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种客户潜在经纪人能力预测方法、系统及设备。
背景技术
在房地产行业中，经纪人是一个不可或缺的角色。经纪人不但能挖掘出周围有购房需求的客户，还能通过裂变，带来新经纪人，新经纪人也会继续挖掘客户以及再次裂变带来新经纪人。而房地产客户——业主，是一个数据庞大的群体，其对房地产行业的了解程度也会优于普通群体，因此业主的潜在经纪人能力较高。但是现有技术中缺乏对业主的潜在经纪人能力预测的方法，不能够对客户进行针对性的潜力激发，扩大强能力的经纪人队伍。
发明内容
基于此，有必要针对上述技术问题，提供一种客户潜在经纪人能力预测方法、系统及设备。
一种客户潜在经纪人能力预测方法，包括以下步骤：提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，所述相关数据信息包括有基础数据和行为数据；对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集；搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果。
在其中一个实施例中，所述基础数据包括年龄、收入水平、购房城市、购房年份、购房价格和业主在楼书上的浏览次数；所述行为数据为经纪人的拉新能力。
在其中一个实施例中，所述对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集，具体包括：根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号；根据所述阶段标号对客户信息进行分组，获得分组数据，将所述分组数据作为训练数据集。
在其中一个实施例中，所述根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号，具体包括：将所述客户年龄分为18岁以下、18-25、26-35、36-45、46-55和55岁以上，对应阶段标号分别为0、1、2、3、4和5；将收入水平分为4000元以下、4000-7000、7001-10000、10001-13000、13001-16000和16000以上，对应阶段标后分别为0、1、2、3、4和5；结合购房城市、购房年份和购房价格获取房产成交均值，将所述房产成交均值分为小于或等于城市当年成交均值和大于城市当前成交均值，分别对应阶段标号为0和1。
在其中一个实施例中，所述搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型，具体包括：训练数据集为T＝{(x1，y1)，(x2，y2)，…，(xN，yN)}；确定惩罚系数C，且C＞0，根据下式构造约束优化问题：
Figure BDA0003329416520000021
其中，
Figure BDA0003329416520000022
且
Figure BDA0003329416520000023
且
Figure BDA0003329416520000024
Figure BDA0003329416520000025
通过SMO算法计算出最优参数α∨*和α∧*；根据所述最优参数α∨*和α∧*计算：
Figure BDA0003329416520000026
根据满足0＜α∨*＜C的样本(xk，yk)，计算b*＝yk+ε-w*Txk；构建最终的回归超平面w*Tx+b*＝0和预测函数f(x)＝sgn(w*Tx+b*)，所述预测函数为目标线性SVR模型；其中，
Figure BDA0003329416520000027
和
Figure BDA0003329416520000028
是拉格朗日系数，
Figure BDA0003329416520000029
表示xi的转置矩阵，ε表示不敏感损失；搭建非线性SVR模型时使用核方法，算法流程与所述线性SVR模型相同，并将内积替换为核函数κ(xk，yk)，获取目标非线性SVR模型。
在其中一个实施例中，所述输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果，具体包括：输入当前客户信息，根据所述目标线性SVR函数和目标非线性SVR函数分别获取线性预测结果和非线性预测结果；计算所述线性预测结果和非线性预测结果的平均值，获取目标预测结果。
一种客户潜在经纪人能力预测系统，包括：数据信息获取模块，用于提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，所述相关数据信息包括有基础数据和行为数据；数据预处理模块，用于对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集；SVR模型搭建模块，用于搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；预测结果输出模块，用于输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出预测结果。
一种设备，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上述各个实施例中所述的一种客户潜在经纪人能力预测方法的步骤。
相比于现有技术，本发明的优点及有益效果在于：本发明能够获取客户潜在经纪人能力的预测结果，从而能够针对性的激发客户潜在的经纪人能力，便于扩大强能力的经纪人队伍，为后续提高成交量打下坚实的基础。
附图说明
图1为一个实施例中一种客户潜在经纪人能力预测方法的流程示意图；
图2为一个实施例中一种客户潜在经纪人能力预测系统的结构示意图；
图3为一个实施例中设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在一个实施例中，如图1所示，提供了一种客户潜在经纪人能力预测方法，包括以下步骤：
步骤S101，提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，相关数据信息包括有基础数据和行为数据。
具体地，整理客户的数据信息，提取得到所需的相关数据信息，相关数据信息包括基础数据和行为数据，数据形式如下：
Figure BDA0003329416520000041
通过Python爬虫，爬取每个城市在一段时间内的房产成交均值，例如取近20年的房产成交均值，数据形式如下：
城市 年份 房产成交均值
重庆主城 2020 12901
重庆主城 2019 11957
重庆主城 2018 11316
重庆主城 2017 9305
…… …… ……
其中，基础数据包括年龄、收入水平、购房城市(最近一次购买)、购房年份、购房价格和业主在楼书上的浏览次数；行为数据为经纪人的拉新能力。拉新能力能够根据拉新人数获取，经纪人的拉新能力表示经纪人通过分享活动连接或个人二维码，非经纪人用户点击连接或扫描二维码后并注册为新的经纪人，则该新的经纪人为原经纪人的下级经纪人。
步骤S102，对相关数据信息和房产成交均值进行数据预处理，获取训练数据集。
具体地，对相关数据信息和房产成交均值进行数据预处理，例如对年龄阶段、收入水平和房产成交均值进行分类，获取训练数据集。
步骤S103，搭建线性SVR模型和非线性SVR模型，根据训练数据集对线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型。
具体地，对客户的潜在经纪人能力，采用SVR模型进行预测，由于客户的潜在经纪人能力与影响因素之间的关系只是推测，并非确认是线性关系，为了提高预测结果，搭建非线性SVR模型，通过线性SVR模型与非线性SVR模型的预测结果进行融合，从而提高预测结果。搭建线性SVR模型和非线性SVR模型，根据获取的训练数据集对线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型。
步骤S104，输入当前客户信息，根据目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果。
具体地，输入当前客户信息，提取所需的数据，输入目标线性SVR模型和目标非线性SVR模型，获取线性预测结果和非线性预测结果，实现对当前客户的潜在经纪人能力预测，将线性预测结果和非线性预测结果进行融合，获取目标预测结果，并进行输出。
在本实施例中，通过提取客户的相关信息，并获取每个城市在一段时间内的房产成交均值，相关信息包括有基础数据和行为数据，对相关数据信息和房产成交均值进行数据预处理，获取训练数据集，搭建线性SVR模型和非线性SVR模型，根据训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型，输入当前客户信息，根据目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果，获取客户潜在经纪人能力的预测结果，帮助企业有针对性的激发客户的潜在经纪人能力，便于扩大经纪人队伍，为提高后续成交量打下坚实的基础。
其中，步骤S102具体包括：根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号；根据阶段标号对客户信息进行分组，获得分组数据，将分组数据作为训练数据集。
具体地，根据客户年龄、收入水平和房产成交均值对客户信息进行阶段标号，根据阶段标号对客户信息进行分组，获得分组数据，将数组数据作为训练数据集。在根据阶段标号对客户信息进行分组时，可以根据企业的实际需要进行分组，例如统计当前客户中人数最多的一组，结合客户年龄、收入水平和房产均值选出对应的客户信息，作为训练数据集。
其中，将客户年龄分为18岁以下、18-25、26-35、36-45、46-55和55岁以上，对应阶段标号分别为0、1、2、3、4和5；将收入水平分为4000元以下、4000-7000、7001-10000、10001-13000、13001-16000和16000以上，对应阶段标后分别为0、1、2、3、4和5；结合购房城市、购房年份和购房价格获取房产成交均值，将房产成交均值分为小于或等于城市当年成交均值和大于城市当前成交均值，分别对应阶段标号为0和1。
具体地，在进行客户信息处理时，可以将客户年龄分为18岁以下、18-25、26-35、36-45、46-55和55岁以上，对应阶段标号分别为0、1、2、3、4和5；将收入水平分为4000元以下、4000-7000、7001-10000、10001-13000、13001-16000和16000以上，对应阶段标后分别为0、1、2、3、4和5；结合购房城市、购房年份和购房价格获取当前城市的房产成交均值，将房产成交均值分为小于或等于城市当年成交均值、大于城市当前成交均值的两种情况，分别对应阶段标号为0和1。在进行客户信息分组时，根据阶段标号获取对应的数据信息，例如客户年龄、收入水平和房产成交均值分别选取，1、2和1，作为一组分组数据。
其中，步骤S103具体包括：训练数据集为T＝{(x1，y1)，(x2，y2)，…，(xN，yN)}；确定惩罚系数C，且C＞0，根据下式构造约束优化问题：
Figure BDA0003329416520000061
其中，
Figure BDA0003329416520000062
且
Figure BDA0003329416520000063
且
Figure BDA0003329416520000064
Figure BDA0003329416520000065
通过SMO算法计算出最优参数α∨*和α∧*；根据最优参数α∨*和α∧*计算：
Figure BDA0003329416520000066
根据满足0＜α∨*＜C的样本(xk，yk)，计算b*＝yk+ε-w*Txk；构建最终的回归超平面w*Tx+b*＝0和预测函数f(x)＝sgn(w*Tx+b*)，所述预测函数为目标线性SVR模型；其中，
Figure BDA0003329416520000067
和
Figure BDA0003329416520000068
是拉格朗日系数，
Figure BDA0003329416520000069
表示xi的转置矩阵，ε表示不敏感损失；搭建非线性SVR模型时使用核方法，算法流程与所述线性SVR模型相同，并将内积替换为核函数κ(xk，yk)，获取目标非线性SVR模型。
具体地，首先搭建线性SVR模型，通过训练数据集对线性SVR模型进行训练，获取目标线性SVR模型；再根据相同的方法搭建非线性SVR模型搭建方法相同，并在搭建的过程中引入核函数，将内积替换为核函数κ(xk,yk)，最后通过训练数据集对搭建好的非线性SVR模型进行训练，从而获取目标非线性SVR模型。
其中，步骤S104具体包括：输入当前客户信息，根据目标线性SVR函数和目标非线性SVR函数分别获取线性预测结果和非线性预测结果；计算线性预测结果和非线性预测结果的平均值，获取目标预测结果。
具体地，在获取目标线性SVR模型和目标非线性SVR模型后，输入当前客户信息，根据目标线性SVR函数和目标非线性SVR函数分别获取线性预测结果和非线性预测结果；计算线性预测结果和非线性预测结果的平均值，获取目标预测结果，即客户的潜在经纪人能力预测结果，从而能够针对性的对潜在经纪人能力强的客户进行激励活动的推送，激发客户的潜在能力，扩大经纪人队伍，为后续成交量的提高打下坚实的基础。
如图2所示，提供了一种客户潜在经纪人能力预测系统20，包括：数据信息获取模块21、数据预处理模块22、SVR模型搭建模块23和预测结果输出模块24，其中：
数据信息获取模块21，用于提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，相关数据信息包括有基础数据和行为数据；
数据预处理模块22，用于对相关数据信息和房产成交均值进行数据预处理，获取训练数据集；
SVR模型搭建模块23，用于搭建线性SVR模型和非线性SVR模型，根据训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；
预测结果输出模块24，用于输入当前客户信息，根据目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出预测结果。
在一个实施例中，数据预处理模块22具体用于：根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号；根据阶段标号对客户信息进行分组，获得分组数据，将分组数据作为训练数据集。
在一个实施例中，预测结果输出模块24具体用于：输入当前客户信息，根据目标线性SVR函数和目标非线性SVR函数分别获取线性预测结果和非线性预测结果；计算线性预测结果和非线性预测结果的平均值，获取目标预测结果。
在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种客户潜在经纪人能力预测方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还可以提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的一种客户潜在经纪人能力预测系统的一部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种客户潜在经纪人能力预测方法，其特征在于，包括以下步骤：
提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，所述相关数据信息包括有基础数据和行为数据；
对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集；
搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；
输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果。
2.根据权利要求1所述的一种客户潜在经纪人能力预测方法，其特征在于，所述基础数据包括年龄、收入水平、购房城市、购房年份、购房价格和业主在楼书上的浏览次数；所述行为数据为经纪人的拉新能力。
3.根据权利要求2所述的一种客户潜在经纪人能力预测方法，其特征在于，所述对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集，具体包括：
根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号；
根据所述阶段标号对客户信息进行分组，获得分组数据，将所述分组数据作为训练数据集。
4.根据权利要求3所述的一种客户潜在经纪人能力预测方法，其特征在于，所述根据客户年龄、收入水平和房产成交均值分别对客户信息进行阶段标号，具体包括：
将所述客户年龄分为18岁以下、18-25、26-35、36-45、46-55和55岁以上，对应阶段标号分别为0、1、2、3、4和5；
将收入水平分为4000元以下、4000-7000、7001-10000、10001-13000、13001-16000和16000以上，对应阶段标后分别为0、1、2、3、4和5；
结合购房城市、购房年份和购房价格获取房产成交均值，将所述房产成交均值分为小于或等于城市当年成交均值和大于城市当前成交均值，分别对应阶段标号为0和1。
5.根据权利要求1所述的一种客户潜在经纪人能力预测方法，其特征在于，所述搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型，具体包括：
训练数据集为T＝{(x1，y1)，(x2，y2)，…，(xN，yN)}；
确定惩罚系数C，且C＞0，根据下式构造约束优化问题：
Figure FDA0003329416510000021
其中，
Figure FDA0003329416510000022
且
Figure FDA0003329416510000023
且
Figure FDA0003329416510000024
Figure FDA0003329416510000025
通过SMO算法计算出最优参数
Figure FDA0003329416510000026
和
Figure FDA0003329416510000027
根据所述最优参数
Figure FDA0003329416510000028
和
Figure FDA0003329416510000029
计算：
Figure FDA00033294165100000210
根据满足
Figure FDA00033294165100000211
的样本(xk，yk)，计算b*＝yk+ε-w*Txk；
构建最终的回归超平面w*Tx+b*＝0和预测函数f(x)＝sgn(w*Tx+b*)，所述预测函数为目标线性SVR模型；
其中，
Figure FDA00033294165100000212
和
Figure FDA00033294165100000213
是拉格朗日系数，
Figure FDA00033294165100000214
表示xi的转置矩阵，ε表示不敏感损失；
搭建非线性SVR模型时使用核方法，算法流程与所述线性SVR模型相同，并将内积替换为核函数κ(xk，yk)，获取目标非线性SVR模型。
6.根据权利要求1所述的一种客户潜在经纪人能力预测方法，其特征在于，所述输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出目标预测结果，具体包括：
输入当前客户信息，根据所述目标线性SVR函数和目标非线性SVR函数分别获取线性预测结果和非线性预测结果；
计算所述线性预测结果和非线性预测结果的平均值，获取目标预测结果。
7.一种客户潜在经纪人能力预测系统，其特征在于，包括：
数据信息获取模块，用于提取客户的相关数据信息，并获取每个城市在一段时间内的房产成交均值，所述相关数据信息包括有基础数据和行为数据；
数据预处理模块，用于对所述相关数据信息和房产成交均值进行数据预处理，获取训练数据集；
SVR模型搭建模块，用于搭建线性SVR模型和非线性SVR模型，根据所述训练数据集对所述线性SVR模型和非线性SVR模型进行训练，获取目标新型SVR模型和目标非线性SVR模型；
预测结果输出模块，用于输入当前客户信息，根据所述目标线性SVR模型和目标非线性SVR模型，对当前客户的潜在经纪人能力进行预测，输出预测结果。
8.一种设备，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计算机程序时实现权利要求1至6中任一项所述方法的步骤。
CN202111276016.1A 2021-10-29 2021-10-29 一种客户潜在经纪人能力预测方法、系统及设备 Pending CN113988431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111276016.1A CN113988431A (zh) 2021-10-29 2021-10-29 一种客户潜在经纪人能力预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276016.1A CN113988431A (zh) 2021-10-29 2021-10-29 一种客户潜在经纪人能力预测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN113988431A true CN113988431A (zh) 2022-01-28

Family

ID=79744809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111276016.1A Pending CN113988431A (zh) 2021-10-29 2021-10-29 一种客户潜在经纪人能力预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN113988431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819903A (zh) * 2022-04-28 2022-07-29 重庆锐云科技有限公司 经纪人激励活动奖励金额的设定方法、装置及计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819903A (zh) * 2022-04-28 2022-07-29 重庆锐云科技有限公司 经纪人激励活动奖励金额的设定方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
Ouyang et al. Agricultural commodity futures prices prediction via long-and short-term time series network
Ahiaga-Dagbui et al. Dealing with construction cost overruns using data mining
US20180349790A1 (en) Time-Based Features and Moving Windows Sampling For Machine Learning
CN112270547A (zh) 基于特征构造的金融风险评估方法、装置和电子设备
CN112148973B (zh) 一种信息推送的数据处理方法及装置
CN106251174A (zh) 信息推荐方法及装置
CN112163963A (zh) 业务推荐方法、装置、计算机设备和存储介质
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
CN110555713A (zh) 一种确定销量预测模型的方法和装置
Crosato et al. Predicting SME’s default: Are their websites informative?
Lütkebohmert et al. Robust deep hedging
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
Nouri et al. Implementation of the modified Monte Carlo simulation for evaluate the barrier option prices
CN115630221A (zh) 终端应用界面展示数据处理方法、装置及计算机设备
Stødle et al. Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation
CN114693409A (zh) 产品匹配方法、装置、计算机设备、存储介质和程序产品
Zhang et al. A two-step framework for arbitrage-free prediction of the implied volatility surface
CN113988431A (zh) 一种客户潜在经纪人能力预测方法、系统及设备
Gong et al. Partial tail-correlation coefficient applied to extremal-network learning
CN108876604A (zh) 股市风险预测方法、装置、计算机设备及存储介质
CN117195061A (zh) 事件响应预测模型处理方法、装置和计算机设备
CN117312657A (zh) 金融应用的异常功能定位方法、装置、计算机设备和介质
CN108920492B (zh) 一种网页分类方法、系统、终端及存储介质
CN110766465A (zh) 金融产品评估方法及其验证方法、装置
CN110796379A (zh) 业务渠道的风险评估方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220128

RJ01 Rejection of invention patent application after publication