CN114154697A - 房屋维修资源的预测方法、装置、计算机设备和存储介质 - Google Patents

房屋维修资源的预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114154697A
CN114154697A CN202111402515.0A CN202111402515A CN114154697A CN 114154697 A CN114154697 A CN 114154697A CN 202111402515 A CN202111402515 A CN 202111402515A CN 114154697 A CN114154697 A CN 114154697A
Authority
CN
China
Prior art keywords
sample
prediction model
historical
prediction
resource data
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
CN202111402515.0A
Other languages
English (en)
Inventor
黄锐
周小伟
陈颢
邹秋艳
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202111402515.0A priority Critical patent/CN114154697A/zh
Publication of CN114154697A publication Critical patent/CN114154697A/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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种房屋维修资源的预测方法、装置、计算机设备和存储介质。所述方法包括：按照时间顺序获取与目标区域对应的历史房屋维修资源数据。基于指数平滑预测模型，对历史房屋维修资源数据和待预测时刻进行处理，确定第一预测值。基于该历史房屋维修资源数据，获取当前时刻各个地区特征数据。通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到第二预测值。基于第一权重、该第一预测值、第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值，大大增加了房屋维修资源预测的精确度。

Description

房屋维修资源的预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据数据分析技术领域，特别是涉及一种房屋维修资源的预测方法、装置、计算机设备和存储介质。
背景技术
随着城市化进程的快速发展，需要对步入老化期的房屋建筑进行公共物业的维修。与此同时，对于维修资源的使用规模也越来越高。因此，在进行房屋维修的过程中，常常需要对房屋维修资源进行预测。
在相关技术中，常常通过直接线性累加的预测方法，对房屋维修资源进行预测。然而，仅仅基于直接线性累计的预测方法，不通过任何参考条件或参考指标，存在房屋维修资源预测的精确度低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种房屋维修资源的预测方法、装置、计算机设备和存储介质。
一种房屋维修资源的预测方法，所述方法包括：
按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据；
基于指数平滑预测模型，对所述历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值；
基于所述历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，所述特征维度包括价格指数维度、系统推广维度和地区发展维度；
通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值；
基于所述指数平滑预测模型的第一权重、所述第一预测值、所述线性回归预测模型的第二权重、以及所述第二预测值，确定在待预测时刻所述目标区域的房屋维修资源的目标预测值。
一种房屋维修资源的预测装置，所述装置包括：
第一获取模块，用于按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据；
第一预测模块，用于基于指数平滑预测模型，对所述历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值；
第二获取模块，用于基于所述历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，所述特征维度包括价格指数维度、系统推广维度和地区发展维度；
第二预测模块，用于通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值；
确定模块，用于基于所述指数平滑预测模型的第一权重、所述第一预测值、所述线性回归预测模型的第二权重、以及所述第二预测值，确定在待预测时刻所述目标区域的房屋维修资源的目标预测值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一房屋维修资源的预测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一房屋维修资源的预测方法。
上述房屋维修资源的预测方法、装置、计算机设备和存储介质，按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据。基于指数平滑预测模型，对历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值。这样，基于该指数平滑预测模型，能够得到由多个第一预测值组成的更加平滑的预测曲线，能够增加对房屋维修资源预测的准确度。基于该历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，该特征维度包括价格指数维度、系统推广维度和地区发展维度。通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值。因此，结合目标区域的价格指数、系统推广、地区发展这三个显著性特征，引用线性回归预测模型得到具有目标区域特征化的预测值。基于该指数平滑预测模型的第一权重、该第一预测值、该线性回归预测模型的第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值。因此，基于指数平滑预测模型能够使得房屋维修资源数据的预测曲线更加平滑，并且通过增加季节性特征，能够更好的反映每个固定时间间隔中出现的重复模式，使得预测金额更加准确。同时，为了在较长时间内，在进行目标区域的房屋维修资源数据的预测时保持高准确度，结合目标区域的价格指数、系统推广、地区发展这三个显著性特征，引用线性回归预测模型能够得到具有目标区域特征化的第二预测值，该第二预测值能够对目标区域的房屋维修资源数据的预测情况进行修正，进一步减少时间因素所引起的误差。这样，综合平滑效果好的第一预测值和具有目标区域特征化的第二预测值，对目标区域房屋维修资源进行预测，能够大大增加预测精确度。
附图说明
图1为一个实施例中房屋维修资源的预测方法的应用环境图；
图2为一个实施例中房屋维修资源的预测方法的流程示意图；
图3为一个实施例中指数平滑预测模型的训练步骤的流程示意图；
图4为一个实施例中线性回归预测模型的训练步骤的流程示意图；
图5为一个实施例中的模型训练步骤的流程示意图；
图6为一个实施例中房屋维修资源的预测装置的结构框图；
图7为另一个实施例中房屋维修资源的预测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的房屋维修资源的预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102和服务器104可单独用于执行本申请中的房屋维修资源的预测方法，也可以协同于执行本申请中的房屋维修资源的预测方法。以服务器104单独执行本申请中的房屋维修资源的预测方法为例进行说明。按照目标历史时间段内的时间顺序，服务器104依次获取与目标区域对应的历史房屋维修资源数据。基于指数平滑预测模型，服务器104对该历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值。基于该历史房屋维修资源数据，服务器104获取当前时刻多个特征维度下的地区特征数据，该特征维度包括价格指数维度、系统推广维度和地区发展维度。服务器104通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值。服务器104基于该指数平滑预测模型的第一权重、该第一预测值、该线性回归预测模型的第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种房屋维修资源的预测方法，以该方法应用于计算机设备为例进行说明，该计算机设备具体可以是图1中的终端或服务器。该房屋维修资源的预测方法，包括以下步骤：
步骤S202，按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据。
其中，房屋维修资源数据为房屋维修资金数据，该房屋维修资金包括房屋公共设施专用基金和房屋本体维修基金。
具体地，计算机设备根据目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据。例如，获取目标区域历史所有时间阶段维修资金年度、季度、月度的增量归集金额序列{Xi},其中，i为时间步长，即历史时间段内的第i个时间点。
步骤S204，基于指数平滑预测模型，对该历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值。
其中，指数平滑预测模型为三次指数平滑模型，该三次指数平滑模型(Holt-Winter)为在二次指数平滑值的基础上进行第三指数平滑。其中，指数平滑为移动平均法中的一种，通过给过去的预测值不同的权重进行预测。
具体地，计算机设备获取该历史房屋维修资源数据，并确定待预测时刻。计算机设备获取三次指数平滑预测模型，并将该历史房屋维修资源数据和待预测时刻输入至该指数预测模型，确定与待预测时刻对应的第一预测值。
步骤S206，基于该历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，该特征维度包括价格指数维度、系统推广维度和地区发展维度。
其中，房屋维修资源数据为房屋维修资金数据。价格指数为与目标区域对应的材料价格指数，系统推广为与目标区域对应的维修资金系统推广量，其中，各个地区对应有不同资金系统提供商，提供维修资金管理系统。若对本维修资金系统进行推广营销，将维修资金归集到某银行账户中，使得推广数量变多，则归集的金额就越多，从而影响最终归集金额。地区发展为目标区域新增小区数量的增长速度，其中，小区数量增长速度加速或放缓，会影响目标区域未来新增的维修资金归集额。
具体地，计算机设备基于该历史房屋维修资源数据，确定与该历史房屋维修资源数据对应的当前时刻，并获取当前时刻多个特征维度下的价格指数维度的地区特征数据、系统推广维度的地区特征数据、以及地区发展维度的地区特征数据。
例如，计算机设备基于历史房屋维修资源数据，确定与该历史房屋维修资源数据对应的当前时刻为A时刻。计算机设备获取A时刻的三种施工材料的单价价格，即钢材单价为6000元/吨，塑料材料单价为2000元/吨，铝材价格单价为4000元/吨，并确定钢材、塑料、铝材的权重分别为0.01、0.04、0.06，则目标区域在A时刻的价格指数为380。计算机设备获取目标区域在A时刻中增加的小区推广数量，并获取目标区域在A时刻中增加的小区数量。其中，可以通过目标区域对应的地图软件或备案登记查询工具，统计目标区域在各个时间节点(时刻)的小区数量，确定地区发展维度的地区特征数据。
步骤S208，通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值。
其中，线性回归预测模型为多元线性回归模型，即利用数理统计中回归分析，来确定多种变量间相互依赖的定量关系的一种统计分析方法。
具体地，计算机设备获取线性回归预测模型，并获取当前时刻的多个地区特征数据。计算机设备将当前时刻的多个地区特征数据，输入至线性回归预测模型中，得到与待预测时刻对应的第二预测值。
步骤S210，基于该指数平滑预测模型的第一权重、该第一预测值、该线性回归预测模型的第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值。
具体地，计算机设备获取该指数平滑预测模型的第一权重、以及该线性回归预测模型的第二权重。基于该第一权重、以及该第二权重，计算机设备将该第一预测值与第二预测值进行加权求和计算，得到在待预测时刻该目标区域的房屋维修资源的目标预测值。
上述房屋维修资源的预测方法中，按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据。基于指数平滑预测模型，对历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值。这样，基于该指数平滑预测模型得，能够得到有多个第一预测值组成的更加平滑的预测曲线，能够增加对房屋维修资源预测的准确度。基于该历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，该特征维度包括价格指数维度、系统推广维度和地区发展维度。通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值。因此，结合目标区域的价格指数、系统推广、地区发展这三个显著性特征，引用线性回归预测模型得到具有目标区域特征化的预测值。基于该指数平滑预测模型的第一权重、该第一预测值、该线性回归预测模型的第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值。这样，综合平滑效果好的第一预测值和具有目标区域特征化的第二预测值，对目标区域房屋维修资源进行预测，能够大大增加预测精确度。
在一个实施例中，如图3所示，该指数平滑预测模型的训练步骤包括：
步骤S302，获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。
其中，房屋维修资源数据为房屋维修资金数据，该第一样本历史房屋维修资源数据均是在第一样本历史时间段内的各个时刻获取得到的。
具体地，计算机设备从多个样本历史时间中，确定第一样本历史时间段。计算机设备根据第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。例如，获取目标区域在第一样本历史时间段维修资金年度、季度、月度的增量归集金额序列，该增量归集金额序列为按照第一样本历史时间段中的时间顺序排列得到的。
步骤S304，基于该第一样本历史房屋维修资源数据，分别确定基准函数、趋势函数、以及季节函数。
其中，基准函数为三次指数平滑模型中的一次平滑对应的函数。趋势函数为三次指数平滑模型中的二次平滑对应的函数，即用于表征预测模型中的趋势的平滑，能够令预测带有趋势的时间序列，比如，随着城市化进程的推进，未来维修资金金额总体为上升趋势。季节函数为三次指数平滑模型中三次平滑对应的函数，即用于表征预测模型中的季节性特征的平滑。其中，当一个时间序列在每个固定时间间隔中均出现重复的模式，该重复的模式为季节性特征，比如，因为各种特定的原因每年的某些月份会归集到更多的房屋维修资源数据，该维修资源数据为房屋维修资源数据。
具体地，计算机设备基于一次平滑模型中的基准公式、二次平滑模型中的趋势公式、以及三次平滑模型中的季节公式，分别获取与该指数平滑预测模型对应的基准函数、趋势函数、以及季节函数。计算机设备基于各个时刻分别对应的第一样本历史房屋维修资源数据，确定该指数平滑预测模型的基准函数、趋势函数、以及季节函数。
例如，计算机设备分别获取一次平滑模型、二次平滑模型、以及三次平滑模型，其中，一次平滑模型中的基准公式si以及预测函数xi+h，分别为：
si＝α(xi)+(1-α)si-1
xi+h＝si
其中，xi是真实值，si是平滑值，si-1是前一时刻的平滑值，xi+h是第i+h个时间点的预测值，α为基准函数的平滑参数，范围在0到1之间。
其中，二次平滑模型在一次平滑模型的基础上增加了趋势的平滑，该趋势公式ti以及预测函数xi+h，分别为：
ti＝β(si-si-1)+(1-β)ti-1
xi+h＝si+hti
其中，si是平滑值，si-1是前一时刻的平滑值，h是往后递推第h个时间点，xi+h是第i+h个时间点的预测值，β为趋势函数的平滑参数，范围在0到1之间。
其中，三次平滑模型是在二次平滑模型的基础上增加了季节性特征的平滑，该季节公式pi以及预测函数xi+h，分别为：
pi＝γ(xi-si)+(1-γ)pi-k
xi+h＝si+hti+pi-k+h
其中，k指的是周期的长度，比如12个月为一个周期。该三次平滑模型中的i大于k，h代表预测第h个值。γ为季节函数的平滑参数，范围在0到1之间。
计算机设备基于一次平滑模型中的基准公式、二次平滑模型中的趋势公式、三次平滑模型中的季节公式、以及第一样本历史房屋维修资源数据(即真实值xi)，确定基准函数、趋势函数、以及季节函数，如下所示：
si＝α(xi-pi-k)+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γ(xi-si)+(1-γ)pi-k
步骤S306，基于该基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型。
具体地，计算机设备获取该基准函数、趋势函数、以及季节函数。计算机设备将基准函数、趋势函数、季节函数、预测时刻，构建初始的指数平滑预测模型。
例如，计算机设备获取基准函数si、趋势函数ti、以及季节函数pi，该各个函数的表达式如下：
si＝α(xi-pi-k)+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γ(xi-si)+(1-γ)pi-k
其中，si，ti，pi的初始值一般默认为s0＝x0，t0＝x1-x0，p0＝1。
计算机设备基于趋势函数乘以预测时刻，得到趋势预测函数。计算机设备将基准函数、趋势预测函数、以及季节函数进行求和运算，构建初始的指数平滑预测模型，该初始的指数平滑预测模型的表达式如下：
xi+h＝si+hti+pi-k+h
步骤S308，从第一样本历史时间段中，确定多个第一样本历史时刻，将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，分别输入至构建的初始的指数平滑预测模型中，输出多个第一样本预测时刻对应的第一样本预测值。
具体地，计算机设备获取第一样本历史时间段，并基于该第一样本历史时间段，确定多个第一样本历史时刻。计算机设备将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，输入至该初始的指数平滑预测模型中，得到各个当前时刻对应的基准值、趋势值、季节值，再基于各个当前时刻对应的基准值、趋势值、季节值、以及第一样本预测时刻确定第一样本预测值。
步骤S310，从该第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值。
具体地，基于多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，计算机设备确定多个第一样本预测时刻。计算机设备从该第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值。
步骤S312，基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定第一样本差异值。
具体地，计算机设备获取多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值。计算机设备基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定每个第一样本预测时刻的差异值。计算机设备基于各个差异值，确定第一样本差异值。
例如，计算机设备将多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，进行最小二乘法计算，得到第一样本差异值。具体公式如下所示：
Figure BDA0003365240380000101
其中，xi为第一样本真实值，si为第一样本预测值。n为第一样本预测时刻的时刻数。S为第一样本差异值。
步骤S314，基于该第一样本差异值，确定该初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。
具体地，计算机设备获取该第一样本差异值，通过对该第一样本差异值进行偏导运算，得到该初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。
在其中一个实施例中，计算机设备对该第一差异值进行偏导计算，得到各个平滑参数对应的平滑偏导函数。通过将各个平滑偏导函数均设置为零，求解各个平滑偏导函数，得到各个平滑参数的值。计算机设备基于各个平滑参数的值，得到训练好的指数平滑预测模型。
在本实施例中，获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。基于该第一样本历史房屋维修资源数据，分别确定基准函数、趋势函数、以及季节函数。基于该基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型。从第一样本历史时间段中，确定多个第一样本历史时刻，将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，分别输入至构建的初始的指数平滑预测模型中，输出多个第一样本预测时刻对应的第一样本预测值。从该第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值。基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定第一样本差异值。基于该第一样本差异值，确定该初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。这样，基于训练好的指数平滑预测模型，能够使得预测维修资源数据的曲线更加平滑，即指数平滑预测模型能够更好的拟合真实数据。其中，该指数平滑预测模型通过加入趋势函数和季节函数，能够反映固定周期内的重复模式，以及趋势的平滑性。这样，大大增加了对房屋维修资源数据预测的准确性。
在一个实施例中，如图4所示，该线性回归预测模型的训练步骤包括：
步骤S402，获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。
其中，房屋维修资源数据为房屋维修资金数据，该第二样本历史房屋维修资源数据均是在第二样本历史时间段内的各个时刻获取得到的。
具体地，计算机设备从多个样本历史时间中，确定第二样本历史时间段。计算机设备根据第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。
步骤S404，获取各个第二样本历史时刻下的各个特征维度的样本特征数据；该特征维度包括价格指数维度、系统推广维度和地区发展维度。
其中，价格指数为与目标区域对应的材料价格指数，系统推广为与目标区域对应的维修资金系统推广量，地区发展为目标区域新增小区数量的增长速度。
具体地，计算机设备从第二样本历史时间段中获取各个第二样本历史时刻。计算机设备获取各个第二样本历史时刻下的价格指数维度的样本特征数据、系统推广维度的样本特征数据、以及地区发展维度的样本特征数据。
步骤S406，构建因变量为第二维修资源预测数据、自变量为各个样本历史特征数据的初始的线性回归预测模型，该线性回归预测模型中因变量与各个自变量呈线性关系。
其中，第二维修资源预测数据为房屋维修资金数据。
具体地，计算机设备基于各个特征维度，确定各个自变量。计算机设备构建因变量与各个自变量呈线性关系的初始的线性回归预测模型，该初始的线性回归预测模型的因变量为第二维修资源预测数据，自变量为各个样本历史特征数据。例如，计算机设备构建如下公式所示的线性回归预测模型：
y＝β0+β1x1+β2x2+β3x3
其中，y为第二维修资源预测数据，β1，β2，β3分别为价格指数维度、系统推广维度和地区发展维度的回归参数，β0为该线性回归预测模型的误差项。
步骤S408，将多个第二样本历史时刻对应的各个样本特征数据，分别输入至该初始的线性回归预测模型中，输出多个第二样本预测时刻对应的第二样本预测值。
具体地，计算机设备获取多个第二样本历史时刻对应的价格指数维度的样本特征数据、系统推广维度的样本特征数据、以及地区发至维度的样本特征数据，将各个样本特征数据分别输入至该初始的线性回归预测模型中，得到与各个第二样本历史时刻对应的第二样本预测值。
步骤S410，从该第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值，并基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定第二样本差异值。
具体地，基于多个第二样本历史时刻对应的第二样本历史房屋维修资源数据，计算机设备确定多个第二样本预测值。计算机设备从该第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值。计基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定每个第二样本预测时刻的差异值，基于各个差异值，确定第二样本差异值。
例如，计算机设备将多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，进行最小二乘法计算，得到第一样本差异值。
步骤S412，基于该第二样本差异值，确定该初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。
具体地，计算机设备获取该第二样本差异值，通过对该第二样本差异值进行偏导运算，得到该初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。
在本实施例中，获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。获取各个第二样本历史时刻下的各个特征维度的样本特征数据。该特征维度包括价格指数维度、系统推广维度和地区发展维度。构建因变量为第二维修资源预测数据、自变量为各个样本历史特征数据的初始的线性回归预测模型，该线性回归预测模型中因变量与各个自变量呈线性关系。将多个第二样本历史时刻对应的各个样本特征数据，分别输入至该初始的线性回归预测模型中，输出多个第二样本预测时刻对应的第二样本预测值。从该第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值，并基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定第二样本差异值。基于该第二样本差异值，确定该初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。因此，结合在当前时刻，目标区域的材料价格指数、系统推广数量、以及地区发展速度三大显著性特征数据，引用线性回归预测模型，得到具有目标区域特征化的预测值，大大增加了预测结果的真实性和可信度。
在一个实施例中，该初始的线性回归预测模型中包含价格指数维度的回归参数、系统推广维度的回归参数、以及地区发展维度的回归参数，该基于该第二样本差异值，确定该初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型，包括：对该第二样本差异值进行偏导计算，得到与各个回归参数对应的回归偏导函数。通过将该各个回归偏导函数均设置为零，确定各个回归参数的值。基于该各个回归参数的值，得到训练好的线性回归预测模型。
具体地，计算机设备获取第二样本差异值，并分别对第二样本差异值进行各个特征维度的偏导计算，得到价格指数维度的回归偏导函数、系统推广维度的回归偏导函数、地区发展维度的回归偏导函数。计算机设备将各个回归偏导函数均设置为零，通过求解各个回归偏导函数，得到各个回归参数的值。基于各个回归参数的值，计算机设备得到训练好的线性回归预测模型。
在本实施例中，对该第二样本差异值进行偏导计算，得到与各个回归参数对应的回归偏导函数。通过将该各个回归偏导函数均设置为零，确定各个回归参数的值。基于该各个回归参数的值，得到训练好的线性回归预测模型。因此，通过简单的偏导计算，能够快速且准确的得到训练好的线性回归预测模型，大大提高了训练线性回归预测模型的训练效率。
在一个实施例中，该指数平滑预测模型的第一权重的确定步骤，包括：获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。基于第一样本历史房屋维修资源数据，通过该指数平滑预测模型，确定样本平滑预测值。基于该第一样本历史房屋维修资源数据、该样本平滑预测值，通过第一均方误差计算，确定该指数平滑预测模型的第一权重。
具体地，计算机设备获取第一样本历史时间段，按照该第一样本历史时间段内的顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。计算机获取训练好的指数平滑预测模型，通过输入多个待预测样本时刻，得到多个样本平滑预测值。计算机设备从第一样本历史房屋维修资源数据中，获取与各个待预测样本时刻对应的各个样本平滑真实值。计算机设备将各个待预测样本时刻对应的样本平滑真实值、样本平滑预测值，进行第一均方误差计算，确定该指数平滑预测模型的第一权重。
在本实施例中，获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。基于第一样本历史房屋维修资源数据，通过该指数平滑预测模型，确定样本平滑预测值。基于该第一样本历史房屋维修资源数据、该样本平滑预测值，通过第一均方误差计算，确定该指数平滑预测模型的第一权重。这样，通过该第一权重能够确定该指数平滑预测模型对目标预测值的影响程度，从而，能够得到可信度更高的目标预测值。该第一权重越大，则该指数平滑预测模型的第一预测值对目标预测值的影响程度越大。
在一个实施例中，该基于该第一样本历史房屋维修资源数据、该样本平滑预测值，通过第一均方误差计算，确定该指数平滑预测模型的第一权重，包括：基于该第一样本历史房屋维修资源数据、该样本平滑预测值，进行第一均方误差计算，得到与该指数平滑预测模型对应的第一误差结果；将该第一误差结果的倒数，作为该指数平滑预测模型的第一权重。
其中，第一均方差误差计算为均方误差(mean square error)计算，具体计算过程：
Figure BDA0003365240380000151
其中，yi *为预测值，yi为真实值。
具体地，基于该第一样本历史房屋维修资源数据，获取各个待预测样本时刻的样本平滑真实值。计算机设备基于第一均方误差计算，得到与该指数平滑预测额模型对应的第一误差结果。计算机设备获取该第一误差结果的倒数，将该第一误差结果的倒数作为该指数平滑预测模型的第一权重。
在本实施例中，基于该第一样本历史房屋维修资源数据、该样本平滑预测值，进行第一均方误差计算，得到与该指数平滑预测模型对应的第一误差结果；将该第一误差结果的倒数，作为该指数平滑预测模型的第一权重。这样，通过该第一权重能够确定该指数平滑预测模型对目标预测值的影响程度，从而，能够得到可信度更高的目标预测值。该第一权重越大，则该指数平滑预测模型的第一预测值对目标预测值的影响程度越大。
在一个实施例中，该线性回归预测模型对应的第二权重的确定步骤，包括：获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。基于该第二样本历史房屋维修资源数据，通过该线性回归预测模型，确定样本回归预测值。基于该第二样本历史房屋维修资源数据、该样本回归预测值，通过第二均方误差计算，确定该线性回归预测模型的第二权重。
具体地，计算机设备获取第二样本历史时间段，按照该第二样本历史时间段内的顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。计算机获取训练好的线性回归预测模型，通过输入多个待预测样本时刻，得到多个样本回归预测值。计算机设备从第二样本历史房屋维修资源数据中，获取与各个待预测样本时刻对应的各个样本回归真实值。计算机设备将各个待预测样本时刻对应的样本回归真实值、样本回归预测值，进行第二均方误差计算，确定该线性回归预测模型的第二权重。
在其中一个实施例中，基于该第二样本历史房屋维修资源数据、该样本回归预测值，进行第二均方误差计算，得到与该线性回归预测模型对应的第二误差结果。将该第二误差结果的倒数，作为该线性回归预测模型的第二权重。
在本实施例中，获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。基于该第二样本历史房屋维修资源数据，通过该线性回归预测模型，确定样本回归预测值。基于该第二样本历史房屋维修资源数据、该样本回归预测值，通过第二均方误差计算，确定该线性回归预测模型的第二权重。这样，通过该第二权重能够确定该线性回归预测模型对目标预测值的影响程度，有利于得到可信度更高的目标预测值。该第二权重越大，则该线性回归预测模型的第二预测值对目标预测值的影响程度越大。
为了便于更清楚的了解本申请中的模型训练过程，提供了一个更为详细实施例进行描述。如图5所示。计算机设备基于第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据(历史维修资金金额序列)，并基于第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据、以及目标区域的各个时间点当地材料价格指数、当地维修资金系统推广数量(即系统推广数量)、当地小区数量(即地区发展)。计算机设备将第一样本历史房屋维修资源数据按照5:2:1的比例分为第一训练数据、第一测试数据和第一验证数据，并将第二样本历史房屋维修资源数据、目标区域的各个时间点当地材料价格指数、当地维修资金系统推广数量(即系统推广数量)、当地小区数量(即地区发展)均按照5:2:1的比例分为第二训练数据、第二测试数据和第二验证数据。
计算机设备基于一次平滑模型中的基准公式、二次平滑模型中的趋势公式、以及三次平滑模型中的季节公式，分别获取与该指数平滑预测模型对应的基准函数、趋势函数、以及季节函数。计算机设备基于第一训练数据，确定指数平滑预测模型的基准函数、趋势函数、以及季节函数，基于该基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型。计算机设备基于第一样本历史时间段，确定多个第一样本历史时刻，并将多个第一样本历史时刻对应的第一训练数据，输入至该初始的指数平滑预测模型中，得到各个当前时刻对应的基准值、趋势值、季节值。再基于各个当前时刻对应的基准值、趋势值、季节值、以及第一样本预测时刻确定第一样本预测值。计算机设备从第一训练数据中确定与多个第一样本预测时刻对应的多个第一样本真实值，并基于第一样本真实值和第一样本预测值，确定第一样本差异值。计算机设备对该第一差异值进行偏导计算，得到各个平滑参数对应的平滑偏导函数。通过将各个平滑偏导函数均设置为零，求解各个平滑偏导函数，得到各个平滑参数的值(即运用最小二乘法确定各个平滑参数的值)。计算机设备基于各个平滑参数的值，得到训练好的指数平滑预测模型。其中，计算机设备可以获取第二测试数据对各个平滑参数继续调优。
计算机设备从第二样本历史时间段中获取各个第二样本历史时刻。计算机设备获取各个第二样本历史时刻下的价格指数维度的样本特征数据、系统推广维度的样本特征数据、以及地区发展维度的样本特征数据(即对应第二训练数据)。计算机设备基于各个特征维度，确定各个自变量。计算机设备构建因变量与各个自变量呈线性关系的初始的线性回归预测模型，该初始的线性回归预测模型的因变量为第二维修资源预测数据，自变量为各个样本历史特征数据。计算机设备将各个样本特征数据分别输入至该初始的线性回归预测模型中，得到与各个第二样本历史时刻对应的第二样本预测值。基于多个第二样本历史时刻对应的第二样本历史房屋维修资源数据(即对应第二训练数据)，计算机设备确定多个第二样本预测值。计算机设备从该第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值。计算机设备基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定每个第二样本预测时刻的差异值，基于各个差异值，确定第二样本差异值。基于该第二样本差异值，计算机设备分别对第二样本差异值进行各个特征维度的偏导计算，得到价格指数维度的回归偏导函数、系统推广维度的回归偏导函数、地区发展维度的回归偏导函数。计算机设备将各个回归偏导函数均设置为零，通过求解各个回归偏导函数，得到各个回归参数的值。基于各个回归参数的值，计算机设备得到训练好的线性回归预测模型。其中，计算机设备可以获取第二测试数据对各个平滑参数继续调优。
计算机设备获取第一样本历史时间段，按照该第一样本历史时间段内的顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。计算机获取训练好的指数平滑预测模型，通过输入多个待预测样本时刻，得到多个样本平滑预测值。计算机设备从第一样本历史房屋维修资源数据中，获取与各个待预测样本时刻对应的各个样本平滑真实值。基于第一均方误差计算，得到与该指数平滑预测额模型对应的第一误差结果。计算机设备获取该第一误差结果的倒数，将该第一误差结果的倒数作为该指数平滑预测模型的第一权重。计算机设备获取第二样本历史时间段，按照该第二样本历史时间段内的顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。计算机获取训练好的线性回归预测模型，通过输入多个待预测样本时刻，得到多个样本回归预测值。计算机设备从第二样本历史房屋维修资源数据中，获取与各个待预测样本时刻对应的各个样本回归真实值。计算机设备将各个待预测样本时刻对应的样本回归真实值、样本回归预测值，进行第二均方误差计算，得到与该线性回归预测模型对应的第二误差结果。将该第二误差结果的倒数，作为该线性回归预测模型的第二权重。其中，计算机设备可以将第一权重和第二权重进行调整，使得调整后的第一权重和第二权重之和为1。
计算机设备基于第一验证数据对指数平滑预测模型进行验证，并基于第二验证数据对线性回归预测模型进行验证，当经过验证得到的目标区域的目标预测值的准确率达到预定条件后，确定最终的指数平滑预测模型和线性回归预测模型，并出具验证得到的准确率。
在本实施例中，通过对初始的指数平滑预测模型的各个平滑参数、第一权重、初始的线性回归预测模型的各个回归参数、第二权重，进行最小二乘法以及均方误差运算，能够得到确定的指数平滑预测模型和线性回归预测模型。基于该指数平滑预测模型能够使得房屋维修资金(房屋维修资源数据)的预测曲线更加平滑，并且通过增加季节性特征，能够更好的反映每个固定时间间隔中出现的重复模式，使得预测金额更加准确。同时，为了在较长时间内，在进行目标区域的房屋维修资源数据的预测时保持高准确度，结合目标区域的价格指数、系统推广、地区发展这三个显著性特征，引用线性回归预测模型能够得到具有目标区域特征化的第二预测值，该第二预测值能够对目标区域的房屋维修资源数据的预测情况进行修正，进一步减少时间因素所引起的误差。因此，结合指数平滑预测模型和线性回归预测模型对目标区域的房屋维修资源数据进行预测，能够使得房屋维修资源预测的准确度大大提高。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种房屋维修资源的预测装置，包括：第一获取模块602、第一预测模块604、第二获取模块606、第二预测模块608和确定模块610，其中：
第一获取模块602，用于按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据。
第一预测模块604，用于基于指数平滑预测模型，对该历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值。
第二获取模块606，用于基于该历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，该特征维度包括价格指数维度、系统推广维度和地区发展维度。
第二预测模块608，用于通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值。
确定模块610，用于基于该指数平滑预测模型的第一权重、该第一预测值、该线性回归预测模型的第二权重、以及该第二预测值，确定在待预测时刻该目标区域的房屋维修资源的目标预测值。
在本实施例中，基于指数平滑预测模型能够使得房屋维修资源数据的预测曲线更加平滑，并且通过增加季节性特征，能够更好的反映每个固定时间间隔中出现的重复模式，使得预测金额更加准确。同时，为了在较长时间内，在进行目标区域的房屋维修资源数据的预测时保持高准确度，结合目标区域的价格指数、系统推广、地区发展这三个显著性特征，引用线性回归预测模型能够得到具有目标区域特征化的第二预测值，该第二预测值能够对目标区域的房屋维修资源数据的预测情况进行修正，进一步减少时间因素所引起的误差。这样，综合平滑效果好的第一预测值和具有目标区域特征化的第二预测值，对目标区域房屋维修资源进行预测，能够大大增加预测精确度
在一个实施例中，如图7所示，该装置还包括训练模块612，该训练模块612，用于获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。基于该第一样本历史房屋维修资源数据，分别确定基准函数、趋势函数、以及季节函数。基于该基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型。从第一样本历史时间段中，确定多个第一样本历史时刻，将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，分别输入至构建的初始的指数平滑预测模型中，输出多个第一样本预测时刻对应的第一样本预测值。从该第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值。基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定第一样本差异值。基于该第一样本差异值，确定该初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。
在本实施例中，基于训练好的指数平滑预测模型，能够使得预测维修资源数据的曲线更加平滑，即指数平滑预测模型能够更好的拟合真实数据。其中，该指数平滑预测模型通过加入趋势函数和季节函数，能够反映固定周期内的重复模式，以及趋势的平滑性。这样，大大增加了对房屋维修资源数据预测的准确性。
在一个实施例中，该训练模块612，用于获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。获取各个第二样本历史时刻下的各个特征维度的样本特征数据。该特征维度包括价格指数维度、系统推广维度和地区发展维度；构建因变量为第二维修资源预测数据、自变量为各个样本历史特征数据的初始的线性回归预测模型，该线性回归预测模型中因变量与各个自变量呈线性关系。将多个第二样本历史时刻对应的各个样本特征数据，分别输入至该初始的线性回归预测模型中，输出多个第二样本预测时刻对应的第二样本预测值。从该第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值，并基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定第二样本差异值。基于该第二样本差异值，确定该初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。
在本实施例中，结合在当前时刻，目标区域的材料价格指数、系统推广数量、以及地区发展速度三大显著性特征数据，引用训练好的线性回归预测模型，得到具有目标区域特征化的预测值，大大增加了预测结果的真实性和可信度。
在一个实施例中，该训练模块612，用于对该第二样本差异值进行偏导计算，得到与各个回归参数对应的回归偏导函数。通过将该各个回归偏导函数均设置为零，确定各个回归参数的值。基于该各个回归参数的值，得到训练好的线性回归预测模型。
在本实施例中，通过简单的偏导计算，能够快速确定回归参数的值，从而，迅速且准确的得到训练好的线性回归预测模型，大大提高了训练线性回归预测模型的训练效率。
在一个实施例中，该训练模块612，用于获取第一样本历史时间段，按照该第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据。基于第一样本历史房屋维修资源数据，通过该指数平滑预测模型，确定样本平滑预测值。基于该第一样本历史房屋维修资源数据、该样本平滑预测值，通过第一均方误差计算，确定该指数平滑预测模型的第一权重。
在本实施例中，通过将第一样本历史房屋维修资源数据、该样本平滑预测值进行第一均方误差计算，能够精准的确定该指数平滑预测模型的第一权重。这样，基于该第一权重，有利于确定该指数平滑预测模型对目标预测值的影响程度，从而，能够得到可信度更高的目标预测值。
在一个实施例中，该训练模块612，用于基于该第一样本历史房屋维修资源数据、该样本平滑预测值，进行第一均方误差计算，得到与该指数平滑预测模型对应的第一误差结果；将该第一误差结果的倒数，作为该指数平滑预测模型的第一权重。
在本实施例中，通过第一均方误差计算，得到第一误差结果，并将该第一误差结果的倒数直接确定为第一权重，这样，能够更加迅速且准确的确定该指数平滑预测模型的第一权重。这样，基于该第一权重，有利于确定该指数平滑预测模型对目标预测值的影响程度，从而，能够得到可信度更高的目标预测值。
在一个实施例中，该训练模块612，用于获取第二样本历史时间段，按照该第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据。基于该第二样本历史房屋维修资源数据，通过该线性回归预测模型，确定样本回归预测值。基于该第二样本历史房屋维修资源数据、该样本回归预测值，通过第二均方误差计算，确定该线性回归预测模型的第二权重。
在本实施例中，通过对该第二样本历史房屋维修资源数据、该样本回归预测值，通过第二均方误差计算，能够精准的确定该线性回归预测模型的第二权重。这样，基于该第二权重，能够确定该线性回归预测模型对目标预测值的影响程度，有利于得到可信度更高的目标预测值。
关于房屋维修资源的预测装置的具体限定可以参见上文中对于房屋维修资源的预测方法的限定，在此不再赘述。上述房屋维修资源的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机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。该计算机设备的数据库用于存储房屋维修资源的预测数据。该计算机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房屋维修资源的预测方法。
本领域技术人员可以理解，图8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计算机设备的限定，具体的计算机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，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (16)

1.一种房屋维修资源的预测方法，其特征在于，所述方法包括：
按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据；
基于指数平滑预测模型，对所述历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值；
基于所述历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，所述特征维度包括价格指数维度、系统推广维度和地区发展维度；
通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值；
基于所述指数平滑预测模型的第一权重、所述第一预测值、所述线性回归预测模型的第二权重、以及所述第二预测值，确定在待预测时刻所述目标区域的房屋维修资源的目标预测值。
2.根据权利要求1所述的方法，其特征在于，所述指数平滑预测模型的训练步骤包括：
获取第一样本历史时间段，按照所述第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据；
基于所述第一样本历史房屋维修资源数据，分别确定基准函数、趋势函数、以及季节函数；
基于所述基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型；
从第一样本历史时间段中，确定多个第一样本历史时刻，将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，分别输入至构建的初始的指数平滑预测模型中，输出多个第一样本预测时刻对应的第一样本预测值；
从所述第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值；
基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定第一样本差异值；
基于所述第一样本差异值，确定所述初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。
3.根据权利要求1所述的方法，其特征在于，所述线性回归预测模型的训练步骤包括：
获取第二样本历史时间段，按照所述第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据；
获取各个第二样本历史时刻下的各个特征维度的样本特征数据；所述特征维度包括价格指数维度、系统推广维度和地区发展维度；
构建因变量为第二维修资源预测数据、自变量为各个样本历史特征数据的初始的线性回归预测模型，所述线性回归预测模型中因变量与各个自变量呈线性关系；
将多个第二样本历史时刻对应的各个样本特征数据，分别输入至所述初始的线性回归预测模型中，输出多个第二样本预测时刻对应的第二样本预测值；
从所述第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值，并基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定第二样本差异值；
基于所述第二样本差异值，确定所述初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。
4.根据权利要求3所述的方法，其特征在于，所述初始的线性回归预测模型中包含价格指数维度的回归参数、系统推广维度的回归参数、以及地区发展维度的回归参数，所述基于所述第二样本差异值，确定所述初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型，包括：
对所述第二样本差异值进行偏导计算，得到与各个回归参数对应的回归偏导函数；
通过将所述各个回归偏导函数均设置为零，确定各个回归参数的值；
基于所述各个回归参数的值，得到训练好的线性回归预测模型。
5.根据权利要求1所述的方法，其特征在于，所述指数平滑预测模型的第一权重的确定步骤，包括：
获取第一样本历史时间段，按照所述第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据；
基于第一样本历史房屋维修资源数据，通过所述指数平滑预测模型，确定样本平滑预测值；
基于所述第一样本历史房屋维修资源数据、所述样本平滑预测值，通过第一均方误差计算，确定所述指数平滑预测模型的第一权重。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一样本历史房屋维修资源数据、所述样本平滑预测值，通过第一均方误差计算，确定所述指数平滑预测模型的第一权重，包括：
基于所述第一样本历史房屋维修资源数据、所述样本平滑预测值，进行第一均方误差计算，得到与所述指数平滑预测模型对应的第一误差结果；
将所述第一误差结果的倒数，作为所述指数平滑预测模型的第一权重。
7.根据权利要求1所述的方法，其特征在于，所述线性回归预测模型对应的第二权重的确定步骤，包括：
获取第二样本历史时间段，按照所述第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据；
基于所述第二样本历史房屋维修资源数据，通过所述线性回归预测模型，确定样本回归预测值；
基于所述第二样本历史房屋维修资源数据、所述样本回归预测值，通过第二均方误差计算，确定所述线性回归预测模型的第二权重。
8.一种房屋维修资源的预测装置，其特征在于，所述装置包括：
第一获取模块，用于按照目标历史时间段内的时间顺序，依次获取与目标区域对应的历史房屋维修资源数据；
第一预测模块，用于基于指数平滑预测模型，对所述历史房屋维修资源数据和待预测时刻进行处理，确定与待预测时刻对应的第一预测值；
第二获取模块，用于基于所述历史房屋维修资源数据，获取当前时刻多个特征维度下的地区特征数据，所述特征维度包括价格指数维度、系统推广维度和地区发展维度；
第二预测模块，用于通过线性回归预测模型，对当前时刻的多个地区特征数据进行处理，得到与待预测时刻对应的第二预测值；
确定模块，用于基于所述指数平滑预测模型的第一权重、所述第一预测值、所述线性回归预测模型的第二权重、以及所述第二预测值，确定在待预测时刻所述目标区域的房屋维修资源的目标预测值。
9.根据权利要求8所述的房屋维修资源的预测装置，其特征在于，所述装置还包括训练模块，所述训练模块，用于获取第一样本历史时间段，按照所述第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据；基于所述第一样本历史房屋维修资源数据，分别确定基准函数、趋势函数、以及季节函数；基于所述基准函数、趋势函数、以及季节函数，构建初始的指数平滑预测模型；从第一样本历史时间段中，确定多个第一样本历史时刻，将多个第一样本历史时刻对应的第一样本历史房屋维修资源数据，分别输入至构建的初始的指数平滑预测模型中，输出多个第一样本预测时刻对应的第一样本预测值；从所述第一样本历史房屋维修资源数据中，确定与多个第一样本预测时刻对应的多个第一样本真实值；基于多个第一样本预测时刻对应的第一样本预测值、以及第一样本真实值，确定第一样本差异值；基于所述第一样本差异值，确定所述初始的指数平滑预测模型的平滑参数的值，以得到训练好的指数平滑预测模型。
10.根据权利要求8所述的房屋维修资源的预测装置，其特征在于，所述训练模块，用于获取第二样本历史时间段，按照所述第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据；获取各个第二样本历史时刻下的各个特征维度的样本特征数据；所述特征维度包括价格指数维度、系统推广维度和地区发展维度；构建因变量为第二维修资源预测数据、自变量为各个样本历史特征数据的初始的线性回归预测模型，所述线性回归预测模型中因变量与各个自变量呈线性关系；将多个第二样本历史时刻对应的各个样本特征数据，分别输入至所述初始的线性回归预测模型中，输出多个第二样本预测时刻对应的第二样本预测值；从所述第二样本历史房屋维修资源数据中，确定与多个第二样本预测时刻对应的多个第二样本真实值，并基于多个第二样本预测时刻对应的第二样本真实值、以及第二样本预测值，确定第二样本差异值；基于所述第二样本差异值，确定所述初始的线性回归预测模型的回归参数的值，以得到训练好的线性回归预测模型。
11.根据权利要求10所述的房屋维修资源的预测装置，其特征在于，所述初始的线性回归预测模型中包含价格指数维度的回归参数、系统推广维度的回归参数、以及地区发展维度的回归参数，所述训练模块，用于对所述第二样本差异值进行偏导计算，得到与各个回归参数对应的回归偏导函数；通过将所述各个回归偏导函数均设置为零，确定各个回归参数的值；基于所述各个回归参数的值，得到训练好的线性回归预测模型。
12.根据权利要求8所述的房屋维修资源的预测装置，其特征在于，所述训练模块，用于获取第一样本历史时间段，按照所述第一样本历史时间段内的时间顺序，依次获取与目标区域对应的第一样本历史房屋维修资源数据；基于第一样本历史房屋维修资源数据，通过所述指数平滑预测模型，确定样本平滑预测值；基于所述第一样本历史房屋维修资源数据、所述样本平滑预测值，通过第一均方误差计算，确定所述指数平滑预测模型的第一权重。
13.根据权利要求12所述的房屋维修资源的预测装置，其特征在于，所述训练模块，用于基于所述第一样本历史房屋维修资源数据、所述样本平滑预测值，进行第一均方误差计算，得到与所述指数平滑预测模型对应的第一误差结果；将所述第一误差结果的倒数，作为所述指数平滑预测模型的第一权重。
14.根据权利要求8所述的房屋维修资源的预测装置，其特征在于，所述训练模块，用于获取第二样本历史时间段，按照所述第二样本历史时间段内的时间顺序，依次获取与目标区域对应的第二样本历史房屋维修资源数据；基于所述第二样本历史房屋维修资源数据，通过所述线性回归预测模型，确定样本回归预测值；基于所述第二样本历史房屋维修资源数据、所述样本回归预测值，通过第二均方误差计算，确定所述线性回归预测模型的第二权重。
15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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7中任一项所述的方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111402515.0A 2021-11-19 2021-11-19 房屋维修资源的预测方法、装置、计算机设备和存储介质 Pending CN114154697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111402515.0A CN114154697A (zh) 2021-11-19 2021-11-19 房屋维修资源的预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111402515.0A CN114154697A (zh) 2021-11-19 2021-11-19 房屋维修资源的预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114154697A true CN114154697A (zh) 2022-03-08

Family

ID=80457302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111402515.0A Pending CN114154697A (zh) 2021-11-19 2021-11-19 房屋维修资源的预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114154697A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150891A (zh) * 2023-08-15 2023-12-01 幂光新材料科技（上海）有限公司 基于数据驱动的led灯珠功率智能预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875981A (zh) * 2018-09-16 2018-11-23 安徽三实软件科技有限公司 一种房屋维修资金归集和使用的信息系统及其使用方法
CN109711902A (zh) * 2019-01-03 2019-05-03 中国联合网络通信集团有限公司 一种房租预测方法及装置
CN110110886A (zh) * 2019-03-21 2019-08-09 平安直通咨询有限公司上海分公司 信息预测方法、装置、计算机设备和存储介质
KR20190117857A (ko) * 2018-03-28 2019-10-17 한국과학기술원 신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템
CN111160472A (zh) * 2019-12-30 2020-05-15 深圳集智数字科技有限公司 对象的目标特征的预测方法、装置、存储介质与电子设备
WO2020140377A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质
CN111626789A (zh) * 2020-06-01 2020-09-04 武汉轻工大学 房屋价格预测方法、装置、设备及存储介质
US20200327565A1 (en) * 2019-04-12 2020-10-15 Adp, Llc Method and system for predicting and indexing real estate demand and pricing
CN112669057A (zh) * 2020-12-17 2021-04-16 北京五八信息技术有限公司 一种数据预测方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190117857A (ko) * 2018-03-28 2019-10-17 한국과학기술원 신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템
CN108875981A (zh) * 2018-09-16 2018-11-23 安徽三实软件科技有限公司 一种房屋维修资金归集和使用的信息系统及其使用方法
CN109711902A (zh) * 2019-01-03 2019-05-03 中国联合网络通信集团有限公司 一种房租预测方法及装置
WO2020140377A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质
CN110110886A (zh) * 2019-03-21 2019-08-09 平安直通咨询有限公司上海分公司 信息预测方法、装置、计算机设备和存储介质
US20200327565A1 (en) * 2019-04-12 2020-10-15 Adp, Llc Method and system for predicting and indexing real estate demand and pricing
CN111160472A (zh) * 2019-12-30 2020-05-15 深圳集智数字科技有限公司 对象的目标特征的预测方法、装置、存储介质与电子设备
CN111626789A (zh) * 2020-06-01 2020-09-04 武汉轻工大学 房屋价格预测方法、装置、设备及存储介质
CN112669057A (zh) * 2020-12-17 2021-04-16 北京五八信息技术有限公司 一种数据预测方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王惠文;孟洁;: "多元线性回归的预测建模方法", 北京航空航天大学学报, no. 04, 15 April 2007 (2007-04-15), pages 125 - 129 *
王石立, 王馥棠: "指数平滑法在产量趋势预报中应用的探讨", 应用气象学报, no. 02, 1 May 1989 (1989-05-01), pages 68 - 75 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150891A (zh) * 2023-08-15 2023-12-01 幂光新材料科技（上海）有限公司 基于数据驱动的led灯珠功率智能预测方法及系统
CN117150891B (zh) * 2023-08-15 2024-04-26 幂光新材料科技（上海）有限公司 基于数据驱动的led灯珠功率智能预测方法及系统

Similar Documents

Publication Publication Date Title
WO2021174811A1 (zh) 车流量时间序列的预测方法及预测装置
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN112330077B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
Porteiro et al. Electricity demand forecasting in industrial and residential facilities using ensemble machine learning
Ericsson et al. Evaluating a global vector autoregression for forecasting
CN110610382A (zh) 车辆销售量预测方法、装置、计算机设备和存储介质
Erlenmaier The shadow rating approach: experience from banking practice
CN111753461B (zh) 潮汐水位修正方法、目标余水位获取方法、装置和设备
CN109272142A (zh) 基于事件的数据预测方法、装置、计算机设备和存储介质
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
CN112101675B (zh) 基于kl散度衡量资源配置合理度方法、装置、设备及介质
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
Arsenault et al. An efficient method to correct under-dispersion in ensemble streamflow prediction of inflow volumes for reservoir optimization
CN114154697A (zh) 房屋维修资源的预测方法、装置、计算机设备和存储介质
CN108764553B (zh) 用户规模预测方法、装置及计算机设备
CN116823308A (zh) 一种新能源电力大数据交易分析方法、装置、设备及介质
CN113919449B (zh) 基于精准模糊聚类算法的居民电力数据聚类方法及装置
CN110991641A (zh) 一种油藏类型分析方法、装置及电子设备
CN115545490A (zh) 基于小样本机器学习的电站工程造价分析方法及装置
CN115549082A (zh) 基于负荷挖掘和lstm神经网络的电力负荷预测方法
CN114549233A (zh) 基于lgb算法与arima算法相结合的流动人口预测方法
CN114548479A (zh) 一种基于指数平滑的时序数据预测方法
CN112581250A (zh) 模型生成方法、装置、计算机设备和存储介质
CN112949888B (zh) 件量预测模型训练以及件量预测方法、装置和计算机设备

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