CN114239919A - 去化周期的预测、去化周期预测模型的生成方法及装置 - Google Patents
去化周期的预测、去化周期预测模型的生成方法及装置 Download PDFInfo
- Publication number
- CN114239919A CN114239919A CN202111389277.4A CN202111389277A CN114239919A CN 114239919 A CN114239919 A CN 114239919A CN 202111389277 A CN202111389277 A CN 202111389277A CN 114239919 A CN114239919 A CN 114239919A
- Authority
- CN
- China
- Prior art keywords
- sample
- period
- prediction model
- housing
- characteristic 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000000126 substance Substances 0.000 title claims abstract description 32
- 230000015556 catabolic process Effects 0.000 claims abstract description 42
- 238000006731 degradation reaction Methods 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 239000012634 fragment Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000005202 decontamination Methods 0.000 claims description 17
- 230000003588 decontaminative effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 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)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种去化周期的预测、去化周期预测模型的生成方法及装置，属于大数据智能分析技术技术领域。其中，该去化周期的预测方法包括：获取待预测住房的特征数据，根据特征数据确定待预测住房的环境资源类型，根据环境资源类型获取对应的去化周期预测模型，将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。能够适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
Description
技术领域
本公开涉及大数据智能分析技术领域，尤其涉及一种去化周期的预测、去化周期预测模型的生成方法及装置。
背景技术
房地产业中去化周期作为一个重要参数用于反映一个地方的房屋的供需程度。一个地方的去化周期短，房屋供给短缺，一个地方的去化周期长，说明该地供过于求。
相关技术中，多依赖领域专家通过对各个区域一定时间内住房的相关数据及相关影响因子进行加权计算获取该区域住房的去化周期，然而，随着社会及房地产业的不断发展，各项影响因子的比重不断变化，如何适应动态变化，更加准确地进行去化周期预测成为该领域亟待解决的问题。
发明内容
本公开提供一种去化周期的预测、去化周期预测模型的生成方法及装置，以至少解决相关技术中难以适应动态变化，无法更加准确地进行去化周期预测的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种去化周期的预测方法，包括：获取待预测住房的特征数据；根据所述特征数据确定所述待预测住房的环境资源类型；根据所述环境资源类型获取对应的去化周期预测模型；将所述特征数据输入至所述去化周期预测模型，得到所述待预测住房的去化周期。
在本公开的一个实施例中，所述特征数据包括以下至少一种：住房信息、网签信息、城市信息、区域信息和人口数据。
在本公开的一个实施例中，所述去化周期预测模型为深度因子分解机模型。
根据本公开实施例的第二方面，提供了一种去化周期预测模型的生成方法，包括：获取样本住房的样本特征数据和实际去化周期，并根据所述样本特征数据确定所述样本住房的环境资源类型；将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期；根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述环境资源类型对应的去化周期预测模型。
在本公开的一个实施例中，所述将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期，包括：将所述样本特征数据划分为多个分片样本特征数据；将所述分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到所述样本住房的样本去化周期。
在本公开的一个实施例中，所述根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述去化周期预测模型，包括：将多个所述工作节点输出的分片梯度输入至参数服务器，所述分片梯度根据所述实际去化周期和所述样本去化周期得到；获取所述参数服务器输出的调整后的模型参数，所述模型参数根据多个所述分片梯度得到；根据所述调整后的模型参数生成所述去化周期预测模型。
在本公开的一个实施例中，所述样本特征数据包括以下至少一种：样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。
在本公开的一个实施例中，所述去化周期预测模型为深度因子分解机模型。
根据本公开实施例的第三方面，提供一种去化周期的预测装置，包括：第一获取模块，被配置为执行获取待预测住房的特征数据；确定模块，被配置为执行根据所述特征数据确定所述待预测住房的环境资源类型；第二获取模块，被配置为执行根据所述环境资源类型获取对应的去化周期预测模型；第一预测模块，被配置为执行将所述特征数据输入至所述去化周期预测模型，得到所述待预测住房的去化周期。
在本公开的一个实施例中，所述特征数据包括以下至少一种：住房信息、网签信息、城市信息、区域信息和人口数据。
在本公开的一个实施例中，所述去化周期预测模型为深度因子分解机模型。
根据本公开实施例的第四方面，提供一种去化周期预测模型的生成装置，包括：第三获取模块，被配置为执行获取样本住房的样本特征数据和实际去化周期，并根据所述样本特征数据确定所述样本住房的环境资源类型；第二预测模块，被配置为执行将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期；训练模块，被配置为执行根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述环境资源类型对应的去化周期预测模型。
在本公开的一个实施例中，所述第二预测模块，进一步被配置为执行：将所述样本特征数据划分为多个分片样本特征数据；将所述分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到所述样本住房的样本去化周期。
在本公开的一个实施例中，所述训练模块，进一步被配置为执行：将多个所述工作节点输出的分片梯度输入至参数服务器，所述分片梯度根据所述实际去化周期和所述样本去化周期得到；获取所述参数服务器输出的调整后的模型参数，所述模型参数根据多个所述分片梯度得到；根据所述调整后的模型参数生成所述去化周期预测模型。
在本公开的一个实施例中，所述样本特征数据包括以下至少一种：样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。
在本公开的一个实施例中，所述去化周期预测模型为深度因子分解机模型。
根据本公开实施例的第五方面，提供一种电子设备，包括处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如本公开第一方面实施例所述的去化周期的预测方法，或者实现本公开第二方面实施例所述的去化周期预测模型的生成方法。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本公开第一方面实施例所述的去化周期的预测方法，或者实现本公开第二方面实施例所述的去化周期预测模型的生成方法。
根据本公开实施例的第七方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例所述的去化周期的预测方法，或者实现本公开第二方面实施例所述的去化周期预测模型的生成方法。
本公开的实施例提供的技术方案至少带来以下有益效果：获取待预测住房的特征数据，获取去化周期预测模型，将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。能够适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种去化周期的预测方法的流程图。
图2是根据一示例性实施例示出的一种去化周期预测模型的生成方法的流程图。
图3是根据一示例性实施例示出的一种去化周期预测模型的生成方法中获取样本去化周期的流程示意图。
图4是根据一示例性实施例示出的一种去化周期预测模型的生成方法中的训练去化周期预测模型的流程示意图。
图5是根据一示例性实施例示出的一种去化周期的预测装置框图。
图6是根据一示例性实施例示出的一种去化周期预测模型的生成装置框图。
图7是根据一示例性实施例示出的一种电子设备框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种去化周期的预测方法的流程图，如图1所示，该去化周期的预测方法用于电子设备中，包括以下步骤。
在步骤S101中，获取待预测住房的特征数据。
需要说明的是，本公开的去化周期的预测方法的执行主体为电子设备，本公开实施例的去化周期的预测方法可以由本公开实施例的去化周期的预测装置执行，本公开实施例的去化周期的预测装置可以配置在任意电子设备中，以执行本公开实施例的去化周期的预测方法。
在本公开的实施例中，可以通过数据采集装置获取待预测住房的特征数据，其中，特征数据可以包括但不限于以下至少一种：住房信息、网签信息、城市信息、区域信息和人口数据等，基于获取到的特征数据进行对应的待预测住房进行去化周期的预测。
在一些实施方式中，可以以数字住房系统作为数据获取来源，获取一段时间间隔内待预测住房的特征数据。
在步骤S102中，根据特征数据确定待预测住房的环境资源类型。
在本公开实施例中，根据待预测住房的特征数据确定待预测住房的环境资源类型，例如根据特征数据中的住房信息、位置信息、城市信息和人口数据等，确定该待预测住房的地理位置、环境状况以及交通状况等，以此确定待预测住房的环境资源类型。例如交通便利、环境良好的二手住房可以确定为经济类型。
在步骤S103中，根据环境资源类型获取对应的去化周期预测模型。
在本公开实施例中，可以通过TensorFlow Serving运行一个应用容器(Docker)从网络文件系统(Network File System，简称NFS)中动态加载环境资源类型对应的训练好的去化周期预测模型。其中去化周期预测模型可以为深度因子分解机模型。
在步骤S104中，将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。
本公开实施例中，将步骤S101中获取的特征数据输入至步骤S103获取的去化周期预测模型中，去化周期预测模型输出待预测住房的去化周期。
例如，可以在每一个工作节点启动一个应用容器，映射端口28811到物理机，映射磁盘到NFS共享存储，通过高可用负载均衡配置实现主备服务和负载均衡，将获取到的特征数据输出到加载的去化周期预测模型中得到待预测住房的去化周期。
本公开的实施例提供的去化周期预测方法，通过获取待预测住房的特征数据，根据特征数据确定待预测住房的环境资源类型，根据环境资源类型获取对应的去化周期预测模型，将特征数据输入至该去化周期预测模型，得到待预测住房的去化周期。能够适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
为实现上述实施例的去化周期的预测方法，本公开还提供了一种去化周期预测模型的生成方法。图2是根据一示例性实施例示出的一种去化周期预测模型的生成方法的流程图，如图2所示，该去化周期预测模型的生成方法用于电子设备中，包括以下步骤。
在步骤S201中，获取样本住房的样本特征数据和实际去化周期，并根据样本特征数据确定样本住房的环境资源类型。
需要说明的是，本公开的去化周期预测模型的生成方法的执行主体为电子设备，本公开实施例的去化周期预测模型的生成方法可以由本公开实施例的去化周期预测模型的生成装置执行，本公开实施例的去化周期预测模型的生成装置可以配置在任意电子设备中，以执行本公开实施例的去化周期预测模型的生成方法。
在本公开的实施例中，可以基于Flume工具获取数字住房系统服务器的日志数据，在海杜普分布式文件系统(Hadoop Distributed File System，简称HDFS)中进行存储，利用数据仓库(Extract Transform Load，简称ETL)工具对获取到的日志数据进行预处理，得到样本住房的相关数据，将该数据存放至Kafka消息队列中，利用流处理引擎实时读取Kafka消息队列中的数据，解析出样本住房的样本特征数据和实际去化周期。其中，样本特征数据可以包括但不限于以下至少一种：样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。本公开实施例根据样本特征数据确定样本住房的环境资源类型，以便生成不同环境资源类型对应的去化周期预测模型。
在步骤S202中，将样本特征数据输入至待训练的去化周期预测模型，得到样本住房的样本去化周期。
在本公开实施例中，将步骤S201获取到的样本特征数据输入至待训练的去化周期预测模型中，以得到样本住房的样本去化周期。
在一些实施方式中，待训练的去化周期预测模型可以基于深度因子分解机模型构建，从而更加有效地挖掘住房数据中多维度、深层的特征组合和特征交叉，更好地覆盖各类情况。
在步骤S203中，根据实际去化周期和样本去化周期对待训练的去化周期预测模型进行训练，得到环境资源类型对应的去化周期预测模型。
本公开实施例中，根据样本住房对应的实际去化周期和步骤S202得到的样本去化周期，对待训练的去化周期预测模型进行训练，不断更新、优化模型参数，从而得到可应用于实际预测的去化周期预测模型，由此可生成多种环境资源类型对应的去化周期预测模型，可以建立环境资源类型与去化周期预测模型的映射关系表，以便在实际预测中，能够根据待预测住房的环境资源类型获取对应的去化周期预测模型完成精准预测
本公开的实施例提供的去化周期预测模型的生成方法，通过获取样本住房的样本特征数据和实际去化周期，并根据样本特征数据确定样本住房的环境资源类型，将样本特征数据输入至待训练的去化周期预测模型，得到样本住房的样本去化周期，根据实际去化周期和样本去化周期对待训练的去化周期预测模型进行训练，得到环境资源类型对应的去化周期预测模型。从而能够通过该去化周期预测模型对待预测住房进行去化周期的实时预测，以适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
在上述任一实施例的基础上，如图3所示，步骤S202中将样本特征数据输入至待训练的去化周期预测模型，得到样本住房的样本去化周期，可包括：
在步骤S301中，将样本特征数据划分为多个分片样本特征数据。
在本公开实施例中，将获取的样本特征数据划分为多个分片样本特征数据以便于根据多个分片样本特征数据进行去化周期预测模型的训练。
在步骤S302中，将分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到样本住房的样本去化周期。
在本公开实施例中，将多个分片样本特征数据分别输入至对应工作节点的待训练去化周期预测模型中，以使通过多个工作节点的待训练去化周期预测模型得到样本住房的样本去化周期。
作为一种可行的实施方式，在将分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型进行样本去化周期预测之前，可以将分片样本特征数据在工作节点进行本地存储，以避免训练时网络负载大。
在上述任一实施例的基础上，如图4所示，步骤S203中根据实际去化周期和样本去化周期对待训练的去化周期预测模型进行训练，得到去化周期预测模型，可包括：
在步骤S401中，将多个工作节点输出的分片梯度输入至参数服务器，分片梯度根据实际去化周期和样本去化周期得到。
在本公开实施例中，根据样本住房的实际去化周期和通过待训练的去化周期预测模型获得的样本去化周期，得到多个工作节点对应的分片梯度，将多个工作节点输出的分片梯度输入至参数服务器。其中参数服务器可以为多个，本公开不做限定。
作为一种可行的实施方式，可以通过集群调度各个工作节点并行计算本地分片特征数据的分片梯度，统一输入参数服务器中。
在步骤S402中，获取参数服务器输出的调整后的模型参数，模型参数根据多个分片梯度得到。
在本公开实施例中，通过参数服务器对从多个工作节点输出的分片梯度进行异步汇总，根据多个分片梯度对模型参数进行更新调整。
在一些实施方式中，可以通过随机梯度下降法(Stochastic Gradient Descent，简称SGD)更新调整模型参数。
在一些实施方式中，可以通过设置训练周期对模型参数进行持续优化，多个工作节点可以从参数服务器中获取上一次调整后的模型参数，在此基础上进行去化周期的预测，将输出的分片梯度输入参数服务器，以此不断更新模型参数。
在步骤S403中，根据调整后的模型参数生成去化周期预测模型。
在本公开实施例中，根据获取到的调整后的模型参数生成去化周期预测模型，可选的，根据训练后的模型参数、设置的版本号、输入输出等信息生成模型文件，以便进行去化周期的预测时能够及时获取。
作为一种可行的实施方式，将训练好的去化周期预测模型对应的模型文件转换为serving格式后，通过NFS进行共享存储。
图5是根据一示例性实施例示出的一种去化周期的预测装置框图。参照图5，该装置包括第一获取模块51、确定模块52、第二获取模块53和第一预测模块54。
该第一获取模块51被配置为执行获取待预测住房的特征数据。
该确定模块52被配置为执行根据特征数据确定待预测住房的环境资源类型。
该第二获取模块53被配置为执行根据环境资源类型获取对应的去化周期预测模型。
该第一预测模块54被配置为执行将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。
在本公开的一个实施例中，特征数据包括以下至少一种：住房信息、网签信息、城市信息、区域信息和人口数据。
在本公开的一个实施例中，去化周期预测模型为深度因子分解机模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例的去化周期的预测装置，获取待预测住房的特征数据，根据特征数据确定待预测住房的环境资源类型，根据环境资源类型获取对应的去化周期预测模型，将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。能够适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
图6是根据一示例性实施例示出的一种去化周期预测模型的生成框图。参照图6，该装置包括第三获取模块61、第二预测模块62和训练模块63。
该第三获取模块61被配置为执行获取样本住房的样本特征数据和实际去化周期，并根据样本特征数据确定样本住房的环境资源类型。
该第二预测模块62被配置为执行将样本特征数据输入至待训练的去化周期预测模型，得到样本住房的样本去化周期。
该训练模块63被配置为执行根据实际去化周期和样本去化周期对待训练的去化周期预测模型进行训练，得到环境资源类型对应的去化周期预测模型。
在本公开的一个实施例中，第二预测模块62，进一步被配置为执行：将样本特征数据划分为多个分片样本特征数据；将分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到样本住房的样本去化周期。
在本公开的一个实施例中，训练模块63，进一步被配置为执行：将多个工作节点输出的分片梯度输入至参数服务器，分片梯度根据实际去化周期和样本去化周期得到；获取参数服务器输出的调整后的模型参数，模型参数根据多个分片梯度得到；根据调整后的模型参数生成去化周期预测模型。
在本公开的一个实施例中，样本特征数据包括以下至少一种：样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。
在本公开的一个实施例中，去化周期预测模型为深度因子分解机模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例的去化周期预测模型的生成装置，通过获取样本住房的样本特征数据和实际去化周期，并根据样本特征数据确定样本住房的环境资源类型，将样本特征数据输入至待训练的去化周期预测模型，得到样本住房的样本去化周期，根据实际去化周期和样本去化周期对待训练的去化周期预测模型进行训练，得到环境资源类型对应的去化周期预测模型。从而能够通过该去化周期预测模型对待预测住房进行去化周期的实时预测，以适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
图7是根据一示例性实施例示出的一种电子设备框图，参照图7，该电子设备700包括：
存储器710及处理器720，连接不同组件(包括存储器710和处理器720)的总线730，存储器710存储有计算机程序，当处理器720执行程序时实现本公开实施例的去化周期的训练方法，或者本公开实施例的去化周期预测模型的生成方法。
总线730表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备700典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备700访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器710还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)740和/或高速缓存存储器750。电子设备700可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统860可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线730相连。存储器710可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块770的程序/实用工具780，可以存储在例如存储器710中，这样的程序模块770包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块770通常执行本公开所描述的实施例中的功能和/或方法。
电子设备700也可以与一个或多个外部设备790(例如键盘、指向设备、显示器791等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口792进行。并且，电子设备700还可以通过网络适配器793与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器793通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器720通过运行存储在存储器710中的程序，从而执行各种功能应用以及数据处理。
需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的方法的解释说明，此处不再赘述。
本公开实施例提出的电子设备，可以执行如前的去化周期的预测方法，或者去化周期预测模型的生成方法，通过获取待预测住房的特征数据，根据特征数据确定待预测住房的环境资源类型，根据环境资源类型获取对应的去化周期预测模型，将特征数据输入至去化周期预测模型，得到待预测住房的去化周期。能够适应住房的特征数据的动态变化，更加准确地进行去化周期预测。
为实现上述实施例，本公开还提出一种包括指令的计算机可读存储介质，例如包括指令的存储器710，上述指令可由电子设备700的处理器720执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为实现上述实施例，本公开还提出一种计算机程序产品，包括计算机程序，计算机程序被电子设备700的处理器720执行时实现上述方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (19)
1.一种去化周期的预测方法，其特征在于，包括：
获取待预测住房的特征数据；
根据所述特征数据确定所述待预测住房的环境资源类型；
根据所述环境资源类型获取对应的去化周期预测模型；
将所述特征数据输入至所述去化周期预测模型，得到所述待预测住房的去化周期。
2.根据权利要求1所述的预测方法，其特征在于，所述特征数据包括以下至少一种：
住房信息、网签信息、城市信息、区域信息和人口数据。
3.根据权利要求1所述的预测方法，其特征在于，所述去化周期预测模型为深度因子分解机模型。
4.一种去化周期预测模型的生成方法，其特征在于，包括：
获取样本住房的样本特征数据和实际去化周期，并根据所述样本特征数据确定所述样本住房的环境资源类型；
将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期；
根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述环境资源类型对应的去化周期预测模型。
5.根据权利要求4所述的生成方法，其特征在于，所述将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期，包括：
将所述样本特征数据划分为多个分片样本特征数据；
将所述分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到所述样本住房的样本去化周期。
6.根据权利要求5所述的生成方法，其特征在于，所述根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述去化周期预测模型，包括：
将多个所述工作节点输出的分片梯度输入至参数服务器，所述分片梯度根据所述实际去化周期和所述样本去化周期得到；
获取所述参数服务器输出的调整后的模型参数，所述模型参数根据多个所述分片梯度得到；
根据所述调整后的模型参数生成所述去化周期预测模型。
7.根据权利要求4所述的预测方法，其特征在于，所述样本特征数据包括以下至少一种：
样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。
8.根据权利要求4所述的生成方法，其特征在于，所述去化周期预测模型为深度因子分解机模型。
9.一种去化周期的预测装置，其特征在于，包括：
第一获取模块，被配置为执行获取待预测住房的特征数据；
确定模块，被配置为执行根据所述特征数据确定所述待预测住房的环境资源类型；
第二获取模块，被配置为执行根据所述环境资源类型获取对应的去化周期预测模型；
第一预测模块，被配置为执行将所述特征数据输入至所述去化周期预测模型，得到所述待预测住房的去化周期。
10.根据权利要求9所述的预测装置，其特征在于，所述特征数据包括以下至少一种：
住房信息、网签信息、城市信息、区域信息和人口数据。
11.根据权利要求9所述的预测装置，其特征在于，所述去化周期预测模型为深度因子分解机模型。
12.一种去化周期预测模型的生成装置，其特征在于，包括：
第三获取模块，被配置为执行获取样本住房的样本特征数据和实际去化周期，并根据所述样本特征数据确定所述样本住房的环境资源类型；
第二预测模块，被配置为执行将所述样本特征数据输入至待训练的去化周期预测模型，得到所述样本住房的样本去化周期；
训练模块，被配置为执行根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行训练，得到所述环境资源类型对应的去化周期预测模型。
13.根据权利要求12所述的生成装置，其特征在于，所述第二预测模块，进一步被配置为执行：
将所述样本特征数据划分为多个分片样本特征数据；
将所述分片样本特征数据输入至对应工作节点的待训练的去化周期预测模型，得到所述样本住房的样本去化周期。
14.根据权利要求13所述的生成装置，其特征在于，所述训练模块，进一步被配置为执行：
将多个所述工作节点输出的分片梯度输入至参数服务器，所述分片梯度根据所述实际去化周期和所述样本去化周期得到；
获取所述参数服务器输出的调整后的模型参数，所述模型参数根据多个所述分片梯度得到；
根据所述调整后的模型参数生成所述去化周期预测模型。
15.根据权利要求12所述的预测装置，其特征在于，所述样本特征数据包括以下至少一种：
样本住房信息、样本网签信息、样本城市信息、样本区域信息和样本人口数据。
16.根据权利要求12所述的生成方法，其特征在于，所述去化周期预测模型为深度因子分解机模型。
17.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1-3中任一种所述的去化周期的预测方法，或者实现如权利要求4-8中任一种所述的去化周期预测模型的生成方法。
18.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-3中任一项所述的去化周期的预测方法，或者执行如权利要求4-8中任一种所述的去化周期预测模型的生成方法。
19.一种计算机程序产品，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如权利要求1-3中任一项所述的去化周期的预测方法，或者实现如权利要求4-8中任一种所述的去化周期预测模型的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111389277.4A CN114239919A (zh) | 2021-11-22 | 2021-11-22 | 去化周期的预测、去化周期预测模型的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111389277.4A CN114239919A (zh) | 2021-11-22 | 2021-11-22 | 去化周期的预测、去化周期预测模型的生成方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239919A true CN114239919A (zh) | 2022-03-25 |
Family
ID=80750403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111389277.4A Pending CN114239919A (zh) | 2021-11-22 | 2021-11-22 | 去化周期的预测、去化周期预测模型的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239919A (zh) |
-
2021
- 2021-11-22 CN CN202111389277.4A patent/CN114239919A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11392843B2 (en) | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer | |
| WO2021036936A1 (zh) | 在分布式系统中资源及任务的分配方法、装置及系统 | |
| US11579933B2 (en) | Method for establishing system resource prediction and resource management model through multi-layer correlations | |
| CN105700948A (zh) | 一种用于在集群中调度计算任务的方法与设备 | |
| CN111143039B (zh) | 一种虚拟机的调度方法、装置及计算机存储介质 | |
| CN114895773B (zh) | 异构多核处理器的能耗优化方法、系统、装置及存储介质 | |
| CN114862656A (zh) | 基于多gpu的分布式深度学习模型训练代价的获取方法 | |
| Arkian et al. | Model-based stream processing auto-scaling in geo-distributed environments | |
| CN114667507A (zh) | 使用基于应用的剖析的机器学习工作负载的弹性执行 | |
| CN109558248B (zh) | 一种用于确定面向海洋模式计算的资源分配参数的方法及系统 | |
| JP2006048702A (ja) | トランザクションベースの性能モデルの自動構成 | |
| CN111311014B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN114356577A (zh) | 一种系统容量预估方法以及装置 | |
| CN116450486A (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| CN109992412B (zh) | 云服务器的容量调节方法、装置、存储介质和云服务器 | |
| US20210263718A1 (en) | Generating predictive metrics for virtualized deployments | |
| CN110569170A (zh) | 服务器利用率的评价方法、装置、设备及其存储介质 | |
| CN114172819A (zh) | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 | |
| CN114239919A (zh) | 去化周期的预测、去化周期预测模型的生成方法及装置 | |
| CN115016735A (zh) | 一种分布式缓存系统的控制方法、装置及介质 | |
| CN115033377A (zh) | 基于集群服务器的服务资源预测方法、装置和电子设备 | |
| CN114676272A (zh) | 多媒体资源的信息处理方法、装置、设备及存储介质 | |
| US11204923B2 (en) | Performance for query execution | |
| CN107679093B (zh) | 一种数据查询方法及装置 | |
| US20200279199A1 (en) | Generating a completion prediction of a task |
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 |