CN115374361A - 一种房屋租赁信息推荐方法及装置 - Google Patents
一种房屋租赁信息推荐方法及装置 Download PDFInfo
- Publication number
- CN115374361A CN115374361A CN202211041436.6A CN202211041436A CN115374361A CN 115374361 A CN115374361 A CN 115374361A CN 202211041436 A CN202211041436 A CN 202211041436A CN 115374361 A CN115374361 A CN 115374361A
- Authority
- CN
- China
- Prior art keywords
- house
- target
- area
- renting
- user
- 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 54
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000012417 linear regression Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 231100000817 safety factor Toxicity 0.000 description 27
- 238000013475 authorization Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/163—Real estate management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种房屋租赁信息推荐方法及装置，可应用于大数据领域或金融领域。先获取用户关于房屋的房屋意愿信息，包括用户的期望租房区域、房租支出接受范围以及用户对期望租房区域的期望因素、每个期望因素的优先级。期望信息包括期望安全系数、期望生活便利指数以及期望标签。获取用户的每月预估收入，并根据用户的每月预估收入确定用户的预估收入水平。获取各个待选租房区域的影响因素。将用户的房屋意愿信息、用户的预估收入水平以及各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取模型输出的目标房屋租赁信息。将该目标房屋租赁信息推荐给用户。如此，模型输出的目标房屋租赁信息能够满足用户的综合需求。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种房屋租赁信息推荐方法及装置。
背景技术
随着房价的逐渐增高，越来越多的人选择租房居住。租房者需要在信息繁杂的租赁市场中选择满意自己需求的房屋。
目前，可以通过房屋租赁信息推荐方法为用户推荐合适的房屋租赁信息。但是，现有的房屋租赁信息推荐方法难以满足用户的综合需求。基于此，如何提供一种能够满足用户综合需求的房屋租赁信息推荐方法，是亟待解决的问题。
发明内容
为了解决上述技术问题，本申请提供了一种房屋租赁信息推荐方法及装置，能够为用户推荐符合用户综合需求的房屋租赁信息。
为了实现上述目的，本申请提供的技术方案如下：
本申请提供一种房屋租赁信息推荐方法，所述方法包括：
获取用户的房屋意愿信息；所述房屋意愿信息包括所述用户的期望租房区域、房租支出接受范围、所述用户对所述期望租房区域的期望因素以及每个所述期望因素的优先级；所述期望因素包括期望安全系数、期望生活便利指数以及期望标签；
获取所述用户的每月预估收入，并根据所述用户的每月预估收入确定所述用户的预估收入水平；
获取各个待选租房区域的影响因素；所述影响因素包括安全系数、生活便利指数以及评估标签；
将所述用户的房屋意愿信息、所述用户的预估收入水平以及所述各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取所述房屋租赁信息推荐模型输出的目标房屋租赁信息；
将所述目标房屋租赁信息推荐给所述用户。
可选地，所述方法还包括：
确定所述用户的预估收入水平所在的目标区间；
获取所述目标区间的房租支出平均值，将所述房租支出平均值作为所述用户的房租推荐支出金额；
向所述用户展示所述房租推荐支出金额。
可选地，所述根据所述用户的每月预估收入确定所述用户的预估收入水平，包括：
将所述用户的每月预估收入输入训练完成的收入水平预估模型中，获取所述收入水平预估模型输出的所述用户的预估收入水平；
其中，所述水平预估模型是根据历史用户的历史每月收入数据以及所述历史每月收入数据对应的收入水平标签训练得到的。
可选地，所述获取各个待选租房区域的安全系数，包括：
获取目标待选租房区域的每月的案件数量以及案件类型；所述目标待选租房区域分别为各个待选租房区域中的每一个；
对所述目标待选租房区域的每月的案件数量以及案件类型进行特征表示，获取所述目标待选租房区域的安全特征数据；
将所述安全特征数据输入第一线性回归模型中，获取所述第一线性回归模型输出的所述目标待选租房区域的安全系数；
其中，所述第一线性回归模型用于表示安全特征数据和安全系数的线性关系。
可选地，所述获取各个待选租房区域的生活便利指数，包括：
获取目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息；所述目标待选租房区域分别为各个待选租房区域中的每一个；
对所述目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息进行特征表示，获取所述目标待选租房区域的环境特征数据；
将所述环境特征数据输入第二线性回归模型中，获取所述第二线性回归模型输出的所述目标待选租房区域的生活便利指数；
其中，所述第二线性回归模型用于表示环境特征数据与生活便利指数的线性关系。
可选地，所述获取各个待选租房区域的评估标签，包括：
获取目标待选租房区域中各个居民的受教育程度、年龄以及所述目标待选租房区域的每年的案件数量；所述目标待选租房区域分别为各个待选租房区域中的每一个；
基于所述目标待选租房区域中各个居民的受教育程度，获取所述目标待选租房区域的居民平均受教育程度，并根据所述目标待选租房区域的居民平均受教育程度确定所述目标待选租房区域的素质标签；
基于所述目标待选租房区域中各个居民的年龄，获取所述目标待选租房区域的居民平均年龄，并根据所述目标待选租房区域的居民平均年龄确定所述目标待选租房区域的年龄标签；
基于所述目标待选租房区域的每年的案件数量，获取所述目标待选租房区域的月平均案件数量，并根据所述目标待选租房区域的月平均案件数量确定所述目标待选租房区域的安全标签；
其中，所述目标待选租房区域对应的素质标签、所述目标待选租房区域的年龄标签以及所述目标待选租房区域的安全标签组成所述目标待选租房区域的评估标签。
可选地，所述房屋租赁信息推荐模型是基于训练数据和训练标签进行训练得到的；所述训练数据包括历史用户的历史意愿信息、所述历史用户的实际收入水平以及所述各个待选租房区域的影响因素；所述训练标签包括所述历史用户的预期房屋租赁信息；
其中，所述历史意愿信息包括所述历史用户的历史期望租房区域、历史房租支出接受范围、所述历史用户对所述历史期望租房区域的历史期望因素以及每个所述历史期望因素的优先级；所述历史期望因素包括历史期望安全系数、历史期望生活便利指数以及历史期望标签。
本申请还提供了一种房屋租赁信息推荐装置，所述装置包括：
第一获取单元，用于获取用户的房屋意愿信息；所述房屋意愿信息包括所述用户的期望租房区域、房租支出接受范围、所述用户对所述期望租房区域的期望因素以及每个所述期望因素的优先级；所述期望因素包括期望安全系数、期望生活便利指数以及期望标签；
第二获取单元，用于获取所述用户的每月预估收入，并根据所述用户的每月预估收入确定所述用户的预估收入水平；
第三获取单元，用于获取各个待选租房区域的影响因素；所述影响因素包括安全系数、生活便利指数以及评估标签；
输入单元，用于将所述用户的房屋意愿信息、所述用户的预估收入水平以及所述各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取所述房屋租赁信息推荐模型输出的目标房屋租赁信息；
推荐单元，用于将所述目标房屋租赁信息推荐给所述用户。
本申请还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一所述的房屋租赁信息推荐方法。
本申请还提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述任一所述的房屋租赁信息推荐方法。
通过上述技术方案可知，本申请具有以下有益效果：
本申请提供了一种房屋租赁信息推荐方法及装置，先获取用户关于房屋的房屋意愿信息，包括用户的期望租房区域、房租支出接受范围以及用户对期望租房区域的期望因素、每个期望因素的优先级。期望信息包括期望安全系数、期望生活便利指数以及期望标签。获取用户的每月预估收入，并根据用户的每月预估收入确定用户的预估收入水平。获取各个待选租房区域的影响因素，用户的期望租房区域即为待选租房区域中的一个或多个。将用户的房屋意愿信息、用户的预估收入水平以及各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取模型输出的目标房屋租赁信息。将该目标房屋租赁信息推荐给用户。如此，本申请实施例提供的房屋租赁信息推荐模型考虑了用户在选择租房房屋过程中的多种因素，使得模型输出的目标房屋租赁信息能够满足用户的综合需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，下面描述中的附图是本申请的一些实施例，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他的附图。
图1为本申请实施例提供的一种房屋租赁信息推荐方法的流程图；
图2为本申请实施例提供的一种房屋租赁信息推荐装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案，先对本申请实施例中所涉及到的背景技术进行介绍。
随着房价的逐渐增高，越来越多的人选择租房居住。租房者需要在信息繁杂的租赁市场中选择满意自己需求的房屋。
目前，可以通过房屋租赁信息推荐方法为用户推荐合适的房屋租赁信息。但是，现有的房屋租赁信息推荐方法难以满足用户的综合需求。经申请人研究发现，现有的租房网站只简单提供了房屋租金及位置信息，但对于租户的一些个性化要求并没有实现，其并不支持对当前房源的安全、生活便利程度、居民情况等信息的展示。基于此，如何提供一种能够满足用户综合需求的房屋租赁信息推荐方法，是亟待解决的问题。
基于此，本申请实施例提供了一种房屋租赁信息推荐方法及装置，先获取用户关于房屋的房屋意愿信息，包括用户的期望租房区域、房租支出接受范围以及用户对期望租房区域的期望因素、每个期望因素的优先级。期望信息包括期望安全系数、期望生活便利指数以及期望标签。获取用户的每月预估收入，并根据用户的每月预估收入确定用户的预估收入水平。获取各个待选租房区域的影响因素，用户的期望租房区域即为待选租房区域中的一个或多个。将用户的房屋意愿信息、用户的预估收入水平以及各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取模型输出的目标房屋租赁信息。将该目标房屋租赁信息推荐给用户。如此，本申请实施例提供的房屋租赁信息推荐模型考虑了用户在选择租房房屋过程中的多种因素，使得模型输出的目标房屋租赁信息能够满足用户的综合需求。
为了便于理解本申请，下面结合附图对本申请实施例提供的一种房屋租赁信息推荐方法进行说明。
参见图1所示，该图为本申请实施例提供的一种房屋租赁信息推荐方法的流程图。该方法可应用租房平台类应用程序，由租房平台类应用程序的后台实现。如图1所示，该方法可以包括S101-S105：
S101：获取用户的房屋意愿信息；房屋意愿信息包括用户的期望租房区域、房租支出接受范围、用户对期望租房区域的期望因素以及每个期望因素的优先级；期望因素包括期望安全系数、期望生活便利指数以及期望标签。
用户在租房平台上进行租房时，通常会在租房平台中设置租房意愿。响应于用户的设置操作，租房平台能够获取用户的租房意愿。进而，租房平台便可根据用户的租房意愿确定满足用户租房意愿的房屋租赁信息，以将满足用户租房意愿的房屋租赁信息推荐给用户。
为了满足用户的综合需求，本申请实施中的房屋意愿信息包括用户的期望租房区域、房租支出接受范围、用户对期望租房区域的期望因素以及每个期望因素的优先级。
用户的期望租房区域即为用户期望的租房区域，例如，在靠近地铁站或靠近商场的区域。在实际应用中，租房平台会提供多种租房区域以供用户进行选择。用户的房租支付接收范围为用户支付房屋的房租的下限和上限之间的范围。该房租支出接受范围可为月房租支出接受范围、季度房租支出接受范围或年房租支出接受范围。
用户对期望租房区域的期望因素包括期望安全系数、期望生活便利指数以及期望标签。其中，期望安全系数为用户对期望租房区域的安全系数的一个期望值。安全系数用户表示期望租房区域的安全性，期望租房区域的安全性越高，期望租房区域的安全系数越高。期望生活便利指数为用户对期望租房区域的生活便利指数的一个期望值。生活便利指数用于表示期望租房区域的生活便利程度。当该期望租房区域的周围的生活设施、交通设施越多，且距离期望租房区域的距离越近，则该期望租房区域的生活便利指数越高。期望标签用于表示用户对期望租房区域的期望评价。该期望标签可为安全性方面的期望评价，例如为“和谐”；也可为居民教育程度方面的期望评价，例如为“高素质”；也可为居民年龄程度方面的期望评价，例如为“年轻化”或“老龄化”。
用户在租房平台设置对期望租房区域的期望因素之后，还会设置每个期望因素的优先级。响应于用户的设置，租房平台会获取用户设置的期望因素的优先级。优先级高的期望因素为租房平台优先考虑的因素。
S102：获取用户的每月预估收入，并根据用户的每月预估收入确定用户的预估收入水平。
作为一种可选示例，获取用户多个月的历史收入。对多个月的历史收入进行统计分析，以获取用户的每月预估收入。例如，将用户多个月的历史收入的平均值作为用户的每月预估收入。
在获取用户的每月预估收入，根据用户的每月预估收入确定用户的预估收入水平。作为一种可选示例，收入水平包括高、中、低等多个水平。每个收入水平对应的收入范围可根据实际情况进行确定，这里不进行限定。
在一种可能的实现方式中，本申请实施例提供了一种根据用户的每月预估收入确定用户的预估收入水平的具体实施方式，包括：
将用户的每月预估收入输入训练完成的收入水平预估模型中，获取收入水平预估模型输出的用户的预估收入水平。
其中，水平预估模型是根据历史用户的历史每月收入数据以及历史每月收入数据对应的收入水平标签训练得到的。
可以理解的是，用户的每月收入和对应的收入水平呈线性关系。基于此，训练水平预估模型。具体地，根据历史用户的历史每月收入数据以及历史每月收入数据对应的收入水平标签训练得到水平预估模型。作为一种可选示例，水平预估模型可为模糊小波神经网络FWNN算法模型。可以理解的是，本申请实施例不限定水平预估模型的具体结构和算法类型，可根据实际情况进行选择。
在获取水平预估模型之后，将用户的每月预估收入输入训练完成的收入水平预估模型中，以获取收入水平预估模型输出的用户的预估收入水平。则，用户的预估收入水平为该月的预估收入水平，可能为高水平、中水平或低水平。
需要说明的是，在本申请实施例中，用户多个月的历史收入，不涉及用户的敏感信息，用户多个月的历史收入是在经过用户授权之后获取并使用的。在一个示例中，在获取用户多个月的历史收入之前，相应界面显示获取数据使用授权相关的提示信息，用户基于该提示信息确定是否同意授权。
S103：获取各个待选租房区域的影响因素；影响因素包括安全系数、生活便利指数以及评估标签。
待选租房区域为租房平台提供的供用户选择的租房区域。用户的期望租房区域即为各个待选租房区域中的一个或多个，为用户在各个待选租房区域中进行选择确定的。每个待选租房区域的影响因素包括安全系数、生活便利指数以及评估标签。安全系数用于表征待选租房区域的安全性，生活便利指数用于表征待选租房区域的生活便利程度，评估标签即待选租房区域的评价标签，用于直观地表示待选租房区域的一些特点。
在一种可能的实现方式中，本申请实施例提供了一种获取各个待选租房区域的安全系数的具体实施方式，包括：
A1：获取目标待选租房区域的每月的案件数量以及案件类型；目标待选租房区域分别为各个待选租房区域中的每一个。
由于租房区域的案件数量和案件类型能够表示租房区域的安全性。因此，本申请实施例以待选租房区域的每月的案件数量和案件类型为基础，获取待选租房区域的安全系数。其中，本申请实施例不限定案件类型，可根据实际情况进行确定。
在实际应用中，待选租房区域的每月的案件数量和案件类型可以通过公共开放平台进行获取。可以理解的是，本申请实施例中的待选租房区域的每月的案件数量和案件类型不涉及待选租房区域的敏感信息，为经过公共开放平台授权之后获取并使用的。在一个示例中，在获取待选租房区域的每月的案件数量和案件类型之前，相应界面显示获取数据使用授权相关的提示信息，公共平台基于该提示信息确定是否同意授权。
在该步骤中，为了便于叙述，将各个待选租房区域中的每一个确定为目标待选租房区域。进而，获取目标待选租房区域的每月的案件数量以及案件类型。
A2：对目标待选租房区域的每月的案件数量以及案件类型进行特征表示，获取目标待选租房区域的安全特征数据。
进而，对获取的目标待选租房区域的每月的案件数量以及案件类型等数据进行特征表示或特征提取，获取目标待选租房区域的安全特征数据。安全特征数据可通过安全特征向量进行表示。
A3：将安全特征数据输入第一线性回归模型中，获取第一线性回归模型输出的目标待选租房区域的安全系数。
安全特征数据和目标待选租房区域的安全系统呈线性关系。基于此，获取第一线性回归模型，第一线性回归模型用于表示安全特征数据和安全系数的线性关系。
将安全特征数据输入第一线性回归模型中，便可获取第一线性回归模型输出的目标待选租房区域的安全系数。
在一种可能的实现方式中，本申请实施例提供了一种获取各个待选租房区域的生活便利指数的具体实施方式，包括：
B1：获取目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及目标待选租房区域的评价信息；目标待选租房区域分别为各个待选租房区域中的每一个。
租房区域周围的生活设施和交通设施可用于表示租房区域的生活便利程度。例如，生活设施包括超市、菜场、医院、公园、商场等，交通设施包括地铁、公交等。另外，目标待选租房区域的评价信息也有助于评价租房区域的生活便利程度。其中，目标待选租房区域的评价信息包括目标待选租房区域的房屋质量、物业水平等相关评价信息。
本申请实施例以目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型为基础，获取待选租房区域的安全系数。
在实际应用中，目标待选租房区域的房屋质量、物业水平等相关评价信息可以通过开放性平台进行获取。可以理解的是，本申请实施例中的标待选租房区域的房屋质量、物业水平等相关评价信息不涉及待选租房区域的敏感信息，为经过开放性平台授权之后获取并使用的。在一个示例中，在获取目标待选租房区域的房屋质量、物业水平等相关评价信息之前，相应界面显示获取数据使用授权相关的提示信息，开放性平台基于该提示信息确定是否同意授权。
B2：对目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及目标待选租房区域的评价信息进行特征表示，获取目标待选租房区域的环境特征数据。
进而，对目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及目标待选租房区域的评价信息进行特征表示，获取环境特征数据。可以理解的是，环境特征数据可通过环境特征向量进行表示。
B3：将环境特征数据输入第二线性回归模型中，获取第二线性回归模型输出的目标待选租房区域的生活便利指数。
环境特征数据和目标待选租房区域的生活便利指数呈线性关系。基于此，获取第二线性回归模型，第二线性回归模型用于表示环境特征数据与生活便利指数的线性关系。
将环境特征数据输入第二线性回归模型中，便可获取第二线性回归模型输出的目标待选租房区域的生活便利指数。
在一种可能的实现方式中，本申请实施例提供了一种获取各个待选租房区域的评估标签的具体实施方式，包括：
C1：获取目标待选租房区域中各个居民的受教育程度、年龄以及目标待选租房区域的每年的案件数量；目标待选租房区域分别为各个待选租房区域中的每一个。
每个租房区域均可有对应的评估标签，根据该评估标签可直观获知该租房区域的特点。获取目标待选租房区域中各个居民的受教育程度、年龄以及目标待选租房区域的每年的案件数量。
在实际应用中，各个居民的受教育程度、年龄不涉及居民的敏感信息，为居民授权之后获取并使用的。在一个示例中，在获取各个居民的受教育程度、年龄之前，相应界面显示获取数据使用授权相关的提示信息，居民基于该提示信息确定是否同意授权。在居民授权之后，便可使用居民的受教育程度、年龄等信息。
C2：基于目标待选租房区域中各个居民的受教育程度，获取目标待选租房区域的居民平均受教育程度，并根据目标待选租房区域的居民平均受教育程度确定目标待选租房区域的素质标签。
在获取目标待选租房区域中各个居民的受教育程度之后，可基于目标待选租房区域中各个居民的受教育程度，获取目标待选租房区域的居民平均受教育程度。在实际应用中，可为受教育程度用数值进行表示，计算各个居民的受教育程度分别表示的数值的平均值，将该平均值对应的受教育程度作为目标待选租房区域的居民平均受教育程度。
进而，根据目标待选租房区域的居民平均受教育程度确定目标待选租房区域的素质标签。例如，该素质标签可为“高素质”、“中素质”或“低素质”，可根据实际情况进行更细的划分，这里不进行限定。
C3：基于目标待选租房区域中各个居民的年龄，获取目标待选租房区域的居民平均年龄，并根据目标待选租房区域的居民平均年龄确定目标待选租房区域的年龄标签。
在获取目标待选租房区域中各个居民的年龄之后，便可基于目标待选租房区域中各个居民的年龄，获取目标待选租房区域的居民平均年龄。进而，可根据该居民平均年龄确定目标待选租房区域的年龄标签。该年龄标签可为“年轻化”、“老龄化”等标签，可根据实际情况进行更细的划分，这里不进行限定。
C4：基于目标待选租房区域的每年的案件数量，获取目标待选租房区域的月平均案件数量，并根据目标待选租房区域的月平均案件数量确定目标待选租房区域的安全标签。
在获取目标待选租房区域的每年的案件数量之后，每年的案件数量由12个月的案件数量组成，因此，可基于12个月的案件数量计算目标待选租房区域的月平均案件数量。进而，可根据目标待选租房区域的月平均案件数量确定目标待选租房区域的安全标签。例如，该安全标签为“和谐”等标签，可根据实际情况进行更细的划分，这里不进行限定。
在获取目标待选租房区域对应的素质标签、目标待选租房区域的年龄标签以及目标待选租房区域的安全标签等，由目标待选租房区域对应的素质标签、目标待选租房区域的年龄标签以及目标待选租房区域的安全标签组成目标待选租房区域的评估标签。
S104：将用户的房屋意愿信息、用户的预估收入水平以及各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取房屋租赁信息推荐模型输出的目标房屋租赁信息。
作为一种可选示例，房屋租赁信息推荐模型是基于训练数据和训练标签进行训练得到的。其中，训练数据包括历史用户的历史意愿信息、历史用户的实际收入水平以及各个待选租房区域的影响因素。训练标签包括历史用户的预期房屋租赁信息。
其中，历史意愿信息包括历史用户的历史期望租房区域、历史房租支出接受范围、历史用户对历史期望租房区域的历史期望因素以及每个历史期望因素的优先级；历史期望因素包括历史期望安全系数、历史期望生活便利指数以及历史期望标签。
作为一种可选示例，房屋租赁信息推荐模型可为基于K-平均聚类算法进行训练而获取的模型。在本本申请实施例中，不限定房屋租赁信息推荐模型的模型结构和训练算法，可根据实际情况进行确定。
S105：将目标房屋租赁信息推荐给用户。
在获取目标房屋租赁信息之后，可将目标房屋租赁信息推荐给用户。可以理解的是，目标房屋租赁信息可包括多个房屋租赁信息。每个房屋租赁信息包括该房屋的区域、租金、安全系数、生活便利指数以及评估标签等。目标房屋租赁信息为满足用户的房屋意愿信息的房屋租赁信息，能够满足用户的综合要求。
在一种可能的实现方式中，本申请实施例还提供了一种租赁信息推荐方法，除按上述S101-S105之外，该方法还包括：
D1：确定用户的预估收入水平所在的目标区间。
在获取用户的预估收入水平之后，可确定用户的预估收入水平所在的目标区间。该目标区间为收入水平区间。收入水平区间为该区间的最低收入和最高收入之间的连续范围。例如，当用户的预估收入水平为高水平时，高水平所在的目标区间即为高水平区间。高水平区间有该区间的最低收入和最高收入。
D2：获取目标区间的房租支出平均值，将房租支出平均值作为用户的房租推荐支出金额。
作为一种可选示例，在确定目标区间后，可确定每月预估收入同样位于该目标区间内的多个对照用户。获取每个对照用户的房租支出金额，计算多个对照用户的房租支出金额的平均值，将该平均值确定为目标区间的房租支出平均值。并将该房租支出平均值作为用户的房租推荐支出金额。
D3：向用户展示房租推荐支出金额。
在租房平台上向用户展示房租推荐支出金额。例如，当用户在租房平台中设房屋意愿信息时，可向用户展示房租推荐支出金额。房租推荐支出金额用于表示租房平台向用户推荐的房租支出金额。房租推荐支出金额是租房平台进行统计分析得到的，能够给用户一定的参考作用。用户可根据房租推荐支出金额设置房租支出接受范围，以避免入不敷出的情况。
基于D1-D3的内容可知，租房平台可向用户展示房租推荐支出金额，以使得用户根据房租推荐支出金额设置合适的房租支出接受范围，提高用户体验性。
基于上述S101-S105的相关内容可知，本申请提供了一种房屋租赁信息推荐方法，先获取用户关于房屋的房屋意愿信息，包括用户的期望租房区域、房租支出接受范围以及用户对期望租房区域的期望因素、每个期望因素的优先级。期望信息包括期望安全系数、期望生活便利指数以及期望标签。获取用户的每月预估收入，并根据用户的每月预估收入确定用户的预估收入水平。获取各个待选租房区域的影响因素，用户的期望租房区域即为待选租房区域中的一个或多个。将用户的房屋意愿信息、用户的预估收入水平以及各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取模型输出的目标房屋租赁信息。将该目标房屋租赁信息推荐给用户。如此，本申请实施例提供的房屋租赁信息推荐模型考虑了用户在选择租房房屋过程中的多种因素，使得模型输出的目标房屋租赁信息能够满足用户的综合需求。
基于上述方法实施例提供的一种房屋租赁信息推荐方法，本申请实施例还提供了一种房屋租赁信息推荐装置，下面将结合附图对房屋租赁信息推荐装置进行说明。
参见图2所示，该图为本申请实施例提供的一种房屋租赁信息推荐装置的结构示意图。如图2所示，该房屋租赁信息推荐装置包括：
第一获取单元201，用于获取用户的房屋意愿信息；所述房屋意愿信息包括所述用户的期望租房区域、房租支出接受范围、所述用户对所述期望租房区域的期望因素以及每个所述期望因素的优先级；所述期望因素包括期望安全系数、期望生活便利指数以及期望标签；
第二获取单元202，用于获取所述用户的每月预估收入，并根据所述用户的每月预估收入确定所述用户的预估收入水平；
第三获取单元203，用于获取各个待选租房区域的影响因素；所述影响因素包括安全系数、生活便利指数以及评估标签；
输入单元204，用于将所述用户的房屋意愿信息、所述用户的预估收入水平以及所述各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取所述房屋租赁信息推荐模型输出的目标房屋租赁信息；
第一推荐单元205，用于将所述目标房屋租赁信息推荐给所述用户。
在一种可能的实现方式中，所述装置还包括：
确定单元，用于确定所述用户的预估收入水平所在的目标区间；
第四获取单元，用于获取所述目标区间的房租支出平均值，将所述房租支出平均值作为所述用户的房租推荐支出金额；
第二推荐单元，用于向所述用户展示所述房租推荐支出金额。
在一种可能的实现方式中，所述第二获取单元202，包括：
第一输入子单元，用于将所述用户的每月预估收入输入训练完成的收入水平预估模型中，获取所述收入水平预估模型输出的所述用户的预估收入水平；
其中，所述水平预估模型是根据历史用户的历史每月收入数据以及所述历史每月收入数据对应的收入水平标签训练得到的。
在一种可能的实现方式中，所述第三获取单元203，包括：
第一获取子单元，用于获取目标待选租房区域的每月的案件数量以及案件类型；所述目标待选租房区域分别为各个待选租房区域中的每一个；
第一特征表示子单元，用于对所述目标待选租房区域的每月的案件数量以及案件类型进行特征表示，获取所述目标待选租房区域的安全特征数据；
第二输入子单元，用于将所述安全特征数据输入第一线性回归模型中，获取所述第一线性回归模型输出的所述目标待选租房区域的安全系数；
其中，所述第一线性回归模型用于表示安全特征数据和安全系数的线性关系。
在一种可能的实现方式中，所述第三获取单元203，包括：
第二获取子单元，用于获取目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息；所述目标待选租房区域分别为各个待选租房区域中的每一个；
第二特征表示子单元，用于对所述目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息进行特征表示，获取所述目标待选租房区域的环境特征数据；
第三输入子单元，用于将所述环境特征数据输入第二线性回归模型中，获取所述第二线性回归模型输出的所述目标待选租房区域的生活便利指数；
其中，所述第二线性回归模型用于表示环境特征数据与生活便利指数的线性关系。
在一种可能的实现方式中，所述第三获取单元203，包括：
第三获取子单元，用于获取目标待选租房区域中各个居民的受教育程度、年龄以及所述目标待选租房区域的每年的案件数量；所述目标待选租房区域分别为各个待选租房区域中的每一个；
第一确定子单元，用于基于所述目标待选租房区域中各个居民的受教育程度，获取所述目标待选租房区域的居民平均受教育程度，并根据所述目标待选租房区域的居民平均受教育程度确定所述目标待选租房区域的素质标签；
第二确定子单元，用于基于所述目标待选租房区域中各个居民的年龄，获取所述目标待选租房区域的居民平均年龄，并根据所述目标待选租房区域的居民平均年龄确定所述目标待选租房区域的年龄标签；
第三确定子单元，用于基于所述目标待选租房区域的每年的案件数量，获取所述目标待选租房区域的月平均案件数量，并根据所述目标待选租房区域的月平均案件数量确定所述目标待选租房区域的安全标签；
其中，所述目标待选租房区域对应的素质标签、所述目标待选租房区域的年龄标签以及所述目标待选租房区域的安全标签组成所述目标待选租房区域的评估标签。
在一种可能的实现方式中，所述房屋租赁信息推荐模型是基于训练数据和训练标签进行训练得到的；所述训练数据包括历史用户的历史意愿信息、所述历史用户的实际收入水平以及所述各个待选租房区域的影响因素；所述训练标签包括所述历史用户的预期房屋租赁信息；
其中，所述历史意愿信息包括所述历史用户的历史期望租房区域、历史房租支出接受范围、所述历史用户对所述历史期望租房区域的历史期望因素以及每个所述历史期望因素的优先级；所述历史期望因素包括历史期望安全系数、历史期望生活便利指数以及历史期望标签。
另外，本申请实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一所述的房屋租赁信息推荐方法。
另外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述任一所述的房屋租赁信息推荐方法。
需要说明的是，本申请提供的一种房屋租赁信息推荐方法及装置可用于大数据领域或金融领域。上述仅为示例，并不对本申请提供的一种房屋租赁信息推荐方法及装置的应用领域进行限定。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种房屋租赁信息推荐方法，其特征在于，所述方法包括：
获取用户的房屋意愿信息；所述房屋意愿信息包括所述用户的期望租房区域、房租支出接受范围、所述用户对所述期望租房区域的期望因素以及每个所述期望因素的优先级；所述期望因素包括期望安全系数、期望生活便利指数以及期望标签；
获取所述用户的每月预估收入，并根据所述用户的每月预估收入确定所述用户的预估收入水平；
获取各个待选租房区域的影响因素；所述影响因素包括安全系数、生活便利指数以及评估标签；
将所述用户的房屋意愿信息、所述用户的预估收入水平以及所述各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取所述房屋租赁信息推荐模型输出的目标房屋租赁信息；
将所述目标房屋租赁信息推荐给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述用户的预估收入水平所在的目标区间；
获取所述目标区间的房租支出平均值，将所述房租支出平均值作为所述用户的房租推荐支出金额；
向所述用户展示所述房租推荐支出金额。
3.根据权利要求1所述的方法，其特征在于，所述根据所述用户的每月预估收入确定所述用户的预估收入水平，包括：
将所述用户的每月预估收入输入训练完成的收入水平预估模型中，获取所述收入水平预估模型输出的所述用户的预估收入水平；
其中，所述水平预估模型是根据历史用户的历史每月收入数据以及所述历史每月收入数据对应的收入水平标签训练得到的。
4.根据权利要求1所述的方法，其特征在于，所述获取各个待选租房区域的安全系数，包括：
获取目标待选租房区域的每月的案件数量以及案件类型；所述目标待选租房区域分别为各个待选租房区域中的每一个；
对所述目标待选租房区域的每月的案件数量以及案件类型进行特征表示，获取所述目标待选租房区域的安全特征数据；
将所述安全特征数据输入第一线性回归模型中，获取所述第一线性回归模型输出的所述目标待选租房区域的安全系数；
其中，所述第一线性回归模型用于表示安全特征数据和安全系数的线性关系。
5.根据权利要求1所述的方法，其特征在于，所述获取各个待选租房区域的生活便利指数，包括：
获取目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息；所述目标待选租房区域分别为各个待选租房区域中的每一个；
对所述目标待选租房区域周围预设范围内的生活设施数量、生活设施类型、交通设施数量、交通设施类型以及所述目标待选租房区域的评价信息进行特征表示，获取所述目标待选租房区域的环境特征数据；
将所述环境特征数据输入第二线性回归模型中，获取所述第二线性回归模型输出的所述目标待选租房区域的生活便利指数；
其中，所述第二线性回归模型用于表示环境特征数据与生活便利指数的线性关系。
6.根据权利要求1所述的方法，其特征在于，所述获取各个待选租房区域的评估标签，包括：
获取目标待选租房区域中各个居民的受教育程度、年龄以及所述目标待选租房区域的每年的案件数量；所述目标待选租房区域分别为各个待选租房区域中的每一个；
基于所述目标待选租房区域中各个居民的受教育程度，获取所述目标待选租房区域的居民平均受教育程度，并根据所述目标待选租房区域的居民平均受教育程度确定所述目标待选租房区域的素质标签；
基于所述目标待选租房区域中各个居民的年龄，获取所述目标待选租房区域的居民平均年龄，并根据所述目标待选租房区域的居民平均年龄确定所述目标待选租房区域的年龄标签；
基于所述目标待选租房区域的每年的案件数量，获取所述目标待选租房区域的月平均案件数量，并根据所述目标待选租房区域的月平均案件数量确定所述目标待选租房区域的安全标签；
其中，所述目标待选租房区域对应的素质标签、所述目标待选租房区域的年龄标签以及所述目标待选租房区域的安全标签组成所述目标待选租房区域的评估标签。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述房屋租赁信息推荐模型是基于训练数据和训练标签进行训练得到的；所述训练数据包括历史用户的历史意愿信息、所述历史用户的实际收入水平以及所述各个待选租房区域的影响因素；所述训练标签包括所述历史用户的预期房屋租赁信息；
其中，所述历史意愿信息包括所述历史用户的历史期望租房区域、历史房租支出接受范围、所述历史用户对所述历史期望租房区域的历史期望因素以及每个所述历史期望因素的优先级；所述历史期望因素包括历史期望安全系数、历史期望生活便利指数以及历史期望标签。
8.一种房屋租赁信息推荐装置，其特征在于，所述装置包括：
第一获取单元，用于获取用户的房屋意愿信息；所述房屋意愿信息包括所述用户的期望租房区域、房租支出接受范围、所述用户对所述期望租房区域的期望因素以及每个所述期望因素的优先级；所述期望因素包括期望安全系数、期望生活便利指数以及期望标签；
第二获取单元，用于获取所述用户的每月预估收入，并根据所述用户的每月预估收入确定所述用户的预估收入水平；
第三获取单元，用于获取各个待选租房区域的影响因素；所述影响因素包括安全系数、生活便利指数以及评估标签；
输入单元，用于将所述用户的房屋意愿信息、所述用户的预估收入水平以及所述各个待选租房区域的影响因素输入训练完成的房屋租赁信息推荐模型中，获取所述房屋租赁信息推荐模型输出的目标房屋租赁信息；
推荐单元，用于将所述目标房屋租赁信息推荐给所述用户。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的房屋租赁信息推荐方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的房屋租赁信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041436.6A CN115374361A (zh) | 2022-08-29 | 2022-08-29 | 一种房屋租赁信息推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041436.6A CN115374361A (zh) | 2022-08-29 | 2022-08-29 | 一种房屋租赁信息推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115374361A true CN115374361A (zh) | 2022-11-22 |
Family
ID=84069358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211041436.6A Pending CN115374361A (zh) | 2022-08-29 | 2022-08-29 | 一种房屋租赁信息推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115374361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217877A (zh) * | 2023-09-13 | 2023-12-12 | 青岛仁科信息技术有限公司 | 一种房屋租赁推荐方法、介质及系统 |
-
2022
- 2022-08-29 CN CN202211041436.6A patent/CN115374361A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217877A (zh) * | 2023-09-13 | 2023-12-12 | 青岛仁科信息技术有限公司 | 一种房屋租赁推荐方法、介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Multiscale geographically and temporally weighted regression: Exploring the spatiotemporal determinants of housing prices | |
| Tsouros et al. | MaaS users: Who they are and how much they are willing-to-pay | |
| Demetriou | A spatially based artificial neural network mass valuation model for land consolidation | |
| KR101692521B1 (ko) | 부동산 정보 제공 및 공유 장치 | |
| Bollinger et al. | Spatial variation in office rents within the Atlanta region | |
| Anjum Altaf et al. | Measuring the demand for improved urban sanitation services: results of a contingent valuation study in Ouagadougou, Burkina Faso | |
| Fingleton et al. | Housing affordability: is new local supply the key? | |
| Bakhshi et al. | Measuring economic value in cultural institutions | |
| Vatsa et al. | Internet use and consumption diversity: Evidence from rural China | |
| Akinlo et al. | Determinants of total factor productivity growth in Nigeria, 1970–2009 | |
| Andrews et al. | Good parks–bad parks: the influence of perceptions of location on WTP and preference motives for urban parks | |
| KR20120035600A (ko) | 상권정보 제공시스템 및 방법, 그 상권정보 제공장치, 서비스장치 및 상권정보 제공단말 | |
| CN112488893B (zh) | 服务数据处理方法、装置、存储介质及电子设备 | |
| CN112053190B (zh) | 一种地摊数据管理方法、装置、存储介质及设备 | |
| Choy et al. | Housing attributes and Hong Kong real estate prices: a quantile regression analysis | |
| CN112669095A (zh) | 客户画像的构建方法、装置、电子设备及计算机存储介质 | |
| CN115374361A (zh) | 一种房屋租赁信息推荐方法及装置 | |
| Drouard | Costs or gross benefits?–What mainly drives cross-sectional variance in Internet adoption | |
| CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
| CN111523068A (zh) | 页面配置方法、装置、服务器及存储介质 | |
| Cajias et al. | Exploring the determinants of real estate liquidity from an alternative perspective: censored quantile regression in real estate research | |
| CN114445138A (zh) | 酒店房型定价方法、装置、设备及存储介质 | |
| Ghasri et al. | Comparing survival analysis and discrete choice specifications simulating dynamics of vehicle ownership | |
| Frör | Rationality concepts in environmental valuation | |
| Hajhashemi et al. | Modelling interest in co-adoption of electric vehicles and solar photovoltaics in Australia to identify tailored policy needs |
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 |