CN116523698A - 基于数据融合的公租房转租风险预测方法及系统 - Google Patents
基于数据融合的公租房转租风险预测方法及系统 Download PDFInfo
- Publication number
- CN116523698A CN116523698A CN202310768230.1A CN202310768230A CN116523698A CN 116523698 A CN116523698 A CN 116523698A CN 202310768230 A CN202310768230 A CN 202310768230A CN 116523698 A CN116523698 A CN 116523698A
- Authority
- CN
- China
- Prior art keywords
- risk
- renting
- lease
- fusion
- public
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012546 transfer Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims description 54
- 230000008878 coupling Effects 0.000 claims description 37
- 238000010168 coupling process Methods 0.000 claims description 37
- 238000005859 coupling reaction Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 29
- 238000012502 risk assessment Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000013058 risk prediction model Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于数据融合的公租房转租风险预测方法及系统，涉及数据处理领域，其中，所述方法包括：获得第一转租主体的主体‑转租信息和第一转租副体的副体‑转租信息；基于主体数据库和副体数据库进行转租风险的融合特征分析，获得主体‑转租风险融合特征和副体‑转租风险融合特征；基于主体‑转租信息、副体‑转租信息、主体‑转租风险融合特征和副体‑转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；当第一公租房转租风险指数满足公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。解决了现有技术中针对公租房转租风险预测精准度低的技术问题。
Description
技术领域
本发明涉及数据处理领域，具体地，涉及基于数据融合的公租房转租风险预测方法及系统。
背景技术
公租房的供应对象主要是中等偏下收入的住房困难家庭。公租房转租风险预测是公租房管理的重要方向之一。现有技术中，存在针对公租房转租风险预测精准度低，导致公租房转租风险预测效果不佳的技术问题。
发明内容
本申请提供了基于数据融合的公租房转租风险预测方法及系统。解决了现有技术中针对公租房转租风险预测精准度低，导致公租房转租风险预测效果不佳的技术问题。达到了提高公租房转租风险预测精准度、全面性，提升公租房转租风险预测质量，为公租房管理提供可靠的参考数据的技术效果。
鉴于上述问题，本申请提供了基于数据融合的公租房转租风险预测方法及系统。
第一方面，本申请提供了一种基于数据融合的公租房转租风险预测方法，其中，所述方法应用于一种基于数据融合的公租房转租风险预测系统，所述系统与公租房管理平台通信连接，所述方法包括：获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；连接所述公租房管理平台，获得第一公租房转租信息；基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
第二方面，本申请还提供了一种基于数据融合的公租房转租风险预测系统，其中，所述系统与公租房管理平台通信连接，所述系统包括：分析主体获得模块，所述分析主体获得模块用于获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；转租信息获得模块，所述转租信息获得模块用于连接所述公租房管理平台，获得第一公租房转租信息；特征识别模块，所述特征识别模块用于基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；数据读取模块，所述数据读取模块用于连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；融合特征分析模块，所述融合特征分析模块用于基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；转租风险预测模块，所述转租风险预测模块用于基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；转租预警信号获得模块，所述转租预警信号获得模块用于将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
第三方面，本申请还提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的一种基于数据融合的公租房转租风险预测方法。
第四方面，本申请还提供了一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时,实现本申请提供的一种基于数据融合的公租房转租风险预测方法。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过二元预设转租风险分析主体对第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；通过对主体数据库和副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征。根据主体-转租信息、副体-转租信息、主体-转租风险融合特征和副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；将第一公租房转租风险指数发送至公租房管理平台，当第一公租房转租风险指数满足公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。达到了提高公租房转租风险预测精准度、全面性，提升公租房转租风险预测质量，为公租房管理提供可靠的参考数据的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种基于数据融合的公租房转租风险预测方法的流程示意图；
图2为本申请一种基于数据融合的公租房转租风险预测方法中获得第一公租房转租风险指数的流程示意图；
图3为本申请一种基于数据融合的公租房转租风险预测系统的结构示意图；
图4为本申请示例性电子设备的结构示意图。
附图标记说明：分析主体获得模块11，转租信息获得模块12，特征识别模块13，数据读取模块14，融合特征分析模块15，转租风险预测模块16，转租预警信号获得模块17，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
本申请通过提供基于数据融合的公租房转租风险预测方法及系统。解决了现有技术中针对公租房转租风险预测精准度低，导致公租房转租风险预测效果不佳的技术问题。达到了提高公租房转租风险预测精准度、全面性，提升公租房转租风险预测质量，为公租房管理提供可靠的参考数据的技术效果。
实施例一：
请参阅附图1，本申请提供一种基于数据融合的公租房转租风险预测方法，其中，所述方法应用于一种基于数据融合的公租房转租风险预测系统，所述系统与公租房管理平台通信连接，所述方法具体包括如下步骤：
步骤S100：获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；
步骤S200：连接所述公租房管理平台，获得第一公租房转租信息；
步骤S300：基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；
具体而言，连接公租房管理平台，对公租房管理平台进行公租房转租信息查询，获得第一公租房转租信息。继而，第一公租房转租信息包括第一公租房对应的现有承租人信息、待转租人信息，以及第一公租房的位置、面积、户型、历史租赁记录等数据信息。根据二元预设转租风险分析主体对第一公租房转租信息进行特征识别，即，按照二元预设转租风险分析主体对第一公租房转租信息进行数据提取，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息。
其中，所述公租房管理平台与所述一种基于数据融合的公租房转租风险预测系统通信连接。所述公租房管理平台可以为现有技术中的任意公租房信息管理平台。所述二元预设转租风险分析主体包括转租主体和转租副体。转租主体为现有承租人指标。现有承租人指标包括现有承租人的姓名指标。转租副体为待转租人指标。待转租人指标包括待转租人的姓名指标。所述第一公租房转租信息为公租房管理平台中第一公租房的待转租信息。第一公租房可以为公租房管理平台内的任意一个待转租的公租房。所述第一转租主体包括第一公租房对应的现有承租人指标值。现有承租人指标值包括第一公租房的现有承租人对应的姓名信息。所述主体-转租信息包括第一转租主体的姓名、年龄、身份证号、收入信息、住房困难信息、转租原因、公租房申报信息等。所述第一转租副体包括第一公租房对应的待转租人指标值。待转租人指标值包括第一公租房的待转租人对应的姓名信息。所述副体-转租信息包括第一转租副体的姓名、年龄、身份证号、收入信息、住房困难信息、公租房申报信息等。
达到了确定第一转租主体的主体-转租信息和第一转租副体的副体-转租信息，为后续进行公租房转租风险预测奠定基础的技术效果。
步骤S400：连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；
步骤S500：基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；
进一步的，本申请步骤S500还包括：
步骤S510：基于所述主体数据库，获得主体-基础信息和主体-公租记录；
步骤S520：基于所述副体数据库，获得副体-基础信息和副体-公租记录；
步骤S530：基于所述主体-基础信息和所述副体基础信息进行关系耦合分析，获得主-副关系耦合指数；
步骤S540：基于所述主体-公租记录和所述副体-公租记录进行公租信用度分析，获得主体-公租信用指数和副体-公租信用指数；
步骤S550：基于所述主-副关系耦合指数和所述主体-公租信用指数，生成所述主体-转租风险融合特征；
步骤S560：基于所述主-副关系耦合指数和所述副体-公租信用指数，生成所述副体-转租风险融合特征。
具体而言，连接公租房管理平台，分别对第一转租主体、第一转租副体进行信息读取，获得主体数据库和副体数据库。其中，所述主体数据库包括主体-基础信息和主体-公租记录。所述主体-基础信息包括第一转租主体的教育经历、工作经历、家庭成员组成、社会关系等数据信息。所述主体-公租记录包括第一转租主体的多个历史公租记录。每个历史公租记录包括第一转租主体的历史公租房对应的位置、公租房结构，以及第一转租主体在这个历史公租房的历史租房期间是否存在公租违规行为的历史记录信息。公租违规行为包括擅自调换公租房、改变公租房的房屋用途或房屋结构、破坏或擅自装修公租房、未按照合同约定交纳公租房的租金等。同理，所述副体数据库包括副体-基础信息和副体-公租记录。所述副体-基础信息包括第一转租副体的教育经历、工作经历、家庭成员组成、社会关系等数据信息。所述副体-公租记录包括第一转租副体的多个历史公租记录数据。每个历史公租记录数据包括第一转租副体的历史公租房对应的位置、公租房结构，以及第一转租副体在这个历史公租房的历史租房期间是否存在公租违规行为的历史记录数据信息。
进一步，基于本领域技术人员进行确认，现有承租人与待转租人之间的关联关系是公租房转租的重要风险来源之一。现有承租人与待转租人之间的关联关系包括校友关系、同事关系、亲戚关系、朋友关系等。故，本申请通过对主体-基础信息和副体基础信息进行关系耦合分析，获得主-副关系耦合指数。通过主-副关系耦合指数对现有承租人与待转租人之间的关联关系进行量化表示，从而提高公租房转租风险预测的精准度、全面性。其中，所述主-副关系耦合指数是用于表征第一转租主体和第一转租副体之间的关联性的数据信息。主-副关系耦合指数越大，对应的第一转租主体和第一转租副体之间的关联性越强，第一转租主体和第一转租副体之间的关联关系越密切。示例性地，在对主体-基础信息和副体基础信息进行关系耦合分析时，按照主体-基础信息和副体基础信息进行历史数据查询，获得多组关系耦合分析数据。每组关系耦合分析数据包括历史主体-基础信息、历史副体基础信息、历史主-副关系耦合指数。基于全连接神经网络，将多组关系耦合分析数据进行不断的自我训练学习至收敛状态，即可获得关系耦合分析模型。继而，将主体-基础信息和副体基础信息作为输入信息，输入关系耦合分析模型，通过关系耦合分析模型对主体-基础信息和副体基础信息进行关联关系分析，获得主-副关系耦合指数。其中，全连接神经网络又称多层感知机，全连接神经网络是一种连接方式较为简单的人工神经网络结构。全连接神经网络是一种由输入层、隐藏层、输出层构成的前馈神经网络。且，隐藏层中可以有多个神经元。所述关系耦合分析模型包括输入层、隐藏层、输出层。
进一步，基于本领域技术人员进行确认，现有承租人对应的公租房使用的信用度、待转租人对应的公租房使用的信用度为公租房转租的重要潜在风险。现有承租人对应的公租房使用的信用度越低，则，现有承租人在使用公租房的过程中，违规行为越多，现有承租人对公租房进行违规转租的可能性越大。同理，待转租人对应的公租房使用的信用度越低，则，待转租人在使用公租房的过程中，违规行为越多，待转租人对公租房进行违规承租的概率越大。故，本申请对主体-公租记录和副体-公租记录进行公租信用度分析，获得主体-公租信用指数和副体-公租信用指数。“基于所述主-副关系耦合指数和所述主体-公租信用指数，生成所述主体-转租风险融合特征”即，将主-副关系耦合指数、主体-公租信用指数输出为主体-转租风险融合特征。同理，“基于所述主-副关系耦合指数和所述副体-公租信用指数，生成所述副体-转租风险融合特征”即，将主-副关系耦合指数和副体-公租信用指数输出为副体-转租风险融合特征。其中，所述主体-公租信用指数是用于表征第一转租主体的公租房使用的信用度的数据信息。第一转租主体的公租违规行为越多，对应的第一转租主体的公租房使用的信用度越低，对应的第一转租主体的主体-公租信用指数越低。同理，所述副体-公租信用指数是用于表征第一转租副体的公租房使用的信用度的数据信息。公租信用度分析与关系耦合分析的方式相同，为了说明书的简洁，在此不再赘述。所述主体-转租风险融合特征包括主-副关系耦合指数和主体-公租信用指数。所述副体-转租风险融合特征包括主-副关系耦合指数和副体-公租信用指数。达到了通过对第一转租主体、第一转租副体进行关系耦合分析、公租信用度分析，获得准确的主体-转租风险融合特征和副体-转租风险融合特征，从而提高公租房转租风险预测的全面性的技术效果。
步骤S600：基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；
进一步的，如附图2所示，本申请步骤S600还包括：
步骤S610：基于BP神经网络，构建转租风险预测模型，其中，所述转租风险预测模型包括输入层、风险预测层、风险融合层和输出层；
进一步的，本申请步骤S610还包括：
步骤S611：基于BP神经网络，获得所述转租风险预测模型的基础模型架构，其中，所述基础模型架构包括输入层、多个隐含层和输出层；
具体而言，BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。将BP神经网络设置为转租风险预测模型的基础模型架构，基础模型架构包括输入层、多个隐含层和输出层。
步骤S612：基于大数据，获得多个公租房转租风险记录集，并对所述多个公租房转租风险记录集进行集成学习，获得所述风险预测层；
进一步的，本申请步骤S612还包括：
步骤S6121：遍历所述多个公租房转租风险记录集进行训练，获得多个转租风险预测器和多个预测器-损失数据组，且，多个转租风险预测器具有对应的多个转租风险预测精度算子；
进一步的，本申请步骤S6121还包括：
步骤S61211：遍历所述多个公租房转租风险记录集，获得第一公租房转租风险记录集，并对所述第一公租房转租风险记录集进行随机数据划分，获得第一转租风险训练集和第一转租风险测试集；
步骤S61212：获得预设训练域，其中，所述预设训练域包括多个预设训练通道；
步骤S61213：基于所述预设训练域，获得第一预设训练通道；
步骤S61214：基于所述第一预设训练通道对所述第一转租风险训练集进行训练，获得第一转租风险预测器和第一预测器-损失数据组；
步骤S61215：基于所述第一转租风险测试集对所述第一转租风险预测器进行测试，获得第一转租风险预测精度算子。
具体而言，对公租房转租风险预测数据信息进行大数据查询，获得多个公租房转租风险记录集。每个公租房转租风险记录集包括多组历史公租房转租风险数据。每组历史公租房转租风险数据包括历史主体-转租信息、历史副体-转租信息、历史主体-转租风险系数和历史副体-转租风险系数。继而，分别将每个公租房转租风险记录集设置为第一公租房转租风险记录集，并对第一公租房转租风险记录集进行随机数据划分，获得第一转租风险训练集和第一转租风险测试集。示例性地，将第一公租房转租风险记录集中随机的70％的数据信息划分为第一转租风险训练集。将第一转租风险测试集中剩余的30％的数据信息划分为第一转租风险测试集。
进一步，预设训练域包括预先设置确定的多个预设训练通道。每个预设训练通道包括一种预设训练方式。预设训练方式包括BP神经网络、卷积神经网络、全连接神经网络、支持向量机、决策树等。对预设训练域内的多个预设训练通道进行随机选择，获得第一预设训练通道。按照第一预设训练通道对第一转租风险训练集进行训练，获得第一转租风险预测器和第一预测器-损失数据组。继而，将第一转租风险测试集作为输入信息，输入第一转租风险预测器，通过第一转租风险测试集对第一转租风险预测器进行测试，获得第一转租风险预测精度算子。其中，所述第一预测器-损失数据组包括在对第一转租风险训练集进行训练时，不满足预先设置确定的输出准确率阈值的第一转租风险训练集。所述第一转租风险预测精度算子包括第一转租风险预测器对第一转租风险测试集的测试输出准确率。
示例性地，在按照第一预设训练通道对第一转租风险训练集进行训练时，第一预设训练通道为卷积神经网络，则，基于卷积神经网络，将第一转租风险训练集进行交叉监督训练，获得第一转租风险预测器。同时，将不满足输出准确率阈值的第一转租风险训练集添加至第一预测器-损失数据组。卷积神经网络是一类包含卷积计算，且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
步骤S6122：基于所述多个转租风险预测精度算子对所述多个转租风险预测器进行筛选，获得满足预测精度算子约束的多个优胜转租风险预测器；
步骤S6123：基于所述多个预测器-损失数据组，获得所述多个优胜转租风险预测器对应的多个优胜-损失数据组；
步骤S6124：基于所述多个优胜-损失数据组对所述多个优胜转租风险预测器进行增量学习，获得多个增量转租风险预测器，并将所述多个增量转租风险预测器输出为所述风险预测层。
具体而言，分别判断多个转租风险预测精度算子是否满足预测精度算子约束。如果转租风险预测精度算子满足预测精度算子约束，则，将该转租风险预测精度算子对应的转租风险预测器设置为优胜转租风险预测器。继而，基于多个优胜转租风险预测器对多个预测器-损失数据组进行匹配，获得多个优胜-损失数据组，并根据多个优胜-损失数据组对多个优胜转租风险预测器进行增量学习，获得多个增量转租风险预测器，将多个增量转租风险预测器输出为风险预测层。
其中，所述预测精度算子约束包括由所述一种基于数据融合的公租房转租风险预测系统预先设置确定的测试输出准确率阈值。所述多个优胜转租风险预测器包括满足预测精度算子约束的多个转租风险预测精度算子对应的多个转租风险预测器。所述多个优胜-损失数据组包括多个优胜转租风险预测器对应的多个预测器-损失数据组。增量学习是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。优胜转租风险预测器是多个神经元相互连接组成的神经网络，因此，通过预测器-损失数据组的训练使得增量转租风险预测器保留了优胜转租风险预测器的基本功能，并维持优胜转租风险预测器不断更新的性能，从而提高了公租房转租风险预测的准确性。所述风险预测层包括多个增量转租风险预测器。
步骤S613：基于知识图谱，构建所述风险融合层；
进一步的，本申请步骤S613还包括：
步骤S6131：基于所述主体-转租风险融合特征，获得第一检索收敛特征；
步骤S6132：基于所述副体-转租风险融合特征，获得第二检索收敛特征；
步骤S6133：基于所述第一检索收敛特征和所述第二检索收敛特征进行大数据检索，获得多个样本主体-转租风险融合特征、多个样本主体风险融合指数、多个样本副体-转租风险融合特征和多个样本副体风险融合指数；
步骤S6134：基于所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数进行映射关系分析，获得第一样本映射关系；
步骤S6135：基于所述第一样本映射关系，根据所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数，生成主体-风险融合图谱；
步骤S6136：基于所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数进行映射关系分析，获得第二样本映射关系；
步骤S6137：基于所述第二样本映射关系，根据所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数，生成副体-风险融合图谱；
步骤S6138：基于所述主体-风险融合图谱和所述副体-风险融合图谱，获得所述风险融合层。
步骤S614：基于所述基础模型架构，将所述风险预测层、所述风险融合层添加至所述多个隐含层，生成所述转租风险预测模型。
具体而言，一方面，“基于所述第一检索收敛特征和所述第二检索收敛特征进行大数据检索”包括：将主体-转租风险融合特征设置为第一检索收敛特征。按照第一检索收敛特征进行大数据检索，即，将第一检索收敛特征作为数据采集目标进行历史数据采集，获得多个样本主体-转租风险融合特征、多个样本主体风险融合指数。继而，对多个样本主体-转租风险融合特征、多个样本主体风险融合指数进行映射关系分析，即，对多个样本主体-转租风险融合特征、多个样本主体风险融合指数进行对应关系提取，获得第一样本映射关系。基于知识图谱，按照第一样本映射关系，将多个样本主体-转租风险融合特征、多个样本主体风险融合指数进行排列，获得主体-风险融合图谱。其中，多个样本主体-转租风险融合特征包括多个历史主体-转租风险融合特征。多个样本主体风险融合指数包括多个历史主体-转租风险融合特征对应的多个历史主体风险融合指数。所述第一样本映射关系包括多个样本主体-转租风险融合特征和多个样本主体风险融合指数之间的对应关系。知识图谱是一种数据信息的表达方式。所述知识图谱包括模式层、数据层。数据层由一系列的事实组成；模式层构建在数据层之上，主要用于对数据层的一系列事实进行规范表达。所述主体-风险融合图谱包括按照第一样本映射关系进行排列的多个样本主体-转租风险融合特征、多个样本主体风险融合指数。
另一方面，“基于所述第一检索收敛特征和所述第二检索收敛特征进行大数据检索”包括：将副体-转租风险融合特征设置为第二检索收敛特征，并按照第二检索收敛特征进行大数据检索，即，按照第二检索收敛特征进行历史数据采集，获得多个样本副体-转租风险融合特征和多个样本副体风险融合指数。继而，“基于所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数进行映射关系分析”即，将多个样本副体-转租风险融合特征和多个样本副体风险融合指数之间的对应关系设置为第二样本映射关系。按照第二样本映射关系，将多个样本副体-转租风险融合特征和多个样本副体风险融合指数进行排列，获得副体-风险融合图谱。进而，将主体-风险融合图谱和副体-风险融合图谱添加至风险融合层。将风险预测层、风险融合层标识为多个隐含层，结合基础模型架构，获得转租风险预测模型。其中，所述多个样本副体-转租风险融合特征包括多个历史副体-转租风险融合特征。所述多个样本副体风险融合指数包括多个历史副体-转租风险融合特征对应的多个历史副体风险融合指数。所述副体-风险融合图谱包括按照第二样本映射关系进行排列的多个样本副体-转租风险融合特征和多个样本副体风险融合指数。所述转租风险预测模型包括输入层、风险预测层、风险融合层和输出层。风险预测层包括多个增量转租风险预测器。风险融合层包括主体-风险融合图谱和副体-风险融合图谱。达到了通过构建多维、全面的转租风险预测模型，从而提高公租房转租风险预测的可靠性的技术效果。
步骤S620：将所述主体-转租信息和所述副体-转租信息输入所述风险预测层，获得主体-转租风险系数和副体-转租风险系数；
步骤S630：将所述主体-转租风险融合特征和所述副体-转租风险融合特征输入所述风险融合层，获得主体风险融合指数和副体风险融合指数；
步骤S640：基于所述主体风险融合指数和所述副体风险融合指数，对所述主体-转租风险系数和所述副体-转租风险系数进行融合计算，获得所述第一公租房转租风险指数，并通过所述输出层对所述第一公租房转租风险指数进行输出。
步骤S700：将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
具体而言，“基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测”即，将主体-转租信息和副体-转租信息输入风险预测层的多个增量转租风险预测器中，获得多个增量转租风险预测器输出的多个主体-转租风险系数、多个副体-转租风险系数。继而，将主体-转租风险融合特征输入风险融合层内的主体-风险融合图谱，通过主体-风险融合图谱对主体-转租风险融合特征进行风险融合指数匹配，获得主体风险融合指数。同理，将副体-转租风险融合特征输入风险融合层内的副体-风险融合图谱，通过副体-风险融合图谱对副体-转租风险融合特征进行风险融合指数匹配，获得副体风险融合指数。
进一步，根据主体风险融合指数和副体风险融合指数，对多个主体-转租风险系数、多个副体-转租风险系数进行融合计算，获得第一公租房转租风险指数。继而，将第一公租房转租风险指数传输至公租房管理平台，对第一公租房转租风险指数是否满足转租风险约束特征进行判断。如果第一公租房转租风险指数满足转租风险约束特征，公租房管理平台自动生成第一公租房转租预警信号。其中，所述转租风险约束特征包括由公租房管理平台预先设置确定的公租房转租风险指数阈值。所述第一公租房转租预警信号是用于表征第一公租房转租风险指数满足转租风险约束特征的预警提示信息。
示例性地，根据主体风险融合指数和副体风险融合指数，对多个主体-转租风险系数、多个副体-转租风险系数进行融合计算的融合计算公式为，其中，F为输出的第一公租房转租风险指数，A为输入的多个主体-转租风险系数的平均值，B为输入的多个副体-转租风险系数的平均值，a为输入的主体风险融合指数，b为输入的副体风险融合指数。
达到了通过转租风险预测模型对公租房转租风险预测，获得准确的第一公租房转租风险指数，并结合转租风险约束特征适应性地生成第一公租房转租预警信号，提高公租房转租风险预测质量的技术效果。
综上所述，本申请所提供的一种基于数据融合的公租房转租风险预测方法具有如下技术效果：
1.通过二元预设转租风险分析主体对第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；通过对主体数据库和副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征。根据主体-转租信息、副体-转租信息、主体-转租风险融合特征和副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；将第一公租房转租风险指数发送至公租房管理平台，当第一公租房转租风险指数满足公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。达到了提高公租房转租风险预测精准度、全面性，提升公租房转租风险预测质量，为公租房管理提供可靠的参考数据的技术效果。
2.通过对第一转租主体、第一转租副体进行关系耦合分析、公租信用度分析，获得准确的主体-转租风险融合特征和副体-转租风险融合特征，从而提高公租房转租风险预测的全面性。
实施例二：
基于与前述实施例中一种基于数据融合的公租房转租风险预测方法，同样发明构思，本发明还提供了一种基于数据融合的公租房转租风险预测系统，所述系统与公租房管理平台通信连接，请参阅附图3，所述系统包括：
分析主体获得模块11，所述分析主体获得模块11用于获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；
转租信息获得模块12，所述转租信息获得模块12用于连接所述公租房管理平台，获得第一公租房转租信息；
特征识别模块13，所述特征识别模块13用于基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；
数据读取模块14，所述数据读取模块14用于连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；
融合特征分析模块15，所述融合特征分析模块15用于基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；
转租风险预测模块16，所述转租风险预测模块16用于基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；
转租预警信号获得模块17，所述转租预警信号获得模块17用于将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
进一步的，所述系统还包括：
第一执行模块，所述第一执行模块用于基于所述主体数据库，获得主体-基础信息和主体-公租记录；
第二执行模块，所述第二执行模块用于基于所述副体数据库，获得副体-基础信息和副体-公租记录；
耦合分析模块，所述耦合分析模块用于基于所述主体-基础信息和所述副体基础信息进行关系耦合分析，获得主-副关系耦合指数；
公租信用度分析模块，所述公租信用度分析模块用于基于所述主体-公租记录和所述副体-公租记录进行公租信用度分析，获得主体-公租信用指数和副体-公租信用指数；
第三执行模块，所述第三执行模块用于基于所述主-副关系耦合指数和所述主体-公租信用指数，生成所述主体-转租风险融合特征；
第四执行模块，所述第四执行模块用于基于所述主-副关系耦合指数和所述副体-公租信用指数，生成所述副体-转租风险融合特征。
进一步的，所述系统还包括：
第五执行模块，所述第五执行模块用于基于BP神经网络，构建转租风险预测模型，其中，所述转租风险预测模型包括输入层、风险预测层、风险融合层和输出层；
风险系数确定模块，所述风险系数确定模块用于将所述主体-转租信息和所述副体-转租信息输入所述风险预测层，获得主体-转租风险系数和副体-转租风险系数；
风险融合指数确定模块，所述风险融合指数确定模块用于将所述主体-转租风险融合特征和所述副体-转租风险融合特征输入所述风险融合层，获得主体风险融合指数和副体风险融合指数；
融合计算模块，所述融合计算模块用于基于所述主体风险融合指数和所述副体风险融合指数，对所述主体-转租风险系数和所述副体-转租风险系数进行融合计算，获得所述第一公租房转租风险指数，并通过所述输出层对所述第一公租房转租风险指数进行输出。
进一步的，所述系统还包括：
架构获得模块，所述架构获得模块用于基于BP神经网络，获得所述转租风险预测模型的基础模型架构，其中，所述基础模型架构包括输入层、多个隐含层和输出层；
集成学习模块，所述集成学习模块用于基于大数据，获得多个公租房转租风险记录集，并对所述多个公租房转租风险记录集进行集成学习，获得所述风险预测层；
第六执行模块，所述第六执行模块用于基于知识图谱，构建所述风险融合层；
第七执行模块，所述第七执行模块用于基于所述基础模型架构，将所述风险预测层、所述风险融合层添加至所述多个隐含层，生成所述转租风险预测模型。
进一步的，所述系统还包括：
第八执行模块，所述第八执行模块用于遍历所述多个公租房转租风险记录集进行训练，获得多个转租风险预测器和多个预测器-损失数据组，且，多个转租风险预测器具有对应的多个转租风险预测精度算子；
筛选模块，所述筛选模块用于基于所述多个转租风险预测精度算子对所述多个转租风险预测器进行筛选，获得满足预测精度算子约束的多个优胜转租风险预测器；
优胜-损失数据组获得模块，所述优胜-损失数据组获得模块用于基于所述多个预测器-损失数据组，获得所述多个优胜转租风险预测器对应的多个优胜-损失数据组；
增量学习模块，所述增量学习模块用于基于所述多个优胜-损失数据组对所述多个优胜转租风险预测器进行增量学习，获得多个增量转租风险预测器，并将所述多个增量转租风险预测器输出为所述风险预测层。
进一步的，所述系统还包括：
数据划分模块，所述数据划分模块用于遍历所述多个公租房转租风险记录集，获得第一公租房转租风险记录集，并对所述第一公租房转租风险记录集进行随机数据划分，获得第一转租风险训练集和第一转租风险测试集；
第九执行模块，所述第九执行模块用于获得预设训练域，其中，所述预设训练域包括多个预设训练通道；
第十执行模块，所述第十执行模块用于基于所述预设训练域，获得第一预设训练通道；
第十一执行模块，所述第十一执行模块用于基于所述第一预设训练通道对所述第一转租风险训练集进行训练，获得第一转租风险预测器和第一预测器-损失数据组；
测试模块，所述测试模块用于基于所述第一转租风险测试集对所述第一转租风险预测器进行测试，获得第一转租风险预测精度算子。
进一步的，所述系统还包括：
第一检索收敛特征获得模块，所述第一检索收敛特征获得模块用于基于所述主体-转租风险融合特征，获得第一检索收敛特征；
第二检索收敛特征获得模块，所述第二检索收敛特征获得模块用于基于所述副体-转租风险融合特征，获得第二检索收敛特征；
大数据检索模块，所述大数据检索模块用于基于所述第一检索收敛特征和所述第二检索收敛特征进行大数据检索，获得多个样本主体-转租风险融合特征、多个样本主体风险融合指数、多个样本副体-转租风险融合特征和多个样本副体风险融合指数；
第一样本映射关系获得模块，所述第一样本映射关系获得模块用于基于所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数进行映射关系分析，获得第一样本映射关系；
主体-风险融合图谱生成模块，所述主体-风险融合图谱生成模块用于基于所述第一样本映射关系，根据所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数，生成主体-风险融合图谱；
第二样本映射关系获得模块，所述第二样本映射关系获得模块用于基于所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数进行映射关系分析，获得第二样本映射关系；
副体-风险融合图谱生成模块，所述副体-风险融合图谱生成模块用于基于所述第二样本映射关系，根据所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数，生成副体-风险融合图谱；
风险融合层确定模块，所述风险融合层确定模块用于基于所述主体-风险融合图谱和所述副体-风险融合图谱，获得所述风险融合层。
本发明实施例所提供的一种基于数据融合的公租房转租风险预测系统可执行本发明任意实施例所提供的一种基于数据融合的公租房转租风险预测方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三：
图4为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图4中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种基于数据融合的公租房转租风险预测方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种基于数据融合的公租房转租风险预测方法。
本申请提供了一种基于数据融合的公租房转租风险预测方法，其中，所述方法应用于一种基于数据融合的公租房转租风险预测系统，所述方法包括：通过二元预设转租风险分析主体对第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；通过对主体数据库和副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征。根据主体-转租信息、副体-转租信息、主体-转租风险融合特征和副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；将第一公租房转租风险指数发送至公租房管理平台，当第一公租房转租风险指数满足公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。解决了现有技术中针对公租房转租风险预测精准度低，导致公租房转租风险预测效果不佳的技术问题。达到了提高公租房转租风险预测精准度、全面性，提升公租房转租风险预测质量，为公租房管理提供可靠的参考数据的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于数据融合的公租房转租风险预测方法，其特征在于，所述方法应用于一种基于数据融合的公租房转租风险预测系统，所述系统与公租房管理平台通信连接，所述方法包括：
获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；
连接所述公租房管理平台，获得第一公租房转租信息；
基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；
连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；
基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；
基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；
将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
2.如权利要求1所述的方法，其特征在于，基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征，包括：
基于所述主体数据库，获得主体-基础信息和主体-公租记录；
基于所述副体数据库，获得副体-基础信息和副体-公租记录；
基于所述主体-基础信息和所述副体基础信息进行关系耦合分析，获得主-副关系耦合指数；
基于所述主体-公租记录和所述副体-公租记录进行公租信用度分析，获得主体-公租信用指数和副体-公租信用指数；
基于所述主-副关系耦合指数和所述主体-公租信用指数，生成所述主体-转租风险融合特征；
基于所述主-副关系耦合指数和所述副体-公租信用指数，生成所述副体-转租风险融合特征。
3.如权利要求1所述的方法，其特征在于，基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数，包括：
基于BP神经网络，构建转租风险预测模型，其中，所述转租风险预测模型包括输入层、风险预测层、风险融合层和输出层；
将所述主体-转租信息和所述副体-转租信息输入所述风险预测层，获得主体-转租风险系数和副体-转租风险系数；
将所述主体-转租风险融合特征和所述副体-转租风险融合特征输入所述风险融合层，获得主体风险融合指数和副体风险融合指数；
基于所述主体风险融合指数和所述副体风险融合指数，对所述主体-转租风险系数和所述副体-转租风险系数进行融合计算，获得所述第一公租房转租风险指数，并通过所述输出层对所述第一公租房转租风险指数进行输出。
4.如权利要求3所述的方法，其特征在于，基于BP神经网络，构建转租风险预测模型，包括：
基于BP神经网络，获得所述转租风险预测模型的基础模型架构，其中，所述基础模型架构包括输入层、多个隐含层和输出层；
基于大数据，获得多个公租房转租风险记录集，并对所述多个公租房转租风险记录集进行集成学习，获得所述风险预测层；
基于知识图谱，构建所述风险融合层；
基于所述基础模型架构，将所述风险预测层、所述风险融合层添加至所述多个隐含层，生成所述转租风险预测模型。
5.如权利要求4所述的方法，其特征在于，获得所述风险预测层，包括：
遍历所述多个公租房转租风险记录集进行训练，获得多个转租风险预测器和多个预测器-损失数据组，且，多个转租风险预测器具有对应的多个转租风险预测精度算子；
基于所述多个转租风险预测精度算子对所述多个转租风险预测器进行筛选，获得满足预测精度算子约束的多个优胜转租风险预测器；
基于所述多个预测器-损失数据组，获得所述多个优胜转租风险预测器对应的多个优胜-损失数据组；
基于所述多个优胜-损失数据组对所述多个优胜转租风险预测器进行增量学习，获得多个增量转租风险预测器，并将所述多个增量转租风险预测器输出为所述风险预测层。
6.如权利要求5所述的方法，其特征在于，遍历所述多个公租房转租风险记录集进行训练，包括：
遍历所述多个公租房转租风险记录集，获得第一公租房转租风险记录集，并对所述第一公租房转租风险记录集进行随机数据划分，获得第一转租风险训练集和第一转租风险测试集；
获得预设训练域，其中，所述预设训练域包括多个预设训练通道；
基于所述预设训练域，获得第一预设训练通道；
基于所述第一预设训练通道对所述第一转租风险训练集进行训练，获得第一转租风险预测器和第一预测器-损失数据组；
基于所述第一转租风险测试集对所述第一转租风险预测器进行测试，获得第一转租风险预测精度算子。
7.如权利要求4所述的方法，其特征在于，基于知识图谱，构建所述风险融合层，包括：
基于所述主体-转租风险融合特征，获得第一检索收敛特征；
基于所述副体-转租风险融合特征，获得第二检索收敛特征；
基于所述第一检索收敛特征和所述第二检索收敛特征进行大数据检索，获得多个样本主体-转租风险融合特征、多个样本主体风险融合指数、多个样本副体-转租风险融合特征和多个样本副体风险融合指数；
基于所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数进行映射关系分析，获得第一样本映射关系；
基于所述第一样本映射关系，根据所述多个样本主体-转租风险融合特征和所述多个样本主体风险融合指数，生成主体-风险融合图谱；
基于所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数进行映射关系分析，获得第二样本映射关系；
基于所述第二样本映射关系，根据所述多个样本副体-转租风险融合特征和所述多个样本副体风险融合指数，生成副体-风险融合图谱；
基于所述主体-风险融合图谱和所述副体-风险融合图谱，获得所述风险融合层。
8.一种基于数据融合的公租房转租风险预测系统，其特征在于，所述系统用于执行权利要求1至7中任一项所述的方法，所述系统与公租房管理平台通信连接，所述系统包括：
分析主体获得模块，所述分析主体获得模块用于获得二元预设转租风险分析主体，其中，所述二元预设转租风险分析主体包括转租主体和转租副体；
转租信息获得模块，所述转租信息获得模块用于连接所述公租房管理平台，获得第一公租房转租信息；
特征识别模块，所述特征识别模块用于基于所述二元预设转租风险分析主体对所述第一公租房转租信息进行特征识别，获得第一转租主体的主体-转租信息和第一转租副体的副体-转租信息；
数据读取模块，所述数据读取模块用于连接所述公租房管理平台，读取所述第一转租主体的主体数据库和所述第一转租副体的副体数据库；
融合特征分析模块，所述融合特征分析模块用于基于所述主体数据库和所述副体数据库进行转租风险的融合特征分析，获得主体-转租风险融合特征和副体-转租风险融合特征；
转租风险预测模块，所述转租风险预测模块用于基于所述主体-转租信息、所述副体-转租信息、所述主体-转租风险融合特征和所述副体-转租风险融合特征进行公租房转租风险预测，获得第一公租房转租风险指数；
转租预警信号获得模块，所述转租预警信号获得模块用于将所述第一公租房转租风险指数发送至所述公租房管理平台，当所述第一公租房转租风险指数满足所述公租房管理平台内的转租风险约束特征时，获得第一公租房转租预警信号。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的一种基于数据融合的公租房转租风险预测方法。
10.一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，该程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于数据融合的公租房转租风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768230.1A CN116523698B (zh) | 2023-06-28 | 2023-06-28 | 基于数据融合的公租房转租风险预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768230.1A CN116523698B (zh) | 2023-06-28 | 2023-06-28 | 基于数据融合的公租房转租风险预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523698A true CN116523698A (zh) | 2023-08-01 |
| CN116523698B CN116523698B (zh) | 2023-09-12 |
Family
ID=87394446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768230.1A Active CN116523698B (zh) | 2023-06-28 | 2023-06-28 | 基于数据融合的公租房转租风险预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523698B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019121067A (ja) * | 2017-12-28 | 2019-07-22 | 東邦瓦斯株式会社 | 住宅内事故リスク予測報知システム及び住宅内事故リスク予測方法 |
| CN111599065A (zh) * | 2020-06-15 | 2020-08-28 | 广东鉴面智能科技有限公司 | 一种公租房人员管理方法及系统 |
| CN112381610A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种群租风险指数的预测方法及计算机设备 |
| CA3123056A1 (en) * | 2021-06-29 | 2021-09-03 | Salma Al-Shehabi | Sustainable solutions for the housing and homelessness crises and chronic homelessness |
| CN114493787A (zh) * | 2022-01-26 | 2022-05-13 | 京东方科技集团股份有限公司 | 房屋管理方法、装置及计算机可读存储介质 |
| CN114912717A (zh) * | 2022-07-13 | 2022-08-16 | 成都秦川物联网科技股份有限公司 | 基于物联网的智慧城市保障住房申请风险评估方法和系统 |
| CN115760320A (zh) * | 2022-11-01 | 2023-03-07 | 城云科技（中国）有限公司 | 基于大数据分析的公租房申报监管预警方法及其应用 |
-
2023
- 2023-06-28 CN CN202310768230.1A patent/CN116523698B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019121067A (ja) * | 2017-12-28 | 2019-07-22 | 東邦瓦斯株式会社 | 住宅内事故リスク予測報知システム及び住宅内事故リスク予測方法 |
| CN111599065A (zh) * | 2020-06-15 | 2020-08-28 | 广东鉴面智能科技有限公司 | 一种公租房人员管理方法及系统 |
| CN112381610A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种群租风险指数的预测方法及计算机设备 |
| CA3123056A1 (en) * | 2021-06-29 | 2021-09-03 | Salma Al-Shehabi | Sustainable solutions for the housing and homelessness crises and chronic homelessness |
| CN114493787A (zh) * | 2022-01-26 | 2022-05-13 | 京东方科技集团股份有限公司 | 房屋管理方法、装置及计算机可读存储介质 |
| CN114912717A (zh) * | 2022-07-13 | 2022-08-16 | 成都秦川物联网科技股份有限公司 | 基于物联网的智慧城市保障住房申请风险评估方法和系统 |
| CN115760320A (zh) * | 2022-11-01 | 2023-03-07 | 城云科技（中国）有限公司 | 基于大数据分析的公租房申报监管预警方法及其应用 |
Non-Patent Citations (2)
| Title |
|---|
| JUN JIE BENJAMIN SENG等: "Public rental housing and its association with mortality – a retrospective, cohort study", BMC PUBLIC HEALTH * |
| 王建波;宋美佳;张文丽;: "REITs在公租房项目融资中的风险评价与应用", 青岛理工大学学报, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523698B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796470B (zh) | 一种面向市场主体监管和服务的数据分析系统 | |
| US20180225593A1 (en) | Transforming property data into sufficiently sized, relatively homogeneous data segments for configuring automated modeling systems | |
| CN116679211A (zh) | 一种锂电池健康状态的预测方法 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| CN116523698B (zh) | 基于数据融合的公租房转租风险预测方法及系统 | |
| CN117743601A (zh) | 一种自然资源知识图谱补全方法、装置、设备及介质 | |
| CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、系统及设备 | |
| CN116523002A (zh) | 多源异构数据的动态图生成对抗网络轨迹预测方法和系统 | |
| CN116668095A (zh) | 一种网络安全智能评估方法及系统 | |
| CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
| Popple | Legal expert systems: The inadequacy of a rule-based approach | |
| CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
| CN116958622A (zh) | 数据的分类方法、装置、设备、介质及程序产品 | |
| CN112215420B (zh) | 一种居民用电的客户过户识别方法及系统 | |
| CN114219630A (zh) | 服务风险预测方法、装置、设备及介质 | |
| CN113935788A (zh) | 模型评估方法、装置、设备及计算机可读存储介质 | |
| CN113674869B (zh) | 一种基于人工智能医疗大数据数据共享方法及系统 | |
| CN113642986B (zh) | 构建数字公证的方法 | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
| Verma et al. | Advanced Regression Models for Accurate House Price Prediction: An Analysis of Performance and Interpretability | |
| Bandyopadhyay | A novel multi-criteria decision analysis technique incorporating demanding essential characteristics of existing MCDA techniques | |
| Liu et al. | Dialectical Analysis of Comparative Pedagogy Based on Multiple Intelligences Evaluation | |
| CN116956013A (zh) | 深度神经网络的置信度校准方法、装置、设备及存储介质 | |
| CN114925783A (zh) | 一种基于优化堆栈自编码网络的化工过程故障分类方法 | |
| CN118195320A (zh) | 基于大数据技术的不动产登记信息共享管理系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |