CN118115187A - 租金确定方法、装置、设备、介质和程序产品 - Google Patents
租金确定方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN118115187A CN118115187A CN202410166480.2A CN202410166480A CN118115187A CN 118115187 A CN118115187 A CN 118115187A CN 202410166480 A CN202410166480 A CN 202410166480A CN 118115187 A CN118115187 A CN 118115187A
- Authority
- CN
- China
- Prior art keywords
- income
- actual
- rentable area
- lease
- area
- 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 72
- 230000009466 transformation Effects 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 230000008520 organization Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种租金确定方法，可以应用于大数据技术领域及金融科技领域。该方法包括：获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下操作：分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征；对第一相关性特征进行非线性变换；根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。本公开还提供了一种租金确定装置、设备、介质和程序产品。
Description
技术领域
本公开涉及大数据技术领域，更具体地涉及一种租金确定方法、装置、设备、介质和程序产品。
背景技术
对于企业财务管理而言，租金收入的管理有着重要的地位，它有助于管理者更清晰的分析企业的经营状况，为企业管理的各项决策提供数据基础。如果能相对准确的预测未来的租金收入，就有助于管理者了解企业的财务情况，便于提前做出经营规划和管理。
但是，现有技术中在确定租金收入时，由于出租的总面积和市场价格是不断变化的，例如可能会出现提前退租或加租，也可能会由于某些政策原因需要对租金进行减免或提高等情况，所以很难以一个系统化的标准对未来的租金收入进行确定，导致租金确定不够精确。
发明内容
鉴于上述问题，本公开提供了能够实现对目标机构的租金进行精确预测的租金确定方法、装置、设备、介质和程序产品。
根据本公开的第一个方面，提供了一种租金确定方法，包括：获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下操作：分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；对第一相关性特征进行非线性变换；根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
根据本公开的实施例，根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值，包括：对非线性变换后的第一相关性特征进行第二次线性变换和第二次偏置调整，得到第二相关性特征，其中，第二相关性特征和第一相关性特征表征的意义相同，但处在神经网络模型中的位置层数不同；对第二相关性特征进行非线性变换；根据非线性变换后的第二相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
根据本公开的实施例，对第一相关性特征进行非线性变换，包括：确定ReLu函数作为激活函数；根据ReLu函数，对第一相关性特征进行非线性变换。
根据本公开的实施例，神经网络模型为反向传播神经网络模型，反向传播神经网络模型的结构包括输入层、隐藏层和输出层，其中，输入层用于输入可出租面积、实际出租面积、市场价格和租金收入总额；隐藏层用于分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；以及对第一相关性特征进行非线性变换；输出层用于根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
根据本公开的实施例，训练反向传播神经网络模型，包括：获取目标机构在历史时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额，以获得训练样本集；将训练样本集输入预先构建的反向传播神经网络模型，执行以下操作：分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；对第一相关性特征进行非线性变换；根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值；在租金收入预测值与实际租金收入总额的误差大于第一规定阈值的情况下，调整线性变换的参数，直至租金收入预测值与实际租金收入总额的误差小于第一规定阈值。
根据本公开的实施例，调整线性变换的参数，直至租金收入预测值与实际租金收入总额的误差小于第一规定阈值，包括：确定训练反向传播神经网络模型的学习率，其中，学习率表征反向传播神经网络模型的迭代次数与线性变换的参数之间的关系：利用学习率对反向传播神经网络模型进行训练；在学习率增加至预设值，且从预设值降低至零的情况下，线性变换的参数逼近期望值，租金收入预测值与租金收入总额的误差小于第一规定阈值。
本公开的第二方面提供了一种租金确定装置，包括：获取模块，用于获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；操作模块，用于将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下模块：提取模块，用于分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；变换模块，用于对第一相关性特征进行非线性变换；计算模块，用于根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个计算机程序，所述一个或多个处理器执行所述一个或多个计算机程序以实现上述租金确定方法的步骤。
本公开的第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述租金确定方法的步骤。
本公开的第五方面还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序被处理器执行时实现上述租金确定方法的步骤。
本公开提供的租金确定方法、装置、设备、介质和程序产品，通过预先收集与目标机构的租金收入相关的可出租面积、实际出租面积、市场价格和租金收入总额等因子，利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，根据该相关性特征来确定租金收入。由于可出租面积、实际出租面积和市场价格是影响租金收入的最关键因素，因此，将其作为指标能够最大程度提高租金预测的准确性。利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，能够以更高效更客观方式对目标机构未来的租金收入进行系统化的精准确定，有助于管理者了解企业的财务情况，便于提前做出经营规划和管理。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的租金确定方法的应用场景图；
图2示意性示出了根据本公开实施例的租金确定方法的流程图；
图3示意性示出了根据本公开实施例的租金确定方法中根据第一相关性特征计算目标机构租金收入预测值的流程图；
图4示意性示出了根据本公开实施例的租金确定方法中对第一相关性特征进行非线性变换的流程图；
图5示意性示出了根据本公开实施例的租金确定方法中反向传播神经网络模型的结构图；
图6示意性示出了根据本公开实施例的租金确定方法中反向传播神经网络模型内部计算方法的原理图；
图7示意性示出了根据本公开实施例的租金确定方法中神经网络模型训练方法的流程图；
图8示意性示出了根据本公开实施例的租金确定方法中在预热过程中学习率的变化曲线图；
图9示意性示出了根据本公开实施例的租金确定装置的结构框图；以及
图10示意性示出了根据本公开实施例的适于实现租金确定方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
需要说明的是，本公开中租金确定方法和装置可用于金融领域对租金确定的情况，也可用于除金融领域之外的任意领域对租金确定的情况，本公开租金确定方法和装置的应用领域不做限定。
在本公开的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
在利用个人信息进行自动化决策的场景下，本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等，并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。
本公开的实施例提供了一种租金确定方法，包括：获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下操作：分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；对第一相关性特征进行非线性变换；根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。该方法通过预先收集与目标机构的租金收入相关的可出租面积、实际出租面积、市场价格和租金收入总额等因子，利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，根据该相关性特征来预测租金收入。由于可出租面积、实际出租面积和市场价格是影响租金收入的最关键因素，因此，将其作为指标能够最大程度提高租金预测的准确性。利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，能够以更高效更客观方式对目标机构未来的租金收入进行系统化的精准预测，有助于管理者了解企业的财务情况，便于提前做出经营规划和管理。
图1示意性示出了根据本公开实施例的租金确定方法的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的租金确定方法一般可以由服务器105执行。相应地，本公开实施例所提供的租金确定装置一般可以设置于服务器105中。本公开实施例所提供的租金确定方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的租金确定装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图8对公开实施例的租金确定方法进行详细描述。
在本实施例中，例如用户想通过本公开实施例的租金确定方法来确定全国各个一级行每月的租金收入。
图2示意性示出了根据本公开实施例的租金确定方法的流程图。
如图2所示，该实施例的租金确定方法包括操作S210～操作S240，该理财产品推送方法可以在服务器中执行。
在操作S210，获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额。
通常情况下，影响目标机构租金收入的因素多种多样，但最关键的因素为可出租面积、实际出租面积和市场价格。
可出租面积：可出租面积是指目标机构所拥有的可以出租给租户的总面积，这包括机构所拥有的空置房屋、商业空间或办公空间等可供出租的空间面积。可出租面积是租金收入的重要影响因素之一，因为它决定了机构可以出租的空间数量，从而影响了租金收入的潜在规模。
实际出租面积：实际出租面积是指目标机构实际成功出租给租户的面积。这是机构实际获得租金收入的面积部分，实际出租面积可以受到多种因素的影响，如市场需求、租金定价、租户偏好等，实际出租面积的大小直接影响着机构的租金收入。
市场价格：市场价格是指在特定时间和地点，根据市场供需关系和其他因素所形成的租金价格水平。市场价格是租金收入的重要决定因素之一，因为它直接影响着租金的定价水平，市场价格的波动受到多种因素的影响，如经济状况、地区发展、竞争情况等。
综合来看，目标机构的可出租面积、实际出租面积和市场价格是影响租金收入的关键因素，可出租面积决定了机构可以出租的空间数量，实际出租面积反映了机构实际获得的租金收入，而市场价格则决定了租金的定价水平。
本实施例中，预先收集目标机构在Y月份的可出租面积B、实际出租面积F、市场价格S(元/平方米)和实际的租金收入总额T等各项指标因子x。作为优选，影响租金收入的因子还可以包括该目标机构受政策影响的租金变化金额N。
将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下操作：
在操作S220，分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度。
由于可出租面积、实际出租面积和市场价格对租金收入有着直接的影响，因此，可以利用神经网络模型提取出表征可出租面积、实际出租面积和市场价格对租金收入总额影响程度的第一相关性特征Z1。
Z1＝W1·x+B1
其中，W1表示第一次线性变换对应的权值，B1表示第一次偏置调整对应的阈值。
在操作S230，对第一相关性特征进行非线性变换。
在本实施例中，对该第一相关性特征进行非线性变换，得到A1：
A1＝Relu(Z1)
在操作S240，根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
在本实施例中，该第一相关性特征表征了可出租面积、实际出租面积和市场价格对租金收入总额的影响程度，再对该第一相关性特征进行非线性变换来引入非线性，能够以更高效更客观方式对目标机构未来的租金收入进行系统化的精准预测。
图3示意性示出了根据本公开实施例的租金预测方法中根据第一相关性特征计算目标机构租金收入预测值的流程图。
如图3所示，该实施例的租金确定方法包括操作S310～操作S330。
在操作S310，对非线性变换后的第一相关性特征进行第二次线性变换和第二次偏置调整，得到第二相关性特征，其中，第二相关性特征和第一相关性特征表征的意义相同，但处在神经网络模型中的位置层数不同。
在本实施例中，对非线性变换后的第一相关性特征进行第二次线性变换和第二次偏置调整，得到第二相关性特征Z2：
Z2＝W2·A1+B2
其中，W2表示第二次线性变换对应的权值，B2表示第二次偏置调整对应的阈值。
在操作S320，对第二相关性特征进行非线性变换。
在本实施例中，通过对第一相关性特征进行第二次的线性变换和偏置调整，可以将第一相关性特征映射至神经网络模型的不同位置层，不同层级之间的结合处理，能够更好的拟合第一相关性特征来得到第二相关性特征，从而可以提升租金收入预测值的准确性。
在操作S330，根据非线性变换后的第二相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
在本实施例中，根据非线性变换后的第二相关性特征，来计算目标机构在下个时间周期内的租金收入预测值y：
y＝Relu(Z2)
图4示意性示出了根据本公开实施例的租金确定方法中对第一相关性特征进行非线性变换的流程图。
如图4所示，该实施例的租金确定方法包括操作S410～操作S420。
在操作S410，确定ReLu函数作为激活函数。
激活函数(Activation Function)，是指在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用，引入激活函数是为了增加神经网络模型的非线性。
在本实施例中，由于租金收入与可出租面积、实际出租面积和市场价格之间存在着非线性的关系，因此，选用ReLu函数(The Rectified Linear Unit)进行激活，其公式如下：
f(x)＝max(0，x)
在操作S420，根据ReLu函数，对第一相关性特征进行非线性变换。
在本实施例中，利用激活函数引入非线性，使得神经网络模型能够学习更复杂的模式和特征。
图5示意性示出了根据本公开实施例的租金确定方法中反向传播神经网络模型的结构图。
如图5所示，该实施例的反向传播神经网络模型包括输入层、隐藏层和输出层。
反向传播神经网络模型也即BP(back propagation)神经网络模型，是一种按照误差逆向传播算法训练的多层前馈神经网络，反向传播神经网络模型能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，其主要的特点是信号是正向传播的，而误差是反向传播的。
在本实施例，输入层用于输入可出租面积、实际出租面积、市场价格和租金收入总额。
隐藏层用于分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度；以及对第一相关性特征进行非线性变换。
输出层用于根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
由于反向传播神经网络模型相比于其它类型的神经网络模型，每个参数和步骤都是相互独立的，不存在相互依赖的关系，因此，更加符合租金收入预测的场景。
图6示意性示出了根据本公开实施例的租金确定方法中反向传播神经网络模型内部计算方法的原理图。
如图6所示，该实施例的反向传播神经网络模型，在输入层中输入租金收入相关的各项指标x。在隐藏层中对输入层传来的数据进行处理，并将结果传给输出层。输出层根据隐藏层传来的数据计算反向传播神经网络模型的预测输出y。
处理数据的流程为：先输入原始数据，再把前一层处理后的输出数据，作为下一层的输入数据，依次计算，再根据网络的预测输出和期望输出计算误差。如果误差大于预期，则调整隐藏层、输出层的权值阈值后再进行多次迭代，直到得到满意的输出。
图7示意性示出了根据本公开实施例的租金确定方法中神经网络模型训练方法的流程图。
如图7所示，该实施例的租金确定方法中神经网络模型训练方法包括：
获取目标机构在历史时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额，以获得训练样本集。
将训练样本集输入预先构建的反向传播神经网络模型，执行以下操作：
分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度。
对第一相关性特征进行非线性变换。
根据非线性变换后的第一相关性特征，计算目标机构在下个时间周期内的租金收入预测值。
在租金收入预测值与实际租金收入总额的误差大于第一规定阈值的情况下，调整线性变换的参数，直至租金收入预测值与实际租金收入总额的误差小于第一规定阈值。
在本实施例中，调整线性变换的参数，直至租金收入预测值与实际租金收入总额的误差小于第一规定阈值，包括：
确定训练反向传播神经网络模型的学习率，其中，学习率表征反向传播神经网络模型的迭代次数与线性变换的参数之间的关系。
在本实施例中，该学习率的表达式为：
其中，i为反向传播神经网络模型训练的迭代代数，即i为正整数。
利用学习率对反向传播神经网络模型进行训练。
在学习率增加至预设值，且从预设值降低至零的情况下，线性变换的参数逼近期望值，租金收入预测值与租金收入总额的误差小于第一规定阈值。
以下将结合具体的案例对该反向传播神经网络模型的训练过程做进一步详解。
该反向传播神经网络模型的输入为：一组银行机构数据对应的月份Y，可出租面积B，实际出租面积F，市场价格S，受政策影响的租金变化金额N和实际的租金收入总额T等各项指标因子x，输出为：该银行机构下个月的租金收入总额t(预测值)。
从输入层输入原始数据到隐藏层，输入的自变量x，通过权值W1、阈值B1对x进行调整计算得到Z1：
Z1＝W1·x+B1
在隐藏层需要使用函数进行激活，选取ReLu函数作为激活函数：
f(x)＝max(0，x)
在隐藏层，对Z1进行激活得到A1：
A1＝Relu(Z1)
A1再经过权值W2、阈值B2的调整，得到输出层的Z2：
Z2＝W2·A1+B2
在输出层对Z2进行激活得到预测值y：
y＝Relu(Z2)
为了确定准确的W、B值，需要用损失函数来定义误差范围。此时，该反向传播神经网络模型的输出z与目标输出t的误差公式为：
其中i表示迭代次数，N表示训练样本的总个数，N为正整数。
E值越大说明误差越大，反之误差越小，如果对预测结果不满意，则需要进行多次迭代，直到对结果满意为止。
在模型训练时，由于误差E的值是越小越好的，因此可以调整权值使E减小来对权值进行优化训练，可以设定一个步长：k(即学习率)，则每次权值的变化值ΔW为：
那么，下一次的权值W(i+1)，应等于当前的权值W(i)加上权值的变化值ΔW：
W(i+1)＝W(i)+△W
上述方法是以学习率k作为系数来控制每次权值的变化值ΔW的大小，k是一个人为设置的常数，但这种方式是通过实验者个人的判断来设置k值的，不同实验者就可能设置出不同的k值，导致实验效果的差异，因此，在本实施例中，可以用另一种方法来控制ΔW的变化。
先进行学习率预热：由于在刚开始进行神经网络训练时，反向传播神经网络模型的权值阈值是随机初始化的，此时若选择一个较大的学习率，则可能会由于权值、阈值变化过大导致训练误差较大，进而导致模型的不稳定(震荡)，影响训练效果，因此，在训练初始阶段，先用一个很小学习率进行训练，可以使网络模型(例如权值、阈值)慢慢趋于稳定，等网络模型相对稳定后再使用本打算使用的学习率进行训练。这样可以让模型收敛速度更快，训练效果更佳。
图8示意性示出了根据本公开实施例的租金确定方法中在预热过程中学习率的变化曲线图。
如图8所示，该实施例的租金确定方法中，在预热阶段，学习率从0线性增加到预设值，该预设值不宜过大，之后使学习率从预设值降低到0，完成预热，因此，本公开设置的学习率变化的最大值，即预设值为0.0001，预热步数为100步。
预热步骤中学习率h的变化公式为：
其中，j为预热步数，这样预热步骤中使用的学习率h会介于0和0.0001之间。
设置g为反向传播神经网络模型训练正式使用的学习率，g的函数表达式为：
其中，i为反向传播神经网络模型训练的迭代代数，即i为正整数，由此可得正式使用的学习率g为一个大于0小于0.1的数，这个系数符合常见的学习率的变化范围。
基于此，则优化后新的权值变化值ΔWN为：
在本实施例中，将人为设置的常数k替换为g，由g的函数的曲线可知，当迭代代数i较小时，g值变小的速度更快，这样可以加快函数收敛的速度，使权值W更快的逼近期望的值，因此，优化后下一次权值W(i+1)的算法为：
W(i+1)＝W(i)+ΔWN
综上所述，在训练正式开始前，先进行学习率预热，可以防止训练初期因学习率过大而导致的权值变化过大以及误差过大的情况，从而使模型训练的过程更加稳定，使神经网络具有更好的收敛性，加快了训练速度。
图9示意性示出了根据本公开实施例的租金确定装置的结构框图。
如图9所示，该实施例的租金确定装置900包括获取模块910、操作模块920、提取模块930、变换模块940和计算模块950。
获取模块910用于获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额。在一实施例中，获取模块910可以用于执行前文描述的操作S210，在此不再赘述。
操作模块920用于将可出租面积、实际出租面积、市场价格和租金收入总额输入预先训练的神经网络模型，执行以下模块：
提取模块930用于分别对可出租面积、实际出租面积、市场价格和租金收入总额进行第一次线性变换和第一次偏置调整，提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的第一相关性特征，其中，第一相关性特征表征可出租面积、实际出租面积和市场价格对租金收入总额的影响程度。在一实施例中，计算模块930可以用于执行前文描述的操作S220，在此不再赘述。
变换模块940用于对所述第一相关性特征进行非线性变换。在一实施例中，生成模块940可以用于执行前文描述的操作S230，在此不再赘述。
计算模块950用于根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值。在一实施例中，预测模块950可以用于执行前文描述的操作S240，在此不再赘述。
根据本公开的实施例，该实施例的租金确定装置900，通过预先收集与目标机构的租金收入相关的可出租面积、实际出租面积、市场价格和租金收入总额等因子，利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，根据该相关性特征来确定租金收入。由于可出租面积、实际出租面积和市场价格是影响租金收入的最关键因素，因此，将其作为指标能够最大程度提高租金确定的准确性。利用神经网络模型提取出可出租面积、实际出租面积、市场价格和租金收入总额之间的相关性特征，能够以更高效更客观方式对目标机构未来的租金收入进行系统化的精准预测，有助于管理者了解企业的财务情况，便于提前做出经营规划和管理。
根据本公开的实施例，操作模块920、提取模块930、变换模块940和计算模块950中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，操作模块920、提取模块930、变换模块940和计算模块950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，操作模块920、提取模块930、变换模块940和计算模块950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现租金确定方法的电子设备的方框图。
如图10所示，根据本公开实施例的电子设备110包括处理器111，其可以根据存储在只读存储器(ROM)112中的程序或者从存储部分118加载到随机访问存储器(RAM)113中的程序而执行各种适当的动作和处理。处理器111例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器111还可以包括用于缓存用途的板载存储器。处理器111可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 113中，存储有电子设备110操作所需的各种程序和数据。处理器111、ROM112以及RAM 113通过总线114彼此相连。处理器111通过执行ROM 112和/或RAM 113中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM112和RAM 113以外的一个或多个存储器中。处理器111也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备110还可以包括输入/输出(I/O)接口115，输入/输出(I/O)接口115也连接至总线114。电子设备110还可以包括连接至I/I接口115的以下部件中的一项或多项：包括键盘、鼠标等的输入部分116；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分117；包括硬盘等的存储部分118；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分119。通信部分119经由诸如因特网的网络执行通信处理。驱动器120也根据需要连接至I/O接口115。可拆卸介质121，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器120上，以便于从其上读出的计算机程序根据需要被安装入存储部分118。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 112和/或RAM 113和/或ROM 112和RAM 113以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器111执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分119被下载和安装，和/或从可拆卸介质121被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分119从网络上被下载和安装，和/或从可拆卸介质121被安装。在该计算机程序被处理器111执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种租金确定方法，其特征在于，所述方法包括：
获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；
将所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额输入预先训练的神经网络模型，执行以下操作：
分别对所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额进行第一次线性变换和第一次偏置调整，提取出所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额之间的第一相关性特征，其中，所述第一相关性特征表征所述可出租面积、所述实际出租面积和所述市场价格对所述租金收入总额的影响程度；
对所述第一相关性特征进行非线性变换；
根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值。
2.根据权利要求1所述的租金确定方法，其特征在于，所述根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值，包括：
对非线性变换后的第一相关性特征进行第二次线性变换和第二次偏置调整，得到第二相关性特征，其中，所述第二相关性特征和所述第一相关性特征表征的意义相同，但处在所述神经网络模型中的位置层数不同；
对所述第二相关性特征进行非线性变换；
根据非线性变换后的第二相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值。
3.根据权利要求1所述的租金确定方法，其特征在于，所述对所述第一相关性特征进行非线性变换，包括：
确定ReLu函数作为激活函数；
根据所述ReLu函数，对所述第一相关性特征进行非线性变换。
4.根据权利要求1所述的租金确定方法，其特征在于，所述神经网络模型为反向传播神经网络模型，所述反向传播神经网络模型的结构包括输入层、隐藏层和输出层，其中，
所述输入层用于输入所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额；
所述隐藏层用于分别对所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额进行第一次线性变换和第一次偏置调整，提取出所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额之间的第一相关性特征，其中，所述第一相关性特征表征所述可出租面积、所述实际出租面积和所述市场价格对所述租金收入总额的影响程度；以及对所述第一相关性特征进行非线性变换；
所述输出层用于根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值。
5.根据权利要求4所述的租金确定方法，其特征在于，所述方法还包括：
训练所述反向传播神经网络模型，包括：
获取目标机构在历史时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额，以获得训练样本集；
将所述训练样本集输入预先构建的反向传播神经网络模型，执行以下操作：
分别对所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额进行第一次线性变换和第一次偏置调整，提取出所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额之间的第一相关性特征，其中，所述第一相关性特征表征所述可出租面积、所述实际出租面积和所述市场价格对所述租金收入总额的影响程度；
对所述第一相关性特征进行非线性变换；
根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值；
在所述租金收入预测值与实际租金收入总额的误差大于第一规定阈值的情况下，调整线性变换的参数，直至所述租金收入预测值与实际租金收入总额的误差小于所述第一规定阈值。
6.根据权利要求5所述的租金确定方法，其特征在于，所述调整线性变换的参数，直至所述租金收入预测值与实际租金收入总额的误差小于所述第一规定阈值，包括：
确定训练所述反向传播神经网络模型的学习率，其中，所述学习率表征所述反向传播神经网络模型的迭代次数与线性变换的参数之间的关系：
利用所述学习率对所述反向传播神经网络模型进行训练；
在所述学习率增加至预设值，且从所述预设值降低至零的情况下，所述线性变换的参数逼近期望值，所述租金收入预测值与所述租金收入总额的误差小于所述第一规定阈值。
7.一种租金确定装置，其特征在于，所述装置包括：
获取模块，用于获取目标机构在上个时间周期内的可出租面积、实际出租面积、市场价格和租金收入总额；
操作模块，用于将所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额输入预先训练的神经网络模型，执行以下模块：
提取模块，用于分别对所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额进行第一次线性变换和第一次偏置调整，提取出所述可出租面积、所述实际出租面积、所述市场价格和所述租金收入总额之间的第一相关性特征，其中，所述第一相关性特征表征所述可出租面积、所述实际出租面积和所述市场价格对所述租金收入总额的影响程度；
变换模块，用于对所述第一相关性特征进行非线性变换；
计算模块，用于根据非线性变换后的第一相关性特征，计算所述目标机构在下个时间周期内的租金收入预测值。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，
其特征在于，所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1～6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现根据权利要求1～6中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现根据权利要求1～6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166480.2A CN118115187A (zh) | 2024-02-05 | 2024-02-05 | 租金确定方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166480.2A CN118115187A (zh) | 2024-02-05 | 2024-02-05 | 租金确定方法、装置、设备、介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118115187A true CN118115187A (zh) | 2024-05-31 |
Family
ID=91214837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166480.2A Pending CN118115187A (zh) | 2024-02-05 | 2024-02-05 | 租金确定方法、装置、设备、介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118115187A (zh) |
-
2024
- 2024-02-05 CN CN202410166480.2A patent/CN118115187A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021173501A1 (en) | Machine-learning techniques to generate recommendations for risk mitigation | |
| CN117010762A (zh) | 数据评估方法、装置、计算机设备和存储介质 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN116739750A (zh) | 贷户违约预测方法、装置、设备和介质 | |
| US20120254066A1 (en) | Methods and apparatus for valuing mortgage loan portfolios | |
| CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CA2942325A1 (en) | Computer generation of decision trees | |
| WO2016179658A1 (en) | A property analysis system | |
| CN118115187A (zh) | 租金确定方法、装置、设备、介质和程序产品 | |
| CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
| CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
| CN114782170A (zh) | 评估模型风险等级的方法、装置、设备和介质 | |
| CN114239985A (zh) | 汇率预测方法、装置、电子设备及存储介质 | |
| CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
| AU2021477275A1 (en) | Explainable machine learning based on time-series transformation | |
| CN112598241A (zh) | 风险的评估方法、装置、系统及计算机可读存储介质 | |
| US20230342605A1 (en) | Multi-stage machine-learning techniques for risk assessment | |
| US20240046386A1 (en) | Prequalification of users | |
| US20220358600A1 (en) | Aggregating information from gig economy platforms for analysis by machine learning models | |
| CN116823449A (zh) | 信用卡授信方法、装置、设备和介质 | |
| CN114565453A (zh) | 模型构建方法、信贷风险评估方法、装置、设备及介质 | |
| CN115271927A (zh) | 不良贷款回收预测方法、装置、设备、介质和程序产品 | |
| CN118134497A (zh) | 交易对象确定方法及装置、设备、存储介质和程序产品 | |
| CN117435897A (zh) | 项目方案评估方法、装置、设备及存储介质 | |
| CN114897564A (zh) | 目标客户推荐方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |