CN111260403A - 一种中介市场收房定价的方法及*** - Google Patents
一种中介市场收房定价的方法及*** Download PDFInfo
- Publication number
- CN111260403A CN111260403A CN202010054461.2A CN202010054461A CN111260403A CN 111260403 A CN111260403 A CN 111260403A CN 202010054461 A CN202010054461 A CN 202010054461A CN 111260403 A CN111260403 A CN 111260403A
- Authority
- CN
- China
- Prior art keywords
- house source
- house
- data
- source
- pricing
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种中介市场收房定价的方法及***,包括:采集历史房源信息数据和历史房源的市场报价数据;将房源信息数据和房源的市场报价数据进行清洗,获取房源信息样本数据;将房源信息样本数据中的房源特征进行数字化处理;确定每个房源特征对房价的影响程度,过滤掉低于影响程度阈值的房源特征;生成房源特征训练样本集;获取房源定价模型的目标函数;生成模型文件和房源特征文件;封装为应用***;利用应用***,根据房源信息数据,输出与房源信息数据对应的房源定价。本发明根据房源市场价和收房后改造***对房源信息进行预估,获取房源定价模型的目标函数并求解,解放房屋中介人员的劳动力,间接提高成单率。
Description
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种中介市场收房定价的方法及***。
背景技术
房地产中介服务平台为房地产交易提供了诸多便利,但是在房地产的房源定价方面,目前还没有成型的、具有完整逻辑的房源定价方法。
目前采用的房源定价方法为:1、人工定价,中介人员根据多年的经验、市场感知能力和房源信息做策略计算,定价成本高,计算的能力有限,缺乏科学有效的定价依据和定价逻辑,给出的定价时间较慢影响成单率,使中介人员在与业主沟通的过程中无法进行预期的调整与管理,从而在对房源定价和议价过程中处于妥协状态,导致业主挂牌价格高于市场合理价格,影响房源的成交率;2、***定价,***基于面积、户型、地理位置、建筑年限、周边发展程度等特征的定价算法更适用于购房定价,即对当前房产做出估值;而长租公寓租赁市场的房源定价更关注的是所在商圈、卧室面积、房源结构、房源的可塑能力以及改造后的出租方式;目前***定价策略业务逻辑复杂、可维护性差、响应时间慢,从而影响成单率。
因此,亟需一种长租公寓租赁市场的房源定价方法。
发明内容
有鉴于此,本发明提供了一种中介市场收房定价的方法及***,其中,根据房源市场价和收房后改造***对房源信息进行预估,获取房源定价模型的目标函数并求解,解放房屋中介人员的劳动力,降低人工成本,间接提高成单率。
本申请提供的一种中介市场收房定价的方法,该方法包括:
采集历史房源信息数据和历史房源的市场报价数据;
将所述房源信息数据和所述房源的市场报价数据进行清洗,获取房源信息样本数据,每个所述房源信息样本数据包括多个房源特征;
将房源信息样本数据中的房源特征进行数字化处理;
对数字化处理后的房源特征进行计算,确定每个所述房源特征对房价的影响程度,过滤掉低于影响程度阈值的房源特征;
基于房源信息样本数据和房源特征,生成房源特征训练样本集;
基于房源特征训练样本集进行房源定价模型的训练,得到房源定价模型的目标函数;
基于所述房源定价模型的目标函数生成模型文件和房源特征文件;
将模型文件和房源特征文件进行工程化处理,封装为应用***;
利用所述应用***,根据房源信息数据,输出与房源信息数据对应的房源定价。
可选地,所述房源信息包括房源位置信息、房源建造信息和房屋具体信息。
可选地,所述将房源信息样本数据中的房源特征进行处理的具体方法为:构建房源特征集合,所述房源特征集合包括单一房源特征和将所述单一房源特征组合成新的房源特征,并对所有房源特征进行数字化处理。
可选地,所述将房源信息样本数据中的房源特征进行处理还包括:对文本类型房源特征归类处理,对非文本类型数据归一化处理。
可选地,所述对数字化处理后的房源特征进行计算是基于房源的市场价数据和收房后改造成本数据进行计算。
可选地,所述基于房源特征训练样本集进行房源定价模型的训练,获取房源定价模型的目标函数为:其中,i为第i个房源信息样本,m为房源信息样本的数量,θ为房源特征的权重,θi为第i个房源信息样本的房源特征权重,x为房源特征训练样本集的房源特征矩阵,xi为第i个房源信息样本的房源特征矩阵,T表示转置矩阵。
可选地,所述房源定价模型的目标函数通过TensorFlow的LR模型训练方式获取。
可选地,所述基于房源定价模型生成模型文件和房源特征文件的过程为:
定义超参数,包括学习率和迭代次数;
定义损失函数,并加入正则化项;
采集收房后改造成本数据,并构建收房后改造成本样本;
加入收房后改造成本样本数据,构造成本函数,所述成本函数为J(θ)为房源特征训练样本集损失值,m为房源信息样本的数量,hθ(x(i))为第i个房源特征训练样本的拟合值,y(i)为第i个房源特征训练样本的实际值,为正则化项,λ为正则化系数;n为加入正则化项的房源信息样本的数量,j为第j个正则化项的房源信息样本,θj为第j个正则化项的房源信息样本的房源特征权重;
初始化房源特征训练样本集数据,根据所述成本函数和所述梯度下降求导公式不断获取全局最优的房源特征权重θ,将所述全局最优的房源特征权重θ带入房源定价模型的目标函数中,确定房源定价模型的目标函数,根据房源定价模型的目标函数获取模型文件和房源特征文件。
本申请所提供的一种中介市场收房定价的***,该***包括:
处理模块,所述处理模块包括采集单元、数据清洗单元、特征处理单元和特征选择单元,所述采集单元用于采集房源信息数据和房源的市场报价数据;所述数据清洗单元用于将所述房源信息数据和所述房源的市场报价数据进行清洗;所述特征处理单元用于将房源信息样本数据中的房源特征进行处理;所述特征选择单元用于筛选房源特征;
训练模块,用于获取房源定价模型的目标函数,并基于所述房源定价模型生成模型文件和房源特征文件;
应用模块,用于将所述模型文件和房源特征文件进行工程化处理,封装为应用***。
与现有技术相比,本发明提供的一种中介市场收房定价的方法及***,至少实现了如下的有益效果:
1、本发明的一种中介市场收房定价的方法及***,通过构建的房源定价模型的目标函数并对目标函数求解,获取房源定价策略,能够避免人为因素的干扰,高效、智能、合理的给出房源收房风控报价,解放中介人员劳动力,间接提高成单率。
2、本发明的一种中介市场收房定价的方法及***,将获取的模型文件和房源特征进行工程化处理,封装为应用***,能够快速获取房源收房风控报价,提高工作效率,使中介人员能够更好的为租房人员提供服务。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明实施例的一种中介市场收房定价的方法的一个实施例的方法流程示意图;
图2是根据本发明实施例的一种中介市场收房定价的方法的一个实施例的损失值的函数图;
图3是根据本发明实施例的一种中介市场收房定价的***的一个实施例的***结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
以下将结合附图和具体实施例进行详细说明。
实施例一
图1为本实施例中一种中介市场收房定价的方法的流程示意图,如图1所示,本实施例提供的一种中介市场收房定价的方法,该方法包括:
步骤101、采集历史房源信息数据和历史房源的市场报价数据;
步骤102、将房源信息数据和房源的市场报价数据进行清洗,获取房源信息样本数据,每个房源信息样本数据包括多个房源特征;
步骤103、将房源信息样本数据中的房源特征进行数字化处理;
步骤104、对数字化处理后的房源特征进行计算,确定每个房源特征对房价的影响程度,过滤掉低于影响程度阈值的房源特征;
步骤105、基于房源信息样本数据和房源特征,生成房源特征训练样本集;
步骤106、基于房源特征训练样本集进行房源定价模型的训练,得到房源定价模型的目标函数;
步骤107、基于房源定价模型的目标函数生成模型文件和房源特征文件;
步骤108、将模型文件和房源特征文件进行工程化处理,封装为应用***;
步骤109、利用所述应用***,根据房源信息数据,输出与房源信息对应的房源定价。
具体地,上述步骤101中为采集房源信息数据和房源市场报价数据,通过步骤102对数据进行清洗,即将房源信息与房源市场报价匹配度低的数据删除,比如说,将房源价超出房源市场价1倍的房源信息过滤掉;再比如说,根据市场情报过滤掉房源价超出房源市场价0.75~1倍的房源信息,具体的过滤阈值以实际情况为主,经过筛选的房源信息构建房源信息样本数据,且对房源信息样本数据中的房源特征通过步骤103和步骤104进行处理和评估,去掉房源特征对房价影响程度低的房源特征,并用数字符号编码表示房源特征,通过步骤105生成房源特征训练样本集,且构建步骤106中房源定价模型的目标函数,获取步骤107的模型文件和房源特征文件,将模型文件和房源特征文件经过步骤108处理,其中,处理方式为通过java或python等语言加载到具体的应用***中,封装为应用***,通过步骤109进行使用。
本申请的一种中介市场收房定价的方法,通过构建的房源定价模型的目标函数并对目标函数求解,获取房源定价策略,能够避免人为因素的干扰,高效、智能、合理的给出房源收房风控报价,解放中介人员劳动力,间接提高成单率。
可选地,步骤101中的房源信息包括房源位置信息、房源建造信息和房屋具体信息。
具体地,房源位置信息包括房源所在城市、房源所在区域、房源所在商圈和房源所在小区等;房源建造信息包括房源建造的年限、楼盘的高度、房间所在的层高和房源有无电梯等;房屋具体信息包括房屋卧室数量、洗手间数量、房屋朝向、窗户大小和客厅面积等。
可选地,将步骤103中房源信息样本数据中的房源特征进行处理的具体方法为:构建房源特征集合,房源特征集合包括单一房源特征和将所述单一房源特征组合成新的房源特征,并对所有房源特征进行数字化处理。
具体地,将单一房源特征组合成新的房源特征,且将组合成的房源特征放入房源特征集合以待使用,组成的新的房源特征如:将房屋朝向和房屋窗户大小组合为采光情况,当房屋朝向为北面时且房屋窗户较小时,房屋采光差,当房屋朝向为南且房屋窗户较大时,房屋采光好,通过挖掘房源信息属性,在属性中发现相关性,并组合产生新的特征。
需要说明的是,对房源特征进行数字化处理为了便于处理和搜寻,例如,房源层高1~3为底层,用数字1表示,层高4~10为中层,用数字2表示,层高为10层以上为高层,用数字3表示,按照类似的方法,将其他房源特征进行数字化处理。
可选地,将步骤103中房源信息样本数据中的房源特征进行处理还包括:对文本类型房源特征归类处理,对非文本类型数据归一化处理。
具体地,将文本类型房源特征归类处理的具体方法为:将获取的文本类房源特征由人工进行准确分类,并构建分类文档,通过计算机技术从分类文档中挖掘有效地分类规则,将分类规则总结并应用。
对非文本类型数据归一化处理的具体方法为:将非文本类的房源特征经过算法处理限制在所需的范围内,把不重要的、不具可比性的房源特征的属性去掉,保证在应用***中输入房源信息时,能够迅速的收敛。
可选地,步骤104中对数字化处理后的房源特征进行计算是基于房源的市场价数据和收房后改造成本数据进行计算。
具体地,对房源特征进行评估,获取每个房源特征的影响程度是需要人为的分析,根据房源市场价和收房后改造成本预估价进行评估,对于没有太大影响和作用的信息,比如房源所在的楼层,一梯几户等信息可以直接忽略。
可选地,步骤106中基于房源特征训练样本集进行房源定价模型的训练,获取房源定价模型的目标函数为:其中,i为第i个房源信息样本,m为房源信息样本的数量,θ为房源特征的权重,θi为第i个房源信息样本的房源特征权重,x为房源特征训练样本集的房源特征矩阵,xi为第i个房源信息样本的房源特征矩阵,T表示转置矩阵。
该步骤中,构建的房源定价模型的目标函数中,需要先计算出房源特征的权重,进而获取房源定价值。
可选地,房源定价模型的目标函数通过TensorFlow的LR模型训练方式获取。
具体地,LR模型具有计算代价低,容易理解,使用较少的资源处理大型数据,LR模型对于房源特征训练样本集中的数据中小噪声的鲁棒性能好,并且不会受到轻微的多重共线性的特别影响。
可选地,步骤107中基于房源定价模型生成模型文件和房源特征文件的过程为:
定义超参数,包括学习率和迭代次数;
定义损失函数,并加入正则化项;
采集收房后改造成本数据,并构建收房后改造成本样本;
加入收房后改造成本样本数据,构造成本函数,所述成本函数为J(θ)为房源特征训练样本集损失值,m为房源信息样本的数量,hθ(x(i))为第i个房源特征训练样本的拟合值,y(i)为第i个房源特征训练样本的实际值,为正则化项,λ为正则化系数;n为加入正则化项的房源信息样本的数量,j为第j个正则化项的房源信息样本,θj为第j个正则化项的房源信息样本的房源特征权重;
初始化房源特征训练样本集数据,根据成本函数和梯度下降求导公式不断获取全局最优的房源特征权重θ,将全局最优的房源特征权重θ带入房源定价模型的目标函数中,确定房源定价模型的目标函数,根据房源定价模型的目标函数获取模型文件和房源特征文件。
需要说明的是,学习率是指导损失函数的梯度调整网络权重的超参数,学习率越低,损失函数的变化速度就越慢;迭代次数指需要对房源特征训练样本集数据进行多少轮训练;房源特征的权重即为每个房源特征对LR模型的影响程度;正则化项是用来约束房源特征训练样本集中的数据,防止过拟合造成房源定价模型对预测数据不友好。
具体地,初始化房源特征训练样本集数据,并进行训练,期间绘制损失值的函数图像,图2为本实施例中一种中介市场收房定价的方法的损失值的函数图,如图2所示,绘制的损失函数图像便于调节参数,加速模型训练,其中,损失函数在不断下降,但没有下降到0,是因为加入了正则化约束,此外,根据获取的房源定价模型的目标函数,可以根据不同的模型框,例如xgb模型、TF模型和DL4J模型生成模型文件以及房源特征文件,也可根据通用模型生成pmml文件。
实施例二
图3为本实施例中一种中介市场收房定价的***的结构示意图,如图3所示,本实施例提供的一种中介市场收房定价的***,该***包括:
处理模块201,处理模块包括采集单元、数据清洗单元、特征处理单元和特征选择单元,采集单元用于采集房源信息数据和房源的市场报价数据;数据清洗单元用于将所述房源信息数据和所述房源的市场报价数据进行清洗;特征处理单元用于将房源信息样本数据中的房源特征进行处理;特征选择单元用于筛选房源特征;
训练模块202,用于获取房源定价模型的目标函数,并基于房源定价模型生成模型文件和房源特征文件;
应用模块203,用于将模型文件和房源特征文件进行工程化处理,封装为应用***。
具体地,通过处理模块中的采集单元、数据清洗单元、特征处理单元和特征选择单元,构建房源特征训练样本集,将构建的房源特征训练样本集输入训练模块中进行训练,并获取模型文件和房源特征文件,将模型文件和房源特征文件通过应用模块中的java或python等语言加载到具体的应用***中,封装为应用***,当应用***接收到房源信息时,输出与房源信息对应的房源定价。
与现有技术相比,本发明提供的一种中介市场收房定价的方法及***,至少实现了如下的有益效果:
1、本发明的一种中介市场收房定价的方法及***,通过构建的房源定价模型的目标函数并对目标函数求解,获取房源定价策略,能够避免人为因素的干扰,高效、智能、合理的给出房源收房风控报价,解放中介人员劳动力,间接提高成单率。
2、本发明的一种中介市场收房定价的方法及***,将获取的模型文件和房源特征进行工程化处理,封装为应用***,能够快速获取房源收房风控报价,提高工作效率,使中介人员能够更好的为租房人员提供服务。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种中介市场收房定价的方法,其特征在于,该方法包括:
采集历史房源信息数据和历史房源的市场报价数据;
将所述房源信息数据和所述房源的市场报价数据进行清洗,获取房源信息样本数据,每个所述房源信息样本数据包括多个房源特征;
将房源信息样本数据中的房源特征进行数字化处理;
对数字化处理后的房源特征进行计算,确定每个所述房源特征对房价的影响程度,过滤掉低于影响程度阈值的房源特征;
基于房源信息样本数据和房源特征,生成房源特征训练样本集;
基于房源特征训练样本集进行房源定价模型的训练,得到房源定价模型的目标函数;
基于所述房源定价模型的目标函数生成模型文件和房源特征文件;
将模型文件和房源特征文件进行工程化处理,封装为应用***;
利用所述应用***,根据房源信息数据,输出与房源信息数据对应的房源定价。
2.根据权利要求1所述的一种中介市场收房定价的方法,其特征在于,所述房源信息包括房源位置信息、房源建造信息和房屋具体信息。
3.根据权利要求1所述的一种中介市场收房定价的方法,其特征在于,所述将房源信息样本数据中的房源特征进行处理的具体方法为:构建房源特征集合,所述房源特征集合包括单一房源特征和将所述单一房源特征组合成新的房源特征,并对所有房源特征进行数字化处理。
4.根据权利要求1所述的一种中介市场收房定价的方法,其特征在于,所述将房源信息样本数据中的房源特征进行处理还包括:对文本类型房源特征归类处理,对非文本类型数据归一化处理。
5.根据权利要求1所述的一种中介市场收房定价的方法,其特征在于,所述对数字化处理后的房源特征进行计算是基于房源的市场价数据和收房后改造成本数据进行计算。
7.根据权利要求7所述的一种中介市场收房定价的方法,其特征在于,所述房源定价模型的目标函数通过TensorFlow的LR模型训练方式获取。
8.根据权利要求1所述的一种中介市场收房定价的方法,其特征在于,所述基于房源定价模型生成模型文件和房源特征文件的过程为:
定义超参数,包括学习率和迭代次数;
定义损失函数,并加入正则化项;
采集收房后改造成本数据,并构建收房后改造成本样本;
加入收房后改造成本样本数据,构造成本函数,所述成本函数为J(θ)为房源特征训练样本集损失值,m为房源信息样本的数量,hθ(x(i))为第i个房源特征训练样本的拟合值,y(i)为第i个房源特征训练样本的实际值,为正则化项,λ为正则化系数;n为加入正则化项的房源信息样本的数量,j为第j个正则化项的房源信息样本,θj为第j个正则化项的房源信息样本的房源特征权重;
初始化房源特征训练样本集数据,根据所述成本函数和所述梯度下降求导公式不断获取全局最优的房源特征权重θ,将所述全局最优的房源特征权重θ带入房源定价模型的目标函数中,确定房源定价模型的目标函数,根据房源定价模型的目标函数获取模型文件和房源特征文件。
9.一种中介市场收房定价的***,其特征在于,该***包括:
处理模块,所述处理模块包括采集单元、数据清洗单元、特征处理单元和特征选择单元,所述采集单元用于采集房源信息数据和房源的市场报价数据;所述数据清洗单元用于将所述房源信息数据和所述房源的市场报价数据进行清洗;所述特征处理单元用于将房源信息样本数据中的房源特征进行处理;所述特征选择单元用于筛选房源特征;
训练模块,用于获取房源定价模型的目标函数,并基于所述房源定价模型生成模型文件和房源特征文件;
应用模块,用于将所述模型文件和房源特征文件进行工程化处理,封装为应用***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054461.2A CN111260403A (zh) | 2020-01-17 | 2020-01-17 | 一种中介市场收房定价的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054461.2A CN111260403A (zh) | 2020-01-17 | 2020-01-17 | 一种中介市场收房定价的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111260403A true CN111260403A (zh) | 2020-06-09 |
Family
ID=70950794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010054461.2A Pending CN111260403A (zh) | 2020-01-17 | 2020-01-17 | 一种中介市场收房定价的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985964A (zh) * | 2020-08-07 | 2020-11-24 | 上海选家网络科技有限公司 | 一种房源价格信息的处理方法及*** |
-
2020
- 2020-01-17 CN CN202010054461.2A patent/CN111260403A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985964A (zh) * | 2020-08-07 | 2020-11-24 | 上海选家网络科技有限公司 | 一种房源价格信息的处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fathi et al. | Big data analytics in weather forecasting: A systematic review | |
Ding et al. | Analysis of feature matrix in machine learning algorithms to predict energy consumption of public buildings | |
Dewangan et al. | Load forecasting models in smart grid using smart meter information: a review | |
CN109858569A (zh) | 基于目标检测网络的多标签物体检测方法、***、装置 | |
Zhao et al. | Modeling Stated preference for mobility-on-demand transit: a comparison of Machine Learning and logit models | |
Seya et al. | A comparison of residential apartment rent price predictions using a large data set: Kriging versus deep neural network | |
Feng et al. | [Retracted] Design and Simulation of Human Resource Allocation Model Based on Double‐Cycle Neural Network | |
CN111898929A (zh) | 基于机器学习的乡村多产业数据指标评测*** | |
Ye et al. | Evaluating performance of different generative adversarial networks for large-scale building power demand prediction | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN108762503A (zh) | 一种基于多模态数据采集的人机交互*** | |
Li et al. | Assimilating process context information of cellular automata into change detection for monitoring land use changes | |
CN106997371B (zh) | 单用户智慧图谱的构建方法 | |
Cheng et al. | Short-term fast forecasting based on family behavior pattern recognition for small-scale users load | |
CN111260403A (zh) | 一种中介市场收房定价的方法及*** | |
CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
CN111144673A (zh) | 组织人员结构评估方法、装置、设备及计算机可读介质 | |
CN117217779A (zh) | 预测模型的训练方法、装置及信息预测方法、装置 | |
Sun | Intelligent data mining based on market circulation of production factors | |
Sun et al. | Automatic building age prediction from street view images | |
CN115801152A (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及*** | |
Gorricha et al. | A framework for exploratory analysis of extreme weather events using geostatistical procedures and 3D self-organizing maps | |
CN114187033A (zh) | 一种基于深度迁移学习的可解释性房屋价格评估分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200609 |