CN112380425A - 社区推荐方法、***、计算机设备及存储介质 - Google Patents
社区推荐方法、***、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112380425A CN112380425A CN202011142989.1A CN202011142989A CN112380425A CN 112380425 A CN112380425 A CN 112380425A CN 202011142989 A CN202011142989 A CN 202011142989A CN 112380425 A CN112380425 A CN 112380425A
- Authority
- CN
- China
- Prior art keywords
- community
- index
- layer
- indexes
- attribute data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 235000019013 Viburnum opulus Nutrition 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000011664 signaling Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 244000071378 Viburnum opulus Species 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种社区推荐方法、***、计算机设备及存储介质,所述方法包括:获取居民社会经济属性数据和社区属性数据;构建社区评价指标体系;以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型;获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;根据匹配结果,输出社区推荐列表。本发明可以为参与城市空间和服务重构的决策和实践提供指引,并为市民的居住选择行为提供参考。
Description
技术领域
本发明涉及一种社区推荐方法、***、计算机设备及存储介质,属于城市规划和房地产领域。
背景技术
2019年12月的全国住房和城乡建设工作会议将构建完整社区划入2020年国家住房和城乡***的工作重点,强调完善社区基础设施与公共服务,创造宜居社区环境, 营造地方特色文化,构建共建共治共享的社区治理体系。目前,城市规划业界对完整 社区的内涵有一定探讨,即社区应兼具物质空间和社会空间的双重属性,需考虑到住 房、教育、卫生等多方面因素,重视社区的治理属性,体现对“人”的关怀。2019年, 国家常住人口城镇化率已增至60.6%,城镇化的发展战略进入了从规模扩张到品质提 升的转型时期,满足人民日益增长的美好生活需要成为社区建设的关键。目前关于社 区及房源推荐的技术手段普遍缺乏对社区治理属性的关注,且对社区居民的社会经济 特征属性考虑不充分。
发明内容
有鉴于此,本发明提供了一种社区推荐方法、***、计算机设备及存储介质,其 可以对市民的居住选择提供推荐方案,有助于为完整社区的规划建设提供研究基础和 方法论试验,也为政府部门与企业准确把握客户画像,为参与城市空间和服务重构的 决策和实践提供指引,并为市民的居住选择行为提供参考。
本发明的第一个目的在于提供一种社区推荐方法。
本发明的第二个目的在于提供一种社区推荐***。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种社区推荐方法,所述方法包括:
获取居民社会经济属性数据和社区属性数据;
构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后 的模型;
获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
根据匹配结果,输出社区推荐列表。
进一步的,所述构建社区评价指标体系,具体包括:
针对每个社区,选择教育、医疗、商业服务、体育休闲、公共交通、环境、经济、 区位、治理作为评价体系的准则层指标,向下再进行细分为共五十三项评价指标;
使用层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标 的权重值,具体为:通过滚雪球式抽样随机获取一定量的居民样本,并请各位居民对 九项准则层指标以及各项准则层指标内部的各项评价指标的重要性程度进行两两排序, 综合所有受访居民的意见,对九项准则层指标及其细分的各项评价指标进行两两排序, 根据优先级赋值,将总分最高的列为最优先的指标,计算得出九项准则层指标以及各 项准则层指标内部的各项评价指标的权重值;
对各项准则层指标内部的各项评价指标的数据进行归一化处理后,乘以权重加和, 得到九项准则层指标的系数,作为九项社区的分项指数;
将九项指数和对应权重相乘并相加,进行归一化处理后,得到完整社区指数,作为综合评价社区的指标。
进一步的,所述基于层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值,具体包括:
按照决策的目标、考虑的因素和决策对象之间的相互关系分为最高层、中间层和最低层,并绘出层次结构图,以建立层次结构模型;
使用一致矩阵法构造判断矩阵;
对应于判断矩阵最大特征根的特征向量,经归一化后记为W,W的元素为同一层 次元素对于上一层因素相对重要性的排序权值;
引入随机一致性指标RI,定义一致性比率CR=CI/RI,若一致性比率CR<0.1,则通过一致性检验,将判断矩阵的归一化特征向量作为权向量,否则,重新构造判断矩阵 加以调整;
从最高层次到最低层次依次计算某一层次所有因素对于最高层相对重要性的权重 值,从而得到九项准则层指标以及各项准则层指标内部的各项评价指标的权重值。
进一步的,所述反向传播神经网络模型包括输入层、隐藏层和输出层,输入层到隐藏层的权重系数矩阵为第一权重系数矩阵,隐藏层的偏置为第一偏置,隐藏层到输 出层的权重系数矩阵为第二权重系数矩阵,输出层的偏置为第二偏置;
所述以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训 练后的模型,具体包括:
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,构成训练集;
设置学习速率、终止阈值、最大步数、第一权重系数矩阵、第二权重系数矩阵、 第一偏置和第二偏置;
将训练集输入反向传播神经网络模型,计算各层的输入值和输出值,再计算权重系数和偏置的梯度/所需偏导数,并更新第一权重系数矩阵、第二权重系数矩阵、第一 偏置和第二偏置;
不断迭代以修正第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置,得到训练后的模型。
在样本点p的均方误差如下:
累计误差如下:
整个网络中需要确定的参数个数如下:
(n×l+l)+(l×m+m)=(n+m+1)l+m
参数的更新公式为:e←e+Δe,其中Δe按照梯度下降的策略进行更新。
进一步的,所述将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果,具体包括:
将该用户对应的社区各项指数的预测值作为第一句子,将各个社区的分项指数和完整社区指数作为第二句子;
通过余弦相似度算法计算第一句子与第二句子的匹配度,如下式:
其中,xi表示第一句子中的各个词向量,yi表示第二句子中的各个词向量,cos(θ)表 示夹角θ的余弦相似度。
进一步的,所述居民社会经济属性数据包括性别、年龄、职业、娱乐偏好、话费 水平和兴趣爱好,居民社会经济属性数据基于手机信令数据获取;
所述社区属性数据包括设施属性、环境属性、区位属性、经济属性和治理属性, 设施属性包括教育、医疗、商业服务、体育休闲和公共交通设施,环境属性包括绿地 和水系,经济属性包括社区住房价格和租金,区位属性使用社区距离中央商务中心的 距离表征,治理属性包括政府治理和居民参与。
本发明的第二个目的可以通过采取如下技术方案达到:
一种社区选择的推荐***,所述***包括:
获取模块,用于获取居民社会经济属性数据和社区属性数据;
构建模块,用于构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
训练模块,用于以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训 练,得到训练后的模型;
预测模块,用于获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
匹配模块,用于将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
推荐模块,用于根据匹配结果,输出社区推荐列表。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的推荐方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的推荐方法。
本发明相对于现有技术具有如下的有益效果:
本发明通过获取居民社会经济属性数据和社区属性数据,以及构建社区评价指标体系,该社区评价指标体系包括各个社区的分项指数和完整社区指数,以居民社会经 济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作 为被预测指标,使用反向传播神经网络模型进行训练,通过训练后的模型进行预测, 并与各个社区的分项指数和完整社区指数进行匹配,根据匹配结果可以对市民的社区 选择提供推荐方案,有助于为完整社区的规划建设提供研究基础和方法论试验,也为 政府部门与企业准确把握客户画像,为参与城市空间和服务重构的决策和实践提供指 引,并为市民的社区选择行为提供参考。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅 是本发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明实施例1的社区推荐方法流程图。
图2为本发明实施例1的反向传播神经网络模型的结构图。
图3为本发明实施例2的实证案例的反向传播神经网络模型的结构图。
图4为本发明实施例2的反向传播神经网络模型采用训练集的运算结果图。
图5为本发明实施例2的反向传播神经网络模型采用验证集的运算结果图。
图6为本发明实施例2的反向传播神经网络模型采用测试集的运算结果图。
图7为本发明实施例2的反向传播神经网络模型的总体运算结果图。
图8为本发明实施例2的微信小程序获取用户信息页面图。
图9为本发明实施例2的用户A的社区推荐列表页面图。
图10为本发明实施例2的用户A的社区详情页面图。
图11为本发明实施例2的用户B的社区推荐列表页面图。
图12为本发明实施例2的用户B的社区详情页面图。
图13为本发明实施例2的用户C的社区推荐列表页面图。
图14为本发明实施例2的用户C的社区详情页面图。
图15为本发明实施例3的社区选择的推荐***的结构框图。
图16为本发明实施例4的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实 施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领 域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发 明保护的范围。
实施例1:
如图1所示,本实施例提供了一种社区推荐方法,该方法主要通过云服务器实现,其包括以下步骤:
S101、获取居民社会经济属性数据和社区属性数据。
居民社会经济属性数据包括性别、年龄、职业、娱乐偏好、话费水平、兴趣爱好 等,居民社会经济属性数据主要基于手机信令数据获取,手机信令数据记录了每个居 民在各时刻的行为轨迹。
居民居住地的统计方式为:1)设置观测时段为21:00到次日8:00;2)用户每日在观测时间段内被观测到的秒数,进行月度累加,并进行排名,取排名最高的为用户的 居住地;3)且须满足一个月内工作日出现天数超过10天的条件。
工作地的统计方式为:1)设置观测时段为9:00到17:00;2)用户工作日在观测时间段内被观测到的秒数,进行月度累加,并进行排名;取排名最高的为用户的就业地; 3)且须满足一个月内工作日出现天数超过10天的条件。
娱乐地的统计方式为:周末所有超过1小时驻留且非职非住的点位,其中最长驻留点位定义为娱乐地。
将居民居住地、工作地、娱乐地坐标与最近的社区、公司企业、休憩娱乐兴趣点(Point of Interest,,POI)关联,确定该居民所在的社区、公司以及休憩娱乐场所。
社区属性数据包括设施属性、环境属性、区位属性、经济属性和治理属性,设施 属性、环境属性、区位属性、经济属性和治理属性的具体说明如下:
1)设施属性包括教育、医疗、商业服务、体育休闲和公共交通设施,这些设施的 数据通过调用百度或高德地图开放平台API获取的POI数据表征,每行数据包含名称、 大类、中类、小类、地址、所属省市区、经纬度坐标等信息。
2)环境属性包括绿地和水系,以Landsat TM/ETM/OLI遥感影像为主要数据源,获取遥感地图数据,导入ArcGIS软件中进行处理,分别提取出水系和绿地栅格图像,并 转为矢量图形数据。
3)经济属性包括社区住房价格和租金,相关数据可通过安居客、中原地产等网站爬取。
4)区位属性数据为社区距离中央商务中心(Central Business District,CBD)的距 离,具体在ArcGIS软件中使用近邻分析工具计算各社区距离CBD的距离。
5)治理属性包括政府治理和居民参与两方面,通过访问人民政府网站进行资料收集,包括且不限于居委会数量、街道政府机构数量、城乡社区支出、社会保障和就业 支出、社会福利支出、政府主动公开内容数量、部门文件数量、街镇动态更新频率、 开展活动和讲座宣传次数、社区关怀/娱乐活动组织次数、社区微改造活动、处理纠纷 次数等数据以综合评价社区的治理水平。
S102、构建社区评价指标体系。
参照完整社区的概念以及相关学术研究、国家标准和媒体报导,将完整社区相关指标划分为教育、医疗、商业服务、公共交通、环境、经济、治理、区位、体育休闲 九类,并参照GB50180-2018《城市居住区规划设计标准》中关于“五分钟、十分钟、 十五分钟生活圈”居住区内社区服务设施、便民服务设施的等划定标准,选择教育、 医疗、商业服务、体育休闲、公共交通、环境、经济、区位、治理九项作为评价体系 的准则层,向下再进行细分为共五十三个评价指标,如参照国标中关于五分钟、十分 钟、十五分钟生活圈的相关内容,将设施层面的指标(教育、医疗、商业服务、公共 交通等)再细分为五分钟、十分钟、十五分钟内设施点数量等指标。
为了进一步精简指标体系数据用于后续模型训练,通过滚雪球式抽样(SnowballSampling)随机获取一定份数(样本量越大越佳)涵盖不同性别、年龄、职业、收入、 受教育水平等信息的居民样本,请这些居民对九项准则层指标以及各准则层指标内部 的各项指标进行两两排序,并依据优先级赋值,最后将总分最高的列为最优先的指标。
然后基于层次分析法(Analytic Hierarchy Process,AHP),使用yaahp软件计算出各准 则层及其内部各项指标的权重值。具体包含建立层次结构模型、构造判断矩阵、层次 单排序、一致性检验和层次总排序五个步骤。
第一个步骤为按照决策的目标、考虑的因素(决策准则)和决策对象之间的相互关系分为最高层、中间层和最低层,并绘出层次结构图,以建立层次结构模型。
第二个步骤为使用一致矩阵法构造判断矩阵,即:不把所有因素放在一起比较,而是两两相互比较;对此时采用相对尺度,以尽可能减少性质不同因素相互比较的困 难,以提高准确度。
第三个步骤为对应于判断矩阵最大特征根λmax的特征向量,经归一化(使向量中各元素之和为1)后记为W,W的元素为同一层次元素对于上一层因素相对重要性的排 序权重值,这一过程称为层次单排序。
第四个步骤为了衡量CI的大小,引入随机一致性指标RI,定义一致性比率: CR=CI/RI,一般认为一致性比率CR<0.1时,通过一致性检验,可用判断矩阵的归一化 特征向量作为权向量,否则要重新构造判断矩阵加以调整。
第五个步骤为从最高层次到最低层次依次计算某一层次所有因素对于最高层(总目标)相对重要性的权重值,称为层次总排序。
最后分别得到九项准则层指标以及各项准则层指标内部的各项评价指标的权重值, 对各项准则层指标内部的各项评价指标的数据进行归一化处理后,乘以权重加和,得到九项准则层指标的系数,记为教育、医疗、商业服务、公共交通、环境、治理等九 项指数,将这九项指数和对应权重相乘并相加(其中经济和区位指数记为负值)并进 行归一化处理后,得到完整社区指数,作为综合评价社区完整度的指标,九项指数和 完整社区指数存储在社区数据库中,供下一步使用,也可为政府进行大范围、细粒度 的社区质量监测提供指引和参考。
S103、以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到 训练后的模型。
反向传播神经网络模型(Back Propagation Neural Network,以下简称“BP神经网 络”)具有较强的非线性映射能力,适用于求解内部机制复杂的问题,且具有高度自学习和自适应的能力、泛化能力以及容错能力,能够将学习成果应用于新知识,可支撑 实现对居民进行社区推荐的功能。
本实施例使用的社区推荐算法是基于不同居民对于社区各项属性的偏好,为具有特定属性的用户推荐相应的社区,以居民社会经济属性数据和社区属性数据作为影响 因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网 络模型进行训练,得到训练后的模型,当输入用户的社会经济属性时,通过训练后的 模型能够预测出该用户对应的社区各项指数的预测值。
具体地,使用Matlab编程实现,BP神经网络模型的结构如图2所示,包括输入层、隐藏层和输出层,输入层到隐藏层的权重系数矩阵为第一权重系数矩阵,记为w,隐藏 层的偏置为第一偏置,记为θ,隐藏层到输出层的权重系数矩阵为第二权重系数矩阵, 记为v,输出层的偏置为第二偏置,记为φ;基于居民社会经济属性数据和社区属性数 据,以及各个社区的分项指数和完整社区指数,构成训练集,若训练集有P个样本,则 训练集记为D={(X1,T1),(X2,T2),…,(XP,TP)},各个输入样本包括n个元素,对应输入 层的n个节点,各个目标输出样本包含m个元素, 对应输出层的m个节点,
在样本点p的均方误差如下:
累计误差如下:
整个网络中需要确定的参数个数如下:
(n×l+l)+(l×m+m)=(n+m+1)l+m
参数的更新公式为:e←e+Δe,其中Δe按照梯度下降的策略进行更新,更新算 法分为标准BP算法和累积BP算法,分别根据单个样本的Ep或累计误差最小化原则进行 推算。
在算法实现方面,设置学习速率η、终止阈值∈、最大步数N、第一权重系数矩阵w、第二权重系数矩阵v、第一偏置θ和第二偏置φ;将训练集输入BP神经网络模型,计算 各层的输入值和输出值,再计算权重系数和偏置的梯度(标准BP算法)/所需偏导数(累 积BP算法),并更新第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置; 在实际的训练中不断迭代以修正第一权重系数矩阵、第二权重系数矩阵、第一偏置和 第二偏置,得到训练后的模型。
S104、获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值。
S105、将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果。
S106、根据匹配结果,输出社区推荐列表。
本实施例基于终端和云服务器构成推荐平台,终端用于获取用户输入的社会经济属性信息和进行社区推荐,而云服务器作为后台,用于运行BP神经网络模型和余弦相 似度算法的场所。
终端为了实现获取用户输入的社会经济属性信息和进行社区推荐,可以采用微信小程序、APP、网页等方式,用户通过微信小程序、APP、网页等界面可以输入性别、 年龄、受教育水平、收入水平、职业及工作地点等信息,将该用户的社会经济属性信 息发送给云服务器,云服务器获取该用户的社会经济属性信息后,利用反向传播神经 网络训练后的模型进行预测,得到该用户对应的社区各项指数的预测值,将此预测值 作为第一句子,将原社区数据库中各个社区的教育、医疗等九项指数和完整社区指数 作为句子第二句子,通过余弦相似度算法计算第一句子与第二句子的匹配度,将匹配 度从高到低排序,将此结果记录为第一层社区推荐列表,进一步地,社区推荐列表中 列出的社区可以是匹配度大于匹配阈值的社区,而不用列出所有社区。
其中,余弦相似度是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量,余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似, 称为“余弦相似性”,对于非直角三角形中,a,b,c分别代表三角形的三条边,边a和 b的夹角θ的余弦计算公式为:
在向量表示的三角形中,假设a向量是(x1,y1),b向量是(x2,y2),那么向量a 和向量b的夹角θ的余弦计算为:
若向量a和b不是二维而是n维,上述余弦的计算法仍然正确,假定a和b是两 个n维向量,则a与b的夹角θ的余弦等于:
第一句子记为{x1,…,x9},第二句子记为{y1,…,y9},将句子A和B想象成空间中的两条线段,都是从原点([0,0,...])出发,指向不同的方向;两条线段之间形成一个夹 角,如果夹角为0度,意味着方向相同、线段重合,表示两个向量代表的文本完全相等; 如果夹角为90度,意味着形成直角,方向完全不相似;如果夹角为180度,意味着方向 正好相反。因此可以通过夹角的大小判断向量的相似程度,即夹角越小,cos(θ)的值越 接近1,就代表第一句子和第二句子越相似。具体公式为:
再进一步基于用户填写的工作地点和能够接受的通勤距离,以工作地点为圆心、以能够接受的通勤距离为半径划定范围,仅筛选出范围内第一层推荐列表的社区,并 将此信息返回到微信小程序/APP/网页的社区推荐界面,从而为输入特定属性的用户提 供社区推荐,并可基于用户提供的附加信息,进一步补充原BP神经网络模型的影响因 素,以基于更多社区居民的社会经济属性信息进行更精确的社区推荐。
应当注意,尽管以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期 望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步 骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
本实施例以广州市作为应用实例,以微信小程序作为获取数据及展示社区推荐结果的推荐平台对社区推荐方法进行验证,该方法包括以下步骤:
1)获取居民社会经济属性数据和社区属性数据。
居民社会经济属性包括性别、年龄、职业、娱乐偏好、话费水平和兴趣爱好,居 民社会经济属性数据主要基于手机信令数据获取,手机信令数据为***提供的智 慧足迹数据,包含性别、年龄、职业、娱乐偏好、话费水平、兴趣爱好,也记录了每 个居民在各时刻的行为轨迹,基于以下标准分别界定居民的居住地、工作地和娱乐地。 其中,居住地的统计方式为:1)设置观测时段为21:00到次日8:00;2)用户每日在观 测时间段内被观测到的秒数,进行月度累加,并进行排名,取排名最高的为用户的居 住地;3)且须满足一个月内工作日出现天数超过10天的条件;工作地的统计方式为: 1)设置观测时段为9:00到17:00;2)用户工作日在观测时间段内被观测到的秒数,进 行月度累加,并进行排名;取排名最高的为用户的就业地;3)且须满足一个月内工作 日出现天数超过10天的条件;娱乐地的统计方式为:周末所有超过1小时驻留且非职 非住的点位,其中最长驻留点位定义为娱乐地。将居住、工作、娱乐地坐标与最近的 社区、公司企业、休憩娱乐POI关联,确定该居民的社区、就职公司以及娱乐场所。
社区属性包含设施、环境、经济、区位和治理属性五方面。1)设施属性包括教育、医疗、商业服务、体育休闲和公共交通设施,这些设施的数据通过调用高德地图开放 平台API(https://lbs.amap.com/api/webservice/guide/api/search)爬取2018年4月广州市域范围的56.14万条POI数据,涵盖餐饮、购物、公司企业、交通设施服务等15个类 别,每行数据包含名称、大类、中类、小类、地址、所属省市区、经纬度坐标等信息。 2)环境属性包括绿地和水系。使用的卫星遥感数据包括Landsat 8卫星数字产品在2018 年3月14日的遥感影像图(云量均低于5%,空间分辨率为30m)。导入ArcGIS软件 中进行处理,分别提取出水体和绿地栅格图像,并转为矢量图形数据。3)经济属性包 括社区住房价格和租金。房价和租金数据通过安居客(https://guangzhou.anjuke.com/)、 中原地产(https://gz.centanet.com/?sem=***&hmpl=pz)网站爬取。4)区位属性为社 区距离中央商务中心(Central Business District,CBD)距离。具体在ArcGIS软件中设 置天河区的珠江新城为CBD,并划定具体的空间范围,使用近邻分析工具计算各社区 距离CBD的距离。5)治理属性包括政府治理和居民参与两方面。通过访问广州市各 行政区的人民政府网站进行资料收集,包括居委会数量、街道政府机构数量、城乡社 区支出、社会保障和就业支出、社会福利支出、政府主动公开内容数量、部门文件数 量、街镇动态更新频率、开展活动和讲座宣传次数、社区关怀/娱乐活动组织次数、社 会微改造活动、处理纠纷次数等数据以综合评价社区的治理水平
2)构建社区评价指标体系。
参照完整社区的概念、相关学术研究和国家标准,将完整社区相关指标划分为教育、医疗、商业服务、体育休闲、公共交通、环境、经济、区位、治理九类,并参照 GB50180-2018《城市居住区规划设计标准》中关于“五分钟、十分钟、十五分钟生活 圈”居住区内社区服务设施、便民服务设施的等划定标准,选择教育、医疗、商业服 务、体育休闲、公共交通、环境、经济、区位、治理九项作为评价体系的准则层,向 下再进行细分共五十三项评价指标。如参照国标中的相关内容,五分钟、十分钟、十 五分钟生活圈,据此将设施层面的指标(教育、医疗、商业服务、公共交通等)再细 分为五分钟、十分钟、十五分钟内设施点数量或最近距离几项指标。
为了使评价结果更加科学,通过滚雪球式抽样(Snowball Sampling)获取101份网络问卷,其中包含86份有效问卷。以7位调查员为基础调查单位,对其实施调查之 后,再请其对其关系网内的约15个其他调查对象展开调研,请调研对象分别对九项准 则层指标以及各准则层指标内部的各项指标进行两两比较,并依据优先级赋值,最后 总分最高的列为最优先的指标,再运用层次分析法提取出各项指标的权重值,计算得 出广州市社区九项准则层指数以及完整社区指数的具体数值。
3)BP神经网络模型的构建与训练。
影响因素和社区的各项指数都经过归一化处理,再采用Matlab作为软件平台,利用神经网络工具箱函数编程实现BP神经网络模型的构建、训练和仿真。运用newff来 创建网络,设置隐藏神经元个数为10个,训练网络性能所采用的函数为trainlm默认 函数,其适合中型网络,对内存的需求大,但收敛速度快;设置训练次数为10000次, 收敛误差为0.0000001,学习率为0.01,动量因子为0.9,显示间隔次数为25,并选取 三层结构的BP神经网络模型,如图3所示;将收集到的样本分为三个部分:随机的从 样本中选取70%的数据作为训练数据,15%数据作为测试样本,余下的15%数据作为 验证样本。
BP神经网络模型的运算结果中,训练集、验证集和测试集的均方差分别为0.0029,0.0031和0.0040,R值分别为0.95,0.94和0.93,总体R值为0.94,拟合程度较好, 采用训练集的运算结果、采用验证集的运算结果、采用测试集的运算结果和总体运算 结果分别如图4~图7所示。
4)基于余弦相似度算法的社区推荐。
进一步输入用户样例数据,通过训练后的模型预测出社区各项指数的预测值,并使用余弦相似度推荐算法进行计算,得出针对用户样例的社区推荐结果,并以微信小 程序形式演示。
用户样例为通过网络问卷中随机抽取的三个样本,记为用户A、B、C,微信小程 序获取用户信息页面如图8所示,通过小程序获得的具体信息如下表1所示,输入到 训练后的模型中得出社区各项指数的预测值,如下表2所示;然后在云服务器中调用 python的余弦相关度函数和排序函数,得出三个目标用户对应的社区推荐列表,并以 微信小程序页面的形式呈现,其中用户A的社区推荐列表页面和社区详情页面分别如 图9和图10所示,用户B的社区推荐列表页面和社区详情页面分别如图11和图12所 示,用户C的社区推荐列表页面和社区详情页面分别如图13和图14所示。
表1 用户A、B、C的社会经济属性信息
表2 用户A、B、C的社区各项指数的预测值
实施例3:
如图15所示,本实施例提供了一种社区选择的推荐***,该***包括获取模块1501、 构建模块1502、训练模块1503、预测模块1504、匹配模块1505和推荐模块1506,各个模块的具体功能如下:
获取模块1501,用于获取居民社会经济属性数据和社区属性数据。
构建模块1502,用于构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数。
训练模块1503,用于以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进 行训练,得到训练后的模型。
预测模块1504,用于获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值。
匹配模块1505,用于将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果。
推荐模块1506,用于根据匹配结果,输出社区推荐列表。
需要说明的是,本实施例提供的***仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结 构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例4:
本实施例提供了一种计算机设备,该计算机设备为云服务器,如图16所示,其包括通过***总线1601连接的处理器1602、存储器和网络接口1603,该处理器用于提 供计算和控制能力,该存储器包括非易失性存储介质1604和内存储器1605,该非易失 性存储介质1604存储有操作***、计算机程序和数据库,该内存储器1605为非易失 性存储介质中的操作***和计算机程序的运行提供环境,处理器1602执行存储器存储 的计算机程序时,实现上述实施例1的推荐方法,如下:
获取居民社会经济属性数据和社区属性数据;
构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后 的模型;
获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
根据匹配结果,输出社区推荐列表。
实施例5:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时,实现上述实施例1的推荐方法,如下:
获取居民社会经济属性数据和社区属性数据;
构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后 的模型;
获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
根据匹配结果,输出社区推荐列表。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但 不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的 组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线 的电连接、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)、光纤、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。
综上所述,本发明通过获取居民社会经济属性数据和社区属性数据,以及构建社区评价指标体系,该社区评价指标体系包括各个社区的分项指数和完整社区指数,以 居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整 社区指数作为被预测指标,使用反向传播神经网络模型进行训练,通过训练后的模型 进行预测,并与各个社区的分项指数和完整社区指数进行匹配,根据匹配结果可以对 市民的社区选择提供推荐方案,有助于为完整社区的规划建设提供研究基础和方法论 试验,也为政府部门与企业准确把握客户画像,为参与城市空间和服务重构的决策和 实践提供指引,并为市民的社区选择行为提供参考。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利 的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种社区推荐方法,其特征在于,所述方法包括:
获取居民社会经济属性数据和社区属性数据;
构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型;
获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
根据匹配结果,输出社区推荐列表。
2.根据权利要求1所述的推荐方法,其特征在于,所述构建社区评价指标体系,具体包括:
针对每个社区,选择教育、医疗、商业服务、体育休闲、公共交通、环境、经济、区位、治理作为评价体系的准则层指标,向下再进行细分为共五十三项评价指标;
使用层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值,具体为:通过滚雪球式抽样随机获取一定量的居民样本,并请各位居民对九项准则层指标以及各项准则层指标内部的各项评价指标的重要性程度进行两两排序,综合所有受访居民的意见,对九项准则层指标及其细分的各项评价指标进行两两排序,根据优先级赋值,将总分最高的列为最优先的指标,计算得出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值;
对各项准则层指标内部的各项评价指标的数据进行归一化处理后,乘以权重加和,得到九项准则层指标的系数,作为九项社区的分项指数;
将九项指数和对应权重相乘并相加,进行归一化处理后,得到完整社区指数,作为综合评价社区的指标。
3.根据权利要求2所述的推荐方法,其特征在于,所述基于层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值,具体包括:
按照决策的目标、考虑的因素和决策对象之间的相互关系分为最高层、中间层和最低层,并绘出层次结构图,以建立层次结构模型;
使用一致矩阵法构造判断矩阵;
对应于判断矩阵最大特征根的特征向量,经归一化后记为W,W的元素为同一层次元素对于上一层因素相对重要性的排序权值;
引入随机一致性指标RI,定义一致性比率CR=CI/RI,若一致性比率CR<0.1,则通过一致性检验,将判断矩阵的归一化特征向量作为权向量,否则,重新构造判断矩阵加以调整;
从最高层次到最低层次依次计算某一层次所有因素对于最高层相对重要性的权重值,从而得到九项准则层指标以及各项准则层指标内部的各项评价指标的权重值。
4.根据权利要求1所述的推荐方法,其特征在于,所述反向传播神经网络模型包括输入层、隐藏层和输出层,输入层到隐藏层的权重系数矩阵为第一权重系数矩阵,隐藏层的偏置为第一偏置,隐藏层到输出层的权重系数矩阵为第二权重系数矩阵,输出层的偏置为第二偏置;
所述以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型,具体包括:
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,构成训练集;
设置学习速率、终止阈值、最大步数、第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置;
将训练集输入反向传播神经网络模型,计算各层的输入值和输出值,再计算权重系数和偏置的梯度/所需偏导数,并更新第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置;
不断迭代以修正第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置,得到训练后的模型。
5.根据权利要求4所述的推荐方法,其特征在于,所述训练集记为D={(X1,T1),(X2,T2),…,(XP,TP)};其中,各个输入样本包括n个元素,对应输入层的n个节点,各个目标输出样本包含m个元素,对应输出层的m个节点,
在样本点p的均方误差如下:
累计误差如下:
整个网络中需要确定的参数个数如下:
(n×l+l)+(l×m+m)=(n+m+1)l+m
参数的更新公式为:e←e+Δe,其中Δe按照梯度下降的策略进行更新。
7.根据权利要求1-6任一项所述的推荐方法,其特征在于,所述居民社会经济属性数据包括性别、年龄、职业、娱乐偏好、话费水平和兴趣爱好,居民社会经济属性数据基于手机信令数据获取;
所述社区属性数据包括设施属性、环境属性、区位属性、经济属性和治理属性,设施属性包括教育、医疗、商业服务、体育休闲和公共交通设施,环境属性包括绿地和水系,经济属性包括社区住房价格和租金,区位属性使用社区距离中央商务中心的距离表征,治理属性包括政府治理和居民参与。
8.一种社区选择的推荐***,其特征在于,所述***包括:
获取模块,用于获取居民社会经济属性数据和社区属性数据;
构建模块,用于构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
训练模块,用于以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型;
预测模块,用于获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
匹配模块,用于将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
推荐模块,用于根据匹配结果,输出社区推荐列表。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的推荐方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142989.1A CN112380425B (zh) | 2020-10-23 | 2020-10-23 | 社区推荐方法、***、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011142989.1A CN112380425B (zh) | 2020-10-23 | 2020-10-23 | 社区推荐方法、***、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380425A true CN112380425A (zh) | 2021-02-19 |
CN112380425B CN112380425B (zh) | 2023-11-14 |
Family
ID=74580755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011142989.1A Active CN112380425B (zh) | 2020-10-23 | 2020-10-23 | 社区推荐方法、***、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380425B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010578A (zh) * | 2021-03-22 | 2021-06-22 | 华南理工大学 | 社区数据分析方法、装置、社区智能交互平台及存储介质 |
CN114399202A (zh) * | 2022-01-17 | 2022-04-26 | 青岛文达通科技股份有限公司 | 一种城市社区大数据可视化*** |
CN115394394A (zh) * | 2022-10-27 | 2022-11-25 | 曹县人民医院 | 基于大数据处理技术的居民健康服务预约方法及*** |
CN115713145A (zh) * | 2022-11-04 | 2023-02-24 | 哈尔滨工业大学(深圳) | 村镇社区效能预测方法、装置、计算机设备及存储介质 |
CN116822727A (zh) * | 2023-06-16 | 2023-09-29 | 深圳慧锐通智能技术股份有限公司 | 一种基于智慧社区云平台的精细化社区管理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015074428A1 (zh) * | 2013-11-22 | 2015-05-28 | 华为技术有限公司 | 神经网络***、基于神经网络***的图像解析方法和装置 |
WO2017062194A1 (en) * | 2015-10-09 | 2017-04-13 | Mastercard International Incorporated | Method and system for providing a housing recommendation |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN109767270A (zh) * | 2019-01-17 | 2019-05-17 | 建信养老金管理有限责任公司 | 基于人工智能的存房养老信息推荐方法及*** |
CN110990542A (zh) * | 2019-10-11 | 2020-04-10 | 北京华跃博弈科技有限公司 | 一种房产中介服务平台客户需求匹配*** |
CN111274476A (zh) * | 2020-01-16 | 2020-06-12 | 长春每房科技有限公司 | 基于人脸识别的房源匹配方法、装置、设备和存储介质 |
-
2020
- 2020-10-23 CN CN202011142989.1A patent/CN112380425B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015074428A1 (zh) * | 2013-11-22 | 2015-05-28 | 华为技术有限公司 | 神经网络***、基于神经网络***的图像解析方法和装置 |
WO2017062194A1 (en) * | 2015-10-09 | 2017-04-13 | Mastercard International Incorporated | Method and system for providing a housing recommendation |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN109767270A (zh) * | 2019-01-17 | 2019-05-17 | 建信养老金管理有限责任公司 | 基于人工智能的存房养老信息推荐方法及*** |
CN110990542A (zh) * | 2019-10-11 | 2020-04-10 | 北京华跃博弈科技有限公司 | 一种房产中介服务平台客户需求匹配*** |
CN111274476A (zh) * | 2020-01-16 | 2020-06-12 | 长春每房科技有限公司 | 基于人脸识别的房源匹配方法、装置、设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010578A (zh) * | 2021-03-22 | 2021-06-22 | 华南理工大学 | 社区数据分析方法、装置、社区智能交互平台及存储介质 |
CN113010578B (zh) * | 2021-03-22 | 2024-03-15 | 华南理工大学 | 社区数据分析方法、装置、社区智能交互平台及存储介质 |
CN114399202A (zh) * | 2022-01-17 | 2022-04-26 | 青岛文达通科技股份有限公司 | 一种城市社区大数据可视化*** |
CN115394394A (zh) * | 2022-10-27 | 2022-11-25 | 曹县人民医院 | 基于大数据处理技术的居民健康服务预约方法及*** |
CN115713145A (zh) * | 2022-11-04 | 2023-02-24 | 哈尔滨工业大学(深圳) | 村镇社区效能预测方法、装置、计算机设备及存储介质 |
CN115713145B (zh) * | 2022-11-04 | 2024-06-11 | 哈尔滨工业大学(深圳) | 村镇社区效能预测方法、装置、计算机设备及存储介质 |
CN116822727A (zh) * | 2023-06-16 | 2023-09-29 | 深圳慧锐通智能技术股份有限公司 | 一种基于智慧社区云平台的精细化社区管理方法及装置 |
CN116822727B (zh) * | 2023-06-16 | 2024-03-22 | 深圳慧锐通智能技术股份有限公司 | 一种基于智慧社区云平台的精细化社区管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112380425B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Understanding house price appreciation using multi-source big geo-data and machine learning | |
Boeing et al. | New insights into rental housing markets across the United States: Web scraping and analyzing craigslist rental listings | |
CN112380425B (zh) | 社区推荐方法、***、计算机设备及存储介质 | |
Martin et al. | Developing a flexible framework for spatiotemporal population modeling | |
Mimis et al. | Property valuation with artificial neural network: the case of Athens | |
Petrişor et al. | Applications of principal component analysis integrated with GIS | |
Ünel et al. | Valuations of building plots using the AHP method | |
Haas et al. | Untangling housing cost and transportation interactions: The location affordability index model—Version 2 (LAIM2) | |
Shmueli et al. | Neural network analysis of travel behavior: evaluating tools for prediction | |
Liu et al. | A generalized framework for measuring pedestrian accessibility around the world using open data | |
Aydinoglu et al. | Implementing a mass valuation application on interoperable land valuation data model designed as an extension of the national GDI | |
Cabello Eras et al. | Comparative study of the urban quality of life in Cuban first-level cities from an objective dimension | |
Kaziyeva et al. | Simulating spatio-temporal patterns of bicycle flows with an agent-based model | |
Abildtrup et al. | Combining RP and SP data while accounting for large choice sets and travel mode–an application to forest recreation | |
Lu et al. | Linking socioeconomic development, sea level rise, and climate change impacts on urban growth in New York City with a fuzzy cellular automata-based Markov chain model | |
Boin et al. | What communicates quality to the spatial data consumer | |
Li et al. | Integrating conformance and performance for the evaluation of urban planning implementation from a goal-oriented perspective | |
Stang et al. | From human business to machine learning—methods for automating real estate appraisals and their practical implications | |
Dagan et al. | What is “big data” and how should we use it? The role of large datasets, secondary data, and associated analysis techniques in outdoor recreation research | |
Li et al. | Applied Research Methods in Urban and Regional Planning | |
Deaconu et al. | Real estate valuation models performance in price prediction | |
Huang | Simulating individual work trips for transit-facilitated accessibility study | |
Chen | Addressing measurement error bias in GDP with nighttime lights and an application to infant mortality with Chinese county data | |
Nasser et al. | Application of selected MCDM methods for developing a multi-functional framework for Eco-hotel planning in Yemen | |
CN106779181A (zh) | 一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法 |
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 |