[發明專利]一種基于局部加權線性回歸的空間屬性預測方法

在審

• 申請號: 201810180296.8
• 申請日: 2018-03-05
• 公開（公告）號: CN108287928A
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 楊斌;彭真;曹曄;徐鍇;袁建華
• 申請（專利權）人: 四川易利數字城市科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李林合

1.一種基于局部加權線性回歸的空間屬性預測方法，其特征在于，包括以下步驟：

S1、選取地理信息系統中用戶指定的一個研究區域為分析區域；

S2、通過空間查詢提取分析區域的業務屬性和經緯度坐標；

S3、根據分析區域的業務屬性構建訓練數據集；

S4、根據分析區域的業務屬性構建機器學習的計算模型；

S5、根據分析區域的經緯度坐標計算得到空間距離因子，并將空間距離因子添加進計算模型，得到空間距離子數衰減模型；

S6、將訓練數據集輸入空間距離子數衰減模型，采用梯度下降法對空間距離子數衰減模型進行訓練；

S7、根據訓練后的空間距離子數衰減模型構建參數評估模型；

S8、提取使得參數評估模型值最小的空間屬性權重參數，并將其用于對真實數據進行預測。

2.根據權利要求1所述的空間屬性預測方法，其特征在于，所述步驟S2中的業務屬性包括房價、房屋面積和交通覆蓋指數。

3.根據權利要求2所述的空間屬性預測方法，其特征在于，所述步驟S3具體為：

以分析區域內各地點的房屋面積和交通覆蓋指數為輸入變量x⁽ⁱ⁾，以分析區域內各地點的房價為輸出變量y⁽ⁱ⁾，構建訓練數據集{(x⁽ⁱ⁾,y⁽ⁱ⁾)；i＝1,2,...,m}；其中上標(i)表示訓練數據集的索引標號，m為訓練數據集的樣本總數。

4.根據權利要求3所述的空間屬性預測方法，其特征在于，所述步驟S4具體為：

構建關于輸入變量x的線性函數h₀(x)：

h₀(x)＝θ₀+θ₁x₁+θ₂x₂ (1)

其中θ₀表示截距項權重參數，θ₁表示房屋面積權重參數，θ₂表示交通覆蓋指數權重參數，x₁表示房屋面積，x₂表示交通覆蓋指數；

對公式(1)進行二次項擬合，得到機器學習的計算模型：

5.根據權利要求4所述的空間屬性預測方法，其特征在于，所述步驟S5具體為：

根據分析區域的經緯度坐標計算得到空間距離因子w⁽ⁱ⁾，計算公式為：

其中|l⁽ⁱ⁾-l|表示第i個訓練樣本對應地點到其他樣本對應地點的平均距離，由各個訓練樣本對應地點的經緯度坐標計算得到；τ為帶寬參數；

將空間距離因子w⁽ⁱ⁾添加進計算模型，得到空間距離子數衰減模型：

f(x⁽ⁱ⁾)＝w⁽ⁱ⁾(y⁽ⁱ⁾-h(x⁽ⁱ⁾))² (4)。

6.根據權利要求5所述的空間屬性預測方法，其特征在于，所述步驟S6具體為：

將訓練數據集輸入空間距離子數衰減模型，對于單個訓練樣本，采用公式(5)對空間距離子數衰減模型中的權重參數θ_j進行訓練，j＝0,1,2；

其中α為學習速率，當j取值為0時，x_j＝x₀＝1；

對于多個訓練樣本，采用批量梯度下降法或隨機梯度下降法對空間距離子數衰減模型中的權重參數θ_j進行訓練；

所述批量梯度下降法具體為：重復使用公式(6)對θ_j進行訓練直到θ_j收斂；

所述隨機梯度下降法具體為：對整個訓練數據集進行循環遍歷，每遇到一個訓練樣本，則采用公式(5)對空間距離子數衰減模型中的權重參數θ_j進行訓練。

7.根據權利要求6所述的空間屬性預測方法，其特征在于，所述步驟S7中的參數評估模型為：