[發(fā)明專(zhuān)利]預(yù)測(cè)長(zhǎng)租公寓是否符合預(yù)期的方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011394908.7
• 申請(qǐng)日: 2020-12-03
• 公開(kāi)（公告）號(hào): CN112465238A
• 公開(kāi)（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 張書(shū)博
• 申請(qǐng)（專(zhuān)利權(quán)）人: 蘇州浪潮智能科技有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06K9/62;G06Q50/16;G06N3/04;G06N3/08
• 代理公司: 北京連和連知識(shí)產(chǎn)權(quán)代理有限公司 11278
• 代理人: 劉小峰;陳黎明

1.一種預(yù)測(cè)長(zhǎng)租公寓是否符合預(yù)期的方法，其特征在于，包括以下步驟：

獲取長(zhǎng)租公寓的租賃數(shù)據(jù)，并將單位時(shí)間內(nèi)的第一比例的數(shù)據(jù)作為驗(yàn)證集，將單位時(shí)間內(nèi)的其他數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

使用所述訓(xùn)練集生成基本隨機(jī)森林模型，使用所述測(cè)試集計(jì)算所述基本隨機(jī)森林模型中每個(gè)決策樹(shù)的AUC值；

保留預(yù)設(shè)數(shù)量個(gè)AUC值最高的決策樹(shù)，并對(duì)保留的決策樹(shù)進(jìn)行聚類(lèi)以得到隨機(jī)森林模型，并使用所述驗(yàn)證集對(duì)所述隨機(jī)森林模型進(jìn)行驗(yàn)證以得到最終的隨機(jī)森林模型；以及

獲取用戶輸入的目標(biāo)長(zhǎng)租公寓數(shù)據(jù)，并利用所述最終的隨機(jī)森林模型對(duì)所述目標(biāo)長(zhǎng)租公寓數(shù)據(jù)進(jìn)行處理以預(yù)測(cè)所述目標(biāo)長(zhǎng)租公寓是否符合預(yù)期。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)保留的決策樹(shù)進(jìn)行聚類(lèi)以得到隨機(jī)森林模型包括：

計(jì)算保留的決策樹(shù)中每?jī)蓚€(gè)決策樹(shù)之間的相似度，并判斷所述相似度是否超過(guò)閾值；以及

響應(yīng)于兩個(gè)決策樹(shù)之間的相似度超過(guò)閾值，將所述兩個(gè)決策樹(shù)劃分成一類(lèi)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)保留的決策樹(shù)進(jìn)行聚類(lèi)以得到隨機(jī)森林模型，并使用所述驗(yàn)證集對(duì)所述隨機(jī)森林模型進(jìn)行驗(yàn)證以得到最終的隨機(jī)森林模型包括：

計(jì)算AUC值最高的第一決策樹(shù)與其他每個(gè)決策樹(shù)之間的相似度，并將相似度高于所述閾值的決策樹(shù)均劃分到所述第一決策樹(shù)所屬的一類(lèi)中，并使用所述驗(yàn)證集判斷當(dāng)前隨機(jī)森林模型的準(zhǔn)確率是否符合要求；以及

響應(yīng)于當(dāng)前隨機(jī)森林模型的準(zhǔn)確率不符合要求，計(jì)算未分類(lèi)的決策樹(shù)中AUC值最高的第二決策樹(shù)與其他未分類(lèi)的決策樹(shù)之間的相似度，并將相似度高于所述閾值的決策樹(shù)均劃分到所述第二決策樹(shù)所屬的一類(lèi)中，重復(fù)本步驟直到當(dāng)前隨機(jī)森林模型的準(zhǔn)確率符合要求。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將單位時(shí)間內(nèi)的其他數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集包括：

將所述其他數(shù)據(jù)通過(guò)分層采樣劃分成十個(gè)大小相同的互斥子集，將其中的九個(gè)子集的并集作為訓(xùn)練集，并將余下的子集作為測(cè)試集。

5.一種預(yù)測(cè)長(zhǎng)租公寓是否符合預(yù)期的系統(tǒng)，其特征在于，包括：

劃分模塊，配置用于獲取長(zhǎng)租公寓的租賃數(shù)據(jù)，并將單位時(shí)間內(nèi)的第一比例的數(shù)據(jù)作為驗(yàn)證集，將單位時(shí)間內(nèi)的其他數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

計(jì)算模塊，配置用于使用所述訓(xùn)練集生成基本隨機(jī)森林模型，使用所述測(cè)試集計(jì)算所述基本隨機(jī)森林模型中每個(gè)決策樹(shù)的AUC值；

驗(yàn)證模塊，配置用于保留預(yù)設(shè)數(shù)量個(gè)AUC值最高的決策樹(shù)，并對(duì)保留的決策樹(shù)進(jìn)行聚類(lèi)以得到隨機(jī)森林模型，并使用所述驗(yàn)證集對(duì)所述隨機(jī)森林模型進(jìn)行驗(yàn)證以得到最終的隨機(jī)森林模型；以及

執(zhí)行模塊，配置用于獲取用戶輸入的目標(biāo)長(zhǎng)租公寓數(shù)據(jù)，并利用所述最終的隨機(jī)森林模型對(duì)所述目標(biāo)長(zhǎng)租公寓數(shù)據(jù)進(jìn)行處理以預(yù)測(cè)所述目標(biāo)長(zhǎng)租公寓是否符合預(yù)期。

6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述驗(yàn)證模塊配置用于：

計(jì)算保留的決策樹(shù)中每?jī)蓚€(gè)決策樹(shù)之間的相似度，并判斷所述相似度是否超過(guò)閾值；以及

響應(yīng)于兩個(gè)決策樹(shù)之間的相似度超過(guò)閾值，將所述兩個(gè)決策樹(shù)劃分成一類(lèi)。

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述驗(yàn)證模塊配置用于：

計(jì)算AUC值最高的第一決策樹(shù)與其他每個(gè)決策樹(shù)之間的相似度，并將相似度高于所述閾值的決策樹(shù)均劃分到所述第一決策樹(shù)所屬的一類(lèi)中，并使用所述驗(yàn)證集判斷當(dāng)前隨機(jī)森林模型的準(zhǔn)確率是否符合要求；以及

響應(yīng)于當(dāng)前隨機(jī)森林模型的準(zhǔn)確率不符合要求，計(jì)算未分類(lèi)的決策樹(shù)中AUC值最高的第二決策樹(shù)與其他未分類(lèi)的決策樹(shù)之間的相似度，并將相似度高于所述閾值的決策樹(shù)均劃分到所述第二決策樹(shù)所屬的一類(lèi)中，重復(fù)本步驟直到當(dāng)前隨機(jī)森林模型的準(zhǔn)確率符合要求。

8.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述劃分模塊配置用于：

將所述其他數(shù)據(jù)通過(guò)分層采樣劃分成十個(gè)大小相同的互斥子集，將其中的九個(gè)子集的并集作為訓(xùn)練集，并將余下的子集作為測(cè)試集。