房屋的资源确定方法、装置、设备及可读存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种房屋的资源确定方法、装置、设备及可读存储介质。


背景技术：

2.房屋的资源在很大程度上决定了其需求热度以及空置时长等，通常情况下，一个楼盘的房屋资源确定可以参照该楼盘近期其他房屋的资源置换过程。当待估资源的房屋与可参照的房屋资源置换案例存在一定程度的品质差异(如户型、面积、朝向、楼层、装修水平、家电配置等)时，可以依赖于人为经验根据该差异确定出房屋的资源，但是，依赖于人为经验存在较大的主观性，难以保证资源确定的主观性，且依赖于人为经验难以保证资源确定准确度。而且，当不存在可参考的其他房屋的资源置换过程时，单纯依赖人为经验进行资源的确定，则会导致资源的确定存在较大的主观性，其准确性和时效性均难以保证。因此，如何高效准确的确定出房屋的资源成为所亟待解决的技术问题。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种房屋的资源确定方法、装置、设备及可读存储介质，以解决现有的房屋的资源确定方法存在主观因素的影响，难以保证其准确性的问题。
4.根据第一方面，本发明实施例提供了一种房屋的资源确定方法，包括：获取目标房屋信息、目标房屋所属目标楼盘信息以及所述目标楼盘信息对应的配对楼盘信息；基于所述目标楼盘信息与所述配对楼盘信息的属性特征数据，确定所述目标楼盘信息与所述配对楼盘信息之间的属性特征数据差异；将所述属性特征数据差异输入至资源预测模型，确定所述目标楼盘信息与所述配对楼盘信息之间的资源关系系数，其中，所述资源预测模型是基于不同楼盘对的属性特征数据差异以及资源关系系数构建得到的；基于所述资源关系系数与所述配对楼盘信息对应的资源，确定所述目标房屋对应的目标资源。
5.本发明实施例提供的房屋的资源确定方法，通过获取目标房屋信息所属的目标楼盘信息以及配对楼盘信息，基于楼盘之间存在的属性特征数据的差异，结合资源预测模型对目标楼盘信息配对楼盘信息之间的资源关系系数进行预测，由此即使目标房屋信息所属的目标楼盘没有可供参考的房屋的资源置换过程，亦能够通过配对楼盘信息预测对应于目标房屋的资源。该方法基于资源预测模型能够快速的确定出资源关系系数，继而快速确定出目标房屋的资源，其并不依赖于人为经验，避免人为主观因素影响房屋的资源预测，保证确定出的房屋的资源更加准确、客观。
6.结合第一方面，在第一方面的第一实施方式中，基于不同楼盘对的属性特征数据差异以及资源关系系数构建所述资源预测模型，包括：获取楼盘数据集，所述楼盘数据集包括楼盘标识信息以及楼盘属性特征数据，所述楼盘标识信息与所述楼盘属性特性数据相对应；基于所述楼盘属性特征数据，从所述楼盘数据集中确定出多组目标楼盘对；确定针对于所述目标楼盘对的属性特征数据差异，以及针对于各组所述目标楼盘对的资源关系系数；
以所述资源关系系数作为因变量，以所述属性特征数据差异作为自变量，构建所述资源预测模型。
7.本发明实施例提供的房屋的资源确定方法，通过不同楼盘对的属性特征数据差异以及资源关系系数构建资源预测模型，实现了基于配对楼盘信息对缺少资源置换参考的目标楼盘中的房屋进行资源预测，提高了针对于房屋的资源覆盖率，便于准确的预测目标房屋所对应的资源。
8.结合第一方面第一实施方式，在第一方面的第二实施方式中，所述楼盘属性特征数据包括楼盘的空间位置；所述基于所述楼盘属性特征数据，从所述楼盘数据集中确定出多组目标楼盘对，包括：基于所述楼盘数据集中各个楼盘对应的空间位置；基于所述各个楼盘对应的空间位置，确定两两楼盘之间的距离；将所述距离小于预设距离阈值的多组楼盘对确定出所述目标楼盘对。
9.本发明实施例提供的房屋的资源确定方法，通过不同楼盘的空间位置确定不同楼盘之间的距离，基于该距离确定出目标楼盘对，最大程度上保证了配对楼盘信息对于目标楼盘信息的表征，使得后续确定出所属目标楼盘的房屋的资源更加合理。
10.结合第一方面第一实施方式，在第一方面的第三实施方式中，所述确定针对于所述目标楼盘对的属性特征数据差异，以及针对于各组所述目标楼盘对的资源关系系数，包括：对比所述目标楼盘对中各个楼盘对应的属性特征数据，确定所述属性特征数据差异；将所述目标楼盘对中各个房屋对应的属性特征数据转换为标准数据，得到标准楼盘对；分析所述标准楼盘对中的各个房屋的资源，确定所述资源关系系数。
11.结合第一方面第三实施方式，在第一方面的第四实施方式中，所述将所述目标楼盘对中各个房屋对应的属性特征数据转换为标准数据，得到标准楼盘对，包括：以房屋的资源作为因变量，以房屋的属性特征数据作为自变量，构建回归模型；基于所述回归模型确定出对应于所述属性特征数据的转换系数；基于所述转换系数将所述房源属性特征数据转换为所述标准数据，将经过转换的所述目标楼盘对确定为所述标准楼盘对。
12.本发明实施例提供的房屋的资源确定方法，通过将房屋的属性特征数据转换为标准数据，以进行资源关系系数的确定，减少了资源关系系数的误差，最大程度上保证了资源关系系数的准确性。
13.结合第一方面第三实施方式，在第一方面的第五实施方式中，所述分析所述标准楼盘对中的各个房屋的资源，确定所述资源关系系数，包括：获取所述标准楼盘对所对应的两个楼盘的房屋数量；基于所述房屋数量与所述各个房屋的资源，分别确定所述两个楼盘对应的第一资源均值和第二资源均值；将所述第一资源均值与所述第二资源均值之间的比值，确定为所述资源关系系数。
14.本发明实施例提供的房屋的资源确定方法，通过将房屋的属性特征数据转换为标准数据，以对比两个楼盘所对应的第一资源均值和第二资源均值，确定出楼盘之间的资源关系系数，进一步保证了资源关系系数的准确性。
15.结合第一方面，在第一方面的第六实施方式中，所述基于所述资源关系系数与所述配对楼盘信息对应的资源，确定所述目标房屋对应的目标资源，包括：获取所述目标房屋对应的目标属性特征数据；确定所述资源关系系数与所述配对楼盘信息对应的资源的乘积值，将所述乘积值确定为所述目标楼盘信息对应的资源；将所述目标楼盘信息对应的房屋
属性特征数据转换为所述目标属性特征数据，得到所述目标楼盘对应的转换资源；对所述目标楼盘对应的转换资源进行均值处理，得到所述目标房屋对应的目标资源。
16.本发明实施例提供的房屋的资源确定方法，通过资源关系系数与配对楼盘信息对应的资源确定目标楼盘信息对应的资源，继而将目标楼盘信息对应的房源属性特征数据转换为目标房屋所对应的目标属性特征数据，以得到针对于目标房屋的目标资源，避免因属性特征数据差异而导致的误差，从而进一步提高了目标资源的准确度。
17.根据第二方面，本发明实施例提供了一种房屋的资源确定装置，包括：获取模块，用于获取目标房屋信息、目标房屋所属目标楼盘信息以及所述目标楼盘信息对应的配对楼盘信息；第一确定模块，用于基于所述目标楼盘信息与所述配对楼盘信息的属性特征数据，确定所述目标楼盘信息与所述配对楼盘信息之间的属性特征数据差异；第二确定模块，用于将所述属性特征数据差异输入至资源预测模型，确定所述目标楼盘信息与所述配对楼盘信息之间的资源关系系数，其中，所述资源预测模型是基于不同楼盘对的属性特征数据差异以及资源关系系数构建得到的；第三确定模块，用于基于所述资源关系系数与所述配对楼盘信息对应的资源，确定所述目标房屋对应的目标资源。
18.根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的房屋的资源确定方法。
19.根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的房屋的资源确定方法。
20.需要说明的是，本发明实施例提供的房屋的资源确定装置、电子设备以及计算机可读存储介质的相应有益效果，请参见房屋的资源确定方法中相应内容的描述，在此不再赘述。
附图说明
21.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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获得其他的附图。
22.图1是根据本发明实施例的房屋的资源确定方法的流程图；
23.图2是根据本发明实施例的资源预测模型的构建流程图；
24.图3是根据本发明实施例的资源预测模型的另一构建流程图；
25.图4是根据本发明实施例的房屋的资源确定方法的另一流程图；
26.图5是根据本发明实施例的房屋的资源确定装置的结构框图；
27.图6是本发明实施例的电子设备的硬件结构示意图。
具体实施方式
28.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，本领域技术人员在没有做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。
29.通常情况下，确定一个楼盘中房屋的资源可以参照该楼盘近期完成资源置换过程的房屋，从而实现针对于房屋的资源的合理确定，最大程度上减少房屋的空置，实现房屋的出租最大化。即使当前待进行资源置换的房屋与参照案例之间存在一定程度的品质差异(如户型、面积、朝向、楼层、装修水平、家电配置等)，仍可以根据已形成或已完成资源置换的房屋进行相应推算，以得到当前待进行资源置换的房屋所对应的资源。但是，若该楼盘近期没有可供参考的完成资源置换过程的房屋，此时则难以高效准确的确定出房屋的资源。
30.基于此，本发明技术方案通过分析目标房屋所属楼盘及其相近楼盘之间的房屋属性特征数据差异，预测出目标房屋所属楼盘及其相近楼盘之间的资源关系系数。从而即使目标房屋信息所属楼盘没有可供参考的完成资源置换过程的房屋，亦能实现针对于目标房屋的资源确定，并不依赖于人为经验，保证房屋的资源确定更加准确、客观。
31.根据本发明实施例，提供了一种房屋的资源确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.在本实施例中提供了一种房屋的资源确定方法，可用于电子设备，如手机、平板电脑、电脑等，图1是根据本发明实施例的房屋的资源确定方法的流程图，如图1所示，该流程包括如下步骤：
33.s11，获取目标房屋信息、目标房屋所属目标楼盘信息以及目标楼盘信息对应的配对楼盘信息。
34.目标房屋为待进行资源置换的房屋，目标房屋信息用于表征目标房屋的属性特征。具体地，目标房屋信息可以包括房屋的户型信息、朝向信息、装修信息以及建筑面积等，当然还可以包括房屋的楼层信息，此处对目标房屋信息不作具体限定，本领域技术人员可以根据实际需要确定。
35.目标楼盘为目标房屋所属房屋集合的统称，目标楼盘信息用于表征房屋集合所共有的特征属性以及完成资源置换的房屋的特征属性。
36.配对楼盘是与目标楼盘所临近的楼盘，具体地，该配对楼盘可以是与目标楼盘之间的距离处于一定值内的楼盘。相应地，配对楼盘信息用于表征该配对楼盘所对应房屋集合的共有特征属性以及该配对楼盘中完成资源置换的房屋的特征属性。
37.具体地，房屋集合的共有特征属性可以包括楼盘标识、电梯信息、水电类型、采暖类型以及交通出行信息等。完成资源置换的房屋的特征属性可以包括：房屋标识、所属楼盘标识、户型信息、朝向信息、装修信息、建筑面积以及置换资源等。此处对目标房屋信息以及配对楼盘信息不作具体限定，本领域技术人员可以根据实际需要确定。
38.在一些具体的实施方式中，电子设备可以通过相关的房源平台采集目标房屋信息以及目标房屋所属目标楼盘信息，并通过房源平台搜索目标楼盘周围的其他楼盘，以获取到对应于目标楼盘的配对楼盘，继而根据通过房源平台调取相应的配对楼盘信息。
39.s12，基于目标楼盘信息与配对楼盘信息的属性特征数据，确定目标楼盘信息与配
对楼盘信息之间的属性特征数据差异。
40.属性特征数据用于表征楼盘所对应房屋集合的共有特征属性，属性特征数据差异为目标楼盘与配对楼盘在属性特征上的差异。
41.具体地，电子设备可以将目标楼盘信息中的属性特征数据与配对楼盘信息中的属性特征数据进行对比，得到目标楼盘与配对楼盘在属性特征上的差异，例如目标楼盘存在电梯，配对楼盘中不存在电梯。
42.s13，将属性特征数据差异输入至资源预测模型，确定目标楼盘信息与配对楼盘信息之间的资源关系系数。
43.其中，资源预测模型是基于不同楼盘对的属性特征数据差异以及资源关系系数构建得到的。
44.资源关系系数用于表征目标楼盘与配对楼盘因属性特征数据的差异所产生的资源差异。电子设备中部署有资源预测模型，其可以将属性特征数据差异输入至资源预测模型，输出目标楼盘与配对楼盘之间的资源关系系数。
45.s14，基于资源关系系数与配对楼盘信息对应的资源，确定目标房屋对应的目标资源。
46.配对楼盘信息对应的资源为已形成或已完成资源置换的房屋的资源均值。由于资源关系系数表示目标楼盘与配对楼盘在资源上的差异，结合该资源关系系数是与配对楼盘信息的资源，即可确定出目标楼盘中的已形成或已完成资源置换的房屋的资源均值。以目标楼盘中已形成或已完成资源置换的房屋作为参考样本，结合目标房屋的属性特征与已形成或已完成资源置换的房屋的属性特征，即可根据目标楼盘中的已形成或已完成资源置换的房屋的资源均值预测出目标房屋所对应的目标资源。
47.需要说明的是，上述房屋的资源可以为租金等交换资源，也可以为其他对等的交换资源，此处不作具体限定，只要是能够保证房屋及其资源对等即可。
48.本实施例提供的房屋的资源确定方法，通过获取目标房屋信息所属的目标楼盘信息以及配对楼盘信息，基于楼盘之间存在的属性特征数据的差异，结合资源预测模型对目标楼盘信息配对楼盘信息之间的资源关系系数进行预测，由此即使目标房屋信息所属的目标楼盘没有可供参考的房屋的资源置换过程，亦能够通过配对楼盘信息预测对应于目标房屋的资源。该方法基于资源预测模型能够快速的确定出资源关系系数，继而快速确定出目标房屋的资源，其并不依赖于人为经验，避免人为主观因素影响房屋的资源预测，保证确定出的房屋的资源更加准确、客观。
49.作为一个可选的实施方式，如图2所示，上述基于不同楼盘对的属性特征数据差异以及资源关系系数构建资源预测模型，可以包括：
50.s21，获取楼盘数据集，该楼盘数据集包括楼盘标识信息以及楼盘属性特征数据，楼盘标识信息与楼盘属性特性数据相对应。
51.楼盘数据集为存在资源置换的多个楼盘的集合。楼盘数据集中的各个楼盘均对应于唯一的楼盘标识信息，即楼盘id。不同的楼盘均具有与其相应的楼盘属性特性数据，即楼盘id与楼盘属性特征数据之间是一一对应的。
52.具体地，楼盘属性特征数据包括楼盘品质和需求特征数据，以及完成资源置换的房屋属性特征数据。
53.其中，楼盘品质和需求特征数据包括：建筑年代(year)、交易权属(property)、是否有电梯(lift)、建筑类型(building_type)、水电类型(electric_water_type)、采暖方式(heating_type)、物业费(tenement_fee)、交通出行信息(traffic_score，其可以根据地铁站、公交站点等的距离及数量予以确定)、是否是学校或医院家属院(is_staff)、内生型需求得分(demand_score，根据周边写字楼和商业综合体的数量予以确定)、楼盘所在位置的经度(lng)以及楼盘所在位置的纬度(lat)等。
54.其中，完成资源置换的房屋属性特征数据包括：房屋id(house_id)、所属楼盘id(resblock_id)、户型(structure)、朝向(orientation)、装修信息(decoration)、建筑面积(area)、资源信息(price)、完成资源置换的日期(date)等。
55.s22，基于楼盘属性特征数据，从楼盘数据集中确定出多组目标楼盘对。
56.根据楼盘属性特征数据对楼盘数据集中的多个楼盘进行划分，从中找出在距离、楼盘品质和需求特征数据上符合预设条件的两两楼盘作为目标楼盘对。其中，预设条件可以根据实际情况设定，此处不作具体限定。
57.具体地，楼盘属性特征数据包括楼盘的空间位置。相应地，如图3所示，上述步骤s22可以包括：
58.s221，基于楼盘数据集中各个楼盘对应的空间位置。
59.该空间位置以楼盘的经度和纬度予以确定。根据楼盘数据集中的楼盘属性特征数据，可以得到各个楼盘所对应的经度(lng)以及纬度(lat)。
60.s222，基于各个楼盘对应的空间位置，确定两两楼盘之间的距离。
61.根据各个楼盘所对应的经度(lng)以及纬度(lat)，可以确定出各个楼盘所处空间位置的坐标点。基于两点间的距离公式，可以计算得到两两楼盘之间的直线距离。
62.s223，将距离小于预设距离阈值的多组楼盘对确定出目标楼盘对。
63.预设距离阈值为预先设定的楼盘之间最大直线距离，例如2km。该预设距离阈值由本领域技术人员根据实际需要设定，此处不作具体限定。对楼盘之间的距离与预设距离阈值进行比较，以从中筛选出距离小于预设距离阈值的楼盘对，并将筛选出的多组楼盘对确定为目标楼盘对。
64.需要说明的是，若a楼盘存在多个距离小于预设距离阈值的楼盘，此时则以距离楼盘a最近的楼盘b作为配对楼盘，即将楼盘a与楼盘b作为目标楼盘对。
65.通过不同楼盘的空间位置确定不同楼盘之间的距离，基于该距离确定出目标楼盘对，最大程度上保证了配对楼盘信息对于目标楼盘信息的表征，使得后续确定出所属目标楼盘的房屋的资源更加合理。
66.s23，确定针对于目标楼盘对的属性特征数据差异，以及针对于各组目标楼盘对的资源关系系数。
67.分别获取构成目标楼盘对的两个楼盘中已形成或已完成资源置换的房屋属性特征数据，并对这两个楼盘的属性特征数据进行对比，以确定出这两个楼盘中的房屋在属性特征上所存在的属性特征数据差异。
68.结合不同楼盘对所存在属性特征数据差异以及不同楼盘对中已形成或已完成资源置换的房屋的资源，可以确定出房屋属性特征对于房屋的资源的贡献率，继而根据楼盘对所存在的属性特征数据差异即可确定出楼盘对所对应的两个楼盘之间的资源关系系数。
69.具体地，如图3所示，上述步骤s23可以包括：
70.s231，对比目标楼盘对中各个楼盘对应的属性特征数据，确定属性特征数据差异。
71.将目标楼盘对所对应两个楼盘的房屋属性特征数据进行比较，以确定两者在房屋属性特征上是否一致，若两者不一致，则确定两者在房屋属性特征上所产生的属性特征数据差异。
72.s232，将目标楼盘对中各个房屋对应的属性特征数据转换为标准数据，得到标准楼盘对。
73.标准数据为预先设定的针对于标准房屋的属性特征，例如，该标准房屋可以为2室1厅1卫、南北朝向、精装、建筑面积75平方米。此处对标准房屋不作限定，本领域技术人员可以根据实际需求设定。
74.为了更好的比较因房屋属性特征不同而导致房屋在资源上的差异，此处可以将目标楼盘对中已形成或已完成资源置换的房屋的属性特征转换至标准房屋属性特征上，得到经过属性特征数据转换的标准楼盘对。
75.在一些具体的实施方式中，上述步骤s232可以包括：
76.(1)以房屋的资源作为因变量，以房屋的属性特征数据作为自变量，构建回归模型。
77.(2)基于回归模型确定出对应于属性特征数据的转换系数。
78.(3)基于转换系数将房源属性特征数据转换为标准数据，将经过转换的目标楼盘对确定为标准楼盘对。
79.以房屋的资源作为因变量，以房屋的属性特征数据(户型(structure)、朝向(orientation)、装修信息(decoration)、建筑面积(area))作为自变量，构建自变量与因变量之间的回归模型如下：
80.z＝θ
structure
*a_structure θ
orientation
*a_orientation θ
decoration
*a_decoration θ
area
*a_area
81.其中，θ
structure
、θ
orientation
、θ
decoration
和θ
area
分别表示户型、朝向、装修信息和建筑面积对资源z的贡献率，即对应于属性特征数据的转换系数；a_structure、a_orientation、a_decoration和a_area分别表示户型、朝向、装修信息和建筑面积。
82.根据多组楼盘对中房屋的z、a_structure、a_orientation、a_decoration和a_area进行数据拟合，即可得到因变量与各个自变量之间的函数关系，继而确定出属性特征数据的转换系数θ
structure
、θ
orientation
、θ
decoration
和θ
area
。继而将各个转换系数代入回归模型的表达式，即可得到以房屋的资源作为因变量，以房屋的属性特征数据作为自变量所构建的回归模型。
83.对比房屋的属性特征数据与标准数据，即可确定两者在户型、朝向、装修信息和建筑面积上所存在的差异，将该差异输入至上述回归模型，即可确定出由于属性特征差异所产生的资源差异。继而结合该资源差异以及标准房屋所对应的资源，即可确定出将目标楼盘对中的各个房屋转换至标准房屋所对应的资源，并将经过属性特征数据转换的目标楼盘对确定为标准楼盘对。
84.通过将房屋的属性特征数据转换为标准数据，以进行资源关系系数的确定，减少了资源关系系数的误差，最大程度上保证了资源关系系数的准确性。
85.s233，分析标准楼盘对中的各个房屋的资源，确定资源关系系数。
86.对经过属性特征数据转换的标准楼盘对中的各个房屋的资源进行统计，分别得到标准楼盘对所对应的两个楼盘的资源均值。将两个楼盘的资源均值进行对比，即可确定出两者之间的资源关系系数。
87.在一些具体的实施方式中，上述步骤s233可以包括：
88.(1)获取标准楼盘对所对应的两个楼盘的房屋数量。
89.(2)基于房屋数量与各个房屋的资源，分别确定两个楼盘对应的第一资源均值和第二资源均值。
90.(3)将第一资源均值与第二资源均值之间的比值，确定为资源关系系数。
91.对标准楼盘对所对应两个楼盘中的已形成或已完成资源置换的房屋数量进行统计，例如，标准楼盘对中的楼盘id分别为i和j，其所包含的已形成或已完成资源置换的房屋数量分别为s和t。
92.按照回归模型，将楼盘i和楼盘j中已形成或已完成资源置换的房屋的属性特征数据转换到标准数据上，则可以分别得到s个和t个针对于房屋的转换资源t_price。
93.分别对楼盘i中的s个房屋的转换资源(t_pricei)和楼盘j中的t个房屋的转换资源(t_pricej)进行均值计算，得到楼盘i对应的第一资源均值和楼盘j对应的第二资源均值。继而将第一资源均值与第二资源均值相比，即可得到楼盘i和楼盘j之间的资源关系系数。具体地，确定楼盘i和楼盘j之间的资源关系系数的表达式如下：
[0094][0095]
其中，r
i，j
为楼盘i和楼盘j之间的资源关系系数；为楼盘i中第s个房屋的转换资源；为楼盘j中第t个房屋的转换资源。
[0096]
通过将房屋的属性特征数据转换为标准数据，以对比两个楼盘所对应的第一资源均值和第二资源均值，确定出楼盘之间的资源关系系数，进一步保证了资源关系系数的准确性。
[0097]
s24，以资源关系系数作为因变量，以属性特征数据差异作为自变量，构建资源预测模型。
[0098]
以资源关系系数为因变量、以属性特征数据差异为自变量，构建资源关系系数与属性特征数据差异的关系式如下：
[0099]
r＝(1 r
year
)
d_year
·
(1 r
property
)
d_property
[0100]
·
(1 r
lift
)
d_lift
·
(1 r
building_type
)
d_building_type
[0101]
·
(1 r
electric_uater_type
)
d_electric_water_type
[0102]
·
(1 r
heating_type
)
d_heating_type
[0103]
·
(1 r
tenement_fee
)
d_tenement_fee
[0104]
·
(1 r
traffic_score
)
d_traffic_score
[0105]
·
(1 r
is_staff
)
d_is_staff
[0106]
·
(1 r
demand_score
)
d_demand_score
[0107]
其中，d_year为建筑年代上的差异，d_property为交易权属上的差异，d_lift为电
梯上的差异，d_building_type为建筑类型上的差异，d_electric_water_type为水电类型上的差异，d_heating_type为采暖方式上的差异，d_tenement_fee为物业费上的差异，d_traffic_score为交通出行信息上的差异，d_is_staff为家属院上的差异，d_demand_score为内生型需求上的差异。
[0108]
需要说明的是，对于d_property、d_liff、d_building_type等分类数据需要进行量化处理，再进行属性特征数据差异的确定，以d_lift为例，将有电梯设置为1，无电梯设置为0。若楼盘i有电梯，楼盘j无电梯，则d_lift
i，j
＝lift
i-liftj＝1，通过对分类数据进行量化便于后续的模型构建。对于d_year等数据类型的数据，则可以直接计算属性特征数据差异，例如，d_year
i，j
＝year
i-yearj，对于其他数据类型的属性特征数据差异的确定方式与此类似，此处不再一一赘述。
[0109]
对于待估参数r_year、r_property、r_lift、r_building_type、r_electric_water_type、r_heating_type、r_tenement_fee、r_traffic_score、r_is_staff以及r_demand_score可以根据实际情况设定约束范围。
[0110]
在已知多组楼盘对的资源关系系数r以及属性特征数据差异d_year、d_property、d_lift、d_building_type、d_electric_water_type、d_heating_type、d_tenement_fee、d_traffic_score、d_is_staff与d_demand_score的基础上，结合待估参数的约束范围，以资源关系系数r的均方误差(mse)最小为目标建立非线形规划问题，即可得到各个的待估参数。继而将各个待估参数代入上述关系式，即可得到资源预测模型。
[0111]
本实施例提供的房屋的资源确定方法，通过不同楼盘对的属性特征数据差异以及资源关系系数构建资源预测模型，实现了基于配对楼盘信息对缺少资源置换参考的目标楼盘中的房屋进行资源预测，提高了针对于房屋的资源覆盖率，便于准确的预测目标房屋所对应的资源。
[0112]
在本实施例中提供了一种房屋的资源确定方法，可用于电子设备，如手机、平板电脑、电脑等，图4是根据本发明实施例的房屋的资源确定方法的流程图，如图4所示，该流程包括如下步骤：
[0113]
s31，获取目标房屋信息、目标房屋所属目标楼盘信息以及目标楼盘信息对应的配对楼盘信息。
[0114]
详细说明参见上述实施例对应的相关描述，此处不再赘述。
[0115]
s32，基于目标楼盘信息与配对楼盘信息的属性特征数据，确定目标楼盘信息与配对楼盘信息之间的属性特征数据差异。
[0116]
详细说明参见上述实施例对应的相关描述，此处不再赘述。
[0117]
s33，将属性特征数据差异输入至资源预测模型，确定目标楼盘信息与配对楼盘信息之间的资源关系系数。
[0118]
其中，资源预测模型是基于不同楼盘对的属性特征数据差异以及资源关系系数构建得到的。
[0119]
详细说明参见上述实施例对应的相关描述，此处不再赘述。
[0120]
s34，基于资源关系系数与配对楼盘信息对应的资源，确定目标房屋对应的目标资源。
[0121]
具体地，上述步骤s34可以包括：
[0122]
s341，获取目标房屋对应的目标属性特征数据。
[0123]
目标属性特征数据为目标房屋所具有的属性特征，该目标属性特征数据可以包括目标房屋的户型、朝向、装修信息以及建筑面积。具体地，目标属性特征数据可以由相关工作人员输入至电子设备，相应地，电子设备可以响应工作人员的输入操作，得到目标房屋对应的目标属性特征数据。当然，电子设备还可以通过查询其所存储的针对于目标房屋的属性信息，从中提取出目标属性特征数据。
[0124]
s342，确定资源关系系数与配对楼盘信息对应的资源的乘积值，将乘积值确定为目标楼盘信息对应的资源。
[0125]
若目标房屋所隶属楼盘为楼盘a(即楼盘a为目标楼盘)，且楼盘a中不存在已形成或已完成资源置换的房屋信息，而楼盘a的配对楼盘为楼盘b，且通过房源平台查询到楼盘b存在已形成或已完成资源置换的房屋信息。通过对比楼盘a和楼盘b在属性特征上的差异，并将属性特征差异代入资源预测模型中，即可得到楼盘a和楼盘b的资源关系系数r
a，b
。
[0126]
由于资源关系系数能够表征目标房屋所属楼盘以及配对楼盘针对于房屋的资源差异，将资源关系系数与配对楼盘信息对应的资源进行相乘，即可实现将楼盘b中已形成或已完成资源置换的房屋的资源推演到楼盘a上，得到楼盘a中的已形成或已完成资源置换的房屋的资源。具体推演方式如下：
[0127][0128]
其中，q＝1，2，...，q，q为楼盘b中已形成或已完成资源置换的房屋id；r
a，b
为楼盘a和楼盘b之间的资源关系系数。
[0129]
通过上述推演方式，根据楼盘b中已形成或已完成资源置换的房屋的资源即可推演得到了楼盘a上的已形成或已完成资源置换的房屋的资源。
[0130]
s343，将目标楼盘信息对应的房屋属性特征数据转换为目标属性特征数据，得到目标楼盘对应的转换资源。
[0131]
为了保证推演得到的目标楼盘上的已形成或已完成资源置换的房屋的资源能够对目标房屋所对应目标资源进行精准预测，需要将目标楼盘信息对应的房屋属性特征数据转换至目标属性特征数据上，即将目标楼盘上的房屋属性特征数据转换至与目标房屋同户型、同朝向、同装修信息和同建筑面积，得到转换资源。
[0132]
具体地，采用上述实施例中的回归模型实现房屋属性特征数据与目标属性特征数据之间的转换，对比目标楼盘的房屋属性特征数据与目标属性特征数据，即可确定两者在户型、朝向、装修信息和建筑面积上所存在的差异，将该差异输入至上述回归模型，即可确定出由于属性特征差异所产生的资源差异。继而结合该资源差异以及目标楼盘中各个房屋所对应的资源，即可确定出将目标楼盘中的各个房屋转换至目标房屋所得到的转换资源t_price。
[0133]
s344，对目标楼盘对应的转换资源进行均值处理，得到目标房屋对应的目标资源。
[0134]
对目标楼盘中各个房屋转换至目标房屋所得到的多个转换资源进行均值计算，该均值即为目标房屋在目标楼盘中所对应的目标资源。具体地，确定目标资源的表达式如下：
[0135]
[0136]
其中，price
ap
为目标楼盘a中待确定资源的目标房屋q；t_price
aq
为将推演得到的目标楼盘a中所对应的已形成或已完成资源置换的房屋的资源转换至与目标房屋q同户型、同朝向、同装修信息和同建筑面积时的转换资源。
[0137]
本实施例提供的房屋的资源确定方法，通过资源关系系数与配对楼盘信息对应的资源确定目标楼盘信息对应的资源，继而将目标楼盘信息对应的房源属性特征数据转换为目标房屋所对应的目标属性特征数据，以得到针对于目标房屋的目标资源，避免因属性特征数据差异而导致的误差，从而进一步提高了目标资源的准确度。
[0138]
在本实施例中还提供了一种房屋的资源确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0139]
本实施例提供一种房屋的资源确定装置，如图5所示，包括：
[0140]
获取模块41，用于获取目标房屋信息、目标房屋所属目标楼盘信息以及目标楼盘信息对应的配对楼盘信息。
[0141]
第一确定模块42，用于基于目标楼盘信息与配对楼盘信息的属性特征数据，确定目标楼盘信息与配对楼盘信息之间的属性特征数据差异。
[0142]
第二确定模块43，用于将属性特征数据差异输入至资源预测模型，确定目标楼盘信息与配对楼盘信息之间的资源关系系数。其中，资源预测模型是基于不同楼盘对的属性特征数据差异以及资源关系系数构建得到的。
[0143]
第三确定模块44，用于基于资源关系系数与配对楼盘信息对应的资源，确定目标房屋对应的目标资源。
[0144]
可选地，上述第二确定模块43可以包括：
[0145]
第一获取子模块，用于获取楼盘数据集，该楼盘数据集包括楼盘标识信息以及楼盘属性特征数据，楼盘标识信息与楼盘属性特性数据相对应。
[0146]
第一确定子模块，用于基于楼盘属性特征数据，从楼盘数据集中确定出多组目标楼盘对。
[0147]
第二确定子模块，用于确定针对于目标楼盘对的属性特征数据差异，以及针对于各组目标楼盘对的资源关系系数。
[0148]
构建子模块，用于以资源关系系数作为因变量，以属性特征数据差异作为自变量，构建资源预测模型。
[0149]
具体地，楼盘属性特征数据包括楼盘的空间位置，上述第一确定子模块具体用于，基于楼盘数据集中各个楼盘对应的空间位置；基于各个楼盘对应的空间位置，确定两两楼盘之间的距离；将距离小于预设距离阈值的多组楼盘对确定出目标楼盘对。
[0150]
可选地，上述第二确定子模块具体用于，对比目标楼盘对中各个楼盘对应的属性特征数据，确定属性特征数据差异；将目标楼盘对中各个房屋对应的属性特征数据转换为标准数据，得到标准楼盘对；分析标准楼盘对中的各个房屋的资源，确定资源关系系数。
[0151]
可选地，上述第二确定子模块具体还用于，以房屋的资源作为因变量，以房屋的属性特征数据作为自变量，构建回归模型；基于回归模型确定出对应于属性特征数据的转换系数；基于转换系数将房源属性特征数据转换为标准数据，将经过转换的目标楼盘对确定
为标准楼盘对。
[0152]
可选地，上述第二确定子模块具体还用于，获取标准楼盘对所对应的两个楼盘的房屋数量；基于房屋数量与各个房屋的资源，分别确定两个楼盘对应的第一资源均值和第二资源均值；将第一资源均值与第二资源均值之间的比值，确定为资源关系系数。
[0153]
可选地，上述第三确定模块44可以包括：
[0154]
第二获取子模块，用于获取目标房屋对应的目标属性特征数据。
[0155]
第三确定子模块，用于确定资源关系系数与配对楼盘信息对应的资源的乘积值，将乘积值确定为目标楼盘信息对应的资源。
[0156]
转换子模块，用于将目标楼盘信息对应的房屋属性特征数据转换为目标属性特征数据，得到目标楼盘对应的转换资源。
[0157]
均值处理子模块，用于对目标楼盘对应的转换资源进行均值处理，得到目标房屋对应的目标资源。
[0158]
本实施例提供的房屋的资源确定装置，通过获取目标房屋信息所属的目标楼盘信息以及配对楼盘信息，基于楼盘之间存在的属性特征数据的差异，结合资源预测模型对目标楼盘信息配对楼盘信息之间的资源关系系数进行预测，由此即使目标房屋信息所属的目标楼盘没有可供参考的房屋的资源置换过程，亦能够通过配对楼盘信息预测对应于目标房屋的资源。该装置基于资源预测模型能够快速的确定出资源关系系数，继而快速确定出目标房屋的资源，其并不依赖于人为经验，避免人为主观因素影响房屋的资源预测，保证确定出的房屋的资源更加准确、客观。
[0159]
本实施例中的房屋的资源确定装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0160]
上述各模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0161]
本发明实施例还提供一种电子设备，具有图5所示的房屋的资源确定装置。
[0162]
请参阅图6，图6是本发明可选实施例提供的一种电子设备的结构示意图，如图6所示，该电子设备可以包括：至少一个处理器501，例如中央处理器(central processing unit，cpu)，至少一个通信接口503，存储器504，至少一个通信总线502。其中，通信总线502用于实现这些组件之间的连接通信。其中，通信接口503可以包括显示屏(display)、键盘(keyboard)，可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速易挥发性随机存取存储器(random access memory，ram)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图5所描述的装置，存储器504中存储应用程序，且处理器501调用存储器504中存储的程序代码，以用于执行上述任一方法步骤。
[0163]
其中，通信总线502可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0164]
其中，存储器504可以包括易失性存储器(volatile memory)，例如随机存取存储
器(random-access memory，ram)；存储器也可以包括非易失性存储器(non-volatile memory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；存储器504还可以包括上述种类存储器的组合。
[0165]
其中，处理器501可以是中央处理器(central processing unit，cpu)，网络处理器(network processor，np)或者cpu和np的组合。
[0166]
其中，处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)或其任意组合。
[0167]
可选地，存储器504还用于存储程序指令。处理器501可以调用程序指令，实现如本技术图1至图4实施例中所示的房屋的资源确定方法。
[0168]
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的房屋的资源确定方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0169]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。