[发明专利]基于时空表示学习模型的商铺租赁定价方法

权利要求书

1.一种基于时空表示学习模型的商铺租赁定价方法，其特征在于，步骤如下：

S1：数据集准备，

采集各个商铺在前T个时间段内的历史定价数据集以及各个商铺的位置、面积；

S2：数据集预处理，

对各个商铺在前T个时间段内的历史定价数据集进行归一化，并将数据集划分为训练集XP和测试集；

S3：获取区域商铺特征，

获取商铺的n个周围区域的特征，提取周围区域商铺的地理位置特征和定价相似性特征，获得最终的嵌入特征向量；

S4：训练GRU模型，

将步骤S3得到的嵌入特征向量嵌入到门控循环单元中，获得商铺的潜在表示特征；

S5：训练编码器和解码器，

使用seq2seq架构，将步骤S2中的训练集XP输入到编码器中，得到潜在空间映射，将编码器最后的输出结果输入到解码器中进行训练，预测商铺第T+1时间段内的定价，计算损失函数，训练得到最优化的编码器和解码器；

S6：测试集测试，

使用步骤S4中训练好的GRU模型和步骤S5中训练好的编码器、解码器对步骤S2中的测试集XP进行训练测试，并计算评价指标RMSE，最终得到合格的seq2seq模型；

S7：计算商铺定价结果，

通过seq2seq模型得到商铺的每平方米的平均单价，乘以商铺面积，获得商铺的最终定价。

2.根据权利要求1所述基于时空表示学习模型的商铺租赁定价方法，其特征在于，所述步骤S3中各个商铺所在区域通过获取周围区域商铺来加强自身特征，基于图卷积神经网络，分别获取周围区域的地理位置和定价相似性特征，从地理位置考虑，利用欧式距离方法计算区域之间的地理位置，得到区域之间的地理领域矩阵，对地理领域矩阵进行归一化，利用预加权聚合器函数选择将重点放在地理相近的区域上。

3.根据权利要求1所述基于时空表示学习模型的商铺租赁定价方法，其特征在于，所述步骤S4具体操作为：

将前T时间段的嵌入特征向量作为输入，GRU模型通过将编码为隐藏状态，GRU模型利用以下公式捕获长期依赖：

，，

=tanh()，

+，

其中是Siamoid激活函数，和分别为更新门和重置门，W、Wz和Wr为可训练权重；h_t-1为t-1时刻的隐藏状态；包含上一时刻h_t-1的有用信息和当前输入的数据,通过GRU模型获得各个区域的潜在表示。