[发明专利]基于时空表示学习模型的商铺租赁定价方法

说明书

本发明属于城市数据规划和挖掘技术领域，涉及一种基于时空表示学习模型的商铺租赁定价方法。包括以下步骤:数据集准备，数据集预处理，获取区域商铺特征，训练GRU模型，训练编码器和解码器，测试集测试，计算商铺定价结果。本发明利用GCN方法、GRU和seq2seq模型学习商铺定价的潜在变化规律，可智能调价，无需人员干预，帮助企业制定合理的商铺定价，提高企业运行效率。

技术领域

本发明属于城市数据规划和挖掘技术领域，涉及一种基于时空表示学习模型的商铺租赁定价方法。

背景技术

商铺租赁是地产企业经济体制中的一个重要的组成部分，为使企业获得更高利润，合适的商铺定价具有重要的意义。传统的做法是物业根据商铺所处的地段、面积、周围商铺的定价等因素粗略地预估商铺的定价。早期传统的预估方式成本高且效率低下，不仅消耗人的时间和精力，而且限制了企业获得更高的利润。若预估的商铺定价偏高，导致招商效果较差，若预估的定价偏低，导致企业无法获得高利润，回本周期拉长。

商铺定价受地段、面积、人流量、商圈级别、建筑设计等多种因素的影响，这导致仅通过人为判断来评估商铺定价是一项非常困难且耗费精力的任务。时空特征学习模型作为深度学习的一个重要方法，目前在图像生成、交通预测、异常检测等多种领域已被应用。将时空表示学习模型应用于商铺定价领域，结合多种因素预测商铺定价是一个非常值得研究的方向。

发明内容

本发明针对传统商铺定价中存在的困难且耗费精力的问题提出一种新型的基于时空表示学习模型的商铺租赁定价方法。

为了达到上述目的，本发明是采用下述的技术方案实现的：

一种基于时空表示学习模型的商铺租赁定价方法，包括以下步骤：

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，T时间段内的各个商铺位置、面积；

S2：数据集预处理，

对商铺历史定价数据集进行归一化处理，并将数据集划分为训练集与测试集；

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S3得到的嵌入特征向量嵌入到门控循环单元（Gated Recurrent Unit,GRU）中，获得商铺的潜在表示特征h。

S5:训练编码器和解码器，

使用seq2seq架构，将前T时间段内的各个区域的历史商铺单价数据集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，

使用训练好的模型对测试集进行测试。

S7：计算商铺定价结果，

通过上述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。

优选的，在所述的数据集准备步骤中，将商铺所在区域进行网格划分，对应400个区域D（d₁,d₂,……d₄₀₀），收集每个区域内的各个商铺在前T个时间段内的历史定价数据集X和各个商铺的属性数据集S，商铺的属性数据集包括商铺的位置、面积。其中，T的单位为月，面积单位为平方米。

优选的，在数据集预处理的步骤中，将前T个时间段内的数据集X中各个商铺的定价除以数据集S中商铺对应的面积，得到前T时间段内的各个商铺每1平方米的历史单价数据集，对属于同一个区域i（1，2，…，400）的各个商铺的单价求平均值，根据平均值筛选出异常定价的商铺，最终得到前T时间段内的各个区域的历史商铺单价数据集XP,最后将数据集X按照7:3比例划分获取训练集和测试集。