申请/专利权人：大唐实创(北京)投资有限公司

申请日：2023-11-03

公开（公告）日：2024-03-01

公开（公告）号：CN117635280A

主分类号：G06Q30/0645

分类号：G06Q30/0645;G06Q30/0202;G06Q30/02;G06F18/243;G06N20/20;G06F18/214

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明为一种基于Stacking集成学习算法的写字楼租金预测方法及系统，属于模型搭建技术领域，本方法基于Stacking集成学习算法，包括写字楼数据集采集，对写字楼的特征信息进行收集，数据预处理，超参数优化，选择极端梯度提升模型、随机森林、支持向量回归和弹性网络回归四个回归模型，并应用自动调参框架对四种模型中的所有超参数进行调参优化；模型训练，将写字楼数据的集合分为训练集和测试集，原始测试集放入基模型进行预测，并对测试集进行预测，将得到的预测结果平均后作为元模型的训练集，应用本方法通过综合多个单一模型的特点和优势，取长补短，将极大提高预测的准确性和稳定性。

主权项：1.一种基于Stacking集成学习算法的写字楼租金预测方法，本方法基于Stacking集成学习算法，其特征在于，包括写字楼数据集采集，对写字楼的特征信息进行收集，得到数据集，作为后级预测模型的输入数据支持；数据预处理，对采集到的特征信息进行归一化处理，剔除异常信息；选择基模型和元模型，将优化后的极端梯度提升模型、随机森林回归模型、支持向量回归模型、弹性网络回归模型作为基模型，支持向量回归模型作为元模型；超参数优化，选择极端梯度提升模型、随机森林、支持向量回归和弹性网络回归四个回归模型，并应用自动调参框架对四种模型中的所有超参数进行调参优化；模型构建，将优化后的极端梯度提升模型、随机森林回归模型、支持向量回归模型、弹性网络回归模型作为基模型，支持向量回归模型作为元模型构建Stacking集成模型；模型训练，将预处理后的写字楼数集据按照比例分为训练集和测试集，在基模型训练过程中引入五折交叉验证，使用五折训练集训练每个基模型，并对测试集进行预测，将得到的预测结果平均后作为元模型的训练集，原始测试集放入基模型进行预测，将得到的预测结果平均后作为元模型的测试集。

全文数据：

权利要求：

百度查询： 大唐实创(北京)投资有限公司 一种基于Stacking集成学习算法的写字楼租金预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD