本發(fā)明涉及電子商務的數(shù)據(jù)處理技術領域，具體涉及在線訂房技術領域；

背景技術：

短租住宿行業(yè)的典型代表在國外有airbnb，在國內有螞蟻短租、小豬短租、木鳥短租等；這些短租平臺的模式普遍是：房東將自己的房源按照固定的價格掛在平臺上，然后被動等待顧客上門；房東不了解客戶有什么樣的價格需求，有多少房源住宿的需求等，可能會因為價格原因導致空房率出現(xiàn)；另一方面，由于入住情況不斷進行變化，且房屋大小和星級情況的不同，價格差距非常大，所以，以固定價格在網(wǎng)站平臺上進行銷售非常不便，且經(jīng)還常會出現(xiàn)合同生成卻沒有房源的尷尬局面；對于住戶來說，則是到各個平臺進行大量的篩選，咨詢，對比房價，過程費時費力；

如果當前房源緊張，房東可能想抬高價格或者當前房間空閑比較多的時候房東想降低價格，對于住戶來說如果有個平臺可以將這些信息整合并以一個合理的價格展示所需房源，是目前亟待解決的問題；

技術實現(xiàn)要素：

為房東方面解決空房問題，為用戶找到最合適價位的房源；本發(fā)明實施例提出了一種基于機器學習模型動態(tài)調整短租房房價的系統(tǒng)，其特征在于，包括：數(shù)據(jù)資源存儲模塊：通過分布式集群存儲海量房源數(shù)據(jù)、房東信息和住戶需求信息，成交歷史信息；

用戶前端模塊：用于接收用戶輸入的訂房需求信息；

人工智能計算模塊：用于通過人工智能模型，進行房價估算；

房屋競價模塊：用于將估算價格推送給房東，并獲得房東根據(jù)自己意愿輸入的當前房源的售出價格；

排序引擎模塊和輸出模塊：結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息。

優(yōu)選的，還包括：所述人工智能計算模塊：用于首先提取系統(tǒng)內部如當?shù)胤績r當時天氣當時空房率當前空房房源質量房源歷史住房信息歷史房價等信息資源進行當前房源價格的估算；

1)通過內部大數(shù)據(jù)集群云計算等分布式計算的方式獲取大量的房源數(shù)據(jù)信息，例如房源地址房源空房率用房天氣房源成交價格等等；以及最近的入住成交信息，例如最近入住價格最近入住率；和用戶需求，如用戶希望入住的地段；

2)基于大數(shù)據(jù)進行數(shù)據(jù)整理；根據(jù)提取的房源數(shù)據(jù)信息以及最近的入住成交信息和用戶需求；將這些資源信息作為輸入，使用dnn模型進行計算；dnn通過輸入x模仿人腦神經(jīng)元傳輸?shù)姆绞捷敵鼋Y果y；

這樣的變換可以擴大輸入x的量也可以做一些輸入特征的變換

3)將dnn模型輸出的結果y輸入給gbdt模型進行回歸計算，估算當前各個房源的可行價格gbdt通過函數(shù)f(x)這樣的輸入方式將dnn的輸出y值作為x輸入，然后進行下面的迭代計算過程最終產(chǎn)生函數(shù)f(x)來估算輸出結果；

其次根據(jù)用戶輸入需求的信息進行房源的篩選，例如用戶填入的住房地址篩選用戶填寫需求租房地址附近的一定范圍內的全部房源信息，用戶輸入戶型兩室一廳，周邊環(huán)境狀況等篩信息進行初步篩選；

將篩選到的房源提取評估價格結果，提取經(jīng)篩選房源歷史成交的價格和最近成交的價格，即歷史成交價格與提取歷史推送給房東的價格并且沒成交的，即歷史不成交價格等信息；

獲取上面信息后通過fp-tree頻繁項集的方式挖掘出房東和價格的最頻繁成交關系；

如此可以挖掘出房東最想成交的價格，獲得該價格后再與估算價格進行匹配，如果估算價格在用戶容忍范圍內則認為這個估算價格較為合理；

比如房東最想成交價格為p1，系統(tǒng)估算價格p2，p1-p2<diff3，所述diff3為差價的接受范圍，小于該數(shù)值時認為估算價格是可接受的；其中，diff3的設定可以根據(jù)目前房價的動蕩程度來估算得出。

優(yōu)選的，所述房屋競價模塊：用于將估算的價格推送給房東；同時將當前空房率,客戶需求量等信息一并發(fā)送給房東；房東可以按照自己的意愿，輸入當前房源的售出價格。

優(yōu)選的，所述排序引擎模塊和輸出模塊：用于結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息。

優(yōu)選的，利用所述的系統(tǒng)進行訂房的方法，包括：

系統(tǒng)平臺接收用戶輸入房屋繡球信息，然后系統(tǒng)后臺根據(jù)輸入信息進行匹配；在獲得匹配的房源信息后，系統(tǒng)平臺內部根據(jù)各種外界因素，再結合用戶的房價承受程度，房東的房價承受程度各方因素，通過智能算法估算出當前房源最合適的房價；向匹配的房源信息的房東，推送房源定價信息和用戶訂單信息；房東進行出價，然后輸出房源信息給住戶。

本發(fā)明實施例還提出了一種基于機器學習模型動態(tài)調整短租房房價的系統(tǒng)，其特征在于，

首先提取系統(tǒng)內部如當?shù)胤績r當時天氣當時空房率當前空房房源質量房源歷史住房信息歷史房價等信息資源進行當前房源價格的估算；具體步驟如下：

1)通過內部大數(shù)據(jù)集群云計算等分布式計算的方式獲取大量的房源數(shù)據(jù)信息，例如房源地址房源空房率用房天氣房源成交價格等等；以及最近的入住成交信息，例如最近入住價格最近入住率；和用戶需求，如用戶希望入住的地段；

2)基于大數(shù)據(jù)進行數(shù)據(jù)整理；根據(jù)提取的房源數(shù)據(jù)信息以及最近的入住成交信息和用戶需求；將這些資源信息作為輸入，使用dnn模型進行計算；dnn通過輸入x模仿人腦神經(jīng)元傳輸?shù)姆绞捷敵鼋Y果y；

可選的，通過一些輸入變換，例如可以擴大輸入x的量，也可以對輸入特征的進行變換；

3)將dnn模型輸出的結果y輸入給gbdt模型進行回歸計算，估算當前各個房源的可行價格gbdt通過函數(shù)f(x)這樣的輸入方式將dnn的輸出y值作為x輸入，然后進行下面的迭代計算過程最終產(chǎn)生函數(shù)f(x)來估算輸出結果；

其次根據(jù)用戶輸入需求的信息進行房源的篩選，例如用戶填入的住房地址篩選用戶填寫需求租房地址附近的一定范圍內的全部房源信息，用戶輸入戶型兩室一廳，周邊環(huán)境狀況等篩信息進行初步篩選；

將篩選到的房源提取評估價格結果，提取經(jīng)篩選房源歷史成交的價格和最近成交的價格，即歷史成交價格與提取歷史推送給房東的價格并且沒成交的，即歷史不成交價格等信息

獲取上面信息后通過fp-tree頻繁項集的方式挖掘出房東和價格的最頻繁成交關系；

如此可以挖掘出房東最想成交的價格，獲得該價格后再與估算價格進行匹配，如果估算價格在用戶容忍范圍內則認為這個估算價格較為合理；

比如房東最想成交價格為p1，系統(tǒng)估算價格p2，p1-p2<diff3，所述diff3為差價的接受范圍，小于該數(shù)值時認為估算價格是可接受的；其中，diff3的設定可以根據(jù)目前房價的動蕩程度來估算得出；

再次將估算的價格推送給房東；同時將當前空房率,客戶需求量等信息一并發(fā)送給房東；房東可以按照自己的意愿，輸入當前房源的售出價格；

最后結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息，比如房屋樓層、朝向、戶型、面積、周邊環(huán)境等。

本發(fā)明的上述技術方案的有益效果如下：本發(fā)明平臺運用大數(shù)據(jù)和人工智能技術，根據(jù)用戶的需求，當前房源的質量，空房率和時間地點等信息進行房價動態(tài)調整；為用戶和房東找到最合理的成交價格；

附圖說明

圖1為本發(fā)明實施例的房屋價格動態(tài)調整流程示意圖；

圖2為本發(fā)明實施例的系統(tǒng)模塊結構示意圖；

圖3為本發(fā)明實施例的系統(tǒng)中的dnn模型結構圖。

具體實施方式

為使本發(fā)明要解決的技術問題、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例進行詳細描述；

本發(fā)明主要的思路是，用戶在系統(tǒng)平臺進行下單，經(jīng)過如下流程：首先用戶在發(fā)單頁面填寫一個簡單的表單，系統(tǒng)平臺接收用戶輸入信息，如入住/退房時間、房源區(qū)域、出價等，然后系統(tǒng)后臺根據(jù)輸入信息進行匹配；在獲得匹配的房源信息后，向匹配的房源信息的房東，推送用戶訂單信息；房東進行出價，然后輸出房源信息給住戶；

對于當前房源價格的動態(tài)調整，房東要按當時的狀況給多少需要一個決策能力；例如房東可以按當時的狀況，自行決策房源價格；

而本發(fā)明能夠解決此時房屋的合理動態(tài)調整價格提供給房東作參考；

住戶出行訂房的價格，根據(jù)地點，時間，房屋條件，空房率等一系列因素的影響；房價應該是不同的；而不是現(xiàn)有很多平臺的固定價格；

系統(tǒng)平臺內部根據(jù)各種外界因素，再結合用戶的房價承受程度，房東的房價承受程度各方因素，通過智能算法估算出當前房源最合適的房價；推薦給房東和用戶，這樣的優(yōu)化策略可以給用戶帶來方便和優(yōu)惠，使房東對行業(yè)價格有更清晰的了解，更容易做出利于自己的決策；

系統(tǒng)通過人工智能模型，機器學習結合大數(shù)據(jù)的方式，估算當前房源最合理的房價；

如圖1所示的，本發(fā)明實施例的房屋價格動態(tài)調整具體流程包括：

首先提取系統(tǒng)內部如當?shù)胤績r當時天氣當時空房率當前空房房源質量房源歷史住房信息歷史房價等信息資源進行當前房源價格的估算；具體步驟如下：

1)通過內部大數(shù)據(jù)集群云計算等分布式計算的方式獲取大量的房源數(shù)據(jù)信息，例如房源地址房源空房率用房天氣房源成交價格等等；以及最近的入住成交信息，例如最近入住價格最近入住率；和用戶需求，如用戶希望入住的地段；

2)基于大數(shù)據(jù)進行數(shù)據(jù)整理；根據(jù)提取的房源數(shù)據(jù)信息以及最近的入住成交信息和用戶需求；將這些資源信息作為輸入，使用dnn模型進行計算；dnn通過輸入x模仿人腦神經(jīng)元傳輸?shù)姆绞捷敵鼋Y果y；

可選的，通過一些輸入變換，例如可以擴大輸入x的量，也可以對輸入特征的進行變換；

dnn(deepneuralnetwork)是一種人工神經(jīng)網(wǎng)絡算法。dnn人工神經(jīng)網(wǎng)絡是模仿人腦神經(jīng)元工作原理，多層人工神經(jīng)元傳輸信息處理信息的過程來組織模型原理結構。如下圖所示：

輸入層是我們將大數(shù)據(jù)中的數(shù)據(jù)輸入到這個地方，然后數(shù)據(jù)通過隱含層的計算整理，最后到輸出層。輸出我們想要的結果。圖上的w和b是通過選擇的神經(jīng)元傳輸函數(shù)的參數(shù)這里選擇sigmoid函數(shù)做神經(jīng)元傳輸函數(shù)然后計算模型信息損失函數(shù)最小的方式迭代求出w和b。

本模型選擇三層網(wǎng)絡。

3)將dnn模型輸出的結果y輸入給gbdt模型進行回歸計算，估算當前各個房源的可行價格gbdt通過函數(shù)f(x)這樣的輸入方式將dnn的輸出y值作為x輸入，然后進行下面的迭代計算過程最終產(chǎn)生函數(shù)f(x)來估算輸出結果；

其次根據(jù)用戶輸入需求的信息進行房源的篩選，例如用戶填入的住房地址篩選用戶填寫需求租房地址附近的一定范圍內的全部房源信息，用戶輸入戶型兩室一廳，周邊環(huán)境狀況等篩信息進行初步篩選；

將篩選到的房源提取評估價格結果，提取經(jīng)篩選房源歷史成交的價格和最近成交的價格，即歷史成交價格與提取歷史推送給房東的價格并且沒成交的，即歷史不成交價格等信息

獲取上面信息后通過fp-tree頻繁項集的方式挖掘出房東和價格的最頻繁成交關系；

如此可以挖掘出房東最想成交的價格，獲得該價格后再與估算價格進行匹配，如果估算價格在用戶容忍范圍內則認為這個估算價格較為合理；

比如房東最想成交價格為p1，系統(tǒng)估算價格p2，p1-p2<diff3，所述diff3為差價的接受范圍，小于該數(shù)值時認為估算價格是可接受的；其中，diff3的設定可以根據(jù)目前房價的動蕩程度來估算得出；

再次將估算的價格推送給房東；同時將當前空房率,客戶需求量等信息一并發(fā)送給房東；房東可以按照自己的意愿，輸入當前房源的售出價格；

最后結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息，比如房屋樓層、朝向、戶型、面積、周邊環(huán)境等；

圖2示出了整個系統(tǒng)的模塊設計：

數(shù)據(jù)資源存儲模塊：通過分布式集群存儲海量房源數(shù)據(jù)、房東信息和住戶需求信息，成交歷史信息；

用戶前端模塊：用于接收用戶輸入的訂房需求信息；

人工智能計算模塊：用于通過人工智能模型，進行房價估算；

房屋競價模塊：用于將估算價格推送給房東，并獲得房東根據(jù)自己意愿輸入的當前房源的售出價格；

排序引擎模塊和輸出模塊：結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息；

進一步的，人工智能計算模塊：

1)通過內部大數(shù)據(jù)集群云計算等分布式計算的方式獲取大量的房源數(shù)據(jù)信息，例如房源地址房源空房率用房天氣房源成交價格等等；以及最近的入住成交信息，例如最近入住價格最近入住率；和用戶需求，如用戶希望入住的地段；

2)基于大數(shù)據(jù)進行數(shù)據(jù)整理；根據(jù)提取的房源數(shù)據(jù)信息以及最近的入住成交信息和用戶需求；將這些資源信息作為輸入，使用dnn模型進行計算；dnn通過輸入x模仿人腦神經(jīng)元傳輸?shù)姆绞捷敵鼋Y果y；

這樣的變換可以擴大輸入x的量也可以做一些輸入特征的變換

3)將dnn模型輸出的結果y輸入給gbdt模型進行回歸計算，估算當前各個房源的可行價格gbdt通過函數(shù)f(x)這樣的輸入方式將dnn的輸出y值作為x輸入，然后進行下面的迭代計算過程最終產(chǎn)生函數(shù)f(x)來估算輸出結果；

其次根據(jù)用戶輸入需求的信息進行房源的篩選，例如用戶填入的住房地址篩選用戶填寫需求租房地址附近的一定范圍內的全部房源信息，用戶輸入戶型兩室一廳，周邊環(huán)境狀況等篩信息進行初步篩選；

將篩選到的房源提取評估價格結果，提取經(jīng)篩選房源歷史成交的價格和最近成交的價格，即歷史成交價格與提取歷史推送給房東的價格并且沒成交的，即歷史不成交價格等信息；

獲取上面信息后通過fp-tree頻繁項集的方式挖掘出房東和價格的最頻繁成交關系；

如此可以挖掘出房東最想成交的價格，獲得該價格后再與估算價格進行匹配，如果估算價格在用戶容忍范圍內則認為這個估算價格較為合理；

比如房東最想成交價格為p1，系統(tǒng)估算價格p2，p1-p2<diff3，所述diff3為差價的接受范圍，小于該數(shù)值時認為估算價格是可接受的；其中，diff3的設定可以根據(jù)目前房價的動蕩程度來估算得出；

進一步的，房屋競價模塊：

再次將估算的價格推送給房東；同時將當前空房率,客戶需求量等信息一并發(fā)送給房東；房東可以按照自己的意愿，輸入當前房源的售出價格；

進一步的，排序引擎模塊和輸出模塊：

最后結合用戶填寫的訂單資源信息按照用戶要求以合理的排序方式展示給用戶房源信息，比如房屋樓層、朝向、戶型、面積、周邊環(huán)境等；

以上僅是本發(fā)明的可選實施方式而已，并非對本發(fā)明做任何形式上的限制，凡是依據(jù)本發(fā)明的技術實質對以上實施方式所做的任意簡單修改、等同變化、結合或修飾，均仍屬于本發(fā)明技術方案的保護范圍。

本領域普通技術人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關硬件(例如處理器)完成，所述程序可以存儲于計算機可讀存儲介質中，如只讀存儲器、磁盤或光盤等；可選地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)；相應地，上述實施例中的每個模塊/單元可以采用硬件的形式實現(xiàn)，例如通過集成電路來實現(xiàn)其相應功能，也可以采用軟件功能模塊的形式實現(xiàn)，例如通過處理器執(zhí)行存儲于存儲器中的程序/指令來實現(xiàn)其相應功能；本發(fā)明不限制于任何特定形式的硬件和軟件的結合。

雖然本申請所揭露的實施方式如上，但所述的內容僅為便于理解本申請而采用的實施方式，并非用以限定本申請，如本發(fā)明實施方式中的具體的實現(xiàn)方法；任何本申請所屬領域內的技術人員，在不脫離本申請所揭露的精神和范圍的前提下，可以在實施的形式及細節(jié)上進行任何的修改與變化，但本申請的專利保護范圍，仍須以所附的權利要求書所界定的范圍為準。

以上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。