【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种群租房的识别方法和装置。
技术介绍
1、“群租房”是指将住宅通过改变房屋结构和平面布局，把房间分割改建成若干小间分别按间出租或按床位出租。随着城市化进程的不断推进，城市规模的不断扩大，外来人口的不断增加，许多城市出现了各种形式的群租房，虽然群租房满足了市场租赁需求，但是群租房存在不同程度的房屋结构改造和水电改造，会产生较多安全隐患，引发公共安全事件，所以通过对群租房的识别和监测，进行群租房的管理具有十分重要的意义。目前对群租房的识别通常是根据地址下的单方数据(例如用电行为数据)建立群租房识别模型进行群租房的识别，或者根据多方数据(例如用电行为数据、订单消费数据等)分别建立相应的群租房识别模型进行群租房的识别，并将多方数据的识别结果进行聚合得到为最终的识别结果。
2、在实现本专利技术过程中，专利技术人发现现有技术中存在如下问题：
3、对于仅根据单方数据进行群租房识别的方法，由于数据单一，识别模型简单，所以识别准确率较低；对于根据多方数据进行群租房识别的方法，一方面虽然数据丰富，但是不同的数据来自于不同的数据资源平台，不仅数据获取不便，而且也不利于数据隐私的保护，另一方面多方数据仅在识别结果层面进行聚合，识别结果精准性低。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种群租房的识别方法和装置，通过获取数据提供方提供的待识别群租房所在区域的时间特征数据和空间特征数据，将时间特征数据和空间特征数据的聚合特征数据输入到预先训练的
2、为实现所述目的，根据本专利技术实施例的一个方面，提供了一种群租房的识别方法，包括：
3、获取数据提供方提供的待识别群租房所在区域的多维特征数据，所述多维特征数据包括时间特征数据和空间特征数据；
4、基于数据的时空特性对所述时间特征数据和所述空间特征数据进行聚合，得到聚合特征数据；
5、将所述聚合特征数据输入到预先训练的识别模型以进行群租房识别。
6、可选地，所述多维特征数据是由所述数据提供方经过加密处理后提供的；在对所述时间特征数据和所述空间特征数据进行聚合之前，还包括：对所述时间特征数据和所述空间特征数据进行解密处理。
7、可选地，所述多维特征数据由所述数据提供方通过非对称加密算法，使用所述多维特征数据的获取方的公钥进行加密处理；在对所述时间特征数据和所述空间特征数据进行聚合之前，还包括：对所述时间特征数据和所述空间特征数据通过非对称加密算法使用私钥进行解密处理。
8、可选地，所述时间特征数据基于第一数据提供方的订单消费数据和第二数据提供方的用水用电用气数据，进行时间特征提取得到；所述空间特征数据基于第三数据提供方的区域交通流量数据和区域人流量数据，进行空间特征提取得到。
9、可选地，所述多维特征数据还包括属性特征数据，所述属性特征数据基于第一数据提供方的用户年龄分布数据和购买力分布数据，以及第二数据提供方的户主信息数据和房屋信息数据，进行属性特征提取得到。
10、可选地，不同的数据提供方在进行特征提取时所使用的特征提取模型不同。
11、可选地，所述识别模型是通过以下方式进行训练的：获取训练集，所述训练集包括聚合特征数据及所述聚合特征数据对应的标签；对所述聚合特征数据进行学习得到预测识别结果；根据所述聚合特征数据的标签和所述预测识别结果计算损失函数和梯度信息；根据所述梯度信息更新模型参数以得到所述识别模型。
12、可选地，在得到所述识别模型之后，还包括：将所述梯度信息发送给所述数据提供方，以使所述数据提供方根据所述梯度信息进行特征提取模型的更新。
13、可选地，将所述梯度信息发送给所述数据提供方，以使所述数据提供方根据所述梯度信息进行特征提取模型的更新，包括：使用所述数据提供方的公钥对所述梯度信息进行加密，将加密后的梯度信息发送给所述数据提供方，以使所述数据提供方进行解密得到所述梯度信息，并根据所述梯度信息进行特征提取模型的更新。
14、可选地，所述聚合的方式包括对所述时间特征数据和所述空间特征数据进行特征拼接、特征加和或特征点积。
15、根据本专利技术实施例的第二方面，提供一种群租房的识别装置，包括：
16、数据获取模块，用于获取数据提供方提供的待识别群租房所在区域的多维特征数据，所述多维特征数据包括时间特征数据和空间特征数据；
17、数据聚合模块，用于基于数据的时空特性对所述时间特征数据和所述空间特征数据进行聚合，得到聚合特征数据；
18、数据识别模块，用于将所述聚合特征数据输入到预先训练的识别模型以进行群租房识别。
19、根据本专利技术实施例的第三方面，提供一种群租房的识别电子设备，其特征在于，包括：
20、一个或多个处理器；
21、存储装置，用于存储一个或多个程序，
22、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例第一方面提供的方法。
23、根据本专利技术实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本专利技术实施例第一方面提供的方法。
24、所述专利技术中的一个实施例具有如下优点或有益效果：通过获取数据提供方提供的待识别群租房所在区域的多维特征数据，多维特征数据包括时间特征数据和空间特征数据；基于数据的时空特性对时间特征数据和空间特征数据进行聚合，得到聚合特征数据；将聚合特征数据输入到预先训练的识别模型以进行群租房识别的技术方案，实现了通过获取数据提供方提供的待识别群租房所在区域的时间特征数据和空间特征数据，将时间特征数据和空间特征数据的聚合特征数据输入到预先训练的识别模型进行群租房的识别，不仅在数据提供方本地进行了数据的特征提取，避免了直接从数据提供方获取数据的不便之处，保护了数据隐私，而且充分挖掘了数据特征，通过将多维特征数据进行时空特性的聚合，提升群租房识别结果的准确性，为更细粒度的群租房的管理提供了数据支持。
本文档来自技高网...【技术保护点】
1.一种群租房的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多维特征数据是由所述数据提供方经过加密处理后提供的；
3.根据权利要求2所述的方法，其特征在于，所述多维特征数据由所述数据提供方通过非对称加密算法，使用所述多维特征数据的获取方的公钥进行加密处理；
4.根据权利要求1所述的方法，其特征在于，所述时间特征数据基于第一数据提供方的订单消费数据和第二数据提供方的用水用电用气数据，进行时间特征提取得到；所述空间特征数据基于第三数据提供方的区域交通流量数据和区域人流量数据，进行空间特征提取得到。
5.根据权利要求1或4所述的方法，其特征在于，所述多维特征数据还包括属性特征数据，所述属性特征数据基于第一数据提供方的用户年龄分布数据和购买力分布数据，以及第二数据提供方的户主信息数据和房屋信息数据，进行属性特征提取得到。
6.根据权利要求5所述的方法，其特征在于，不同的数据提供方在进行特征提取时所使用的特征提取模型不同。
7.根据权利要求1所述的方法，其特征在于，所述识别模型是通过以下
8.根据权利要求7所述的方法，其特征在于，在得到所述识别模型之后，还包括：
9.根据权利要求8所述的方法，其特征在于，将所述梯度信息发送给所述数据提供方，以使所述数据提供方根据所述梯度信息进行特征提取模型的更新，包括：
10.根据权利要求1所述的方法，其特征在于，所述聚合的方式包括对所述时间特征数据和所述空间特征数据进行特征拼接、特征加和或特征点积。
11.一种群租房的识别装置，其特征在于，包括：
12.一种移动电子设备终端，其特征在于，包括：
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
...【技术特征摘要】
1.一种群租房的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多维特征数据是由所述数据提供方经过加密处理后提供的；
3.根据权利要求2所述的方法，其特征在于，所述多维特征数据由所述数据提供方通过非对称加密算法，使用所述多维特征数据的获取方的公钥进行加密处理；
4.根据权利要求1所述的方法，其特征在于，所述时间特征数据基于第一数据提供方的订单消费数据和第二数据提供方的用水用电用气数据，进行时间特征提取得到；所述空间特征数据基于第三数据提供方的区域交通流量数据和区域人流量数据，进行空间特征提取得到。
5.根据权利要求1或4所述的方法，其特征在于，所述多维特征数据还包括属性特征数据，所述属性特征数据基于第一数据提供方的用户年龄分布数据和购买力分布数据，以及第二数据提供方的户主信息数据和房屋信息数据，进行属性特征提取得到。
6.根据权利...
【专利技术属性】
技术研发人员：陈高德，张钧波，苏义军，胡安民，郑宇，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。