[发明专利]一种基于多模态信息融合的仓租价格预测方法

权利要求书

1.一种基于多模态信息融合的仓租价格预测方法，其特征在于，包括以下步骤：

步骤1：利用网络爬虫程序从仓库租赁中介网站中获取多模态信息，所述多模态信息包括：仓库结构化信息、仓库地理位置信息和仓库实景图像；

步骤2：数据预处理：对仓库结构化信息进行去重、缺失值处理、异常数据剔除、独热编码处理，结构化信息中的仓库租金单价采用离散区间表示，提取出结构化特征；

步骤3：根据仓库地理位置信息，获取仓库经纬度，并对经纬度数据进行K-means聚类分析，以提取出地理位置特征；

步骤4：对于仓库实景图像，利用二阶段CNN(Two-stage CNN)模型对仓库实景图像进行分类，以提取出实景图像特征；

步骤5：将步骤2的结构化特征、步骤3的地理位置特征和步骤4实景图像特征进行特征数据整合，构建包括仓库结构化信息、仓库地理位置信息、仓库实景图像的多模态信息的特征数据集，并利用XGBoost模型进行训练拟合，获得仓租价格的预测结果。

2.根据权利要求1所述的一种基于多模态信息融合的仓租价格预测方法，其特征在于：所述步骤1中具体包括：

步骤1.1：仓库结构化信息包括：仓库编号、仓库名称、仓库租金单价、仓库面积、是否可环评、是否可注册、是否有产证、有无排污证、消防等级、最大用电量、最小分割面积、最短租期、房源结构、共几层、所在层、所在层高、物业费、是否有停车位、有无办公区和有无卸货平台；

步骤1.2：仓库地理位置信息以经度、纬度的形式保存；

步骤1.3：仓库实景图像按照仓库编号储存在对应文件夹内，方便后续模型的使用。

3.根据权利要求1所述的一种基于多模态信息融合的仓租价格预测方法，其特征在于：所述步骤2中，仓库结构化信息中重复的数据进行删除；特征缺失在30％以下的数据采用众数填充，如果特征缺失在50％以上，则删除特征；剔除价格为0、面积为0的数据；对于字符型变量，包括是否可环评、是否可注册、是否有产证、有无排污证、房源结构、是否有停车位、有无办公区和有无卸货平台，采用独热编码处理，转变为数值型变量；为了提高模型预测的精准度，仓库租金单价采用离散区间表示，分成n个仓租价格等级，在具体实施方案中可合理设置仓租价格等级n的数值。

4.根据权利要求1所述的一种基于多模态信息融合的仓租价格预测方法，其特征在于：所述步骤3中，仓库地理位置信息以经度、纬度的形式保存后，将数据代入K-means聚类算法中，从而提取出地理位置特征，实现流程如下：

步骤3.1：设输入的数据样本为S＝{s₁,s₂,...,s_m},每个样本s_i都包含经度、纬度两种属性{s_i1,s_i2}；

步骤3.2：随机选择k个聚类中心{a₁,a₂,...,a_k}，1k≤m，然后计算每个样本到每个聚类中心的欧式距离，即：

其中，s_i表示第i个样本1≤i≤m，a_j表示第j个聚类中心1≤j≤k，s_i1、s_i2表示样本s_i的经度、纬度，a_j1、a_j2表示聚类中心a_j的经度、纬度；

步骤3.3：依次比较每个样本到聚类中心的距离，并选择最小值作为该样本的所属类别；

步骤3.4：在每个类簇中，计算数据对象的均值从而得到新的聚类中心，即：

其中m为样本属性；

步骤3.5：重复上述步骤3.3与步骤3.4，直到结果趋于收敛。

终止条件：迭代次数，簇中心变化率，最小平方误差MSE。