(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111389277.4 (22)申请日 2021.11.22 (71)申请人 建信金融科技有限责任公司 地址 200120 上海市中国(上海)自由贸易 试验区银城路9 9号12层、 15层 (72)发明人 吴秦明　覃鹏　袁媛　唐豪鸿　 肖伟　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 单冠飞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/16(2012.01) (54)发明名称 去化周期的预测、 去化周期预测模 型的生成 方法及装置 (57)摘要 本公开关于一种去化周期的预测、 去化周期 预测模型的生成方法及装置， 属于大数据智能分 析技术技术领域。 其中， 该去化周期 的预测方法 包括： 获取待预测住房的特征数据， 根据特征数 据确定待预测住房的环境资源类型， 根据环境资 源类型获取对应的去化周期预测模 型， 将特征数 据输入至去化周期预测模型， 得到待预测住房的 去化周期。 能够适应住房的特征数据的动态变 化， 更加准确地进行去化周期预测。 权利要求书3页 说明书8页 附图4页 CN 114239919 A 2022.03.25 CN 114239919 A 1.一种去化周期的预测方法， 其特 征在于， 包括： 获取待预测住房的特 征数据； 根据所述特 征数据确定所述待预测住房的环境资源类型； 根据所述环境资源类型获取对应的去化周期预测模型； 将所述特 征数据输入至所述去化周期预测模型， 得到所述待预测住房的去化周期。 2.根据权利要求1所述的预测方法， 其特 征在于， 所述特 征数据包括以下至少一种： 住房信息、 网签信息、 城市信息、 区域信息和人口数据。 3.根据权利要求1所述的预测方法， 其特征在于， 所述去化周期预测模型为深度因子分 解机模型。 4.一种去化周期预测模型的生成方法， 其特 征在于， 包括： 获取样本住房的样本特征数据和实际去化周期， 并根据 所述样本特征数据确定所述样 本住房的环境资源类型； 将所述样本特征数据输入至待训练 的去化周期预测模型， 得到所述样本住房的样本去 化周期； 根据所述实际去化周期和所述样本去化周期对所述待训练的去化周期预测模型进行 训练， 得到所述环境资源类型对应的去化周期预测模型。 5.根据权利要求4所述的生成方法， 其特征在于， 所述将所述样本特征数据输入至待训 练的去化周期预测模型， 得到所述样本住房的样本去化周期， 包括： 将所述样本特 征数据划分为多个分片样本特 征数据； 将所述分片样本特征数据输入至对应工作节点的待训练 的去化周期预测模型， 得到所 述样本住房的样本去化周期。 6.根据权利要求5所述的生成方法， 其特征在于， 所述根据 所述实际去化周期和所述样 本去化周期对所述待训练的去化周期预测模型进行训练， 得到所述去化周期预测模型， 包 括： 将多个所述工作节点输出的分片梯度输入至参数服务器， 所述分片梯度根据 所述实际 去化周期和所述样本去化周期得到； 获取所述参数服务器输出的调整后的模型参数， 所述模型参数根据多个所述分片梯度 得到； 根据所述调整后的模型参数生成所述去化周期预测模型。 7.根据权利要求4所述的预测方法， 其特征在于， 所述样本特征数据包括以下至少一 种： 样本住房信息、 样本网签信息、 样本城市信息、 样本区域信息和样本人口数据。 8.根据权利要求4所述的生成方法， 其特征在于， 所述去化周期预测模型为深度因子分 解机模型。 9.一种去化周期的预测装置， 其特 征在于， 包括： 第一获取模块， 被 配置为执 行获取待预测住房的特 征数据； 确定模块， 被 配置为执 行根据所述特 征数据确定所述待预测住房的环境资源类型； 第二获取模块， 被 配置为执 行根据所述环境资源类型获取对应的去化周期预测模型； 第一预测模块， 被配置为执行将所述特征数据输入至所述去化周期预测模型， 得到所权　利　要　求　书 1/3 页 2 CN 114239919 A 2述待预测住房的去化周期。 10.根据权利要求9所述的预测装置， 其特 征在于， 所述特 征数据包括以下至少一种： 住房信息、 网签信息、 城市信息、 区域信息和人口数据。 11.根据权利要求9所述的预测装置， 其特征在于， 所述去化周期预测模型为深度因子 分解机模型。 12.一种去化周期预测模型的生成装置， 其特 征在于， 包括： 第三获取模块， 被配置为执行获取样本住房的样本特征数据和实 际去化周期， 并根据 所述样本特 征数据确定所述样本住房的环境资源类型； 第二预测模块， 被配置为执行将所述样本特征数据输入至待训练的去化周期预测模 型， 得到所述样本住房的样本去化周期； 训练模块， 被配置为执行根据 所述实际去化周期和所述样本去化周期对所述待训练 的 去化周期预测模型进行训练， 得到所述环境资源类型对应的去化周期预测模型。 13.根据权利要求12所述的生成装置， 其特征在于， 所述第二预测模块， 进一步被配置 为执行： 将所述样本特 征数据划分为多个分片样本特 征数据； 将所述分片样本特征数据输入至对应工作节点的待训练 的去化周期预测模型， 得到所 述样本住房的样本去化周期。 14.根据权利要求13所述的生成装置， 其特征在于， 所述训练模块， 进一步被配置为执 行： 将多个所述工作节点输出的分片梯度输入至参数服务器， 所述分片梯度根据 所述实际 去化周期和所述样本去化周期得到； 获取所述参数服务器输出的调整后的模型参数， 所述模型参数根据多个所述分片梯度 得到； 根据所述调整后的模型参数生成所述去化周期预测模型。 15.根据权利要求12所述的预测装置， 其特征在于， 所述样本特征数据包括以下至少一 种： 样本住房信息、 样本网签信息、 样本城市信息、 样本区域信息和样本人口数据。 16.根据权利要求12所述的生成方法， 其特征在于， 所述去化周期预测模型为深度因子 分解机模型。 17.一种电子设备， 其特 征在于， 包括： 处理器； 用于存储所述处 理器可执行指令的存 储器； 其中， 所述处理器被配置为执行所述指令， 以实现如权利要求1 ‑3中任一种所述的去化 周期的预测方法， 或者实现如权利要求 4‑8中任一种所述的去化周期预测模型的生成方法。 18.一种计算机可读存储介质， 当所述计算机可读存储介质中的指令由电子设备的处 理器执行时， 使得电子 设备能够执行如权利要求 1‑3中任一项 所述的去化周期的预测方法， 或者执行如权利要求 4‑8中任一种所述的去化周期预测模型的生成方法。 19.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求 1‑3中任一项 所述的去化周期的预测方法， 或者 实现如权利要求4 ‑8中权　利　要　求　书 2/3 页 3 CN 114239919 A 3