一种群租房识别方法、系统、存储介质及电子设备与流程

本技术涉及计算机，更具体地说，涉及一种群租房识别方法、系统、存储介质及电子设备。

背景技术：

1、群租房是指通过改变住宅的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。部分业主把房屋委托给中介后，一些非法中介会对房屋进行不同程度的改造，例如更改房屋结构、改造水路和电路等。部分房间甚至用非耐火材料的木板分隔房间，电线乱分布，容易引起消防火灾、燃气爆炸等，存在较大的安全隐患，极易造成人员伤亡，一直是消防整治的重点和难点。因此，对群租房的识别、监测和管控不仅有助于保障租户的权益，也有助于保护业主和周围居民的权益。

2、现有的群租房识别方式，主要通过使用地址下用户的用电行为数据，即当检测出地址下用电行为异常时，推送预警信息，为相关管理部门提升监测效率和决策辅助。

3、由于现有技术仅考虑地址下的用电行为数据，如以年、月、日为单位的电量特征等，当用电特征出现异常，该地址除了有群租房的可能性，还有商铺、家庭成员较多等的可能性，从而造成群租房的识别的准确率低。

技术实现思路

1、有鉴于此，本技术公开了一种群租房识别方法、系统、存储介质及电子设备，旨在提高识别群租房的精准度。

2、为了实现上述目的，其公开的技术方案如下：

3、本技术第一方面公开了一种群租房识别方法，所述方法包括：

4、获取待处理层次数据；所述待处理层次数据用于表征多层次的居住区域的数据；

5、通过预先构建的特征提取模型，从所述待处理层次数据中提取初始特征向量；所述初始特征向量为多层次的待识别群租房的特征向量；

6、通过预设融合方式对所述初始特征向量进行融合，得到融合特征向量；所述融合特征向量至少包括时间特征的向量、属性特征的向量和空间信息向量；所述空间信息向量用于表征区域交通流量和区域人口数量的空间特征向量；

7、基于所述融合特征向量，确定目标特征向量；所述目标特征向量用于表征城市多源数据的综合特征向量；

8、通过预设识别模型，对所述目标特征向量进行群租房识别。

9、优选的，所述待处理层次数据包括待处理时间特征数据、待处理属性特征数据和待处理空间特征数据，所述通过预先构建的特征提取模型，从所述待处理层次数据中提取初始特征向量，包括：

10、通过embedding操作将所述待处理时间特征数据转化为时间特征向量表示形式；

11、将所述时间特征向量表示形式输入至时间循环神经网络lstm模型，得到初始时间特征向量；所述初始时间特征向量用于表征房屋层次的时间特征向量和住户层次的时间特征向量；

12、通过所述embedding操作将所述待处理属性特征数据转化为属性特征向量表示形式；

13、将所述属性特征向量表示形式输入transformer模型，得到初始属性特征向量；所述初始属性特征向量用于表征房屋层次的属性特征向量和住户层次的属性特征向量；

14、通过所述embedding操作将所述待处理空间特征数据转化为空间特征向量表示形式；

15、将所述空间特征向量表示形式输入至cnn神经网络模型，得到初始空间特征向量；所述初始空间特征向量用于表征小区层次的空间特征向量。

16、优选的，所述通过预设融合方式对所述初始特征向量进行融合，得到融合特征向量，包括：

17、将所述初始属性特征向量和所述初始时间特征向量进行拼接，得到初始融合特征向量；

18、将所述初始融合特征向量和所述初始空间特征向量进行融合，得到融合特征向量。

19、优选的，所述基于所述融合特征向量，确定目标特征向量，包括：

20、将所述融合特征向量输入至注意力网络进行加权求和运算，得到目标特征向量。

21、优选的，所述通过预设识别模型，对所述目标特征向量进行群租房识别，包括：

22、通过预设识别模型对所述目标特征向量进行识别，得到预测识别概率；

23、将所述预测识别概率与预设群租房概率进行对比；

24、若所述预测识别概率大于所述预设群租房概率，则确定所述目标特征向量对应的居住区域为群租房；

25、若所述预测识别概率小于等于所述预设群租房概率，则确定所述目标特征向量对应的居住区域为非群租房。

26、本技术第二方面公开了一种群租房识别系统，所述系统包括：

27、获取单元，用于获取待处理层次数据；所述待处理层次数据用于表征多层次的居住区域的数据；

28、提取单元，用于通过预先构建的特征提取模型，从所述待处理层次数据中提取初始特征向量；所述初始特征向量为多层次的待识别群租房的特征向量；

29、融合单元，用于通过预设融合方式对所述初始特征向量进行融合，得到融合特征向量；所述融合特征向量至少包括时间特征的向量、属性特征的向量和空间信息向量；所述空间信息向量用于表征区域交通流量和区域人口数量的空间特征向量；

30、确定单元，用于基于所述融合特征向量，确定目标特征向量；所述目标特征向量用于表征城市多源数据的综合特征向量；

31、识别单元，用于通过预设识别模型，对所述目标特征向量进行群租房识别。

32、优选的，所述提取单元，包括：

33、第一转化模块，用于通过embedding操作将待处理时间特征数据转化为时间特征向量表示形式；

34、第一获取模块，用于将所述时间特征向量表示形式输入至时间循环神经网络lstm模型，得到初始时间特征向量；所述初始时间特征向量用于表征房屋层次的时间特征向量和住户层次的时间特征向量；

35、第二转化模块，用于通过所述embedding操作将待处理属性特征数据转化为属性特征向量表示形式；

36、第二获取模块，用于将所述属性特征向量表示形式输入transformer模型，得到初始属性特征向量；所述初始属性特征向量用于表征房屋层次的属性特征向量和住户层次的属性特征向量；

37、第三转化模块，用于通过所述embedding操作将待处理空间特征数据转化为空间特征向量表示形式；

38、第三获取模块，用于将所述空间特征向量表示形式输入至cnn神经网络模型，得到初始空间特征向量；所述初始空间特征向量用于表征小区层次的空间特征向量。

39、优选的，所述融合单元，包括：

40、拼接模块，用于将所述初始属性特征向量和所述初始时间特征向量进行拼接，得到初始融合特征向量；

41、融合模块，用于将所述初始融合特征向量和所述初始空间特征向量进行融合，得到融合特征向量。

42、本技术第三方面公开了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如第一方面任意一项所述的群租房识别方法。

43、本技术第四方面公开了一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如第一方面任意一项所述的群租房识别方法。

44、经由上述技术方案可知，本技术公开了一种群租房识别方法、系统、存储介质及电子设备，获取待处理层次数据，待处理层次数据用于表征多层次的居住区域的数据，通过预先构建的特征提取模型，从待处理层次数据中提取初始特征向量，初始特征向量为多层次的待识别群租房的特征向量，通过预设融合方式对初始特征向量进行融合，得到融合特征向量，融合特征向量至少包括时间特征的向量、属性特征的向量和空间信息向量，空间信息向量用于表征区域交通流量和区域人口数量的空间特征向量，基于融合特征向量，确定目标特征向量，目标特征向量用于表征城市多源数据的综合特征向量，通过预设识别模型，对目标特征向量进行群租房识别。通过上述方案，从小区层次、房屋层次、住户层次等多个层次上提取城市多源数据的综合特征向量，即目标特征向量，由于该目标特征向量包括了时间特征、空间特征、属性特征等多源特征的向量，通过多源特征的向量来提高识别群租房的精准度。