[发明专利]基于多元回归时间序列分析的长租市场预警方法

说明书

本发明公开了一种基于多元回归时间序列分析的长租市场预警方法，通过采用爬虫、机器学习、数据清洗、特征工程等技术，将回归分析与时间序列分析有机结合，把多元因素转换为单一风险因子进行时间序列分析预测，规避了经典算法的短板，提高了预测效果，避免了现代算法的高度计算复杂性，实现对长租市场的预警。

技术领域

本发明涉及时间序列分析技术领域，尤其涉及一种基于多元回归时间序列分析的长租市场预警方法。

背景技术

目前长租市场风险频频发生，在该领域风险预测的通用技术方法和流程一般有三：使用回归分析方法、时间序列、深度神经网络。而上述三种方法均存在缺陷，都具有局限性，原因是其中回归分析方法要求样本量大，且数据要服从某个典型的概率分布，且特征数据要求和结果呈某种线性关系，因此具有局限性；对于时间序列来说，最大的缺点就是数据需要较为平稳，不能有异常点，因为时间序列模型的数列由于受到各种因素的影响表现出随机性，但各个元素在统计上存在依赖关系，所以一些异常事件对于模型的影响很大；深度学习模型也要求庞大的数据，而本发明涉及的问题目前没有数据可以参考，数据不足将导致深度学习模型出现严重的偏移，性能将会下降，同时深度学习模型对硬件有很高的要求，如果服务器算力不足，将严重影响训练效率。

发明内容

本发明的目的就在于为了解决目前主流方法使用的经典算法存在的弊端，和现代算法存在的高度计算复杂性的缺点问题而提供一种基于多元回归时间序列分析的长租市场预警方法，本发明应用于长租市场风险的预警，对可能出现风险的现象及时提醒，减少租房群体受损失的可能。本发明解决问题的方法本质是将多元回归与时间序列有机结合，周期性利用回归分析将众多因素转化为风险因子，再对风险因子建立时间序列模型对未来风险进行预测。

本发明通过以下技术方案来实现上述目的：

一种基于多元回归时间序列分析的长租市场预警方法，包括以下步骤：

步骤1，风险因素挖掘及量化

通过阅读相关报道，挖掘出尽可能多的可能引发长租房的风险因素，然后针对风险因素制定初步的量化方案；

步骤2，数据采集

使用网络爬虫技术采集目前为止全国出现租房风险的房屋的数据；采集依据为步骤1挖掘的危险因素及其量化方法，其中挖掘出的危险因素作为长租房风险预测问题的特征；

步骤3，数据预处理

包括数据清洗、数据划分以及特征工程；

所述数据划分为将数据按9∶1的阈值划分为训练集和测试集；

步骤4，通过回归分析得到风险因子

包括确定网络拓扑结构，搭建BP神经网络、使用遗传算法(GA)优化BP神经网络权值、周期性对特征数据进行回归分析得到风险因子；

步骤5，对风险因子建立时间序列模型

重复步骤2、3、4，将各阶段步骤4中风险因子序列进行预处理为稳定非白噪声序列后，进行时间序列模型的建模；根据该序列计算出的自相关系数和偏相关系数进行模型定阶后，进行参数估计，然后进行模型的检验优化。

步骤6，使用模型进行短期预测

使用步骤5中的模型进行短期内的长租市场风险预测，对于可能出现风险的房屋租户发出预警，并采取适当措施进行干预。