[发明专利]基于多源大数据和机器学习的宜居地图推荐方法和装置

权利要求书

1.一种基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，所述基于多源大数据和机器学习的宜居地图推荐方法包括以下步骤：

获取用户个体属性及行为偏好数据，其中，所述用户个体属性包括个人基本属性、家庭属性和行为属性；

基于机器学习算法分析个体属性、家庭属性、行为属性与个体宜居偏好之间的关联，构建行为特征-宜居偏好映射模型；

基于SVM-GBRT模型算法，在地图软件中构建基于特征-宜居偏好映射模型的个性化宜居地图推荐系统；

获取新用户信息，根据新用户注册信息及将所述新用户信息输入所述特征-宜居偏好映射模型获取的用户行为特征进行个性化宜居地图推荐，为用户推荐宜居宜业地评估结果。

2.如权利要求1所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，所述行为特征-宜居偏好映射模型用于提取影响用户宜居指标权重的有效特征，还用于根据新用户信息反馈数据，输入至特征-宜居偏好映射模型持续迭代与优化。

3.如权利要求2所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，构建行为特征-宜居偏好模型，还包括：基于用户反馈的宜居偏好，对特征-宜居偏好映射模型持续迭代与优化。

4.如权利要求1所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，获取用户个体属性及行为偏好数据之前，还包括基于多源时空行为大数据建设基础数据库，建设的基础数据库包括时空行为大数据和多源基础数据，所述建设基础数据库的方法，包括：

以居民个体和城市基本部件为传感器，获取城市微观空间宜居状态的基本动态信息和居民个体主客观偏好数据。

5.如权利要求4所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，基于机器学习算法分析个体属性、家庭属性、行为属性与个体宜居偏好之间的关联，包括：

基于个体基本属性、家庭属性以及行为属性，推断个体的宜居偏好，并采用XGBoost算法分析个体属性、家庭属性、行为属性与个体宜居偏好之间的关联，构建行为特征-宜居偏好模型。

6.如权利要求1或5所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，基于SVM-GBRT模型算法，构建个性化宜居地图推荐系统，包括：基于带有地理标签的隐含用户兴趣的数据，构建基于SVM-GBRT模型的推荐系统；

其中，所述推荐系统由匹配过程和排序过程组成；

所述匹配过程采用 OvR 策略的多元支持向量机模型解决输入用户的行为偏好，记录生成候选对象；

所述排序过程利用附加的多源信息和SVM-GBRT模型对候选对象进行评分和重新排序，为用户推荐满足需求的宜居宜业地评估结果。

7.如权利要求1所述的基于多源大数据和机器学习的宜居地图推荐方法，其特征在于，所述基于多源大数据和机器学习的宜居地图推荐方法还包括基于输入输出平台为用户推荐适合的宜居宜业地评估结果。

8.一种基于多源大数据和机器学习的宜居地图推荐装置，其特征在于，采用权利要求1-7中任意一项所述基于多源大数据和机器学习的宜居地图推荐方法进行宜居地推荐；所述基于多源大数据和机器学习的宜居地图推荐装置包括：

数据采集模块，获取用户个体属性及行为偏好数据，其中，所述用户个体属性包括个人基本属性、家庭属性和行为属性；

模型构建模块，用于基于机器学习算法分析个体属性、家庭属性、行为属性与个体宜居偏好之间的关联，构建行为特征-宜居偏好映射模型；

推荐系统模块，用于基于SVM-GBRT模型算法，在地图软件中构建基于特征-宜居偏好映射模型的个性化宜居地图推荐系统；

地图推荐模块，用于获取新用户信息，根据新用户注册信息及将所述新用户信息输入所述特征-宜居偏好映射模型获取的用户行为特征进行个性化宜居地图推荐，为用户推荐宜居宜业地评估结果。