[2]。高校畢業(yè)生的租房需求呈現(xiàn)出多樣性和復雜性。畢業(yè)生在選擇租房時通常會考慮到眾多因素，包括地理位置、租金水平、交通便捷性、社區(qū)環(huán)境等。然而，傳統(tǒng)的租房信息平臺難以全面理解和滿足畢業(yè)生個性化的需求。機器學習技術(shù)的應(yīng)用為解決租房信息不全問題提供了新的思路。通過爬蟲爬取數(shù)據(jù),再對這些數(shù)據(jù)進行清洗、統(tǒng)計和可視化分析，可以為用戶挖掘出隱藏在網(wǎng)絡(luò)數(shù)據(jù)中的所有房源的分布情況以及價格等特征走向，幫助用戶做出更好的決策[3]。結(jié)合機器學習算法對大量租房數(shù)據(jù)的處理，有望實現(xiàn)為畢業(yè)生提供信息支持，以提高租房匹配度，降低信息檢索成本。本研究的意義在于，通過構(gòu)建基于機器學習的畢業(yè)生租房數(shù)據(jù)系統(tǒng)，不僅可以為畢業(yè)生提供更為智能、精準的租房信息服務(wù)，也有助于優(yōu)化城市租房市場的資源配置，提升整體租房體驗。這一系統(tǒng)的設(shè)計與實現(xiàn)將為租房領(lǐng)域引入新的技術(shù)手段，推動傳統(tǒng)租房模式向智能化方向邁進，具有重要的社會和商業(yè)價值。通過深入研究高校畢業(yè)生租房問題，結(jié)合機器學習算法的應(yīng)用，本研究旨在提高租房市場的效率和質(zhì)量，為畢業(yè)生提供更好的租房服務(wù)，同時推動智能技術(shù)在社會生活中的廣泛應(yīng)用，從而為城市化發(fā)展提供有益參考。1.2研究方向與現(xiàn)狀傳統(tǒng)租房平臺在信息匹配度和個性化服務(wù)方面存在瓶頸，難以滿足畢業(yè)生多樣化的租房需求。隨著智能技術(shù)的不斷發(fā)展，機器學習算法在房地產(chǎn)領(lǐng)域的應(yīng)用逐漸成為研究和實踐的熱點，為提高租房市場效率提供了新的解決方案。畢業(yè)生對租房體驗的要求逐漸提升，個性化、智能化的租房服務(wù)成為市場的發(fā)展趨勢。通過對畢業(yè)生租房問題的研究，結(jié)合機器學習算法的應(yīng)用，本論文旨在為優(yōu)化畢業(yè)生租房體驗提供新的思路與解決方案。國內(nèi)學者對畢業(yè)生租房問題進行了廣泛研究。一些研究聚焦于租房市場的特點，通過實地調(diào)查和問卷調(diào)查，深入了解畢業(yè)生在租房過程中的需求、痛點和偏好。還有研究關(guān)注傳統(tǒng)租房平臺的運營機制和問題，提出了在信息匹配度、推薦算法等方面的優(yōu)化建議。此外，一些學者還關(guān)注畢業(yè)生就業(yè)與租房的關(guān)系，研究畢業(yè)生在就業(yè)城市的租房特點，為提供更精準的租房服務(wù)提供了依據(jù)。在國外，畢業(yè)生租房問題同樣引起了研究者的關(guān)注。一些發(fā)達國家的研究者通過引入智能技術(shù)，提出了基于機器學習和數(shù)據(jù)挖掘的租房服務(wù)系統(tǒng)。他們關(guān)注房租、地區(qū)、政策對租金的影響，此外，一些學者還關(guān)注畢業(yè)生租房對社會的影響，包括對城市發(fā)展、社會結(jié)構(gòu)和居民生活方式的影響。在已有研究中，盡管對畢業(yè)生租房問題進行了一定程度的探討，但仍然存在一些共性問題。信息來源過少，信息匹配度不高、推薦算法有限以及租房平臺服務(wù)體驗不夠智能化等問題制約了畢業(yè)生租房服務(wù)的進一步優(yōu)化。部分學者提出了一些解決方案，包括基于機器學習的智能推薦系統(tǒng)、優(yōu)化信息匹配算法等,這些方案在提高租房服務(wù)的個性化、智能化方面取得了一定的成果，可以減少用戶在眾多產(chǎn)品和服務(wù)面前決策的復雜度[4]，為進一步改善畢業(yè)生租房體驗提供了思路。畢業(yè)生租房問題已經(jīng)成為國內(nèi)外研究的熱點之一，然而，要真正解決其中存在的問題，仍需要深入挖掘數(shù)據(jù),數(shù)據(jù)中含有大量的價值等待人們?nèi)グl(fā)現(xiàn)與探索[5]。本論文將在此基礎(chǔ)上提出一種結(jié)合機器學習算法的畢業(yè)生租房數(shù)據(jù)系統(tǒng)，以期在實際應(yīng)用中取得更好的效果。1.3文獻綜述JunshengC,LifenP[6]利用python強大的數(shù)據(jù)采集處理技術(shù)，實現(xiàn)區(qū)域網(wǎng)絡(luò)餐飲數(shù)據(jù)的處理，并且推送到數(shù)據(jù)庫，在后臺使用基于python的flask框架實現(xiàn)數(shù)據(jù)接口功能，結(jié)合ECharts等工具，完成數(shù)據(jù)可視化的實現(xiàn)，對數(shù)據(jù)可視化的工具選用提供了借鑒思路。XiaojuM,MinY[7]等人對以安居客二手房信息進行抓取，根據(jù)爬蟲的原理和流程，對安居客的頁面結(jié)構(gòu)進行分析，獲取網(wǎng)頁數(shù)據(jù)，再使用sqlserver進行數(shù)據(jù)的存儲。其數(shù)據(jù)獲取的流程，為本文系統(tǒng)實現(xiàn)提供了思路。OshodiSO,ThwalaDW,OdubiyiBT[8]等人于2018年收集了有關(guān)286個有關(guān)物業(yè)的數(shù)據(jù),構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型對南非開普敦地區(qū)住宅租金進行預測,通過對模型敏感性分析,得出陽臺和樓層面積對租金影響最大,對租金預測的研究提供了思路.OtienoFO,TitusK,RaphaelK[9]針對肯尼亞住房市場供需失衡問題，選取1975到2020年的時間序列的數(shù)據(jù)，使用多種模型預測肯尼亞的住房價格，采用線性回歸，多元回歸等方法進行建模，比較了各種方法的優(yōu)劣性，為機器學習方法選用提供了研究思路。1.4.本文的章節(jié)安排第二章詳細介紹了本系統(tǒng)會使用到的各項技術(shù)，F(xiàn)lask框架、Echarts框架和深度學習框架、爬蟲技術(shù)，為后續(xù)的功能規(guī)劃和實現(xiàn)奠定的基礎(chǔ)。第三章進行了需求分析與架構(gòu)設(shè)計描述，并進行程序?qū)崿F(xiàn)可行性分析。第四章講了了系統(tǒng)的兩大模塊設(shè)計，即是數(shù)據(jù)的獲取存儲和數(shù)據(jù)處理展示。并對其各自的流程進行了梳理。關(guān)鍵技術(shù)的使用在這兩個模塊中起到了舉足輕重的作用。第五章詳細描述了系統(tǒng)的實現(xiàn)方式。第六章是對本系統(tǒng)的測試描述，使用了三套測試用例，分別對數(shù)據(jù)爬蟲、用戶登錄、數(shù)據(jù)展示進行了全面的測試。最后對全文進行了總結(jié)，討論了本論文工作需要進一步完善和深入研究的地方。2關(guān)鍵技術(shù)通過整合Flask、ECharts、爬蟲以及深度學習方法，將構(gòu)建一個全面、安全可靠的畢業(yè)生租房數(shù)據(jù)系統(tǒng)，為用戶提供良好的體驗和有價值的信息。2.1Flask框架Flask在項目中扮演了后端服務(wù)的角色，通過處理請求和響應(yīng)，連接前端和后端，為用戶提供數(shù)據(jù)服務(wù)和業(yè)務(wù)邏輯支持。Flask是由ArminRonacher于2010年創(chuàng)建的一個輕量級Pythonweb框架。ArminRonacher之前是Pocoo團隊的成員，他的目標是構(gòu)建一個簡單而靈活的框架，以便更容易地構(gòu)建Web應(yīng)用程序。用Flask進行Web編程非常方便和快捷,相比Java傳統(tǒng)的SSH框架使用更簡單[10]。Flask是一個微型框架，但它提供了構(gòu)建Web應(yīng)用程序所需的基本功能。它包括路由系統(tǒng)、模板引擎、請求和響應(yīng)處理、會話管理等核心功能。Flask的設(shè)計理念是“micro”（微型），它鼓勵使用擴展來添加額外的功能，使得框架保持簡單。Flask適用于構(gòu)建小到中型的Web應(yīng)用程序,Flask框架給開發(fā)人員提供了足夠的自由度，不限制開發(fā)者使用的工具或模板引擎由于它的輕量級和靈活性，它特別適用于需要快速原型設(shè)計、簡單的API開發(fā)以及對框架進行高度定制的場景[11]。Flask不強加項目結(jié)構(gòu)，允許開發(fā)者按照自己的喜好組織項目。Flask的代碼結(jié)構(gòu)和API設(shè)計簡單，使得初學者能夠迅速上手。提供了基本的功能，但通過擴展可以輕松添加更多功能，保持了框架的靈活性。Flask有一個活躍的社區(qū)，有大量的擴展可用，可以滿足各種需求。由于Flask是微型框架，它的開銷較小，適用于小型項目和快速原型設(shè)計。在畢業(yè)生租房數(shù)據(jù)系統(tǒng)中，F(xiàn)lask的主要作用是搭建后端服務(wù)。通過定義路由、請求處理函數(shù)和視圖，你可以響應(yīng)前端的請求，從數(shù)據(jù)庫中檢索數(shù)據(jù)，并將結(jié)果返回給前端。Flask的簡單設(shè)計使得你能夠?qū)Ｗ⒂跇I(yè)務(wù)邏輯的實現(xiàn)，而不必過多關(guān)注框架本身。2.2ECharts框架ECharts是百度開發(fā)的一款開源JavaScript圖表庫，于2012年首次發(fā)布。它的目標是提供一個功能豐富、靈活且美觀的數(shù)據(jù)可視化解決方案。自發(fā)布以來，ECharts迅速成為人們前端開發(fā)人員和數(shù)據(jù)分析師的首選圖標庫之一。ECharts提供了各種類型的圖表，包括折線圖、柱狀圖、餅圖、散點圖等。它支持大量的配置選項，可以自定義圖表的外觀和行為。ECharts還具有數(shù)據(jù)驅(qū)動的特性，可以通過簡單的JavaScript代碼將數(shù)據(jù)轉(zhuǎn)化為各種圖表。ECharts適用于各種數(shù)據(jù)可視化場景，包括但不限于業(yè)務(wù)報表、監(jiān)控儀表盤、地理信息可視化等。由于其靈活性和可擴展性，ECharts在大數(shù)據(jù)分析、BI系統(tǒng)以及各類Web應(yīng)用中廣泛應(yīng)用。ECharts支持多種圖表類型，滿足不同需求的數(shù)據(jù)可視化。用戶可以通過配置文件自定義圖表的外觀、交互和動畫效果。ECharts可以無縫集成到各種前端框架中，并且支持移動端和PC端的應(yīng)用。ECharts的插件系統(tǒng)和豐富的生態(tài)系統(tǒng)使得用戶可以方便地擴展其功能。在畢業(yè)生租房數(shù)據(jù)系統(tǒng)中，ECharts的主要作用是實現(xiàn)數(shù)據(jù)的可視化展示，通過Flask與SQLite進行交互，可在前端展示ECharts圖表中的數(shù)據(jù)[12]。使用ECharts繪制不同類型的圖表，你可以向用戶直觀地展示租房數(shù)據(jù)的趨勢、分布和關(guān)聯(lián)關(guān)系。ECharts的交互性和優(yōu)秀的可視化效果能夠提升用戶體驗，使得數(shù)據(jù)更易于理解和分析。ECharts在項目中扮演了數(shù)據(jù)可視化的關(guān)鍵角色，通過美觀、直觀的圖表呈現(xiàn)，為用戶提供了更加友好和有效的數(shù)據(jù)展示方式。2.3PyTorch深度學習框架PyTorch是由Facebook開發(fā)的開源深度學習框架，于2016年首次發(fā)布。它的前身是Torch，但PyTorch采用了動態(tài)計算圖的方式，使得模型定義和訓練更加靈活。PyTorch在深度學習社區(qū)迅速崛起，成為研究人員和工程師們喜愛的框架之一。PyTorch采用動態(tài)計算圖，使用戶可以靈活地構(gòu)建、修改和調(diào)試模型，更適合研究和實驗。PyTorch提供了大量的工具和庫，包括torch.nn（神經(jīng)網(wǎng)絡(luò)構(gòu)建）、torch.optim（優(yōu)化算法）、torchvision（計算機視覺庫）等，方便用戶進行深度學習任務(wù)。支持即時執(zhí)行模式，可以逐行進行調(diào)試，簡化了代碼編寫和調(diào)試的過程。PyTorch擁有龐大而活躍的社區(qū)，提供了大量的教程、文檔和論壇，方便用戶學習和解決問題。PyTorch廣泛應(yīng)用于學術(shù)界和工業(yè)界，適用于各種深度學習任務(wù)，包括但不限于圖像處理、自然語言處理、語音識別、強化學習等。PyTorch特別適合研究人員進行實驗和創(chuàng)新，同時在產(chǎn)業(yè)界也得到了廣泛應(yīng)用。相比于靜態(tài)計算圖的框架，PyTorch的動態(tài)計算圖更具靈活性，更容易理解和調(diào)試。PyTorch的API設(shè)計簡單直觀，上手容易，尤其對于新手而言更加友好。具有龐大而積極的社區(qū)，用戶可以分享經(jīng)驗、解決問題，獲得高質(zhì)量的支持。在畢業(yè)生租房數(shù)據(jù)系統(tǒng)中，PyTorch可用于實現(xiàn)深度學習模型。通過PyTorch可以輕松構(gòu)建、訓練和調(diào)試復雜的神經(jīng)網(wǎng)絡(luò)模型，充分發(fā)揮其靈活性和易用性的優(yōu)勢。2.4爬蟲技術(shù)本系統(tǒng)使用爬蟲技術(shù)實現(xiàn)對網(wǎng)頁的爬取：一是獲取URL和URL分頁的規(guī)律，二是發(fā)起請求，三是獲取響應(yīng)對象中的數(shù)據(jù)值，四是進行持久化存儲。由于抓取的原始數(shù)據(jù)格式一般為HTML、XML以及JSON，因此對目標數(shù)據(jù)還需要解析并持久化存儲[13,14]。爬蟲技術(shù)（WebScraping）起源于互聯(lián)網(wǎng)的早期階段，其目的是從網(wǎng)頁上提取數(shù)據(jù)。隨著互聯(lián)網(wǎng)的發(fā)展，爬蟲技術(shù)逐漸成為獲取信息、數(shù)據(jù)挖掘和業(yè)務(wù)發(fā)展的重要手段。早期主要用于搜索引擎的建設(shè)，而今已廣泛應(yīng)用于各個領(lǐng)域。爬蟲技術(shù)能夠自動化地訪問網(wǎng)站，提取數(shù)據(jù)，包括文本、圖像、視頻等。獲取大量數(shù)據(jù)后，可以通過爬蟲進行初步的數(shù)據(jù)清洗、分析，為后續(xù)的決策提供支持。用于監(jiān)測網(wǎng)站變化、競爭對手的動態(tài)，或者跟蹤特定事件的發(fā)展。在市場調(diào)研、競品分析、輿情監(jiān)測等方面有廣泛應(yīng)用。早期的主要應(yīng)用場景，用于收錄和更新搜索引擎的網(wǎng)頁內(nèi)容。用于抓取商品信息、價格變動等數(shù)據(jù)，進行競品分析。用于獲取金融市場數(shù)據(jù)、輿情分析，進行投資決策。用于獲取房源信息、租售價格等，支持房產(chǎn)市場研究。在畢業(yè)生租房數(shù)據(jù)系統(tǒng)中，爬蟲技術(shù)可以用于自動化地獲取各個租房網(wǎng)站上的房源信息，包括租金、位置、房屋設(shè)施等。通過爬蟲，你能夠建立一個龐大的數(shù)據(jù)集，為用戶提供全面、實時的租房信息，提高系統(tǒng)的實用性和吸引力。同時，定期爬取數(shù)據(jù)還有助于系統(tǒng)保持信息的更新和準確性。2.5本章小結(jié)本章詳細介紹了本系統(tǒng)會使用到的各項技術(shù)，爬蟲技術(shù)、Flask框架、Echarts框架、用戶登錄系統(tǒng)和深度學習框架，為后續(xù)的功能規(guī)劃和實現(xiàn)奠定的基礎(chǔ)。OTS設(shè)計和實現(xiàn)3需求分析與架構(gòu)設(shè)計3.1用戶分析本系統(tǒng)的主要面向用戶是畢業(yè)生租房者，他們都是年輕人群體，通常是大學生或剛步入社會的年輕工作者?？赡軐ψ夥渴袌霾惶煜?，需要一個簡單易用的系統(tǒng)來幫助他們獲取現(xiàn)在租房市場的信息。他們對租金價格、房型、住房面積、所在城市等方面比較關(guān)注，因此，需要盡可能多的給予足夠的數(shù)據(jù)分析，以此為出發(fā)點設(shè)計系統(tǒng)，方便用戶瀏覽和了解房源分布信息、租金價格分布區(qū)間,以及了解住房租金水平與面積、所在城市的關(guān)系。3.2系統(tǒng)架構(gòu)設(shè)計系統(tǒng)分為數(shù)據(jù)源和數(shù)據(jù)處理層兩大模塊，如圖3-1系統(tǒng)架構(gòu)設(shè)計圖所示。其中數(shù)據(jù)來源為鏈家這樣的租房網(wǎng)站，并通過數(shù)據(jù)處理層的爬蟲模塊獲取租房數(shù)據(jù)，并通過處理層的數(shù)據(jù)處理模塊將爬蟲獲得的數(shù)據(jù)做數(shù)據(jù)清洗、數(shù)據(jù)存儲，并最終通過網(wǎng)頁的方式為用戶提供圖形化的數(shù)據(jù)展示。其中數(shù)據(jù)的處理層引入機器學習能夠為用戶提供租房金額的預測供用戶參考。圖3-1系統(tǒng)架構(gòu)設(shè)計圖3.3系統(tǒng)功能分析本系統(tǒng)根據(jù)用戶需求分析可以為之提供以下功能如圖所示：圖3-2功能結(jié)構(gòu)圖1.用戶登錄功能：用戶必須通過登錄界面進行用戶登錄才可以進行下一步操作，否則，系統(tǒng)不會提供任何數(shù)據(jù)分析服務(wù)。用戶可通過登錄使用本系統(tǒng)。2.租房信息列表展示功能：使用前端界面將獲取的租房信息以列表形式呈現(xiàn)，可以分頁顯示。用戶通過該模塊進行對房源詳細信息的檢索。3.面積與租賃價格分析功能：展示租房面積與租金之間的關(guān)系，以散點圖形式呈現(xiàn)。用戶可以通過該散點圖的了解租金與面積的大致趨勢，以致于提供信息支持，可以減小用高價租到低面積房的概率。4.城市與租賃價格分析功能：分析不同城市的租房價格分布，以條形圖展示。用戶可以比較不同城市的租金水平，可以為租房者的未來就業(yè)居住地區(qū)選擇提供思路。5.房型分布分析功能：通過餅圖展示不同房型的租房數(shù)量分布，用戶可以看到各種房型的占比，幫助用戶了解市場上各種房型的供應(yīng)情況，可以為用戶提供房型選擇的思路。6.租賃價格分布分析功能：通過柱狀圖展示租金分布的統(tǒng)計信息，幫助用戶了解租金的整體分布情況，對自己所需要準備的房租金有一個清晰的認知。7.租賃價格預測功能：基于已有的出租信息數(shù)據(jù)進行租金預測，以提供用戶對目的地區(qū)的未來租金水平的估計信息。根據(jù)所需租房的面積大小，來估算該地區(qū)該面積的租金水平。3.4可行性分析3.4.1技術(shù)可行性分析基于機器學習算法的畢業(yè)生租房數(shù)據(jù)系統(tǒng)的設(shè)計與實現(xiàn)，主要選取Python為編程語言，使用flask框架進行前后端連接，促使業(yè)務(wù)邏輯實現(xiàn)；使用Pytorch實現(xiàn)深度學習模型，通過EChart框架實現(xiàn)數(shù)據(jù)的可視化展示。在技術(shù)上是可以實現(xiàn)的。3.4.2經(jīng)濟可行性分析從經(jīng)濟角度來看，基于機器學習算法的畢業(yè)生租房數(shù)據(jù)系統(tǒng)的開發(fā)成本相對較低，開發(fā)此系統(tǒng)所需的硬件設(shè)備相對需求較小。該系統(tǒng)僅需要一臺電腦或服務(wù)器來存儲和處理大量的住房數(shù)據(jù)以及運行相關(guān)的算法。此外，由于pytorch、eharts和flask等都是開源軟件，開發(fā)者可以免費獲取并使用它們進行開發(fā)，進一步降低了開發(fā)成本?？傊?，實現(xiàn)此系統(tǒng)是完全可行的。隨著技術(shù)的發(fā)展和市場的需求，這一領(lǐng)域有望為租房者提供更便捷、高效的服務(wù)。3.5本章小結(jié)本章對系統(tǒng)的潛在用戶進行了分析，確定了本系統(tǒng)的架構(gòu)設(shè)計，確定了用戶登錄、租房信息列表展示功能、面積與租賃價格分析功能、城市與租賃價格分析功能、房型分布分析功能、租賃價格分布分析功能和租賃價格預測功能等具體功能，并進行了實現(xiàn)可行性分析。4系統(tǒng)設(shè)計根據(jù)架構(gòu)設(shè)計，本系統(tǒng)的主要設(shè)計可以概括為數(shù)據(jù)獲取與存儲和數(shù)據(jù)展示兩個環(huán)節(jié)。接下來將從這兩個部分開始敘述。4.1數(shù)據(jù)獲取與存儲即為爬蟲獲取鏈家網(wǎng)租房信息并存儲到SQLite數(shù)據(jù)庫的過程：1.在開始之前，需要查閱和分析鏈家網(wǎng)站，了解原網(wǎng)站數(shù)據(jù)的內(nèi)容結(jié)構(gòu)概況。通常，這些內(nèi)容包括獲取房型信息、地理位置、租金等等，同時找出其數(shù)據(jù)接口并分析。2.使用Python中的HTTP庫（如Requests）構(gòu)建HTTP請求，向鏈家的接口發(fā)送請求。請求可能需要包含特定的參數(shù)，例如城市代碼、返回條數(shù)等。3.接收鏈家API返回的響應(yīng)，通常是JSON格式的數(shù)據(jù)。使用Python的JSON解析庫對數(shù)據(jù)進行解析，提取需要的租房信息。4.使用Python的SQLite庫連接到SQLite數(shù)據(jù)庫。如果沒有數(shù)據(jù)庫表，可以先創(chuàng)建一個表，包含存儲租房信息所需的字段（如房源地址、租金、面積等）。將從鏈家獲取的數(shù)據(jù)插入到SQLite數(shù)據(jù)庫中的相應(yīng)表格中。這通常涉及到執(zhí)行SQLINSERT語句。以上過程的實現(xiàn)需要具備對鏈家網(wǎng)站數(shù)據(jù)的理解。其主要處理流程如下：4.2數(shù)據(jù)展示相關(guān)功能的設(shè)計圖4-1數(shù)據(jù)獲取本系統(tǒng)力求打造一個數(shù)據(jù)展示平臺，以滿足用戶在租房市場中的信息需求和決策需求。在用戶成功登錄后，系統(tǒng)將為他們解鎖一系列數(shù)據(jù)可視化功能，以提供直觀、清晰的數(shù)據(jù)展示。本系統(tǒng)需要在用戶登錄后進行才可使用數(shù)據(jù)展示功能。在數(shù)據(jù)展示環(huán)節(jié)中，數(shù)據(jù)庫中的數(shù)據(jù)將通過圖表、圖形和統(tǒng)計信息的方式呈現(xiàn)，為用戶提供直觀、清晰的租房數(shù)據(jù)展示，幫助他們更好地理解市場趨勢和做出決策。通過本系統(tǒng)的數(shù)據(jù)展示功能，用戶將能夠輕松獲取租房市場的房源信息，以直觀、清晰的方式理解市場趨勢，為租房決策提供有力支持，使更好地把握市場情況，實現(xiàn)自身利益的保護，數(shù)據(jù)展示的幾個內(nèi)容模塊如下圖所示：圖4-2數(shù)據(jù)展示模塊設(shè)計4.2.1用戶登錄設(shè)計用戶登錄系統(tǒng)是你畢業(yè)生租房數(shù)據(jù)系統(tǒng)中的一項關(guān)鍵組件，為確保系統(tǒng)的安全性、用戶管理和個性化服務(wù)提供了必要的基礎(chǔ)。用戶登錄系統(tǒng)是一個身份驗證的機制，用于確認用戶的身份并授權(quán)其訪問系統(tǒng)資源。已注冊用戶使用其憑證（如用戶名和密碼）進行登錄，以驗證其身份。驗證用戶身份后，授予用戶訪問系統(tǒng)特定資源或執(zhí)行特定操作的權(quán)限。用戶登錄流程：1.用戶提供登錄憑證，通常是用戶名和密碼。2.系統(tǒng)驗證憑證的正確性，比對輸入的用戶名和密碼與數(shù)據(jù)庫中存儲的信息。3.如果驗證通過，系統(tǒng)生成登錄令牌，并將其返回給用戶。認證與授權(quán)：1.用戶在之后的請求中攜帶登錄令牌。2.系統(tǒng)驗證令牌的有效性，確保用戶已成功登錄。3.根據(jù)用戶的身份和權(quán)限，系統(tǒng)決定是否授權(quán)用戶訪問特定資源或執(zhí)行特定操作。用戶登錄系統(tǒng)在畢業(yè)生租房數(shù)據(jù)系統(tǒng)中起到了關(guān)鍵作用。通過這一系統(tǒng)，你可以實現(xiàn)用戶身份管理，確保只有經(jīng)過身份驗證的用戶才能訪問系統(tǒng)。登錄系統(tǒng)可以記錄和分析用戶的行為，實現(xiàn)個性化的用戶體驗，例如保存用戶的搜索歷史、提供個性化的推薦等。打開鏈家官方網(wǎng)站，進入租房板塊,可以看到租房信息列表。圖4-3用戶登錄流程4.2.2租房信息展示模塊設(shè)計租房信息列表模塊展示從鏈家網(wǎng)站獲取處理后的租房信息列表，包括每個房源的基本信息，如房源地址、租金、面積、房型等。使用爬蟲獲取數(shù)據(jù)，通過前端界面將獲取的租房信息以列表形式呈現(xiàn)，可以分頁顯示。4.2.3面積與租賃價格關(guān)系展示模塊設(shè)計面積與租賃價格關(guān)系模塊展示租房面積與租金之間的關(guān)系，以散點圖呈現(xiàn)。用戶可以通過該模塊中散點圖的分布了解租金與面積的大致趨勢。通過數(shù)據(jù)庫中存儲的數(shù)據(jù)，使用ECharts等前端圖表庫，將面積和租金的數(shù)據(jù)進行可視化呈現(xiàn)，需要對數(shù)據(jù)進行一定的處理和平滑。4.2.4城市與租賃價格關(guān)系模塊設(shè)計城市與租賃價格關(guān)系模塊分析不同城市的租房價格分布，以條形圖形式展示。用戶可以比較不同城市的租金水平。利用ECharts等工具，將城市和租金的關(guān)系進行可視化。4.2.5房型分布模塊設(shè)計房型分布模塊展示不同房型的租房數(shù)量分布，幫助用戶了解市場上各種房型的供應(yīng)情況。使用餅圖，將各種房型的數(shù)量占比可視化呈現(xiàn)。4.2.6租賃價格分布模塊設(shè)計租賃價格分布模塊展示租金分布的統(tǒng)計信息，幫助用戶了解租金的整體分布情況。利用統(tǒng)計圖表，使用柱狀圖，可以對租金具體區(qū)間的出租房數(shù)量進行可視化展示。4.2.7租賃價格預測模塊設(shè)計租賃價格預測模塊基于已有的出租房信息數(shù)據(jù)，使用深度學習模型進行租金預測，以提供用戶對未來租金水平的估計。使用訓練好的模型，將用戶輸入的特征（住房所在城市和面積）通過前后端的交互傳入模型，得到對應(yīng)的租金預測結(jié)果。其主要流程如下：用戶在前端通過表單選擇輸入數(shù)據(jù)，前端通過HTTP請求將數(shù)據(jù)發(fā)送到后端，后端處理數(shù)據(jù)并傳入深度學習模型進行租金預測，后端生成響應(yīng)并將預測結(jié)果發(fā)送回前端。前端接收并顯示響應(yīng)，進行預測結(jié)果的展示。4.3本章小結(jié)本章規(guī)劃了系統(tǒng)的兩大模塊的具體設(shè)計，對處理流程進行了梳理。前文中關(guān)鍵技術(shù)的使用在這兩個模塊中起到了舉足輕重的作用。5系統(tǒng)實現(xiàn)本章將使用爬蟲技術(shù)進行租房數(shù)據(jù)的獲取，并使用Flask框架和Echarts框架對數(shù)據(jù)進行展示。在網(wǎng)頁展示的過程中會讓用戶進行登錄，給予對應(yīng)的訪問權(quán)限。在網(wǎng)頁中，會利用爬蟲獲取的數(shù)據(jù)，通過多個模塊進行數(shù)據(jù)分析展示，最后租金預測模塊會讓用戶輸入目的租房的條件，利用機器學習算法為用戶預測相應(yīng)的房租價格。5.1數(shù)據(jù)獲取與存儲的實現(xiàn)5.1.1數(shù)據(jù)獲取的實現(xiàn)數(shù)據(jù)獲取實現(xiàn)即為爬蟲函數(shù)代碼的實現(xiàn)，其實現(xiàn)流程如下：獲取接口：打開鏈家網(wǎng)站，進入租房板塊,可以看到租房信息列表。進入開發(fā)者模式，可以查詢到獲取該列表的url接口及其http頭部信息，這些信息包含了鏈家服務(wù)器信息等。構(gòu)建HTTP請求：核心關(guān)鍵是使用requests模塊發(fā)送請求，以從響應(yīng)response對象中獲取數(shù)據(jù)[15]。使用requests.post(URL,data=payload)方法發(fā)送請求，請求該接口需要傳入上文所得接口，并在payload中傳遞如表5-1的參數(shù)，payload包含了多個鍵值對，這些鍵值對將被編碼并發(fā)送到服務(wù)器。在這個例子中，payload包含了'city_id','limit',和'source'這幾個字段，它們分別代表要查詢的城市代碼（后文會定義城市名稱與城市代碼的字典，code即為城市代碼參數(shù)）、返回房源的最大數(shù)量，以及數(shù)據(jù)源的標識。表5-1參數(shù)列表序號參數(shù)名稱參數(shù)值1city_idcode2limit1003sourcezhiying_pc檢查響應(yīng)狀態(tài)：函數(shù)檢查響應(yīng)的狀態(tài)碼。如果狀態(tài)碼為200，說明請求成功，服務(wù)器返回了預期的響應(yīng)。解析響應(yīng)內(nèi)容：如果請求成功，函數(shù)將響應(yīng)體轉(zhuǎn)換為JSON格式，并提取其中的數(shù)據(jù)。這里響應(yīng)數(shù)據(jù)包含一個字典，該字典包含一個鍵為'data'的項，該項又包含一個鍵為'list'的列表，該列表包含了房源項。本設(shè)計中獲取的數(shù)據(jù)形式如下：代碼5-1JSON數(shù)據(jù)返回格式{

"request_id":"2051401597926",

"status":0,

"msg":"OK",

"data":{

"list":[

Object{...},

Object{...},

Object{...},

Object{...},

Object{...},

Object{...},

Object{...},

Object{...},

Object{...}

],

"total":11,

"fbQueryId":"806807476274999296",

"aggregations":[

]

}}5.構(gòu)建房源列表：函數(shù)遍歷res['data']['list']中的每個房源項，并將其添加到house_list列表中。這里并沒有對房源標題進行任何修改。6.返回房源列表：最后，函數(shù)返回house_list，這是一個包含了從服務(wù)器獲取的房源項的列表。7.處理請求失敗的情況：如果請求的狀態(tài)碼不是200，說明請求失敗，或者服務(wù)器返回了錯誤。在這種情況下，函數(shù)返回一個空列表[]。以下是爬蟲函數(shù)實現(xiàn)的主要代碼。代碼5-2獲取房租數(shù)據(jù)函數(shù)代碼defget_house_list(code,city):print('obtainingdepartmentlist.city:%s,code:%s'%(city,code))URL='/zufang/aj/homeRecommend/v1'payload={'city_id':code,'limit':100,'source':'zhiying_pc'}response=requests.post(URL,data=payload)ifresponse.status_code==200:res=response.json()house_list=[]foriteminres['data']['list']:house_list.append(item)returnhouse_listelse:return[]5.1.2數(shù)據(jù)存儲的實現(xiàn)在上文中得到的list字段中，包含了租房的具體數(shù)據(jù)，如名稱、城市、經(jīng)緯度、房型、租金、面積、所屬街道和小區(qū)等等。為此，需要創(chuàng)建房租信息的數(shù)據(jù)庫，用來存儲以上信息。數(shù)據(jù)庫的名稱設(shè)定為house_table，其包含的字段屬性及其含義如下表所示。表5-2數(shù)據(jù)表設(shè)計字段名稱字段類型說明idSTRING自增ID，主鍵house_titleSTRING名稱house_statusSTRING租賃狀態(tài)city_idSTRING城市max_monthly_rent_priceSTRING租金latitudeSTRING緯度longitudeSTRING經(jīng)度frame_bedroom_numSTRING臥室數(shù)量frame_kitchen_numSTRING廚房數(shù)量frame_hall_numSTRING客廳數(shù)量frame_bathroom_numSTRING衛(wèi)生間數(shù)量rent_areaSTRING面積house_layoutSTRING戶型hdic_resblock_nameSTRING小區(qū)名稱hdic_district_nameSTRING街道名稱在實際運行中根據(jù)傳入爬蟲的城市信息，爬取對應(yīng)的城市租房信息后創(chuàng)建數(shù)據(jù)表，將租房信息存儲到數(shù)據(jù)庫中。代碼5-3存儲房租數(shù)據(jù)代碼conn=sqlite3.connect('data/database.db')cursor=conn.cursor()cursor.execute('''CREATETABLEIFNOTEXISTShouse_table(idINTEGERPRIMARYKEYAUTOINCREMENT,house_titleSTRING,house_statusSTRING,city_idSTRING,max_monthly_rent_priceSTRING,latitudeSTRING,longitudeSTRING,frame_bedroom_numSTRING,frame_kitchen_numSTRING,frame_hall_numSTRING,frame_bathroom_numSTRING,rent_areaSTRING,house_layoutSTRING,hdic_resblock_nameSTRING,hdic_district_nameSTRING,list_pictureSTRING)''')city_code={'110000':'北京','120000':'天津','130100':'石家莊','140100':'太原','150100':'呼和浩特','210100':'沈陽','220100':'長春','230100':'哈爾濱','310000':'上海','320100':'南京','320500':'蘇州','330100':'杭州','330300':'溫州','410100':'鄭州','420100':'武漢','430100':'長沙','440100':'廣州','440300':'深圳','440400':'珠海','500000':'重慶','510100':'成都','520100':'貴陽','530100':'昆明','610100':'西安','620100':'蘭州'}forkey,valueincity_code.items():house_list=get_house_list(key,value)forhouseinhouse_list:cursor.execute('INSERTINTOhouse_table(house_title,house_status,city_id,max_monthly_rent_price,latitude,longitude,frame_bedroom_num,frame_kitchen_num,frame_hall_num,frame_bathroom_num,rent_area,house_layout,hdic_resblock_name,hdic_district_name,list_picture)VALUES(?,?,?,?,?,?,?,?,?,?,?,?,?,?,?)',(house['house_title'],house['house_status'],house['city_id'],str(house['max_monthly_rent_price']),house['latitude'],house['longitude'],house['frame_bedroom_num'],house['frame_kitchen_num'],house['frame_hall_num'],house['frame_bathroom_num'],str(house['rent_area']),house['house_layout'],house['hdic_resblock_name'],house['hdic_district_name'],house['list_picture']))time.sleep(0.1)mit()conn.close()在每爬取一次網(wǎng)頁之后，讓系統(tǒng)停頓了0.1秒，目的是防止過快的爬取速度觸發(fā)網(wǎng)站的反爬蟲機制。經(jīng)過以上的操作，各地的租房信息就存儲在了數(shù)據(jù)庫中，具體如下圖所示：圖5-2數(shù)據(jù)庫數(shù)據(jù)展示5.2數(shù)據(jù)展示的實現(xiàn)數(shù)據(jù)展示采用了Flask框架結(jié)合Echart數(shù)據(jù)可視化方案，并且集成了簡單的用戶登錄權(quán)限驗證功能。利用框架的模板繼承功能，為網(wǎng)站創(chuàng)建相應(yīng)的模塊展示頁面。頁面關(guān)系如下。圖5-3網(wǎng)頁關(guān)系base.html為基礎(chǔ)模板，只要實現(xiàn)菜單欄的功能，其他模板共享了該基礎(chǔ)模板，只需要實現(xiàn)各自需要的展示功能即可。菜單欄的效果如下圖所示：圖5-4導航欄效果5.2.1用戶登錄模塊用戶登錄模塊主要分為兩個部分：一、用戶登錄認證。渲染login.html模板，并返回給客戶端。用戶可以在其中輸入用戶名和密碼。用戶先輸入用戶和密碼，驗證通過后跳轉(zhuǎn)到主界面，否則提示用戶信息輸入有誤。用戶通過認證后，會向用戶session中寫入數(shù)據(jù)，方便以后訪問受限頁面時，對用戶身份進行驗證,其代碼如下:代碼5-4用戶登錄入口代碼@app.route('/login',methods=['POST','GET'])deflogin():ifrequest.method=='POST':username=request.form.get('username')password=request.form.get('password')ifusernameinusersandusers[username]['password']==password:session['username']=usernamereturnredirect('/')else:return'Invalidusernameorpassword.Pleasetryagain.'elifrequest.method=='GET':returnrender_template('login.html')這里的用戶名和密碼，沒有存儲到數(shù)據(jù)庫中，目的是為了實現(xiàn)方便，直接在代碼中進行驗證。目前有效的用戶名和對應(yīng)密碼為：表5-4用戶信息表序號用戶名密碼1user1password12user2password2功能實現(xiàn)后，頁面效果如下所示：圖5-5登錄頁面二．用戶權(quán)限的檢查。通過對session的檢查的方式來實現(xiàn)，如果該session存儲了特定字段，則表示用戶已經(jīng)登錄，并通過了檢驗,在后續(xù)的模塊中都有@login_required代碼調(diào)用，實現(xiàn)對用戶權(quán)限的檢查。代碼5-5用戶登錄權(quán)限檢查代碼deflogin_required(view_func):@wraps(view_func)defwrapper(*args,**kwargs):if'username'notinsession:returnredirect(url_for('login'))returnview_func(*args,**kwargs)returnwrapper@app.route('/logout')deflogout():session.pop('username',None)returnredirect(url_for('login'))5.2.2租房信息模塊在Flask中創(chuàng)建該模塊的入口，讀取sqlite數(shù)據(jù)庫中的數(shù)據(jù)，并根據(jù)取的內(nèi)容創(chuàng)建一個字典。每個字典代表一個房屋的信息，包含標題、城市ID、最大月租金、面積、經(jīng)緯度、戶型、小區(qū)名、區(qū)域名和圖片列表。并將數(shù)據(jù)以列表形式展現(xiàn)到頁面上，其對應(yīng)的網(wǎng)頁模板為index.html。代碼5-6租房信息展示代碼@app.route('/')@login_requireddefindex():table_name='house_table'column_name='*'where=''sql='select{column}from{table}'.format(table=table_name,column=column_name)conn=sqlite3.connect('data/database.db')cur=conn.cursor()result=cur.execute(sql)result_list=[]forrowinresult:data={'house_title':row[1],'city_id':row[3],'max_monthly_rent_price':row[4],'rent_area':row[11],'latitude':row[5],'longitude':row[6],'house_layout':row[12],'hdic_resblock_name':row[13],'hdic_district_name':row[14],'list_picture':row[15]}result_list.append(data)cur.close()conn.close()returnrender_template('index.html',datalist=result_list)入口函數(shù)中，同樣使用了@login_required作為注解。它的功能是在用戶訪問該接口時檢查用戶的身份，如果發(fā)現(xiàn)用戶沒有登錄，則會引導用戶跳轉(zhuǎn)到登錄界面進行用戶登錄操作，登錄成功后即可查看租房信息列表，本功能實現(xiàn)結(jié)果如下圖所示：圖5-6租房信息展示5.2.3面積與租賃價格關(guān)系模塊在Flask中創(chuàng)建該模塊的入口，在入口中，讀取數(shù)據(jù)庫中的數(shù)據(jù)，并將數(shù)據(jù)以Echarts散點圖的形式展現(xiàn)到頁面上；其對應(yīng)的網(wǎng)頁模板為area_vs_price.html。代碼5-7面積與價格數(shù)據(jù)獲取代碼@app.route('/area_vs_price')@login_requireddefarea_vs_price():conn=sqlite3.connect('data/database.db')cur=conn.cursor()sql='SELECTmax_monthly_rent_price,rent_areaFROMhouse_table'cur=conn.cursor()result=cur.execute(sql)data=[]forrowinresult:data.append([row[0],row[1]])cur.close()conn.close()returnrender_template('area_vs_price.html',chart_data1=data,chart_title='面積與租賃價格關(guān)系')Echarts的散點圖繪制通過設(shè)定options來實現(xiàn)，初始化echarts實例,并通過setOption方法生成散點圖[16]。代碼5-8面積與價格展示代碼varchartData={{chart_data1}}varbarChart=echarts.init(document.getElementById('chart_area'));varoptions={tooltip:{trigger:'axis',axisPointer:{type:'shadow'}},title:{text:{{chart_title|tojson|safe}}},xAxis:{type:'value',name:'價格(元)'},yAxis:{type:'value',name:'面積(平方米)'},series:[{data:chartData.filter(item=>(item[0]<10000)),type:'scatter'}]};barChart.setOption(options);最后頁面展示的效果圖如下所示：圖5-7面積與租賃價格關(guān)系效果圖5.2.4城市與租賃價格關(guān)系模塊在Flask中，創(chuàng)建該模塊的入口，在入口中，讀取數(shù)據(jù)庫中的數(shù)據(jù)，并將數(shù)據(jù)以Echarts柱狀圖的形式展現(xiàn)到頁面上，其對應(yīng)的網(wǎng)頁模板為city_vs_price.html。代碼5-9城市與租賃價格獲取代碼@app.route('/city_vs_price')@login_required@cache.cached(timeout=600)defcity_vs_price():conn=sqlite3.connect('data/database.db')cur=conn.cursor()sql='SELECTcity_id,AVG(max_monthly_rent_price)ASrentFROMhouse_tableGROUPBYcity_idORDERBYrentDESC'cur=conn.cursor()result=cur.execute(sql)labels=[]values=[]forrowinresult:labels.append(row[0])values.append(int(row[1]))cur.close()conn.close()chart_data={'cities':labels,'prices':values}returnrender_template('city_vs_price.html',chart_data=chart_data,chart_title='城市均價關(guān)系')Echarts的柱狀圖繪制通過設(shè)定options來實現(xiàn)。代碼5-10城市與價格展示代碼//從Flask后端獲取的數(shù)據(jù)varchartData={{chart_data|tojson|safe}};console.log(chartData)varpieChart=echarts.init(document.getElementById('chart_area1'));options={title:{text:{{chart_title|tojson|safe}}},xAxis:{type:'category',data:chartData.cities//['Mon','Tue','Wed','Thu','Fri','Sat','Sun']},yAxis:{type:'value'//name:'房價'},series:[{data:chartData.prices,type:'bar'}]};pieChart.setOption(options);最后頁面展示的效果圖如下所示。圖5-8城市租賃均價關(guān)系效果圖5.2.5房型分布模塊在Flask中，創(chuàng)建該模塊的入口，在入口中，讀取數(shù)據(jù)庫中的數(shù)據(jù)，并將數(shù)據(jù)以Echarts餅圖的形式展現(xiàn)到頁面上；其對應(yīng)的網(wǎng)頁模板為house_frame.html。代碼5-11房型分布數(shù)據(jù)獲取代碼@app.route('/house_frame')@login_required@cache.cached(timeout=600)defhouse_frame():conn=sqlite3.connect('data/database.db')cur=conn.cursor()sql='SELECThouse_layout,COUNT(house_layout)AScountFROMhouse_tableGROUPBYhouse_layout'cur=conn.cursor()result=cur.execute(sql)labels=[]values=[]forrowinresult:labels.append(row[0])values.append(row[1])cur.close()conn.close()chart_data={'labels':labels,'data':values}returnrender_template('house_frame.html',chart_data1=chart_data,chart_title='房型分布圖')Echarts的餅圖繪制通過設(shè)定options來實現(xiàn)。代碼5-12房型分布展示代碼//從Flask后端獲取的數(shù)據(jù)varchartData={{chart_data1|tojson|safe}};varpieChart=echarts.init(document.getElementById('chart_area1'));varoptions={title:{text:{{chart_title|tojson|safe}}},series:[{type:'pie',data:chartData.labels.map(function(label,index){return{name:label,value:chartData.data[index]};})}]};pieChart.setOption(options);最后頁面展示的效果圖如下所示：圖5-9房型分布效果圖5.2.6租賃價格分布模塊在Flask中，創(chuàng)建該模塊的入口，在入口中，讀取數(shù)據(jù)庫中的數(shù)據(jù)，并將數(shù)據(jù)以Echarts柱狀圖的形式展現(xiàn)到頁面上，其對應(yīng)的網(wǎng)頁模板為price.html。代碼5-13租賃價格獲取代碼@app.route('/price')@login_required@cache.cached(timeout=600)defprice():conn=sqlite3.connect('data/database.db')cursor=conn.cursor()sql='SELECTmax_monthly_rent_priceFROMhouse_table'result=cursor.execute(sql)price_ranges=[0,1000,2000,3000,4000,5000,6000,7000,8000,9000,float('inf')]house_prices=[]forrowinresult:house_prices.append(row[0])house_count_in_ranges=[0]*(len(price_ranges)-1)forpriceinhouse_prices:foriinrange(len(price_ranges)-1):#print(i)ifprice_ranges[i]<=price<price_ranges[i+1]:house_count_in_ranges[i]+=1breakcursor.close()conn.close()returnrender_template('price.html',price_ranges=price_ranges[:-1],house_count_in_ranges=house_count_in_ranges,chart_title='價格分布圖')在價格分段的展示過程中，以1000為一個單位來進行分割，把價格從1000，到9000，做了詳細的分段，以此來展示數(shù)據(jù)的分布情況。Echarts的柱狀圖繪制通過設(shè)定options來實現(xiàn)。代碼5-14租賃價格展示代碼varprice_ranges={{price_ranges|tojson|safe}};varhouse_count_in_ranges={{house_count_in_ranges|tojson|safe}};varchart_title={{chart_title|tojson|safe}};varbarChart=echarts.init(document.getElementById('chart_area1'));varoptions={title:{text:{{chart_title|tojson|safe}}},xAxis:{type:'category',data:price_ranges.map(range=>`${range}-${price_ranges[price_ranges.indexOf(range)+1]}`)},yAxis:{type:'value',name:'房屋數(shù)量'},series:[{data:house_count_in_ranges,type:'bar'}]};barChart.setOption(options);最后頁面展示的效果圖如下所示。圖5-10價格分布效果圖5.2.7租賃價格預測模塊本功能首先根據(jù)每個城市的租房面積和價格為指導，進行數(shù)據(jù)的推理。之后，根據(jù)用戶輸入的城市、租房面積來預測所租房屋的價格。實現(xiàn)本模塊通過三個步驟來完成：1.深度學習模型的構(gòu)建。在價格推理部分，使用了深度學習模型。該模型將房屋面積作為特征，價格作為標簽進行擬合。為了使模型達到一定的精確度，將數(shù)據(jù)訓練了10000次。在此模型中，選擇了面積為特征，輸入的特征數(shù)量為1，輸出也為1，沒有添加隱藏層，相當于進行了線性的擬合。預測模型代碼如下：代碼5-15預測模型代碼defpredict_next_value(features,rent_data,area):importtorchimporttorch.nnasnnimporttorch.optimasoptim#將數(shù)據(jù)轉(zhuǎn)換為PyTorch張量min_values=np.min(features,axis=0)max_values=np.max(features,axis=0)normalized_features=(features-min_values)/(max_values-min_values)features_tensor=torch.FloatTensor(normalized_features)rent_tensor=torch.FloatTensor(rent_data)#定義神經(jīng)網(wǎng)絡(luò)模型classHousePricePredictor(nn.Module):def__init__(self):super(HousePricePredictor,self).__init__()self.linear=nn.Linear(1,1)defforward(self,x):returnself.linear(x)#初始化模型model=HousePricePredictor()#定義損失函數(shù)和優(yōu)化器criterion=nn.MSELoss()optimizer=optim.SGD(model.parameters(),lr=0.001)#訓練模型epochs=10000forepochinrange(epochs):#前向傳播predictions=model(features_tensor)#計算損失loss=criterion(predictions,rent_tensor)#反向傳播和優(yōu)化optimizer.zero_grad()loss.backward()optimizer.step()#打印訓練過程中的損失if(epoch+1)%100==0:print(f'Epoch[{epoch+1}/{epochs}],Loss:{loss.item():.4f}')#測試模型test_area=area#[[75.0]]normalized_features=(test_area-min_values)/(max_values-min_values)normalized_features=torch.FloatTensor(normalized_features)predicted_rent=model(normalized_features).item()returnpredicted_rent2．租聘價格預測的輸入界面的完成。在Flask中創(chuàng)建該界面的入口，在此界面中，用戶可以選擇目的城市與相應(yīng)目的租房面積的選擇，其對應(yīng)的網(wǎng)頁模板為predict.html。代碼5-16租賃價格預測的輸入界面代碼@app.route('/price')@app.route('/predict')@login_required@cache.cached(timeout=600)defpredict():city_code={'110000':'北京','120000':'天津','130100':'石家莊','140100':'太原','150100':'呼和浩特','210100':'沈陽','220100':'長春','230100':'哈爾濱','310000':'上海','320100':'南京','320500':'蘇州','330100':'杭州','330300':'溫州','410100':'鄭州','420100':'武漢','430100':'長沙','440100':'廣州','440300':'深圳','440400':'珠海','500000':'重慶','510100':'成都','520100':'貴陽','530100':'昆明','610100':'西安','620100':'蘭州'}cities=[]forkey,valueincity_code.items():cities.append(value)returnrender_template('predict.html',city_list=city_code,chart_title='租賃價格預測')其最后頁面展示的效果圖如下所示：圖5-11租賃價格預測輸入效果圖3．前后端交互實現(xiàn)租金預測。租聘價格預測的輸入界面部分通過表單形式獲取用戶的輸入，然后向服務(wù)器提交需要查詢的用戶輸入數(shù)據(jù)到predict_result接口處，其主要實現(xiàn)如下代碼所示：代碼5-17前端用戶輸入數(shù)據(jù)獲取實現(xiàn)代碼<formmethod="POST"action="/predict_result"><labelfor="city">選擇城市：</label><selectid="city"name="city">{%forcode,cityincity_list.items()%}<optionvalue="{{city}}">{{city}}</option>{%endfor%}</select><labelfor="area_range">選擇面積區(qū)間：</label><inputtype="range"id="area_range"name="area_range"min="10"max="200"step="10"value="50"oninput="updateAreaValue()"><spanid="area_value">20</span><buttontype="submit">預測</button></form>接下來在Flask中創(chuàng)建predict_result的入口，在入口中，接收前端返回的用戶輸入數(shù)據(jù)并進行處理，使用深度學習網(wǎng)絡(luò)對處理后的數(shù)據(jù)進行學習，最后將推測的租賃價格顯示到網(wǎng)頁上，其對應(yīng)的網(wǎng)頁模板為predict_result.html，該部分代碼如下所示：代碼5-18租賃價格預測代碼@app.route('/predict_result',methods=['POST'])@login_requireddefpredict_result():print('openpredictresult')form_data=request.form#獲取特定字段的值city=form_data.get('city')area=form_data.get('area_range')conn=sqlite3.connect('data/database.db')city_id=citywhere='city_id="{city_id}"'.format(city_id=city_id)#sql='SELECTlongitude,latitude,rent_area,max_monthly_rent_priceFROMhouse_tableWHERE{where}'.format(where=where)sql='SELECTrent_area,max_monthly_rent_priceFROMhouse_tableWHERE{where}'.format(where=where)print(sql)cur=conn.cursor()cur.execute(sql)result=cur.fetchall()cur.close()conn.close()#將數(shù)據(jù)轉(zhuǎn)換為NumPy數(shù)組data=np.array(result)features=data[:,0].astype(float).reshape(-1,1)#房屋面積數(shù)據(jù)rent_data=data[:,1].astype(float).reshape(-1,1)price=predict_next_value(features,rent_data,int(area))print('predictedprice:'+str(price))returnrender_template('predict_result.html',city=city,area=area,price=int(price),chart_title='')最后頁面展示的預測結(jié)果效果圖如下所示：圖5-12租賃價格預測效果圖5.3本章小結(jié)本章首先對爬蟲的實現(xiàn)方法和流程進行了詳細說明。接著進行了詳細的數(shù)據(jù)存儲的實現(xiàn)。之后在用戶端，進行了登錄系統(tǒng)的實現(xiàn)，讓要進入各個功能模塊的用戶必須進行登錄操作。最后分別實現(xiàn)了數(shù)據(jù)展示系統(tǒng)中的租房信息列表模塊、面積與租賃價格關(guān)系模塊、城市與租賃價格關(guān)系模塊、房型分布模塊、租賃價格分布模塊、租賃價格預測模塊等等。OTS與/OPENDTP模型的集成6功能測試為了驗證系統(tǒng)的功能，需要對系統(tǒng)進行測試。租房信息獲取功能需要進行測試，確保爬蟲功能能夠成功從鏈家網(wǎng)站獲取租房信息，并將信息存儲到數(shù)據(jù)庫中。數(shù)據(jù)展示功能需要測試，確保Flask數(shù)據(jù)展示功能正常，能夠展示租房信息列表、面積與租賃價格關(guān)系、城市與租賃價格關(guān)系、房型分布、租賃價格分布和租賃價格預測等模塊。每個測試目標進行詳細記錄，包括通過的測試和未通過的測試，并提供相應(yīng)的測試用例。6.1爬蟲測試爬蟲是數(shù)據(jù)的來源，測試爬蟲，主要就是測試其將網(wǎng)絡(luò)數(shù)據(jù)整理后存儲數(shù)據(jù)庫。表6-1爬蟲測試用例測試編號輸入預期執(zhí)行結(jié)果測試結(jié)果001打開命令行窗口，啟動python虛擬環(huán)境，運行spider腳本成功將數(shù)據(jù)導入sqlite數(shù)據(jù)庫符合預期效果6.2用戶登錄測試登錄模塊需要用戶登錄并驗證用戶的身份。表6-2用戶登錄測試用例測試編號輸入預期執(zhí)行結(jié)果測試結(jié)果