地价预测模型python后端接口

nlp_tools/jupyter/住宅用地

@@ -1,3 +1,3 @@
-人口密度（人/平方千米）,空气质量达标天数
-空气优良天数,住宅销售面积（万平方米）
-实际为房地产销售面积,年末户籍人口（万人）,地方一般公共预算支出（亿元）,第一产业占比,第三产业占比,教育支出（亿元）,年末常住人口（万人）,社会消费品零售总额（亿元）,行政区域土地面积（平方千米）,地区生产总值（亿元）,房地产开发投资完成额,科学技术支出（亿元）,人均地区生产总值（按常住人口）（万元）,地方一般公共预算收入（亿元）,第二产业占比
+浜哄彛瀵嗗害锛堜汉/骞虫柟鍗冪背锛�,绌烘皵璐ㄩ噺杈炬爣澶╂暟
+绌烘皵浼樿壇澶╂暟,浣忓畢閿€鍞�潰绉�紙涓囧钩鏂圭背锛�
+瀹為檯涓烘埧鍦颁骇閿€鍞�潰绉�,骞存湯鎴风睄浜哄彛锛堜竾浜猴級,鍦版柟涓€鑸�叕鍏遍�绠楁敮鍑猴紙浜垮厓锛�,绗�竴浜т笟鍗犳瘮,绗�笁浜т笟鍗犳瘮,鏁欒偛鏀�嚭锛堜嚎鍏冿級,骞存湯甯镐綇浜哄彛锛堜竾浜猴級,绀句細娑堣垂鍝侀浂鍞�€婚�锛堜嚎鍏冿級,琛屾斂鍖哄煙鍦熷湴闈㈢Н锛堝钩鏂瑰崈绫筹級,鍦板尯鐢熶骇鎬诲€硷紙浜垮厓锛�,鎴垮湴浜у紑鍙戞姇璧勫畬鎴愰�,绉戝�鎶€鏈�敮鍑猴紙浜垮厓锛�,浜哄潎鍦板尯鐢熶骇鎬诲€硷紙鎸夊父浣忎汉鍙ｏ級锛堜竾鍏冿級,鍦版柟涓€鑸�叕鍏遍�绠楁敹鍏ワ紙浜垮厓锛�,绗�簩浜т笟鍗犳瘮

nlp_tools/jupyter/其他用地

@@ -1 +1 @@
-科学技术支出（亿元）
+绉戝�鎶€鏈�敮鍑猴紙浜垮厓锛�

nlp_tools/jupyter/商服用地

@@ -1,3 +1,3 @@
-住宅销售面积（万平方米）
-实际为房地产销售面积,第三产业占比,地方一般公共预算收入（亿元）,年末常住人口（万人）,房地产开发投资完成额,地方一般公共预算支出（亿元）,第二产业占比,第一产业占比,年末户籍人口（万人）,社会消费品零售总额（亿元）,空气质量达标天数
-空气优良天数,教育支出（亿元）,人口密度（人/平方千米）,人均地区生产总值（按常住人口）（万元）,地区生产总值（亿元）,行政区域土地面积（平方千米）,科学技术支出（亿元）
+浣忓畢閿€鍞�潰绉�紙涓囧钩鏂圭背锛�
+瀹為檯涓烘埧鍦颁骇閿€鍞�潰绉�,绗�笁浜т笟鍗犳瘮,鍦版柟涓€鑸�叕鍏遍�绠楁敹鍏ワ紙浜垮厓锛�,骞存湯甯镐綇浜哄彛锛堜竾浜猴級,鎴垮湴浜у紑鍙戞姇璧勫畬鎴愰�,鍦版柟涓€鑸�叕鍏遍�绠楁敮鍑猴紙浜垮厓锛�,绗�簩浜т笟鍗犳瘮,绗�竴浜т笟鍗犳瘮,骞存湯鎴风睄浜哄彛锛堜竾浜猴級,绀句細娑堣垂鍝侀浂鍞�€婚�锛堜嚎鍏冿級,绌烘皵璐ㄩ噺杈炬爣澶╂暟
+绌烘皵浼樿壇澶╂暟,鏁欒偛鏀�嚭锛堜嚎鍏冿級,浜哄彛瀵嗗害锛堜汉/骞虫柟鍗冪背锛�,浜哄潎鍦板尯鐢熶骇鎬诲€硷紙鎸夊父浣忎汉鍙ｏ級锛堜竾鍏冿級,鍦板尯鐢熶骇鎬诲€硷紙浜垮厓锛�,琛屾斂鍖哄煙鍦熷湴闈㈢Н锛堝钩鏂瑰崈绫筹級,绉戝�鎶€鏈�敮鍑猴紙浜垮厓锛�

nlp_tools/jupyter/工业用地

@@ -1,2 +1,2 @@
-人均地区生产总值（按常住人口）（万元）,住宅销售面积（万平方米）
-实际为房地产销售面积,人口密度（人/平方千米）,行政区域土地面积（平方千米）,第三产业占比,社会消费品零售总额（亿元）,地区生产总值（亿元）,年末常住人口（万人）,地方一般公共预算收入（亿元）,房地产开发投资完成额,第二产业占比,第一产业占比,教育支出（亿元）
+浜哄潎鍦板尯鐢熶骇鎬诲€硷紙鎸夊父浣忎汉鍙ｏ級锛堜竾鍏冿級,浣忓畢閿€鍞�潰绉�紙涓囧钩鏂圭背锛�
+瀹為檯涓烘埧鍦颁骇閿€鍞�潰绉�,浜哄彛瀵嗗害锛堜汉/骞虫柟鍗冪背锛�,琛屾斂鍖哄煙鍦熷湴闈㈢Н锛堝钩鏂瑰崈绫筹級,绗�笁浜т笟鍗犳瘮,绀句細娑堣垂鍝侀浂鍞�€婚�锛堜嚎鍏冿級,鍦板尯鐢熶骇鎬诲€硷紙浜垮厓锛�,骞存湯甯镐綇浜哄彛锛堜竾浜猴級,鍦版柟涓€鑸�叕鍏遍�绠楁敹鍏ワ紙浜垮厓锛�,鎴垮湴浜у紑鍙戞姇璧勫畬鎴愰�,绗�簩浜т笟鍗犳瘮,绗�竴浜т笟鍗犳瘮,鏁欒偛鏀�嚭锛堜嚎鍏冿級

nlp_tools/main.py

@@ -13,4 +13,4 @@ async def predict_land_price(city_name: str = "", year: int = -1, land_type: str
 
 
 if __name__ == '__main__':
-    uvicorn.run(app, **{'host': '0.0.0.0', 'port': 8000, 'log_level': 'info'})
+    uvicorn.run(app, **{'host': '0.0.0.0', 'port': 8516, 'log_level': 'info'})

nlp_tools/pipeline.py

@@ -16,7 +16,7 @@ def pipeline(city_name, year, land_type, policy_factors):
     land_type_list = ["工业用地（万元/㎡）", "住宅用地（万元/㎡）", "商服用地（万元/㎡）", "其他用地（万元/㎡）"]
     land_type2feature_list = {}
     for sample_land in land_type_list:
-        with open(f"jupyter/{sample_land.split('（')[0]}", "r") as f:
+        with open(f"jupyter/{sample_land.split('（')[0]}", "r", encoding="utf-8") as f:
             land_type2feature_list[sample_land] = f.read().split(",")
 
     # --------------------------------  1. 读取历年土地基本信息 --------------------
@@ -37,8 +37,6 @@ def pipeline(city_name, year, land_type, policy_factors):
                   _[0] == city_name and _[1] in ["2022", "2023"]]
         y_data = list(reversed(y_data))
         x_data = list(reversed(x_data))
-        print('x_data;y_data')
-        print(x_data, y_data)
         model = LinearRegression()
         model.fit(x_data, y_data)
         pred_feature = model.predict([[year]])