CN103578057A

CN103578057A - 基于人工神经网络统计学模型的房地产价值估算方法

Info

Publication number: CN103578057A
Application number: CN201210283427.8A
Authority: CN
Inventors: 莫丽娟; 李燕宁; 吴骞
Original assignee: BEIJING AOQI URBAN NETWORK TECHNOLOGY Co Ltd
Current assignee: BEIJING AOQI URBAN NETWORK TECHNOLOGY Co Ltd
Priority date: 2012-08-10
Filing date: 2012-08-10
Publication date: 2014-02-12

Abstract

本发明公开了一种基于统计学模型和地图周边资源影响因素的房地产价格估算方法。本发明采用人工神经网络统计学模型，以房产的当前成交均价为基价，通过调整影响房价的基本因子和调整因子的权重，搭建一个包含输入层，中间隐藏层和输出层的房价估算神经网络模型。输入层为房产的成交均价以及各种影响因素，中间隐藏层的结构是本发明的核心内容，输出层是该物业的估算价格。本发明使得房地产价格的估值不再是基于估价师们经验的一种黑箱操作，而是成为大众可以公开使用的一种资源，并且将各种环境因素和影响因子对于房价的影响更直观的图形化显示出来，使得大众对于房价的估算构成有了更清楚明晰的了解。本发明的流程图如附图所示。

Description

基于人工神经网络统计学模型的房地产价值估算方法

技术领域

本发明涉及一种房产的估价方法，尤其是能够基于周边环境和资源的房产估价方法。

技术背景

目前的房产估价采用的是基于估价师经验的市场估值方法，采用历史成交价格作为估价的基准，通过因素调整修正估价。因素调整过程中存在许多不确定因素，主要体现在调整因子的取值和加权取决于估价师的经验，容易造成不同估价师的估价不统一。

发明内容

为了解决现有房产估价中存在的估价标准不统一，估价结果不标准，估价模型不科学的问题，本发明提供一种基于统计学模型的科学房产估价方法，使得房产估价不在是估价师的主观判断，而成为大众可以掌握的一种资源。

本方法所采用的技术方案是：采用神经网络统计学模型为房产估值的基本模型，模型选用的参数包括基本因子和调整因子。基本因子是物业价格的基础决定因素，包括：土地取得费用、前期工程费、配套费、建筑安装工程费、管理费、销售费、税费、利息和利润等。对于二手房产，这些因子反映的是物业建成之时的数值，对当前市场价格存在参考价值极其有限，所以我们可以采用该物业当前的市场价格或者类似物业的市场价格作为一个参数。调整因子是物业价格的环境调整因素，包括：

周边资源因素：医疗，交通，超市，邮局，餐饮，学校，公园，小区配套

环境因素：水质，空气质量，噪音，景观情况，厌恶因素等

物业属性：楼层，朝向，建筑类型，装修情况，房龄，自有车位，装修年限，采光通风，小区绿化率，电梯，物业，土地使用年限。

采用数据挖掘和机器学习的方法，挑选对于房产价格影响最大的因子，并且通过让神经网络模型根据实际的测试数据这样一个学习的过程来调整不同影响因子的权重，建立最终的估价模型。

房产估值的人工神经网络模型的构成包括输入层，输出层和隐藏层。输入层的数据就是影响房价的各种影响因子，输出层就是我们的估价结果。中间的隐藏层以及输入输出层与隐藏层之间的网络结构和影响系数是我们算法的核心，通过大量的数据不断训练而完善。我们现在仍然在采集新的数据继续训练我们的模型，使其日渐完善和准确。数据采集的原则是尽可能采集大量有差异化，涵盖各种可能性的数据，以提高我们的模型的预测能力。

本方法使得房产估价的标准更加统一，估价结果更加准确，也使得估价成为一种大众资源，不再是少数估价师掌握的资源。

附图说明

图1房地产估价的人工神经网络模型

图2房地产估价模型流程图

图3应用到网络上的房地产估价报告

图4应用到网络上的房产估价在地图页上的显示

具体实施方法

1、设计房价估值的人工神经网络模型构成，包括输入层，输出层，中间层，以及中间层节点数量的决定。

2、输入层为房产的成交均价，以及影响房价的各种因素，包括基本因子和调整因子。基本因子是物业价格的基础决定因素，包括：土地取得费用、前期工程费、配套费、建筑安装工程费、管理费、销售费、税费、利息和利润等。对于二手房产，这些因子反映的是物业建成之时的数值，对当前市场价格存在参考价值极其有限，所以我们可以采用该物业当前的市场价格或者类似物业的市场价格作为一个参数。调整因子是物业价格的环境调整因素，包括：周边资源因素：医疗，交通，超市，邮局，餐饮，学校，公园，小区配套；环境因素：水质，空气质量，噪音，景观情况，厌恶因素等；物业属性：楼层，朝向，建筑类型，装修情况，房龄，自有车位，装修年限，采光通风，小区绿化率，电梯，物业，土地使用年限。

3、输出层为房产的估价，该房产的可居住性综合指数购居指数，以及反映各项周边资源的分指数，包括环境指数，交通指数，医疗指数和教育指数。这些指数和房产估价一起构成了该房产的完整评估报告。

4、数据的获取和分类，为了保证数据的普遍和广泛性，我们的数据来自各个不同来源，包括地产开发商数据，公众信息网站数据，房产交易局数据，房屋租售中介的数据，我们使用其中5000套数据作为训练数据来训练我们的统计学估价模型。另用5000套数据作为测试数据来测试模型的准确性。数据点的获取原则是尽量分散，多来源，代表不同类型的房源。

5、统计模型的训练，使用训练数据调整我们的统计学模型，主要是输入层与中间层，以及中间层与输出层之间影响权重的调整。当模型的置信区间在90％以上，就可以停止训练，此时训练得到的模型就用作我们最终的估价模型。

6、将我们的估价方法植入我们的网站并成为大众可以使用的估价工具。

Claims

1.基于统计模型的房地产估价方法，其特征在于采用神经网络统计学模型为房产估值的基本模型，模型选用的参数包括基本因子和调整因子，采用数据挖掘和机器学习的方法，挑选对于房产价格影响最大的因子，并且通过让神经网络模型根据实际的测试数据这样一个学习的过程来调整不同影响因子的权重，建立最终的估价模型。此方法结合了现有的市场估价法，并综合考虑了诸如教育，交通，环境，医疗等资源对于房产价格的综合影响，通过人工神经网络统计模型建模。此统计学房地产估价方法包括以下几个模块：

(1)模型搭建模块，房产估值的人工神经网络模型的构成包括输入层，输出层和隐藏层。输入层的数据就是影响房价的各种影响因子，输出层就是我们的估价结果。中间的隐藏层以及输入输出层与隐藏层之间的网络结构和影响系数是我们算法的核心，通过大量的数据不断训练而完善。

(2)学习模块，我们采集了5000套房产数据，作为学习数据集，数据采集的原则是尽可能采集大量有差异化，涵盖各种可能性的数据，为了保证数据的普遍和广泛性，我们的数据来自各个不同来源，包括地产开发商数据，公众信息网站数据，房产交易局数据，房屋租售中介的数据，数据点的获取原则是尽量分散，多来源，代表不同类型的房源。

(3)测试模块，我们用5000套房产数据作为测试数据集训练神经网络模型，主要是输入层与中间层，以及中间层与输出层之间影响权重的调整。当模型的置信区间在90％以上，就可以停止训练，此时训练得到的模型就用作我们最终的估价模型。

(4)应用模块，将此基于统计模型的房地产估价方法应用到我们的网络和移动客户端，给出相应房产的估算价格，做为用户置业的参数。

2.根据权利要求1所述的基于统计模型的房地产估价方法，其特征在于：

在模型建立模块中：我们建立了一个包括输入层，中间隐藏层和输出层的人工神经网络模型。输入层为房产的成交均价，以及影响房价的各种因素，包括基本因子和调整因子。中间隐藏层代表了输入因子之间的相互关系和作用以及与房价之间的影响关系。输出层为房产的估价。

3.根据权利要求1所述的基于统计模型的房地产估价方法，其特征在于：

在学习模块中：我们采集了5000套房产数据作为学习数据集。每一套数据包括房产当前成交均价和影响房价的相关因子，诸如周边资源医疗，交通，超市，学校，环境因素水质，空气质量，物业属性楼层，朝向，装修情况等。使用训练数据调整我们的统计学模型，主要是输入层与中间层，以及中间层与输出层之间影响权重的调整。当模型的置信区间在90％以上，就可以停止训练，此时训练得到的模型就用作我们最终的估价模型。

4.根据权利要求1所述的基于统计模型的房地产估价方法，其特征在于：

在测试模块中：为了保证数据的普遍和广泛性，我们的数据来自各个不同来源，包括地产开发商数据，公众信息网站数据，房产交易局数据，房屋租售中介的数据，我们使用5000套数据作为测试数据来测试模型的准确性。数据点的获取原则是尽量分散，多来源，代表不同类型的房源。

5.根据权利要求1所述的基于统计模型的房地产估价方法，其特征在于：

在应用模块中：将我们的估价方法植入我们的网站并成为大众可以使用的估价工具。