CN107230113A - 一种多模型融合的房产评估方法 - Google Patents
一种多模型融合的房产评估方法 Download PDFInfo
- Publication number
- CN107230113A CN107230113A CN201710645808.9A CN201710645808A CN107230113A CN 107230113 A CN107230113 A CN 107230113A CN 201710645808 A CN201710645808 A CN 201710645808A CN 107230113 A CN107230113 A CN 107230113A
- Authority
- CN
- China
- Prior art keywords
- house property
- house
- factor
- formula
- estimated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Abstract
本发明提供一种多模型融合的房产评估方法包括以下步骤:确定房产价格影响因子;依据确定的房产价格影响因子来构建房产交易案例数据库;通过待估房产获取其相关区域房产交易案例;筛选房产数据,获得可比交易案例;量化房价影响因子并分别计算出房价影响因子权重;采用集对分析模型、VIKOR模型、模糊数学模型、神经网络模型分别计算相关参数;修正房产交易案例时间,并估算出待估房产价格。本发明采用空间信息技术,建立了房产数据库,以此为基础,构建房产估价因子的精准量化方法及多种数学模型融合的房产价格批量评估模式,克服了传统单模型估价方法中价格影响因子主观性及估价模型单一性的问题。
Description
技术领域
本发明涉及一种多模型融合的房产评估方法。
背景技术
房产估价中市场比较法是参照于估价时点近期类似房地产的实际成交价格来评定待估房地产价格的一种估价方法,目前已发展成房地产估价的首选方法。但是在估价的应用实践中它存在:(1)对交易案例缺乏有效管理和共享机制,交易案例准确性无法保证;(2)可比交易案例选取往往凭借估价人员经验,缺乏严密的科学论证;(3)估价人员在案例修正过程中,尤其是区域因素和个别因素修正时,对大量空间数据的分析处理只能凭借经验,缺乏相关技术支持等问题。其相应的改进方法虽然是目前房产估价行业的主要技术手段,但由于市场比较法对可比案例选择较为苛刻,估价过程中仍然无法从根本上消除人为主观因素的影响,在批量评估方面具有一定局限性,且在一定程度上易滋生腐败。此外在特征价格理论基础上发展而来的线性估价模型方法由于影响房产价格因素众多,线性估价方法极易产生共线性,易造成估价误差。
发明内容
本发明的目的在于提供一种科学有效的能够对房产进行批量评估的多模型融合的房产评估方法,采用空间信息技术,建立了房产数据库,以此为基础,构建房产估价因子的精准量化方法及多种数学模型融合的房产价格批量评估模式,克服了传统单模型估价方法中价格影响因子主观性及估价模型单一性的问题。
本发明的技术方案:一种多模型融合的房产评估方法,包含以下步骤:
步骤一:确定房产价格影响因子;
步骤二:依据确定的房产价格影响因子来构建房产交易案例数据库;
步骤三:通过待估房产获取其相关区域房产交易案例;
步骤四:筛选房产数据,获得可比交易案例;
步骤五:量化房产价格影响因子并分别计算出房产价格影响因子权重;
步骤六:采用集对分析模型、VIKOR模型、模糊数学模型、神经网络模型分别计算相关参数;
步骤七:修正房产交易案例时间,并估算出待估房产价格。
所述步骤一中,房产价格影响因子包括到CBD距离、交通便捷度、教育配套、文体设施、生活配套、自然环境、建筑物设施设备、成新率、户型、朝向、楼层、小区环境、物业管理、通风采光、装修情况15个因子。
所述步骤二中,首先,采用基于GIS技术,将相关房产交易案例的地理位置在矢量地图上刺点来保存地理位置信息,且将房产相应的属性信息保存在地理数据库中的属性数据库中并且与该地图上的刺点关联实现了房产数据的可视化,其中,房产相应的属性信息不仅包括15个房产价格影响因子,还包括面积、房产类型、房产建筑结构;然后,选择房产交易案例中的15个房产价格影响因子对其进行分析,如有相同案例则直接录入到房产交易案例数据库中,否则通过折算单价,专家通过单价偏离度判断该案例是否能够录入,若能录入则保存在房产交易案例数据库中,否则删除该房产交易案例;最后,形成房产交易案例数据库。
所述步骤三中,以待估房产为原点,选择一定距离为半径做缓冲区分析,该缓冲区内的房产交易案例作为步骤四中进行筛选的房产数据源。
所述步骤四中,对步骤三缓冲区分析后获得的房产交易案例,筛选出与待估房产类型、建筑结构相同的房产,即可获得可比交易案例。
所述步骤五中,对房产面积、朝向、户型、成新率、所在楼层、建筑物设施设备、小区环境、物业管理、通风采光、装修、自然环境采用直接量化方法,以上各项量化均根据房产实际情况得出量化值;对生活配套、文体设施、教育配套、交通便捷度等采用GIS缓冲区分析的方法,在房产所在周围建立起缓冲带,分析出缓冲带内符合要求的项目数量,再根据该数值量化得出对应量化值;对离市中心CBD的距离则采用GIS的网络分析方法,在地图上多条道路中选取到市中心的最近道路,获取该道路的距离,根据该距离来得出量化值。
所述步骤五中,在量化出15个房产价格影响因子后,分别计算15个房产价格影响因子的权重,该权重计算方法采用熵权法,具体计算过程如下:
a)构建N个可比交易案例的15个房价影响因子量化得分矩阵Aj,如式(1):
式中,Yi(i=1,2,……,N)表示第i个可比交易案例;Xj(j=1,2,……,15)表示第j个房产价格影响因子。
b)计算第i个可比交易案例下的第j个房价影响因子的比重Pij,如式(2):
c)计算第j个房价影响因子的熵值Ej,如式(3):
d)计算第j个影响因子指标的熵权Wj,如式(4):
e)对15个影响因子求权重,并进行归一化,得到P1、P2、……、P15对应的权重向量如式(5):
W=(W1,W2,……,W15) (5)
所述步骤六中,计算出集对分析中的相关参数,具体如下:
a)计算联系度,设待估房产为C,将待估房产C的第i个房价影响因量化值记为bi,联系度表达式,如式(6):
式中:uij(w)为第j个可比交易案例与待估房产C构成的集合中第i个房价影响因子的联系度;
b)平均加权联系度,根据(5)式计算的房产各影响因子的权重w,可计算第j个可比交易案例与待估房产C构成的集合的平均加权联系度为uj(w),如式(7):
c)同异反距离ρj,及计算表达式如式(8):
所述步骤六中,计算出VIKOR模型中的相关参数,具体如下:
a)计算房价影响因子正负理想解:
首先,对矩阵(1)进行标准化表达(9)处理,获得标准化评价矩阵,
fij=pi,j/Maxi(pi,j) (9)
然后,根据各可比房产交易案例和待估房产的标准化评价矩阵,计算出各个房产特征因子的正理想解和负理想解,如式(10)、式(11):
fi *=(Maxifij) (10)
fi -=(Minifij) (11)
其中,fij为第i处交易案例或待估房产的第j个房价影响因子的标准化变量;fi *和fi -分别为第j个房价影响因子的正负理想解和负理想解;
b)计算房产加权海明距离Si和加权切比雪夫距离Ri值,如式(12)、式(13):
c)计算房产利益比率Q值,如式(14):
其中,S*=MiniSi,表示群体效用最大的解,它表示的是多数决策规则;S-=MaxiSi;R*=MiniRi表示将反对者的个人遗憾最小化的解;R-=MaxiRi,v为最大化群体效用决策机制系数,v取0.5,体现VIKOR模型的折中思想,同时考虑最大化群体效用和最小化个别遗憾,得到相互妥协的结果;
d)排序并插值:
在计算出利益比率Q值后,对房产交易案例和待估房产间组成的评价对象排序,排序结果受可接受的优势阈值条件和可接受的决策可靠性条件约束,约束条件如下:
条件1:对值进行排序时,要满足可接受的优势阈值,保证评价对象之间的显著性强。即Qm-Qn≥1/(J-1),(m>n),其中Qm、Qn表示对评价对象的Qi值排序后排序第m、n位利益比率Q值,J表示所有评价对象个数。该条件满足时,才能确定排序第m的评价对象显著高于排序第n的评价对象;
条件2:对Qi值进行排序时,要满足可接受的评价结果可靠性条件,保证评价结果更加可靠。也就是评价对象排序第m的Si值须同时大于排序第n的评价对象Si值,即Sm>Sn,或评价对象排序第m的Ri值须同时大于排序第n的Ri值,即Rm>Rn;
用Tk表示排序第k位评价对象,若上述两个条件同时成立,则可以根据Qi值的大小直接对各评价对象进行排序从小到大排序,得到全排序结果。若相邻两个评价对象的排序不符合条件1,只符合条件2,此时采用灰色关联分析方法对VIKOR方法改进,通过灰色关联度的计算对评价对象进行全排序。即通过式(15)计算灰色关联度:
其中,ε为分辨系数,通常取0.5。T1,T2,……,TK,对应X1,X2,……,Xk作为灰色系统的k个因素。S=1,2,……,k为XS行为指标序列,参考数据列X0,则选择比较数据列各指标的最小值。运用VIKOR法与灰色关联分析方法对房产评价对象排序,得到全排序结果为:p(1)≥…≥p(k)≥…≥p(m),p(k)表示房产评价对象全排序后序位为第k位。
所述步骤六中,计算出模糊数学模型中的相关参数,具体如下:
a)构建隶属度函数,为计算方便,本方法假设有一个理想房产,它的每个特征变量对应最佳值,而待估房产与初选交易案例分别与这个理想房产做比较,求其隶属于理想房产的程度,本方法建立其隶属函数如下:
利用式(16)隶属函数,可以求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度,通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例。
所述步骤六中,计算出模神经网络模型中的相关参数,具体如下:
a)训练网络
首先,神经网络模型直接从步骤二中构建的房产交易案例数据库提取出房产交易案例;对其构建出一个J*15的矩阵,作为输入矩阵Z,如式(17):
其中YJ表示第J个交易案例即神经网络的第J个输入,表示第I个影响因子的量化值,一个输入矩阵Z对应一个输出矩阵T,T是有每个房产交易案例对应的交易价格组成的矩阵;然后开始训练网络,输入值的传播过程中隐含层第i个节点的输入值为enti,根据网络初始化的权值和阈值可以计算出隐含层的输入值如下式(18):
根据相关文献激活函数选择Sigmoid函数如下式(19):
根据隐含层激活函数可以利用输入值和输入层与隐含层的连接权值可以计算出隐含层第i个节点的输出yi以及输出层第k个节点的输入entk;
输出层第k个节点的输入entk;
输出层第k个节点的输出Ok;
其中xj表示输入层第j个节点的输入,j=1,…,M;wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激活函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激活函数;Ok表示输出层第k个节点的输出;
b)训练网络误差
误差函数为(其中m为输出节点个数,J为训练样本个数),根据误差公式可以计算出训练误差如式下式(23):
Ek=Ok(1-Ok)(Tk-Ok) (23)
判断训练误差是否小于设置的期望误差(ε),若满足则结束训练若不满足则重复网络训练及计算训练网络误差。
所述步骤七中,采用集对分析进行房产价格估价时,则待估房产C的价格P可由时间修正后价格Pj与同异反距离ρj表示,如式(24):
所述步骤七中,采用VIKOR模型进行房产价格估价时,则依据房产评价对象的全排序进行插值计算待估房产价格,具体方法如下:根据房产评价对象全排序结果,首先确定待估房产位置和周围两项交易案例,若设待估房产位置为p(k),则其周围两项交易案例为p(k+1)和p(k-1),然后据此分别找到两项交易案例的利益比例Qk+1、Qk-1和交易价格P'k+1、P'k-1。待估房产价Pk'计算如式(25)。
所述步骤七中,采用神经网络模型进行房产价格估价时,利用训练的神经网络模型,若输入层是15个房产价格影响因素量化值,隐含层设置为8层则可以确定房产的待估价格可以用公式表示如下式(26):
其中w为网络各层之间的权值,θi表示隐含层第i个节点的阈值,a1表示输出层第1个节点的阈值,它们均有网络训练得出,本模型参考文献给出的经验公式:
式中NH为隐含层的理论最佳数目,Ni为输入层节点数,N0位输出层节点数,NP为训练样本数,由上式可以确定一个理论上的最佳隐含节点数,也可以根据实际情况对其进行调整以达到BP神经网络的最优化,以确保模型估价精度。
所述步骤七中,采用模糊数学模型进行房产价格估价时,利用上述隶属函数,求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度,通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例,本模型采用加权海明距离计算相似程度,如式(28)所示。
式中,A、B表示房产集合;U表示房产价格影响因子集合;u表示价格影响因子;wi表示权重,根据距离大小求出与待估房产最相似的交易案例,从而确定可比交易案例,一般来说,可比交易案例选取3—5个为宜,然后对可比交易案例进行时间修正;计算各特征因素隶属度和对应权重的乘积之和,用该乘积比上待估房产的各特征因素权重和对应的隶属度乘积之和,得到一个比值,这个比值就是该交易案例的区域个别因素的修正系数,最后利用得到的校正系数求出待估房产价格。
在本发明中,将决定房产价格的各因素的量化值作为输入信息,将房产实际售价作为期望结果输出,当实际输出与期望输出存在误差时,神经网络通过误差回传机制对中间层的各参数进行调整,直到实际输出与期望输出一致,这样经过大量的输入与输出的训练可以得出房产价格与其影响因素之间的关系模型,从而实现对待估价房产进行估价操作。
本发明构建了房产交易案例入库审查及房产价格因子的GIS量化方法,采用GIS技术,将4种房产评估模型融为一体,能够相互补充,提高估价效率和准确性,具体技术效果如下:(1)对交易案例有效管理和实现共享机制,保证交易案例准确性;(2)可比交易案例选取依靠GIS技术手段,利用GIS技术设置市场案例筛选与入库机制,提高案例可比性,GIS技术手段不仅具有高效的数据处理与管理能力,还具有良好的数据可视化能力;(3)房产属性的量化建立在大量数据的分析与应用之上消除人为主观因素实现量化的准确性与可靠性;(4)采用非线性拟合估价法,消除一般线性估价模型的共线性问题,得出更加贴近实际的房产特征与价格之间的关系模型,使估价更加准确可靠;(5)四种不同的方法进行估价操作,得出更具参考意义的价格方案,针对房产价格从不同的侧重点评价其价格,考虑因素更加全面。
附图说明
图1是本发明的结构流程图。
图2是本发明的构建房产交易数据库审查流程图。
图3是本发明的系统主界面。
图4是本发明的估价界面。
具体实施方式
结合附图,详细介绍本发明的内容:
本方法提出了一种多模型融合的房产价格评估方法,该方法主要包含以下步骤:
步骤一:确定房产价格影响因子;
步骤二:依据确定的房产价格影响因子来构建房产交易案例数据库;
步骤三:通过待估房产获取其相关区域房产交易案例;
步骤四:筛选房产数据,获得可比交易案例;
步骤五:量化房价影响因子并分别计算出房价影响因子权重;
步骤六:采用集对分析模型、VIKOR模型、模糊数学模型、神经网络模型分别计算相关参数;
步骤七:修正房产交易案例时间,并估算出待估房产价格。该专利流程见图1。
所述步骤一中,根据特征价格理论认为房产的价格跟房产的自身条件(特征)存在一定的关系,可以从其特征来估测房产的价格,综合考虑影像房产价格的有到CBD距离、交通便捷度、教育配套、文体设施、生活配套、自然环境、建筑物设施设备、成新率、户型、朝向、楼层、小区环境、物业管理、通风采光、装修情况15个因子。
所述步骤二中,采用基于GIS技术,将相关房产交易案例的地理位置在矢量地图上刺点来保存地理位置信息,且将房产相应的属性信息保存在地理数据库中的属性数据库中并且与该地图上的刺点关联实现了房产数据的可视化。其中,房产相应的属性信息不仅包括15个房价影响因子,还包括面积、房产类型、房产建筑结构等属性。然后选择房产交易案例中的15个房价影响因子对其进行分析,如有相同案例则直接录入到房产交易案例数据库中,否则通过折算单价,专家通过单价偏离度判断该案例是否能够录入,若能录入则保存在房产交易案例数据库中,否则删除该房产交易案例。该房产交易案例数据库构建见图2。
所述步骤三中,以待估房产为原点,选择一定距离为半径做缓冲区分析,该缓冲区内的房产交易案例为步骤四中进行筛选的房产数据源。
所述步骤四中,对步骤三缓冲分析后获得的房产交易案例,筛选出与待估房产类型、建筑结构形同的房产,即可获得可比交易案例。
所述步骤五中,根据量化方法表1所提供的准则,对房产面积、朝向、户型、成新率、所在楼层、建筑物设施设备、小区环境、物业管理、通风采光、装修、自然环境等因子采用直接量化方法,以上各项量化均根据房产实际情况得出量化值;对生活配套、文体设施、教育配套、交通便捷度等采用GIS缓冲区分析的方法,在房产所在周围建立起缓冲带,分析出缓冲带内符合要求的项目数量,再根据该数值量化得出对应量化值;对离市中心CBD的距离则采用GIS的网络分析方法,在地图上多条道路中选取到市中心的最近道路,获取该道路的距离,根据该距离来得出量化值。对不同的因子采用不同的量化方法,使得量化结果更准确,保障了模型的精度。量化出15个房价影响因子;然后分别计算15个房价影响因子的权重,该权重计算方法采用熵权法,具体计算过程如下:
a)构建N个可比交易案例的15个房价影响因子量化得分矩阵Aj,如式(1):
式中,Yi(i=1,2,……,N)表示第i个可比交易案例;Xj(j=1,2,……,15)表示第j个房产价格影响因子。
b)计算第i个可比交易案例下的第j个房价影响因子的比重Pij,如式(2):
c)计算第j个房价影响因子的熵值Ej,如式(3):
d)计算第j个影响因子指标的熵权Wj,如式(4):
e)对15个影响因子求权重,并进行归一化,得到P1、P2、……、P15对应的权重向量如式(5):
W=(W1,W2,……,W15) (5)
所述步骤六中,分别计算出集对分析、VIKOR模型、模糊数学模型、神经网络模型中的相关参数,具体如下:
A集对分析
a)计算联系度,设待估房产为C,将待估房产C的第i个房价影响因量化值记为bi,联系度表达式,如式(6):
式中:uij(w)为第j个可比交易案例与待估房产C构成的集合中第i个房价影响因子的联系度;
b)平均加权联系度,根据(5)式计算的房产各影响因子的权重w,可计算第j个可比交易案例与待估房产C构成的集合的平均加权联系度为uj(w),如式(7):
c)同异反距离ρj,及计算表达式如式(8):
B VIKOR模型
a)计算房价影响因子正负理想解
首先,对矩阵(1)进行标准化表达(9)处理,获得标准化评价矩阵。
fij=pi,j/Maxi(pi,j) (9)
然后,根据各可比房产交易案例和待估房产的标准化评价矩阵,计算出各个房产特征因子的正理想解和负理想解,如式(10)、式(11):
fi *=(Maxifij) (10)
fi -=(Minifij) (11)
其中,fij为第i处交易案例或待估房产的第j个房价影响因子的标准化变量;fi *和fi -分别为第j个房价影响因子的正负理想解和负理想解。
b)计算房产加权海明距离Si和加权切比雪夫距离Ri值,如式(12)、式(13):
c)计算房产利益比率Q值,如式(14):
其中,S*=MiniSi,表示群体效用最大的解,它表示的是多数决策规则;S-=MaxiSi;R*=MiniRi表示将反对者的个人遗憾最小化的解;R-=MaxiRi,v为最大化群体效用决策机制系数,v取0.5,体现VIKOR模型的折中思想,同时考虑最大化群体效用和最小化个别遗憾,得到相互妥协的结果。
d)排序并插值,
在计算出利益比率Q值后,对房产交易案例和待估房产间组成的评价对象排序,排序结果受可接受的优势阈值条件和可接受的决策可靠性条件约束,约束条件如下:
条件1:对值进行排序时,要满足可接受的优势阈值,保证评价对象之间的显著性强。即Qm-Qn≥1/(J-1),(m>n),其中Qm、Qn表示对评价对象的Qi值排序后排序第m、n位利益比率Q值,J表示所有评价对象个数。该条件满足时,才能确定排序第m的评价对象显著高于排序第n的评价对象。
条件2:对Qi值进行排序时,要满足可接受的评价结果可靠性条件,保证评价结果更加可靠。也就是评价对象排序第m的Si值须同时大于排序第n的评价对象Si值,即Sm>Sn,或评价对象排序第m的Ri值须同时大于排序第n的Ri值,即Rm>Rn。
用Tk表示排序第k位评价对象,若上述两个条件同时成立,则可以根据Qi值的大小直接对各评价对象进行排序从小到大排序,得到全排序结果。若相邻两个评价对象的排序不符合条件1,只符合条件2,此时采用灰色关联分析方法对VIKOR方法改进,通过灰色关联度的计算对评价对象进行全排序。即通过式(15)计算灰色关联度。
其中,ε为分辨系数,通常取0.5。T1,T2,……,TK,对应X1,X2,……,Xk作为灰色系统的k个因素。S=1,2,……,k为XS行为指标序列,参考数据列X0,则选择比较数据列各指标的最小值。运用VIKOR法与灰色关联分析方法对房产评价对象排序,得到全排序结果为:p(1)≥…≥p(k)≥…≥p(m),p(k)表示房产评价对象全排序后序位为第k位。
C模糊数学模型
(a)构建隶属度函数,为计算方便,本方法假设有一个理想房产,它的每个特征变量对应最佳值,而待估房产与初选交易案例分别与这个理想房产做比较,求其隶属于理想房产的程度。本方法建立其隶属函数如下:
利用式(16)隶属函数,可以求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度。通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例。
D神经网络模型
a)训练网络
首先,神经网络模型直接从步骤二中构建的房产交易案例数据库提取出房产交易案例;对其构建出一个J*15的矩阵,作为输入矩阵Z,如式(17):
其中YJ表示第J个交易案例即神经网络的第J个输入,表示第I个影响因子的量化值,一个输入矩阵Z对应一个输出矩阵T,T是有每个房产交易案例对应的交易价格组成的矩阵。然后开始训练网络,输入值的传播过程中隐含层第i个节点的输入值为enti,根据网络初始化的权值和阈值可以计算出隐含层的输入值如下式(18):
根据相关文献激活函数选择Sigmoid函数如下式(19):
根据隐含层激活函数可以利用输入值和输入层与隐含层的连接权值可以计算出隐含层第i个节点的输出yi以及输出层第k个节点的输入entk;
输出层第k个节点的输入entk;
输出层第k个节点的输出Ok;
其中xj表示输入层第j个节点的输入,j=1,…,M;wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激活函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激活函数;Ok表示输出层第k个节点的输出。
b)训练网络误差
误差函数为(其中m为输出节点个数,J为训练样本个数),根据误差公式可以计算出训练误差如式下式(23):
Ek=Ok(1-Ok)(Tk-Ok) (23)
判断训练误差是否小于设置的期望误差(ε),若满足则结束训练若不满足则重复网络训练及计算训练网络误差。
对集对分析,则待估房产C的价格P可由时间修正后价格Pj与同异反距离ρj表示,如式(24):
对VIKOR模型,则依据房产评价对象的全排序进行插值计算待估房产价格。
根据房产评价对象全排序结果,首先确定待估房产位置和周围两项交易案例,若设待估房产位置为p(k),则其周围两项交易案例为p(k+1)和p(k-1),然后据此分别找到两项交易案例的利益比例Qk+1、Qk-1和交易价格P'k+1、P'k-1。待估房产价Pk'计算如式(25)。
对神经网络模型,利用训练的神经网络模型,若输入层是15个房产价格影响因素量化值,隐含层设置为8层则可以确定房产的待估价格可以用公式表示如下式(26):
其中w为网络各层之间的权值,θi表示隐含层第i个节点的阈值,a1表示输出层第1个节点的阈值,它们均有网络训练得出,其具体算法详见参考文献,且隐含层数设置目前没有科学明确的确定方法,本模型参考文献给出的经验公式:
式中NH为隐含层的理论最佳数目,Ni为输入层节点数,N0位输出层节点数,NP为训练样本数,由上式可以确定一个理论上的最佳隐含节点数,也可以根据实际情况对其进行调整以达到BP神经网络的最优化。以确保模型估价精度。
对模糊数学模型,利用上述隶属函数,求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度。通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例。本模型采用加权海明距离计算相似程度,如式(28)所示。
式中,A、B表示房产集合;U表示房产价格影响因子集合;u表示价格影响因子;wi表示权重。根据距离大小求出与待估房产最相似的交易案例,从而确定可比交易案例,一般来说,可比交易案例选取3—5个为宜。然后对可比交易案例进行时间修正;计算各特征因素隶属度和对应权重的乘积之和,用该乘积比上待估房产的各特征因素权重和对应的隶属度乘积之和,得到一个比值,这个比值就是该交易案例的区域个别因素的修正系数。最后利用得到的校正系数求出待估房产价格。
表1房产价格影响因子及量化方法表
实践验证
根据以上实验步骤及流程,选择十组数据进行验证实验,将需要估价的10处房产量化指标输入系统当中进行估价操作如下图3、4为系统主界面以及估价界面。系统根据四种模型的预测价格给出一个最终预测价格,且十组预测价格以及实际成交价格如下表2所示。
表2待估房产模型估算价格与实际成交价格统计表
本发明采用的理论基础有:
(1)地理信息系统技术(GIS):地理信息系统是一种采集与处理、存储管理、显示与输出、分析与应用、传输与发布空间数据的计算机系统。
(2)模糊数学:是一种研究和揭露模糊现象的定量处理方法。现实生活中的绝大对数概念并非都是“非此即彼”,而概念的差异常以中介过渡的形式出现,表现为“亦此亦彼”的模糊现象。许多事物过分地追求精确反倒更模糊,适当地模糊反而可以达到精确的目的。由这种亦此亦彼所引起的外延判断和划分上的不确定性,需要用多值逻辑来表达,即为隶属度函数。
(3)集对分析法:集对分析是处理系统确定性与不确定性相互作用的数学理论。它对集对中两个或多个集合的确定性与不确定性以及确定性与不确定性的相互作用进行一种系统和数学分析,再把分析结果集成,得出最后的结论,以此来保证集对分析结论的可靠性和可信性。
(4)VIKOR方法:确定各住宅房产交易案例和待估房产组成的原始矩阵,根据各房产可比交易案例和待估房产的标准化评价矩阵,计算出各个房产特征因子的正理想解和负理想解,分别出计算待估房产和交易案例的加权海明距离S_i和加权切比雪夫距离R_i值,计算各个可比交易方案和待估房产的利益比率Q值,对交易案例和待估房产组成的评价对象进行排序,依据房产评价对象的全排序进行插值计算待估房产价格。
(5)人工神经网络:人工神经网络的原理是对人脑的神经细胞进行模拟,模拟人脑的决策及对外界刺激的反应过程,细胞是由树突、细胞体、轴突三个部分组成,因此人工神经网络的基本组成单位也是由三部分组成,他们分别是输入层、中间层、输出层组成。它工作原理是分工合作先由输入神经元对输入的信息或者数据进行处理对其确定权重,然后将结果传递给中间层的神经元细胞,中间层神经元细胞对上一层传递过来的数据根据特定函数对它们进行加权计算,计算后再将结果传递给输出层神经元。最后由输出层神经元进行结果输出。
Claims (9)
1.一种多模型融合的房产评估方法,其特征在于包含以下步骤:
步骤一:确定房产价格影响因子;
步骤二:依据确定的房产价格影响因子来构建房产交易案例数据库;
步骤三:通过待估房产获取其相关区域房产交易案例;
步骤四:筛选房产数据,获得可比交易案例;
步骤五:量化房产价格影响因子并分别计算出房产价格影响因子权重;
步骤六:采用集对分析模型、VIKOR模型、模糊数学模型、神经网络模型分别计算相关参数;
步骤七:修正房产交易案例时间,并估算出待估房产价格。
2.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤一中,房产价格影响因子包括到CBD距离、交通便捷度、教育配套、文体设施、生活配套、自然环境、建筑物设施设备、成新率、户型、朝向、楼层、小区环境、物业管理、通风采光、装修情况15个因子。
3.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤二中,首先,采用基于GIS技术,将相关房产交易案例的地理位置在矢量地图上刺点来保存地理位置信息,且将房产相应的属性信息保存在地理数据库中的属性数据库中并且与该地图上的刺点关联实现了房产数据的可视化,其中,房产相应的属性信息不仅包括15个房产价格影响因子,还包括面积、房产类型、房产建筑结构;然后,选择房产交易案例中的15个房产价格影响因子对其进行分析,如有相同案例则直接录入到房产交易案例数据库中,否则通过折算单价,专家通过单价偏离度判断该案例是否能够录入,若能录入则保存在房产交易案例数据库中,否则删除该房产交易案例;最后,形成房产交易案例数据库。
4.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤三中,以待估房产为原点,选择一定距离为半径做缓冲区分析,该缓冲区内的房产交易案例作为步骤四中进行筛选的房产数据源。
5.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤四中,对步骤三缓冲区分析后获得的房产交易案例,筛选出与待估房产类型、建筑结构相同的房产,即可获得可比交易案例。
6.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤五中,对房产面积、朝向、户型、成新率、所在楼层、建筑物设施设备、小区环境、物业管理、通风采光、装修、自然环境采用直接量化方法,以上各项量化均根据房产实际情况得出量化值;对生活配套、文体设施、教育配套、交通便捷度等采用GIS缓冲区分析的方法,在房产所在周围建立起缓冲带,分析出缓冲带内符合要求的项目数量,再根据该数值量化得出对应量化值;对离市中心CBD的距离则采用GIS的网络分析方法,在地图上多条道路中选取到市中心的最近道路,获取该道路的距离,根据该距离来得出量化值。
7.如权利要求1或3所述的一种多模型融合的房产评估方法,其特征在于:所述步骤五中,在量化出15个房产价格影响因子后,分别计算15个房产价格影响因子的权重,该权重计算方法采用熵权法,具体计算过程如下:
a)构建N个可比交易案例的15个房价影响因子量化得分矩阵Aj,如式(1):
式中,Yi(i=1,2,……,N)表示第i个可比交易案例;Xj(j=1,2,……,15)表示第j个房产价格影响因子。
b)计算第i个可比交易案例下的第j个房价影响因子的比重Pij,如式(2):
c)计算第j个房价影响因子的熵值Ej,如式(3):
d)计算第j个影响因子指标的熵权Wj,如式(4):
e)对15个影响因子求权重,并进行归一化,得到P1、P2、……、P15对应的权重向量如式(5):
W=(W1,W2,… …,W15) (5)。
8.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤六中,计算出集对分析中的相关参数,具体如下:
a)计算联系度,设待估房产为C,将待估房产C的第i个房价影响因量化值记为bi,联系度表达式,如式(6):
式中:uij(w)为第j个可比交易案例与待估房产C构成的集合中第i个房价影响因子的联系度;
b)平均加权联系度,根据(5)式计算的房产各影响因子的权重w,可计算第j个可比交易案例与待估房产C构成的集合的平均加权联系度为uj(w),如式(7):
c)同异反距离ρj,及计算表达式如式(8):
所述步骤六中,计算出VIKOR模型中的相关参数,具体如下:
a)计算房价影响因子正负理想解:
首先,对矩阵(1)进行标准化表达(9)处理,获得标准化评价矩阵,
fij=pi,j/Maxi(pi,j) (9)
然后,根据各可比房产交易案例和待估房产的标准化评价矩阵,计算出各个房产特征因子的正理想解和负理想解,如式(10)、式(11):
fi *=(Maxifij) (10)
fi -=(Minifij) (11)
其中,fij为第i处交易案例或待估房产的第j个房价影响因子的标准化变量;fi *和fi -分别为第j个房价影响因子的正负理想解和负理想解;
b)计算房产加权海明距离Si和加权切比雪夫距离Ri值,如式(12)、式(13):
c)计算房产利益比率Q值,如式(14):
其中,S*=MiniSi,表示群体效用最大的解,它表示的是多数决策规则;S-=MaxiSi;R*=MiniRi表示将反对者的个人遗憾最小化的解;R-=MaxiRi,v为最大化群体效用决策机制系数,v取0.5,体现VIKOR模型的折中思想,同时考虑最大化群体效用和最小化个别遗憾,得到相互妥协的结果;
d)排序并插值:
在计算出利益比率Q值后,对房产交易案例和待估房产间组成的评价对象排序,排序结果受可接受的优势阈值条件和可接受的决策可靠性条件约束,约束条件如下:
条件1:对值进行排序时,要满足可接受的优势阈值,保证评价对象之间的显著性强。即Qm-Qn≥1/(J-1),(m>n),其中Qm、Qn表示对评价对象的Qi值排序后排序第m、n位利益比率Q值,J表示所有评价对象个数。该条件满足时,才能确定排序第m的评价对象显著高于排序第n的评价对象;
条件2:对Qi值进行排序时,要满足可接受的评价结果可靠性条件,保证评价结果更加可靠。也就是评价对象排序第m的Si值须同时大于排序第n的评价对象Si值,即Sm>Sn,或评价对象排序第m的Ri值须同时大于排序第n的Ri值,即Rm>Rn;
用Tk表示排序第k位评价对象,若上述两个条件同时成立,则可以根据Qi值的大小直接对各评价对象进行排序从小到大排序,得到全排序结果。若相邻两个评价对象的排序不符合条件1,只符合条件2,此时采用灰色关联分析方法对VIKOR方法改进,通过灰色关联度的计算对评价对象进行全排序。即通过式(15)计算灰色关联度:
其中,ε为分辨系数,通常取0.5。T1,T2,……,TK,对应X1,X2,……,Xk作为灰色系统的k个因素。S=1,2,……,k为XS行为指标序列,参考数据列X0,则选择比较数据列各指标的最小值。运用VIKOR法与灰色关联分析方法对房产评价对象排序,得到全排序结果为:p(1)≥…≥p(k)≥…≥p(m),p(k)表示房产评价对象全排序后序位为第k位;
所述步骤六中,计算出模糊数学模型中的相关参数,具体如下:
a)构建隶属度函数,为计算方便,本方法假设有一个理想房产,它的每个特征变量对应最佳值,而待估房产与初选交易案例分别与这个理想房产做比较,求其隶属于理想房产的程度,本方法建立其隶属函数如下:
利用式(16)隶属函数,可以求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度,通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例。
所述步骤六中,计算出模神经网络模型中的相关参数,具体如下:
a)训练网络
首先,神经网络模型直接从步骤二中构建的房产交易案例数据库提取出房产交易案例;对其构建出一个J*15的矩阵,作为输入矩阵Z,如式(17):
其中YJ表示第J个交易案例即神经网络的第J个输入,表示第I个影响因子的量化值,一个输入矩阵Z对应一个输出矩阵T,T是有每个房产交易案例对应的交易价格组成的矩阵;然后开始训练网络,输入值的传播过程中隐含层第i个节点的输入值为enti,根据网络初始化的权值和阈值可以计算出隐含层的输入值如下式(18):
根据相关文献激活函数选择Sigmoid函数如下式(19):
根据隐含层激活函数可以利用输入值和输入层与隐含层的连接权值可以计算出隐含层第i个节点的输出yi以及输出层第k个节点的输入entk;
输出层第k个节点的输入entk;
输出层第k个节点的输出Ok;
其中xj表示输入层第j个节点的输入,j=1,…,M;wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激活函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激活函数;Ok表示输出层第k个节点的输出;
b)训练网络误差
误差函数为(其中m为输出节点个数,J为训练样本个数),根据误差公式可以计算出训练误差如式下式(23):
Ek=Ok(1-Ok)(Tk-Ok) (23)
判断训练误差是否小于设置的期望误差(ε),若满足则结束训练若不满足则重复网络训练及计算训练网络误差。
9.如权利要求1所述的一种多模型融合的房产评估方法,其特征在于:所述步骤七中,采用集对分析进行房产价格估价时,则待估房产C的价格P可由时间修正后价格Pj与同异反距离ρj表示,如式(24):
采用VIKOR模型进行房产价格估价时,则依据房产评价对象的全排序进行插值计算待估房产价格,具体方法如下:根据房产评价对象全排序结果,首先确定待估房产位置和周围两项交易案例,若设待估房产位置为p(k),则其周围两项交易案例为p(k+1)和p(k-1),然后据此分别找到两项交易案例的利益比例Qk+1、Qk-1和交易价格P'k+1、P'k-1。待估房产价Pk'计算如式(25)。
采用神经网络模型进行房产价格估价时,利用训练的神经网络模型,若输入层是15个房产价格影响因素量化值,隐含层设置为8层则可以确定房产的待估价格可以用公式表示如下式(26):
其中w为网络各层之间的权值,θi表示隐含层第i个节点的阈值,a1表示输出层第1个节点的阈值,它们均有网络训练得出,本模型参考文献给出的经验公式:
式中NH为隐含层的理论最佳数目,Ni为输入层节点数,N0位输出层节点数,NP为训练样本数,由上式可以确定一个理论上的最佳隐含节点数,也可以根据实际情况对其进行调整以达到BP神经网络的最优化,以确保模型估价精度。
采用模糊数学模型进行房产价格估价时,利用上述隶属函数,求得待估房产和交易案例的各个特征变量的相对于标准房产的隶属度,通过隶属度和前面算出的权重,可以计算交易案例与待估房产的贴近度,从而比较待估房产与交易案例的相似程度,得到可比交易案例,本模型采用加权海明距离计算相似程度,如式(28)所示。
式中,A、B表示房产集合;U表示房产价格影响因子集合;u表示价格影响因子;wi表示权重,根据距离大小求出与待估房产最相似的交易案例,从而确定可比交易案例,一般来说,可比交易案例选取3—5个为宜,然后对可比交易案例进行时间修正;计算各特征因素隶属度和对应权重的乘积之和,用该乘积比上待估房产的各特征因素权重和对应的隶属度乘积之和,得到一个比值,这个比值就是该交易案例的区域个别因素的修正系数,最后利用得到的校正系数求出待估房产价格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710645808.9A CN107230113A (zh) | 2017-08-01 | 2017-08-01 | 一种多模型融合的房产评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710645808.9A CN107230113A (zh) | 2017-08-01 | 2017-08-01 | 一种多模型融合的房产评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107230113A true CN107230113A (zh) | 2017-10-03 |
Family
ID=59957413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710645808.9A Pending CN107230113A (zh) | 2017-08-01 | 2017-08-01 | 一种多模型融合的房产评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230113A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN108010136A (zh) * | 2017-12-26 | 2018-05-08 | 武汉大学 | 一种面向群集三维房产的离散分析方法 |
CN108171541A (zh) * | 2017-12-26 | 2018-06-15 | 五八有限公司 | 房租估价的方法、装置、终端及存储介质 |
CN108762245A (zh) * | 2018-03-20 | 2018-11-06 | 华为技术有限公司 | 数据融合方法以及相关设备 |
CN109146278A (zh) * | 2018-08-14 | 2019-01-04 | 南京智绘星图信息科技有限公司 | 一种基于机器学习的不动产评估方法 |
CN109255659A (zh) * | 2018-09-26 | 2019-01-22 | 青岛禧泰房地产数据有限公司 | 一种基于栅格数据的房地产自动估价方法 |
CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
CN109493147A (zh) * | 2018-12-05 | 2019-03-19 | 北京邮电大学 | 基于多层级模型融合的房产自动评估方法及系统 |
CN109523306A (zh) * | 2018-10-23 | 2019-03-26 | 上海舍汇信息技术有限公司 | 一种多因素房产估值系统及其估值方法 |
CN109754881A (zh) * | 2017-11-03 | 2019-05-14 | 中国移动通信有限公司研究院 | 一种社区筛查方案的评估方法及装置 |
CN110097384A (zh) * | 2018-01-27 | 2019-08-06 | 深圳市鹏信资产评估土地房地产估价有限公司 | 一种用户快速获取房产评估信息的方法 |
CN110097385A (zh) * | 2018-01-27 | 2019-08-06 | 深圳市鹏信资产评估土地房地产估价有限公司 | 一种在线获取房产评估信息的系统及方法 |
CN110119959A (zh) * | 2019-04-15 | 2019-08-13 | 武汉洪房房地产土地估价有限公司 | 一种房价预估系统 |
CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估(上海)信息科技有限公司 | 一种二手车的定价方法,装置及系统 |
WO2020000768A1 (zh) * | 2018-06-25 | 2020-01-02 | 平安科技(深圳)有限公司 | 房产估价方法、装置、计算机设备及计算机可读存储介质 |
CN112597403A (zh) * | 2020-12-24 | 2021-04-02 | 鲸灵科技股份有限公司 | 一种获取房地产价格特征的方法及系统 |
CN113256104A (zh) * | 2021-05-24 | 2021-08-13 | 北京奥邦体育赛事评估有限责任公司 | 一种基于熵值法的群众体育赛事综合效益评估系统 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113988641A (zh) * | 2021-10-29 | 2022-01-28 | 重庆汇集源科技有限公司 | 住宅房地产自动估价系统 |
CN115587694A (zh) * | 2022-09-27 | 2023-01-10 | 深圳市云智评信息技术有限公司 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
CN116823056A (zh) * | 2023-07-07 | 2023-09-29 | 中国标准化研究院 | 一种人因工效分析方法及系统 |
-
2017
- 2017-08-01 CN CN201710645808.9A patent/CN107230113A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN109754881A (zh) * | 2017-11-03 | 2019-05-14 | 中国移动通信有限公司研究院 | 一种社区筛查方案的评估方法及装置 |
CN108010136A (zh) * | 2017-12-26 | 2018-05-08 | 武汉大学 | 一种面向群集三维房产的离散分析方法 |
CN108171541A (zh) * | 2017-12-26 | 2018-06-15 | 五八有限公司 | 房租估价的方法、装置、终端及存储介质 |
CN108010136B (zh) * | 2017-12-26 | 2021-08-03 | 武汉大学 | 一种面向群集三维房产的离散分析方法 |
CN110097385A (zh) * | 2018-01-27 | 2019-08-06 | 深圳市鹏信资产评估土地房地产估价有限公司 | 一种在线获取房产评估信息的系统及方法 |
CN110097384A (zh) * | 2018-01-27 | 2019-08-06 | 深圳市鹏信资产评估土地房地产估价有限公司 | 一种用户快速获取房产评估信息的方法 |
CN110232582A (zh) * | 2018-03-06 | 2019-09-13 | 优估(上海)信息科技有限公司 | 一种二手车的定价方法,装置及系统 |
CN108762245A (zh) * | 2018-03-20 | 2018-11-06 | 华为技术有限公司 | 数据融合方法以及相关设备 |
WO2020000768A1 (zh) * | 2018-06-25 | 2020-01-02 | 平安科技(深圳)有限公司 | 房产估价方法、装置、计算机设备及计算机可读存储介质 |
CN109146278A (zh) * | 2018-08-14 | 2019-01-04 | 南京智绘星图信息科技有限公司 | 一种基于机器学习的不动产评估方法 |
CN109255659A (zh) * | 2018-09-26 | 2019-01-22 | 青岛禧泰房地产数据有限公司 | 一种基于栅格数据的房地产自动估价方法 |
CN109272364A (zh) * | 2018-10-11 | 2019-01-25 | 北京国信达数据技术有限公司 | 自动估值模型建模方法 |
CN109523306A (zh) * | 2018-10-23 | 2019-03-26 | 上海舍汇信息技术有限公司 | 一种多因素房产估值系统及其估值方法 |
CN109493147A (zh) * | 2018-12-05 | 2019-03-19 | 北京邮电大学 | 基于多层级模型融合的房产自动评估方法及系统 |
CN110119959A (zh) * | 2019-04-15 | 2019-08-13 | 武汉洪房房地产土地估价有限公司 | 一种房价预估系统 |
CN112597403A (zh) * | 2020-12-24 | 2021-04-02 | 鲸灵科技股份有限公司 | 一种获取房地产价格特征的方法及系统 |
CN113256104A (zh) * | 2021-05-24 | 2021-08-13 | 北京奥邦体育赛事评估有限责任公司 | 一种基于熵值法的群众体育赛事综合效益评估系统 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113837479B (zh) * | 2021-09-28 | 2024-03-15 | 江苏湛德医疗用品有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113988641A (zh) * | 2021-10-29 | 2022-01-28 | 重庆汇集源科技有限公司 | 住宅房地产自动估价系统 |
CN115587694A (zh) * | 2022-09-27 | 2023-01-10 | 深圳市云智评信息技术有限公司 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
CN115587694B (zh) * | 2022-09-27 | 2023-11-28 | 深圳市云智评信息技术有限公司 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
CN116823056A (zh) * | 2023-07-07 | 2023-09-29 | 中国标准化研究院 | 一种人因工效分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
Yacim et al. | Impact of artificial neural networks training algorithms on accurate prediction of property values | |
Van Zanten et al. | Preferences for European agrarian landscapes: A meta-analysis of case studies | |
Górecka et al. | Country market selection in international expansion using multicriteria decision aiding methods | |
CN108877905A (zh) | 一种基于Xgboost框架的医院门诊就诊量预测方法 | |
CN112070078B (zh) | 基于深度学习的土地利用分类方法及系统 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN109376766B (zh) | 一种画像预测分类方法、装置及设备 | |
Sun et al. | Linguistic value soft set-based approach to multiple criteria group decision-making | |
CN112446591A (zh) | 一种用于学生综合能力评价的评价体系及零样本评价方法 | |
CN109767312A (zh) | 一种信用评估模型训练、评估方法与装置 | |
Lin et al. | Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression | |
CN108876487A (zh) | 一种基于大数据及智能决策机制的工业地块估计方法 | |
Pokkuluri et al. | Crop Disease Prediction with Convolution Neural Network (CNN) Augmented With Cellular Automata. | |
CN108459997A (zh) | 基于深度学习和神经网络的高偏态数据价值概率预测方法 | |
CN109919647A (zh) | 金融商品的相关性预测系统及其方法 | |
Iraji et al. | Students classification with adaptive neuro fuzzy | |
Fu et al. | Applying DEA–BPN to enhance the explanatory power of performance measurement | |
Žižović et al. | Multi-criteria decision making method for models with the dominant criterion | |
Nasser et al. | Application of selected MCDM methods for developing a multi-functional framework for Eco-hotel planning in Yemen | |
CN115018357A (zh) | 一种面向生产绩效提升的农户画像构建方法及系统 | |
Ramu et al. | A review on crop yield prediction using machine learning methods | |
CN110321951A (zh) | 一种vr模拟飞行器训练评价方法 | |
CN109859087A (zh) | 一种应用城市超脑的智能社区软环境配置系统和方法 | |
CN110750572A (zh) | 一种科技成果启发式评价的自适应方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |