CN107798636A - 楼盘信息处理方法、装置、计算机设备及存储介质 - Google Patents

楼盘信息处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN107798636A
CN107798636A CN201710247230.1A CN201710247230A CN107798636A CN 107798636 A CN107798636 A CN 107798636A CN 201710247230 A CN201710247230 A CN 201710247230A CN 107798636 A CN107798636 A CN 107798636A
Authority
CN
China
Prior art keywords
building
information
price
geographic position
target geographic
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
Application number
CN201710247230.1A
Other languages
English (en)
Inventor
王健宗
黄章成
吴天博
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201710247230.1A priority Critical patent/CN107798636A/zh
Publication of CN107798636A publication Critical patent/CN107798636A/zh
Priority to PCT/CN2018/081878 priority patent/WO2018188509A1/zh
Pending legal-status Critical Current

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种楼盘信息处理方法，所述方法包括：获取待评估的楼盘信息对应的目标地理位置；以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。该方法只需要知道待评估的楼盘信息所在的地理位置，便可根据该地理位置信息来预测对应的楼盘价格，简单方便。此外还提出了一种楼盘信息处理装置、计算机设备及存储介质。

Description

楼盘信息处理方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机处理领域，特别是涉及一种楼盘信息处理方法、装置、计算机设备及存储介质。
背景技术
随着经济的发展，出现了房地产金融业的繁荣，而住宅地产在所有房产资产中占主导地位，正确评估住宅地产价值对房产金融的开发和投资有十分重要的意义。但是目前的房价评估需要依赖的信息比较多，比如，修建年限、土地使用价格、建设成本等，而且由于各楼盘修建的年代不同，土地使用价格、建设成本等因素不好收集且很难归一化，造成楼盘价格评估繁琐，耗时耗力。
发明内容
基于此，有必要针对上述楼盘价格评估繁琐、耗时耗力的问题，本发明提出了一种比较简单的且省时省力的楼盘信息处理方法、装置、计算机设备及存储介质。
一种楼盘信息处理方法，所述方法包括：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
在其中一个实施例中，在获取待评估的楼盘信息对应的目标地理位置的步骤之前还包括：采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
在其中一个实施例中，所述将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库的步骤包括：根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；所述以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数的步骤包括：以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
在其中一个实施例中，在所述获取待评估的楼盘信息对应的目标地理位置的步骤之前包括：采用最近邻算法建立楼价评估模型；分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
在其中一个实施例中，所述分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值的步骤包括：分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数；根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度；根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
一种楼盘信息处理装置，所述装置包括：
获取模块，用于获取待评估的楼盘信息对应的目标地理位置；
查找模块，用于以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
计算模块，用于根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
在其中一个实施例中，所述装置还包括：采集模块，用于采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；存储模块，用于将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
在其中一个实施例中，所述采集模块还用于根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；所述查找模块还用于以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
在其中一个实施例中，所述装置还包括：建立模块，用于采用最近邻算法建立楼价评估模型；确定模块，用于分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
在其中一个实施例中，所述确定模块包括：估计值计算模块，用于分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数；可信度计算模块，用于根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度；K值确定模块，用于根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
一个或多个存储有计算机可执行指令的非易失性计算机可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
该楼盘信息处理的方法、装置、计算机设备及存储介质，通过获取待评估的楼盘信息对应的目标地理位置，以该目标地理位置为中心，从楼盘数据库中查找与目标地理位置最近的K个楼盘信息，并根据最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算目标地理位置对应的楼盘价格信息。该方法与传统的方法相比，不需要任何年代久远、可能已经遗失并难以收集的历史数据，只需要知道待评估的楼盘信息所在的地理位置，便可根据该地理位置信息来预测对应的楼盘价格(楼盘单位面积的成交均价)，简单方便，且该方法是只需要收集容易获取到的楼盘的地理位置信息和对应的楼价信息，省时省力。
附图说明
图1为一个实施例中终端的内部结构框图；
图2为一个实施例中服务器的内部结构框图；
图3为一个实施例中楼盘信息处理方法的流程图；
图4为另一个实施例中楼盘信息处理方法的流程图；
图5为又一个实施例中楼盘信息处理方法的流程图；
图6为一个实施例中分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定楼价评估模型对应的K值的方法流程图；
图7为一个实施例中楼盘信息处理装置的结构框图；
图8为另一个实施例中楼盘信息处理装置的结构框图；
图9为又一个实施例中楼盘信息处理装置的结构框图；
图10为一个实施例中确定模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，终端102的内部结构如图1所示，包括通过系统总线连接的处理器、内存储器、非易失性存储介质、网络接口、显示屏和输入装置。其中，终端102的非易失性存储介质存储有操作系统，还包括楼盘信息处理装置，该楼盘信息处理装置用于实现一种楼盘信息处理方法。该处理器用于提供计算和控制能力，支撑整个终端的运行。终端中的内存储器为非易失性存储介质中的楼盘信息处理装置的运行提供环境，该内存储器中存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种楼盘信息处理方法。网络接口用于连接到网络进行通信。终端102的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，也可以是外接的键盘、触控板或鼠标等。该终端可以是平板电脑、笔记本电脑、台式计算机等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图2所示，在一个实施例中，服务器104的内部结构如图2所示，包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该非易失存储介质包括操作系统和楼盘信息处理装置。该楼盘信息处理装置用于实现一种楼盘信息处理方法，该服务器的处理器用于提供计算和控制能力，支撑整个服务器的运行。该内存储器中存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种楼盘信息处理方法。该服务器的网络接口用于与外部的服务器或终端通过网络连接通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图3所示，在一个实施例中，提出了一种楼盘信息处理方法，该方法可以应用于终端或服务器中，具体包括以下步骤：
步骤302，获取待评估的楼盘信息对应的目标地理位置。
在本实施例中，目标地理位置是指待评估的楼盘信息所在的位置，该目标地理位置采用经纬度数值来表示。由于有些楼盘小区的成交均价(即单位面积的平均成交价格)没有办法直接获取，所以需要对这些不能直接获取到的楼盘成交均价的楼盘进行估计，而楼盘成交均价是与所在的地理位置紧密相关的，其中，成交均价是指单位面积的平均成交价格，即每平方米的平均成交价格。所以为了能够评估那些未知成交均价的楼盘所对应的楼盘成交均价，首先需要获取待评估的楼盘信息对应的目标地理位置，楼盘的目标地理位置是固定的，采用传统的定位技术即可获取该楼盘所在的经纬度信息。
步骤304，以目标地理位置为中心，从楼盘数据库中查找与目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数。
在本实施例中，获取到目标地理位置后，以该目标地理位置为中心，从楼盘数据库中查找与目标地理位置最近的K个楼盘信息。楼盘数据库中的每个楼盘信息包括楼盘的地理位置信息和楼盘的价格信息，其中，楼盘的价格信息是指该楼盘每平方米成交的均价。其中，K的值可以是预先设置好的某个固定的数值，比如，可以设K＝5，那么对应的就是从楼盘数据库中查找与目标地理位置最近的5个楼盘信息。查找最近的K个楼盘信息的方法有多种，在一个实施例中，首先计算目标地理位置与楼盘数据库中每个楼盘对应的地理位置之间的距离，将计算得到的距离按照由短到长的顺序排列，挑出前K个距离最短的楼盘信息，其中，K为大于0的正整数。
在另一个实施例中，将楼盘数据库中的楼盘信息根据各楼盘所在的地理位置信息在地图上以节点的形式表示，然后以目标地理位置为中心，在地图上以半径扫描的方式获取与目标地理位置最近的K个节点，在一个实施例中，是通过由近及远的半径扫描方式进行扫描，直到获取到与目标地理位置最近的K个楼盘信息。在其他实施例中，也可以预先设置扫描的半径距离(比如，设半径＝500m)，然后获取该半径范围内的所有楼盘信息，将获取到的楼盘信息的数量作为K的值。
步骤306，根据最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
在本实施例中，楼盘信息包括楼盘地理位置信息和楼盘价格信息。其中，楼盘价格信息是指单位面积的成交均价，即每平方米的楼盘价格。需要说明的是，本文中的楼盘价格信息都是指单位面积的成交价格。在获取到距离目标地理位置最近的K个楼盘信息后，根据该K个楼盘信息中的楼盘价格信息来计算目标地理位置对应的楼盘价格信息。具体的计算方法可以采用argmin函数来计算，argmin函数表示使函数取值最小时的自变量取值。比如，设目标地理位置坐标为(x’，y’)，找到的距离(x’，y’)最近的K个楼盘信息为{(p1，x1，y1)，(p2，x2，y2)……(pk，xk，yk)}，其中，pi表示楼盘价格信息，xi,yi表示楼盘的地理位置信息，xi表示经度数据，yi表示纬度数据。其中，下标i用于表示不同的楼盘，那么这个目标地理位置对应的楼盘价格信息满足公式：
也就是使该函数取小值时，p'的值就是计算的得到的与目标地理位置对应的楼盘价格信息。
在本实施例中，通过获取待评估的楼盘信息对应的目标地理位置，以该目标地理位置为中心，从楼盘数据库中查找与目标地理位置最近的K个楼盘信息，并根据最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算目标地理位置对应的楼盘价格信息。该方法与传统的方法相比，不需要任何年代久远、可能已经遗失并难以收集的历史数据，只需要知道待评估的楼盘信息所在的地理位置，便可根据该地理位置信息来预测对应的楼盘价格，简单方便，且该方法只需要收集容易获取到的楼盘的地理位置信息和对应的楼价信息，省时省力。
如图4所示，在一个实施例中，在获取待评估的楼盘信息对应的目标地理位置的步骤之前还包括：
步骤300，采集能够获取到的所有楼盘信息，楼盘信息包括楼盘地理位置信息和楼盘价格信息。
在本实施例中，为了能够评估未知的某个楼盘的楼盘价格信息，首先需要获取已知楼盘价格信息的楼盘，便于构建楼盘数据库。采集能够获取到的所有楼盘信息，楼盘信息包括楼盘地理位置信息和楼盘价格信息。这里的楼盘价格信息是指楼盘的成交均价信息，即单位面积的成交价格。楼盘的价格信息可以通过收集以往的成交数据来获取。由于楼盘的地理位置是固定的，其相应的地理位置信息通过传统的定位技术就可以获取到相应的经纬度信息。
步骤301，将采集到的楼盘的地理位置信息和相应的楼盘的价格信息进行对应存储，构建楼盘数据库。
在本实施例中，采集到已知楼盘的地理位置信息和楼盘的价格信息后，将采集到的楼盘的地理位置信息和对应的价格信息进行对应存储，构建楼盘数据库。在一个实施例中，为了便于后续可以快速查找，还可以根据楼盘的地理位置信息将各个楼盘信息在地图上以坐标节点的形式表示，每个节点代表一个楼盘信息，包括经纬度信息和价格信息，构建以地图形式展示的楼盘数据库。
在本实施例中，只需要采集容易获取到的楼盘的地理位置信息和对应的价格信息即可，不需要获取年代久远的楼盘数据，也不需要获取其他不容易获取到的数据，比如，人口密度信息等，该方法依据于每个楼盘的价值与周边楼盘存在的隐形关系来确定相应的价格信息，简单方便，且由于数据不依赖于不确定的因素，准确性也比较高。
在一个实施例中，所述采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库的步骤301包括：根据楼盘的地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库。步骤304包括：以目标地理位置为中心，在地图上以由近及远的扫描方式获取与目标地理位置最近的K个节点，K为大于0的正整数。
在本实施例中，为了后续便于查找与目标地理位置比较近的楼盘信息，在获取到已知楼盘信息后，根据楼盘的地理位置信息(即经纬度信息)将各个楼盘信息在地图上以节点坐标的方式进行展示，构建以地图形式展示的楼盘数据库。地图上展示的每一个节点都代表一个楼盘信息，而且可以形象的展示楼盘之间的距离。当获取到待评估楼盘信息的目标地理位置后，通过将该目标地理位置在地图上进行展示，同时该地图上也展示有已知的楼盘信息。然后以该目标地理位置为中心，在地图上以由近及远的圆周扫描方式获取与该目标地理位置最近的K个节点。具体地，可以设置以目标地理位置为中心，每次以固定半径进行扫描，其中，当以固定半径扫描一圈查找到的节点不足K个时，依次增加半径的长度，继续进行扫描，直到获取到与目标地理位置最近的K个节点，K为预先设定的大于0的正整数。
如图5所示，在一个实施例中，在获取待评估的楼盘信息对应的目标地理位置的步骤之前包括：
步骤308，采用最近邻算法建立楼价评估模型。
在本实施例中，首先，为了评估未知的楼价信息，采用K最近邻(K-NearestNeighbor，KNN)算法建立楼价评估模型，建立完模型还需要对模型进行训练，以便确定相应的参数K值。其中，KNN算法是一个理论上比较成熟的方法，也是比较简单的机器学习算法之一，该方法的思路是：如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象，该方法在定类决策上只依据最邻近的一个或几个样本的类别来决定待分类样本所属的类别。所以采用最近邻算法建立楼价评估模型虽然比较简单，但是却具有科学的理论依据，能够比较准确的预测相应的楼价信息。
步骤310，分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定楼价评估模型对应的K值。
在本实施例中，采用最近邻算法建立楼价评估模型后，最重要的是要训练得到参数K的值，也就是确定获取周边的几个邻居点最为合适。其中，训练上述楼价评估模型采用的训练集就是已经获取到的已知楼价信息的楼盘信息，也就是楼盘数据库中的楼盘信息。通过计算在不同K值下楼价评估模型的可信度来确定最为合适的K值。
具体地，为了确定楼价评估模型的参数K，通过将K赋予不同的值，然后分别计算在不同的K值下，每一个节点对应的楼盘价格估计值。在获取到在不同的K值下每一个节点对应的楼盘价格估计值后，从楼盘数据库中分别获取与每一个节点对应的楼盘价格真实值，然后根据每一个节点的楼盘价格估计值与对应的每一个节点的楼盘价格真实值计算出在不同K值下楼价评估模型对应的可信度，可信度越大，说明该楼价评估模型预测的越准确，所以选择可信度最大时对应的K值作为确定的K值。其中，可信度的计算依赖于计算得到的每一个点楼盘价格真实值与估计值之间的偏差、绝对偏差。
如图6所示，在一个实施例中，分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定楼价评估模型对应的K值的步骤310包括：
步骤310A，分别在不同的K值下，遍历楼盘数据库中的每一个节点，并从楼盘数据库中获取与每一个节点最近的K个节点，根据最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数。
在本实施例中，为了确定楼价评估模型的参数K，通过将K赋予不同的值，然后分别计算在不同的K值下，每一个节点对应的楼盘价格估计值。具体地，在将K赋予一个具体的数值后，遍历楼盘数据库中的每一个节点，从楼盘数据库中获取与每一个节点最近的K个节点，根据获取到的最近的K个节点对应的楼盘价格信息采用argmin函数计算出每一个节点对应的楼盘价格估计值，其中，赋予K的值为大于0的正整数。为了更加准确的获取到合适的K值，分别在K＝1，2，3…n的情况下，计算楼盘数据库中每一个节点对应的楼盘价格估计值。
步骤310B，根据每一个节点的楼盘价格估计值与对应的楼盘价格真实值计算出在不同K值下楼价评估模型对应的可信度。
在本实施例中，在获取到在不同的K值下每一个节点对应的楼盘价格估计值后，从楼盘数据库中分别获取与每一个节点对应的楼盘价格真实值，然后根据每一个节点的楼盘价格估计值与对应的每一个节点的楼盘价格真实值计算出在不同K值下楼价评估模型对应的可信度。其中，可信度的计算依赖于计算得到的每一个点楼盘价格真实值与估计值之间的偏差、绝对偏差。根据每一个点楼盘价格真实值和估计值之间的偏差、绝对偏差计算所有节点的偏差的均值和方差以及绝对偏差的均值和方差。根据计算得到的所有节点的偏差的均值和方差以及绝对偏差的均值和方差确定在不同K值下的楼价评估模型对应的可信度。其中，所有节点的偏差的均值和方差以及绝对偏差的均值和方差都是值越小，对应的可信度越高。具体地，在计算得到每一个节点的真实值和估计值后，计算出所有节点的偏差的均值和方差，计算公式如下：
其中，N代表所有节点的数量，pi和分别代表每一个地产的真实价值和用上述楼价评估模型计算得到的估计值。
在计算得到每一个节点真实值与估计值绝对差后，计算偏差绝对差的均值、方差的公式如下：
在一个实施例中，还需要计算每一节点真实值与估计值绝对差大于一个给定值τ的概率，具体公式如下：
其中，
根据上述指标计算在不同K值下楼价评估模型的可信度，上述各类指标均是越小越好，即上述计算得到的各个指标越小，相应的可信度就越大。在一个实施例中，首先，计算得到的偏差的均值，均值越小说明偏移程度越小，在均值相当的情况下，方差越低说明评估的误差越小。所以可以预先设置均值和方差的权重，一般是均值的权重比较大，方差的权重相对比较小。在计算得到均值和方差后，加权求和计算得到的误差值，误差值与可信度成反相关，即误差值越小代表可信度越大。后续通过比较可信度的大小确定合适的K值作为上述楼价评估模型的参数。
步骤310C，根据计算得到的在不同K值下楼价评估模型的可信度确定出楼价评估模型对应的K值。
在本实施例中，计算得到的楼价评估模型的可信度越高，说明利用该楼价评估模型进行楼价评估时越准确。所以选取最大可信度对应的K值作为楼价评估模型的参数K。
如图7所示，在一个实施例中，提出了一种楼盘信息处理装置，该装置包括：
获取模块702，用于获取待评估的楼盘信息对应的目标地理位置。
查找模块704，用于以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数。
计算模块706，用于根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
如图8所示，在一个实施例中，上述楼盘信息处理装置还包括：
采集模块700，用于采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息。
存储模块701，用于将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
在一个实施例中，所述采集模块700还用于根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库。所述查找模块704还用于以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
如图9所示，在一个实施例中，上述楼盘信息处理装置还包括：
建立模块708，用于采用最近邻算法建立楼价评估模型。
确定模块710，用于分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
如图10所示，在一个实施例中，确定模块710包括：
估计值计算模块710A，用于分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数。
可信度计算模块710B，用于根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度。
K值确定模块710C，用于根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待评估的楼盘信息对应的目标地理位置；以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
在一个实施例中，在获取待评估的楼盘信息对应的目标地理位置的步骤之前，上述计算机设备的处理器还用于执行以下步骤：采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
在一个实施例中，所述计算机设备的处理器所执行的所述将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库的步骤包括：根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；所述以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数的步骤包括：以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
在一个实施例中，在所述获取待评估的楼盘信息对应的目标地理位置的步骤之前，上述计算机设备的处理器还用于执行以下步骤：采用最近邻算法建立楼价评估模型；分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
在一个实施例中，所述计算机设备的处理器所执行的所述分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值的步骤包括：分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数；根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度；根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
在一个实施例中，提出了一个或多个存储有计算机可执行指令的非易失性计算机可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：获取待评估的楼盘信息对应的目标地理位置；以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
在一个实施例中，所述一个或多个处理器在执行获取待评估的楼盘信息对应的目标地理位置的步骤之前，还用于执行以下步骤：采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
在一个实施例中，所述一个或多个处理器所执行的所述将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库的步骤包括：根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；所述以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数的步骤包括：以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
在一个实施例中，在所述获取待评估的楼盘信息对应的目标地理位置的步骤之前，上述一个或多个处理器还用于执行以下步骤：采用最近邻算法建立楼价评估模型；分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
在一个实施例中，所述一个或多个处理器所执行的所述分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值的步骤包括：分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数；根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度；根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种楼盘信息处理方法，所述方法包括：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
2.根据权利要求1所述的方法，其特征在于，在获取待评估的楼盘信息对应的目标地理位置的步骤之前还包括：
采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；
将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
3.根据权利要求2所述的方法，其特征在于，所述将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库的步骤包括：
根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；
所述以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数的步骤包括：
以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
4.根据权利要求2所述的方法，其特征在于，在所述获取待评估的楼盘信息对应的目标地理位置的步骤之前包括：
采用最近邻算法建立楼价评估模型；
分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值。
5.根据权利要求4所述的方法，其特征在于，所述分别计算在不同K值下楼价评估模型的可信度，根据计算得到的可信度确定所述楼价评估模型对应的K值的步骤包括：
分别在不同的K值下，遍历所述楼盘数据库中的每一个节点，并从所述楼盘数据库中获取与每一个节点最近的K个节点，根据所述最近的K个节点对应的楼盘价格信息计算出每一个节点对应的楼盘价格估计值，其中，K为大于0的正整数；
根据每一个节点的楼盘价格真实值与对应的所述楼盘价格估计值计算对应的楼价评估模型的可信度；
根据计算得到的在不同K值下楼价评估模型的可信度确定出所述楼价评估模型对应的K值。
6.一种楼盘信息处理装置，所述装置包括：
获取模块，用于获取待评估的楼盘信息对应的目标地理位置；
查找模块，用于以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
计算模块，用于根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
采集模块，用于采集能够获取到的所有楼盘信息，所述楼盘信息包括楼盘地理位置信息和楼盘价格信息；
存储模块，用于将采集到的楼盘地理位置信息和相应的楼盘价格信息进行对应存储，构建楼盘数据库。
8.根据权利要求7所述的装置，其特征在于，所述采集模块还用于根据所述楼盘地理位置信息将各个楼盘信息在地图上以节点的形式表示，构建以地图形式展示的楼盘数据库；
所述查找模块还用于以所述目标地理位置为中心，在所述地图上以由近及远的扫描方式获取与所述目标地理位置最近的K个节点，K为大于0的正整数。
9.一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
10.一个或多个存储有计算机可执行指令的非易失性计算机可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取待评估的楼盘信息对应的目标地理位置；
以所述目标地理位置为中心，从楼盘数据库中查找与所述目标地理位置最近的K个楼盘信息，其中，K为大于0的正整数；
根据所述最近的K个楼盘信息中的楼盘价格信息采用argmin函数计算所述目标地理位置对应的楼盘价格信息。
CN201710247230.1A 2017-04-11 2017-04-11 楼盘信息处理方法、装置、计算机设备及存储介质 Pending CN107798636A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710247230.1A CN107798636A (zh) 2017-04-11 2017-04-11 楼盘信息处理方法、装置、计算机设备及存储介质
PCT/CN2018/081878 WO2018188509A1 (zh) 2017-04-11 2018-04-04 楼盘信息处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710247230.1A CN107798636A (zh) 2017-04-11 2017-04-11 楼盘信息处理方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN107798636A true CN107798636A (zh) 2018-03-13

Family

ID=61530186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710247230.1A Pending CN107798636A (zh) 2017-04-11 2017-04-11 楼盘信息处理方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN107798636A (zh)
WO (1) WO2018188509A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018188509A1 (zh) * 2017-04-11 2018-10-18 平安科技（深圳）有限公司 楼盘信息处理方法、装置、计算机设备及存储介质
CN110097271A (zh) * 2019-04-23 2019-08-06 杭州中立房地产土地评估规划咨询有限公司 一种房地产评估系统
CN110837594A (zh) * 2019-10-23 2020-02-25 深圳市汇融科技有限公司 一种自动估价方法
CN111598630A (zh) * 2020-06-30 2020-08-28 成都新潮传媒集团有限公司 小区画像构建方法、装置及存储介质
CN111667026A (zh) * 2020-06-30 2020-09-15 成都新潮传媒集团有限公司 一种多媒体设备地理位置的排错方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254277A (zh) * 2011-06-27 2011-11-23 中国建设银行股份有限公司 一种用于房地产估值的数据处理系统与方法
CN102831541A (zh) * 2012-08-14 2012-12-19 上海克而瑞信息技术有限公司 房屋价值自动评估方法及装置
CN103345718A (zh) * 2013-07-15 2013-10-09 北京拓世寰宇网络技术有限公司 一种二手房房价评估方法
CN104751007A (zh) * 2015-04-16 2015-07-01 百度在线网络技术（北京）有限公司 基于建筑物价值评估的计算方法和装置
WO2016009683A1 (ja) * 2014-07-15 2016-01-21 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
CN105590239A (zh) * 2015-12-25 2016-05-18 北京云房数据技术有限责任公司 一种房地产价格计算方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798636A (zh) * 2017-04-11 2018-03-13 平安科技（深圳）有限公司 楼盘信息处理方法、装置、计算机设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254277A (zh) * 2011-06-27 2011-11-23 中国建设银行股份有限公司 一种用于房地产估值的数据处理系统与方法
CN102831541A (zh) * 2012-08-14 2012-12-19 上海克而瑞信息技术有限公司 房屋价值自动评估方法及装置
CN103345718A (zh) * 2013-07-15 2013-10-09 北京拓世寰宇网络技术有限公司 一种二手房房价评估方法
WO2016009683A1 (ja) * 2014-07-15 2016-01-21 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
CN104751007A (zh) * 2015-04-16 2015-07-01 百度在线网络技术（北京）有限公司 基于建筑物价值评估的计算方法和装置
CN105590239A (zh) * 2015-12-25 2016-05-18 北京云房数据技术有限责任公司 一种房地产价格计算方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018188509A1 (zh) * 2017-04-11 2018-10-18 平安科技（深圳）有限公司 楼盘信息处理方法、装置、计算机设备及存储介质
CN110097271A (zh) * 2019-04-23 2019-08-06 杭州中立房地产土地评估规划咨询有限公司 一种房地产评估系统
CN110837594A (zh) * 2019-10-23 2020-02-25 深圳市汇融科技有限公司 一种自动估价方法
CN111598630A (zh) * 2020-06-30 2020-08-28 成都新潮传媒集团有限公司 小区画像构建方法、装置及存储介质
CN111667026A (zh) * 2020-06-30 2020-09-15 成都新潮传媒集团有限公司 一种多媒体设备地理位置的排错方法及装置

Also Published As

Publication number Publication date
WO2018188509A1 (zh) 2018-10-18

Similar Documents

Publication Publication Date Title
Yao et al. Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model
CN107798636A (zh) 楼盘信息处理方法、装置、计算机设备及存储介质
Huang et al. Spatiotemporal analysis of rural–urban land conversion
Hagenauer et al. Mining urban land-use patterns from volunteered geographic information by means of genetic algorithms and artificial neural networks
Yang et al. Hotel location evaluation: A combination of machine learning tools and web GIS
Meng et al. Assessment of regression kriging for spatial interpolation–comparisons of seven GIS interpolation methods
Tingley et al. Birds track their Grinnellian niche through a century of climate change
Liu et al. Population‐density estimation using regression and area‐to‐point residual kriging
Davtalab et al. A POI recommendation approach integrating social spatio-temporal information into probabilistic matrix factorization
Li et al. Integrating ensemble-urban cellular automata model with an uncertainty map to improve the performance of a single model
Feng et al. Incorporation of spatial heterogeneity-weighted neighborhood into cellular automata for dynamic urban growth simulation
Hu et al. Nonnegative matrix tri-factorization with user similarity for clustering in point-of-interest
CN109492076A (zh) 一种基于网络的社区问答网站答案可信评估方法
Brenning Spatial machine-learning model diagnostics: a model-agnostic distance-based approach
CN108647721A (zh) 基于网络图片自动识别的地表覆盖验证方法及系统
Liu et al. House price modeling over heterogeneous regions with hierarchical spatial functional analysis
Luo et al. A generalized heterogeneity model for spatial interpolation
Cheng et al. A lightweight ensemble spatiotemporal interpolation model for geospatial data
Lin et al. Extracting urban landmarks from geographical datasets using a random forests classifier
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
Li et al. A refined zenith tropospheric delay model for Mainland China based on the global pressure and temperature 3 (GPT3) model and random forest
CN117037482A (zh) 道路交通运行状态实时感知方法、系统、设备及存储介质
Mubea et al. Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya
Chen et al. A cellular automaton integrating spatial case-based reasoning for predicting local landslide hazards
Zhai et al. Using spatial heterogeneity to strengthen the neighbourhood effects of urban growth simulation models

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

Application publication date: 20180313

RJ01 Rejection of invention patent application after publication