CN108108924A - 影响房产估价的特征因素体系的量化方法及系统 - Google Patents
影响房产估价的特征因素体系的量化方法及系统 Download PDFInfo
- Publication number
- CN108108924A CN108108924A CN201810118082.8A CN201810118082A CN108108924A CN 108108924 A CN108108924 A CN 108108924A CN 201810118082 A CN201810118082 A CN 201810118082A CN 108108924 A CN108108924 A CN 108108924A
- Authority
- CN
- China
- Prior art keywords
- characteristic factor
- house property
- house
- real estate
- building
- 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
- 238000013139 quantization Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种影响房产估价的特征因素体系的量化方法及系统,其中,方法包括以下步骤:采集房产的房产数据;将房产数据输入特征因素体系中,以提取房产数据的房产特征,并量化房产特征得到房产特征向量;将房产特征向量输入到房产评估模型中,以得到房产估价。该方法能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
Description
技术领域
本发明涉及房产估价技术领域,特别涉及一种影响房产估价的特征因素体系的量化方法及系统。
背景技术
房产估价房地产税务评估、房地产销售和租赁价格评估、房地产抵押风险控制的重要依据,随着我国市场经济体制的发展以及房地产市场化的推进,与房地产相关的经济活动越来越频繁,对房产估价的需求也随之增大。无论是使用适应性估计方法、机器学习(GBDT(Gradient Boosting Decision Tree,迭代的决策树算法)、随机森林等)还是神经网络实现房产估价,前提都是对影响房产价格的特征因素数据的收集、处理、量化,这一过程直接影响到评估模型的精准性。房地产的价格水平是众多影响房地产价格的特征因素相互作用的结果,而影响房地产价格的特征因素非常复杂,而且部分难以量化,人为主观因素影响严重。而且由于国内外房地产的巨大差异,大部分国外常用的特征变量和量化方法不适合国内的批量评估。
现有研究主要集中在估价模型和房产估价系统上,只是提及了使用到的影响房地产价格的特征因素,没有专门构建特征因素体系和对应的量化方法。比如相关技术提出一种基于随机森林的房地产估价方法,包括建立基础数据库步骤:采集房地产数据组成基础数据库,采用聚类算法或/和去重算法或/和筛选算法对基础数据库进行数据处理,对房地产数据进行特征变量量化处理;建立随机森林模型的步骤;对随机森林模型进行检验的步骤;房地产估价步骤。另外相关技术还提出一种基于神经网络统计学模型的房地产估值系统,包括训练单元、神经网络单元、评估单元,评估单元依照量化标准对待估房产的影响因子进行等级量化得出待估房产影响因子量化值,训练单元存储的每个神经网络设定参数,在每个神经网络中以待估房产影响因子量化值为输入项得出每个神经网络对待估房产的估价,评估单元依照不同神经网络所得出的神经网络待估房产估价乘以预设权重值得出待估房产最终估价。
然而,国内相关研究主要从房产所在地的区位条件、房产自身建筑条件、房产所在小区周围的邻里条件中选取合适的特征变量,只是对影响房产价格的特征变量的简单的进行了分类,没有建立适合国内房产特点的有层级的房产价格影响因素指标体系和相应的量化方法,受人为因素影响严重。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种影响房产估价的特征因素体系的量化方法,该方法可以有效提高估价的客观性和准确性,适用性强。
本发明的另一个目的在于提出一种影响房产估价的特征因素体系的量化系统。
为达到上述目的,本发明一方面实施例提出了一种影响房产估价的特征因素体系的量化方法,包括以下步骤:采集房产的房产数据;将所述房产数据输入特征因素体系中,以提取所述房产数据的房产特征,并量化所述房产特征得到房产特征向量;将所述房产特征向量输入到房产评估模型中,以得到房产估价。
本发明实施例的影响房产估价的特征因素体系的量化方法,通过房产价格特征因素体系以及相应的量化方法,能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
另外,根据本发明上述实施例的影响房产估价的特征因素体系的量化方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
进一步地,在本发明的一个实施例中,所述特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
进一步地,在本发明的一个实施例中,其中,通过量化所述小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到所述房产特征中的小区级特征因素向量;通过量化所述楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到所述房产特征中的楼栋级特征因素向量;通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到所述房产特征中的房屋级特征因素向量。
进一步地,在本发明的一个实施例中,将所述小区级特征因素向量、所述楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
为达到上述目的,本发明另一方面实施例提出了一种影响房产估价的特征因素体系的量化系统,包括:房产数据采集模块,用于采集房产的房产数据;房产特征提取与量化模块,用于将所述房产数据输入特征因素体系中,以提取所述房产数据的房产特征,并量化所述房产特征得到房产特征向量;房产估价模块,用于将所述房产特征向量输入到房产评估模型中,以得到房产估价。
本发明实施例的影响房产估价的特征因素体系的量化系统,通过房产价格特征因素体系以及相应的量化方法,能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
另外,根据本发明上述实施例的影响房产估价的特征因素体系的量化系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
进一步地,在本发明的一个实施例中,所述特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
进一步地,在本发明的一个实施例中,其中,通过量化所述小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到所述房产特征中的小区级特征因素向量;通过量化所述楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到所述房产特征中的楼栋级特征因素向量;通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到所述房产特征中的房屋级特征因素向量。
进一步地,在本发明的一个实施例中,将所述小区级特征因素向量、所述楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的影响房产估价的特征因素体系的量化方法的流程图;
图2为根据本发明一个实施例的影响房产估价的特征因素体系的量化方法的框架图;
图3为根据本发明一个具体实施例的影响房产估价的特征因素体系的量化方法流程图;
图4为根据本发明一个实施例的影响房产估价的特征因素体系的量化系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的影响房产估价的特征因素体系的量化方法及系统,首先将参照附图描述根据本发明实施例提出的影响房产估价的特征因素体系的量化方法。
图1是本发明一个实施例的影响房产估价的特征因素体系的量化方法的流程图。
如图1所示,该影响房产估价的特征因素体系的量化方法包括以下步骤:
在步骤S101中,采集房产的房产数据。
可以理解的是,本发明实施例首先收集房产的数据。
在本发明的一个实施例中,房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
可以理解的是,如图2所示,针对中国房地产的住宅总量大部分是多层或高层住宅,且小范围内(同一住宅小区或商业街区)存在大量同质房产的特点,本文采用小区—楼栋—房屋的层级结构对房产区位、建筑、邻里因素进行整合,其中,如图3所示,房产的区位信息、建筑信息、邻里信息也可以称为房产区位、建筑、邻里因素数据。
具体地,本发明实施例选取特征因素的原则是选择对房地产价格影响大,对估价结果有重要作用的因素为特征因素,如果缺乏这些因素,即使其他次要因素再多,也不能客观评价估价对象。影响房产价格的特征因素如下:
(1)区位因素:指房地产所在区域在城市中的位置,也是房地产所在区域内能对房价产生影响的所有因素的总和,包括文化行政因素、社会经济条件和区域自然条件,可以从位置、交通、环境、配套设施四个方面考虑。
(2)建筑因素:建筑结构因素通常是房地产的自身的因素,包括项目特征和房屋特征,项目特征包括容积率、面积大小、小区规划、房屋类型等;单元房屋特征包括层数与高度、通风朝向、结构质量、装修情况、户型、建筑面积等。
(3)邻里因素:邻里因素是指房地产所在位置的邻近区域的特征,主要是房地产周边的生活服务设施情况,主要体现在生活配套(超市、银行、学校、医院等的数量)、周边环境(绿化率、噪音、排水)等。
在步骤S102中,将房产数据输入特征因素体系中,以提取房产数据的房产特征,并量化房产特征得到房产特征向量。
可以理解的是,如图2所示,本发明实施例梳理出有层级的房产价格特征因素指标体系,并对各个因素建立标准的量化规则,进行基于特征因素体系的特征提取与量化。也就是说,本发明实施例的特征因素体系对房产数据进行特征提取和量化,得到标准的小区级、楼栋级、房屋级特征。
在本发明的一个实施例中,特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
可以理解的是,如图2和图3所示,特征因素体系包括小区级特征、楼栋级特征和房屋及特征等。
进一步地,在本发明的一个实施例中,其中,通过量化小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到房产特征中的小区级特征因素向量;通过量化楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到房产特征中的楼栋级特征因素向量;通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到房产特征中的房屋级特征因素向量。
具体而言,下面分别介绍小区级特征因素、楼栋级特征因素和房屋级特征因素的具体量化方法:
1、小区级特征因素
小区级特征因素主要包括小区的建筑特征、区位特征、邻里环境特征。
(1)位置
小区的位置特征直接体现了小区的区位因素。
量化方法:直接使用第三方地图API提供的小区经度值、维度值和小区到CBD的距离数值。
(2)容积率
指某小区内的总建筑面积与用地面积之比,体现了小区内人口密集程度。
量化方法:直接使用容积率实际数值。
(3)绿地率
指小区用地范围内各类绿地的总和与小区用地的比率,主要包括公共绿地、住宅周边的绿地、配套公建所属绿地和道路两旁的绿地等。
量化方法:直接使用绿地率实际数值。
(4)建成年份
同一区域内不同年代建造的小区价格往往会有所区别。
量化方法:直接使用小区建成的年份数值。
(5)物业管理
物业管理是衡量一个小区生活品质的重要指标,一个小区的卫生、治安、环境及档次的高低可以从物业管理费体现。
量化方法:直接使用物业管理费实际数值。
(6)停车位
汽车已成为家庭主要消费品之一,小区配备的停车位是否充足,也进入了消费者选择商品住宅的考虑范畴。
量化方法:使用车位配比=小区配备停车位数量/小区总户数
(7)学区房
指在可以免试就近入学重点中小学的地域范围内的房产。
量化方法:根据是否是学区房,类别编码为0,1。
(8)交通状况
指小区周边交通便利的程度,是区位因素主要考虑的因素之一。
量化方法:使用小区1km内公交站、地铁站的数量值,小区到最近的公交、地铁的距离数值。
(9)生活配套设施
指基本的生活设施完备程度,按其功能分为两类,一类是为日常生活服务的各类设施,包括医院、银行、超市、景点等设施;另一类是文化教育设施,包括中小学、幼儿园、大学等。
量化方法:小区1km内医院、银行、商场、景点、学校的数量值。
2、楼栋级特征因素
楼栋级特征因素主要是楼栋的建筑特征。
(1)建筑年代
建筑年代是指楼栋建成的年份时间,体现了房屋新旧的程度。
量化方法:直接使用楼栋建成的年份数值。
(2)建筑类型
按照建筑物的高度或样式可分为:平房、板楼、塔楼、板塔结合、独栋别墅、联排别墅、其他等类别。
量化方法:根据实际建筑类型,类别编码为1~7。
(3)建筑结构
根据承重构件所使用的材料不同,可将建筑结构分为钢结构、钢筋混凝土结构、砖混结构、砖木结构和其他结构等类别。
量化方法:根据实际建筑结构,类别编码为1~5。
(4)物业类型
根据楼盘的物业性质可分为:普通住宅、别墅、洋房。
量化方法:根据实际物业类型,类别编码为1~3。
(5)楼高
指建筑物的高度。
量化方法:直接使用楼栋的总楼层数值。
(6)电梯状况
指楼栋有无电梯或者电梯便利程度。
量化方法:使用一梯几户=电梯数/单层户数。
3、房屋级特征因素
房屋级特征因素主要是房屋的建筑特征和邻里环境特征。
(1)户型结构
指卧室、卫生间、客厅等的设计合理状况。
量化方法:直接使用房屋卧室、客厅、卫生间、厨房、阳台的数量值。
(2)室内结构
按照房屋的样式可分为:平层、复式、LOFT、阁楼等类别。
量化方法:根据实际室内结构,类别编码为1~4。
(3)面积
房屋面积是房屋建筑结构最直观的一个属性。
量化方法:直接使用房屋的面积数值。
(4)楼层
指房屋所在楼层在整个建筑中的位置。
量化方法:直接使用房屋的楼层数值。
(5)装修情况
按装修的精致程度可分为:毛坯,简装,精装,高档
量化方法:根据实际装修情况,类别编码为1~4。
(6)朝向
根据正门的坐落方向可分为:南,东南,西南,北,东北,西北,东,西,其他等。
量化方法:根据实际房屋朝向,类别编码为1~9。
(7)景观因素
指房屋对海景、湖泊、山景、人文公园等景观的可视程度。
量化方法:根据GIS对房屋和景观的通视分析,使用分析得到的景观可视范围数值。
(8)日照采光
指房屋的直接采光效果。
量化方法:根据GIS对房屋和生成的太阳点之间点对点的通视分析,使用分析得到的采光时间量化数值。
在步骤S103中,将房产特征向量输入到房产评估模型中,以得到房产估价。
可以理解的是,如图3所示,本发明实施例将得到特征向量输入到神经网络模型中,得到房价的预测值。
进一步地,在本发明的一个实施例中,将小区级特征因素向量、楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
可以理解的是,如图2所示,本发明实施例不限制特征向量体系量化后,形成的特征向量可以带入任意一种机器学习或深度学习模型,比如:神经网络模型、GBDT模型、融合模型。
根据本发明实施例提出的影响房产估价的特征因素体系的量化方法,通过房产价格特征因素体系以及相应的量化方法,能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
其次参照附图描述根据本发明实施例提出的影响房产估价的特征因素体系的量化系统。
图4是本发明一个实施例的影响房产估价的特征因素体系的量化系统的结构示意图。
如图4所示,该影响房产估价的特征因素体系的量化系统10包括:房产数据采集模块100、房产特征提取与量化模块200和房产估价模块300。
其中,房产数据采集模块100用于采集房产的房产数据。房产特征提取与量化模块200用于将房产数据输入特征因素体系中,以提取房产数据的房产特征,并量化房产特征得到房产特征向量。房产估价模块300用于将房产特征向量输入到房产评估模型中,以得到房产估价。本发明实施例的系统10能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
进一步地,在本发明的一个实施例中,房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
进一步地,在本发明的一个实施例中,特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
进一步地,在本发明的一个实施例中,其中,通过量化小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到房产特征中的小区级特征因素向量;通过量化楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到房产特征中的楼栋级特征因素向量;通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到房产特征中的房屋级特征因素向量。
进一步地,在本发明的一个实施例中,将小区级特征因素向量、楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
需要说明的是,前述对影响房产估价的特征因素体系的量化方法实施例的解释说明也适用于该实施例的影响房产估价的特征因素体系的量化系统,此处不再赘述。
根据本发明实施例提出的影响房产估价的特征因素体系的量化系统,通过房产价格特征因素体系以及相应的量化方法,能够避开估价人员的主观因素影响,为今后批量评估研究中指标量化方法提供参考,从而有效提高估价的客观性和准确性,适用性强。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种影响房产估价的特征因素体系的量化方法,其特征在于,包括以下步骤:
采集房产的房产数据;
将所述房产数据输入特征因素体系中,以提取所述房产数据的房产特征,并量化所述房产特征得到房产特征向量;以及
将所述房产特征向量输入到房产评估模型中,以得到房产估价。
2.根据权利要求1所述的影响房产估价的特征因素体系的量化方法,其特征在于,所述房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
3.根据权利要求1所述的影响房产估价的特征因素体系的量化方法,其特征在于,所述特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
4.根据权利要求3所述的影响房产估价的特征因素体系的量化方法,其特征在于,其中,
通过量化所述小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到所述房产特征中的小区级特征因素向量;
通过量化所述楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到所述房产特征中的楼栋级特征因素向量;
通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到所述房产特征中的房屋级特征因素向量。
5.根据权利要求4所述的影响房产估价的特征因素体系的量化方法,其特征在于,将所述小区级特征因素向量、所述楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
6.一种影响房产估价的特征因素体系的量化系统,其特征在于,包括:
房产数据采集模块,用于采集房产的房产数据;
房产特征提取与量化模块,用于将所述房产数据输入特征因素体系中,以提取所述房产数据的房产特征,并量化所述房产特征得到房产特征向量;以及
房产估价模块,用于将所述房产特征向量输入到房产评估模型中,以得到房产估价。
7.根据权利要求6所述的影响房产估价的特征因素体系的量化系统,其特征在于,所述房产数据包括房产的区位信息、建筑信息、邻里信息的一种或多种。
8.根据权利要求6所述的影响房产估价的特征因素体系的量化系统,其特征在于,所述特征因素体系包括小区级特征因素、楼栋级特征因素和房屋级特征因素的一种或多种。
9.根据权利要求8所述的影响房产估价的特征因素体系的量化系统,其特征在于,其中,
通过量化所述小区级特征因素中的位置、容积率、绿地率、建筑年份、物业管理、停车位、学区房、交通状况、生活配套设施的一种或多种,以得到所述房产特征中的小区级特征因素向量;
通过量化所述楼栋级特征因素中的建筑年代、建筑类型、建筑结构、物业类型、楼高、电梯状况的一种或多种,以得到所述房产特征中的楼栋级特征因素向量;
通过量化房屋级特征因素中的户型结构、室内结构、面积、楼层、专修情况、朝向、景观因素、日照采光的一种或多种,以得到所述房产特征中的房屋级特征因素向量。
10.根据权利要求9所述的影响房产估价的特征因素体系的量化系统,其特征在于,将所述小区级特征因素向量、所述楼栋级特征因素向量和房屋级特征因素向量输入到神经网络模型、迭代的决策树算法GBDT模型、融合模型、随机森林模型中的任一种模型中,以得到房产估价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118082.8A CN108108924A (zh) | 2018-02-06 | 2018-02-06 | 影响房产估价的特征因素体系的量化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118082.8A CN108108924A (zh) | 2018-02-06 | 2018-02-06 | 影响房产估价的特征因素体系的量化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108108924A true CN108108924A (zh) | 2018-06-01 |
Family
ID=62221830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810118082.8A Pending CN108108924A (zh) | 2018-02-06 | 2018-02-06 | 影响房产估价的特征因素体系的量化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108924A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876487A (zh) * | 2018-08-29 | 2018-11-23 | 盈盈(杭州)网络技术有限公司 | 一种基于大数据及智能决策机制的工业地块估计方法 |
CN108921734A (zh) * | 2018-07-18 | 2018-11-30 | 北京航空航天大学 | 一个基于多源异构数据的房地产信息可视化系统 |
CN109214298A (zh) * | 2018-08-09 | 2019-01-15 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
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 |
CN110634014A (zh) * | 2019-07-19 | 2019-12-31 | 北京无限光场科技有限公司 | 房源价格的确定方法、装置、设备及介质 |
CN111311302A (zh) * | 2020-01-08 | 2020-06-19 | 重庆邮电大学 | 一种基于多源数据驱动的房产智能评估方法 |
CN114119062A (zh) * | 2021-10-11 | 2022-03-01 | 深圳市房帮帮互联网科技有限公司 | 一种基于多变量的房地产自动估价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101074A1 (en) * | 2001-11-29 | 2003-05-29 | Takeshi Suzuki | System and method for evaluating real estate and the surrounding environment and visualizing the evaluation results |
CN106815782A (zh) * | 2017-01-23 | 2017-06-09 | 重庆汇集源科技有限公司 | 一种基于神经网络统计学模型的房地产估值方法及系统 |
-
2018
- 2018-02-06 CN CN201810118082.8A patent/CN108108924A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101074A1 (en) * | 2001-11-29 | 2003-05-29 | Takeshi Suzuki | System and method for evaluating real estate and the surrounding environment and visualizing the evaluation results |
CN106815782A (zh) * | 2017-01-23 | 2017-06-09 | 重庆汇集源科技有限公司 | 一种基于神经网络统计学模型的房地产估值方法及系统 |
Non-Patent Citations (2)
Title |
---|
TIAN-BAO XIE 等: ""Multi-model Combination Housing Price Forecasting Based on Web Search Data"", 《PROCEEDINGS OF 2017 2ND INTERNATIONAL CONFERENCE ON TEST, MEASUREMENT AND COMPUTATIONAL METHOD(TMCM 2017》 * |
张晖 等: ""基于三维空间数据的房地产估价信息挖掘"", 《中国房地产估价师与房地产经纪人学会2013年会》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921734A (zh) * | 2018-07-18 | 2018-11-30 | 北京航空航天大学 | 一个基于多源异构数据的房地产信息可视化系统 |
CN109214298A (zh) * | 2018-08-09 | 2019-01-15 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109214298B (zh) * | 2018-08-09 | 2021-06-08 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
CN108876487A (zh) * | 2018-08-29 | 2018-11-23 | 盈盈(杭州)网络技术有限公司 | 一种基于大数据及智能决策机制的工业地块估计方法 |
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 |
CN110634014A (zh) * | 2019-07-19 | 2019-12-31 | 北京无限光场科技有限公司 | 房源价格的确定方法、装置、设备及介质 |
CN111311302A (zh) * | 2020-01-08 | 2020-06-19 | 重庆邮电大学 | 一种基于多源数据驱动的房产智能评估方法 |
CN114119062A (zh) * | 2021-10-11 | 2022-03-01 | 深圳市房帮帮互联网科技有限公司 | 一种基于多变量的房地产自动估价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108924A (zh) | 影响房产估价的特征因素体系的量化方法及系统 | |
Xiao et al. | Effects of floor level and landscape proximity on housing price: A hedonic analysis in Hangzhou, China | |
Greene et al. | Canopy of advantage: Who benefits most from city trees? | |
Luttik | The value of trees, water and open space as reflected by house prices in the Netherlands | |
Apparicio et al. | Predictors of the distribution of street and backyard vegetation in Montreal, Canada | |
Azizibabani et al. | The effects of incremental housing approach on the level of residential satisfaction | |
Tan et al. | Spatial differentiation and influencing factors of poverty alleviation performance under the background of sustainable development: a case study of contiguous destitute areas in Hunan Province, China | |
Muoghalu | Measuring housing and environmental quality as indicator of quality of urban life: A case of traditional city of Benin, Nigeria | |
Askarizad et al. | Organizing worn-out neighborhoods with the new-urbanism approach using mixed methods in Rudsar, northern Iran | |
Zhang et al. | Mixed landform with high-rise buildings: A spatial analysis integrating horizon-vertical dimension in natural-human urban systems | |
CN113627818A (zh) | 基于城市搬迁地的公园绿地建设项目综合效益评价方法 | |
Quan et al. | A community resilience evaluation and optimization strategy based on stormwater management | |
Alao | A review of mass housing in Abuja, Nigeria: Problems and possible solutions towards sustainable housing | |
Fei et al. | Research on the layout of urban disaster-prevention and risk-avoidance green space under the improvement of supply and demand match: The case study of the main urban area of Nanjing, China | |
Owoeye | Assessing Urban Growth Dynamics and Depletion of Agricultural Land Use in Akure Region, Nigeria | |
Rai | The Role of Urban Spaces in Creating Socially Cohesive Neighborhoods: The Case of Walled City of Jaipur, India | |
Palmino-Reganit | Analysis of community's coping mechanisms in relation to floods: a case study in Naga city, Philippines | |
Wandl | Comparing the landscape fragmentation and accessibility of green spaces in territories-in-between across Europe | |
Khaleh et al. | Identification of the relationship between tourism industry development and economic growth of Zanjan Province | |
Xhariep | Xhariep District Municipality Integrated Development Plan, 2022-2027 (draft) | |
Pang et al. | Community environmental detection and community outdoor space health promotion based on cloud resource scheduling mechanism | |
Shokri et al. | Investigating and analyzing the components of urban vitality in sustainable residential spaces in order to achieve happiness and social welfare of citizens (Case study: Residential neighborhoods in Babolsar city) | |
Mohamed | Human poverty in rural communities in Egypt: a case study of Al-Sharkia province | |
Gan et al. | Infrastructure and Industry Economy | |
Thompson et al. | 9B. Precinct Scale Health and Well-Being Benefits Linked to Built Form |
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: 20180601 |