CN109493147A - 基于多层级模型融合的房产自动评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于多层级模型融合的房产自动评估方法及系统，其中，该方法包括：根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征；将房产分区内待估小区对应的小区级房产特征输入预先训练的小区基准价自动评估模型得到待估小区的小区基准价；将小区基准价、小区级房产特征、楼栋级房产特征和房屋级房产特征输入预先训练的房价自动评估模型得到待估小区的房产价格。该方法解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

Description

基于多层级模型融合的房产自动评估方法及系统

技术领域

本发明涉及价格评估技术领域，特别涉及一种基于多层级模型融合的房产自动评估方法及系统。

背景技术

房产估价是指结合房地产基本的评估理论，在对影响房产价值的因素进行综合分析的基础上，估算房产在估价时间点的价值，是房地产税务评估、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。

相关技术中，比如一种基于小区、单模型的房屋资产估价方法，使用城市空间区位系数、商业密集程度系数、交通便捷程度系数小区景观差异系数、周边医疗系数、周边教育系数、周边休闲系数代表区位因素。又如，一种基于神经网络统计学模型的房地产估值系统，按照行政区、物业类型、片区、小区来确定神经网络，使用商业中心距离、交通状况、行政区代表区位因素。再如一种多模型融合的房产评估方法，通过待估房产获取其相关区域内的可比案例，使用生活配套、教育配套、交通便捷度代表区位因素，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，克服了传统估价模型单一性。

但是仍存在一些问题，如房产分区大多以行政区建立分区，没有继续往下细分，分区内房产相似度较低，影响评估精度；部分技术采用基于小区或者待估房产相关区域分区，但需要构建大量模型，而且无法评估可比案例较少的区域；使用多个特征变量代理区位因素直接输入到评估模型中，但这些特征选取和量化没有建立标准，而且模型难以直接学习到有效的组合特征来代表区位因素；部分技术提出了一种多模型融合的房产评估方法，但只是通过类似bagging(一种用来提高学习算法准确度的方法)的思想在同一级建立了多种模型，没有分层级地融合不同的模型。

综上，房产估价存在的问题为：1)房产分区难以合理划分：房产分区要求被分为同一区域的房地产具有高度相似性，而不同类之间具有高度排异性。若分区划分过细，需要构建大量模型，而且部分可比案例少的区域会导致评估精度较低。若分区划分较大，同一分区内的房产相似度较低，同样导致评估精度降低；2)房产区位因素难以直接量化：由于房产位置的固定性，在房产评估时，区位因素起着不可忽视的作用，但房产区位因素特征变量较为复杂且较难量化，难以评估其对房产价格的影响，模型难以直接学习到有效的组合特征来代表区位因素。3)单模型精度瓶颈：不同的模型是从不同的角度分析数据，单模型只能从单一方面对数据建模，存在精度瓶颈。

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基于多层级模型融合的房产自动评估方法，该方法解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

本发明的另一个目的在于提出一种基于多层级模型融合的房产自动评估系统。

为达到上述目的，本发明一方面实施例提出了一种基于多层级模型融合的房产自动评估方法，包括：根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征；将所述房产分区内待估小区对应的所述小区级房产特征输入预先训练的小区基准价自动评估模型得到所述待估小区的小区基准价；将所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征输入预先训练的所述房价自动评估模型得到所述待估小区的房产价格。

本发明实施例的基于多层级模型融合的房产自动评估方法，通过建立房价自动评估模型，以行政区建立评估分区，输入是小区基准价、小区级特征变量、楼栋级特征变量和房屋级特征变量，输出是最终预测的房价。小区基准价自动评估模型和房价自动评估模型都分别建立了GBDT模型、随机森林模型和神经网络模型，通过加权求和的方式实现模型的融合，解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

另外，根据本发明上述实施例的基于多层级模型融合的房产自动评估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，通过所述小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到所述小区基准价自动评估模型；通过所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征训练所述GBDT模型、所述随机森林模型、所述神经网络模型以融合得到所述房价自动评估模型。

进一步地，在本发明的一个实施例中，通过所述小区基准价模型得到所述待估小区的多个所述小区基准价，对多个所述小区基准价加权平均得到所述待估小区最终的所述小区基准价。

进一步地，在本发明的一个实施例中，通过所述房价自动评估模型得到所述待估小区的多个房产价格，对所述多个房产价格加权平均得到所述待估小区的最终房产价格。

进一步地，在本发明的一个实施例中，所述小区级房产特征包括地理位置、容积率、绿地率、建成年份、物业管理、停车位、学区房、交通状况和生活配套设施；所述楼栋级房产特征包括：建筑年代、建筑类型、建筑结构、物业类型、楼高和电梯状况；所述房屋级房产特征包括：户型结构、面积、楼层、楼层、装修情况和朝向。

为达到上述目的，本发明另一方面实施例提出了一种基于多层级模型融合的房产自动评估系统，包括：获取模块，用于根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征；第一输出模块，用于将所述房产分区内待估小区对应的所述小区级房产特征输入预先训练的小区基准价自动评估模型得到所述待估小区的小区基准价；第二输出模块，用于将所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征输入预先训练的所述房价自动评估模型得到所述待估小区的房产价格。

本发明实施例的基于多层级模型融合的房产自动评估系统，通过建立房价自动评估模型，以行政区建立评估分区，输入是小区基准价、小区级特征变量、楼栋级特征变量和房屋级特征变量，输出是最终预测的房价。小区基准价自动评估模型和房价自动评估模型都分别建立了GBDT模型、随机森林模型和神经网络模型，通过加权求和的方式实现模型的融合，解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

另外，根据本发明上述实施例的基于多层级模型融合的房产自动评估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，通过所述小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到所述小区基准价自动评估模型；通过所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征训练所述GBDT模型、所述随机森林模型、所述神经网络模型以融合得到所述房价自动评估模型。

进一步地，在本发明的一个实施例中，所述第一输出模块进一步用于，通过所述小区基准价模型得到所述待估小区的多个所述小区基准价，对多个所述小区基准价加权平均得到所述待估小区最终的所述小区基准价。

进一步地，在本发明的一个实施例中，所述第二输出模块进一步用于，通过所述房价自动评估模型得到所述待估小区的多个房产价格，对所述多个房产价格加权平均得到所述待估小区的最终房产价格。

进一步地，在本发明的一个实施例中，所述小区级房产特征包括地理位置、容积率、绿地率、建成年份、物业管理、停车位、学区房、交通状况和生活配套设施；所述楼栋级房产特征包括：建筑年代、建筑类型、建筑结构、物业类型、楼高和电梯状况；所述房屋级房产特征包括：户型结构、面积、楼层、楼层、装修情况和朝向。

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基于多层级模型融合的房产自动评估方法流程图；

图2为根据本发明一个实施例的基于多层级模型融合的房产自动评估方法构架图；

图3为根据本发明一个实施例的基于多层级模型融合的房产自动评估方法的多层级模型融合流程图；

图4为根据本发明一个具体实施例的基于模型融合的自动评估模型特征重要性分布图；

图5为根据本发明一个实施例的基于多层级模型融合的房产自动评估系统结构示意图。

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。

由于房产位置的固定性，在房产评估时，区位因素起着不可忽视的作用，但区位因素特征变量较为复杂且较难量化，难以评估其对房产价格的影响，而且模型难以直接学习到有效的组合特征来代表区位因素。

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，本发明实施例提出以小区基准价直接代表房产的区位因素，其定义是小区内可比案例的房产价格的中位数。但是对于一些挂牌案例较少的小区，存在没有小区基准价或者小区基准价不准的问题。本发明实施例的解决方案是用挂牌案例较多的小区数据构建模型，模型输入为小区级特征变量，输出为小区基准价，用该模型预测挂牌案例少的小区的小区基准价。

下面参照附图描述根据本发明实施例提出的基于多层级模型融合的房产自动评估方法及系统，首先将参照附图描述根据本发明实施例提出的基于多层级模型融合的房产自动评估方法。

图1为根据本发明一个实施例的基于多层级模型融合的房产自动评估方法流程图。

如图1所示，该基于多层级模型融合的房产自动评估方法包括以下步骤：

在步骤S101中，根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征。

其中，小区级房产特征、楼栋级房产特征和房屋级房产特征如表1所示。

表1

小区级特征	楼栋级特征	房屋级特征
			地理位置	建筑年代	户型结构
容积率	建筑类型	面积
			绿地率	建筑结构	楼层
建成年份	物业类型	楼层
			物业管理	楼高	装修情况
停车位	电梯状况	朝向
			学区房
交通状况
			生活配套设施

在步骤S102中，将房产分区内待估小区对应的小区级房产特征输入预先训练的小区基准价自动评估模型得到待估小区的小区基准价。

进一步地，在本发明的一个实施例中，通过小区基准价模型得到待估小区的多个小区基准价，对多个小区基准价加权平均得到待估小区最终的小区基准价。

可以理解的是，如图2所示，预测分区内各个小区的小区基准价，在同一层级上将基于GBDT(Gradient Boosting Decision Tree，梯度提升决策树)、基于随机森林、基于神经网络的小区基准价模型的预测结果加权平均得到最终的小区基准价。

进一步地，在本发明的一个实施例中，可以通过小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到小区基准价自动评估模型。小区基准价模型解决了区位因素复杂、难量化、模型难以直接学习到有效的组合特征来代表区位因素的问题。

基于stacking的思想，使用上述房价特征因素和对应小区的小区基准价分别训练基于GBDT、基于随机森林、基于神经网络的房价模型，实现在不同层级上的模型融合。

在步骤S103中，将小区基准价、小区级房产特征、楼栋级房产特征和房屋级房产特征输入预先训练的房价自动评估模型得到待估小区的房产价格。

进一步地，在本发明的一个实施例中，通过房价自动评估模型得到待估小区的多个房产价格，对多个房产价格加权平均得到待估小区的最终房产价格。

进一步地，在本发明的一个实施例中，通过小区基准价、小区级房产特征、楼栋级房产特征和房屋级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到房价自动评估模型。

可以理解的是，如图3所示，在同一层级上将基于GBDT、基于随机森林、基于神经网络的房价模型的预测结果加权平均得到最终的房产价格。

虽然房价自动评估模型以行政区建立房产分区，分区较大，但是基于模型融合的自动评估模型的输入有能直接代表区位因素的小区基准价特征，本模型能够自动地将小区基准价接近的小区放入同一个区间，相当于做了更细致的房产分区。所以本模型只需要在行政区级别的大分区构建模型，行政区里的更细致的分区由小区基准价自动评估模型完成，解决了部分小区可比案例少、难以评估的问题，并简化了房产分区和减少了建模工作量。

本发明实施例的方案房产分区符合以下特点：(1)均价性：同一评估区域内，房地产价格水平较为接近或者属于同一档次；(2)均质性：同一评估区域内，房地产的建设规模、建筑档次、建筑类型和用途应该一致，以及建筑物所占用的土地，其利用状况、基础配套设施完善程度和规划等应该相当；(3)规模适当：各评估区域的面积规模适当，并保持地块的完整性；(4)不重不漏：各评估区域彼此相连，能够完全覆盖批量评估所包含的区域。

本模型在同一层级和不同层级上都实现了模型融合，同一层级上小区基准价自动评估模型和房价自动评估模型再各自分别建立了GBDT模型、随机森林模型和神经网络模型，通过加权求和的方式实现模型的融合；在不同层级上，小区基准价自动评估模型和房价自动评估模型是从不同的数据空间角度和数据结构角度来观测房产数据，然后结合各自的算法原理建立模型，将小区基准价自动评估模型的结果作为房价自动评估模型的输入，实现了不同层级上模型融合，类似于stacking的集成学习思想，增强了模型的容错和抗扰动能力，有效提升模型精度。

下面通过一个具体实施例对本发明的基于多层级模型融合的房产自动评估方法进行详细说明。

本实施例的实验分别测试了基于全量数据的单模型、和基于模型融合的自动评估模型在同一数据集下的性能，验证融合模型的有效性。

实验数据来自某行政区600多个小区基础数据和44113条房产数据，按时间顺序切分成训练集和测试集，在测试集上验证模型效果，相对误差<15％的准确率达到75％视为有效。

数据量：训练集35291条房产数据；测试集8822条房产数据。

实验结果如表2所示。

表2

如图4所示，可以看出，基于模型融合的自动评估模型优于基于全量特征的单模型，可以有效的提升模型精度。而且小区基准价的特征重要性在小区级特征中排第一，验证了小区基准价代表区位因素的有效性。

根据本发明实施例提出的基于多层级模型融合的房产自动评估方法，通过建立房价自动评估模型，以行政区建立评估分区，输入是小区基准价、小区级特征变量、楼栋级特征变量和房屋级特征变量，输出是最终预测的房价。小区基准价自动评估模型和房价自动评估模型都分别建立了GBDT模型、随机森林模型和神经网络模型，通过加权求和的方式实现模型的融合，解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

其次参照附图描述根据本发明实施例提出的基于多层级模型融合的房产自动评估系统。

图5为本发明一个实施例的基于多层级模型融合的房产自动评估系统结构示意图。

如图5所示，该基于多层级模型融合的房产自动评估系统10包括：获取模块100、第一输出模块200和第二输出模块300。

其中，获取模块100用于根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征。第一输出模块200用于将房产分区内待估小区对应的小区级房产特征输入预先训练的小区基准价自动评估模型得到待估小区的小区基准价。第二输出模块300用于将小区基准价、小区级房产特征、楼栋级房产特征和房屋级房产特征输入预先训练的房价自动评估模型得到待估小区的房产价格。该房产自动评估系统10解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

进一步地，在本发明的一个实施例中，通过小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到小区基准价自动评估模型；

通过小区基准价、小区级房产特征、楼栋级房产特征和房屋级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到房价自动评估模型。

进一步地，在本发明的一个实施例中，第一输出模块进一步用于，通过小区基准价模型得到待估小区的多个小区基准价，对多个小区基准价加权平均得到待估小区最终的小区基准价。

进一步地，在本发明的一个实施例中，第二输出模块进一步用于，通过房价自动评估模型得到待估小区的多个房产价格，对多个房产价格加权平均得到待估小区的最终房产价格。

进一步地，在本发明的一个实施例中，小区级房产特征包括地理位置、容积率、绿地率、建成年份、物业管理、停车位、学区房、交通状况和生活配套设施；楼栋级房产特征包括：建筑年代、建筑类型、建筑结构、物业类型、楼高和电梯状况；房屋级房产特征包括：户型结构、面积、楼层、楼层、装修情况和朝向。

需要说明的是，前述对基于多层级模型融合的房产自动评估方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的基于多层级模型融合的房产自动评估系统，通过建立房价自动评估模型，以行政区建立评估分区，输入是小区基准价、小区级特征变量、楼栋级特征变量和房屋级特征变量，输出是最终预测的房价。小区基准价自动评估模型和房价自动评估模型都分别建立了GBDT模型、随机森林模型和神经网络模型，通过加权求和的方式实现模型的融合，解决了传统模型单一性问题，在一定程度上提升了模型精度，可以准确的评估房价。

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)

1.一种基于多层级模型融合的房产自动评估方法，其特征在于，包括以下步骤：

根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征；

将所述房产分区内待估小区对应的所述小区级房产特征输入预先训练的小区基准价自动评估模型得到所述待估小区的小区基准价；

将所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征输入预先训练的所述房价自动评估模型得到所述待估小区的房产价格。

2.根据权利要求1所述的基于多层级模型融合的房产自动评估方法，其特征在于，

通过所述小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到所述小区基准价自动评估模型；

通过所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征训练所述GBDT模型、所述随机森林模型、所述神经网络模型以融合得到所述房价自动评估模型。

3.根据权利要求1所述的基于多层级模型融合的房产自动评估方法，其特征在于，

通过所述小区基准价模型得到所述待估小区的多个所述小区基准价，对多个所述小区基准价加权平均得到所述待估小区最终的所述小区基准价。

4.根据权利要求1所述的基于多层级模型融合的房产自动评估方法，其特征在于，

通过所述房价自动评估模型得到所述待估小区的多个房产价格，对所述多个房产价格加权平均得到所述待估小区的最终房产价格。

5.根据权利要求1所述的基于多层级模型融合的房产自动评估方法，其特征在于，

所述小区级房产特征包括地理位置、容积率、绿地率、建成年份、物业管理、停车位、学区房、交通状况和生活配套设施；

所述楼栋级房产特征包括：建筑年代、建筑类型、建筑结构、物业类型、楼高和电梯状况；

所述房屋级房产特征包括：户型结构、面积、楼层、楼层、装修情况和朝向。

6.一种基于多层级模型融合的房产自动评估系统，其特征在于，包括：

获取模块，用于根据行政区划分房产分区，获取并量化小区级房产特征、楼栋级房产特征和房屋级房产特征；

第一输出模块，用于将所述房产分区内待估小区对应的所述小区级房产特征输入预先训练的小区基准价自动评估模型得到所述待估小区的小区基准价；

第二输出模块，用于将所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征输入预先训练的所述房价自动评估模型得到所述待估小区的房产价格。

7.根据权利要求6所述的基于多层级模型融合的房产自动评估系统，其特征在于，

通过所述小区级房产特征训练GBDT模型、随机森林模型、神经网络模型以融合得到所述小区基准价自动评估模型；

通过所述小区基准价、所述小区级房产特征、所述楼栋级房产特征和所述房屋级房产特征训练所述GBDT模型、所述随机森林模型、所述神经网络模型以融合得到所述房价自动评估模型。

8.根据权利要求6所述的基于多层级模型融合的房产自动评估系统，其特征在于，所述第一输出模块进一步用于，

通过所述小区基准价模型得到所述待估小区的多个所述小区基准价，对多个所述小区基准价加权平均得到所述待估小区最终的所述小区基准价。

9.根据权利要求6所述的基于多层级模型融合的房产自动评估系统，其特征在于，所述第二输出模块进一步用于，

通过所述房价自动评估模型得到所述待估小区的多个房产价格，对所述多个房产价格加权平均得到所述待估小区的最终房产价格。

10.根据权利要求6所述的基于多层级模型融合的房产自动评估系统，其特征在于，

所述小区级房产特征包括地理位置、容积率、绿地率、建成年份、物业管理、停车位、学区房、交通状况和生活配套设施；

所述楼栋级房产特征包括：建筑年代、建筑类型、建筑结构、物业类型、楼高和电梯状况；

所述房屋级房产特征包括：户型结构、面积、楼层、楼层、装修情况和朝向。