CN109583939A - 小区房源平均价值参数估计方法以及装置 - Google Patents
小区房源平均价值参数估计方法以及装置 Download PDFInfo
- Publication number
- CN109583939A CN109583939A CN201811288736.8A CN201811288736A CN109583939A CN 109583939 A CN109583939 A CN 109583939A CN 201811288736 A CN201811288736 A CN 201811288736A CN 109583939 A CN109583939 A CN 109583939A
- Authority
- CN
- China
- Prior art keywords
- price
- average price
- houses
- data
- listed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012797 qualification Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000003197 gene knockdown Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised 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
- 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—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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (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
本申请涉及机器学习与神经网络领域，用于处理小区房源数据，具体涉及一种小区房源平均价值参数估计方法、装置、计算机设备和存储介质。方法包括：获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；对挂牌均价、成交均价以及初始市场均价进行灰色多变量关联度预测，获得价格关联数据；将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测均价。本申请可以根据小区已成交房源的价格数据以及价格数据之间的关联度，通过预设的小波神经网络对目标小区房源的平均价值参数进行准确估值，相比估价师的主观估价，更加客观准确。
Description
技术领域
本申请涉及信息处理领域，特别是涉及一种小区房源平均价值参数估计方法以及装置。
背景技术
小区是指以住宅楼房为主体并配有商业网点、文化教育、娱乐、绿化、公用和公共设施等而形成的具有一定规模的居民生活区。随着中国城市化的推进，居民小区如同雨后春笋一般冒出，小区房产也随之成为人们投资的热点。
然而传统的房产估值利用市场样本估价法：估价师根据经验选择与目标小区相似的小区，根据相似小区的价格人为判断目标小区的定价，对小区的估价不够客观准确。
发明内容
基于此，有必要针对上述技术问题，提供一种小区房源平均价值参数估计方法、装置、计算机设备及存储介质。
一种小区房源平均价值参数估计方法，所述方法包括：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对所述挂牌均价、所述成交均价以及所述小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得。
在其中一个实施例中，所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价之前，还包括：
获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据；根据所述挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据所述成交价格数据，获得目标小区房源各个预设时间段的成交均价。
在其中一个实施例中，所述根据所述挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据所述成交价格数据，获得目标小区房源各个预设时间段的成交均价之前，还包括：
基于均值滤波原理对所述挂牌价格数据以及所述成交价格数据进行过滤处理。
在其中一个实施例中，所述将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数之前，还包括：
获取所述目标小区房源的各个历史时间段的历史价格数据，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，所述挂牌均价、成交均价以及价格关联数据为输入数据，所述初始市场均价为预测结果；
随机将所述历史价格数据分为训练集与测试集；
将所述训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；
通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果；
当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据所述目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
在其中一个实施例中，所述通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果具体包括：
将所述测试集输入训练后的初始小波神经网络，获得估价测试结果；
获取所述估价测试结果中与所述估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例；
当所述比例不超过预设阈值时，评估为合格，当所述比例超过预设阈值时，评估为不合格。
在其中一个实施例中，所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价之前，还包括：
根据所述目标小区房源的物业类型对所述目标小区房源进行分类；
所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及所述目标小区的小区房源初始市场均价具体包括：
分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及所述房源初始市场均价；
所述将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数具体包括：
分别将目标小区各类房源的所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区各类房源的预测平均价值参数。
一种小区房源平均价值参数估计装置，所述装置包括：
价格数据获取模块，用于获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
关联预测模块，用于对所述挂牌均价、所述成交均价以及所述小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
均价预测模块，用于将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
在其中一个实施例中，还包括模型训练模块，用于：
获取所述目标小区房源的各个历史时间段的历史价格数据，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，所述挂牌均价、成交均价以及价格关联数据为输入数据，所述初始市场均价为预测结果；
随机将所述历史价格数据分为训练集与测试集；
将所述训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；
通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果；
当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据所述目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对所述挂牌均价、所述成交均价以及所述小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测均价，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对所述挂牌均价、所述成交均价以及所述小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测均价，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
上述小区房源平均价值参数估计方法、装置、计算机设备以及存储介质，首先获取用于估计目标小区房源均价的基础数据，即目标小区房源各个预设时间段的挂牌均价、成交均价以及目标小区的小区房源初始市场均价，而后对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得三者之间的关联关系即价格关联数据；而后将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，对目标小区房源的平均价值参数进行预估。本申请可以根据小区已成交房源的价格数据以及价格数据之间的关联度，通过预设的小波神经网络对目标小区房源的平均价值参数进行准确估值，相比估价师的主观估价，更加客观准确。
附图说明
图1为一个实施例中小区房源平均价值参数估计方法的流程示意图；
图2为一个实施例中小区房源平均价值参数估计方法的流程示意图；
图3为一个实施例中小区房源平均价值参数估计方法的流程示意图；
图4为一个实施例中小区房源平均价值参数估计估计装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的小区房源平均价值参数估计方法，用于对小区房源的均价进行估计，具体可以通过计算机程序对本申请的小区房源平均价值参数估计方法进行实现，计算机程序可以加载于终端上，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。
如图1所示，在其中一个实施例中，本申请的小区房源平均价值参数估计方法，包括：
S200，获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价。
目标小区是指估价的目标，可以通过本方法对目标小区房源的平均价格进行估计。各个预设时间段具体是指距离目前为止的多段时间，比如可以为以现在为起点的过去半年的每个月，在这半年内小区房源的总体价格维持稳定，没有发生金融危机之类可能会对目标小区的房源价格影响较大的事件。根据数据所产生的时间段对目标小区房源的数据进行分组。挂牌价是指房屋业主在房屋中介机构挂牌时定下的房屋价格。挂牌均价是挂牌价的平均值。成交价是指房屋业主与房屋买家在成交房屋时的实际的买卖价格。成交均价是指成交价的平均值。初始市场均价是指市场给出的小区房源平均价格，在其中一个实施例中，初始市场均价可以根据各个房屋中介网站以及房屋中介机构给出的目标小区的房源均价来获取。
首先获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价。
S400，对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
关联度是指事物或因素之间相互变化的情况，包括变化的大小，方向与速度等的相对性，如果事物或因素变化的态势基本一致，则可以认为他们之间的关联度较大，反之则关联度较小。通过灰色多变量关联度预测关联度相比通过回归或者相关之类的统计分析方法分析所需要的数据较少，对数据要求较低。
通过灰色关联度分析可以轻松获取挂牌均价、成交均价以及小区房源初始市场均价之间的关联度数据。
S600，将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测均价，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
小波神经网络是将小波理论与神经网络理论结合起来诞生的一种网络系统，即将神经网络的激活函数，例如Sigmoid函数，替换成小波函数，而相应的输入层到隐层的权值及激活阈值，由小波函数的尺度伸缩因子和时间平移因子所代替。小波神经网络可以避免BP神经网络等结构设计上的盲目性；而且其次小波神经网络有更强的学习能力，精度更高。且因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解，总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。预设的小波神经网络是指已经完成了训练的神经网络模型，具体可以将目标小区房源各个历史时间段的挂牌均价以及成交均价作为训练数据，来对初始的小波神经网络进行训练获得预设的小波神经网络。小波神经网络具体包括了输入层、隐层以及输出层。平均价值参数是指用于描述小区房源平均价值的具体参数，通过平均价值参数可以体现小区房源的具体价值。
将挂牌均价、成交均价以及价格关联数据输入预设小波神经网络，通过隐层对上述数据进行处理，而后经由输出层输出获得目标小区房源的预测平均价值参数。
上述小区房源平均价值参数估计方法，首先获取用于估计目标小区房源均价的基础数据，即目标小区房源各个预设时间段的挂牌均价、成交均价以及目标小区的小区房源初始市场均价，而后对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得三者之间的关联关系即价格关联数据；而后将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，对目标小区房源的平均价值参数进行预估。本申请可以根据小区已成交房源的价格数据以及价格数据之间的关联度，通过预设的小波神经网络对目标小区房源的平均价值参数进行准确估值，相比估价师的主观估价，更加客观准确。
如图2所示，在其中一个实施例中，步骤S200之前，还包括：
S120，获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据。
S140，根据挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据成交价格数据，获得目标小区房源各个预设时间段的成交均价。
首先可以获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据，而后根据挂牌价格数据以及成交价格数据来计算目标房源各个时间段的挂牌均价与成交均价，简单方便。
在其中一个实施例中，步骤S140之前还包括：
S130，基于均值滤波原理对挂牌价格数据以及成交价格数据进行过滤处理。
过滤处理是指剔除挂牌价格数据以及成交价格数据中出现异常的数据。比如可以基于均值滤波原理，排除挂牌价格数据以及成交价格数据中低于或高于当时小区房源初始市场均价40％的数据。或者是挂牌价格与成交价格相差过大的数据。由于房源的价格容易受到多种因素的影响，比如某个卖房者急于用钱，就可能将小区房源以过低的价格出售。又或者，目标小区的某个房源可能位置太高，使得该房源价格过低。又或者，多个购房者同时对某个房源感兴趣，于是通过竞价的方式来求购该房源，使得该房源价格高于当前小区均价。这些异常价格对于计算小区均价的参考价值不高，所以将该数据作为异常数据从计算目标小区的预测平均价格中进行剔除。通过剔除目标小区房源的挂牌价格数据以及成交价格数据中的异常数据，可以充分提高所得的目标小区房源的预测平均价格的有效性。
如图3所示，在其中一个实施例中，步骤S600之前，还包括：
S510，获取目标小区房源的各个历史时间段的历史价格数据，历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，挂牌均价、成交均价以及价格关联数据为输入数据，初始市场均价为预测结果。
S530，随机将历史价格数据分为训练集与测试集；
S550，将训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；
S570，通过测试集对训练后的初始小波神经网络进行评估。
S592，获得评估结果,当评估为不合格时.进入步骤S594，根据评估数据更新训练后的小波神经网络，并返回根据目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，进入步骤S596，将训练后的初始
小波神经网络作为预设小波神经网络。
其中步骤S570具体可以包括：
将测试集输入训练后的初始小波神经网络，获得估价测试结果。
获取估价测试结果中与估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例。
当比例不超过预设阈值时，评估为合格，当比例超过预设阈值时，评估为不合格。
测试集与训练集内的数据具体是根据时间段分组的各历史价格数据，历史价格数据具体包括挂牌均价、成交均价、价格关联数据以及初始市场均价。其中挂牌均价、成交均价与价格关联数据是输入模型的参数，初始市场均价是模型估计的目标参数。
可以基于目标小区房源的历史的各个时间段的挂牌均价以及成交均价对小波神经网络进行训练。例如本月是8月，本方案中的预设时间指的是2-7月，依靠本方案的方法可以基于目标小区2月到7月的挂牌价格和成交价格对目标小区的房源平均价格进行预测，获得目标小区的预测平均价格。其中输入的数据包含的是2月到7月的挂牌均价、成交均价，输出的获得目标小区的预测平均价格。但是将目标小区1月到6月这6个月或者去年12月到今天5月这6个月的挂牌均价以及成交均价作为样本对小波神经网络进行训练。通过以前的小区房源价格对小波神经网络进行训练，可以有效提高小波神经网络预测的准确性。
评估是指对训练完成的小波神经网络进行评估，判断其准确率是否达到预期，即将测试集中的各组历史价格数据输入判断训练完成的小波神经网络，获得其预测的结果，获得模型所得到的预估价格不低于或者高于该历史价格数据中的初始市场均价的10％占所有测试数据的比例，判断该比例是否超过预设的阈值，即判断模型所估计获得的目标小区的房源平均价值参数的误差是否在预设的可接受的范围，当其处于预设的误差范围内时，判断其训练完成，可以用于对目标小区的房源均价进行估计。
在其中一个实施例中，步骤S200之前，还包括根据目标小区房源的物业类型对目标小区房源进行分类。
步骤S200具体包括：分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及房源初始市场均价。
步骤S600具体包括：分别将目标小区各类房源的挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区各类房源的预测均价。
在获取预设时间内目标小区房源的挂牌价格前，可以根据房源的物业类型对房源进行分类，而后根据各房源的类型来求取房源均价。小区房源的物业类型多种多样，如别墅、商铺、公寓以及普通商品房等。房源的类型对房源的价格有这巨大的影响，可以通过根据小区房源的物业类型来对小区房源进行分类，而后分别计算每一类物业类型的房源的平均价格，通过区分物业类型来提高所得的目标小区房源的预测平均价格的有效性，防止异常类型的房源对于所预测的小区均价的影响。
在其中一个实施例中，本申请的小区房源平均价值参数估计方法，包括：获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据。对挂牌价格数据以及成交价格数据进行过滤处理。根据挂牌价格数据获得目标小区房源各个预设时间段的挂牌均价，根据目标小区房源各个预设时间段的挂牌均价与目标小区房源各个预设时间段的成交均价。获取目标小区房源各个预设时间段的挂牌均价、成交均价以及小区房源初始市场均价。对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据。获取目标小区房源的各个历史时间段的历史价格数据，历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，挂牌均价、成交均价以及价格关联数据为输入数据，初始市场均价为预测结果；随机将历史价格数据分为训练集与测试集；将训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；通过测试集对训练后的初始小波神经网络进行评估，获得评估结果；当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始
小波神经网络作为预设小波神经网络。当评估合格时则会将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测平均价值参数。
在其中一个实施例中，本申请的小区房源平均价值参数估计方法通过计算机软件实现，用户希望查询某个小区房源的平均价格，为购入房屋做准备。当他向包含本申请小区房源平均价值参数估计方法的计算机软件输入希望查询均价的小区的名称后，该软件首先获取过去半年内目标小区(即用户输入的小区)房源各个月份的挂牌均价、成交均价以及小区房源初始市场均价；而后对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；最后将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测均价。而后将目标小区房源的预测平均价值参数显示给用户，供用户参考。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图4所示，本申请还提供一种小区房源平均价值参数估计装置，装置包括：
价格数据获取模块200，用于获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
关联预测模块400，用于对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
均价预测模块600，用于将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
在其中一个实施例中，还包括均价计算模块，用于获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据；
根据挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据成交价格数据，获得目标小区房源各个预设时间段的成交均价。
在其中一个实施例中，还包括数据过滤模块用于基于均值滤波原理对挂牌价格数据以及成交价格数据进行过滤处理。
在其中一个实施例中，还包括模型训练模块，模型训练模块用于获取目标小区房源的各个历史时间段的历史价格数据，历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，挂牌均价、成交均价以及价格关联数据为输入数据，初始市场均价为预测结果；随机将历史价格数据分为训练集与测试集；将训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；通过测试集对训练后的初始小波神经网络进行评估，获得评估结果；当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
在其中一个实施例中，模型训练模块还用于将测试集输入训练后的初始小波神经网络，获得估价测试结果；获取估价测试结果中与估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例；当比例不超过预设阈值时，评估为合格，当比例超过预设阈值时，评估为不合格。
在其中一个实施例中，还包括房源分类模块，用于根据目标小区房源的物业类型对目标小区房源进行分类。价格数据获取模块200还用分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及房源初始市场均价。均价预测模块600还用于分别将目标小区各类房源的挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区各类房源的预测平均价值参数。
关于小区房源平均价值参数估计装置的具体限定可以参见上文中对于小区房源平均价值参数估计方法的限定，在此不再赘述。上述小区房源平均价值参数估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种小区房源平均价值参数估计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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计算机设备的限定，具体的计算机设备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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据；根据挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据成交价格数据，获得目标小区房源各个预设时间段的成交均价。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于均值滤波原理对挂牌价格数据以及成交价格数据进行过滤处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标小区房源的各个历史时间段的历史价格数据，历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，挂牌均价、成交均价以及价格关联数据为输入数据，初始市场均价为预测结果；随机将历史价格数据分为训练集与测试集；将训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；通过测试集对训练后的初始小波神经网络进行评估，获得评估结果；当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将测试集输入训练后的初始小波神经网络，获得估价测试结果；获取估价测试结果中与估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例；当比例不超过预设阈值时，评估为合格，当比例超过预设阈值时，评估为不合格。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标小区房源的物业类型对目标小区房源进行分类；分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及房源初始市场均价；分别将目标小区各类房源的挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区各类房源的预测平均价值参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对挂牌均价、成交均价以及小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据；根据挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据成交价格数据，获得目标小区房源各个预设时间段的成交均价。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于均值滤波原理对挂牌价格数据以及成交价格数据进行过滤处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标小区房源的各个历史时间段的历史价格数据，历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，挂牌均价、成交均价以及价格关联数据为输入数据，初始市场均价为预测结果；随机将历史价格数据分为训练集与测试集；将训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；通过测试集对训练后的初始小波神经网络进行评估，获得评估结果；当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将测试集输入训练后的初始小波神经网络，获得估价测试结果；获取估价测试结果中与估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例；当比例不超过预设阈值时，评估为合格，当比例超过预设阈值时，评估为不合格。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标小区房源的物业类型对目标小区房源进行分类；分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及房源初始市场均价；分别将目标小区各类房源的挂牌均价、成交均价以及价格关联数据输入预设的小波神经网络，获得目标小区各类房源的预测平均价值参数。
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种小区房源平均价值参数估计方法，所述方法包括：
获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
对所述挂牌均价、所述成交均价以及所述初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
2.根据权利要求1所述的方法，其特征在于，所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价之前，还包括：
获取目标小区房源各个预设时间段的挂牌价格数据以及成交价格数据；根据所述挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据所述成交价格数据，获得目标小区房源各个预设时间段的成交均价。
3.根据权利要求2所述的方法，其特征在于，所述根据所述挂牌价格数据，获得目标小区房源各个预设时间段的挂牌均价，根据所述成交价格数据，获得目标小区房源各个预设时间段的成交均价之前，还包括：
基于均值滤波原理对所述挂牌价格数据以及所述成交价格数据进行过滤处理。
4.根据权利要求1所述的方法，其特征在于，所述将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数之前，还包括：
获取所述目标小区房源的各个历史时间段的历史价格数据，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，所述挂牌均价、成交均价以及价格关联数据为输入数据，所述初始市场均价为预测结果；
随机将所述历史价格数据分为训练集与测试集；
将所述训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；
通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果；
当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据所述目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
5.根据权利要求4所述的方法，其特征在于，所述通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果具体包括：
将所述测试集输入训练后的初始小波神经网络，获得估价测试结果；
获取所述估价测试结果中与所述估价测试结果对应的初始市场均价差距不超过预设范围的估价测试结果的比例；
当所述比例不超过预设阈值时，评估为合格，当所述比例超过预设阈值时，评估为不合格。
6.根据权利要求1所述的方法，其特征在于，所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价之前，还包括：
根据所述目标小区房源的物业类型对所述目标小区房源进行分类；
所述获取目标小区房源各个预设时间段的挂牌均价、成交均价以及所述目标小区的小区房源初始市场均价具体包括：
分别获取目标小区各类房源各个预设时间段的挂牌均价、成交均价以及所述房源初始市场均价；
所述将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数具体包括：
分别将目标小区各类房源的所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区各类房源的预测平均价值参数。
7.一种小区房源平均价值参数估计装置，其特征在于，所述装置包括：
价格数据获取模块，用于获取目标小区房源各个预设时间段的挂牌均价、成交均价以及初始市场均价；
关联预测模块，用于对所述挂牌均价、所述成交均价以及所述小区房源初始市场均价进行灰色多变量关联度预测，获得价格关联数据；
均价预测模块，用于将所述挂牌均价、所述成交均价以及所述价格关联数据输入预设的小波神经网络，获得所述目标小区房源的预测平均价值参数，所述预设的小波神经网络以目标小区房源各个历史时间段的历史价格数据作为训练数据获得，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价。
8.根据权利要求7所述的装置，其特征在于，还包括模型训练模块：
获取所述目标小区房源的各个历史时间段的历史价格数据，所述历史价格数据包括挂牌均价、成交均价、价格关联数据以及初始市场均价，所述挂牌均价、成交均价以及价格关联数据为输入数据，所述初始市场均价为预测结果；
随机将所述历史价格数据分为训练集与测试集；
将所述训练集输入初始小波神经网络，通过梯度训练法对初始小波神经网络进行训练；
通过所述测试集对所述训练后的初始小波神经网络进行评估，获得评估结果；
当评估为不合格时，根据评估数据更新训练后的小波神经网络，并返回根据所述目标小区房源的各个历史时间段的挂牌均价以及成交均价对初始小波神经网络进行训练的步骤；当评估为合格时，将训练后的初始小波神经网络作为预设小波神经网络。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811288736.8A CN109583939A (zh) | 2018-10-31 | 2018-10-31 | 小区房源平均价值参数估计方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811288736.8A CN109583939A (zh) | 2018-10-31 | 2018-10-31 | 小区房源平均价值参数估计方法以及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583939A true CN109583939A (zh) | 2019-04-05 |
Family
ID=65921002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811288736.8A Pending CN109583939A (zh) | 2018-10-31 | 2018-10-31 | 小区房源平均价值参数估计方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583939A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706212A (zh) * | 2021-08-31 | 2021-11-26 | 深圳壹账通智能科技有限公司 | 基于预测模型的住房估价方法、装置、设备及存储介质 |
-
2018
- 2018-10-31 CN CN201811288736.8A patent/CN109583939A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706212A (zh) * | 2021-08-31 | 2021-11-26 | 深圳壹账通智能科技有限公司 | 基于预测模型的住房估价方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| de Oliveira et al. | Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods | |
| Gomes et al. | Levered returns | |
| Bernales et al. | Can we forecast the implied volatility surface dynamics of equity options? Predictability and economic value tests | |
| WO2007148867A1 (en) | Method of technology evaluation | |
| Ibiwoye et al. | Artificial neural network model for predicting insurance insolvency | |
| CN109583940A (zh) | 小区房源价值参数估计方法以及装置 | |
| Mazurkiewicz et al. | Universal methodology for the innovative technologies assessment | |
| Narawish et al. | Importance of cost efficiency in critical aspect of influences the decision-making process in banks | |
| Neri | Quantitative Estimation of Market Sentiment: a discussion of two alternatives | |
| Beske-Janssen et al. | Performance measurement in sustainable supply chain management: Linking research and practice | |
| Wilkens | Machine learning in risk measurement: Gaussian process regression for value-at-risk and expected shortfall | |
| Hsiao et al. | A study of financial insolvency prediction model for life insurers | |
| CN109583939A (zh) | 小区房源平均价值参数估计方法以及装置 | |
| JP2022007878A (ja) | 不動産取引価格増減予測プログラム | |
| CN108090625A (zh) | 一种金融行情的预测方法、终端设备及存储介质 | |
| Hsu et al. | An inter-market arbitrage trading system based on extended classifier systems | |
| Pancrazi et al. | Natural expectations and home equity extraction | |
| CN110084400A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
| Mohammed et al. | The effect of management accounting system on circular economic: Using agileadaptive balanced scorecard as mediator | |
| Beamonte et al. | Retrospective analysis of the dwelling price by means of STAR models with neighborhood effects | |
| Sun et al. | [Retracted] Wheat Futures Prices Prediction in China: A Hybrid Approach | |
| CN109544214A (zh) | 小区房源平均价值参数估计方法以及装置 | |
| CN110796006A (zh) | 一种股票k线图像识别方法、装置、智能终端及存储介质 | |
| US20230027774A1 (en) | Smart real estate evaluation system | |
| Formisano et al. | The role of intangibles in improving the predictive ability of Internal Rating System |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190405 |
|
| WD01 | Invention patent application deemed withdrawn after publication |