CN109615413A - 房产均价预估方法、电子装置及存储介质 - Google Patents

房产均价预估方法、电子装置及存储介质 Download PDF

Info

Publication number
CN109615413A
CN109615413A CN201811286744.9A CN201811286744A CN109615413A CN 109615413 A CN109615413 A CN 109615413A CN 201811286744 A CN201811286744 A CN 201811286744A CN 109615413 A CN109615413 A CN 109615413A
Authority
CN
China
Prior art keywords
average price
cell
house property
history
target cell
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
CN201811286744.9A
Other languages
English (en)
Inventor
刘卉
叶素兰
李国才
董文飞
王婷
黎韬
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 Zhitong Consulting Co Ltd
Original Assignee
Ping An Zhitong Consulting 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 Zhitong Consulting Co Ltd filed Critical Ping An Zhitong Consulting Co Ltd
Priority to CN201811286744.9A priority Critical patent/CN109615413A/zh
Publication of CN109615413A publication Critical patent/CN109615413A/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
    • 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)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及预测模型，揭露了一种房产均价预估方法，该方法包括：接收客户端发送的基于目标房产的均价预估请求，首先对所述目标房产对应的目标小区进行均价预估；然后获取所述目标房产的属性信息，将所述目标房产的属性信息及所述目标小区的均价输入房产均价预估价模型中，预测所述目标房产的均价。本发明还揭露了一种电子装置及计算机存储介质。利用本发明，可提高目标房产均价预估的准确性。

Description

房产均价预估方法、电子装置及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种房产均价预估方法、电子装置及计算机可读存储介质。
背景技术
房产估价的理论方法在过去很长一段时间已经得到充分验证，市场比较法是目前公认最有效的房产评估模型建设理论，但采用市场比较法有较高的门槛，具体表现在：第一，需要收集大量、正常的房地产交易数据。第二，采用市场比较法必须要求房价相对稳定。
传统的市场比较法估价模型过分依赖评估人员的主观经验，这不仅使得估价结果不可靠，更有可能引发道德风险，阻碍房地产估价业的良性发展。同时，市场比较法估价需要对大量的人文、社会、经济、地理数据进行采集、管理、分析和显示，传统的手工管理方式显然无法满足房产估价对大量信息的处理要求，利用新的技术手段改进估价模型、建立估价信息系统是估价行业发展的一个必然趋势。
发明内容
鉴于以上内容，本发明提供一种房产均价预估方法、电子装置及计算机可读存储介质，其主要目的在于提高目标房产均价预估的准确性。
为实现上述目的，本发明提供一种房产均价预估方法，该方法包括：
S1、接收客户端发送的基于目标房产的均价预估请求；
S2、从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价；
S3、获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标；及
S4、将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
优选地，所述步骤S2包括：
S21、根据所述历史记录分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及
S22、将所述目标小区在预设时间内的历史挂牌均价及历史成交均价输入预先训练好的第一小区均价预估模型，预测得到所述目标小区的第一均价。
优选地，所述步骤S2还包括：
S23、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入预先训练好的第二小区均价预估模型，预测得到所述目标小区的第二均价。
优选地，所述步骤S2可替换为：
S5、获取与所述目标小区之间的距离在预设范围内的周边小区，从所述周边小区中筛选出所述目标小区对应的多个相似小区，生成相似小区列表；
S6、从预设渠道获取所述相似小区列表中多个相似小区在预设时间内的历史记录，根据预设的小区均价预估规则分别确定所述多个相似小区的第一均价；及
S7、根据所述多个相似小区的第一均价计算所述目标小区的均价。
优选地，所述步骤S7可替换为：
S8、分别将所述多个相似小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到所述多个相似小区的第二均价；及
S9、根据所述多个相似小区的第二均价计算所述目标小区的均价。
此外，为实现上述目的，本发明还提供一种电子装置，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的房产均价预估程序，所述房产均价预估程序被所述处理器执行时，可实现如上所述房产均价预估方法中的任意步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括房产均价预估程序，所述房产均价预估程序被处理器执行时，可实现如上所述房产均价预估方法中的任意步骤。
本发明提出的房产均价预估方法、电子装置及计算机可读存储介质，根据目标房产对应的目标小区的历史记录对目标小区进行均价预估，或者利用目标小区的相似小区的历史记录对各相似小区进行均价预估，并根据相似小区的均价计算目标小区的均价，提高了目标小区均价预估的准确性；然后根据目标房产的属性信息，基于目标小区的均价进行调整，得到目标房产的预估均价，提高了房产均价预估的客观性及准确性。
附图说明
图1为本发明房产均价预估方法较佳实施例的流程图；
图2为图1中步骤S2较佳实施例的细化步骤示意图；
图3为本发明房产均价预估方法另一个较佳实施例的流程图；
图4为本发明房产均价预估方法再一个较佳实施例的流程图；
图5为本发明电子装置较佳实施例的示意图；
图6为图5中房产均价预估程序的程序模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明提供一种房产均价预估方法。参照图1所示，为本发明房产均价预估方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在所述房产均价预估方法的第一实施例中，该方法包括步骤S1-S4：
S1、接收客户端发送的基于目标房产的均价预估请求。
用户通过客户端提交预估请求，请求中包括预估标的：目标房产均价。
S2、从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价。
不同城市的预设渠道可能不同，以深圳为例，预设渠道包括：链家、szhome、中原、家家顺、搜房等平台。在步骤S1之前，该方法还包括：预设所述多个预设渠道的优先级别。各渠道的优先级为专家根据各渠道数据的可信度制定的，例如，上述5个渠道的优先级为：链家＞szhome＞中原＞家家顺＞搜房。
目标小区为目标房产所在的小区。历史记录包括历史挂牌记录及历史成交记录。在计算目标房产的均价之前，首先利用从预设渠道中获取的历史记录计算目标小区的均价。
S3、获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标。
所述目标房产的属性信息包括：房屋面积、朝向、所在楼层、户型、装修情况、建筑类型、房屋年限、是否有电梯、装修情况、是否满五等。所述各第一属性指标为预先确定的房产对应的指标，各第一属性指标与上述属性信息一一对应。根据属性信息确定对应的各第一属性指标的指标值。
上述将所述属性信息指标化的过程，以是否有电梯这条属性信息为例，其对应的第一属性指标为“电梯”，指标化的公式为：
其中，D为对目标房产是否有电梯的描述，F(D)为指标D的指标值。
再例如，以房屋面积这条属性信息为例，其对应的第一属性指标为“房屋面积”，指标化的公式为：
其中，s为目标房产的房屋面积，F(s)为指标s的指标值，p、q为大于0的常数，且p＜q。
对上述属性信息指标化，确定各第一属性指标的指标值后，根据各第一属性指标的指标值生成第一属性指标对应的单列矩阵，矩阵中各第一属性指标的顺序是预先确定的。
S4、将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
计算的结果即为预测的目标房产的均价，然后将计算结果通过客户端发送给用户。
其中，所述房产均价预估价模型的训练步骤包括：
确定样本数据：获取指定房产的属性信息及历史价格信息，将属性信息数据化，计算各历史价格信息对应的差异值，生成样本数据[X,Y]。其中，X：属性指标、指定房产对应的指定小区第t期的小区均价，Y：指定房产第t期的成交价格。
模型训练：根据时间将样本数据[X,Y]划分为训练集和测试集，利用训练集中的样本数据对无交叉分位回归模型进行训练，得到房产估值模型；利用测试集对上述房产估值模型进行测试，直到模型满足预设条件(例如，模型预测的误差率小于10％)为止。所述房产均价预估模型的公式如下：
Y＝Xβ+g(T)+ε
其中，β为回归系数，g为未知待估，引数X为P维的单列矩阵，引数T为一维，ε为随机误差。
上述实施例提出的房产均价预估方法，首先根据目标小区的历史记录对目标小区的均价进行预估，然后根据目标房产的属性信息，基于目标小区的均价进行调整，得到目标房产的预估均价，提高了房产均价预估的客观性及准确性。
参照图2所示，为图1中步骤S2较佳实施例的细化步骤示意图。
在所述房产均价预估方法的第二实施例中，所述步骤S2仅包括：S21-S22，其中：
S21、根据所述历史记录分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。
目标小区的历史挂牌均价与历史成交均价与该目标小区中每套房源的历史挂牌价格及历史成交价格紧密相关。因此，首先，确定目标小区中各房源对应的历史挂牌记录及历史成交记录，然后，分别确定各房源的历史挂牌价格及历史成交价格，最后，计算目标小区的历史挂牌均价及历史成交均价。需要说明的是，本发明并不要求同一套房源同时有历史挂牌记录及历史成交记录。
S22、将所述目标小区在预设时间内的历史挂牌均价及历史成交均价输入预先训练好的第一小区均价预估模型，预测得到所述目标小区的第一均价。
在本实施例中，所述第一小区均价预估模型是基于多变量灰度关联预测模型训练得到的。所述第一均价即为对目标小区均价进行一次预估的结果。
优选地，本实施例中的所述步骤S21包括：a1-a3，其中：
a1、获取每条所述历史记录的描述信息，根据所述描述信息分别确定所述目标小区中各房源对应的历史记录。上述描述信息中包括描述房源地理位置的位置信息，例如，xx市xx区xx路xx小区xx期xx单元xx楼xx号。利用所有历史记录的描述信息确定目标小区对应的所有历史记录。
a2、分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格。
优选地，本实施例中的所述步骤a2包括：b1-b4，其中：
b1、当所述目标小区中同一房源对应一条历史挂牌记录/历史成交记录时，读取该历史挂牌记录/历史成交记录中的历史挂牌价格及历史成交价格，作为该房源的历史挂牌价格及历史成交价格；
b2、当所述目标小区中同一房源对应多条历史挂牌记录时，获取该多条历史挂牌记录对应的多个历史挂牌价格；
b3、当所述多个历史挂牌价格一致时，保留任意一个历史挂牌价格作为该房源的历史挂牌价格；或者
b4、当所述多个历史挂牌价格不一致时，取渠道优先级最高者作为该房源的历史挂牌价格。
假设目标小区的某一房源同时在5个渠道上进行挂牌，那么，该房源存在5条历史挂牌记录，即该房源有5个历史挂牌价格。当5个历史挂牌价格相同时，取任意一个历史挂牌价格作为该房源的历史挂牌价格。当5个房源历史挂牌价格不同时，获取各历史挂牌价格对应的渠道优先级，选择渠道优先级别最高者对应的历史挂牌价格作为该房源的历史挂牌价格。一般情况下，同一个房源仅对应一条历史成交记录，故不用进行去重处理。
通过对目标小区中各房源的历史记录进行去重处理，为后续计算目标小区的历史挂牌均价及历史成交均价奠定基础。
a3、计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。
优选地，本实施例中的所述步骤a3包括：c1-c3，其中：
c1、计算目标小区在预设时间内的小区历史均价。小区历史均价是根据目标小区在多个预设渠道中上个月的小区历史价格计算得到的，小区历史价格直接从多个渠道中获取。例如，从n个渠道获取目标小区在预设时间内的n个小区历史价格，分别计算n个小区历史价格的相对标准差；若相对标准差均小于或等于10％，则直接取n个小区历史价格的均值作为目标小区在预设时间内的小区历史均价；否则，先剔除n个小区历史价格中的最大值及最小值，取剩余(n-2)个小区历史价格的均值作为目标小区在预设时间内的小区历史均价。
c2、分别计算所述目标小区中各房源在预设时间内的历史挂牌价格和多个历史成交价格与所述小区历史均价的偏差，过滤掉偏差大于第一预设阈值的历史挂牌价格，过滤掉偏差大于第二预设阈值的历史成交价格。
c3、根据保留下来的历史挂牌价格、历史成交价格，分别计算目标小区在预设时间内的历史挂牌均价及历史成交均价。
以目标小区P为例，小区P内的多个房源在同一期内的历史挂牌价格、历史成交价格均不相同。为了去除小区P的历史挂牌价格、历史成交价格中的异常值，例如，价格过高或者过低的情况，需先确定小区P中各房源的历史挂牌价格和历史成交价格与小区P的小区历史均价的偏差，过滤掉偏差超过预设范围(例如，第一预设阈值、第二预设阈值分别为40％、30％)的数据，然后分别对剩下的历史挂牌价格、历史成交价格求平均值，得到小区P在上个月的历史挂牌均价及历史成交均价。
其中，第一预设阈值及第二预设阈值可根据需求进行调整。
通过对目标小区多个房源的历史挂牌价格及历史成交均价进行过滤，为准确计算目标小区的历史挂牌均价及历史成交均价奠定基础。
需要说明的是，上述实施例中的历史成交价格、历史挂牌价格、历史成交均价、历史挂牌均价等都是指单价，不是总价。
在所述房产均价预估方法的第三实施例中，所述步骤S2还包括：
S23、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入预先训练好的第二小区均价预估模型，预测得到所述目标小区的第二均价。
在本实施例中，所述第二小区均价预估模型是基于小波神经网络训练得到的。所述第二均价即为对目标小区均价进行二次预估的结果。
本实施例提出的房产均价预估方法，通过对目标小区的均价进行二次预估，提高目标小区均价预估的准确性，进而提高了房产均价预估的准确性。
参照图3所示，为本发明房产均价预估方法另一个较佳实施例的流程图。
在所述房产均价预估方法的第四实施例中，步骤S2可以替换为步骤S5-S7，其中：
S5、获取与所述目标小区之间的距离在预设范围内的周边小区，从所述周边小区中筛选出所述目标小区对应的多个相似小区，生成相似小区列表。预设范围可以举例为：在目标小区的半径1.5km的范围内。周边小区是有历史记录的小区，对于在目标小区半径1.5km的范围内、但没有历史的小区会被过滤掉。
优选地，步骤S5包括：
S51、获取所述周边小区及所述目标小区的属性信息，并将所述属性信息指标化以确定所述周边小区及所述目标小区的第二属性指标。属性信息包括：小区主要属性，包括楼栋数、户数、容积率、绿化率等；小区建筑类型，包括层高、户型面积等；小区周边配套设施，包括商业、医院、学校、公园等。所述各第二属性指标为预先确定的小区对应的属性指标，各第二属性指标与上述属性信息一一对应。根据属性信息确定各第二属性指标的指标值。
上述将所述目标小区的属性信息指标化的过程，以绿化率为例：
其中，α、β、c均为大于0、小于1的数，且α<β<c。
对上述属性信息指标化后，生成第二属性指标对应的单列矩阵，矩阵中各第二属性指标的顺序是预先确定的。
需要说明的是，在对属性信息进行指标化的过程中，还需要对各属性信息进行标准化及缺失值填补等处理。例如，当某两个指标之间差值较大时，采用z-score标准化方法对该指标进行处理，当某指标有缺失时，可利用missForest包对该指标的缺失值进行补充。
S52、将所述周边小区及所述目标小区的第二属性指标输入预先训练好的小区相似度模型中，根据模型输出结果确定所述目标小区的相似小区列表。本实施例中的模型输出结果为第一列表，第一列表中包括所有周边小区及各周边小区对应的相似度。
优选地，为了提高相似小区的准确性，步骤S52还包括：
当存在相似度超过第三预设阈值的周边小区时，选择相似度超过第三预设阈值的周边小区作为相似小区，生成第二列表；当不存在相似度超过第三预设阈值的周边小区时，取预设数量的相似度最高的周边小区作为相似小区，生成第二列表。
得到模型输出的各周边小区与目标小区的相似度后，根据相似度的高低顺序对各周边小区进行排序，并选择相似度高的周边小区作为目标小区的相似小区，得到二列表。
第二列表即为目标小区的相似小区列表。第三预设阈值及预设数量可根据需求进行调整，例如，第三预设阈值为0.65，预设数量为3。
本实施例中的所述小区相似度模型的训练步骤包括：获取指定小区预设范围内(例如，在指定小区半径1.5km的范围内)的各周边小区的属性信息及价格信息，将各周边小区的属性信息指标化；利用K-means聚类方法，对各指定小区对应的周边小区进行聚类，得到各指定小区对应的周边小区的多个分类结果；分别判断各个分类结果中的周边小区与指定小区是否满足预设条件(例如，属性相近、价格差异小于等于10％)；将满足上述预设条件的分类结果及对应的指定小区的属性信息作为X，对应的Y为“1”，作为正样本；否则，将不满足上述预设条件的分类结果及对应的指定小区的属性信息作为X，对应的Y为“0”，作为负样本，确定样本数据。将样本数据划分为训练集及测试集，利用训练集中的样本数据对BP(back propagation)神经网络进行训练，得到小区相似度模型；利用测试集中的样本数据对BP神经网络进行测试，直到模型满足预设条件为止。
需要说明的是，当所有的分类结果都无法同时满足属性相近、且价格差异小的情况时，可以对价格差异进行调整，例如，调整为15％。
进一步地，所述“利用K-means聚类方法，对各指定小区对应的周边小区进行聚类，得到各指定小区对应的周边小区的多个分类结果”的步骤包括：首先，从各指定小区对应的多个周边小区中任意选择k个周边小区的指标化后的属性信息及价格信息作为第一聚类中心；然后，分别计算多个周边小区的属性信息及价格信息与第一聚类中心的相似度，将多个周边小区依次分配至相似度最大值对应的聚类中心，得到k个聚类；其中，相似度算法为：先计算周边小区与各聚类中心的各个属性间的局部相似度，然后对各个局部相似度加权平均，即可得到综合的相似度。接着，再计算k个聚类的第二聚类中心(例如，取各聚类中所有对象的均值作为第二聚类中心)；最后，不断重复这一过程直到标准测度函数开始收敛为止，本实施例采用均方差作为标准测度函数。
以建筑年代(y)这一属性指标为例，周边小区L与指定小区Q的局部相似度的计算公式为：
zLy＝1-|yL-yQ|/|Δymax|
其中，zLy为周边小区L与指定小区Q在属性指标y上的局部相似度，yL为周边小区L的属性指标y对应的指标值，yQ为指定小区Q的属性指标y对应的指标值，Δymax为所有周边小区中与指定小区建筑年代差的最大值。
S6、从预设渠道获取所述相似小区列表中多个相似小区在预设时间内的历史记录，根据预设的小区均价预估规则分别确定所述多个相似小区的第一均价。
本实施例中各相似小区的第一均价与上述实施例中目标小区的第一均价的实施方式大致相同，这里不再赘述。
S7、根据所述多个相似小区的第一均价计算所述目标小区的均价。
计算的结果即为预测的目标房产的均价，然后将计算结果通过客户端发送给用户。
在本实施例中，所述步骤S7包括：根据所述多个相似小区与目标小区的相似度分别确定所述多个相似小区对应的权重；根据所述权重对所述多个相似小区的第一均价进行加权计算得到所述目标小区的第一均价。
各相似小区对应的权重之和为1。例如，目标小区的相似小区列表中有h个相似小区，其对应的相似度分别为：r1、r2、…、rh，各相似小区对应的权重的计算公式为：
其中，ωi为第i个相似小区对应的权重，ri为第i个相似小区与目标小区的相似度，1≤i≤h，i、h均为正整数。
假设目标小区的h个相似小区的第一均价分别为：p1、p2、…、ph，目标小区的第一均价的计算公式为：
其中，P为目标小区的第一均价，pi为第i个相似小区的第一均价，ωi为第i个相似小区对应的权重，1≤i≤h，i、h均为正整数。
在其他实施例中，所述步骤S7包括：计算所述多个相似小区的第一均价的平均值得到所述目标小区的第一均价。
假设目标小区的h个相似小区的第一均价分别为：p1、p2、…、ph，目标小区的第一均价的计算公式为：
其中，P为目标小区的第一均价，pi为第i个相似小区的第一均价，1≤i≤h，i、h均为正整数。
本实施例提出的房产均价预估方法，通过获取目标小区的多个有历史记录的相似小区，并根据多个相似小区的历史记录对多个相似小区的均价进行预估，然后根据多个相似小区的均价计算目标小区的均价，最后根据目标房产的属性信息，基于目标小区的均价进行调整，得到目标房产的预估均价，提高了房产均价预估的客观性及准确性；另外，相较于上述实施例，本实施例解决了依赖于目标小区的历史记录的问题，提高了本发明的普适性。
参照图4所示，为本发明房产均价预估方法再一个较佳实施例的流程图。
在所述房产均价预估方法的第五实施例中，所述步骤S7可以替换为：S8-S9，其中：
S8、分别将所述多个相似小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到所述多个相似小区的第二均价。
S9、根据所述多个相似小区的第二均价计算所述目标小区的均价。
本实施例中各相似小区的第二均价与上述实施例中目标小区的第二均价的实施方式大致相同，目标小区的均价与上述实施例中根据各相似小区的第二均价计算目标小区的均价的实施方式大致相同，这里不再赘述。
本实施例提出的房产均价预估方法，通过对目标小区的多个相似小区的均价进行二次预估，提高了各相似小区均价预估的准确性；根据各相似小区二次预估均价计算目标小区的均价，从而提高了目标小区均价预估的准确性，最终提高了房产均价预估的准确性。
参照图5所示，为本发明电子装置1较佳实施例的示意图。
在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备，所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子装置1包括存储器11、处理器12，及网络接口13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如该电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。
存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据，例如房产均价预估程序10等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如房产均价预估程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子装置1与其他电子设备之间建立通信连接。例如，电子装置1通过网络接口13接收客户端(图中未标出)发送的房产均价预估请求，并将预估结果通过网络接口13反馈给客户端。
图5仅示出了具有组件11-13的电子装置1，本领域技术人员可以理解的是，图5示出的结构并不构成对电子装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图5所示的电子装置1实施例中，作为一种计算机存储介质的存储器11中存储房产均价预估程序10的程序代码，处理器12执行房产均价预估程序10的程序代码时，实现如下步骤A1-A4。
A1、接收客户端发送的基于目标房产的均价预估请求。
用户通过客户端提交预估请求，请求中包括预估标的：目标房产均价。
A2、从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价。
不同城市的预设渠道可能不同，以深圳为例，预设渠道包括：链家、szhome、中原、家家顺、搜房等平台。在步骤A1之前，该方法还包括：预设所述多个预设渠道的优先级别。各渠道的优先级为专家根据各渠道数据的可信度制定的，例如，上述5个渠道的优先级为：链家＞szhome＞中原＞家家顺＞搜房。
目标小区为目标房产所在的小区。历史记录包括历史挂牌记录及历史成交记录。在计算目标房产的均价之前，首先利用从预设渠道中获取的历史记录计算目标小区的均价。
A3、获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标。
所述目标房产的属性信息包括：房屋面积、朝向、所在楼层、户型、装修情况、建筑类型、房屋年限、是否有电梯、装修情况、是否满五等。所述各第一属性指标为预先确定的房产对应的指标，各第一属性指标与上述属性信息一一对应。根据属性信息确定对应的各第一属性指标的指标值。
上述将所述属性信息指标化的过程，以是否有电梯这条属性信息为例，其对应的第一属性指标为“电梯”，指标化的公式为：
其中，D为对目标房产是否有电梯的描述，F(D)为指标D的指标值。
再例如，以房屋面积这条属性信息为例，其对应的第一属性指标为“房屋面积”，指标化的公式为：
其中，s为目标房产的房屋面积，F(s)为指标s的指标值，p、q为大于0的常数，且p＜q。
对上述属性信息指标化，确定各第一属性指标的指标值后，根据各第一属性指标的指标值生成第一属性指标对应的单列矩阵，矩阵中各第一属性指标的顺序是预先确定的。
A4、将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
计算的结果即为预测的目标房产的均价，然后将计算结果通过客户端发送给用户。
上述实施例提出的电子装置1，首先根据目标小区的历史记录对目标小区的均价进行预估，然后根据目标房产的属性信息，基于目标小区的均价进行调整，得到目标房产的预估均价，提高了房产均价预估的客观性及准确性。
优选地，所述步骤A2仅包括：A21-A22，其中：
A21、根据所述历史记录分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。
目标小区的历史挂牌均价与历史成交均价与该目标小区中每套房源的历史挂牌价格及历史成交价格紧密相关。因此，首先，确定目标小区中各房源对应的历史挂牌记录及历史成交记录，然后，分别确定各房源的历史挂牌价格及历史成交价格，最后，计算目标小区的历史挂牌均价及历史成交均价。需要说明的是，本发明并不要求同一套房源同时有历史挂牌记录及历史成交记录。
优选地，获取每条所述历史记录的描述信息，例如，xx市xx区xx路xx小区xx期xx单元xx楼xx号，分别确定所述目标小区中各房源对应的历史记录。当所述目标小区中同一房源对应一条历史挂牌记录/历史成交记录时，或者，同一房源对应多条历史挂牌记录且对应同一历史挂牌价格时，保留任意一条历史挂牌记录对应的历史挂牌价格作为该房源的历史挂牌价格；当同一房源对应多条历史挂牌记录且对应多个不一致的历史挂牌价格时，取渠道优先级最高者作为该房源的历史挂牌价格。通过对目标小区中各房源的历史记录进行去重处理，为后续计算目标小区的历史挂牌均价及历史成交均价奠定基础。
以目标小区P为例，小区P内的多个房源在同一期内的历史挂牌价格、历史成交价格均不相同。在计算历史成交均价及历史挂牌均价之前，需去除小区P的历史挂牌价格、历史成交价格中的异常值，例如，价格过高或者过低的情况，需先确定小区P中各房源的历史挂牌价格和历史成交价格与小区P的小区历史均价的偏差，过滤掉偏差超过预设范围(例如，第一预设阈值、第二预设阈值分别为40％、30％)的数据，然后分别对剩下的历史挂牌价格、历史成交价格求平均值，得到小区P在上个月的历史挂牌均价及历史成交均价。其中，小区P的小区历史均价是根据小区P在多个预设渠道中上个月的小区历史价格取平均值得到的，小区历史价格直接从多个渠道中获取。
A22、将所述目标小区在预设时间内的历史挂牌均价及历史成交均价输入预先训练好的第一小区均价预估模型，预测得到所述目标小区的第一均价。
在本实施例中，所述第一小区均价预估模型是基于多变量灰度关联预测模型训练得到的。所述第一均价即为对目标小区均价进行一次预估的结果。
优选地，本实施例中的所述步骤A2还包括：
A23、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入预先训练好的第二小区均价预估模型，预测得到所述目标小区的第二均价。
在本实施例中，所述第二小区均价预估模型是基于小波神经网络训练得到的。所述第二均价即为对目标小区均价进行二次预估的结果。
本实施例提出的电子装置，通过对目标小区的均价进行二次预估，提高目标小区均价预估的准确性，进而提高了房产均价预估的准确性。
在其他实施例中，所述处理器12执行所述房产均价预估程序10的程序代码时，所述步骤A2可以替换为步骤A5-A7，其中：
A5、获取与所述目标小区之间的距离在预设范围内的周边小区，从所述周边小区中筛选出所述目标小区对应的多个相似小区，生成相似小区列表。预设范围可以举例为：在目标小区的半径1.5km的范围内。周边小区是有历史记录的小区，对于在目标小区半径1.5km的范围内、但没有历史的小区会被过滤掉。
优选地，步骤A5包括：
A51、获取所述周边小区及所述目标小区的属性信息，并将所述属性信息指标化以确定所述周边小区及所述目标小区的第二属性指标。属性信息包括：小区主要属性，包括楼栋数、户数、容积率、绿化率等；小区建筑类型，包括层高、户型面积等；小区周边配套设施，包括商业、医院、学校、公园等。所述各第二属性指标为预先确定的小区对应的属性指标，各第二属性指标与上述属性信息一一对应。根据属性信息确定各第二属性指标的指标值。
上述将所述目标小区的属性信息指标化的过程，以绿化率为例：
其中，α、β、c均为大于0、小于1的数，且α<β<c。
对上述属性信息指标化后，生成第二属性指标对应的单列矩阵，矩阵中各第二属性指标的顺序是预先确定的。
需要说明的是，在对属性信息进行指标化的过程中，还需要对各属性信息进行标准化及缺失值填补等处理。例如，当某两个指标之间差值较大时，采用z-score标准化方法对该指标进行处理，当某指标有缺失时，可利用missForest包对该指标的缺失值进行补充。
A52、将所述周边小区及所述目标小区的第二属性指标输入预先训练好的小区相似度模型中，根据模型输出结果确定所述目标小区的相似小区列表。本实施例中的模型输出结果为第一列表，第一列表中包括所有周边小区及各周边小区对应的相似度。
优选地，为了提高相似小区的准确性，步骤A52还包括：
当存在相似度超过第三预设阈值的周边小区时，选择相似度超过第三预设阈值的周边小区作为相似小区，生成第二列表；当不存在相似度超过第三预设阈值的周边小区时，取预设数量的相似度最高的周边小区作为相似小区，生成第二列表。
得到模型输出的各周边小区与目标小区的相似度后，根据相似度的高低顺序对各周边小区进行排序，并选择相似度高的周边小区作为目标小区的相似小区，得到二列表。
第二列表即为目标小区的相似小区列表。第三预设阈值及预设数量可根据需求进行调整，例如，第三预设阈值为0.65，预设数量为3。
A6、从预设渠道获取所述相似小区列表中多个相似小区在预设时间内的历史记录，根据预设的小区均价预估规则分别确定所述多个相似小区的第一均价。
本实施例中各相似小区的第一均价与上述实施例中目标小区的第一均价的实施方式大致相同，这里不再赘述。
A7、根据所述多个相似小区的第一均价计算所述目标小区的均价。
计算的结果即为预测的目标房产的均价，然后将计算结果通过客户端发送给用户。
本实施例中的所述步骤A7包括：根据所述多个相似小区与目标小区的相似度分别确定所述多个相似小区对应的权重；根据所述权重对所述多个相似小区的第一均价进行加权计算得到所述目标小区的第一均价。
各相似小区对应的权重之和为1。例如，目标小区的相似小区列表中有h个相似小区，其对应的相似度分别为：r1、r2、…、rh，各相似小区对应的权重的计算公式为：
其中，ωi为第i个相似小区对应的权重，ri为第i个相似小区与目标小区的相似度，1≤i≤h，i、h均为正整数。
假设目标小区的h个相似小区的第一均价分别为：p1、p2、…、ph，目标小区的第一均价的计算公式为：
其中，P为目标小区的第一均价，pi为第i个相似小区的第一均价，ωi为第i个相似小区对应的权重，1≤i≤h，i、h均为正整数。
在其他实施例中，所述步骤A7包括：计算所述多个相似小区的第一均价的平均值得到所述目标小区的第一均价。
假设目标小区的h个相似小区的第一均价分别为：p1、p2、…、ph，目标小区的第一均价的计算公式为：
其中，P为目标小区的第一均价，pi为第i个相似小区的第一均价，1≤i≤h，i、h均为正整数。
本实施例提出的电子装置1，通过获取目标房产所在目标小区的多个有历史记录的相似小区，并根据多个相似小区的历史记录对多个相似小区的均价进行预估，然后根据多个相似小区的均价计算目标小区的均价，最后根据目标房产的属性信息，基于目标小区的均价进行调整，得到目标房产的预估均价，提高了房产均价预估的客观性及准确性；另外，相较于上述实施例，本实施例解决了依赖于目标小区的历史记录的问题，提高了本发明的普适性。
在其他实施例中，所述处理器12执行所述房产均价预估程序10的程序代码时，所述步骤A7可以替换为步骤A8-A9，其中：
A8、分别将所述多个相似小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到所述多个相似小区的第二均价。
A9、根据所述多个相似小区的第二均价计算所述目标小区的均价。
本实施例中各相似小区的第二均价与上述实施例中目标小区的第二均价的实施方式大致相同，目标小区的均价与上述实施例中根据各相似小区的第二均价计算目标小区的均价的实施方式大致相同，这里不再赘述。
本实施例提出的电子装置1，通过对目标小区的多个相似小区的均价进行二次预估，提高了各相似小区均价预估的准确性；根据各相似小区二次预估均价计算目标小区的均价，从而提高了目标小区均价预估的准确性，最终提高了房产均价预估的准确性。
可选地，在其他的实施例中，房产均价预估程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如，参照图6所示，为图5中房产均价预估程序10的程序模块示意图，该实施例中，房产均价预估程序10可以被分割为接收模块110、第一预估模块120、数据处理模块130及第二预估模块140，所述模块110-140所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
接收模块110，用于接收客户端发送的基于目标房产的均价预估请求；
第一预估模块120，用于从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价；
数据处理模块130，用于获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标；及
第二预估模块140，用于将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括房产均价预估程序10，所述房产均价预估程序10被处理器执行时实现如下操作：
接收客户端发送的基于目标房产的均价预估请求；
从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价；
获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标；及
将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
本发明之计算机可读存储介质的具体实施方式与上述房产均价预估方法的具体实施方式大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种房产均价预估方法，应用于电子装置，其特征在于，所述方法包括：
S1、接收客户端发送的基于目标房产的均价预估请求；
S2、从预设渠道获取所述目标房产对应的目标小区在预设时间内的历史记录，基于所述历史记录预估所述目标小区的均价，其中，所述历史记录包括历史挂牌记录及历史成交记录；
S3、获取所述目标房产的属性信息，并将所述属性信息指标化以确定所述目标房产的第一属性指标；及
S4、将所述第一属性指标的指标值及所述目标小区的均价输入基于半参数分位回归方法训练得到的房产均价预估价模型，预测所述目标房产的均价，并将所述目标房产的均价发送至客户端。
2.根据权利要求1所述的房产均价预估方法，其特征在于，所述步骤S2包括：
S21、根据所述历史记录分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及
S22、将所述目标小区在预设时间内的历史挂牌均价及历史成交均价输入预先训练好的第一小区均价预估模型，预测得到所述目标小区的第一均价。
3.根据权利要求2所述的房产均价预估方法，其特征在于，所述步骤S2还包括：
S23、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入预先训练好的第二小区均价预估模型，预测得到所述目标小区的第二均价。
4.根据权利要求1所述的房产均价预估方法，其特征在于，所述步骤S2替换为以下步骤：
S5、获取与所述目标小区之间的距离在预设范围内的周边小区，从所述周边小区中筛选出所述目标小区对应的多个相似小区，生成相似小区列表；
S6、从预设渠道获取所述相似小区列表中多个相似小区在预设时间内的历史记录，根据预设的小区均价预估规则分别确定所述多个相似小区的第一均价；及
S7、根据所述多个相似小区的第一均价计算所述目标小区的均价。
5.根据权利要求4所述的房产均价预估方法，其特征在于，所述步骤S5包括：
S51、获取所述周边小区及所述目标小区的属性信息，并将所述属性信息指标化以确定所述周边小区及所述目标小区的第二属性指标；
S52、将所述周边小区及所述目标小区的第二属性指标输入预先训练好的小区相似度模型中，根据模型输出结果确定所述目标小区的相似小区列表。
6.根据权利要求4所述的房产均价预估方法，其特征在于，所述步骤S7包括：
根据所述多个相似小区与目标小区的相似度分别确定所述多个相似小区对应的权重；及
根据所述权重对所述多个相似小区的第一均价进行加权计算得到所述目标小区的第一均价。
7.根据权利要求4所述的房产均价预估方法，其特征在于，所述步骤S7包括：
计算所述多个相似小区的第一均价的平均值得到所述目标小区的第一均价。
8.根据权利要求4至7中任意一项所述的房产均价预估方法，其特征在于，所述步骤S7替换为以下步骤：
S8、分别将所述多个相似小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到所述多个相似小区的第二均价；及
S9、根据所述多个相似小区的第二均价计算所述目标小区的均价。
9.一种电子装置，其特征在于，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的房产均价预估程序，所述房产均价预估程序被所述处理器执行时，可实现如权利要求1至8中任意一项所述的房产均价预估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括房产均价预估程序，所述房产均价预估程序被处理器执行时，可实现如权利要求1至8中任意一项所述的房产均价预估方法的步骤。
CN201811286744.9A 2018-10-31 2018-10-31 房产均价预估方法、电子装置及存储介质 Pending CN109615413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811286744.9A CN109615413A (zh) 2018-10-31 2018-10-31 房产均价预估方法、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811286744.9A CN109615413A (zh) 2018-10-31 2018-10-31 房产均价预估方法、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN109615413A true CN109615413A (zh) 2019-04-12

Family

ID=66002697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811286744.9A Pending CN109615413A (zh) 2018-10-31 2018-10-31 房产均价预估方法、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN109615413A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110901A (zh) * 2019-04-15 2019-08-09 平安科技（深圳）有限公司 数据预测方法、装置、计算机设备和存储介质
CN110689170A (zh) * 2019-09-04 2020-01-14 北京三快在线科技有限公司 对象参量的确定方法、装置、电子设备及存储介质
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
CN111062737A (zh) * 2019-11-11 2020-04-24 北京三快在线科技有限公司 对象参量的确定方法、装置、电子设备及存储介质
CN111985964A (zh) * 2020-08-07 2020-11-24 上海选家网络科技有限公司 一种房源价格信息的处理方法及系统
CN112488774A (zh) * 2020-12-19 2021-03-12 中冠工程管理咨询有限公司 一种基于大数据的工程造价估价方法、系统及其存储介质
CN113706201A (zh) * 2021-08-30 2021-11-26 深圳壹账通智能科技有限公司 房产预估模型训练方法、装置、计算机设备及介质
CN113706201B (zh) * 2021-08-30 2024-10-25 深圳壹账通智能科技有限公司 房产预估模型训练方法、装置、计算机设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110901A (zh) * 2019-04-15 2019-08-09 平安科技（深圳）有限公司 数据预测方法、装置、计算机设备和存储介质
CN110689170A (zh) * 2019-09-04 2020-01-14 北京三快在线科技有限公司 对象参量的确定方法、装置、电子设备及存储介质
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
CN111062737A (zh) * 2019-11-11 2020-04-24 北京三快在线科技有限公司 对象参量的确定方法、装置、电子设备及存储介质
CN111985964A (zh) * 2020-08-07 2020-11-24 上海选家网络科技有限公司 一种房源价格信息的处理方法及系统
CN112488774A (zh) * 2020-12-19 2021-03-12 中冠工程管理咨询有限公司 一种基于大数据的工程造价估价方法、系统及其存储介质
CN113706201A (zh) * 2021-08-30 2021-11-26 深圳壹账通智能科技有限公司 房产预估模型训练方法、装置、计算机设备及介质
CN113706201B (zh) * 2021-08-30 2024-10-25 深圳壹账通智能科技有限公司 房产预估模型训练方法、装置、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN109615413A (zh) 房产均价预估方法、电子装置及存储介质
CN109002904B (zh) 一种基于Prophet-ARMA的医院门诊就诊量预测方法
US8954297B2 (en) Automated and intelligent structure design generation and exploration
CN109615129B (zh) 房地产客户成交概率预测方法、服务器及计算机存储介质
CN102254277A (zh) 一种用于房地产估值的数据处理系统与方法
CN107609711A (zh) 一种报考信息的提供方法、装置、设备及存储介质
CN110610431A (zh) 基于大数据的智能理赔方法及智能理赔系统
CN109615414A (zh) 房产预估方法、装置及存储介质
CN111144721A (zh) 电网项目需求评价模型的构建方法、装置和计算设备
CN111179634B (zh) 基于Wi-Fi位置指纹的室内停车系统
CN107451249B (zh) 事件发展趋势的预测方法及装置
CN109636437A (zh) 小区均价预估方法、电子装置及存储介质
CN115599650A (zh) It系统的健康度评估方法、装置、电子设备及存储介质
Hu et al. A practice mining system for the delivery of sustainable retirement villages
CN107798125B (zh) 基于亲密度模型的准入判定方法、系统、设备及存储介质
CN111126629A (zh) 模型的生成方法、刷单行为识别方法、系统、设备和介质
CN114580847A (zh) 考虑相似度和信誉度的能效评估服务资源供需匹配系统及方法
CN105162643B (zh) 流量预估的方法、装置及计算设备
CN113094602B (zh) 酒店推荐方法、系统、设备及介质
CN111797258B (zh) 基于美感评价的图像推送方法、系统、设备及存储介质
US8257091B2 (en) Matching learning objects with a user profile using top-level concept complexity
CN115577983B (zh) 基于区块链的企业任务匹配方法、服务器及存储介质
CN110689170A (zh) 对象参量的确定方法、装置、电子设备及存储介质
CN111784071B (zh) 一种基于Stacking集成的许可占用与预测方法及系统
Van Houtte et al. Acute admission risk stratification of New Zealand primary care patients using demographic, multimorbidity, service usage and modifiable variables

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: 20190412

WD01 Invention patent application deemed withdrawn after publication