CN109615414A - 房产预估方法、装置及存储介质 - Google Patents
房产预估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109615414A CN109615414A CN201811287862.1A CN201811287862A CN109615414A CN 109615414 A CN109615414 A CN 109615414A CN 201811287862 A CN201811287862 A CN 201811287862A CN 109615414 A CN109615414 A CN 109615414A
- Authority
- CN
- China
- Prior art keywords
- cell
- index
- target
- average price
- price
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Abstract
本发明涉及模型预测,揭露了一种房产预估方法,该方法包括:接收用户输入的指令,当所述指令为房价指数预估指令时,预测指令对应的目标区域对应的房价指数;当所述指令为小区均价预估指令时,预测指令对应的目标小区的均价;当所述指令为房产均价预估指令时,预测指令对应的目标房产的均价;最后将各指令对应的预测结果返回给用户。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,可提高房产预估的准确性及全面性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种房产预估方法、电子装置及计算机可读存储介质。
背景技术
随着经济的飞速发展,人民生活水平不断提高,物质需求也日益强烈。作为生活之首的住房自然首当其冲受到关注,人们对居住环境、配套设施、交通地段等问题也越来越关心。除了满足基本生活需求,还会将购置房产作为一种保值增值的手段。
然而在购置房产时,非专业的购房者无法全面了解房产相关信息,例如,房价走势、房价预估等,除了了解经济专家、中介等的建议外,无法全面了解房产相关信息。因此,亟需提供一种能全面了解房产相关信息的系统及方法,为购房者提供指导。
发明内容
鉴于以上内容,本发明提供一种房产预估方法、电子装置及计算机可读存储介质,其主要目的在于提高房产预估的准确性,进而提高用户的使用体验。
为实现上述目的,本发明提供一种房产预估方法,该方法包括:
S1、接收用户通过客户端输入的指令;
S2、当所述指令为房价指数预估指令时,确定所述房价指数预估指令对应的目标区域,获取所述目标区域在第一预设时间内的第一历史数据,并根据预设的房价指数预估规则预测所述目标区域对应的房价指数;
S3、当所述指令为小区均价预估指令时,确定所述小区均价预估指令对应的目标小区,从预设渠道获取所述目标小区在第三预设时间内的第二历史数据,并根据预设的小区均价预估规则预测所述目标小区的均价;
S4、当所述指令为房产均价预估指令时,确定所述房产均价预估指令对应的目标房产,根据预设的房产均价预估规则预测所述目标房产的均价;及
S5、将所述指令对应的预测结果反馈给用户。
此外,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预估程序,所述房产预估程序被所述处理器执行时,可实现如上所述房产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预估程序,所述房产预估程序被处理器执行时,可实现如上所述房产预估方法中的任意步骤。
本发明提出的房产预估方法、电子装置及计算机可读存储介质,根据用户提交的指令,执行相应的预估操作,并将预估结果反馈给用户,提高用户的使用体验;利用标杆小区的数据集依次计算各小区的月环比价格指数、指定区域的环比加权价格指数,最后构建房价指数,提高房价指数的准确性;利用训练好的房价走势预估模型,预测房价指数未来增长率,根据当期的房价指数及预测的房价指数未来增长率计算未来的房价指数,可提高对未来房价走势预测的准确性;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;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;综上,可提供全面的房产相关信息,为用户决策提供指导。
附图说明
图1为本发明房产预估方法较佳实施例的流程图;
图2为本发明电子装置较佳实施例的示意图;
图3为图2中房产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预估方法。参照图1所示,为本发明房产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。
在本实施例中,所述房产预估方法包括步骤S1-S5。
S1、接收用户通过客户端输入的指令。
客户端上安装有房产预估系统的客户端APP,用户通过客户端访问房产预估系统,并输入指令,其中,指令包括:房价指数预估指令、小区均价预估指令、房产均价预估指令等。判断指令的类型,并根据指令类型将指令发送给各指令类型对应的模块。
S2、当所述指令为房价指数预估指令时,确定所述房价指数预估指令对应的目标区域,获取所述目标区域在第一预设时间内的第一历史数据,并根据预设的房价指数预估规则预测所述目标区域对应的房价指数。
第一预设时间可举例为2年。上述第一历史数据为各类可能影响房地产价格的经济因素及政策因素等数据,例如,包括:各类宏观经济指标、中观经济指标、政策法规及挂盘交易数据等。
优选地,本实施例中的所述预设的房价指数预估规则包括:a1-a3。
a1、确定预先训练好的房价走势前瞻模型对应的入模指标,根据所述第一历史数据分别确定目标区域的各入模指标在第一预设时间内的指标值;
第一历史数据包括各类可能影响房地产价格的经济因素及政策因素等数据。假设预先训练好的房价走势前瞻模型对应的入模指标为A、B、C,则根据第一历史数据分别确定在该目标区域内入模指标A、B、C的指标值。
在本实施例中,所述房价走势前瞻模型的构建步骤包括:
1)获取预设区域在预设时间内的第二历史数据,从该第二历史数据中提取出预设长名单中的各第一类指标及房价指数的历史值;
上述第二历史数据为各类可能影响房地产价格的经济因素及政策因素等数据,例如,包括:各类宏观经济指标、中观经济指标、政策法规及挂盘交易数据等。上述宏观经济指标包括:GDP、CPI、PMI、人均可支配收入等;上述中观经济指标包括预设区域的城市化率、地铁里程、人均住房面积、商品房待售面积等;上述政策法规包括:房地产限售限购政策、首套房利率政策、城市中长期发展规划等。
预设长名单为预先设置的影响房价指数的所有指标的集合,长名单中包括:第一类指标、第二类指标、第三类指标。
其中,第一类指标的历史值可从历史数据中直接提取,对历史数据中的各因素进行量化,确定各第一预设指标在预设时间(例如,2001年1月至2018 年7月)内每个单位周期(例如,每个月)的历史值。
2)根据预设数据处理规则对所述第一类指标的历史值进行数据处理,确定所述预设长名单中各指标的历史值;
第二类指标为衍生指标,需根据现有的一个或多个第一类指标的历史值计算获得。其中,衍生指标的计算方法可以包括相除、相减等方法。
例如,首先对存在缺失的第一类指标的历史值进行填补,例如,各第一类指标的历史值可能因为工作周期等原因存在缺失,或者,存在无规律性的缺失,或者,部分特殊指标的缺失。然后对所述填补后的第一类指标的指标数据进行变频及衍生处理,以确定所述长名单中各第二类指标的指标数据,例如,对于统计周期不是一个月的第一预设指标进行变频处理,然后分别计算统计时间间隔为一季度、半年度、一年度的各第一类指标对应的月度数据;根据各第一类指标对应的月度数据计算各第二类指标的历史值。
第三类指标为对第一类指标及第二类指标进行指标转换后得到的指标。根据预设转换规则对所述第一类指标及第二类指标进行指标转化,确定所述长名单中第三类指标的指标数据。本实施例中的预设转化规则包括:3个月环比、一年同比、标准化、归一化及原始值。
3)根据预设的短名单生成规则,从所述长名单中筛选出多个指标作为目标指标,生成目标短名单;
分别对所述长名单中的各指标与房价指数的历史数据进行单变量检验,筛选出通过单变量检验的指标生成第一短名单;其中,单变量检验包括:相关性检验、经济含义检验及T检验。
为了保证目标短名单中指标的完整性,可预选确定一个第二短名单,并将第二短名单与第一段名单合并,生成目标短名单。其中,第二短名单中各指标是专家认为对房价影响较大的指标。
4)根据预设分析规则分析所述目标短名单中各目标指标相较于房价指数的最佳滞后期,并根据所述目标指标的最佳滞后期确定建模宽表;
具体地,该步骤包括:对所述目标短名单中各目标指标进行滞后期衍生,确定所述目标指标在不同滞后期(滞后期n可以为3,6,12,15,18,24等)对应的房价指数的指标数据;分析并确定各目标指标对应的最佳滞后期。确定最佳滞后期可通过相关性显著性分析确定,选择相关性显著的滞后期作为最佳滞后期,其中相关性显著性分析可以采用t检验、U检验、方差分析、X2检验、零反应检验等。
确定各目标指标的最佳滞后期后,即可确定每一期被解释变量Y与最佳滞后期下各目标指标对应的历史值,基于上述对应关系生成建模宽表。
5)利用所述建模宽表对预设机器学习方法进行训练,确定房价走势前瞻模型。
具体地,该步骤包括:对所述目标短名单中的所有目标指标进行分组(根据指标类型进行分组,例如,中观、宏观、衍生等),分别从每个分组中获取一个目标指标,确定入模指标组合;获取所述入模指标组合中每个目标指标及房价指数的历史数据,确定所述入模指标组合对应的训练集、测试集;利用每个所述入模指标组合对应的训练集,对预设机器学习方法(例如,线性回归(Linear Regreesion)、Lasso回归、岭回归(Ridge Regression)、随机森林(Random Forest)、K近邻算法(k Neighbour Regression)、决策树(Decision Tree)、支持向量机回归(support vector regression,SVR)、梯度增强回归 (Gradient BoostingRegressor)模型以及XGBoost算法等)进行训练,构建每个所述入模指标组合对应的第一房价走势前瞻模型;利用每个所述入模指标组合对应的测试集,对各入模指标组合对应的第一房价走势前瞻模型的准确性进行测试;最后从所述第一房价走势前瞻模型筛选出满足预设筛选规则(例如,选择测试结果中平均误差最小的第一房价前瞻模型)的第二房价走势前瞻模型,即,最优的房价走势前瞻预测模型。
a2、分别将所述各入模指标的指标值输入所述房价走势前瞻模型中,模型输出结果即为预测的房价指数增长率;
将上述入模指标A、B、C输入模型中,模型输出预测的房价指数增长率。
a3、根据预测的房价指数增长率及当期的房价指数,计算出所述目标区域未来的房价指数。
在其他实施例中,所述预设的房价指数预估规则包括:
b1、从所述第一历史数据中获取目标区域在第二预设时间内的历史交易记录,确定所述目标区域中各小区的数据集,并计算目标区域中各小区在第二预设时间内的每期成交总面积;
目标区域在第二预设时间内(例如,半年)的历史交易记录从指定渠道 (二手房交易平台,例如,链家、Q房网、安居客等)获取,历史交易记录包括:成交面积、成交价格、成交时间、交易标的信息等数据。
上述交易标的为交易的房源,交易标的信息可以包括:房源位置描述信息、房源户型信息等。上述房源位置描述信息包括:小区名称、期数、栋数、单元数、楼层、房号等。
在计算目标区域中各小区对应的每期成交总面积之前,已确定目标区域中的所有小区,预先为目标区域中各小区设置相应的ID,并明确不同小区ID 对应的地理位置,生成地理位置与小区的映射表。在读取到交易标的位置信息后,根据交易标的位置信息从映射表中获取对应的小区ID,即,确定交易标的所属的小区。
为每条历史交易记录确定对应的小区ID后,根据小区ID对上述历史交易记录进行分类,得到各小区的数据集。
得到各小区对应的数据集后,根据数据集每个交易标的成交时间,将数据集划分为多个子数据集,每个子数据集对应一个月的历史交易记录,分别从该小区对应的子数据集中的每条历史交易记录中读取每个交易标的成交金额及成交面积,并计算各小区对应的每期成交总面积。
在本实施例中,各小区对应的每期成交总面积的计算公式为:
其中,为小区i的第t期成交总面积,为小区i中各交易标的j的成交面积,m为小区i中交易标的数量,m为正整数。
b2、读取所述目标区域中各小区的属性信息,根据所述属性信息及所述每期成交总面积,确定该目标区域的标杆小区列表;
上述属性信息包括:建造时间、占地面积、户型配置等信息。
具体地,按照目标区域中各小区对应的每期成交总面积的高低顺序确定各小区的在近三个月内每一期的实时排名,并计算各小区在近三个月内的综合排名,选择综合排名靠前的小区作为标杆小区,生成标杆小区列表。
b3、获取所述标杆小区列表中各标杆小区的数据集,分别计算各标杆小区每期的月环比价格指数;
首先,计算各标杆小区对应的每期成交均价;在本实施例中,上述各标杆小区对应的每期成交均价的计算公式为:
其中,为标杆小区i的第t期成交总金额,为标杆小区i的第t期成交总面积。
然后,根据所述各标杆小区对应的数据集中的历史交易记录判断所述各标杆小区所属类别:当所述标杆小区为第一类型小区时,计算所述标杆小区的第一月环比价格指数;或,当所述标杆小区为第二类型小区时,计算所述标杆小区的第二月环比价格指数。
上述第一类型小区为连续成交小区,例如,当标杆小区对应的数据集中包含本期和上期的历史交易记录时,判断该标杆小区为第一类型小区。上述第一类型小区的第一月环比价格指数的计算公式为:
其中,为标杆小区i的第t-1期(上期)成交均价,为标杆小区i 的第t期(本期)成交均价。
上述第二类型小区为间断成交小区,例如,当标杆小区对应的数据集中包含本期的历史交易记录、但不包含上期的历史交易记录时,判断该标杆小区为第二类型小区。上述第二类型小区的第二环比价格指数的计算公式为:
其中:表示标杆小区i的第t期(本期)成交均价,表示标杆小区i 的第0期(距离本期最近的有成交记录的期数)成交均价,n为距离本期的月份个数,n>0,且,n<3。
b4、根据所述各标杆小区在第二预设时间内的每期成交总面积、每期成交总金额及每期的月环比价格指数,计算所述目标区域每期的环比加权价格指数;
在本实施例中,上述目标区域的每期环比加权价格指数的计算公式为:
其中,Rt(面积)为面积加权月环比指数,为标杆小区i在第t期(本期) 的环比价格指数,为标杆小区i在第t期(本期)的成交总面积,Rt(金额)为金额加权月环比指数,为标杆小区i在第t期(本期)的成交总金额, n为目标区域中包含标杆小区的个数,Rt为目标区域在第t期(本期)的环比加权价格指数。
b5、根据所述目标区域每期的环比加权价格指数,计算目标区域的房价指数。
在本实施例中,上述目标区域的房价指数的计算公式为:
其中,Rt为目标区域在第t期的环比加权价格指数,t=0,1,2,…,k,k表示第k个月,默认R0为基期,值为1。
S3、当所述指令为小区均价预估指令时,确定所述小区均价预估指令对应的目标小区,从预设渠道获取所述目标小区在第三预设时间内的第二历史数据,并根据预设的小区均价预估规则预测所述目标小区的均价。
其中,所述第二历史数据包括:历史挂牌记录及历史成交记录。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。
优选地,所述预设的小区均价预估规则包括:c1-c4。
c1、当所述目标小区有历史挂牌记录及历史成交记录时,从所述第二历史数据中获取所述目标小区在第三预设时间内的历史挂牌/成交记录;
具体地,从预设渠道获取第三预设时间内指定区域的历史记录,获取每条所述历史记录的描述信息,根据预先确定的描述信息与小区的映射关系,确定所述目标小区对应的历史记录。
上述指定区域包括目标小区,指定区域一般为xx市xx区。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。
c2、基于预设分析规则及所述历史记录,分别计算所述目标小区在第三预设时间内的历史挂牌均价及历史成交均价;
首先,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;然后,分析并确定所述目标小区中各房源在第三预设时间内的历史挂牌价格及历史成交价格;最后,计算所述目标小区在第三预设时间内的历史挂牌均价及历史成交均价。
c3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中,得到目标小区的第一均价;
将目标小区在上个月的历史挂牌均价及历史成交均价输入到第一小区均价预估模型中,模型输出的结果即为预测的目标小区当期的小区均价。
c4、将所述目标小区在第三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,得到目标小区的第二均价。
所述第二小区均价模型基于小波神经网络训练得到。所述第二均价即为对目标小区均价进行二次预估结果。
通过将目标小区的历史挂牌均价、历史成交均价及第一均价输入第二小区均价预估模型中对目标小区进行二次预估,对第一小区估值模型的预测结果进行收敛,提高目标小区均价预估的准确性。
优选地,本实施例中的所述预设的小区均价预估规则还包括:d1-d3。
d1、当所述目标小区没有历史挂牌记录及历史成交记录时,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。
具体地,该步骤包括:
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;
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。
其中,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。
模型输出结果为各周边小区及各周边小区与目标小区的相似度,选择相似度超过第三预设阈值的周边小区作为相似小区,生成相似小区列表;或者,取预设数量的相似度最高的周边小区作为相似小区,生成相似小区列表。
所述相似小区列表中包括多个相似小区及所述多个相似小区分别与所述目标小区的相似度。
d2、获取所述相似小区列表中多个相似小区在第三预设时间内的历史挂牌/成交记录,分别确定所述多个相似小区的均价;
其中,相似小区的均价计算步骤与上述步骤一致,这里不再赘述。
d3、根据所述多个相似小区的均价计算所述目标小区的均价。
例如,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均价进行加权计算得到所述目标小区的均价。再例如,计算所述多个相似小区的均价的平均值得到所述目标小区的均价。
S4、当所述指令为房产均价预估指令时,确定所述房产均价预估指令对应的目标房产,根据预设的房产均价预估规则预测所述目标房产的均价。
具体地,所述预设的房产均价预估规则包括:
e1、确定所述目标房产对应的目标小区,并根据预设的小区均价预估规则计算所述目标小区的均价;
其中,目标小区的均价的计算步骤与上述步骤大致相同,这里不再赘述。
e2、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。
e3、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预先训练好的房产均价预估价模型,预测所述目标房产的均价。
所述房产均价预估模型基于半参数分位回归方法训练得到。计算的结果即为预测的目标房产的均价。
S5、将所述指令对应的预测结果反馈给用户。
获取上述步骤得到的计算结果,将计算结果通过客户端发送给用户。
上述实施例提出的房产预估方法,根据用户提交的指令,执行相应的预估操作,并将预估结果反馈给用户,提高用户的使用体验;利用标杆小区的数据集依次计算各小区的月环比价格指数、指定区域的环比加权价格指数,最后构建房价指数,提高房价指数的准确性;利用训练好的房价走势预估模型,预测房价指数未来增长率,根据当期的房价指数及预测的房价指数未来增长率计算未来的房价指数,可提高对未来房价走势预测的准确性;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;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;综上,可提供全面的房产相关信息,为用户决策提供指导。
本发明还提供一种电子装置。
参照图2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,客户端 (图中未标注)。
图2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2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。
可选地,在其他的实施例中,房产预估程序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3所示,为图2 中房产预估程序10的模块示意图,该实施例中,房产预估程序10可以被分割为模块110-150。其中:
指令接收模块110,用于接收用户通过客户端输入的指令。
客户端上安装有房产预估系统的客户端APP,用户通过客户端访问房产预估系统,并输入指令,其中,指令包括:房价指数预估指令、小区均价预估指令、房产均价预估指令等。指令接收模块110判断指令的类型,并根据指令类型将指令发送给各指令类型对应的模块。
房价指数预估模块120,用于当所述指令为房价指数预估指令时,获取所述房价指数预估指令对应的目标区域,获取所述目标区域在第一预设时间内的第一历史数据,并根据所述第一历史数据及预设的房价指数预估规则预测所述目标区域对应的房价指数。
上述第一历史数据为各类可能影响房地产价格的经济因素及政策因素等数据,例如,包括:各类宏观经济指标、中观经济指标、政策法规及挂盘交易数据等。
优选地,本实施例中的所述预设的房价指数预估规则包括:a1-a3。
a1、确定预先训练好的房价走势前瞻模型对应的入模指标,根据所述第一历史数据分别确定目标区域的各入模指标在第一预设时间内的指标值;
第一历史数据包括各类可能影响房地产价格的经济因素及政策因素等数据。假设预先训练好的房价走势前瞻模型对应的入模指标为A、B、C,则根据第一历史数据分别确定在该目标区域内入模指标A、B、C的指标值。
a2、分别将所述各入模指标的指标值输入所述房价走势前瞻模型中,模型输出结果即为预测的房价指数增长率;
将上述入模指标A、B、C输入模型中,模型输出预测的房价指数增长率。
a3、根据预测的房价指数增长率及当期的房价指数,计算出所述目标区域未来的房价指数。
在其他实施例中,所述预设的房价指数预估规则包括:
b1、从所述第一历史数据中获取目标区域在第二预设时间内的历史交易记录,确定所述目标区域中各小区的数据集,并计算目标区域中各小区在第二预设时间内的每期成交总面积;
目标区域在第二预设时间内(例如,半年)的历史交易记录从指定渠道 (二手房交易平台,例如,链家、Q房网、安居客等)获取,历史交易记录包括:成交面积、成交价格、成交时间、交易标的信息等数据。
上述交易标的为交易的房源,交易标的信息可以包括:房源位置描述信息、房源户型信息等。上述房源位置描述信息包括:小区名称、期数、栋数、单元数、楼层、房号等。
在计算目标区域中各小区对应的每期成交总面积之前,已确定目标区域中的所有小区,预先为目标区域中各小区设置相应的ID,并明确不同小区ID 对应的地理位置,生成地理位置与小区的映射表。在读取到交易标的位置信息后,根据交易标的位置信息从映射表中获取对应的小区ID,即,确定交易标的所属的小区。
为每条历史交易记录确定对应的小区ID后,根据小区ID对上述历史交易记录进行分类,得到各小区的数据集。
得到各小区对应的数据集后,根据数据集每个交易标的成交时间,将数据集划分为多个子数据集,每个子数据集对应一个月的历史交易记录,分别从该小区对应的子数据集中的每条历史交易记录中读取每个交易标的成交金额及成交面积,并计算各小区对应的每期成交总面积。
在本实施例中,各小区对应的每期成交总面积的计算公式为:
其中,为小区i的第t期成交总面积,为小区i中各交易标的j的成交面积,m为小区i中交易标的数量,m为正整数。
b2、读取所述目标区域中各小区的属性信息,根据所述属性信息及所述每期成交总面积,确定该目标区域的标杆小区列表;
上述属性信息包括:建造时间、占地面积、户型配置等信息。
具体地,按照目标区域中各小区对应的每期成交总面积的高低顺序确定各小区的在近三个月内每一期的实时排名,并计算各小区在近三个月内的综合排名,选择综合排名靠前的小区作为标杆小区,生成标杆小区列表。
b3、获取所述标杆小区列表中各标杆小区的数据集,分别计算各标杆小区每期的月环比价格指数;
首先,计算各标杆小区对应的每期成交均价;在本实施例中,上述各标杆小区对应的每期成交均价的计算公式为:
其中,为标杆小区i的第t期成交总金额,为标杆小区i的第t期成交总面积。
然后,根据所述各标杆小区对应的数据集中的历史交易记录判断所述各标杆小区所属类别:当所述标杆小区为第一类型小区时,计算所述标杆小区的第一月环比价格指数;或,当所述标杆小区为第二类型小区时,计算所述标杆小区的第二月环比价格指数。
上述第一类型小区为连续成交小区,例如,当标杆小区对应的数据集中包含本期和上期的历史交易记录时,判断该标杆小区为第一类型小区。上述第一类型小区的第一月环比价格指数的计算公式为:
其中,为标杆小区i的第t-1期(上期)成交均价,为标杆小区i 的第t期(本期)成交均价。
上述第二类型小区为间断成交小区,例如,当标杆小区对应的数据集中包含本期的历史交易记录、但不包含上期的历史交易记录时,判断该标杆小区为第二类型小区。上述第二类型小区的第二环比价格指数的计算公式为:
其中:表示标杆小区i的第t期(本期)成交均价,表示标杆小区i 的第0期(距离本期最近的有成交记录的期数)成交均价,n为距离本期的月份个数,n>0,且,n<3。
b4、根据所述各标杆小区在第二预设时间内的每期成交总面积、每期成交总金额及每期的月环比价格指数,计算所述目标区域每期的环比加权价格指数;
在本实施例中,上述目标区域的每期环比加权价格指数的计算公式为:
其中,Rt(面积)为面积加权月环比指数,为标杆小区i在第t期(本期) 的环比价格指数,为标杆小区i在第t期(本期)的成交总面积,Rt(金额)为金额加权月环比指数,为标杆小区i在第t期(本期)的成交总金额, n为目标区域中包含标杆小区的个数,Rt为目标区域在第t期(本期)的环比加权价格指数。
b5、根据所述目标区域每期的环比加权价格指数,计算目标区域的房价指数。
在本实施例中,上述目标区域的房价指数的计算公式为:
其中,Rt为目标区域在第t期的环比加权价格指数,t=0,1,2,…,k,k表示第k个月,默认R0为基期,值为1。
小区均价预估模块130,用于当所述指令为小区均价预估指令时,确定所述小区均价预估指令对应的目标小区,从预设渠道获取所述目标小区在第三预设时间内的第二历史数据,并根据预设的小区均价预估规则预测所述目标小区的均价。
其中,所述第二历史数据包括:历史挂牌记录及历史成交记录。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。
优选地,所述预设的小区均价预估规则包括:c1-c4。
c1、当所述目标小区有历史挂牌记录及历史成交记录时,从所述第二历史数据中获取所述目标小区在第三预设时间内的历史挂牌/成交记录;
具体地,从预设渠道获取第三预设时间内指定区域的历史记录,获取每条所述历史记录的描述信息,根据预先确定的描述信息与小区的映射关系,确定所述目标小区对应的历史记录。
上述指定区域包括目标小区,指定区域一般为xx市xx区。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。
c2、基于预设分析规则及所述历史记录,分别计算所述目标小区在第三预设时间内的历史挂牌均价及历史成交均价;
首先,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;然后,分析并确定所述目标小区中各房源在第三预设时间内的历史挂牌价格及历史成交价格;最后,计算所述目标小区在第三预设时间内的历史挂牌均价及历史成交均价。
c3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中,得到目标小区的第一均价;
将目标小区在上个月的历史挂牌均价及历史成交均价输入到第一小区均价预估模型中,模型输出的结果即为预测的目标小区当期的小区均价。
c4、将所述目标小区在第三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,得到目标小区的第二均价。
所述第二小区均价模型基于小波神经网络训练得到。所述第二均价即为对目标小区均价进行二次预估结果。
通过将目标小区的历史挂牌均价、历史成交均价及第一均价输入第二小区均价预估模型中对目标小区进行二次预估,对第一小区估值模型的预测结果进行收敛,提高目标小区均价预估的准确性。
优选地,所述预设的小区均价预估规则还包括:d1-d3。
d1、当所述目标小区没有历史挂牌记录及历史成交记录时,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。
具体地,该步骤包括:
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;
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。
其中,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。
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。
模型输出结果为各周边小区及各周边小区与目标小区的相似度,选择相似度超过第三预设阈值的周边小区作为相似小区,生成相似小区列表;或者,取预设数量的相似度最高的周边小区作为相似小区,生成相似小区列表。
所述相似小区列表中包括多个相似小区及所述多个相似小区分别与所述目标小区的相似度。
d2、获取所述相似小区列表中多个相似小区在第三预设时间内的历史挂牌/成交记录,根据所述历史挂牌/成交记录分别确定所述多个相似小区的均价;
其中,相似小区的均价计算步骤与上述步骤一致,这里不再赘述。
d3、根据所述多个相似小区的均价计算所述目标小区的均价。
例如,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均价进行加权计算得到所述目标小区的均价。再例如,计算所述多个相似小区的均价的平均值得到所述目标小区的均价。
房产均价预估模块140,用于当所述指令为房产均价预估指令时,确定所述房产均价预估指令对应的目标房产,根据预设的房产均价预估规则预测所述目标房产的均价。
具体地,所述预设的房产均价预估规则包括:
e1、确定所述目标房产对应的目标小区,并根据预设的小区均价预估规则计算所述目标小区的均价;
其中,目标小区的均价的计算步骤与上述步骤大致相同,这里不再赘述。
e2、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。
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。
e3、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预先训练好的房产均价预估价模型,预测所述目标房产的均价。
所述房产均价预估模型基于半参数分位回归方法训练得到。计算的结果即为预测的目标房产的均价。
反馈模块150,用于将所述指令对应的预测结果反馈给用户。
从上述各模块中获取计算结果,然后将计算结果通过客户端发送给用户。
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预估程序10,所述房产预估程序10被处理器执行时实现如下操作:
A1、接收用户通过客户端输入的指令;
A2、当所述指令为房价指数预估指令时,确定所述房价指数预估指令对应的目标区域,获取所述目标区域在第一预设时间内的第一历史数据,并根据预设的房价指数预估规则预测所述目标区域对应的房价指数;
A3、当所述指令为小区均价预估指令时,确定所述小区均价预估指令对应的目标小区,从预设渠道获取所述目标小区在第三预设时间内的第二历史数据,并根据预设的小区均价预估规则预测所述目标小区的均价;
A4、当所述指令为房产均价预估指令时,确定所述房产均价预估指令对应的目标房产,根据预设的房产均价预估规则预测所述目标房产的均价;及
A5、将所述指令对应的预测结果反馈给用户。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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、接收用户通过客户端输入的指令;
S2、当所述指令为房价指数预估指令时,确定所述房价指数预估指令对应的目标区域,获取所述目标区域在第一预设时间内的第一历史数据,并根据预设的房价指数预估规则预测所述目标区域对应的房价指数;
S3、当所述指令为小区均价预估指令时,确定所述小区均价预估指令对应的目标小区,从预设渠道获取所述目标小区在第三预设时间内的第二历史数据,并根据预设的小区均价预估规则预测所述目标小区的均价;
S4、当所述指令为房产均价预估指令时,确定所述房产均价预估指令对应的目标房产,根据预设的房产均价预估规则预测所述目标房产的均价;及
S5、将所述指令对应的预测结果反馈给用户。
2.根据权利要求1所述的房产预估方法,其特征在于,该方法还包括:所述预设的房价指数预估规则包括:
a1、确定预先训练好的房价走势前瞻模型对应的入模指标,根据所述第一历史数据分别确定目标区域的各入模指标在第一预设时间内的指标值;
a2、分别将所述各入模指标的指标值输入所述房价走势前瞻模型中,模型输出结果即为预测的房价指数增长率;及
a3、根据预测的房价指数增长率及当期的房价指数,计算出所述目标区域未来的房价指数。
3.根据权利要求1所述的房产预估方法,其特征在于,所述预设的房价指数预估规则包括:
b1、从所述第一历史数据中获取目标区域在第二预设时间内的历史交易记录,确定所述目标区域中各小区的数据集,并计算目标区域中各小区在第二预设时间内的每期成交总面积;
b2、读取所述目标区域中各小区的属性信息,根据所述属性信息及所述每期成交总面积,确定该目标区域的标杆小区列表;
b3、获取所述标杆小区列表中各标杆小区的数据集,分别计算各标杆小区每期的月环比价格指数;
b4、根据所述各标杆小区在第二预设时间内的每期成交总面积、每期成交总金额及每期的月环比价格指数,计算所述目标区域每期的环比加权价格指数;及
b5、根据所述目标区域每期的环比加权价格指数,计算目标区域的房价指数。
4.根据权利要求3所述的房产预估方法,其特征在于,所述步骤b3包括:
当所述标杆小区为第一类型小区时,计算所述标杆小区的第一月环比价格指数;或,当所述标杆小区为第二类型小区时,计算所述标杆小区的第二月环比价格指数。
5.根据权利要求1所述的房产预估方法,其特征在于,所述预设的小区均价预估规则包括:
c1、当所述目标小区有历史挂牌记录及历史成交记录时,从所述第二历史数据中获取所述目标小区在第三预设时间内的历史挂牌/成交记录;
c2、基于预设分析规则及所述历史记录,分别计算所述目标小区在第三预设时间内的历史挂牌均价及历史成交均价;
c3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中,得到目标小区的第一均价;
c4、将所述目标小区在第三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,得到目标小区的第二均价。
6.根据权利要求5所述的房产预估方法,其特征在于,所述预设的小区均价预估规则还包括
d1、当所述目标小区没有历史挂牌记录及历史成交记录时,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;
d2、获取所述相似小区列表中多个相似小区在第三预设时间内的历史挂牌/成交记录,分别确定所述多个相似小区的均价;及
d3、根据所述多个相似小区的均价计算所述目标小区的均价。
7.根据权利要求6所述的房产预估方法,其特征在于,所述步骤d1包括:
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;
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。
8.根据权利要求1所述的房产预估方法,其特征在于,所述预设的房产均价预估规则包括:
e1、确定所述目标房产对应的目标小区,并根据预设的小区均价预估规则计算所述目标小区的均价;
e2、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
e3、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预先训练好的房产均价预估价模型,预测所述目标房产的均价。
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预估程序,所述房产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预估程序,所述房产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预估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811287862.1A CN109615414A (zh) | 2018-10-31 | 2018-10-31 | 房产预估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811287862.1A CN109615414A (zh) | 2018-10-31 | 2018-10-31 | 房产预估方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615414A true CN109615414A (zh) | 2019-04-12 |
Family
ID=66002054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811287862.1A Pending CN109615414A (zh) | 2018-10-31 | 2018-10-31 | 房产预估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615414A (zh) |
Cited By (4)
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 |
CN110619537A (zh) * | 2019-06-18 | 2019-12-27 | 北京无限光场科技有限公司 | 用于生成信息的方法和装置 |
CN111951033A (zh) * | 2019-05-16 | 2020-11-17 | 重庆住派科技有限公司 | 房屋装修数据匹配方法及装修管理平台 |
CN112381311A (zh) * | 2020-11-24 | 2021-02-19 | 张汉勃 | 一种基于大数据的区域性城市房价合理性预测系统 |
-
2018
- 2018-10-31 CN CN201811287862.1A patent/CN109615414A/zh active Pending
Cited By (4)
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 |
CN111951033A (zh) * | 2019-05-16 | 2020-11-17 | 重庆住派科技有限公司 | 房屋装修数据匹配方法及装修管理平台 |
CN110619537A (zh) * | 2019-06-18 | 2019-12-27 | 北京无限光场科技有限公司 | 用于生成信息的方法和装置 |
CN112381311A (zh) * | 2020-11-24 | 2021-02-19 | 张汉勃 | 一种基于大数据的区域性城市房价合理性预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yeh et al. | Building real estate valuation models with comparative approach through case-based reasoning | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
Li et al. | Calibrating cellular automata based on landscape metrics by using genetic algorithms | |
CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
CN104915735B (zh) | 企业运营分析预警系统的预警分析方法 | |
KR101213925B1 (ko) | 적응적 분석 다차원 프로세싱 시스템 | |
Marinoni | A stochastic spatial decision support system based on PROMETHEE | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
CN109377265A (zh) | 选址方法、装置、设备及存储介质 | |
KR101396109B1 (ko) | 마케팅 모델 결정 시스템 | |
KR101167653B1 (ko) | 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법 | |
Dahal et al. | An agent-integrated irregular automata model of urban land-use dynamics | |
Nault et al. | Development and test application of the UrbanSOLve decision-support prototype for early-stage neighborhood design | |
Temur | A novel multi attribute decision making approach for location decision under high uncertainty | |
CN109767038A (zh) | 农作物产量预测方法、装置及计算机可读存储介质 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Dai et al. | Modeling change-pattern-value dynamics on land use: an integrated GIS and artificial neural networks approach | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
US20230207135A1 (en) | Methods and systems for detecting environment features in images to predict location-based health metrics | |
CN110555654A (zh) | 一种社区生鲜连锁店的物流配送中心选址方法及装置 | |
CN109615413A (zh) | 房产均价预估方法、电子装置及存储介质 | |
CN109064212A (zh) | 商品价格预测方法及装置 | |
US20190066235A1 (en) | Systems and methods for energy management | |
CN113627975A (zh) | 门店选址方法、装置、计算机设备和存储介质 | |
CN114926305A (zh) | 电力物资管控方法、装置、计算机设备、存储介质 |
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 |