CN110163675A - 一种房地产价格评估方法及系统 - Google Patents

Abstract

本发明属于房地产价格评估技术领域，公开了一种房地产价格评估方法及系统，所述房地产价格评估系统包括：房地产信息采集模块、主控模块、价位统计模块、价位曲线绘制模块、价位评估计算模块、成交预测模块、显示模块。本发明通过房地产信息采集模块只需要采集楼盘信息即可，节省了人工在外面的时间，提高了工作效率；同时，通过成交预测模块获取待测客户针对目标楼盘的历史行为数据，包括一个或多个行为特征以及对应的发生频次；将各行为特征的发生频次，与目标阈值区间进行比较，确定行为特征的目标划分属性；实现了对房地产客户成交概率的准确预估。

Description

一种房地产价格评估方法及系统

技术领域

本发明属于房地产价格评估技术领域，尤其涉及一种房地产价格评估方法及系统。

背景技术

房地产价格是指建筑物连同其占用土地的价格，即房地产价格：土地价格+建筑物价格，是房地产经济运行和资源配置最重要的调节机制。房地产价格受到房地产效用及其长期发展趋势的影响也特别明显。不仅不同的房地产有不同的效用，而且即使同宗房地产，由于所处地段、房型、楼层、朝向等的区别，也具有不同的使用价值，这就直接决定了它们之间的价格差异。再者房地产又是超耐用商品，使用时间特别长，未来的供求变动对价格变动趋势会产生相当大的影响。购房者投资置业，总是希望所购置的房地产能保值增值，因此，在购房时不只是考虑当前，而是更多地考虑未来的房地产发展趋势，因而价格预期的心理因素，就成为影响房地产价格长期走势的一个不可忽视的因素。然而，现有房地产数据庞大，从采集到生成楼盘结构信息需要耗费大量的时间和劳动力，从而导致工作效率低的问题；同时，现有对房地产成交预测通过人工预测，由于主观因素无法形成有效的判断标准，预测准确率差。

综上所述，现有技术存在的问题是：

(1)现有房地产数据庞大，从采集到生成楼盘结构信息需要耗费大量的时间和劳动力，从而导致工作效率低的问题；

(2)现有对房地产成交预测通过人工预测，由于主观因素无法形成有效的判断标准，预测准确率差。

(3)现有的房地产价格评估系统对各类数据的分类过程中，不能有效去除混杂在少数类中的多数类样本，以及少数类样本与多数类样本模糊边界上的多数类样本，有可能导致多数类样本属性丢失。

发明内容

针对现有技术存在的问题，本发明提供了一种房地产价格评估方法及系统。

本发明是这样实现的，一种房地产价格评估方法，所述房地产价格评估方法包括：

第一步，互联网采集现有房地产价位、地段、房型、楼层等数据信息；

第二步，根据采集的数据，绘制房地产价格变化曲线图和计算房地产价格平价值；

第三步，根据绘制的价格变化曲线和房地产价格平均值，对房地产成交进行预测；

第四步，最后，利用显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值的数据信息。

进一步，所述房地产价格评估方法通过互联网采集现有房地产价位、地段、房型、楼层的数据信息完成后，需要对各类数据进行分类处理，具体过程如下：

步骤一，将采集现有房地产价位、地段、房型、楼层等数据信息作为训练样本，将训练样本聚类并制定簇的个数；

步骤二，在每次聚类中确定每个簇的数目，并比较该簇中多数类样本和少数样本的个数，若该簇中少数类样本个数多于多数类样本个数，则该簇为正类簇，反之则为负类簇；

步骤三，对上述采集的数据建立的样本对象进行遍历，若负类样本真实类别与所处簇的类别一致，则将该样本类别函数设为0，否则为1；

步骤四，重复上述的步骤；

步骤五，计算最终负类数据样本的类别函数，并将多数类样本按类别函数大小进行从高到低排序；

步骤六，根据删除因子按比例删除多数类样本，即得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。

进一步，所述房地产价格评估方法的房地产信息采集方法如下：

(1)连接互联网，通过检索程序检索房地产信息，并采集房地产楼盘的楼盘信息，所述楼盘信息包括楼盘名称、楼栋信息、单元信息、楼层信息和房屋信息；

(2)根据楼盘对应的所述楼盘名称、所述楼栋信息和所述单元信息生成第一结构信息，根据每一楼栋中的单元信息、楼层信息和房屋信息，生成第二结构信息；

(3)根据所述第一结构信息和第二结构信息构成楼盘结构信息，将所述楼盘结构信息进行存储。

进一步，所述房地产价格评估方法的成交预测方法如下：

1)将评估计算的房地产价格与历史客户购买价格进行对比，判断购买价格区间；获取待测客户针对目标楼盘的历史行为数据，所述历史行为数据包括一个或多个行为特征以及对应的发生频次；

2)将所述一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定所述一个或多个行为特征所对应的目标划分属性；

3)从预先通过建模得到的成交模型与非成交模型中，获取所述一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；

4)根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率；

5)根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率。

本发明的另一目的在于提供一种基于所述房地产价格评估方法的房地产价格评估系统，所述房地产价格评估系统包括：

房地产信息采集模块，与主控模块连接，用于通过互联网采集现有房地产价位、地段、房型、楼层数据信息；

主控模块，与房地产信息采集模块、价位统计模块、价位曲线绘制模块、价位评估计算模块、成交预测模块、显示模块连接，用于通过单片机控制各个模块正常工作；

价位统计模块，与主控模块连接，用于通过统计程序统计现有房地产价位数据；

价位曲线绘制模块，与主控模块连接，用于通过绘制程序根据统计价格数据绘制房地产价格变化曲线图；

价位评估计算模块，与主控模块连接，用于通过平价值计算程序计算房地产价格平价值；

成交预测模块，与主控模块连接，用于通过预测程序根据评估的价格对房地产成交进行预测；

显示模块，与主控模块连接，用于通过显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值数据信息。

进一步，所述主控模块包括：

房地产市场分析模块，根据采集的通过互联网采集现有房地产价位、地段、房型、楼层等数据信息对市场行情进行分析；

项目经济效益评价模块，根据房地产市场分析模块中行情分析结果，对项目的经济效益进行评价；

投资风险分析模块，根据项目经济效益评价模块中的经济效益评价的结果判断投资风险的等级；

应用文件生产模块，根据上述的分析过程和分析结果输出相应的文件报表，供使用者参考。

本发明的另一目的在于提供一种应用所述房地产价格评估方法的信息数据处理终端。

本发明的优点及积极效果为：本发明通过房地产信息采集模块采集房地产楼盘的楼盘信息，根据楼盘信息生成第一结构信息和第二结构信息，根据第一结构信息和第二结构信息生成楼盘信息，人工去现场只需要采集楼盘信息即可，节省了人工在外面的时间，提高了工作效率；同时，通过成交预测模块获取待测客户针对目标楼盘的历史行为数据，包括一个或多个行为特征以及对应的发生频次；将各行为特征的发生频次，与目标阈值区间进行比较，确定行为特征的目标划分属性；从预先通过建模得到的成交模型与非成交模型中，获取各目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；根据各第一条件概率计算待测客户的第一成交概率，并根据各第二条件概率计算待测客户的第一非成交概率；根据第一成交概率与第一非成交概率，计算待测客户的目标成交概率；实现了对房地产客户成交概率的准确预估。

本发明中采用的对房地产价位、地段、房型、楼层等数据信息分类方法，能有效去除混杂在少数类中的多数类样本，以及少数类样本与多数类样本模糊边界上的多数类样本，以此使多数类样本和少数类样本达到一定程度的平衡，并尽可能地保证多数类样本属性不丢失。

本发明中主控模块设置有房地产市场分析模块、项目经济效益评价模块、投资风险分析模块和应用文件生产模块可以为成交预测模块根据评估的价格对房地产成交进行预测提供有力的数据参考。

附图说明

图1是本发明实施例提供的房地产价格评估方法流程图。

图2是本发明实施例提供的房地产价格评估系统结构框图。

图2中：1、房地产信息采集模块；2、主控模块；3、价位统计模块；4、价位曲线绘制模块；5、价位评估计算模块；6、成交预测模块；7、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明提供的房地产价格评估方法包括以下步骤：

S101：首先，互联网采集现有房地产价位、地段、房型、楼层等数据信息；

S102：根据步骤一采集的数据，绘制房地产价格变化曲线图和计算房地产价格平价值；

S103：根据步骤二中绘制的价格变化曲线和房地产价格平均值，对房地产成交进行预测；

S104：最后，利用显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值等数据信息。

如图2所示，本发明实施例提供的房地产价格评估系统包括：房地产信息采集模块1、主控模块2、价位统计模块3、价位曲线绘制模块4、价位评估计算模块5、成交预测模块6、显示模块7。

房地产信息采集模块1，与主控模块2连接，用于通过互联网采集现有房地产价位、地段、房型、楼层等数据信息；

主控模块2，与房地产信息采集模块1、价位统计模块3、价位曲线绘制模块4、价位评估计算模块5、成交预测模块6、显示模块7连接，用于通过单片机控制各个模块正常工作；

价位统计模块3，与主控模块2连接，用于通过统计程序统计现有房地产价位数据；

价位曲线绘制模块4，与主控模块2连接，用于通过绘制程序根据统计价格数据绘制房地产价格变化曲线图；

价位评估计算模块5，与主控模块2连接，用于通过平价值计算程序计算房地产价格平价值；

成交预测模块6，与主控模块2连接，用于通过预测程序根据评估的价格对房地产成交进行预测；

显示模块7，与主控模块2连接，用于通过显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值数据信息。

所述房地产信息采集模块1通过互联网采集现有房地产价位、地段、房型、楼层等数据信息完成后，需要对各类数据进行分类处理，具体过程如下：

步骤一，将采集现有房地产价位、地段、房型、楼层等数据信息作为训练样本，将训练样本聚类并制定簇的个数；

步骤二，在每次聚类中确定每个簇的数目，并比较该簇中多数类样本和少数样本的个数，若该簇中少数类样本个数多于多数类样本个数，则该簇为正类簇，反之则为负类簇；

步骤三，对上述采集的数据建立的样本对象进行遍历，若负类样本真实类别与所处簇的类别一致，则将该样本类别函数设为0，否则为1；

步骤四，重复上述的步骤；

步骤五，计算最终负类数据样本的类别函数，并将多数类样本按类别函数大小进行从高到低排序；

步骤六，根据删除因子按比例删除多数类样本，即得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。

所述主控模块2内部包括：

房地产市场分析模块，根据采集的通过互联网采集现有房地产价位、地段、房型、楼层等数据信息对市场行情进行分析；

项目经济效益评价模块，根据房地产市场分析模块中行情分析结果，对项目的经济效益进行评价；

投资风险分析模块，根据项目经济效益评价模块中的经济效益评价的结果判断投资风险的等级；

应用文件生产模块，根据上述的分析过程和分析结果输出相应的文件报表，供使用者参考。

所述主控模块2内部中的投资风险分析模块投资风险评估系统包括：

房地产楼房质量储量风险，主要考虑建筑楼房质量、水文地质等条件；

市场风险，主要考虑价格波动、供需状况、国际市场可获得性等条件；

投资环境风险，主要考虑基础设施环境、资源国经济发展及成熟度等条件；

政治与法律风险，主要考虑资源国政治稳定性、政策法规完善及变化、对外商的限制程度、环境保护政策等条件。

本发明提供的房地产信息采集模块1采集方法如下：

(1)连接互联网，通过检索程序检索房地产信息，并采集房地产楼盘的楼盘信息，所述楼盘信息包括楼盘名称、楼栋信息、单元信息、楼层信息和房屋信息；

(2)根据楼盘对应的所述楼盘名称、所述楼栋信息和所述单元信息生成第一结构信息，根据每一楼栋中的单元信息、楼层信息和房屋信息，生成第二结构信息；

(3)根据所述第一结构信息和第二结构信息构成楼盘结构信息，将所述楼盘结构信息进行存储。

本发明提供的楼层信息包括楼层名称、地上楼层数、地下楼层数和楼层缺失值；所述房屋信息包括起始号、循环层级、房号结构、房号命名规则和房号缺失值；相应的，所述根据每一楼栋中的单元信息、楼层信息和房屋信息，生成第二结构信息，包括：

根据所述楼层名称、所述地上楼层数、所述地下楼层数和所述楼层缺失值生成每一楼栋对应的楼层生成规则；

根据所述起始号、所述循环层级、所述房号结构、所述房号命名规则和所述房号缺失值生成每一楼栋对应的房屋生成规则；

根据所述单元信息、楼层信息和房屋信息，利用所述楼层生成规则和所述房屋生成规则生成第二结构信息。

本发明提供的成交预测模块6预测方法如下：

1)将评估计算的房地产价格与历史客户购买价格进行对比，判断购买价格区间；获取待测客户针对目标楼盘的历史行为数据，所述历史行为数据包括一个或多个行为特征以及对应的发生频次；

2)将所述一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定所述一个或多个行为特征所对应的目标划分属性；

3)从预先通过建模得到的成交模型与非成交模型中，获取所述一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；

4)根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率；

5)根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率。

本发明提供的成交模型与所述非成交模型的预先建模过程包括：

从数据库中获取若干客户针对所述目标楼盘的历史行为数据，作为建模训练集；所述若干客户的历史行为数据包括行为特征以及对应的发生频次；

针对作为建模训练集的客户的历史行为数据，统计各客户的各个行为特征的发生频次，以及所述各客户针对所述目标楼盘的成交情况；

针对各行为特征，统计对应发生频次的最小值、设定分位数值、最大值；

在由所述最小值、设定分位数值、最大值形成的多个划分属性中，分别计算各个划分属性中，所述建模训练集中成交用户在该划分属性中所占比例，以及所述建模训练集中非成交用户在该划分属性中所占比例，以形成所述成交模型与所述非成交模型。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (7)

1.一种房地产价格评估方法，其特征在于，所述房地产价格评估方法包括：

第一步，互联网采集现有房地产价位、地段、房型、楼层等数据信息；

第二步，根据采集的数据，绘制房地产价格变化曲线图和计算房地产价格平价值；

第三步，根据绘制的价格变化曲线和房地产价格平均值，对房地产成交进行预测；

第四步，最后，利用显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值的数据信息。

2.如权利要求1所述的房地产价格评估方法，其特征在于，所述房地产价格评估方法通过互联网采集现有房地产价位、地段、房型、楼层的数据信息完成后，需要对各类数据进行分类处理，具体过程如下：

步骤一，将采集现有房地产价位、地段、房型、楼层等数据信息作为训练样本，将训练样本聚类并制定簇的个数；

步骤二，在每次聚类中确定每个簇的数目，并比较该簇中多数类样本和少数样本的个数，若该簇中少数类样本个数多于多数类样本个数，则该簇为正类簇，反之则为负类簇；

步骤三，对上述采集的数据建立的样本对象进行遍历，若负类样本真实类别与所处簇的类别一致，则将该样本类别函数设为0，否则为1；

步骤四，重复上述的步骤；

步骤五，计算最终负类数据样本的类别函数，并将多数类样本按类别函数大小进行从高到低排序；

步骤六，根据删除因子按比例删除多数类样本，即得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。

3.如权利要求1所述的房地产价格评估方法，其特征在于，所述房地产价格评估方法的房地产信息采集方法如下：

(1)连接互联网，通过检索程序检索房地产信息，并采集房地产楼盘的楼盘信息，所述楼盘信息包括楼盘名称、楼栋信息、单元信息、楼层信息和房屋信息；

(2)根据楼盘对应的所述楼盘名称、所述楼栋信息和所述单元信息生成第一结构信息，根据每一楼栋中的单元信息、楼层信息和房屋信息，生成第二结构信息；

(3)根据所述第一结构信息和第二结构信息构成楼盘结构信息，将所述楼盘结构信息进行存储。

4.如权利要求1所述的房地产价格评估方法，其特征在于，所述房地产价格评估方法的成交预测方法如下：

1)将评估计算的房地产价格与历史客户购买价格进行对比，判断购买价格区间；获取待测客户针对目标楼盘的历史行为数据，所述历史行为数据包括一个或多个行为特征以及对应的发生频次；

2)将所述一个或多个行为特征的发生频次，与目标阈值区间进行比较，确定所述一个或多个行为特征所对应的目标划分属性；

3)从预先通过建模得到的成交模型与非成交模型中，获取所述一个或多个行为特征的目标划分属性对应的满足成交条件的第一条件概率，以及满足非成交条件的第二条件概率；

4)根据各所述第一条件概率计算所述待测客户的第一成交概率，并根据各所述第二条件概率计算所述待测客户的第一非成交概率；

5)根据所述第一成交概率与所述第一非成交概率，计算所述待测客户的目标成交概率。

5.一种基于权利要求1所述房地产价格评估方法的房地产价格评估系统，其特征在于，所述房地产价格评估系统包括：

房地产信息采集模块，与主控模块连接，用于通过互联网采集现有房地产价位、地段、房型、楼层数据信息；

主控模块，与房地产信息采集模块、价位统计模块、价位曲线绘制模块、价位评估计算模块、成交预测模块、显示模块连接，用于通过单片机控制各个模块正常工作；

价位统计模块，与主控模块连接，用于通过统计程序统计现有房地产价位数据；

价位曲线绘制模块，与主控模块连接，用于通过绘制程序根据统计价格数据绘制房地产价格变化曲线图；

价位评估计算模块，与主控模块连接，用于通过平价值计算程序计算房地产价格平价值；

成交预测模块，与主控模块连接，用于通过预测程序根据评估的价格对房地产成交进行预测；

显示模块，与主控模块连接，用于通过显示器显示采集的房地产信息、统计价格、价格曲线、价格平价值数据信息。

6.如权利要求5所述的房地产价格评估系统，其特征在于，所述主控模块包括：

房地产市场分析模块，根据采集的通过互联网采集现有房地产价位、地段、房型、楼层等数据信息对市场行情进行分析；

项目经济效益评价模块，根据房地产市场分析模块中行情分析结果，对项目的经济效益进行评价；

投资风险分析模块，根据项目经济效益评价模块中的经济效益评价的结果判断投资风险的等级；

应用文件生产模块，根据上述的分析过程和分析结果输出相应的文件报表，供使用者参考。

7.一种应用权利要求1～4任意一项所述房地产价格评估方法的信息数据处理终端。