CN111951059A - 一种房地产估值方法、装置、终端以及可读存储介质 - Google Patents
一种房地产估值方法、装置、终端以及可读存储介质 Download PDFInfo
- Publication number
- CN111951059A CN111951059A CN202010859557.6A CN202010859557A CN111951059A CN 111951059 A CN111951059 A CN 111951059A CN 202010859557 A CN202010859557 A CN 202010859557A CN 111951059 A CN111951059 A CN 111951059A
- Authority
- CN
- China
- Prior art keywords
- real estate
- valuation
- data
- model
- area
- 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 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
本发明涉及房地产估值技术领域,公开了一种房地产估值方法、装置、终端以及可读存储介质;其中,该方法包括:获取目标房地产所处区域的路网信息;根据路网信息将目标房地产所处区域划分为多个目标区域;获取每个目标区域的房地产历史估值以及影响房地产历史估值的第一特征数据;根据机器学习算法对至少一部分的目标区域的房地产历史估值和第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;根据第一房地产估值模型以及待估值区域的第一特征数据,得到待估值区域的第一房地产估值;上述提供的一种房地产估值方法,通过路网划分区域的方式使房地产估值更准确。
Description
技术领域
本发明涉及房地产估值技术领域,尤其涉及一种房地产估值方法、装置、终端以及可读存储介质。
背景技术
房地产估值主要用于衡量房地产的价值,影响房地产估值的因素是多方面的,包括地价、周边的环境,该区域的人均工资水平等。目前主要有两种对房地产进行估值的方法,一种是参考周边房价来给新的房地产项目定价,另外一种方法是根据模型预测的价格来给房地产定价,但是目前很多新的房地产项目周边是没有可参考项目的,所以为了给房地产项目一个合理定价,我们使用模型预测的方式予以定价。
现有技术中,市场上常用的房地产估值模型经常将房地产区域划分为规则的正方形或者正六边形,再参考所划分出的正方形或者正六边形区域的已有房地产价值对新的房地产项目进行估值,但是这种划分没有考虑交通路网对房价的影响,容易导致研究精度的下降。
发明内容
本发明的目的在于提供一种房地产估值方法、装置、终端以及可读存储介质,旨在解决现有技术中,市场上常用的房地产估值模型在划分区域时没有考虑交通路网对房价的影响,容易导致研究精度下降的问题。
第一方面,本发明实施例提供了一种房地产估值方法,包括:
获取目标房地产所处区域的路网信息;
根据所述路网信息将所述目标房地产所处区域划分为多个目标区域;
获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据;
根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;
根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
在一些实施方式中,在所述根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型之前,所述方法还包括:
对所述第一特征数据进行数据处理,得到第二特征数据;将所述第二特征数据添加到所述第一特征数据之中。
在一些实施方式中,所述根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型,具体包括:
将一部分目标区域的所述房地产历史估值以及所述第一特征数据设定为第一训练集;
根据所述机器学习算法对所述第一训练集进行学习,得到用于估算房地产价值的所述第一房地产估值模型。
在一些实施方式中,在所述根据所述机器学习算法对所述第一训练集进行学习,得到用于估算房地产价值的所述第一房地产估值模型之后,所述方法还包括:
将其余部分的目标区域的所述房地产历史估值以及所述第一特征数据设定为第一验证集;
对所述第一验证集中的全部所述第一特征数据应用所述第一房地产估值模型进行运算,得出对应的第一计算值,将所述第一计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到误差值;
调整所述第一房地产估值模型的参数,使得所述误差值达到误差允许范围内。
在一些实施方式中,在所述调整所述第一房地产估值模型的参数,使得所述误差值达到误差允许范围内之后,所述方法还包括:
依次选取全部目标区域中的部分目标区域的所述房地产历史估值和所述第一特征数据设定为若干个第二训练集,所述若干个第二训练集中的数据互不完全相同且都与所述第一训练集中的数据不完全相同;
根据所述机器学习算法对若干个所述第二训练集进行学习,得到若干个第二房地产估值模型。
在一些实施方式中,在所述根据所述机器学习算法对若干个所述第二训练集进行学习,得到若干个第二房地产估值模型之后,还包括:
将全部目标区域的所述房地产历史估值和所述第一特征数据分别排除掉若干个所述第二训练集中的数据所剩余的数据分别设定为若干个第二验证集;
对所述第二验证集中的所述第一特征数据应用所述第二房地产估值模型,得出对应的第二计算值,将所述第二计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到所述误差值;
调整所述第二房地产估值模型的参数,使得所述误差值达到误差允许范围内。
在一些实施方式中,在所述调整所述第二房地产估值模型的参数,使得所述误差值达到误差允许范围内之后,还包括:
将所述第一房地产估值模型以及全部的所述第二房地产估值模型进行模型融合,得到第三房地产估值模型。
第二方面,本实施例提供一种房地产估值装置,包括:
第一获取单元,用于获取目标房地产所处区域的路网信息;
划分单元,用于根据所述路网信息将所述目标房地产所处区域划分为多个目标区域;
第二获取单元,用于获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据;
学习单元,用于根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;
估值单元,用于根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
第三方面,本申请实施例提供的一种终端,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,用于执行所述计算机程序并在执行所述计算机程序时实现上面所述的一种房地产估值方法。
第四方面,本申请实施例提供的一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现上面所述的一种房地产估值方法。
与现有技术相比,本发明主要有以下有益效果:
上述提供的一种房地产估值方法,通过获取目标房地产所处区域的路网信息;根据路网信息将目标房地产所处区域划分为多个目标区域;获取每个目标区域的房地产历史估值以及影响房地产历史估值的第一特征数据;根据机器学习算法对至少一部分的目标区域的房地产历史估值和第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;根据第一房地产估值模型以及待估值区域的第一特征数据,得到待估值区域的第一房地产估值。通过路网划分区域的方式使这一方法产生的房地产估值更准确;另外,使用者通过这一方法不仅可以对房地产项目进行更精准的估值,还可以对地块进行估值,方便探索潜在优质地块。
附图说明
图1是本发明第一实施例提供的一种房地产估值方法的流程示意图;
图2是本发明第一实施例提供的一种房地产估值方法中步骤S60的流程示意图;
图3是本发明第二实施例提供的一种房地产估值方法的流程示意图;
图4是本发明第三实施例提供的一种房地产估值方法的流程示意图;
图5是本发明第四实施例提供的一种房地产估值方法的流程示意图;
图6是本发明第一实施例提供的一种房地产估值装置的结构示意性框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的实现进行详细的描述。
图1示出了本发明提供的一种房地产估值方法的第一实施例的流程示意图,在第一实施例中,房地产估值方法包括以下步骤:步骤S10、步骤S20、步骤S30、步骤S60以及步骤S70。
S10、获取目标房地产所处区域的路网信息。
具体地,首先,获取外部数据接口信息,通过外部数据接口信息连接预设数据库,从预设数据库查询当前的目标房地产所处区域的路网信息并获取。
或者,预设一个路网信息的数据库,当需要获取目标房地产所述区域的路网信息时,直接调用预设的路网信息数据库中的信息。
需要说明的是,路网信息包括铁路、高速路、国道、省道、县道、地铁、城市快速路、九级路、行人道路和乡镇村道等道路信息,可以通过在电子地图上下载获取。
S20、根据所述路网信息将所述目标房地产所处区域划分为多个目标区域。
具体地,根据铁路、高速路、国道、省道、县道、地铁、城市快速路、九级路、行人道路和乡镇村道等道路信息将目标房地产所处区域划分为多个目标区域。由于交通网络对房地产价值的影响很大,所以这种划分方式可有效保证房地产估值的准确性。
S30、获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据。
具体地,首先,获取外部数据接口信息,通过外部数据接口信息连接预设数据库,从预设数据库查询当前的每个所述目标区域的房地产历史估值以及影响房地产历史估值的第一特征数据并获取。
需要说明的是,第一特征数据包括地理信息点数据,夜间灯光数据,交通便利度数据,人口密度数据以及城市发展水平数据中的一种或多种。
其中,地理信息点即指POI,是"Point of Interest"的缩写,中文可以翻译为"兴趣点"。在地理信息系统中,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站以及一个医院等。由于POI的数据对生活便利度影响很大,所以是影响房地产估值的一个重要因素。夜间灯光影像作为人类活动的表征,与城市经济发展的情况存在关联。
房地产历史估值指现有已售房地产项目的房价以及待售房地产项目的预设房价。
S60、根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型。
具体地,机器学习算法简单说可以理解为函数,确定算法就是选择这些数据的特征符合的函数,训练模型就是用已有的数据,通过一些方法(最优化或者其他方法)确定函数的参数,参数确定后的函数就是目标模型。
在这里,首先选用适合计算房地产估值的函数,然后将至少一部分的目标区域的房地产历史估值和第一特征数据放入函数进行运算,得出函数的参数,这个确定了参数的函数就是第一房地产估值模型。
需要说明的是,机器学习算法包括线性回归,树回归,随机森林,GBDT,XGBoost,LightGBM以及神经网络中的一种或多种,在这里,由于机器学习算法属于现有技术,并不属于本发明改进所在,所以不做详细赘述。
请参阅图2,在一些实施方式中,步骤S60具体包括步骤S601以及步骤S602:
S601、将一部分目标区域的所述房地产历史估值以及所述第一特征数据设定为第一训练集。
具体地,举例来说,在这里选用80%目标区域的房地产历史估值以及对应的第一特征数据设定为第一训练集。
S602、根据所述机器学习算法对所述第一训练集进行学习,得到用于估算房地产价值的所述第一房地产估值模型。
具体地,在这里,首先选用适合计算房地产估值的函数,然后将第一训练集放入函数进行运算,得出函数的参数,这个确定了参数的函数就是第一房地产估值模型。
S70、根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
具体地,将待估值区域的第一特征数据作为自变量带入第一房地产估值模型中,即带入函数中,即可得到因变量,即待估值区域的第一房地产估值。
上述提供的一种房地产估值方法,通过获取目标房地产所处区域的路网信息;根据路网信息将目标房地产所处区域划分为多个目标区域;获取每个目标区域的房地产历史估值以及影响房地产历史估值的第一特征数据;根据机器学习算法对至少一部分的目标区域的房地产历史估值和第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;根据第一房地产估值模型以及待估值区域的第一特征数据,得到待估值区域的第一房地产估值。通过路网划分区域的方式使这一方法产生的房地产估值更准确;另外,使用者通过这一方法不仅可以对房地产项目进行更精准的估值,还可以对地块进行估值,方便探索潜在优质地块。
基于本发明第一实施例提出本发明的第二实施例,图3示出了本发明第二实施例提供的一种房地产估值方法的流程示意图,如图3所示,本实施例与第一实施例的区别之处在于在步骤S60之前,房地产估值方法还包括步骤S40。
S40、对所述房地产历史估值以及所述第一特征数据进行数据清洗。
具体地,数据清洗是对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。从名字上也看的出数据清洗就是把"脏"的"洗掉",即发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值和缺失值等。因为数据仓库中的数据是面向某一主题的数据的集合,这些数据从多个业务系统中抽取而来而且包含历史数据,这样就避免不了存在错误数据以及相互之间有冲突的数据,数据清洗的任务就是过滤掉这些数据,数据清洗的任务由计算机完成。
基于本发明第一实施例提出本发明的第三实施例,图4示出了本发明第三实施例提供的一种房地产估值方法的流程示意图,如图4所示,本实施例与第一实施例的区别之处在于在步骤S60之前,房地产估值方法还包括步骤S50。
S50、对所述第一特征数据进行数据处理,得到第二特征数据;将所述第二特征数据添加到所述第一特征数据之中。
需要说明的是,在这里我们应用特征工程处理数据,简单的说,特征工程就是将数据属性转换为数据特征的过程,属性代表了数据的所有维度,在数据建模时,如果对原始数据的所有属性进行学习,并不能很好的找到数据的潜在趋势,而通过特征工程对数据进行预处理的话,算法模型就能够减少受到噪声的干扰,这样能够更好的找出数据变化趋势。
具体地,首先将全部的第一特征数据放入机器学习算法,得到特征重要度排行,对重要度排行占比靠前的特征做运算得到第二特征数据,将得到的第二特征数据追加入第一特征数据。这里的机器学习算法选择随机森林,但是不局限于这一算法,任何可以实现这一目的的算法在这里都可以选用。
基于本发明第一实施例提出本发明的第四实施例,图5示出了本发明第四实施例提供的一种房地产估值方法的流程示意图,如图5所示,本实施例与第一实施例的区别之处在于在步骤S70之后,房地产估值方法还包括步骤S801、步骤S802、步骤S803、步骤S901、步骤S902、步骤S1001、步骤S1002、步骤S1003、步骤S110、步骤S120以及步骤S130。
S801、将其余部分的目标区域的所述房地产历史估值以及所述第一特征数据设定为第一验证集。
具体地,举例来说,在将80%的目标区域的房地产历史估值以及对应的第一特征数据设定为第一训练集后,将其余的20%的目标区域的房地产历史估值以及对应的第一特征数据设定为第一验证集。
S802、对所述第一验证集中的全部所述第一特征数据应用所述第一房地产估值模型进行运算,得出对应的第一计算值,将所述第一计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到误差值。
S803、调整所述第一房地产估值模型的参数,使得所述误差值达到误差允许范围内。
具体地,我们应用超参数搜索对参数进行优化,超参数搜索就是对参数进行优化,一般过程都是对参数的可能值进行有效搜索,然后用评价函数选取出最优参数。
在这里,我们应用超参数搜索中的网格搜索,网格搜索是在所有候选的参数选择中,通过循环遍历,尝试每一种可能性,并计算其约束函数和目标函数的值,对满足约束条件的点,逐个比较其目标函数的值,将坏的点抛弃,保留好的点,最后便得到最优解的近似解。
S901、依次选取全部目标区域中的部分目标区域的所述房地产历史估值和所述第一特征数据设定为若干个第二训练集,所述若干个第二训练集中的数据互不完全相同且都与所述第一训练集中的数据不完全相同;
具体地,不完全相同指部分不同或者全部不同,举例来说,在这里可以选用与第一训练集部分不同的80%的目标区域的房地产历史估值以及对应的第一特征数据设定为第一个第二训练集,再选用既与第一训练集部分不同,又与第一个第二训练集部分不同的80%的目标区域的房地产历史估值以及对应的第一特征数据设定为第二个第二训练集,以此类推,设定若干个第二训练集。
S902、根据所述机器学习算法对若干个所述第二训练集进行学习,得到若干个第二房地产估值模型。
S1001、将全部目标区域的所述房地产历史估值和所述第一特征数据分别排除掉若干个所述第二训练集中的数据所剩余的数据分别设定为若干个第二验证集。
具体地,举例来说,对于第一个第二训练集,在80%的目标区域的房地产历史估值以及对应的第一特征数据设定为第一个第二训练集后,将其余的20%的目标区域的房地产历史估值以及对应的第一特征数据设定为第一个第二验证集,对于第二个第二训练集,在与第一训练集部分不同的80%的目标区域的房地产历史估值以及对应的第一特征数据设定为第二个第二训练集后,将其余的20%的目标区域的房地产历史估值以及对应的第一特征数据设定为第二个第二验证集,以此类推,形成若干个第二验证集。
S1002、对所述第二验证集中的所述第一特征数据应用所述第二房地产估值模型,得出对应的第二计算值,将所述第二计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到所述误差值。
S1003、调整所述第二房地产估值模型的参数,使得所述误差值达到误差允许范围内。
S110、将所述第一房地产估值模型以及全部的所述第二房地产估值模型进行模型融合,得到第三房地产估值模型,以提高模型精度。
具体地,模型融合就是通过融合多个不同的模型,提升机器学习的性能。模型融合的方法包括Stacking以及Blending等。
在这里我们将第一房地产估值模型以及全部的第二房地产估值模型融合为第三房地产估值模型,模型精度更高,估值准确度也更高。
S120、根据所述第三房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第二房地产估值。
S130、结果可视化。
具体地,将第二房地产估值与历史估值的数据通过计算机处理输出为直观的数字或图像,完成可视化,实现更好的表达效果。
请参阅图6,图6示出了本发明第一实施例提供的一种房地产估值装置的结构示意性框图;本申请的第一实施例提供的一种房地产估值装置,包括:
第一获取单元1,用于获取目标房地产所处区域的路网信息;
划分单元2,用于根据所述路网信息将所述目标房地产所处区域划分为多个目标区域;
第二获取单元3,用于获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据;
学习单元4,用于根据机器学习算法对至少一部分的目标区域的房地产历史估值和第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;
估值单元5,用于根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在计算机设备上运行。
该计算机设备可以是终端。本发明实施例提供的一种终端,包括处理器和存储器;其中,存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种房地产估值方法。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种房地产估值方法。
应当理解的是,处理器可以是中央处理单元(CentralProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的实施例中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存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任意一种房地产估值方法。该程序执行时可包括本发明提供的一种房地产估值方法各实施例中的部分或全部步骤。
其中,所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如所述终端的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种房地产估值方法,其特征在于,包括:
获取目标房地产所处区域的路网信息;
根据所述路网信息将所述目标房地产所处区域划分为多个目标区域;
获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据;
根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;
根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
2.如权利要求1所述的一种房地产估值方法,其特征在于,在所述根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型之前,所述方法还包括:
对所述第一特征数据进行数据处理,得到第二特征数据;将所述第二特征数据添加到所述第一特征数据之中。
3.如权利要求1所述的一种房地产估值方法,其特征在于,所述根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型,具体包括:
将一部分目标区域的所述房地产历史估值以及所述第一特征数据设定为第一训练集;
根据所述机器学习算法对所述第一训练集进行学习,得到用于估算房地产价值的所述第一房地产估值模型。
4.如权利要求3所述的一种房地产估值方法,其特征在于,在所述根据所述机器学习算法对所述第一训练集进行学习,得到用于估算房地产价值的所述第一房地产估值模型之后,所述方法还包括:
将其余部分的目标区域的所述房地产历史估值以及所述第一特征数据设定为第一验证集;
对所述第一验证集中的全部所述第一特征数据应用所述第一房地产估值模型进行运算,得出对应的第一计算值,将所述第一计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到误差值;
调整所述第一房地产估值模型的参数,使得所述误差值达到误差允许范围内。
5.如权利要求4所述的一种房地产估值方法,其特征在于,在所述调整所述第一房地产估值模型的参数,使得所述误差值达到误差允许范围内之后,所述方法还包括:
依次选取全部目标区域中的部分目标区域的所述房地产历史估值和所述第一特征数据设定为若干个第二训练集,所述若干个第二训练集中的数据互不完全相同且都与所述第一训练集中的数据不完全相同;
根据所述机器学习算法对若干个所述第二训练集进行学习,得到若干个第二房地产估值模型。
6.如权利要求5所述的一种房地产估值方法,其特征在于,在所述根据所述机器学习算法对若干个所述第二训练集进行学习,得到若干个第二房地产估值模型之后,还包括:
将全部目标区域的所述房地产历史估值和所述第一特征数据分别排除掉若干个所述第二训练集中的数据所剩余的数据分别设定为若干个第二验证集;
对所述第二验证集中的所述第一特征数据应用所述第二房地产估值模型,得出对应的第二计算值,将所述第二计算值分别与所述第一特征数据对应的所述房地产历史估值作对比,得到所述误差值;
调整所述第二房地产估值模型的参数,使得所述误差值达到误差允许范围内。
7.如权利要求6所述的一种房地产估值方法,其特征在于,在所述调整所述第二房地产估值模型的参数,使得所述误差值达到误差允许范围内之后,还包括:
将所述第一房地产估值模型以及全部的所述第二房地产估值模型进行模型融合,得到第三房地产估值模型。
8.一种房地产估值装置,其特征在于,包括:
第一获取单元,用于获取目标房地产所处区域的路网信息;
划分单元,用于根据所述路网信息将所述目标房地产所处区域划分为多个目标区域;
第二获取单元,用于获取每个所述目标区域的房地产历史估值以及影响所述房地产历史估值的第一特征数据;
学习单元,用于根据机器学习算法对至少一部分的所述目标区域的所述房地产历史估值和所述第一特征数据进行学习,得到用于估算房地产价值的第一房地产估值模型;
估值单元,用于根据所述第一房地产估值模型以及待估值区域的所述第一特征数据,得到待估值区域的第一房地产估值。
9.一种终端,其特征在于,所述终端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,用于执行所述计算机程序并在执行所述计算机程序时实现权利要求1至7中任一项所述的房地产估值方法。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的房地产估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859557.6A CN111951059A (zh) | 2020-08-24 | 2020-08-24 | 一种房地产估值方法、装置、终端以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010859557.6A CN111951059A (zh) | 2020-08-24 | 2020-08-24 | 一种房地产估值方法、装置、终端以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951059A true CN111951059A (zh) | 2020-11-17 |
Family
ID=73360156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010859557.6A Pending CN111951059A (zh) | 2020-08-24 | 2020-08-24 | 一种房地产估值方法、装置、终端以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951059A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177806A (zh) * | 2021-05-18 | 2021-07-27 | 中移(上海)信息通信科技有限公司 | 一种信息处理方法、装置及设备 |
TWI773575B (zh) * | 2021-11-03 | 2022-08-01 | 中國信託商業銀行股份有限公司 | 房價評估設備 |
-
2020
- 2020-08-24 CN CN202010859557.6A patent/CN111951059A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177806A (zh) * | 2021-05-18 | 2021-07-27 | 中移(上海)信息通信科技有限公司 | 一种信息处理方法、装置及设备 |
TWI773575B (zh) * | 2021-11-03 | 2022-08-01 | 中國信託商業銀行股份有限公司 | 房價評估設備 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gregory | The accuracy of areal interpolation techniques: standardising 19th and 20th century census data to allow long-term comparisons | |
Brovelli et al. | Towards an automated comparison of OpenStreetMap with authoritative road datasets | |
Gonzalez et al. | Partial validation of cellular automata based model simulations of urban growth: An approach to assessing factor influence using spatial methods | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN111951059A (zh) | 一种房地产估值方法、装置、终端以及可读存储介质 | |
CN111274495A (zh) | 用户关系强度的数据处理方法、装置、计算机设备及存储介质 | |
CN115544088A (zh) | 地址信息查询方法、装置、电子设备及存储介质 | |
Hua et al. | Research on 3D medical image surface reconstruction based on data mining and machine learning | |
CN113379269B (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
Ward et al. | Improving CAMA models using geographic information systems/response surface analysis location factors | |
Guo et al. | A scalable method to construct compact road networks from GPS trajectories | |
CN113792726B (zh) | 一种基于视觉图像快速生成poi的方法及系统 | |
CN112579983B (zh) | 一种出行调查抽样的方法及装置 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN111368120B (zh) | 目标指纹库构建方法、装置、电子设备及存储介质 | |
Thiemann et al. | An automatic approach for generalization of land-cover data from topographic data | |
Zhang | A congruent hybrid model for conflation of satellite image and road database | |
CN111861073B (zh) | 运营策略预测方法、装置、电子设备及可读存储介质 | |
CN113779391A (zh) | 基于建模的智能锁开锁推荐方法、系统、装置及存储介质 | |
CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
CN116362118B (zh) | 基于多源异构遥感数据的长时间序列碳排放空间化方法 | |
He et al. | 3D reconstruction of Chinese hickory trees for mechanical harvest | |
CN117197730B (zh) | 一种城市空间畸变图像的修复评估方法 | |
CN109739839A (zh) | 数据空值处理方法、装置及终端设备 | |
Moreno | A vector-based geographical cellular automata model to mitigate scale sensitivity and to allow objects’ geometric transformation |
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 |