CN112633991A - 一种租赁指数分析方法及装置 - Google Patents

一种租赁指数分析方法及装置 Download PDF

Info

Publication number
CN112633991A
CN112633991A CN202110032454.7A CN202110032454A CN112633991A CN 112633991 A CN112633991 A CN 112633991A CN 202110032454 A CN202110032454 A CN 202110032454A CN 112633991 A CN112633991 A CN 112633991A
Authority
CN
China
Prior art keywords
index
price
level
rental
data
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
CN202110032454.7A
Other languages
English (en)
Inventor
唐坚强
周慧明
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.)
Wuhan Tianheng Information Technology Co ltd
Original Assignee
Wuhan Tianheng Information Technology 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 Wuhan Tianheng Information Technology Co ltd filed Critical Wuhan Tianheng Information Technology Co ltd
Priority to CN202110032454.7A priority Critical patent/CN112633991A/zh
Publication of CN112633991A publication Critical patent/CN112633991A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种租赁指数分析方法，包括步骤：构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。本发明通过对住房租赁数据进行分类，利用多种算法进行价格水平和价格指数计算，使得对于租赁价格的预测更加精确。

Description

一种租赁指数分析方法及装置
技术领域
本发明涉及价格计算领域，尤其涉及一种租赁指数分析方法及装置。
背景技术
现有技术中对于房屋租赁价格的预测往往采用人力统计的方式，这种方式既费时费力并且预测结果也不够准确。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，提供一种租赁指数分析方法，包括步骤：
构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
优选地，所述指数分类包括：市级、区级、片区级和小区级；
所述区级分为中心城区和远城区；所述片区级分为热点片区和一般片区；
所述市场分类包括：房源、租赁类型、租客、面积、户型、登记情况和房龄。
优选地，所述根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据，包括：
通过人工调查和网络大数据，采集各所述市场分类对应的住房租赁数据；
对各所述住房租赁数据进行数据修正，获得对应的修正后的数据；
将各所述修正后的数据导入处理工具，通过所述处理工具对各所述修正后的数据进行分析，获得对应的数据处理方式；
根据各所述数据处理方式对各对应的所述修正后的数据进行数据缺省补充，获得对应的补充后数据；
剔除各所述补充后数据中的价格异常数据，获得对应的处理后数据。
优选地，所述租赁价格模型采用特征价格法计算所述价格水平，所述特征价格法的计算公式如下：
Figure BDA0002891964410000021
其中，P表示价格水平；i表示特征编号，i的取值范围为1到k的正整数，k为大于1的正整数；Xi表示特征变量；α、β表示租赁价格模型中的待估计参数；ε表示随机扰动项。
优选地，若所述小区级租赁样本数小于15个，或者是对所述租客、所述房龄、所述户型和所述登记情况中的任意一种市场分类的价格水平进行计算；则所述租赁价格模型采用算术平均法计算所述价格水平，所述算术平均法的计算公式如下：
Figure BDA0002891964410000022
其中，P表示价格水平；n表示租赁住宅样本点的个数，n的取值范围为大于1的正整数；Pi表示第i个样本点的租赁价格，i的取值范围为1到n的正整数。
优选地，若对所述区级、所述片区级和所述市级中的任意一种指数分类的价格水平进行计算；则所述租赁价格模型采用加权平均法计算所述价格水平，所述加权平均法的计算公式如下：
Figure BDA0002891964410000023
其中，P表示除小区外任意区域的价格水平；n表示小区块的个数n的取值范围为大于1的正整数；Pi，Wi分别表示第i个小区的租赁价格和对应的权重，i的取值范围为1到n的正整数。
优选地，所述价格指数参数包括：租赁价格指数、指数变化量和指数变化率；
所述租赁价格指数的计算公式如下：
index(Pn)＝100×(1+r1)×(1+r2)×K×(1+rn)
其中，,n表示时间点，取值为正整数；n＝1时，表示基期时间点的租赁价格指数index(P1)＝100；rn＝(Pn-Pn-1)/Pn-1，表示时间点n相对于时间点n-1的价格变化量；当n为大于1的正整数时，Pn表示时间点n的价格水平，index(Pn)表示时间点n的租赁价格指数；
所述指数变化量的计算公式如下：
Δ＝index(Pn)-index(Pn-1)
所述指数变化率的计算公式如下：
rΔ＝Δ/index(Pn-1)
其中，index(Pn-1)表示为时间点n-1的租赁价格指数；Δ表示指数变化量；rΔ表示指数变化率。
优选地，所述指数报告包括：
小区级价格指数、热点片区价格指数、一般片区价格指数、区级价格指数、市级价格指数和价格指数预测。
此外，为实现上述目的，本发明还提出租赁指数分析装置，包括：
体系构建模块，用于构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
预处理模块，用于根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
价格水平计算模块，用于将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
价格指数参数计算模块，用于将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
预测模块，用于统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
本发明具有以下有益效果：
通过对住房租赁数据进行分类，利用多种算法进行价格水平和价格指数计算，使得对于租赁价格的预测更加精确。
附图说明
图1为本发明租赁指数分析方法的流程示意图；
图2为本发明租赁指数分析装置的结构框图；
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。
参照图1，图1为本发明租赁指数分析方法的流程示意图，包括步骤：
S10：构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
S20：根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
S30：将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
S40：将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
S50：统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
进一步地，步骤S10中，所述指数分类包括：市级、区级、片区级和小区级；
所述区级分为中心城区和远城区；所述片区级分为热点片区和一般片区；
所述市场分类包括：房源、租赁类型、租客、面积、户型、登记情况和房龄。
具体实现中，参照表一，房源包括：长租公寓、个人房源和公租房；租赁类型包括：合租和整租；租客包括：大专以上和大专以下；面积包括：0-60平方米、60-90平方米、90-120平方米、120-144平方米和144平方米以上；户型包括：一室、二室、三室、四室和四室以上；登记情况包括：登记和未登记；房龄包括：0-5年、5-10年、10-15年、15-20年和20年以上。
表一
Figure BDA0002891964410000051
进一步地，所述步骤S20包括：
S201：通过人工调查和网络大数据，采集各所述市场分类对应的住房租赁数据。
S202：对各所述住房租赁数据进行数据修正，获得对应的修正后的数据。
具体实现中，对于市场分类中的面积，利用合租使用面积和套建筑面积，采用动态比例配赋的方法得到合租单元的建筑面积；
合租：当整租的面积小于预设阈值，将整租改为合租；当面积大于预设阈值，考虑为非住宅，剔除该数据。
S203：将各所述修正后的数据导入处理工具，通过所述处理工具对各所述修正后的数据进行分析，获得对应的数据处理方式。
具体实现中，当修正后的数据的数据量小于预设值时，采用数据库保存修正后的数据；当修正后的数据的数据量大于或等于预设值时，采用文本或者python的方式保存修正后的数据；
利用处理工具和构建的租赁价格指数体系，查看修正后的数据中的字段解释、数据来源和代码表等信息；同时抽取修正后的数据中一部分数据，使用人工查看方式，分析数据质量和结构情况，确定初步的数据处理方式。
S204：根据各所述数据处理方式对各对应的所述修正后的数据进行数据缺省补充，获得对应的补充后数据。
具体实现中，数据缺省补充的方式包括：
以业务知识或经验推测(默认值)填充缺失值；
以同一指标的计算结果(均值、中位数、众数等)填充缺失值；
用相邻值填充缺失值；
以不同指标的计算结果填充缺失值。
S205：剔除各所述补充后数据中的价格异常数据，获得对应的处理后数据。
具体实现中，采用的剔除方法包括：
采用箱线图的方式，对面积、租金和平均租金进行剔除处理；
有实际采集数据的小区，均值、标准差以实际采集数据均值标准差为准；
无实际采集数据的小区，均值以中国房价行情网等专业网站公布的小区单位面积租金均价作为3Sigma法的均值。
进一步地，步骤S30中，所述租赁价格模型采用特征价格法计算所述价格水平，采用特征价格法计计算价格水平时，每个小区设置一个住房租赁标准单元，住房租赁标准单元的选取可以手动配置；即从多个因子中选择作为住房租赁标准单元的因子，其次具体的取法是众数、均数、中位数等方式，标准住宅选取如表二：
表二
因子层 标准住宅选取
建筑面积 平均值
住宅年龄 众数
朝向 众数
装修程度 众数
租赁方式 平均值
有无独卫 众数
有无阳台 众数
所述特征价格法主要用于两个方面：一是小区级内的价格水平计算；二是局部区域地理区位发生变化的价格水平的预测；
所述特征价格法的基本原理是：住房租赁的价格水平是由供求关系的因素决定的，包括中观因子和微观因子，其住房租赁的价格水平与供求关系的因素之间的函数表达式即为特征价格法的数学模型，特征价格法的计算公式如下：
Figure BDA0002891964410000071
其中，P表示价格水平；i表示特征编号，i的取值范围为1到k的正整数，k为大于1的正整数；Xi表示特征变量；α、β表示租赁价格模型中的待估计参数；ε表示随机扰动项；
公式中解释变量和被解释变量均以线性形式进入，公式中价格水平是基础价格(由截距项α表示)和众多特征价格(由βi表示)的线性组合，其中回归系数βi就是各个住宅特征的价格贡献量；每个小区设置标准住房租赁单元的特征值，并利用特征价格法计算得到标准住房租赁单元的特征价格，即为本小区的价格水平。
进一步地，若所述小区级租赁样本数小于15个，或者是对所述租客、所述房龄、所述户型和所述登记情况中的任意一种市场分类的价格水平进行计算；则所述租赁价格模型采用算术平均法计算所述价格水平，所述算术平均法的计算公式如下：
Figure BDA0002891964410000072
其中，P表示价格水平；n表示租赁住宅样本点的个数，n的取值范围为大于1的正整数；Pi表示第i个样本点的租赁价格，i的取值范围为1到n的正整数。
在具体实现中，小区级租赁样本数的阈值选为15个实际是一个实验的结果，实验过程为：
(1)前期的参数配置包括算法配置(采用什么算法、算法中关键性参数配置)，该配置过程实际是由算法人员独立现行完后，测试后满足相关需求后才部署对应的算法模型；
(2)算法配置，样本量多少时，采用什么算法；特征价格法中，采用哪几种特征；特征价格法中标准住宅的算法配置；
(3)应用配置，是依据实际情况，配置采集截止时间等参数。
进一步地，若对所述区级(包括热点片区和一般片区)、所述片区级和所述市级中的任意一种指数分类的价格水平进行计算；则所述租赁价格模型采用加权平均法计算所述价格水平，所述加权平均法的计算公式如下：
Figure BDA0002891964410000081
其中，P表示除小区外任意区域的价格水平；n表示小区块的个数n的取值范围为大于1的正整数；Pi，Wi分别表示第i个小区的租赁价格和对应的权重，i的取值范围为1到n的正整数；
权重为小区对应的城镇土地级别的倒数。因此本质上，加权平均值方法是特征价格法的简化算法。
进一步地，步骤S40中所述价格指数参数包括：租赁价格指数、指数变化量和指数变化率；
所述租赁价格指数的计算公式如下：
index(Pn)＝100×(1+r1)×(1+r2)×K×(1+rn) (4)
其中，,n表示时间点，取值为正整数；n＝1时，表示基期时间点的租赁价格指数index(P1)＝100；rn＝(Pn-Pn-1)/Pn-1，表示时间点n相对于时间点n-1的价格变化量；当n为大于1的正整数时，Pn表示时间点n的价格水平(时间点的量度可选月、或季、或半年、或年)，index(Pn)表示时间点n的租赁价格指数；
所述指数变化量的计算公式如下：
Δ＝index(Pn)-index(Pn-1)
所述指数变化率的计算公式如下：
rΔ＝Δ/index(Pn-1)
其中，index(Pn-1)表示为时间点n-1的租赁价格指数；Δ表示指数变化量；rΔ表示指数变化率。
进一步地，步骤S50中所述指数报告包括：
小区级价格指数、热点片区价格指数、一般片区价格指数、区级价格指数、市级价格指数和价格指数预测；
1、小区级价格指数的计算包括：
(1)综合指数的计算
利用租赁标准单元的单价，采用特征价格法计算小区的综合价格水平，当总样本数小于预设阈值个数时，采用算术平均法计算小区的平均价格水平。采用租赁指数模型计算小区的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(2)房源指数计算。
利用租赁标准单元的单价，采用特征价格法计算小区内长租公寓和个人房源的价格水平，当总样本数小于预设阈值个数时，采用算术平均法计算小区内长租公寓和个人房源的平均价格水平；采用租赁指数模型计算小区内长租公寓和个人房源的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(3)租赁类型指数计算。
利用租赁标准单元的单价，采用特征价格法计算小区内合租和整租的价格水平；当总样本数小于预设阈值个数时，采用算术平均法计算小区内合租和整租的平均价格水平；然后采用租赁指数模型计算小区内合租和整租的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(4)租客指数的计算。
根据市场分类，本指数主要用于长租公寓租客指数的计算；采用算术平均法计算小区的平均价格水平；采用租赁指数模型计算小区内不同租客的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(5)户型(居室数量)指数计算。
以套为单位的单价进行计算，采用算术平均法计算小区的平均价格水平；采用租赁指数模型计算小区内不同房型的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(6)房龄指数计算。
以套为单位的单价进行计算，采用算术平均法计算小区的平均价格水平；采用租赁指数模型计算小区内不同房龄的租赁价格指数及其同比与环比的指数变化量和指数变化率。
(7)登记指数计算。
以套为单位的单价进行计算，主要用于长租公寓的价格指数计算，采用算术平均法计算小区的平均价格水平，采用租赁指数模型计算小区内登记情况的租赁价格指数及其同比与环比的指数变化量和指数变化率。
2、热点片区和一般片区价格指数的计算方法为：
以小区级价格指数为基础，计算热点片区和一般片区的综合、房源、租赁类型、租客、户型、房龄、登记情况等价格水平，主要采用特征价格法计算；
当片区内的小区数量小于预设阈值个数时，采用算术平均法计算；
采用租赁指数模型计算热点片区和一般片区的租赁价格指数及其同比与环比的指数变化量和指数变化率。
3、区级价格指数的计算方法为：
以小区级价格指数为基础，采用算术平均法计算区级的综合、房源、租赁类型、租客、户型、房龄、登记情况等价格水平；采用租赁指数模型计算区级的租赁价格指数及其同比与环比的指数变化量和指数变化率。
4、市级价格指数的计算方法为：
以小区级价格指数为基础，采用加权平均法计算市级的综合、房源、租赁类型、租客、户型、房龄、登记情况等价格水平，采用租赁指数模型计算市级的租赁价格指数及其同比与环比的指数变化量和指数变化率。
5、指数预测(3个月)的计算方法为：
以小区级价格指数为基础，主要采用特征价格法预测未来3个月内，中观因子变化时点的小区级、热点片区和一般片区的价格水平、租赁价格指数及其同比与环比的指数变化量和指数变化率；中观因子变化信息获取的途径如下：
一是，通过各种媒体，获取交通、医院、学校、商业等地理区位因子的变化信息；
二是，采用地理空间分析方法获取就业层级的变化信息。
此外，参照图2，本发明实施例还提出租赁指数分析装置，所述租赁指数分析装置包括：
体系构建模块10，用于构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
预处理模块20，用于根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
价格水平计算模块30，用于将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
价格指数参数计算模块40，用于将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
预测模块50，用于统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
本发明所述租赁指数分析装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
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一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，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，空调器，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他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种租赁指数分析方法，其特征在于，包括步骤：
构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
2.根据权利要求1所述的租赁指数分析方法，其特征在于，所述指数分类包括：市级、区级、片区级和小区级；
所述区级分为中心城区和远城区；所述片区级分为热点片区和一般片区；
所述市场分类包括：房源、租赁类型、租客、面积、户型、登记情况和房龄。
3.根据权利要求1所述的租赁指数分析方法，其特征在于，所述根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据，包括：
通过人工调查和网络大数据，采集各所述市场分类对应的住房租赁数据；
对各所述住房租赁数据进行数据修正，获得对应的修正后的数据；
将各所述修正后的数据导入处理工具，通过所述处理工具对各所述修正后的数据进行分析，获得对应的数据处理方式；
根据各所述数据处理方式对各对应的所述修正后的数据进行数据缺省补充，获得对应的补充后数据；
剔除各所述补充后数据中的价格异常数据，获得对应的处理后数据。
4.根据权利要求1所述的租赁指数分析方法，其特征在于，所述租赁价格模型采用特征价格法计算所述价格水平，所述特征价格法的计算公式如下：
Figure FDA0002891964400000021
其中，P表示价格水平；i表示特征编号，i的取值范围为1到k的正整数，k为大于1的正整数；Xi表示特征变量；α、β表示租赁价格模型中的待估计参数；ε表示随机扰动项。
5.根据权利要求2所述的租赁指数分析方法，其特征在于，若所述小区级租赁样本数小于15个，或者是对所述租客、所述房龄、所述户型和所述登记情况中的任意一种市场分类的价格水平进行计算；则所述租赁价格模型采用算术平均法计算所述价格水平，所述算术平均法的计算公式如下：
Figure FDA0002891964400000022
其中，P表示价格水平；n表示租赁住宅样本点的个数，n的取值范围为大于1的正整数；Pi表示第i个样本点的租赁价格，i的取值范围为1到n的正整数。
6.根据权利要求2所述的租赁指数分析方法，其特征在于，若对所述区级、所述片区级和所述市级中的任意一种指数分类的价格水平进行计算；则所述租赁价格模型采用加权平均法计算所述价格水平，所述加权平均法的计算公式如下：
Figure FDA0002891964400000023
其中，P表示除小区外任意区域的价格水平；n表示小区块的个数n的取值范围为大于1的正整数；Pi，Wi分别表示第i个小区的租赁价格和对应的权重，i的取值范围为1到n的正整数。
7.根据权利要求1所述的租赁指数分析方法，其特征在于，所述价格指数参数包括：租赁价格指数、指数变化量和指数变化率；
所述租赁价格指数的计算公式如下：
index(Pn)＝100×(1+r1)×(1+r2)×K×(1+rn)
其中，,n表示时间点，取值为正整数；n＝1时，表示基期时间点的租赁价格指数index(P1)＝100；rn＝(Pn-Pn-1)/Pn-1，表示时间点n相对于时间点n-1的价格变化量；当n为大于1的正整数时，Pn表示时间点n的价格水平，index(Pn)表示时间点n的租赁价格指数；
所述指数变化量的计算公式如下：
Δ＝index(Pn)-index(Pn-1)
所述指数变化率的计算公式如下：
rΔ＝Δ/index(Pn-1)
其中，index(Pn-1)表示为时间点n-1的租赁价格指数；Δ表示指数变化量；rΔ表示指数变化率。
8.根据权利要求1所述的租赁指数分析方法，其特征在于，所述指数报告包括：
小区级价格指数、热点片区价格指数、一般片区价格指数、区级价格指数、市级价格指数和价格指数预测。
9.一种租赁指数分析装置，其特征在于，所述租赁指数分析装置包括：
体系构建模块，用于构建租赁价格指数体系，所述租赁价格指数体系包含多个指数分类，各所述指数分类包含多个市场分类；
预处理模块，用于根据各所述市场分类，采集对应的住房租赁数据，将各所述住房租赁数据进行预处理，获得对应的处理后数据；
价格水平计算模块，用于将各所述处理后数据输入租赁价格模型进行计算，获得各所述指数分类对应的价格水平；
价格指数参数计算模块，用于将各所述价格水平输入租赁指数模型进行计算，获得各所述指数分类对应的价格指数参数；
预测模块，用于统计各所述价格水平和各所述价格指数参数，获得指数报告，根据所述指数报告预测租赁市场信息。
CN202110032454.7A 2021-01-11 2021-01-11 一种租赁指数分析方法及装置 Pending CN112633991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110032454.7A CN112633991A (zh) 2021-01-11 2021-01-11 一种租赁指数分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032454.7A CN112633991A (zh) 2021-01-11 2021-01-11 一种租赁指数分析方法及装置

Publications (1)

Publication Number Publication Date
CN112633991A true CN112633991A (zh) 2021-04-09

Family

ID=75293931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032454.7A Pending CN112633991A (zh) 2021-01-11 2021-01-11 一种租赁指数分析方法及装置

Country Status (1)

Country Link
CN (1) CN112633991A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298448A (zh) * 2021-07-26 2021-08-24 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN115879923A (zh) * 2022-11-22 2023-03-31 杭州青橄榄物联科技有限公司 一种考虑空调能耗的租赁空调价格评估方法与系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298448A (zh) * 2021-07-26 2021-08-24 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN113298448B (zh) * 2021-07-26 2021-12-03 广东新禾道信息科技有限公司 基于互联网的租赁指数分析方法、系统及云平台
CN115879923A (zh) * 2022-11-22 2023-03-31 杭州青橄榄物联科技有限公司 一种考虑空调能耗的租赁空调价格评估方法与系统

Similar Documents

Publication Publication Date Title
McCrea et al. What is the strength of the link between objective and subjective indicators of urban quality of life?
Evans et al. 3DStock: A new kind of three-dimensional model of the building stock of England and Wales, for use in energy analysis
CN112633991A (zh) 一种租赁指数分析方法及装置
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
Kaur et al. Application of geospatial technologies for multi-hazard mapping and characterization of associated risk at local scale
CN107578277B (zh) 用于电力营销的出租房客户定位方法
CN112418690A (zh) 一种用于城市体检指标的分析诊断方法及系统
Cui et al. Understanding urbanization and its impact on the livelihood levels of urban residents in Ulaanbaatar, Mongolia
Belasco et al. Using a finite mixture model of heterogeneous households to delineate housing submarkets
CN115829811A (zh) 一种县域公共服务设施配置评估方法及系统
Alkana Housing market differentiation: the cases of Yenimahalle and Çankaya in Ankara
Wang et al. An innovative method to predict the thermal parameters of construction assemblies for urban building energy models
Xin et al. Residential building stock modelling for mainland China targeted for seismic risk assessment
Beltrán-Velamazán et al. A new approach for national-scale Building Energy Models based on Energy Performance Certificates in European countries: The case of Spain
Koohpayma et al. Estimating the price of apartments in Tehran using extracted compound variables
Li et al. Evaluation of residential housing prices on the Internet: Data pitfalls
CN115587694A (zh) 用于房屋租金批量评估的数据处理方法、装置及设备
Iannacchione et al. Comparing the coverage of a household sampling frame based on mailing addresses to a frame based on field enumeration
Potoglou et al. The impact of public transport infrastructure on residential land value: Using spatial analysis to uncover policy-relevant processes
Fattahi et al. An evaluation model for measuring customer satisfaction levels in a water supply domain: case study–water supply in Hamedan
JP2004118853A (ja) 詳細統計データの作成方法、プログラムおよび装置
CN114004661A (zh) 门店信息处理方法、装置、设备及存储介质
CN113408867A (zh) 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法
Neo et al. Spatial analysis of public residential housing's electricity consumption in relation to urban landscape and building characteristics: A case study in Singapore
Nayak et al. Identifying building archetypes based on energy performance as the major criteria: a case of Jaipur, India

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409