CN112785342A - 房地产动态估值方法及装置 - Google Patents
房地产动态估值方法及装置 Download PDFInfo
- Publication number
- CN112785342A CN112785342A CN202110117508.XA CN202110117508A CN112785342A CN 112785342 A CN112785342 A CN 112785342A CN 202110117508 A CN202110117508 A CN 202110117508A CN 112785342 A CN112785342 A CN 112785342A
- Authority
- CN
- China
- Prior art keywords
- real estate
- data
- evaluated
- network model
- information
- 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 32
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 230000001174 ascending effect Effects 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 abstract description 6
- 230000006403 short-term memory Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 238000005034 decoration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种房地产动态估值方法及装置，该方法包括：获取待估值房地产的押品信息，该押品信息中至少包含：待估值房地产所在的位置区域信息；将待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据；将待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果。本发明能够实现房地产押品价值的动态评估。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种房地产动态估值方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
众所周知，各大银行提供的普惠金融服务，是基于客户房产抵押估值而给予客户一定授信额度。然而，银行从业人员并不能准确地掌握房产估值等重要数据信息。银行从业人员多数采用客户经理现场调研以及雇佣第三方评估机构进行房产抵押估值，但是这些方法存在效率较低且需要支出额外费用等问题，大幅增加银行经营成本。同时由于房地产押品存在价值波动的情况，因此需要根据最新的房产估值情况评定抵押品的价值以便控制信贷风险，但是上述方法无法做到动态地评估房地产押品价值。
因而，如何提供一个高效实时的房地产押品价值评估方案，是目前本领域亟待解决的技术问题。
发明内容
本发明实施例中提供了一种房地产动态估值方法，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，该方法包括：获取待估值房地产的押品信息，其中，押品信息中至少包含：待估值房地产所在的位置区域信息；将待估值房地产的押品信息，输入到长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，其中，长短期记忆网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的模型；将待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果，其中，极端梯度上升网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的模型。
本发明实施例中还提供了一种房地产动态估值装置，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，该装置包括：待估值房地产信息获取模块，用于获取待估值房地产的押品信息，其中，押品信息中至少包含：待估值房地产所在的位置区域信息；单价预测模块，用于将待估值房地产的押品信息，输入到长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，其中，长短期记忆网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的模型；动态估值模块，用于将待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果，其中，极端梯度上升网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的模型。
本发明实施例中还提供了一种计算机设备，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述房地产动态估值方法。
本发明实施例中还提供了一种计算机可读存储介质，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，该计算机可读存储介质存储有执行上述房地产动态估值方法的计算机程序。
本发明实施例中，在获取到待估值房地产的押品信息后，将待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，并将长短期记忆网络模型输出的待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果。
与现有技术中由人工线下对房地产价值进行评估的技术方案相比，本发明实施例中通过机器学习训练得到对房地产单价均值预测的长短期记忆网络模型和对房地产总价进行评估的极端梯度上升网络模型，能够根据待估值房地产的押品信息，快速得到待估值房地产的押品价值动态评估结果，大大提高了实时性和准确性，通过对信贷客户的房地产押品估值进行动态评估，能够更好地控制信贷风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种房地产动态估值方法流程图；
图2为本发明实施例中提供的一种模型训练过程示意图；
图3为本发明实施例中提供的一种房地产动态估值方法的具体实现流程图；
图4为本发明实施例中提供的一种房地产动态估值装置示意图；
图5为本发明实施例中提供的一种可选的房地产动态估值装置示意图；
图6为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为解决在房地产押品价值评估过程中存在效率低、经营成本大且实时性差的技术问题，本发明实施例中提供了一种房地产动态估值方法，采用聚集爬虫抓取多个平台数据，利用机器学习算法训练房地产押品估值预测模型，高效快捷地评测目标客户的房地产押品价值。
图1为本发明实施例中提供的一种房地产动态估值方法流程图，如图1所示，该方法包括如下步骤：
S101，获取待估值房地产的押品信息，其中，押品信息中至少包含：待估值房地产所在的位置区域信息。
需要说明的是，本发明实施例中的待估值房地产可以是但不限于银行贷款系统中贷款客户为了贷款而抵押的房产(住宅房或非住宅房等地上建筑物)或地产(土地)；上述S101中获取的押品信息可以是由借贷客户向银行提供的各种房地产信息，包括但不限于：房地产所在行政区、房地产所在位置区域(例如，住宅小区)、所处楼层层数、房地产朝向、房地产建筑面积、房地产房间布局、建筑年限、房地产装修水平、房地产住宅性质、房地产开发商、房地产公开成交价、房地产中介挂牌价等信息。
S102，将待估值房地产的押品信息，输入到长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，其中，长短期记忆网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的模型。
需要说明的是，上述S102中的长短期记忆网络模型是一个通过机器学习得到的模型，能够预测出未来一段时间内某一位置区域的房地产单价均值。
S103，将待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果，其中，极端梯度上升网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的模型。
需要说明的是，上述S103中的极端梯度上升网络模型是一个通过机器学习得到的模型，能够预测出未来一段时间内某一房地产的总价值。
在一个实施例中，如图2所示，本发明实施例中提供的房地产动态估值方法，可以通过如下步骤来实现模型训练：
S201，采集多个位置区域的房地产买卖数据；
在具体实施时，上述S201中，可使用聚集爬虫技术，从多个数据源平台抓取多个位置区域的房地产买卖数据。聚集爬虫技术是通用爬虫技术的一种，用于爬取网页中局部的内容。
S202，对采集的房地产买卖数据进行处理，得到第一房地产数据和第二房地产数据，其中，第一房地产数据为与房地产单价均值相关的时序数据，第二房地产数据为影响房地产总价的相关数据。
在具体实施时，上述S202可以通过如下步骤来实现：对采集的房地产买卖数据进行数据清洗；对数据清洗后的房地产买卖数据进行标准化处理，得到第一房地产数据和第二房地产数据。
S203，根据第一房地产数据，对搭建的长短期记忆网络进行机器学习，训练得到一个预测房地产单价均值变化情况的长短期记忆网络模型。
需要说明的是，长短期记忆网络是一种改进版的循环神经网络，在循环神经网络的基础上引入了长期依赖信息，其在算法中引入遗忘门、输入门、输出门三个门控，利用设定规则判断信息是否有用，无用信息通过遗忘门丢弃，因此具有长时记忆功能，擅长序列数据建模。
在具体实施时，根据各个位置区域的第一房地产数据，对搭建的长短期记忆网络进行机器学习，能够训练得到对各个位置区域房地产单价均值预测的长短期记忆网络模型。
S204，根据第二房地产数据，对搭建的极端梯度上升网络进行机器学习，训练得到一个预测房地产总价变化情况的极端梯度上升网络模型。
需要说明的是，极端梯度上升网络是一种改进版的注重效率和速度的梯度提升决策树的网络模型，通过特征分裂添加回归树，拟合与上一次预测的残差，以达到更好地预测效果。在具体实施时，根据各个位置区域的第二房地产数据，对搭建的第二进行机器学习，能够训练得到对各个位置区域各个房地产总价值进行预测的极端梯度上升网络模型。
图3为本发明实施例中提供的一种房地产动态估值方法的具体实现流程图，如图3所示，具体包括：
S301，使用聚集爬虫技术抓取房地产数据：使用聚集爬虫抓取房产买卖公开信息，房地产中介挂牌信息以及楼盘新闻等多种与房地产押品价值相关的数据：房地产所在行政区、房地产所在小区、所处楼层层数、房地产朝向、房地产建筑面积、房地产房间布局、建筑年限、房地产装修水平、房地产住宅性质、房地产开发商、房地产公开成交价、房地产中介挂牌价。
S302，数据处理：将抓取到的数据进行清洗，去除数值不符合规则或数值异常的数据，将数据进行标准化处理，得到房价单价均值相关的时序数据，即房价均值按周为单位顺序记录的数据列以及房地产总价影响因素的相关数据，作为S303中的训练数据。
S303，搭建长短期记忆网络和极端梯度上升网络，通过机器学习训练模型：搭建长短期记忆网络，将S302中得到房价均值相关的时序数据，输入长短期记忆网络进行训练，收敛后得到长短期记忆网络模型，训练后的模型能够预测未来一段时间内的房价均值，达到动态评估，风险控制的作用；搭建极端梯度上升网络，将S302中得到的房地产总价影响因素的相关数据送入模型训练，收敛后得到极端梯度上升网络模型，训练后的模型能够预测不同楼层、朝向、面积等多种影响下的房地产押品估值。
S304，将目标客户的房地产押品信息输入到训练好的模型中，得到房地产押品价值的动态评估结果：获取目标客户房地产押品的相关信息：房地产所在行政区、房地产所在小区、所处楼层层数、房地产朝向、房地产建筑面积、房地产房间布局、建筑年限、房地产装修水平、房地产住宅性质、房地产开发商、房地产公开成交价、房地产中介挂牌价，将上述的相关数据输入到训练好的长短期记忆网络网络模型，得到房地产所在小区的预估房价单价，然后将预估单价连同目标客户房地产押品的相关信息输入到训练好的极端梯度上升网络模型得到预估的房地产押品估值。
由上可知，本发明实施例中，利用聚集爬虫技术，抓取互联网上公开的房地产买卖信息，房地产中介挂牌信息以及楼盘新闻等多种与房地产押品价值相关的数据，然后基于机器学习算法对抓取到的数据进行建模，并对目标客户房地产进行一个动态地评估，能够辅助客户经理进行房地产押品的估值，以便能够更好地控制信贷风险。
基于同一发明构思，本发明实施例中还提供了一种房地产动态估值装置，如下面的实施例。由于该装置解决问题的原理与房地产动态估值方法相似，因此该装置的实施可以参见房地产动态估值方法的实施，重复之处不再赘述。
图4为本发明实施例中提供的一种房地产动态估值装置示意图，如图4所示，该装置包括：待估值房地产信息获取模块41、单价预测模块42和动态估值模块43。
其中，待估值房地产信息获取模块41，用于获取待估值房地产的押品信息，其中，押品信息中至少包含：待估值房地产所在的位置区域信息；单价预测模块42，用于将待估值房地产的押品信息，输入到长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，其中，长短期记忆网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的模型；动态估值模块43，用于将待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果，其中，极端梯度上升网络模型为预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的模型。
在一个实施例中，如图5所示，本发明实施例中提供的房地产动态估值装置还可以包括：数据采集模块44，用于采集多个位置区域的房地产买卖数据；数据处理模块45，用于对采集的房地产买卖数据进行处理，得到第一房地产数据和第二房地产数据，其中，第一房地产数据为与房地产单价均值相关的时序数据，第二房地产数据为影响房地产总价的相关数据；第一模型训练模块46，用于根据第一房地产数据，对搭建的长短期记忆网络进行机器学习，训练得到一个预测房地产单价均值变化情况的长短期记忆网络模型；第二模型训练模块47，用于根据第二房地产数据，对搭建的极端梯度上升网络进行机器学习，训练得到一个预测房地产总价变化情况的极端梯度上升网络模型。
可选地，上述数据采集模块44还用于使用聚集爬虫技术，从多个数据源平台抓取多个位置区域的房地产买卖数据。
进一步地，一个实施例中，如图5所示，上述数据处理模块45可具体包括：数据清洗单元451，用于对采集的房地产买卖数据进行数据清洗；数据标准化处理单元452，用于对数据清洗后的房地产买卖数据进行标准化处理，得到第一房地产数据和第二房地产数据。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，图6为本发明实施例中提供的一种计算机设备示意图，如图6所示，该计算机设备60包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行计算机程序时实现上述房地产动态估值方法。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有房地产押品价值评估系统无法实现动态评估房地产押品价值的技术问题，该计算机可读存储介质存储有执行上述房地产动态估值方法的计算机程序。
综上所述，本发明实施例中提供了一种房地产动态估值方法、装置、计算机设备及计算机可读存储介质，在获取到待估值房地产的押品信息后，将待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产单价均值变化情况的长短期记忆网络模型中，输出待估值房地产所在位置区域的房地产单价均值变化数据，并将长短期记忆网络模型输出的待估值房地产所在位置区域的房地产单价均值变化数据和待估值房地产的押品信息，输入到预先通过机器学习训练得到的一个预测待估值房地产所在位置区域房地产总价变化情况的极端梯度上升网络模型中，输出待估值房地产的押品价值动态评估结果。
与现有技术中由人工线下对房地产价值进行评估的技术方案相比，本发明实施例中通过机器学习训练得到对房地产单价均值预测的长短期记忆网络模型和对房地产总价进行评估的极端梯度上升网络模型，能够根据待估值房地产的押品信息，快速得到待估值房地产的押品价值动态评估结果，大大提高了实时性和准确性，通过对信贷客户的房地产押品估值进行动态评估，能够更好地控制信贷风险。
通过本发明实施例，能够实现但不限于如下技术效果：
1)提高评估效率，基于大数据和机器学习预测房地产押品价值，估值更加高效，在一定程度上减少了人为因素对评估效率的影响。
2)减少评估时的经营成本，避免评估时采用客户经理现场调研以及雇佣第三方评估机构进行房产抵押估值等方案。
3)提高实时性和评估精确度，当前社会常用房地产评估系统大多基于地理信息系统进行估值，没有考虑到房地产价值具有随时间变动的特性，本发明提供的方法结合了房地产押品所在区域单价变动的趋势变化以及决定房地产押品最终价值的影响因素，能够更加准确地对目标客户房产押品的估值进行动态的评估，以便更好地控制信贷风险。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种房地产动态估值方法，其特征在于，包括：
获取待估值房地产的押品信息，其中，所述押品信息中至少包含：所述待估值房地产所在的位置区域信息；
将所述待估值房地产的押品信息，输入到长短期记忆网络模型中，输出所述待估值房地产所在位置区域的房地产单价均值变化数据，其中，所述长短期记忆网络模型为预先通过机器学习训练得到的一个预测所述待估值房地产所在位置区域房地产单价均值变化情况的模型；
将所述待估值房地产所在位置区域的房地产单价均值变化数据和所述待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出所述待估值房地产的押品价值动态评估结果，其中，所述极端梯度上升网络模型为预先通过机器学习训练得到的一个预测所述待估值房地产所在位置区域房地产总价变化情况的模型。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
采集多个位置区域的房地产买卖数据；
对采集的房地产买卖数据进行处理，得到第一房地产数据和第二房地产数据，其中，所述第一房地产数据为与房地产单价均值相关的时序数据，所述第二房地产数据为影响房地产总价的相关数据；
根据所述第一房地产数据，对搭建的长短期记忆网络进行机器学习，训练得到一个预测房地产单价均值变化情况的长短期记忆网络模型；
根据所述第二房地产数据，对搭建的极端梯度上升网络进行机器学习，训练得到一个预测房地产总价变化情况的极端梯度上升网络模型。
3.如权利要求2所述的方法，其特征在于，采集多个位置区域的房地产买卖数据，包括：
使用聚集爬虫技术，从多个数据源平台抓取多个位置区域的房地产买卖数据。
4.如权利要求2所述的方法，其特征在于，对采集的房地产买卖数据进行处理，得到第一房地产数据和第二房地产数据，包括：
对采集的房地产买卖数据进行数据清洗；
对数据清洗后的房地产买卖数据进行标准化处理，得到第一房地产数据和第二房地产数据。
5.一种房地产动态估值装置，其特征在于，包括：
待估值房地产信息获取模块，用于获取待估值房地产的押品信息，其中，所述押品信息中至少包含：所述待估值房地产所在的位置区域信息；
单价预测模块，用于将所述待估值房地产的押品信息，输入到长短期记忆网络模型中，输出所述待估值房地产所在位置区域的房地产单价均值变化数据，其中，所述长短期记忆网络模型为预先通过机器学习训练得到的一个预测所述待估值房地产所在位置区域房地产单价均值变化情况的模型；
动态估值模块，用于将所述待估值房地产所在位置区域的房地产单价均值变化数据和所述待估值房地产的押品信息，输入到训练好的极端梯度上升网络模型中，输出所述待估值房地产的押品价值动态评估结果，其中，所述极端梯度上升网络模型为预先通过机器学习训练得到的一个预测所述待估值房地产所在位置区域房地产总价变化情况的模型。
6.如权利要求5所述的装置，其特征在于，所述装置还包括：
数据采集模块，用于采集多个位置区域的房地产买卖数据；
数据处理模块，用于对采集的房地产买卖数据进行处理，得到第一房地产数据和第二房地产数据，其中，所述第一房地产数据为与房地产单价均值相关的时序数据，所述第二房地产数据为影响房地产总价的相关数据；
第一模型训练模块，用于根据所述第一房地产数据，对搭建的长短期记忆网络进行机器学习，训练得到一个预测房地产单价均值变化情况的长短期记忆网络模型；
第二模型训练模块，用于根据所述第二房地产数据，对搭建的极端梯度上升网络进行机器学习，训练得到一个预测房地产总价变化情况的极端梯度上升网络模型。
7.如权利要求6所述的装置，其特征在于，所述数据采集模块还用于使用聚集爬虫技术，从多个数据源平台抓取多个位置区域的房地产买卖数据。
8.如权利要求6所述的装置，其特征在于，所述数据处理模块包括：
数据清洗单元，用于对采集的房地产买卖数据进行数据清洗；
数据标准化处理单元，用于对数据清洗后的房地产买卖数据进行标准化处理，得到第一房地产数据和第二房地产数据。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现权利要求1至4任一项房地产动态估值方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有执行权利要求1至4任一项房地产动态估值方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117508.XA CN112785342A (zh) | 2021-01-28 | 2021-01-28 | 房地产动态估值方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117508.XA CN112785342A (zh) | 2021-01-28 | 2021-01-28 | 房地产动态估值方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112785342A true CN112785342A (zh) | 2021-05-11 |
Family
ID=75759359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110117508.XA Pending CN112785342A (zh) | 2021-01-28 | 2021-01-28 | 房地产动态估值方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785342A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343700A (zh) * | 2021-06-22 | 2021-09-03 | 深圳壹账通智能科技有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113610574A (zh) * | 2021-08-06 | 2021-11-05 | 工银科技有限公司 | 押品价值不定期或动态重估方法、装置、电子设备和介质 |
| CN115953054A (zh) * | 2022-12-09 | 2023-04-11 | 广州越创智数信息科技有限公司 | 一种房地产货值货量监测系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400176A (zh) * | 2019-07-26 | 2019-11-01 | 中国工商银行股份有限公司 | 押品估值方法及装置 |
| CN110837921A (zh) * | 2019-10-29 | 2020-02-25 | 西安建筑科技大学 | 基于梯度提升决策树混合模型的房地产价格预测研究方法 |
| CN111709775A (zh) * | 2020-05-28 | 2020-09-25 | 北京神州泰岳智能数据技术有限公司 | 一种房产价格评估方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-28 CN CN202110117508.XA patent/CN112785342A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400176A (zh) * | 2019-07-26 | 2019-11-01 | 中国工商银行股份有限公司 | 押品估值方法及装置 |
| CN110837921A (zh) * | 2019-10-29 | 2020-02-25 | 西安建筑科技大学 | 基于梯度提升决策树混合模型的房地产价格预测研究方法 |
| CN111709775A (zh) * | 2020-05-28 | 2020-09-25 | 北京神州泰岳智能数据技术有限公司 | 一种房产价格评估方法、装置、电子设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343700A (zh) * | 2021-06-22 | 2021-09-03 | 深圳壹账通智能科技有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113610574A (zh) * | 2021-08-06 | 2021-11-05 | 工银科技有限公司 | 押品价值不定期或动态重估方法、装置、电子设备和介质 |
| CN115953054A (zh) * | 2022-12-09 | 2023-04-11 | 广州越创智数信息科技有限公司 | 一种房地产货值货量监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902222B (zh) | 一种推荐方法及装置 | |
| CN112785342A (zh) | 房地产动态估值方法及装置 | |
| CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
| CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
| Kwon | The long-term effect of training and development investment on financial performance in Korean companies | |
| CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| Bala et al. | A computer-based cost prediction model for institutional building projects in Nigeria: an artificial neural network approach | |
| Hwang et al. | Automated time-series cost forecasting system for construction materials | |
| CN112070615A (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
| CN113011895B (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
| Albatayneh et al. | Image retraining using TensorFlow implementation of the pretrained inception-v3 model for evaluating gravel road dust | |
| CN111583014A (zh) | 一种基于gbst的金融风险管理方法、装置和电子设备 | |
| García de Soto et al. | A process for the development and evaluation of preliminary construction material quantity estimation models using backward elimination regression and neural networks | |
| CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| KR101799395B1 (ko) | 대출 심사를 위한 서버, 방법 및 단말 | |
| US11551317B2 (en) | Property valuation model and visualization | |
| Bayram et al. | Application of reference class forecasting in Turkish public construction projects: contractor perspective | |
| Zhao et al. | Modelling Residential Building Costs in New Zealand: A Time‐Series Transfer Function Approach | |
| KR20180106832A (ko) | 대출 심사를 위한 서버, 방법 및 단말 | |
| CN113138977A (zh) | 交易转化分析方法、装置、设备及存储介质 | |
| US20230027774A1 (en) | Smart real estate evaluation system | |
| CN115759350B (zh) | 一种数据稀疏区域的人口流动预测方法及装置 | |
| Bhandari et al. | An Ensemble Regression Model to Predict a Rent of House | |
| JP7112772B2 (ja) | 売却価格予測装置 |
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 |