CN113344645A - 房价预测的方法、装置和电子设备 - Google Patents
房价预测的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113344645A CN113344645A CN202110769982.0A CN202110769982A CN113344645A CN 113344645 A CN113344645 A CN 113344645A CN 202110769982 A CN202110769982 A CN 202110769982A CN 113344645 A CN113344645 A CN 113344645A
- Authority
- CN
- China
- Prior art keywords
- price
- property
- feature
- model
- characteristic
- 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 79
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000002093 peripheral effect Effects 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 206010063659 Aversion Diseases 0.000 claims description 7
- 241001464837 Viridiplantae Species 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000004056 waste incineration Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 13
- 230000015654 memory Effects 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种房价预测的方法、装置和电子设备,应用于人工智能或金融领域等。该方法包括:获取待评估房产的房产地址信息;基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征;以及将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价。
Description
技术领域
本公开涉及人工智能和金融技术领域,更具体地,涉及一种房价预测的方法、装置和电子设备。
背景技术
随着金融机构(如银行)普惠业务的发展,客户可以通过手机终端,在线上申请以个人房屋为抵押物的贷款,且业务量逐年扩大。个人房屋的价值的预测结果影响客户的贷款授信额度。
在实现本公开构思的过程中,申请人发现相关技术中至少存在如下问题。房屋的预测房价不够准确。
发明内容
有鉴于此,本公开提供了一种有助于提升房价预测准确度的房价预测的方法、装置和电子设备。
本公开的一个方面提供了一种由服务器端执行的房价预测的方法,包括:获取待评估房产的房产地址信息;基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征;以及将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价,其中,房价预测模型包括连接的参与子模型和评价子模型,参与子模型的输入包括第一价格预测特征、买卖操作和第一奖励,参与子模型的输出包括第一模型参数;评价子模型的输入包括第一价格特征、第二价格特征、第一模型参数、第一奖励和第二奖励,评价子模型的输出包括预测房价和第二模型参数;第一奖励是基于第一价格评价特征和利用第一模型参数处理第一价格预测特征得到的第一预估价格来确定的,第二奖励是基于第二价格评价特征和利用第一模型参数处理第二价格预测特征后得到的第二预估价格来确定的。
根据本公开的实施例,房价预测模型包括公共网络和与公共网络分别相连的N个线程,其中,公共网络和N个线程各自的网络结构分别相同,N个线程中每个线程之间独立运行,公共网络包括参与子模型和评价子模型,N是大于1的整数。
根据本公开的实施例,N个线程各自独立地使用累积的梯度分别更新公共网络的网络参数,并且N个线程在达到指定周期后将自身的网络参数更新为公共网络的网络参数。
根据本公开的实施例,房价预测模型的损失函数包括策略梯度损失、值残差和策略熵。
根据本公开的实施例,获取待评估房产的房产地址信息包括:将产证图像按照预设尺寸进行缩放,得到具有预设尺寸的待识别图像;获取待识别图像中的字符区域;从字符区域中获取与产证地址预设区域对应的待识别区域;以及对待识别区域进行文字提取,得到能够表征房产地址信息的字符串。
根据本公开的实施例,上述方法还包括:在得到字符串之后,从字符串中提取出关于地址的文字;以及基于预设字典对关于地址的文字进行分词存储,预设字典包括行政区、小区所在路牌、楼栋单元特征信息中至少一种。
根据本公开的实施例,基于预设字典对关于地址的文字进行分词存储包括:利用预设字典使用正向最大匹配方法对字符串进行分词,获取第一分词集合;利用预设字典使用逆向最大匹配方法对字符串进行分词,获取第二分词集合;比较第一分词集合和第二分词集合,取集合中单字少的集合作为分词初步结果;根据地址要素将分词初步结果划分为指定个数等级;逐级比对指定个数等级的分词初步结果和标准等级地址,输出与产证对应的小区标识。
根据本公开的实施例,第一价格预测特征和第二价格预测特征包括以下至少一种:小区及楼栋相关特征、地理位置特征、周边便利程度特征、周边厌恶程度特征或者周边绿化宜居景观特征;以及第一价格评价特征和第二价格评价特征包括以下至少一种:历史成交价格或者当期挂牌价格。
根据本公开的实施例,小区及楼栋相关特征包括:物业类型、开发商、房屋性质、建筑类别、总层高、所在层高、朝向、房龄、建筑面积或者容积率中至少一种;地理位置特征包括:小区与城市中心之间的距离或者小区与商业中心之间的距离中至少一种;周边便利程度特征包括:小区与公交站点、地铁站、重点中小学、普通中小学、三甲医院或者普通医院中至少一种之间的距离;周边厌恶程度特征包括:小区与变电站、垃圾焚烧厂、化工厂、殡仪馆中至少一种之间的距离;周边绿化宜居景观特征包括:建筑密度、水系覆盖率、绿植覆盖率、小区与公园之间的距离中至少一种。
本公开的一个方面提供了一种房价预测的装置,设置于服务器端中,装置包括:房产地址信息获取模块、特征获取模块和房价预测模块。其中,房产地址信息获取模块用于获取待评估房产的房产地址信息;特征获取模块用于基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征;以及房价预测模块用于将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价,其中,房价预测模型包括连接的参与子模型和评价子模型,参与子模型的输入包括第一价格预测特征、买卖操作和第一奖励,参与子模型的输出包括第一模型参数;评价子模型的输入包括第一价格特征、第二价格特征、第一模型参数、第一奖励和第二奖励,评价子模型的输出包括预测房价和第二模型参数;第一奖励是基于第一价格评价特征和利用第一模型参数处理第一价格预测特征得到的第一预估价格来确定的,第二奖励是基于第二价格评价特征和利用第一模型参数处理第二价格预测特征后得到的第二预估价格来确定的。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器以及存储装置,其中,存储装置用于存储可执行指令,可执行指令在被处理器执行时,实现如上的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现如上的方法。
本公开的另一方面提供了一种计算机程序,计算机程序包括计算机可执行指令,指令在被执行时用于实现如上的方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用房价预测的方法、装置和电子设备的示例性系统架构;
图2示意性示出了根据本公开实施例的房价预测的方法的流程图;
图3示意性示出了根据本公开实施例的房价预测模型的结构示意图;
图4示意性示出了根据本公开实施例的损失函数的构成示意图;
图5示意性示出了根据本公开实施例的获取房产地址信息的流程图;
图6示意性示出了根据本公开实施例的进行文字提取的流程图;
图7示意性示出了根据本公开实施例的进行分词处理的流程图;
图8示意性示出了根据本公开实施例的房产地址精确匹配流程图;
图9示意性示出了根据本公开实施例的房价预测的装置的方框图;以及
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。
针对房屋的抵押贷款业务,相关技术中客户可以在线上维护贷款申请表单中,输入房屋相关地址信息,由贷款客户经理在线下寻找房产外部评估公司进行价值评估。然后,根据评估公司的评估价格提供一个可授信额度。上述业务办理流程较长,且估值结果对客户封闭,客户无法提前知晓。此外,如果客户在表单申请时提交的房屋地址不标准或者错误,极大可能会造成外部评估公司无法准确估值,流程反复,造成整个贷款办理流程的耗时过久。
本公开的实施例提供了一种房价预测的方法、装置和电子设备。该房价预测的方法包括价格特征获取过程和房价预测过程。在价格特征获取过程中,首先,获取待评估房产的房产地址信息,然后,基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征。在完成价格特征获取过程之后进入房价预测过程,将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价。其中,房价预测模型包括连接的参与子模型和评价子模型,参与子模型的输入包括第一价格预测特征、买卖操作和第一奖励,参与子模型的输出包括第一模型参数;评价子模型的输入包括第一价格特征、第二价格特征、第一模型参数、第一奖励和第二奖励,评价子模型的输出包括预测房价和第二模型参数;第一奖励是基于第一价格评价特征和利用第一模型参数处理第一价格预测特征得到的第一预估价格来确定的,第二奖励是基于第二价格评价特征和利用第一模型参数处理第二价格预测特征后得到的第二预估价格来确定的。
本公开实施例提供的房价预测的方法、装置和电子设备,在获取房产位置信息之后,结合房屋地址相似度匹配技术查询房产信息库,获取该房屋所在小区的多维特征变量、及历史成交事件数据,结合强化学习模型,完成房产价值快速、自动评估的功能。
本公开实施例提供的房价预测的方法、装置和电子设备,构造多维特征变量、及相关辅助历史数据,结合强化学习A3C模型,准确评估房屋价值,达到一套房产对应一个价格。
本公开实施例提供的房价预测的方法、装置和电子设备,避免客户手工输入房产地址,只需要提供产证线上图像识别,即可完成信息收集,减少客户手工维护错误及欺诈风险。
本公开实施例提供的房价预测的方法、装置和电子设备,通过地址相似度匹配技术,解决房屋地址信息差异大,造成无法精准匹配小区的问题。
本公开实施例提供的房价预测的方法、装置和电子设备可用于人工智能领域在房价预测的相关方面,也可用于除人工智能领域之外的多种领域,如金融领域,本公开实施例提供的房价预测的方法、装置和电子设备的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用房价预测的方法、装置和电子设备的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105、106、107。网络104可以包括多个网关、路由器、集线器、网线等,用以在终端设备101、102、103和服务器105、106、107之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与其他终端设备和服务器105、106、107进行交互,以接收或发送信息等,如发送房价预测请求、展示预测房价等。终端设备101、102、103可以安装有各种通讯客户端应用,例如,网页浏览器应用、资产管理类应用、软件开发类应用、银行类应用、政务类应用、监控类应用、搜索类应用、办公类应用、即时通信工具、邮箱客户端、社交平台软件等应用(仅为示例)。例如,用户可以使用终端设备101发起房价预测请求。例如,用户可以使用终端设备102查看房价预测结果。例如,用户可以使用终端103发起房价预测模型训练请求等。
终端设备101、102、103包括但不限于智能手机、虚拟现实设备、增强现实设备、平板电脑、膝上型便携计算机、台式电脑等等。
服务器105、106、107可以接收请求,并对请求进行处理,具体可以为存储服务器、后台管理服务器、服务器集群等。例如,服务器105可以存储有房价预测模型,并利用房价预测模型对接收的价格特征进行处理,以输出房价的预测结果。例如,服务器106可以获取第一价格特征和第二价格特征。例如,服务器107可以用于训练房价预测模型。后台管理服务器可以对接收到的请求等进行分析处理,并将处理结果反馈给终端设备。
需要说明的是,本公开实施例所提供的房价预测的方法一般可以由服务器105、106、107执行。相应地,本公开实施例所提供的房价预测的装置一般可以设置于服务器105、106、107中。本公开实施例所提供的房价预测的方法也可以由不同于服务器105、106、107且能够与终端设备101、102、103和/或服务器105、106、107通信的服务器或服务器集群执行。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的房价预测的方法的流程图。该房价预测的方法由服务器端执行。
如图2所示,该房价预测的方法可以包括操作S210~操作S230。
在操作S210,获取待评估房产的房产地址信息。
在本实施例中,房产地址信息可以是通过图像识别等方式,从图像中识别文字来得到的。
例如,用户通过终端设备给服务器端上传产证的图像,通过光学字符识别(Optical Character Recognition,简称OCR)等方式从产证的图像中识别出房产地址信息。
需要说明的是,为了满足用户的多种需求,用户也可以利用终端设备通过手动输入房产地址信息、语音输入房产地址信息等方式进行信息录入。
在操作S220,基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征。
在某些实施例中,第一价格预测特征和第二价格预测特征包括以下至少一种:小区及楼栋相关特征、地理位置特征、周边便利程度特征、周边厌恶程度特征或者周边绿化宜居景观特征。
第一价格评价特征和第二价格评价特征包括以下至少一种:历史成交价格或者当期挂牌价格。
例如,小区及楼栋相关特征包括:物业类型、开发商、房屋性质、建筑类别、总层高、所在层高、朝向、房龄、建筑面积或者容积率中至少一种。
地理位置特征包括:小区与城市中心之间的距离或者小区与商业中心之间的距离中至少一种。
周边便利程度特征包括:小区与公交站点、地铁站、重点中小学、普通中小学、三甲医院或者普通医院中至少一种之间的距离。
周边厌恶程度特征包括:小区与变电站、垃圾焚烧厂、化工厂、殡仪馆中至少一种之间的距离。
周边绿化宜居景观特征包括:建筑密度、水系覆盖率、绿植覆盖率、小区与公园之间的距离中至少一种。
在一个具体实施例中,以房产所在小区的各种信息来构建特征工程。
关于小区及楼栋相关特征——根据获取的小区编码,查询房产信息库,读取该小区的物业类型、开发商、房屋性质、建筑类别、总层高、所在层高、朝向、房龄、建筑面积、容积率等。需要说明的是,可以采用多种方式对非数字类型的特征进行编码,如独热(One-hot)编码、按照预设规则编码等。如朝向可以包括八个方向或更多,其中,朝南
关于地理位置特征——根据获取的小区编码,查询房产信息库,获取小区所在经纬度,并通过百度地图服务,实时计算该小区距离城市中心、商业中心等距离特征。
关于周边便利程度特征——根据获取的小区编码,查询房产信息库,查询小区所在经纬度,通过百度地图服务,获取周边公交站点、地铁站、重点中小学、普通中小学、三甲或普通医院距离等。
关于周边厌恶程度特征——根据获取的小区编码,查询房产信息库,查询小区所在经纬度,通过调用百度地图服务,获取周边变电站、垃圾焚烧厂、化工厂、殡仪馆等距离。
关于周边绿化宜居景观特征——根据获取的小区编码,查询小区所在经纬度,结合非结构化存储的卫星影像图片,计算该经纬度在1km内的建筑密度、5km内的绿植和水系覆盖率、到最近公园的距离等。其中,绿植和水系覆盖率可以采用相关技术中多种方案进行计算。
关于价格评价特征,可以查询房产信息库,根据小区编码,获取历史成交价格、当期挂牌价格等。
其中,各特征的表示方式可以参考表1所示。
表1
在操作S230,将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价。
其中,房价预测模型包括连接的参与子模型和评价子模型,参与子模型的输入包括第一价格预测特征、买卖操作和第一奖励,参与子模型的输出包括第一模型参数;评价子模型的输入包括第一价格特征、第二价格特征、第一模型参数、第一奖励和第二奖励,评价子模型的输出包括预测房价和第二模型参数;第一奖励是基于第一价格评价特征和利用第一模型参数处理第一价格预测特征得到的第一预估价格来确定的,第二奖励是基于第二价格评价特征和利用第一模型参数处理第二价格预测特征后得到的第二预估价格来确定的。
例如,房价预测模型可以包括Actor网络和Critic网络两部分的功能。其中,Actor网络可以是双层的全连接神经网络,Actor网络的输入可以包括:状态、动作和奖励。Critic网络同样可以是双层神经网络。Critic网络可以向Actor反馈当前选择的动作好不好。Critic的输入可以包括:状态、当前的奖励,下一时刻的奖励折现。上述买卖操作可以是买操作或卖操作,买操作时可以预测买入价格,卖操作时可以预测卖出价格。
在某些实施例中,房价预测模型包括公共网络和与公共网络分别相连的N个线程,其中,公共网络和N个线程各自的网络结构分别相同,N个线程中每个线程之间独立运行,公共网络包括参与子模型和评价子模型,N是大于1的整数。
例如,将第一价格特征输入到一个公共的神经网络,这个公共的神经网络包括Actor网络和Critic网络,下面有N个worker工作队列,每个线程里有和公共的神经网络一样的网络结构,每个线程会独立的和环境进行交互得到经验数据,这些线程之间互不干扰,独立运行。
在某些实施例中,N个线程各自独立地使用累积的梯度分别更新公共网络的网络参数,并且N个线程在达到指定周期后将自身的网络参数更新为公共网络的网络参数。
在上述第一价格特征的基础上,结合小区当期和历史成交价格、当期挂牌价格等实时客观数据,可以采用强化学习A3C模型框架,使用随机模型替代传统的确定模型(如DQN)来构建神经网络,并使用并行异步训练框架、网络结构优化、Actor-Critic评估点优化等方式,使用Actor基于策略函数,负责生成Action并和环境不断交互、试错以获得用于训练的样本。并且采用Critic基于价值函数,负责评估Actor的表现,并结合市场变动的情况下,并指导Actor进行下一步的动作,及时适应市场的新价格曲线,此模型可以更加接近于人类对房产价值发现过程。
在某些实施例中,需要将这个多分类决策问题,转换为一个强化学习的场景。
在强化学习的场景中,可以定义强化学习四原组(S,A,P,R)。
其中,状态(State)可以为特征工程中采集的至少部分特征。
动作(Action)可以在当前小区基准价的基础上,构建一个基于特征工程的随机神经网络房产价值评估模型,利用高斯分布生成初始的平均值和差分的向量,如可以采用异步的优势行动者评论家算法(Asynchronous Advantage Actor-Critic,简称A3C)多并行模拟的形式,完成蒙特卡洛模拟。在此状态下,识别哪些房产价值被低估,进行买入操作;被高估,进行卖出操作。
奖励(Reward)可以为当前房产估算模型计算的价格和实际挂牌和已交易的价格的差额,即确定房价估算后获得的奖励。
策略(Policy)可以为预测得出对每一个房产购买交易动作产生后产生的获利作为奖励值,最高的奖励值对应的房产购买动作,对应的房产估计模型参数即是本次房产估值模型使用的估计参数。
图3示意性示出了根据本公开实施例的房价预测模型的结构示意图。
如图3所示,每个线程和环境交互到一定量的数据后,就计算在自己线程里的神经网络损失函数的梯度,但是这些梯度却并不更新自己线程里的神经网络,而是去更新公共的神经网络。也就是N个线程会独立的使用累积的梯度分别更新公共部分的神经网络模型参数。每隔一段时间,线程会将自己的神经网络的参数更新为公共神经网络的参数,进而指导后面的环境交互。由此可以计算得到当前网络参数下的奖励值。
然后,选取公共部分的A3C神经网络参数预测出来的奖励值最高的那个估值结果作为当前房产交易的策略(Policy)执行,待执行以后可以根据历史成交价格和挂牌价格(S,A,P,R)中奖励(Reward)的定义来计算得到实际奖励值。
其中,在每次预测后,都可以将基于当前状态State,计算得出的Action(queuename)和预估奖励值(Reward)存到回放记忆单元中。并初始化状态State,基于策略选出动作,执行动作得到奖励和新的状态。
在某些实施例中,房价预测模型的损失函数包括策略梯度损失、值残差和策略熵。
图4示意性示出了根据本公开实施例的损失函数的构成示意图。
如图4所示,损失函数见图TD-error=策略梯度损失+值残差+策略熵,然后,再通过神经网络反向传播使用梯度下降法来更新神经网络的参数,以达到最小化损失函数的目的。
图5示意性示出了根据本公开实施例的获取房产地址信息的流程图。
如图5所示,获取待评估房产的房产地址信息可以包括操作S501~操作S504。
在操作S501,将产证图像按照预设尺寸进行缩放,得到具有预设尺寸的待识别图像。其中,产证图像可以由用户上传的。例如,用户使用手机拍摄产证图像,并上传给服务器端。
在操作S502,获取待识别图像中的字符区域。
在操作S503,从字符区域中获取与产证地址预设区域对应的待识别区域。
在操作S504,对待识别区域进行文字提取,得到能够表征房产地址信息的字符串。
图6示意性示出了根据本公开实施例的进行文字提取的流程图。
如图6所示,首先,采集用户在手机终端上传的产证图像文件。
然后,对图像进行倾斜校正工作。例如,可以依次进行如下操作:a)图像灰度化;b)采用CANNY算法、PREWITT算法进行边缘监测;c)基于Hough变换进行直线检测;d)进行Radon变换并计算每个方向的投影区域,寻找投影区域宽度最小时的角度,即为倾斜方向,然后按此角度进行旋转校正,完成图像倾斜教正工作。
接着,对图像进行剪切工作。例如,依次进行如下操作:1)对倾斜校正后的灰度图像进行二值化处理,阈值确定方法首选最大熵法。2)基于水平和垂直投影确定产证区域,完成图像剪切流程。
然后,对剪切出的产证区域,按初始设定尺寸进行比例缩放,在缩放时可采用双线性法插值。
接着,形态学处理,对经二值化处理得到的二值化结果图,进行包括图像腐蚀、图像膨胀、开运算、闭运算、噪声去除、异常区域去除、连通区分析等在内的一系列数学形态学操作,以保留真正的字符区域。
然后,进行文字提取,对OCR提取的结果,根据每条字块集合的对应关系,分割出属性和具体的文字,形成二维矩阵字符串,例如产证中,“房地产权人:某某”、“建筑面积:xx平方”、“房屋坐落:XX省XX市XX区XX路XX号XX单元XX楼XX室”、“产权信息:商品房”等等信息。至此完成产权证电子影像的文字采集工作。其中,产证中房产位置信息所在的区域是已知的。
通过如上方式即可得到具有特定格式的房产地址信息,以便于基于该特定格式的房产地址信息确定小区编码。
在某些实施例中,上述方法在得到字符串之后,还可以包括如下操作。
首先,从字符串中提取出关于地址的文字。
然后,基于预设字典对关于地址的文字进行分词存储,预设字典包括行政区、小区所在路牌、楼栋单元特征信息中至少一种。
图7示意性示出了根据本公开实施例的进行分词处理的流程图。
如图7所示,基于预设字典对关于地址的文字进行分词存储可以包括操作S701~操作S705。
在操作S701,利用预设字典使用正向最大匹配方法对字符串进行分词,获取第一分词集合。其中,预设字典中可以包括全国行政区划省、市、区、县、镇、乡、盟、旗等等标准化的行政区划信息。
在操作S702,利用预设字典使用逆向最大匹配方法对字符串进行分词,获取第二分词集合。
在操作S703,比较第一分词集合和第二分词集合,取集合中单字少的集合作为分词初步结果。
在操作S704,根据地址要素将分词初步结果划分为指定个数等级。其中,指定个数可以是根据全国行政区划等标准来确定的。例如,指定个数可以是5个,指定个数等级可以包括:省,直辖市;区县地级市;小区、村;道路、街巷;门牌号。
在操作S705,逐级比对指定个数等级的分词初步结果和标准等级地址,输出与产证对应的小区标识。
具体地,首先,基于识别出的二维矩阵字符串,根据房产地址“特征点分析”算法,提取出有关地址的相关文字。然后,基于房产信息库中有关行政区划、小区所在路牌、楼栋单元特征信息等字典库,对地址进行分词存储。
图8示意性示出了根据本公开实施例的房产地址精确匹配流程图。
如图8所示,房产地址精确匹配过程可以包括如下操作。
首先,输入地址全部字符串,标记为Addressname,其长度记为N,获取行政区字典表、其中存储全国行政区划省、市、区、县、镇、乡、盟、旗等等标准化的行政区划信息,以及其历史行政区撤并前的相关信息。
然后,使用正向最大匹配方法对字符串Addressname进行处理,获取分词后的集合A。
接着,使用逆向最大匹配方法对字符串Addressname进行处理,获取分词后的集合B。
然后,比较集合内容,取集合单字少的集合作为分词初步结果
接着,并根据房产库中的地址要素,将分词后的地址,划分为5个等级,分别是1级:省,直辖市;2级:区县地级市;3级:小区、村;4级:道路、街巷;5级:门牌号。
然后,逐级与房产库中小区标准5级地址进行比对,完成小区和房产证地区的精确匹配,输出产证对应小区编码。
本公开实施例中,通过OCR智能识别产证图片获取房屋位置信息,并结合房屋地址相似度匹配技术查询房产信息库,获取该房屋所在小区的多维特征变量、及历史成交事件数据,结合强化学习A3C模型,完成房产价值快速、自动评估的功能。通过图像智能扫描,可以避免用户手工输入房产地址,减少用户手工维护错误及欺诈风险。
本公开实施例中,通过地址相似度匹配技术,解决房屋地址信息差异大,造成无法精准匹配小区的问题。
本公开实施例中,通过采集房产数据库、地图信息、卫星影像信息,创新构造房屋价值属性的多维特征变量,使强化学习模型依赖的数据更加合理,估计出来的房屋价格更加符合实际需要。
本公开实施例中,通过创新运用强化学习A3C模型,利用了A3C模型多个工作队列更新神经网络参数的优势,解决了传统强化学习模型参数估计慢的问题,同时利用的A3C的On-policy和Actor-Critic的优势,模拟理性人在基于客观判断并结合房价瞬时价格异常波动的多种场景下,快速发现房屋价值的优势。
本公开实施例中,用户可在贷款事前通过该装置及时获取自己房屋评估结果,估算出可给与的授信额度,方便贷款客户经理挖掘潜在贷款需求,扩大贷款营销优势。
本公开实施例中,通过完全智能化的估值装置,缩短用户线上办理贷款的流程耗时,提升用户满意度。
本公开的另一方面提供了一种房价预测的装置。
图9示意性示出了根据本公开实施例的房价预测的装置的方框图。
如图9所示,该房价预测的装置900可以包括:房产地址信息获取模块910、特征获取模块920和房价预测模块930。
房产地址信息获取模块910用于获取待评估房产的房产地址信息。
特征获取模块920用于基于房产地址信息获取针对待评估房产的第一价格特征以及待评估房产的参考房产的第二价格特征,第一价格特征包括第一价格预测特征和第一价格评价特征,第二价格特征包括第二价格预测特征和第二价格评价特征。
房价预测模块930用于将第一价格特征和第二价格特征输入经训练的房价预测模型,得到预测房价.
其中,房价预测模型包括连接的参与子模型和评价子模型,参与子模型的输入包括第一价格预测特征、买卖操作和第一奖励,参与子模型的输出包括第一模型参数;评价子模型的输入包括第一价格特征、第二价格特征、第一模型参数、第一奖励和第二奖励,评价子模型的输出包括预测房价和第二模型参数;第一奖励是基于第一价格评价特征和利用第一模型参数处理第一价格预测特征得到的第一预估价格来确定的,第二奖励是基于第二价格评价特征和利用第一模型参数处理第二价格预测特征后得到的第二预估价格来确定的。
需要说明的是,装置部分实施例中各模块/单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再一一赘述。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,房产地址信息获取模块910、特征获取模块920和房价预测模块930中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,房产地址信息获取模块910、特征获取模块920和房价预测模块930中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,房产地址信息获取模块910、特征获取模块920和房价预测模块930中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的电子设备的方框图。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此通讯连接。处理器1001通过执行ROM 1002和/或RAM 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的图像模型训练方法或图像处理方法。
在该计算机程序被处理器1001执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1009被下载和安装,和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种由服务器端执行的房价预测的方法,包括:
获取待评估房产的房产地址信息;
基于所述房产地址信息获取针对所述待评估房产的第一价格特征以及所述待评估房产的参考房产的第二价格特征,所述第一价格特征包括第一价格预测特征和第一价格评价特征,所述第二价格特征包括第二价格预测特征和第二价格评价特征;以及
将所述第一价格特征和所述第二价格特征输入经训练的房价预测模型,得到预测房价,
其中,所述房价预测模型包括连接的参与子模型和评价子模型,所述参与子模型的输入包括所述第一价格预测特征、买卖操作和第一奖励,所述参与子模型的输出包括第一模型参数;所述评价子模型的输入包括所述第一价格特征、所述第二价格特征、所述第一模型参数、所述第一奖励和第二奖励,所述评价子模型的输出包括预测房价和第二模型参数;所述第一奖励是基于所述第一价格评价特征和利用所述第一模型参数处理所述第一价格预测特征得到的第一预估价格来确定的,所述第二奖励是基于所述第二价格评价特征和利用所述第一模型参数处理所述第二价格预测特征后得到的第二预估价格来确定的。
2.根据权利要求1所述的方法,其中,所述房价预测模型包括公共网络和与所述公共网络分别相连的N个线程,其中,所述公共网络和所述N个线程各自的网络结构分别相同,所述N个线程中每个线程之间独立运行,所述公共网络包括所述参与子模型和所述评价子模型,N是大于1的整数。
3.根据权利要求2所述的方法,其中,所述N个线程各自独立地使用累积的梯度分别更新所述公共网络的网络参数,并且所述N个线程在达到指定周期后将自身的网络参数更新为所述公共网络的网络参数。
4.根据权利要求1至3任一项所述的方法,其中,所述房价预测模型的损失函数包括策略梯度损失、值残差和策略熵。
5.根据权利要求1至3任一项所述的方法,其中,所述获取待评估房产的房产地址信息包括:
将产证图像按照预设尺寸进行缩放,得到具有预设尺寸的待识别图像;
获取所述待识别图像中的字符区域;
从所述字符区域中获取与产证地址预设区域对应的待识别区域;以及
对所述待识别区域进行文字提取,得到能够表征所述房产地址信息的字符串。
6.根据权利要求5所述的方法,还包括:在得到所述字符串之后,
从所述字符串中提取出关于地址的文字;以及
基于预设字典对所述关于地址的文字进行分词存储,所述预设字典包括行政区、小区所在路牌、楼栋单元特征信息中至少一种。
7.根据权利要求6所述的方法,其中,所述基于预设字典对所述关于地址的文字进行分词存储包括:
利用所述预设字典使用正向最大匹配方法对字符串进行分词,获取第一分词集合;
利用所述预设字典使用逆向最大匹配方法对字符串进行分词,获取第二分词集合;
比较所述第一分词集合和所述第二分词集合,取集合中单字少的集合作为分词初步结果;
根据地址要素将所述分词初步结果划分为指定个数等级;
逐级比对所述指定个数等级的分词初步结果和标准等级地址,输出与所述产证对应的小区标识。
8.根据权利要求1至3任一项所述的方法,其中:
所述第一价格预测特征和所述第二价格预测特征包括以下至少一种:小区及楼栋相关特征、地理位置特征、周边便利程度特征、周边厌恶程度特征或者周边绿化宜居景观特征;以及
第一价格评价特征和所述第二价格评价特征包括以下至少一种:历史成交价格或者当期挂牌价格。
9.根据权利要求8所述的方法,其中:
所述小区及楼栋相关特征包括:物业类型、开发商、房屋性质、建筑类别、总层高、所在层高、朝向、房龄、建筑面积或者容积率中至少一种;
所述地理位置特征包括:小区与城市中心之间的距离或者小区与商业中心之间的距离中至少一种;
所述周边便利程度特征包括:小区与公交站点、地铁站、重点中小学、普通中小学、三甲医院或者普通医院中至少一种之间的距离;
所述周边厌恶程度特征包括:小区与变电站、垃圾焚烧厂、化工厂、殡仪馆中至少一种之间的距离;
周边绿化宜居景观特征包括:建筑密度、水系覆盖率、绿植覆盖率、小区与公园之间的距离中至少一种。
10.一种房价预测的装置,设置于服务器端中,所述装置包括:
房产地址信息获取模块,用于获取待评估房产的房产地址信息;
特征获取模块,用于基于所述房产地址信息获取针对所述待评估房产的第一价格特征以及所述待评估房产的参考房产的第二价格特征,所述第一价格特征包括第一价格预测特征和第一价格评价特征,所述第二价格特征包括第二价格预测特征和第二价格评价特征;以及
房价预测模块,用于将所述第一价格特征和所述第二价格特征输入经训练的房价预测模型,得到预测房价,其中,所述房价预测模型包括连接的参与子模型和评价子模型,所述参与子模型的输入包括所述第一价格预测特征、买卖操作和第一奖励,所述参与子模型的输出包括第一模型参数;所述评价子模型的输入包括所述第一价格特征、所述第二价格特征、所述第一模型参数、所述第一奖励和第二奖励,所述评价子模型的输出包括预测房价和第二模型参数;所述第一奖励是基于所述第一价格评价特征和利用所述第一模型参数处理所述第一价格预测特征得到的第一预估价格来确定的,所述第二奖励是基于所述第二价格评价特征和利用所述第一模型参数处理所述第二价格预测特征后得到的第二预估价格来确定的。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~10任一项所述的方法。
12.一种计算机可读存储介质,存储有计算机可执行指令,所述可执行指令在被处理器执行时,实现根据权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769982.0A CN113344645A (zh) | 2021-07-07 | 2021-07-07 | 房价预测的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769982.0A CN113344645A (zh) | 2021-07-07 | 2021-07-07 | 房价预测的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344645A true CN113344645A (zh) | 2021-09-03 |
Family
ID=77483044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769982.0A Pending CN113344645A (zh) | 2021-07-07 | 2021-07-07 | 房价预测的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344645A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580249A (zh) * | 2023-06-06 | 2023-08-11 | 河北中废通拍卖有限公司 | 基于集成学习模型的拍品分类方法、系统及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
CN108460614A (zh) * | 2017-02-22 | 2018-08-28 | 孟俊永 | 基于集成学习方法的房地产价格自动评价系统及方法 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN109493147A (zh) * | 2018-12-05 | 2019-03-19 | 北京邮电大学 | 基于多层级模型融合的房产自动评估方法及系统 |
CN109919653A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 房源价格评估方法、装置、设备和存储介质 |
CN110647832A (zh) * | 2019-09-16 | 2020-01-03 | 贝壳技术有限公司 | 获取证件中信息的方法和装置、电子设备和存储介质 |
CN110991441A (zh) * | 2019-12-13 | 2020-04-10 | 王文斌 | 基于图像识别的资产评估方法、装置以及计算机存储介质 |
CN111311029A (zh) * | 2020-03-23 | 2020-06-19 | 清华大学深圳国际研究生院 | 基于空间特征和XGBoost-神经网络融合模型的住宅价格预测方法 |
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 |
CN112418936A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学技术大学先进技术研究院 | 基于多层次评估模型的房产价格智能评估方法及装置 |
CN112418939A (zh) * | 2020-11-24 | 2021-02-26 | 中国科学技术大学先进技术研究院 | 基于神经网络挖掘房价时空关联性以预测房价的方法 |
-
2021
- 2021-07-07 CN CN202110769982.0A patent/CN113344645A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
CN108460614A (zh) * | 2017-02-22 | 2018-08-28 | 孟俊永 | 基于集成学习方法的房地产价格自动评价系统及方法 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN109493147A (zh) * | 2018-12-05 | 2019-03-19 | 北京邮电大学 | 基于多层级模型融合的房产自动评估方法及系统 |
CN109919653A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 房源价格评估方法、装置、设备和存储介质 |
CN110647832A (zh) * | 2019-09-16 | 2020-01-03 | 贝壳技术有限公司 | 获取证件中信息的方法和装置、电子设备和存储介质 |
CN110991441A (zh) * | 2019-12-13 | 2020-04-10 | 王文斌 | 基于图像识别的资产评估方法、装置以及计算机存储介质 |
CN111311029A (zh) * | 2020-03-23 | 2020-06-19 | 清华大学深圳国际研究生院 | 基于空间特征和XGBoost-神经网络融合模型的住宅价格预测方法 |
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 |
CN112418936A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学技术大学先进技术研究院 | 基于多层次评估模型的房产价格智能评估方法及装置 |
CN112418939A (zh) * | 2020-11-24 | 2021-02-26 | 中国科学技术大学先进技术研究院 | 基于神经网络挖掘房价时空关联性以预测房价的方法 |
Non-Patent Citations (1)
Title |
---|
陈敏;李英冰;: "基于特征价格理论和神经网络的武汉二手房价自动评估", 城市勘测, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580249A (zh) * | 2023-06-06 | 2023-08-11 | 河北中废通拍卖有限公司 | 基于集成学习模型的拍品分类方法、系统及存储介质 |
CN116580249B (zh) * | 2023-06-06 | 2024-02-20 | 河北中废通拍卖有限公司 | 基于集成学习模型的拍品分类方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bourassa et al. | Do housing submarkets really matter? | |
WO2019196552A1 (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
US11763403B2 (en) | Systems and methods for automated assessment for remediation and/or redevelopment of brownfield real estate | |
KR101167653B1 (ko) | 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법 | |
Harris et al. | Using Contextualized G eographically W eighted R egression to Model the Spatial Heterogeneity of Land Prices in B eijing, C hina | |
US11966424B2 (en) | Method and apparatus for dividing region, storage medium, and electronic device | |
Iban | An explainable model for the mass appraisal of residences: The application of tree-based Machine Learning algorithms and interpretation of value determinants | |
Bellotti | Reliable region predictions for automated valuation models | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN113034242A (zh) | 一种租赁辅助方法、装置、设备和存储介质 | |
JP2010225103A (ja) | 投資収支リスク分析方法、プログラム、及び、投資収支リスク分析装置 | |
Gao et al. | Property valuation using machine learning algorithms on statistical areas in Greater Sydney, Australia | |
Sisman et al. | The novelty hybrid model development proposal for mass appraisal of real estates in sustainable land management | |
Yi Man Li et al. | Predicting Carpark Prices Indices in Hong Kong Using AutoML. | |
Yiorkas et al. | Implementing GIS in real estate price prediction and mass valuation: the case study of Nicosia District | |
CN113344645A (zh) | 房价预测的方法、装置和电子设备 | |
Koohpayma et al. | Estimating the price of apartments in Tehran using extracted compound variables | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
Oki et al. | Model for estimation of building structure and built year using building façade images and attributes obtained from a real estate database | |
Ismail | Hedonic modelling of housing markets using geographical information system (gis) and spatial statistic:; a case study of glasgow, scotland | |
Efthymiou et al. | Modeling the impact of large-scale transportation infrastructure development on land cover | |
Gajzler | Supporting the technical management of residential buildings in the process of their exploitation | |
Cheung et al. | Automated valuation model for residential rental markets: evidence from Japan | |
Sápi | The international practice of statistical property valuation methods and the possibilities of introducing automated valuation models in Hungary | |
US20230027774A1 (en) | Smart real estate evaluation system |
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 |