CN115587694A - 用于房屋租金批量评估的数据处理方法、装置及设备 - Google Patents
用于房屋租金批量评估的数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN115587694A CN115587694A CN202211182212.7A CN202211182212A CN115587694A CN 115587694 A CN115587694 A CN 115587694A CN 202211182212 A CN202211182212 A CN 202211182212A CN 115587694 A CN115587694 A CN 115587694A
- Authority
- CN
- China
- Prior art keywords
- data
- house
- rent
- comparable
- spatial
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 43
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013499 data model Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 30
- 238000013139 quantization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000009423 ventilation Methods 0.000 claims description 9
- 239000002912 waste gas Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Abstract
本发明实施例公开了一种用于房屋租金批量评估的数据处理方法、装置及设备,包括:首先获取收集到的属性数据集合和同一房屋类型对应的租金数据集合以及空间数据,然后基于属性数据建立数据模型,该数据模型实现了为每个房屋进行编号,有利于后续的批量评估,基于租金数据对应的年限对租金数据进行时间修正,并基于修正好的租金数据构建实例数据集,同时,基于空间数据和属性数据进行空间聚类和空间关联,基于空间聚类和空间关联进行区域划分得到区域划分结果,该区域划分的方式相对于传统的仅仅根据区位划分的方式更加的准确,基于区域划分结果来确定每个区域对应的候选可比实例集也就更加的准确。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用于房屋租金批量评估的数据处理方法、装置及设备。
背景技术
《商品房屋租赁管理方法》中指出要定期分区域公布不同类型房屋的市场租金水平等信息。《关于加快培训和发展住房租赁市场的指导意见》中也指出要建立住房租金水平信息发布制度,定期分区域公布不同类型租赁住房市场租金水平信息,引导租赁双方合理确定租金价格,稳定市场预期。
以深圳为例,为了提高租金透明度,《深圳市构建房地产市场健康发展长效机制工作方案》中指出要编制当年全市统一、科学、合理的住房租金指导价格,并定期向社会发布。
而为了能够制定出统一、科学、合理的住房租金指导价格,必然需要对现有住房的市场租金进行评估,然后基于评估结果进行租金指导价的制定。
传统的评估方法有两种,一种是市场调查,一种是价格反算,其中,通过市场调查不仅调查成本高且调查周期长,价格反算是通过建立房价与租金之间的关系进行计算的,虽然缩短了评估时长,但是考虑的因素不够全面,直观性比较差,结果也不够准确。
经过研究发现,房地产之间存在着动态的租金关联关系,该关系在同一供需圈内保持相对稳定,每一套房地产的租金变动都会对其他房地产的租金产生影响,其中越类似的房地产影响程度较大。故,可以基于租金关联关系来实现对房屋的批量评估,而决定房屋是否能够评估准确的关键在于如何得到准确的可比实例集合以及如何对影响租金的因素进行准确量化。
故,亟需要一种可以得到准确的得到可比实例集合以及对影响租金的因素进行量化的方法。
发明内容
基于此,为了实现对房屋的准确评估,提出了一种用于房屋租金批量评估的数据处理方法、装置、设备及存储介质,该数据处理方法可以得到准确的可比实例集合以及可以对影响租金的因素进行准确量化,从而实现了对房屋的准确评估。
一种用于房屋租金批量评估的数据处理方法,所述方法包括:
获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据;
获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据;
对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号;
根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集;
基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类;
基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集;
获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风;
基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型;
所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
一种用于房屋租金批量评估的数据处理装置,所述装置包括:
第一获取模块,用于获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据;
第二获取模块,用于获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
第三获取模块,用于获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据;
第一建立模块,用于对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号;
修正模块,用于根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集;
划分模块,用于基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类;
筛选模块,用于基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集;
第四获取模块,用于获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风;
第二建立模块,用于基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型;所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行各个实施例中的用于房屋租金批量评估的数据处理方法的步骤。
一种计算机设备,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行各个实施例中的用于房屋租金批量评估的数据处理方法的步骤。
上述用于房屋租金批量评估的数据处理方法、装置、设备及存储介质,首先获取收集到的属性数据集合和同一房屋类型对应的租金数据集合以及空间数据,然后基于属性数据建立数据模型,该数据模型实现了为每个房屋进行编号,有利于后续的批量评估,基于租金数据对应的年限对租金数据进行时间修正,并基于修正好的租金数据构建实例数据集,同时,基于空间数据和属性数据进行空间聚类和空间关联,基于空间聚类和空间关联进行区域划分得到区域划分结果,该区域划分是将相似区位和使用价值的空间归为一类,该区域划分的方式相对于传统的仅仅根据区位划分的方式更加的准确,进一步的,基于区域划分结果来确定每个区域对应的候选可比实例集也就更加的准确,此外,传统的影响因素的量化都只考虑了房屋属性数据,没有三维数据,相对于传统的方法,本方案中的影响因素会更加的全面,同时量化的也更为准确。基于上述准确的数据处理,有利于实现后续对房屋租金进行快速准确地批量评估。
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。
其中:
图1为一个实施例中用于房屋租金批量评估的数据处理方法的流程图;
图2为一个实施例中基于空间聚类和空间关联进行区域划分的流程图;
图3为一个实施例中对房屋租金进行批量评估的方法流程图;
图4为一个实施例中用于房屋租金批量评估的数据处理装置的结构框图;
图5为一个实施例中对房屋租金进行批量评估的装置结构框图;
图6为一个实施例中计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,一种用于房屋租金批量评估的数据处理方法,该方法包括:
步骤102,获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据。
其中,土地数据是指房屋所属的土块,楼栋数据是指房屋所属的楼栋。通过获取属性数据可以将土地-楼栋-房屋三者关联起来,有利于后续的租金评估。
步骤104,获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种。
其中,租金数据集合是指获取到的历史房屋租金交易记录,这些租金数据是通过各个渠道得到的,包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据。这些租金数据集合实际上就是一个个实例。房屋批量评估是分类型的,同一类的才具有可比性。房屋类型大概可以分为高层住宅、低层住宅、公寓以及别墅。
步骤106,获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据。
其中,为了能够对房屋租金有更加准确的评估,还需要获取到更多的真实数据来协助评估,这些数据就是真实采集到的空间数据。另外,我们还可以借助GIS技术对房屋周围的景观、污染、日照等数据进行量化,从而可以提供更多影响租金的数据。
步骤108,对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号。
其中,预处理包括对属性数据进行过滤,过滤到重复的数据以及进行标准化等处理,标准化是指将数据转换成统一的样式有利于后续的自动化处理。
步骤110,根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集。
其中,因为租金在不同年限是有差异的,所以为了对当前时间的租金数据进行评估,需要将找到的交易实例的租金进行时间修正,时间修正也就是将租金数据转换为对应到当前时间的租金。首先,确定好时间修正系数,然后将修正系数与交易实例的租金相乘得到当前时间对应的租金数据。
步骤112,基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类。
其中,区域划分是很重要的一环,这里的区域划分不仅仅是简单的行政区的划分,而是基于获取到的空间数据和属性数据进行聚类,将具有相似区位和使用价值的空间归为一类,这样得到的区域划分结果中每个区域内部的相似度很高,彼此具有参考价值。
步骤114,基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集。
其中,在已知总的实例数据集后,可以根据区域划分结果从总的实例数据集中找到与该区域对应的候选可比实例集。由于区域划分结果的准确性,在该区域的候选可比实例集中的候选可比实例对于该区域的房屋更具有参考价值。
步骤116,获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风。
步骤118,基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型。
其中,为了便于后续租金评估,预先给每个影响因素进行量化模型的建立,后续获取到影像因素后即可快速进行影响因素分数计算。
步骤120,所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
上述用于房屋租金批量评估的数据处理方法,首先获取收集到的属性数据集合和同一房屋类型对应的租金数据集合以及空间数据,然后基于属性数据建立数据模型,该数据模型实现了为每个房屋进行编号,有利于后续的批量评估,基于租金数据对应的年限对租金数据进行时间修正,并基于修正好的租金数据构建实例数据集,同时,基于空间数据和属性数据进行空间聚类和空间关联,基于空间聚类和空间关联进行区域划分得到区域划分结果,该区域划分是将相似区位和使用价值的空间归为一类,该区域划分的方式相对于传统的仅仅根据区位划分的方式更加的准确,进一步的,基于区域划分结果来确定每个区域对应的候选可比实例集也就更加的准确,此外,传统的影响因素的量化都只考虑了房屋属性数据,没有三维数据,相对于传统的方法,本方案中的影响因素会更加的全面,同时量化的也更为准确。基于上述准确的数据处理,有利于实现后续对房屋租金进行快速准确地批量评估。
在一个实施例中,所述获取区域影响因素,包括:在预设的第一时间段内获取第一遥感遥测图像数据,基于所述第一遥感遥测图像数据进行人流量及车流量识别,得到第一影响因素;在预设的第二时间段内获取第二遥感遥测图像数据,基于所述第二遥感遥测图像数据进行灯亮识别,得到第二影响因素;所述方法还包括:根据所述第一影响因素和所述第二影响因素确定房屋对应的区域影响权重。
其中,研究发现,房屋租金不仅与地理因素有关系,还与该区域的供求关系有很大关系,一般来说,人流量越大,该区域的租金相对越贵。这是因为对于人流量大的地方,房子出租往往供小于求,租金会上涨。为了能够统计得到区域的供求关系,本方案实施例中提出了基于遥感遥测图像数据进行分析,在第一时间段内(早高峰的时段)基于获取到的第一遥感遥测图像进行人流量及车流量识别,在预设的第二时间段(晚上)基于第二遥感遥测图像数据进行灯亮识别,灯亮度越高,说明人员入住率越高,灯亮度越低,说明该区域的入住率越低。第一影响因素和第二影响因素用来共同来评价该区域的供求关系,根据确定的供求关系来确定该区域影响权重。通过基于遥感遥测图像数据进行影像因素分析能够更加准确地反映出该区域的真实情况,更具有参考价值。
如图2所示,在一个实施例中,所述基于所述空间数据和房屋属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类,包括:
步骤112A,预先将整个区域划分为多个区块,基于所述空间数据对每个区块的区块特征进行提取,所述区块特征包括:区位因素、交通便捷度、周边景观、环境质量、生活配套设施、教育配套设施。
其中,预先将整个区域划分为很多个区块,该区块可以根据实际情况确定,一般来说,区块划分的越小,后面计算得到的区域划分结果越准确,同时计算量也越大,所以这个可以根据需要评估的精准度来自定义确定区块的大小。在划分为多个区块后,分别对每个区块进行区块特征提取。其中,区位因素是指该区块所属的行政区。这些区块特征都是影响租金价格的因素,故需要一一进行提取。
步骤112B,基于所述房屋属性数据进行房屋特征提取,所述房屋特征包括:房屋年代、房屋服务完备度。
其中,房屋特征是指房屋本身的特征,包括房屋年代,以及房屋服务完备度,房屋服务完备度是指是否有物业服务等。房屋服务完备度越高,租金会相对越高。
步骤112C,对所述区块特征和所述房屋特征进行量化,基于量化结果进行空间聚类和空间关联,确定区块与区块之间的相似度和关联度。
其中,对影响租金的各个因素都建立了量化模型,基于上述建立的量化模型对区块特征和房屋特征进行量化,基于量化结果进行相似度和关联度的计算。相似度是指区块与区块之间各个方面的相似程度,关联度是指地理位置上的关联度,比如,是否在地理位置上是挨着的两个区块,即两个区块的距离越近,关联度越高。
步骤112D,根据所述区块与区块之间的相似度和关联度进行归类,当两两区块之间的相似度和关联度满足预设条件时,将相应的两个区块归为一个区域。
其中,两个区块之间的相似度和关联度都满足条件时,将两个区块归为一个区域。
通过上述的空间聚类和空间关联进行区域划分,使得划分后得到的区域内的房屋之间的相似度更高,相对于传统的仅仅根据地理位置的划分更有助于租金的准确评估。
在一个实施例中,所述基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型,包括:获取每个区域对应的候选可比实例集,提取每个候选可比实例的标签数据,所述标签数据包括:楼层、户型、朝向、景观、噪音废气、采光通风;将所述标签数据输入到预设模型,根据所述预设模型确定每个影响因素的权重;根据每个影响因素的权重设置各个影响因素的量化分数表,得到每个影响因素对应的量化模型,所述量化模型用于计算每个影响因素对应的分数。
其中,为了能够为每个影响因素建立量化模型,这里首先利用了预设模型来确定每个影响因素的权重,权重越高,后面制定的量化分数表中的量化分数会越高。其中,预设模型是基于标签数据通过控制单一变量的方式来确定每个影响因素对应租金价格的影响,进而确定该影响因素的权重。
如图3所示,在得到区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型后,还包括:基于区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型对房屋进行批量评估,具体包括:
步骤302,获取待评估房屋的类型和所在的楼栋,所述类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
步骤304,获取待评估的房屋数据,所述房屋数据包括:户型、面积;
步骤306,根据所述待评估房屋的类型和所在的楼栋确定对应的候选可比实例集合;
其中,上述根据区域划分结果预先建立了每个区域对应的候选可比实例集,在进行房屋评估时,首先确定该房屋对应的区域,然后对应的区域确定候选可比实例集。
步骤308,根据所述待评估房屋的属性数据从所述候选可比实例集合中筛选出N个目标可比实例,其中,N为设定的正整数;
步骤310,获取每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数,所述时间修正系数用于对可比实例的实际交易租金进行修正,修正为当前时间对应的理论交易租金;
步骤312,根据所述每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数计算得到所述待评估房屋所在楼栋对应的标准房租金;
步骤314,确定楼栋内每套待评估房屋与标准房之间的租金比价关系,每个楼栋对应一个标准房;
步骤316,根据所述标准房租金和所述租金比价关系确定每套待评估房屋的租金参考价格。
其中,基于预先建立的每个区域对应的候选可比实例集确定待评估房屋对应的候选可比实例集,然后从该候选可比实例集中筛选出N个目标可比实例,然后再根可比实例来计算得到待评估房屋对应的标准房租金,然后并确定每套待评估房屋与标准房之间的租金比价关系,根据该租金比价关系和标准房租金实现对房屋的批量评估。
在一个实施例中,所述根据所述待评估房屋的属性数据从所述候选可比实例集合中筛选出N个目标可比实例,包括:
根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一楼栋的第一交易案例;
判断所述第一交易案例是否满足预设的第一价格修正范围,若满足,则将所述第一交易案例作为第一目标可比实例;
当所述第一目标可比实例的数量小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一小区内的第二交易案例;
判断所述第二交易案例是否满足预设的第二价格修正范围,若满足,则将所述第二交易案例作为第二目标可比实例;
当所述第一目标可比实例和第二目标可比实例的数量之和小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选第三交易案例;
判断所述第三交易案例是否满足预设的第三价格修正范围,若满足,则将所述第三交易案例作为第三目标可比实例,所述第一目标可比实例、第二目标可比实例和所述第三目标可比实例的数量之和为N;
当所述第一目标可比实例的数量大于N时,则提取每个第一目标可比实例对应的标签数据;
获取待评估房屋的标签数据;
基于所述待评估房屋的标签数据和所述第一目标可比实例的标签数据进行匹配,根据匹配度筛选出N个目标可比实例。
其中,为了能够筛选到尽可能相似的可比实例,优先筛选处于同一楼栋的第一交易案例,并判断第一交易案例是否满足预设的第一价格修正范围(价格修正范围一般控制在20%以内),若满足,则将所述第一交易案例作为第一目标可比实例。若第一目标可比实例不满足N个时,则次优先筛选处于同一小区内的第二交易案例,并判断第二交易案例是否满足预设的第二价格修正范围,最后再考虑从剩下的候选可比实例集合中筛选出目标可比实例。通过这样一层层的筛选,有利于筛选出尽可能相似度高的目标可比实例。
另外,对于可比实例较多的情况,为了能够匹配到更为相似的目标可比实例,采用匹配度计算的方式来筛选。通过上述筛选N个目标可比实例的方式,能够尽可能匹配到相似度最高的目标可比实例,从而有利于租金评估的更为准确。
在一个实施例中,所述根据所述每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数计算得到所述待评估房屋所在楼栋对应的标准房租金,包括:采用如下公式计算得到所述待评估房屋所在楼栋对应的标准房租金:
其中表示楼栋对应的标准房租金;P表示N个可比实例实际交易租金的平均值,Oref表示待评估标准房所处楼盘的楼盘间系数,O表示N个可比实例所处楼盘的楼盘间系数;I表示N个可比实例的楼盘内部系数;T表示N个可比实例所处片区的时间修正系数。
在一个实施例中,所述获取每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数,包括:获取所述可比实例所处楼盘的片区,确定所述片区内的标准楼;根据所述标准楼和所述可比实例楼盘的分数确定所述可比实例楼盘相对于所述标准楼的楼盘间系数;确定每个所述可比实例的楼盘中的标准房;根据所述标准房与所述可比实例的分数确定所述可比实例相对于所述标准房的楼盘内部系数;获取每个可比实例对应的交易年份,根据所述交易年份确定所述可比实例的实际交易租金价格相对于当前年份的价格修正比例,将所述价格修正比例作为所述时间修正系数。
如图4所示,提出了一种用于房屋租金批量评估的数据处理装置,该装置包括:
第一获取模块402,用于获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据;
第二获取模块404,用于获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
第三获取模块406,用于获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据;
第一建立模块408,用于对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号;
修正模块410,用于根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集;
划分模块412,用于基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类;
筛选模块414,用于基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集;
第四获取模块416,用于获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风;
第二建立模块418,用于基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型;所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
在一个实施例中,第四获取模块416还用于在预设的第一时间段内获取第一遥感遥测图像数据,基于所述第一遥感遥测图像数据进行人流量及车流量识别,得到第一影响因素;在预设的第二时间段内获取第二遥感遥测图像数据,基于所述第二遥感遥测图像数据进行灯亮识别,得到第二影响因素;
上述装置还包括:区域权重确定模块,用于根据所述第一影响因素和所述第二影响因素确定房屋对应的区域影响权重。
在一个实施例中,划分模块412还用于预先将整个区域划分为多个区块,基于所述空间数据对每个区块的区块特征进行提取,所述区块特征包括:区位因素、交通便捷度、周边景观、环境质量、生活配套设施、教育配套设施;基于所述房屋属性数据进行房屋特征提取,所述房屋特征包括:房屋年代、房屋服务完备度;
对所述区块特征和所述房屋特征进行量化,基于量化结果进行空间聚类和空间关联,确定区块与区块之间的相似度和关联度;根据所述区块与区块之间的相似度和关联度进行归类,当两两区块之间的相似度和关联度满足预设条件时,将相应的两个区块归为一个区域。
在一个实施例中,第二建立模块418还用于获取每个区域对应的候选可比实例集,提取每个候选可比实例的标签数据,所述标签数据包括:楼层、户型、朝向、景观、噪音废气、采光通风;将所述标签数据输入到预设模型,根据所述预设模型确定每个影响因素的权重;根据每个影响因素的权重设置各个影响因素的量化分数表,得到每个影响因素对应的量化模型,所述量化模型用于计算每个影响因素对应的分数。
如图5所示,在一个实施例中,上述装置还包括:房屋租金批量评估模块,具体包括:
信息获取模块502,用于获取待评估房屋的类型和所在的楼栋,所述类型包括:高层住宅、低层住宅、公寓、别墅中的一种;获取待评估的房屋数据,所述房屋数据包括:户型、面积;
集合确定模块504,用于根据所述待评估房屋的类型和所在的楼栋确定对应的候选可比实例集合;
实例筛选模块506,用于根据所述待评估房屋的属性数据从所述候选可比实例集合中筛选出N个目标可比实例,其中,N为设定的正整数;
实例获取模块508,用于获取每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数,所述时间修正系数用于对可比实例的实际交易租金进行修正,修正为当前时间对应的理论交易租金;
计算模块510,用于根据所述每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数计算得到所述待评估房屋所在楼栋对应的标准房租金;
比价关系确定模块512,用于确定楼栋内每套待评估房屋与标准房之间的租金比价关系,每个楼栋对应一个标准房;
价格确定模块514,用于根据所述标准房租金和所述租金比价关系确定每套待评估房屋的租金参考价格。
在一个实施例中,实例筛选模块506还用于根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一楼栋的第一交易案例;判断所述第一交易案例是否满足预设的第一价格修正范围,若满足,则将所述第一交易案例作为第一目标可比实例;当所述第一目标可比实例的数量小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一小区内的第二交易案例;判断所述第二交易案例是否满足预设的第二价格修正范围,若满足,则将所述第二交易案例作为第二目标可比实例;当所述第一目标可比实例和第二目标可比实例的数量之和小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选第三交易案例;判断所述第三交易案例是否满足预设的第三价格修正范围,若满足,则将所述第三交易案例作为第三目标可比实例,所述第一目标可比实例、第二目标可比实例和所述第三目标可比实例的数量之和为N;当所述第一目标可比实例的数量大于N时,则提取每个第一目标可比实例对应的标签数据;获取待评估房屋的标签数据;基于所述待评估房屋的标签数据和所述第一目标可比实例的标签数据进行匹配,根据匹配度筛选出N个目标可比实例。
在一个实施例中,所述根据所述每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数计算得到所述待评估房屋所在楼栋对应的标准房租金,包括:
采用如下公式计算得到所述待评估房屋所在楼栋对应的标准房租金:
其中表示楼栋对应的标准房租金;P表示N个可比实例实际交易租金的平均值,Oref表示待评估标准房所处楼盘的楼盘间系数,O表示N个可比实例所处楼盘的楼盘间系数;I表示N个可比实例的楼盘内部系数;T表示N个可比实例所处片区的时间修正系数。
在一个实施例中,实例获取模块508还用于获取所述可比实例所处楼盘的片区,确定所述片区内的标准楼;根据所述标准楼和所述可比实例楼盘的分数确定所述可比实例楼盘相对于所述标准楼的楼盘间系数;确定每个所述可比实例的楼盘中的标准房;根据所述标准房与所述可比实例的分数确定所述可比实例相对于所述标准房的楼盘内部系数;获取每个可比实例对应的交易年份,根据所述交易年份确定所述可比实例的实际交易租金价格相对于当前年份的价格修正比例,将所述价格修正比例作为所述时间修正系数。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图6所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质有存储操作系统,还可有存储计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述的用于房屋租金批量评估的数据处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述的用于房屋租金批量评估的数据处理方法。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器有存储计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述用于房屋租金批量评估的数据处理方法的步骤。
在一个实施例中,提出了一种计算机可读存储介质,有存储计算机程序,计算机程序被处理器执行时,使得处理器执行上述用于房屋租金批量评估的数据处理方法的步骤。
可以理解的是,上述用于房屋租金批量评估的数据处理方法、装置、计算机设备以及计算机可读存储介质属于一个总的发明构思,实施例可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于房屋租金批量评估的数据处理方法,其特征在于,所述方法包括:
获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据;
获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据;
对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号;
根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集;
基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类;
基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集;
获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风;
基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型;
所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
2.根据权利要求1所述的方法,其特征在于,所述获取区域影响因素,包括:在预设的第一时间段内获取第一遥感遥测图像数据,基于所述第一遥感遥测图像数据进行人流量及车流量识别,得到第一影响因素;在预设的第二时间段内获取第二遥感遥测图像数据,基于所述第二遥感遥测图像数据进行灯亮识别,得到第二影响因素;
所述方法还包括:
根据所述第一影响因素和所述第二影响因素确定房屋对应的区域影响权重。
3.根据权利要求1所述的方法,其特征在于,所述基于所述空间数据和房屋属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类,包括:
预先将整个区域划分为多个区块,基于所述空间数据对每个区块的区块特征进行提取,所述区块特征包括:区位因素、交通便捷度、周边景观、环境质量、生活配套设施、教育配套设施;
基于所述房屋属性数据进行房屋特征提取,所述房屋特征包括:房屋年代、房屋服务完备度;
对所述区块特征和所述房屋特征进行量化,基于量化结果进行空间聚类和空间关联,确定区块与区块之间的相似度和关联度;
根据所述区块与区块之间的相似度和关联度进行归类,当两两区块之间的相似度和关联度满足预设条件时,将相应的两个区块归为一个区域。
4.根据权利要求1所述的方法,其特征在于,所述基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型,包括:
获取每个区域对应的候选可比实例集,提取每个候选可比实例的标签数据,所述标签数据包括:楼层、户型、朝向、景观、噪音废气、采光通风;
将所述标签数据输入到预设模型,根据所述预设模型确定每个影响因素的权重;
根据每个影响因素的权重设置各个影响因素的量化分数表,得到每个影响因素对应的量化模型,所述量化模型用于计算每个影响因素对应的分数。
5.根据权利要求1中所述的方法,其特征在于,所述方法还包括:
获取待评估房屋的类型和所在的楼栋,所述类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
获取待评估的房屋数据,所述房屋数据包括:户型、面积;
根据所述待评估房屋的类型和所在的楼栋确定对应的候选可比实例集合;
根据所述待评估房屋的属性数据从所述候选可比实例集合中筛选出N个目标可比实例,其中,N为设定的正整数;
获取每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数,所述时间修正系数用于对可比实例的实际交易租金进行修正,修正为当前时间对应的理论交易租金;
根据所述每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数计算得到所述待评估房屋所在楼栋对应的标准房租金;
确定楼栋内每套待评估房屋与标准房之间的租金比价关系,每个楼栋对应一个标准房;
根据所述标准房租金和所述租金比价关系确定每套待评估房屋的租金参考价格。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待评估房屋的属性数据从所述候选可比实例集合中筛选出N个目标可比实例,包括:
根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一楼栋的第一交易案例;
判断所述第一交易案例是否满足预设的第一价格修正范围,若满足,则将所述第一交易案例作为第一目标可比实例;
当所述第一目标可比实例的数量小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选处于同一小区内的第二交易案例;
判断所述第二交易案例是否满足预设的第二价格修正范围,若满足,则将所述第二交易案例作为第二目标可比实例;
当所述第一目标可比实例和第二目标可比实例的数量之和小于N时,则根据待评估房屋的属性数据从所述候选可比实例集合中筛选第三交易案例;
判断所述第三交易案例是否满足预设的第三价格修正范围,若满足,则将所述第三交易案例作为第三目标可比实例,所述第一目标可比实例、第二目标可比实例和所述第三目标可比实例的数量之和为N;
当所述第一目标可比实例的数量大于N时,则提取每个第一目标可比实例对应的标签数据;
获取待评估房屋的标签数据;
基于所述待评估房屋的标签数据和所述第一目标可比实例的标签数据进行匹配,根据匹配度筛选出N个目标可比实例。
8.根据权利要求5所述的方法,其特征在于,所述获取每个可比实例的实际交易租金、每个可比实例所处楼盘的楼盘间系数、每个可比实例的楼盘内部系数和每个可比实例所处片区的时间修正系数,包括:
获取所述可比实例所处楼盘的片区,确定所述片区内的标准楼;
根据所述标准楼和所述可比实例楼盘的分数确定所述可比实例楼盘相对于所述标准楼的楼盘间系数;
确定每个所述可比实例的楼盘中的标准房;
根据所述标准房与所述可比实例的分数确定所述可比实例相对于所述标准房的楼盘内部系数;
获取每个可比实例对应的交易年份,根据所述交易年份确定所述可比实例的实际交易租金价格相对于当前年份的价格修正比例,将所述价格修正比例作为所述时间修正系数。
9.一种用于房屋租金批量评估的数据处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取属性数据集合,所述属性数据集合包括多个属性数据,所述属性数据包括:土地数据、楼栋数据、房屋数据;
第二获取模块,用于获取同一房屋类型对应的租金数据集合,所述租金数据集合包括:多个租金数据,每一租金数据对应一个房屋,所述租金数据包括:抽样调查租金数据、中介租金数据、挂牌租金数据和个案评估租金数据,所述房屋类型包括:高层住宅、低层住宅、公寓、别墅中的一种;
第三获取模块,用于获取空间数据,所述空间数据包括:遥感影像数据、地形图数据、分区数据、城市道路交通数据和三维数据,所述三维数据包括:利用GIS技术分析量化的景观、污染、日照数据;
第一建立模块,用于对所述属性数据进行预处理,基于预处理后的属性数据建立数据模型,所述数据模型是基于土地数据、楼栋数据和房屋数据之间的包含关系构建的,用于确定每个房屋对应的楼栋以及土地,得到每个房屋对应的编号;
修正模块,用于根据所述租金数据集合中每一租金对应的年限确定相应的时间修正系数,并根据修正好的租金数据构建实例数据集;
划分模块,用于基于所述空间数据和属性数据进行空间聚类和空间关联,基于所述空间聚类和所述空间关联进行区域划分,得到区域划分结果,所述空间聚类是指将具有相似区位和使用价值的空间归为一类;
筛选模块,用于基于所述区域划分结果从所述实例数据集中筛选出与每个区域对应的候选可比实例集;
第四获取模块,用于获取区域影响因素和影响租金的其他影响因素,所述其他影响因素设置除了区域以外的影响因素,包括:楼层、户型、朝向、景观、噪音废气、采光通风;
第二建立模块,用于基于所述三维数据和所述房屋属性数据建立每个影响因素的量化模型;所述区域划分结果、每个区域对应的候选可比实例集和所述每个影响因素的量化模型用于对房屋租金进行批量评估。
10.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述的房屋租金批量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211182212.7A CN115587694B (zh) | 2022-09-27 | 2022-09-27 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211182212.7A CN115587694B (zh) | 2022-09-27 | 2022-09-27 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587694A true CN115587694A (zh) | 2023-01-10 |
CN115587694B CN115587694B (zh) | 2023-11-28 |
Family
ID=84778480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211182212.7A Active CN115587694B (zh) | 2022-09-27 | 2022-09-27 | 用于房屋租金批量评估的数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587694B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049748A (ja) * | 2000-08-04 | 2002-02-15 | Nli Research Institute | オフィスビル・マンションの賃料評価システム |
US20140257924A1 (en) * | 2013-03-08 | 2014-09-11 | Corelogic Solutions, Llc | Automated rental amount modeling and prediction |
CN106875230A (zh) * | 2017-03-20 | 2017-06-20 | 重庆汇集源科技有限公司 | 一种基于比价系数的房地产评估方法、系统及存储介质 |
CN107230113A (zh) * | 2017-08-01 | 2017-10-03 | 江西理工大学 | 一种多模型融合的房产评估方法 |
CN108647987A (zh) * | 2018-04-03 | 2018-10-12 | 云南网星大数据科技股份有限公司 | 房屋资产估价方法 |
KR20190041439A (ko) * | 2019-03-19 | 2019-04-22 | 주식회사 공감랩 | 데이터 오류 수정 기능을 갖는 주택 가격 추정을 위한 빅데이터 구축 시스템 |
CN112163881A (zh) * | 2020-09-24 | 2021-01-01 | 福建省星云大数据应用服务有限公司 | 一种房屋租赁定价方法及系统 |
CN114625781A (zh) * | 2022-03-11 | 2022-06-14 | 深圳市云智评信息技术有限公司 | 一种基于商品住房价值的批量评估方法 |
-
2022
- 2022-09-27 CN CN202211182212.7A patent/CN115587694B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049748A (ja) * | 2000-08-04 | 2002-02-15 | Nli Research Institute | オフィスビル・マンションの賃料評価システム |
US20140257924A1 (en) * | 2013-03-08 | 2014-09-11 | Corelogic Solutions, Llc | Automated rental amount modeling and prediction |
CN106875230A (zh) * | 2017-03-20 | 2017-06-20 | 重庆汇集源科技有限公司 | 一种基于比价系数的房地产评估方法、系统及存储介质 |
CN107230113A (zh) * | 2017-08-01 | 2017-10-03 | 江西理工大学 | 一种多模型融合的房产评估方法 |
CN108647987A (zh) * | 2018-04-03 | 2018-10-12 | 云南网星大数据科技股份有限公司 | 房屋资产估价方法 |
KR20190041439A (ko) * | 2019-03-19 | 2019-04-22 | 주식회사 공감랩 | 데이터 오류 수정 기능을 갖는 주택 가격 추정을 위한 빅데이터 구축 시스템 |
CN112163881A (zh) * | 2020-09-24 | 2021-01-01 | 福建省星云大数据应用服务有限公司 | 一种房屋租赁定价方法及系统 |
CN114625781A (zh) * | 2022-03-11 | 2022-06-14 | 深圳市云智评信息技术有限公司 | 一种基于商品住房价值的批量评估方法 |
Non-Patent Citations (6)
Title |
---|
柳杨;: "深圳市公共租赁住房定价模式创新研究――基于整体评估的片区定价探析", 建筑经济, no. 06 * |
王洋;张虹鸥;吴康敏;: "粤港澳大湾区住房租金的空间差异与影响因素", 地理研究, no. 09 * |
王秀丽;杨柳;柏杰;李恒凯;: "融合GIS和集对分析的房产市场比较法评估模型", 江西理工大学学报, no. 04, pages 58 - 63 * |
耿继进;张晖;: "基于GIS的房地产批量评估数据库构建研究――以深圳市为例", 遥感技术与应用, no. 03 * |
贾士军;周春山;: "城市房屋参考租金测定与空间分布――以广州为例", 经济地理, no. 04, pages 92 - 97 * |
黄梦吟;郭化林;: "基于GIS的房地产税税基批量评估", 财会月刊, no. 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN115587694B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Housing submarket classification: The role of spatial contiguity | |
CN112417273B (zh) | 区域画像图生成方法、装置、计算机设备及存储介质 | |
Thibodeau | Marking single–family property values to market | |
CN107578277B (zh) | 用于电力营销的出租房客户定位方法 | |
Tomal | Housing market heterogeneity and cluster formation: evidence from Poland | |
CN114648155A (zh) | 基于天气分型与气象预报的源解析方法及应急响应系统 | |
Lindenthal et al. | Machine learning, architectural styles and property values | |
Garreton et al. | Identifying an optimal analysis level in multiscalar regionalization: A study case of social distress in greater Santiago | |
CN114549075A (zh) | 一种基于停车和视频大数据的区域停车评价方法 | |
Guo et al. | A combined workflow to generate citywide building energy demand profiles from low-level datasets | |
CN112633991A (zh) | 一种租赁指数分析方法及装置 | |
KR20070097939A (ko) | 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체 | |
CN115587694A (zh) | 用于房屋租金批量评估的数据处理方法、装置及设备 | |
CN117076788A (zh) | 一种基于多维感知数据的人员落脚点位分析方法和系统 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
CN109544410A (zh) | 小区房源价值参数估计方法以及装置 | |
Rit et al. | Calibration method for an open source model to simulate building energy at territorial scale | |
Verellen et al. | Using data-driven models to estimate the energy use of buildings based on a building stock model | |
Meyers-Angulo et al. | Classifying buildings according to seismic vulnerability using Cluster-ANN techniques: application to the city of Murcia, Spain | |
CN114493093A (zh) | 一种自动驾驶预测模块的评测方法及装置 | |
CN113380071A (zh) | 一种面向大型综合体的车位级停车需求状态评价方法 | |
CN112148821A (zh) | 一种城市混合职住空间计算方法和系统 | |
KR102557695B1 (ko) | 계층적 분석 및 전이학습을 이용한 부동산 경매 낙찰가율 예측시스템 및 예측방법 | |
WO2024069268A1 (en) | Intelligent platform for designing and drawing construction plans based on data mining and artificial intelligence | |
CN116362429B (zh) | 基于社区网格信息采集的城域房屋租赁预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |