TWI716069B - 房地產鑑價系統及方法 - Google Patents
房地產鑑價系統及方法 Download PDFInfo
- Publication number
- TWI716069B TWI716069B TW108128933A TW108128933A TWI716069B TW I716069 B TWI716069 B TW I716069B TW 108128933 A TW108128933 A TW 108128933A TW 108128933 A TW108128933 A TW 108128933A TW I716069 B TWI716069 B TW I716069B
- Authority
- TW
- Taiwan
- Prior art keywords
- data models
- layer
- model
- real estate
- data
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一種房地產鑑價系統及方法,鑑價系統包含:複數個運算晶片模組、模型串流控制模組、處理器以及房地產鑑價輸出介面,複數個運算晶片模組係設置以根據深度學習演算法訓練複數個資料模型;模型串流控制模組係連接複數個運算晶片模組,以對複數個資料模型執行融層操作;處理器根據使用者輸入之需求參數控制模型串流控制模組,模型串流控制模組根據需求參數選擇複數個資料模型中的至少兩個,以對至少兩個資料模型執行融層操作,進而產生房地產鑑價結果;房地產鑑價輸出介面顯示房地產鑑價結果。
Description
本發明涉及房地產鑑價系統及方法,尤其涉及利用深度學習演算法之房地產鑑價系統及方法。
房地產估價為房地產買賣行業中的一項關鍵程序,目前,若要對一個房地產進行估價,必須透過合法認證的鑑價師來鑑定各種標的物所處環境及特性,進而產出一個鑑價報告,其過程十分繁瑣,且不同鑑價師可能存在自由心證,影響鑑價報告之公正性。除此之外,目前房地產買賣價格多數以區段實價登錄的價格作為基準,而實價登錄價格僅代表該區段位置或區段門牌不動產的平均行情,其中,因為不動產成交價格(金)的異質性,即使在同一棟建物中,不同房屋之間亦存在價差,如果要鑑定單一特定房地產的價值仍需要專業鑑價師逐一核算。而且,房地產買賣金額十分龐大,所牽涉的利害關係人有銀行方、買方、賣方、仲介方等多方面關係人,每一方利害關係人對於價格的己見均存在一定的落差,如果能提供一個可以被所有利害關係人接受的方案,則可大幅度提高買賣的成功率。
根據現今房仲業者的統計,目前購屋的主力年齡層為中壯年左右的換屋族,他們絕大多數為首購族,所以在欠缺買賣房屋經驗時,就非常容易掉入賣方的陷阱中。尤其現在的房屋價格日益增加,首購族所購買的物件越來越偏向於中古屋,但是,往往在成交達成後,才發現所購買物件與購買時的期望之間存在落差。然而,在目前的房地產鑑價機制中,缺乏一個被普遍認可的認證機制,所得到的估算結果無法讓所有的利害關係人接受。
然而,擁有大量房地產鑑價資料的個人和企業通常也不會無償提供鑑價服務,更不可能將鑑價資料交互給任何不相關的人。利害關係人最終還是需要請估價師進行鑑價,但是,透過估價師來取得房屋估價報告,可能有下列的缺點:(1) 目前尚缺乏可被公眾認可的房地產鑑價機制,造成消費者決策時間的浪費;(2) 鑑價費用昂貴,一般消費者無法負擔;(3) 當在兩到三間房屋之間做選擇時,每間房屋都要進行估價,造成更多時間與金錢的浪費。
目前國內每年的不動產交易金額有約2兆中,其中,中古屋的銷售比例非常高,然而,中古屋在進行當次銷售前,已被居住使用很長的一段時間,賣方為了使買方以更高的價格購入,通常會隱瞞不易查詢到的資訊,讓買方身處資訊不對稱的弱勢方,而不得不請鑑價師進行估價,而現有技術缺點有:(1) 買方無法收集到足以判斷房屋價格的資料;(2) 買方自我比較房屋資訊所需花費的時程冗長;(3) 精確的房屋鑑價報告價格昂貴,對於一般消費者不切實際。
為了解決上述習知技術的問題,本發明提供一種房地產鑑價系統及方法,可以透過例如高速運算的私有晶片雲產出預測鑑價結果,其中的整合機制亦可以由各利害關係人決定,使得所得到的最終鑑價結果得以被全部的利害關係人接受。
根據本發明一目的,提供一種房地產鑑價系統,其包含:交易介面參數模組、複數個運算晶片模組、模型串流控制模組、處理器以及房地產鑑價輸出介面,交易介面參數模組係設置以接收使用者輸入之需求參數;複數個運算晶片模組係設置以根據深度學習演算法訓練複數個資料模型,複數個資料模型中的每一個包含輸入層、至少一隱藏層以及輸出層,且該至少一隱藏層係介於輸入層以及輸出層之間;模型串流控制模組係連接複數個運算晶片模組,以對複數個資料模型執行融層操作,融層操作係指複數個資料模型中的不同資料模型之輸入層、至少一隱藏層以及輸出層之間的介接操作;處理器係連接交易介面參數模組以及模型串流控制模組,以根據使用者輸入之需求參數控制模型串流控制模組,模型串流控制模組根據需求參數選擇複數個資料模型中的至少兩個,並將至少兩個資料模型轉為通用序列化格式,以對至少兩個資料模型執行融層操作,進而產生房地產鑑價結果;房地產鑑價輸出介面係連接處理器,以顯示房地產鑑價結果。
較佳地,融層操作可以包含串聯融層操作,當模型串流控制模組對至少兩個資料模型執行串聯融層操作,至少兩個資料模型中的一個之輸出層係至少兩個資料模型中的另一個之輸入層。
較佳地,融層操作可以包含並聯融層操作,當模型串流控制模組對至少兩個資料模型執行並聯融層操作,至少兩個資料模型中的一個之最終隱藏層介接至至少兩個資料模型中的另一個之輸出層,另一個資料模型之最終隱藏層介接至該一個資料模型之該輸出層,並且該一個資料模型之輸出層以及該另一個資料模型之輸出層皆輸出至房地產鑑價輸出介面。
較佳地,融層操作可以包含反串聯融層操作,當模型串流控制模組對至少兩個資料模型執行反串聯融層操作,係將至少兩個資料模型中的一個之輸出層之輸出目標屬性套用至至少兩個資料模型中的另一個之輸出層,並且將另一個資料模型之輸出層輸出至房地產鑑價輸出介面。
較佳地,融層操作可以包含反並聯融層操作,當模型串流控制模組對至少兩個資料模型執行反並聯融層操作,至少兩個資料模型中的一個之最終隱藏層介接至至少兩個資料模型中的另一個之輸出層,另一個資料模型之最終隱藏層介接至該一個資料模型之輸出層,並且房地產鑑價輸出介面僅輸出該一個資料模型之輸出層。
根據本發明另一目的,提出一種房地產鑑價方法,其包含:根據深度學習演算法訓練複數個資料模型,並將複數個資料模型分別儲存於複數個運算晶片模組,其中複數個資料模型中的每一個包含輸入層、至少一隱藏層以及輸出層,且至少一隱藏層係介於輸入層以及輸出層之間;連接複數個運算晶片模組至模型串流控制模組,模型串流控制模組係設置以對複數個資料模型執行融層操作,融層操作係指複數個資料模型中的不同資料模型之輸入層、至少一隱藏層以及輸出層之間的介接操作;以交易介面參數模組接收使用者輸入之需求參數;以連接交易介面參數模組以及模型串流控制模組之處理器根據使用者輸入之需求參數控制模型串流控制模組,模型串流控制模組根據需求參數選擇複數個資料模型中的至少兩個,並將至少兩個資料模型轉為通用序列化格式,以對至少兩個資料模型執行融層操作,進而產生房地產鑑價結果;以及透過連接處理器之房地產鑑價輸出介面顯示房地產鑑價結果。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效,茲將本發明配合所附圖式,並以實施例之表達形式詳細說明如下,而其中所使用之圖式,其主旨僅為示意及輔助說明書之用,未必為本發明實施後之真實比例與精準配置,故不應就所附圖式的比例與配置關係解讀、侷限本發明於實際實施上的申請專利範圍,合先敘明。
根據本發明一目的,參照第1圖,其繪示根據本發明一實施例之房地產鑑價系統方塊圖。根據本實施例,房地產鑑價系統100包含:交易介面參數模組101、複數個運算晶片模組1~3、處理器102、模型串流控制模組103以及房地產鑑價輸出介面(未圖示),交易介面參數模組101係設置以接收使用者輸入之需求參數;複數個運算晶片模組1~3係設置以根據深度學習演算法訓練複數個資料模型A~D,複數個資料模型A~D中的每一個包含輸入層、至少一隱藏層以及輸出層,且該至少一隱藏層係介於輸入層以及輸出層之間;模型串流控制模組103係連接複數個運算晶片模組1~3,以對複數個資料模型A~D執行融層操作,融層操作係指複數個資料模型A~D中的不同資料模型之輸入層、至少一隱藏層以及輸出層之間的介接操作;處理器102係連接交易介面參數模組101以及模型串流控制模組103,以根據使用者輸入之需求參數控制模型串流控制模組103,模型串流控制模組103根據需求參數選擇複數個資料模型A~D中的至少兩個,例如:資料模型A及B、資料模型A及B、資料模型B及D、資料模型A~C、資料模型B~D、資料模型A~D或是其他類似的組合,並將所選擇的每個資料模型轉為通用序列化格式,以對每個資料模型執行融層操作,再依房地產鑑價所需要的分類、預測以及回歸計算必須有的準則接收資料模型的輸入張量和至少一個輸出張量,目的是回傳查詢鑑價結果的使用者所認可且由其他利害關係人所提供的房地產鑑價模型的最終整合結果,產生一房地產鑑價結果;房地產鑑價輸出介面則連接處理器102,以顯示房地產鑑價結果。
其中,資料模型A~D可以是來自於個人或企業(例如,房仲公司)之資料模型。除此之外,使用者可以是有購屋需求之客戶,或是不動產交易中的任何利害關係人,利害關係人可以分為查詢鑑價結果之利害關係人及其他利害關係人,利害關係人可以是但不限於買方、賣方、銀行方等。查詢鑑價結果之利害關係人是指發動查詢鑑價系統任務的人,其他利害關係人則是一群擁有鑑價系統模型可供客戶執行融層操作(例如本文即將描述得並聯/串聯/反並聯/反串聯等)的個人或企業,其他利害關係人因提供鑑價系統模型而分享到計算利益。本發明最終目的是要取得所有信任度可被認接受的其他利害關係人所提供的房地產鑑價模型最終整合的輸出結果。
應當注意,複數個運算晶片模組以及複數個資料模型之數量可以是任意的,意即,本發明提供之房地產鑑價系統可以對任意數量的運算晶片模組以及資料模型進行計算,根據使用者的需求參數,挑選適合的資料模型進行融層操作,得出最佳化的鑑價結果。
詳言之,融層操作係指達成不同資料模型間的遷移學習,透過複數個資料模型A~D中的不同資料模型之輸入層、至少一隱藏層以及輸出層之間的介接操作來達成,例如,將資料模型A之輸出層用作為資料模型B之輸出層,或是將資料模型C中的隱藏層介接資料模型D之輸出層,但本發明不限於此,任何資料模型之間的層間介接操作皆屬於本發明的範疇。
根據本發明一實施例,房地產鑑價輸出介面可以整合於交易介面參數模組101中,提供讓使用者輸入需求參數以及顯示房地產鑑價結果的功能。
接下來請參照第2圖,其繪示根據本發明一實施例之房地產鑑價方法示意圖。透過晶片雲上的深度學習演算法模組201,載入使用者自建或委外的深度學習演算法(Algorithm)到指定的個人端或企業端的運算晶片(FPGA)高速運算區或一般Linux運算區,高速運算區必須由使用者或委外提供Verilog碼。載入時系統會估計模型所需的記憶體和GPU數量需求。接下來,將個人或企業在指定使用者專屬晶片上運算出來的模型轉為通用序列化格式,以便透過雲端系統匯出到指定地點上另一使用者的專屬晶片,使用者專屬晶片可提供複數個演算法任務以執行訓練不同的模型,其操作包括最佳化變量、學習速率調度張量、額外預先處理等深度學習必要的操作,但是並/串/反並/反串聯的匯出匯入動作由模型串流控制模組103完成。
接下來請先參照第3圖,其繪示根據本發明一實施例之資料模型示意圖。其中輸入層代表數值化所有輸入資料形成一個一維的神經元向量,輸出層代表輸出學習目標數值資料的一個一維的神經元向量,所述神經元即深度學習類神經網路之節點,包含權重值(Weight)及閾值(Threshold)。隱藏層係指夾在輸入層及輸出層中間的任何層,包含如第3圖所示之卷積層、池化層、完全連接層以及其他公知的深度學習模型隱藏層。所述資料模型即是包含有完整的輸入層、輸出層以及其間的隱藏層。
參照第4圖,其繪示根據本發明一實施例之融層緩衝模組之融層操作示意圖。來自個人或企業之資料模型,根據使用者輸入的需求參數以串聯/並聯/反聯(反聯:反串聯或反並聯)的方式融層操作,以輸出利害關係人認可的鑑價結果。
參照第5圖及第6圖,第5圖係繪示根據本發明一實施例之串聯融層操作。第6圖係繪示根據本發明一實施例之並聯融層操作。串聯融層操作及並聯融層操作包括前項融層操作和後項融層操作,前項融層操作係為一種跨越兩個模型(最後一層隱藏層與輸出層)的神經元連接操作,是屬於模型和模型之間的二元操作,其中前項融層操作係指後項模型切斷排除其輸出層,介接其最後一層隱藏層至前項模型之輸出層;反之,後項融層操作係指前項模型切斷排除其輸出層,介接其最後一層隱藏層至後項模型之輸出層。
參照第5圖,串聯融層操作係將前項模型的輸出層作為後項模型的輸入層,其累加了模型各層神經元向量之訓練經驗,表示得到了更為精準的鑑價結果。
參照第6圖,並聯融層操作係指前項模型的最後一層隱藏層,即最終隱藏層,介接至後項模型的輸出層,同樣地,後項模型的最後一層隱藏層介接至前項模型的輸出層,且前項模型及後項模型的輸出層皆輸出至房地產鑑價輸出介面。並聯融層操作增加了所輸出的神經元向量個數,得到了更為細分鑑價結果;並且基於本身不夠詳盡的鑑價目標屬性項目,同時聯合了其他的鑑價目標屬性項目,以求得完整的鑑價報告。
對於反串聯融層操作,則是以前項模型的學習經驗直接串接後項模型的目標屬性,即,僅考慮後項模型的目標屬性。利用前項模型本身擁有的學習經驗,額外類推對應後項模型的目標屬性的鑑價項目。
對於反並聯融層操作,則是僅以前項融層操作(如前述)加上前項模型的學習經驗,不考慮並聯後項模型的目標屬性,但反並聯後仍沿用前項模型的目標屬性當作鑑價目標;除前項模型本身的鑑價經驗外,再加強鑑價經驗。
接下來請參照第7圖,其繪示根據本發明一實施例之串聯融層操作案例。模型串流控制模組103載入客戶所擁有已訓練好的資料模型CMi以及企業所擁有已訓練好的資料模型BMi,資料模型CMi及BMi的訓練方式可以根據不同的深度學習演算法。接著,將客戶及企業所提供程式及資料放置一般Linux運算區或現場可程式閘陣列(FPGA)高速運算區,產出資料模型後分別轉為通用序列化格式 [0.852,...]以及[0.642,...]。串聯時(如圖所示,串聯代碼1,([0.852,...],[0.642,...],1)),係以客戶的資料模型 ([0.852,...])的輸出作為企業的資料模型 ([0.642,...])的輸入,假設客戶的資料模型僅包含例如台南南區30坪以上建物的資料,而其鑑價經驗缺乏台南南區30坪以下建物的鑑價經驗,因此尋求企業的資料模型來補足客戶的鑑價經驗。接下來,進行串聯融層操作(代碼1)訓練產生新的鑑價資料模型([0.883,...]),最後,再由處理器102依據鑑價過濾條件例如[台南市, 南區, 公寓,30坪]得到台南市南區公寓建物每坪單價8.9 萬的鑑價評估結果。
接下來,請同樣參考第7圖,以第7圖所示實施例說明反串聯融層操作:首先,經由模型串流控制模組103載入客戶所擁有已訓練好的資料模型CMi以及企業所擁有已訓練好的資料模型BMi,資料模型CMi及BMi的訓練方式可以根據不同的深度學習演算法。接著,將客戶及企業所提供程式及資料放置一般Linux運算區或現場可程式閘陣列(FPGA)高速運算區,產出資料模型後分別轉為通用序列化格式 [0.852,...]以及[0.642,...]。當執行反串聯融層操作時,拷貝一份資料模型 [0.852,...] (但不含其輸出層),再串聯企業資料模型BMi的目標屬性,例如:建物類型(例如:農地)、地區(例如:台南市)以及地坪價格(例如:總價2,800 萬),藉由客戶資料模型CMi本身已擁有的豐富鑑價經驗,直接針對企業資料模型BMi的鑑價目標來類推企業資料模型BMi的鑑價項目。進行反串聯融層操作訓練產生的新的鑑價模型[0.518,...],再由處理器102依據鑑價過濾條件例如[台南市, 東區, 農舍,120坪],得到[台南市東區,農地建物,總價2,300 萬],反串聯融層操作適合於以具有豐富鑑價經驗的資料類型類推出不同的鑑價項目。
接下來請參照第8圖,其繪示根據本發明一實施例之並聯融層操作案例。模型串流控制模組103載入不同企業所擁有已訓練好的資料模型BMi及BMj,兩者的訓練方式可以根據不同的深度學習演算法。接著,將資料模型BMi及資料模型BMj分別放置一般Linux運算區或現場可程式閘陣列(FPGA)高速運算區,經處理後分別轉為通用序列化格式 [0.980,...]及[0.774,...]。當並聯鑑價請求時(如圖所示,並聯代碼2,([0.980,...],[ 0.774,...],2)),同時保留了資料模型[0.980,...]及[0.774,...]的輸出。例如:資料模型[0.980,...]的輸出為建物類型(例如:透天)以及地坪價格(例如:每坪單價19萬),資料模型[0.774,...]的輸出為建物類型(例如:公寓)、地坪數(例如:35坪)以及地坪價格(例如:每坪單價17.5萬),進行並聯融層操作訓練產出新的鑑價模型[0.790,...],再由處理器102依據鑑價過濾條件例如[台北市,士林區, 透天,90坪],得到[台北市士林區,透天建物,每坪單價20萬,90坪,及預估總價1,800萬]等較為詳盡的鑑價評估報告。
接下來,請同樣參考第8圖,以第8圖所示實施例說明反並聯融層操作:首先, 經由模型串流控制模組103載入已訓練好的資料模型BMi及BMj,其訓練方式可以根據不同的深度學習演算法。接著,將資料模型BMi及BMj分別指定一般Linux運算區或現場可程式閘陣列(FPGA)高速運算區,經處理後轉為通用序列化格式 [0.980,...]及[0.774,...]。假設資料模型[0.980,...]的輸出為建物地坪數(例如:90坪)以及地坪價格(例如:總價1,800萬),當執行反並聯融層操作時,不保留資料模型[0.774,...]的輸出層,並由處理器102依據鑑價過濾條件如[台北市, 士林區, 透天,90坪],得到90坪及預估總價1,600萬等更精準的鑑價評估報告。反並聯融層操作適用於例如前項模型具有較豐富的鑑價經驗時,沿用前項模型的鑑價目標,另外再以後項模型的鑑價經驗加強前項模型的鑑價經驗。
本發明的概念是建構透過例如雲端中的運算晶片模組來訓練的多個資料模型,在經過精密及長時間的運算後,即可得到一個接近正確且可以描述該資料的資料模型,在精準度方面,由於資料模型可能是相當珍貴的私有資料,可能從未被公開過,也有可能像是銀行鑑價員的個人評估資料,因此使用深度學習方法學習出來的效果也特別好。在晶片管理的安全性上,由於大量的計算可能都是在個別的私有雲端上執行,最終的運算結果經過了長時間的運算,並以資料模型的結構提供給遷移學習應用使用,真正的原始個人或企業的寶貴資料還是保存在當初建立模型的客戶端或企業端,並不會移動原始資料而造成個人資料的安全疑慮。
根據本發明之房地產鑑價系統及方法,如果兩個資料模型以並聯的方式進行融層操作,表示擴大了分類的種類,也就是輸出更為細分,若更多模型參與並聯融層操作,則預測的鑑價結果會更加精細;另一方面,如果以串聯融層操作的方式來進行,前項模型的價格輸出重新經過後項模型的輸入再確認,越多模型參與融層,則預測結果會越正確。另外,本發明提供另外一個反向的融層操作 ,鑑價過程如果經過反聯,表示有兩種情形,一種是並聯的反聯,表示分類的種類減少,也就是可以簡化輸出種類,另一種是串聯的反聯,表示排除前項模型的目標屬性,只將前項模型以新增融層方式加上後項模型的目標屬性,讓整合後的新鑑價模型的目標屬性更為簡化,只留遷移學習後想知道的目標屬性,因此預測出來的結果範圍會比較大。
本發明主要的技術在於遷移學習的創新應用,可以把複數個個人或複數個企業所擁有的資料資產整合起來,透過運算晶片模組長時間的學習成果互相轉移。設計概念是使用一平行計算架構之「模型串流控制模組」來控制模型收發,根據利害關係人設定之「交易介面參數模組」來控制遷移學習的請求方向以及整合類型,整合類型包含串聯、並聯、反聯以及它們的組合,提供了類似邏輯閘運算規則的複雜運算系統,使得房地產鑑價模型可以根據邏輯設計,以彈性的演算方式,最終整合各類房地產建物標的鑑價輸出結果。
本發明提供之房地產鑑價系統及方法相較於現有技術至少具備下列優點與特色:(1) 可以建立例如私有雲運算晶片模組,保護計算端珍貴且真實的資料;(2) 在鑑價模型上加入由實價登錄資料產生的參考線,規範模型偏離程度。(3) 以路段平均價格取代房屋交易紀錄,大幅降低訓練資料所需費用;(4) 讓買方能便宜且快速的方式取得不同來源的鑑價參考資料;(5) 反轉買方在交易過程中的頹勢,讓買方、賣方、銀行方三方擁有資訊對等公平交易的環境。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
100:房地產鑑價系統
101:交易介面參數模組
1~3:複數個運算晶片模組
102:處理器
103:模型串流控制模組
201:深度學習演算法模組
A~D:資料模型
CMi、BMi:資料模型
I
1~I
3、C
1~C
3、P
1~P
3、X
1~X
3:神經元
第1圖係繪示根據本發明一實施例之房地產鑑價系統方塊圖。
第2圖係繪示根據本發明一實施例之房地產鑑價方法示意圖。
第3圖係繪示根據本發明一實施例之資料模型示意圖。
第4圖係繪示根據本發明一實施例之融層緩衝模組之融層操作示意圖。
第5圖係繪示根據本發明一實施例之串聯融層操作。
第6圖係繪示根據本發明一實施例之並聯融層操作。
第7圖係繪示根據本發明一實施例之串聯融層操作案例。
第8圖係繪示根據本發明一實施例之並聯融層操作案例。
100:房地產鑑價系統
101:交易介面參數模組
1~3:複數個運算晶片模組
102:處理器
103:模型串流控制模組
A~D:資料模型
Claims (10)
- 一種房地產鑑價系統,其包含: 一交易介面參數模組,設置以接收一使用者輸入之一需求參數; 複數個運算晶片模組,設置以根據一深度學習演算法訓練複數個資料模型,該複數個資料模型中的每一個包含一輸入層、至少一隱藏層以及一輸出層,且該至少一隱藏層係介於該輸入層以及該輸出層之間; 一模型串流控制模組,連接該複數個運算晶片模組,以對該複數個資料模型執行一融層操作,該融層操作係指該複數個資料模型中的不同資料模型之該輸入層、該至少一隱藏層以及該輸出層之間的介接操作; 一處理器,連接該交易介面參數模組以及該模型串流控制模組,以根據該使用者輸入之該需求參數控制該模型串流控制模組,該模型串流控制模組根據該需求參數選擇該複數個資料模型中的至少兩個,並將該至少兩個資料模型轉為一通用序列化格式,以對該至少兩個資料模型執行該融層操作,進而產生一房地產鑑價結果;以及 一房地產鑑價輸出介面,連接該處理器,以顯示該房地產鑑價結果。
- 如申請專利範圍第1項所述之房地產鑑價系統,其中該融層操作包含一串聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該串聯融層操作,該至少兩個資料模型中的一個之該輸出層係該至少兩個資料模型中的另一個之該輸入層。
- 如申請專利範圍第1項所述之房地產鑑價系統,其中該融層操作包含一並聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該並聯融層操作,該至少兩個資料模型中的一個之一最終隱藏層介接至該至少兩個資料模型中的另一個之該輸出層,該另一個資料模型之一最終隱藏層介接至該一個資料模型之該輸出層,並且該一個資料模型之該輸出層以及該另一個資料模型之該輸出層皆輸出至該房地產鑑價輸出介面。
- 如申請專利範圍第1項所述之房地產鑑價系統,其中該融層操作包含一反串聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該反串聯融層操作,係將該至少兩個資料模型中的一個之該輸出層之一輸出目標屬性套用至該至少兩個資料模型中的另一個之該輸出層,並且將該另一個資料模型之該輸出層輸出至該房地產鑑價輸出介面。
- 如申請專利範圍第1項所述之房地產鑑價系統,其中該融層操作包含一反並聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該反並聯融層操作,該至少兩個資料模型中的一個之一最終隱藏層介接至該至少兩個資料模型中的另一個之該輸出層,該另一個資料模型之一最終隱藏層介接至該一個資料模型之該輸出層,並且該房地產鑑價輸出介面僅輸出該一個資料模型之該輸出層。
- 一種房地產鑑價方法,其包含: 根據一深度學習演算法訓練複數個資料模型,並將該複數個資料模型分別儲存於複數個運算晶片模組,其中該複數個資料模型中的每一個包含一輸入層、至少一隱藏層以及一輸出層,且該至少一隱藏層係介於該輸入層以及該輸出層之間; 連接該複數個運算晶片模組至一模型串流控制模組,該模型串流控制模組係設置以對該複數個資料模型執行一融層操作,該融層操作係指該複數個資料模型中的不同資料模型之該輸入層、該至少一隱藏層以及該輸出層之間的介接操作; 以一交易介面參數模組接收一使用者輸入之一需求參數; 以連接該交易介面參數模組以及該模型串流控制模組之一處理器根據該使用者輸入之該需求參數控制該模型串流控制模組,該模型串流控制模組根據該需求參數選擇該複數個資料模型中的至少兩個,並將該至少兩個資料模型轉為一通用序列化格式,以對該至少兩個資料模型執行該融層操作,進而產生一房地產鑑價結果;以及 透過連接該處理器之一房地產鑑價輸出介面顯示該房地產鑑價結果。
- 如申請專利範圍第6項所述之房地產鑑價方法,其中該融層操作包含一串聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該串聯融層操作,該至少兩個資料模型中的一個之該輸出層係該至少兩個資料模型中的另一個之該輸入層。
- 如申請專利範圍第6項所述之房地產鑑價方法,其中該融層操作包含一並聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該並聯融層操作,該至少兩個資料模型中的一個之一最終隱藏層介接至該至少兩個資料模型中的另一個之該輸出層,該另一個資料模型之一最終隱藏層介接至該一個資料模型之該輸出層,並且該一個資料模型之該輸出層以及該另一個資料模型之該輸出層皆輸出至該房地產鑑價輸出介面。
- 如申請專利範圍第6項所述之房地產鑑價方法,其中該融層操作包含一反串聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該反串聯融層操作,係將該至少兩個資料模型中的一個之該輸出層之一輸出目標屬性套用至該至少兩個資料模型中的另一個之該輸出層,並且將該另一個資料模型之該輸出層輸出至該房地產鑑價輸出介面。
- 如申請專利範圍第6項所述之房地產鑑價方法,其中該融層操作包含一反並聯融層操作,當該模型串流控制模組對該至少兩個資料模型執行該反並聯融層操作,該至少兩個資料模型中的一個之一最終隱藏層介接至該至少兩個資料模型中的另一個之該輸出層,該另一個資料模型之一最終隱藏層介接至該一個資料模型之該輸出層,並且該房地產鑑價輸出介面僅輸出該一個資料模型之該輸出層。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108128933A TWI716069B (zh) | 2019-08-14 | 2019-08-14 | 房地產鑑價系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108128933A TWI716069B (zh) | 2019-08-14 | 2019-08-14 | 房地產鑑價系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI716069B true TWI716069B (zh) | 2021-01-11 |
TW202107397A TW202107397A (zh) | 2021-02-16 |
Family
ID=75237459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108128933A TWI716069B (zh) | 2019-08-14 | 2019-08-14 | 房地產鑑價系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI716069B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170371897A1 (en) * | 2016-06-27 | 2017-12-28 | Omniearth, Inc. | Systems and Methods for Utilizing Property Features from Images |
CN108304568A (zh) * | 2018-02-12 | 2018-07-20 | 郑长敬 | 一种房地产公众预期大数据处理方法及系统 |
US20180253780A1 (en) * | 2017-05-05 | 2018-09-06 | James Wang | Smart matching for real estate transactions |
TWM579794U (zh) * | 2019-02-26 | 2019-06-21 | 第一商業銀行股份有限公司 | Building evaluation system |
-
2019
- 2019-08-14 TW TW108128933A patent/TWI716069B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170371897A1 (en) * | 2016-06-27 | 2017-12-28 | Omniearth, Inc. | Systems and Methods for Utilizing Property Features from Images |
US20180253780A1 (en) * | 2017-05-05 | 2018-09-06 | James Wang | Smart matching for real estate transactions |
CN108304568A (zh) * | 2018-02-12 | 2018-07-20 | 郑长敬 | 一种房地产公众预期大数据处理方法及系统 |
TWM579794U (zh) * | 2019-02-26 | 2019-06-21 | 第一商業銀行股份有限公司 | Building evaluation system |
Non-Patent Citations (5)
Title |
---|
April, 2010. * |
花敬群 * |
花敬群。電腦大量估價模型於實務應用之探討。金融聯合徵信雙月刊,中華民國99年4月號第12期,第27~36頁。April, 2010. |
金融聯合徵信雙月刊,中華民國99年4月號第12期,第27~36頁 * |
電腦大量估價模型於實務應用之探討 * |
Also Published As
Publication number | Publication date |
---|---|
TW202107397A (zh) | 2021-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ngoc et al. | Factors affecting the selling price of luxury apartments in Vietnam. A quantitative analysis | |
Leslie et al. | Resale and rent-seeking: An application to ticket markets | |
Krainer | A theory of liquidity in residential real estate markets | |
van Dijk et al. | Internet search behavior, liquidity and prices in the housing market | |
TWI242724B (en) | Methods and systems for optimizing return and present value | |
Chang et al. | A hybrid financial performance evaluation model for wealth management banks following the global financial crisis | |
US20110258101A1 (en) | Methods and systems for loss mitigation, acquisition and disposal of real-estate assets | |
Learmonth et al. | Multi-sectoral cluster modelling: the evaluation of Scottish enterprise cluster policy | |
Zancanella et al. | Energy efficiency, the value of buildings and the payment default risk | |
US20140258064A1 (en) | Rights establishing system and method | |
Podvezko et al. | Assessing the performance of the construction sectors in the Baltic states and Poland | |
Herbener et al. | TOWARD A SUBJECTIVE APPROACH TO INVESTMENT APPRAISAL IN LIGHT OF AUSTRIAN VALUE THEORY. | |
Huang et al. | A hybrid mechanism for heterogeneous e-procurement involving a combinatorial auction and bargaining | |
Li et al. | Asymmetric information of product authenticity on C2C e-commerce platforms: how can inspection services help? | |
TWI716069B (zh) | 房地產鑑價系統及方法 | |
Aznar Bellver et al. | New Spanish banking conglomerates. Application of the analytic hierarchy process (AHP) to their market value | |
Crosby et al. | Revisionary Freeholds: Problems with Over‐renting | |
Aliyev | Problems of Regulation and Prospective Development of E-commerce Systems in the Post-coronavirus Era | |
Asres | Real property valuation in expropriation in Ethiopia: Bases, approaches and procedures | |
Sarip | Integrating artificial neural networks and GIS for single-property valuation | |
KR101619566B1 (ko) | 기술가치 평가 방법 | |
Korkmaz et al. | Blockchain Based P2P Energy Trading Platform | |
JP2002083032A (ja) | 不動産ネットマーケットシステム | |
Aldous et al. | The Liverpool Cotton Brokers Association and the crowning of King Cotton, 1811-1900: Examining the role of a private order institution in global trade | |
Snijders et al. | Online programming markets |