TWI773414B

TWI773414B - 利用機器學習的不動產估價系統及方法

Info

Publication number: TWI773414B
Application number: TW110124214A
Authority: TW
Inventors: 施智文; 劉芬美
Original assignee: 致理學校財團法人致理科技大學
Priority date: 2021-07-01
Filing date: 2021-07-01
Publication date: 2022-08-01
Also published as: TW202303508A

Abstract

本發明公開一種利用機器學習的不動產估價系統及方法。方法包含以下步驟：收集各地區的不動產的大量資料以建立大數據資料庫；利用人工智慧的機器學習技術以學習大數據資料庫的資料中的不動產的成交價隨多個特徵值變化的規則，以訓練出各特徵值的權重值；在不動產估價平台上提供多個特徵值選項；將使用者所選擇的各特徵值選項對應的各特徵值與其權重值相乘以計算出估計值；以及將所有多個估計值相加總，以計算出不動產估價。

Description

利用機器學習的不動產估價系統及方法

本發明涉及不動產，特別是涉及一種利用機器學習的不動產估價系統及方法。

現今網際網路發達，售屋者欲販售房屋物件時，房屋物件的行情資料，除了藉由房仲業者的房屋租售網站提供，售屋者亦可以由網路取得相關的資料。然而，每一個房屋物件基本上都獨立的，且房屋物件之區域行情不確定因素甚多，因此，售屋者實難由各個房屋物件中觀察到預售房屋物件地區的基本實際行情，以及目前和未來市場競爭狀況。

目前的房屋物件買賣而言不乏搜尋系統，售屋者常碰到的困擾是在於，市面上無一有效的搜尋系統可提供售屋者快速識別欲搜尋相似房屋物件，以及相似房屋物件之實價登錄資料。因此，售屋者需要個別詳細瀏覽房屋物件之資料，進而從習知房屋物件買賣之搜尋系統中的個別物件的網頁資料中得知目前預售屋物件實際價格的相關比對資料，從而造成花費過多時間，且完全不符合成本效益。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種利用機器學習的不動產估價系統，包含資料庫模組、訓練模組、參考模型建立模組、不動產估價平台、查詢模組以及運算模組。資料庫模組配置以收集各地區的不動產的大量相關資料，包含不動產的地址資料、交易記錄資料、房況資料、不動產附近的建築物、景觀、地形、氣候和各種設施資料以及不動產附近的未來開發計劃，以建立大數據資料庫，並即時動態更新大數據資料庫儲存不動產交易成功的資料。訓練模組連接資料庫模組。訓練模組配置以利用人工智慧的機器學習技術以學習大數據資料庫中的不動產的成交價隨多個特徵值變化的規則，以分析出各特徵值與不動產的成交價的相關度，以訓練出各特徵值的權重值，記錄在資料庫模組的參考資料庫中，並即時依據大數據資料庫的更新資料，重新訓練各特徵值的權重值。在不動產估價平台上提供分別對應多個特徵值的多個特徵值選項。查詢模組連接資料庫模組以及不動產估價平台。查詢模組配置以依據使用者對多個特徵值選項中的數者所施予的選擇要求以從參考資料庫中查找對應的多個特徵值分別的多個權重值。運算模組連接查詢模組。運算模組配置以將查找到的各權重值與其特徵值相乘以計算出估計值，將所有多個估計值相加總，以計算出不動產估價。

在一實施例中，所述的利用機器學習的不動產估價系統更包含參考模型建立模組。參考模型建立模組連接訓練模組。參考模型建立模組配置以預先判斷不動產估價平台上的多個特徵值的各種組合，計算出各種組合的不動產估價，將每一組合的多個特徵值、多個權重值與不動產估價建立成參考模型，記錄在參考資料庫中。查詢模組依據對在不動產估價平台上提供的多個特徵值選項的一部分施予的選擇要求以從參考資料庫查找到相符合的參考模型。

在一實施例中，運算模組連接訓練模組，配置以計算同棟不動產的不動產估價與實際成交價的差值大於估計誤差值時，指示訓練模組將成功交易的相關資料作為訓練資料，據以重新訓練出多個特徵值分別的多個權重值。

在一實施例中，運算模組將各筆不動產的不動產估價與實際成交價的差值除以實際成交價，以計算出誤差率，將多筆的多個誤差率取絕對值，將多個誤差率的絕對值加總以計算出誤差率總值，將誤差率總值除以筆數以計算出誤差率平均值。

在一實施例中，當運算模組判斷計算出的各筆不動產的不動產估價與實際成交價的差值大於誤差率平均值且誤差平均值大於誤差門檻值時，指示訓練模組將成功交易的相關資料作為訓練資料，據以重新訓練出多個特徵值分別的多個權重值。

另外，本發明提供一種利用機器學習的不動產估價方法，包含以下步驟：收集各地區的不動產的大量資料，包含地址資料、交易記錄資料、房況資料、不動產附近的建築物、景觀、地形、氣候和各種設施資料，以建立大數據資料庫；利用人工智慧的機器學習技術以學習大數據資料庫的資料中的不動產的成交價隨多個特徵值變化的規則，以分析出各特徵值與不動產的成交價的相關度，以訓練出各特徵值的權重值；記錄各特徵值的權重值在參考資料庫中；即時動態更新大數據資料庫的資料；即時依據大數據資料庫的更新資料，重新訓練各特徵值的權重值；在不動產估價平台上，提供分別對應多個特徵值的多個特徵值選項；依據對部分多個特徵值選項施予的選擇要求以從參考資料庫中查找所選擇的多個特徵值選項對應的多個特徵值分別的多個權重值；將查找到的各該權重值與其該特徵值相乘以計算出估計值；以及將所有多個估計值相加總，以計算出不動產估價。

在一實施例中，所述利用機器學習的不動產估價方法更包含以下步驟：預先判斷不動產估價平台上的多個特徵值的各種組合；計算出各種組合的不動產估價；將每一組合的多個特徵值、多個權重值與不動產估價建立成一參考模型；記錄參考模型在參考資料庫中；以及依據對在不動產估價平台上提供的多個特徵值選項的一部分施予的選擇要求以從參考資料庫查找到相符合的參考模型。

在一實施例中，所述利用機器學習的不動產估價方法更包含以下步驟：計算同棟不動產的不動產估價與實際成交價之間的差值；以及判斷差值是否大於估計誤差值，若是，將成功交易的相關資料作為訓練資料，據以重新訓練出多個特徵值分別的多個權重值，若否，不更新參考模型。

在一實施例中，所述利用機器學習的不動產估價方法更包含以下步驟：計算同棟不動產的不動產估價與實際成交價之間的差值；以及將差值除以實際成交價以計算出誤差率；將多筆的多個誤差率取絕對值；將多個誤差率的絕對值加總以計算出誤差率總值；以及將誤差率總值除以筆數以計算出誤差率平均值。

在一實施例中，所述利用機器學習的不動產估價方法更包含以下步驟：判斷差值是否大於誤差率平均值且誤差平均值是否大於誤差門檻值，若是，將成功交易的相關資料作為訓練資料，據以重新訓練出多個特徵值分別的多個權重值，若否，不更新多個權重值。

如上所述，本發明提供一種利用機器學習的不動產估價系統及方法，其利用人工智慧的機器學習技術以學習大數據資料中的不動產的成交價隨多個特徵值變化的規則，以訓練出不動產的各特徵值的權重值，依據使用者的查詢計算出不動產估價，並在不動產成功交易後收集相關資料，作為用於重新訓練權重值的訓練資料。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包含相關聯的列出項目中的任一個或者多個的組合。

請參閱圖1和圖6，其中圖1為本發明實施例的利用機器學習的不動產估價方法的訓練出權重值的步驟流程圖；圖6為本發明實施例的利用機器學習的不動產估價系統的資料庫模組、訓練模組以及參考模型建立模組的方塊圖。

本發明實施例的利用機器學習的不動產估價方法可包含如圖1所示的步驟S101~S109，可由如圖6所示的不動產估價系統執行。如圖6所示，不動產估價系統可包含資料庫模組10以及訓練模組20。訓練模組20可連接資料庫模組10。

在步驟S101，利用資料庫模組10可從外部各種來源收集各地區的不動產的大量資料(即歷史交易資料)，例如但不限於多個不動產的地址資料、交易記錄資料、房況資料、不動產附近的建築物、景觀、地形、氣候和各種設施資料以及不動產附近的未來開發計劃(例如但不限於未來都市計畫、未來某不動產旁邊要蓋公廟、一年後要蓋醫院或其他公眾在意/考量的建築物)等，以建立大數據資料庫。

在步驟S103，由訓練模組20利用人工智慧的機器學習技術以學習大數據資料庫的資料中的不動產的成交價隨多個特徵值變化的規則，以在步驟S105，分析出各特徵值與不動產的成交價的相關度。

舉例而言，本文所述的多個特徵值可包含縣市、行政區、社區、路、門牌號、建物類型、屋齡、總樓層數、所在樓層、坪數、房間數、衛浴間數、平面車位數、機械車位數、管理員、租屋類型等資料，在此僅舉例說明，本發明不以此為限。

在步驟S107，由訓練模組20利用人工智慧的機器依據前述分析出的各特徵值與不動產的成交價的相關度，以訓練出各特徵值的權重值。各特徵值與不動產的成交價的相關度越大，此特徵值的權重值越大，用於計算不動產估價所占的比重越高。反之，各特徵值與不動產的成交價的相關度越小，此特徵值的權重值越小，用於計算不動產估價所占的比重越低。如此，可精確地計算出不動產估價。

舉例而言，距離權重值以下列方程式計算出：1 - (距離/10) * 0.9，屋齡權重值以下列方程式計算出：1 - (標度屋齡 - 物件屋齡) * 0.08，樓層權重值以下列方程式計算出：(1 - abs(標的樓層－物件樓層)) * 0.2，其他權重(房間數、衛浴等) 以下列方程式計算出：：(1 - abs(標的數值－物件數值)) * 0.05，其中abs意指取絕對值，以上僅舉例說明，本發明不以此為限。

在步驟S109，利用資料庫模組10記錄多個特徵值以及訓練出的每個特徵值的權重值在參考資料庫中。

請參閱圖2、圖6和圖7，其中圖2為本發明實施例的利用機器學習的不動產估價方法的計算不動產估價的步驟流程圖；圖6為本發明實施例的利用機器學習的不動產估價系統的資料庫模組、訓練模組以及參考模型建立模組的方塊圖；圖7為本發明實施例的利用機器學習的不動產估價系統的不動產估價平台、資料庫模組、查詢模組、運算模組以及訓練模組的方塊圖。

本發明實施例的利用機器學習的不動產估價方法可包含如圖2所示的步驟S201~S217，可由如圖6所示的不動產估價系統執行在步驟S109後，以預先計算出在不動產估價平台50上提供多個特徵值選項的各種組合的不動產估價，如此可提供使用者快速查詢。

如圖7所示，不動產估價系統可包含資料庫模組10、訓練模組20、參考模型建立模組30、運算模組40、不動產估價平台50以及查詢模組60。查詢模組60可連接資料庫模組10、不動產估價平台50以及運算模組40。運算模組40可連接訓練模組20。訓練模組20可連接資料庫模組10以及參考模型建立模組30。

在步驟S201，提供不動產估價平台50。

在步驟S203，在不動產估價平台50上提供多個特徵值選項。不動產估價平台50上的多個特徵值選項可分別對應資料庫模組10收集的資料中的所有或部分的多個特徵值。

同一類別的多個特徵值選項可為同一下拉式清單的選項。其他類別的特徵值選項可以為可勾選的選項，或是可供使用者填入/輸入資訊的填空格。應理解，不動產估價平台50上的特徵值選項的內容和數量可依據實際需求隨時調整。

舉例而言，多個特徵值選項可包含以下全部或任意數個：縣市特徵值選項、行政區特徵值選項、社區特徵值選項、路段特徵值選項、門牌號特徵值選項、建物類型特徵值選項、屋齡特徵值選項、總樓層數特徵值選項、所在樓層特徵值選項、坪數特徵值選項、房間數特徵值選項、衛浴間數特徵值選項、平面車位數特徵值選項、機械車位數特徵值選項、管理員特徵值選項、租屋類型特徵值選項等，在此僅舉例說明，本發明不以此為限。

舉例而言，上述縣市特徵值選項可包含某一國家例如台灣的各縣市的多個子縣市選項，例如基隆市選項、台北市選項、台中市選項、彰化市選項、台南市選項等，這些子縣市選項可為縣市特徵值選項的下拉式清單中的選項。上述建物類型特徵值選項可包含多個子建物類型選項，例如公寓選項、華廈選項、住宅大樓選項以及透天厝選項等，這些子建物類型選項可為建物類型特徵值選項的下拉式清單中的選項，在此僅舉例說明，本發明不以此為限。

在步驟S205，利用參考模型建立模組30預先判斷不動產估價平台上的多個特徵值的各種組合。詳言之，利用參考模型建立模組30可判斷每一類別的每個特徵值(選項)與其他類別的每個特徵值(選項)的組合。原則上，同一類別的多個特徵值(選項)不會是同一組合，例如不動產的地址位置在特定的一個縣市，因此基隆市(選項)和台北市(選項)不會是同一組合。

在步驟S207，利用運算模組40將查找到的各權重值與其特徵值相乘以計算出估計值，以在步驟S209計算出估計值。應理解，同一組合具有多個特徵值，因此每一組合會計算出多個估計值。

在步驟S211，利用運算模組40將同一組合的所有估計值相加總，以在步驟S213計算出每一組合的不動產估價。

在步驟S215，利用參考模型建立模組30將每一組合的多個特徵值、多個權重值與不動產估價，建立成參考模型。在不動產估價平台50上，通常會有多種組合，因此會有多個組合分別的多個參考模型。

在步驟S217，利用資料庫模組10記錄所有參考模型在參考資料庫中。

應理解，本文所述的步驟可適當的省略，例如省略S205~S217，不預先技計算各種組合的不動產估價，而是在步驟S109儲存計算出的權重值之後，等待使用者查詢過程中選擇特徵值選擇項時，才依據使用者的選擇查找對應的權重值並計算出不動產估價(即直接執行以下步驟S301~S307)。

請參閱圖3、圖6和圖7，其中圖3為本發明實施例的利用機器學習的不動產估價方法的在不動產估價平台查詢不動產估價的步驟流程圖；圖6為本發明實施例的利用機器學習的不動產估價系統的方塊圖；圖7為本發明實施例的利用機器學習的不動產估價系統的方塊圖。

本發明實施例的利用機器學習的不動產估價方法可包含如圖3所示的步驟S301~S307，可由如圖6和圖7所示的不動產估價系統執行在步驟S109或S217後。

在步驟S301，由使用者操作電子裝置(例如手機或電腦等)開啟瀏覽器以瀏覽不動產估價平台50的網站。

在步驟S303，由使用者操作電子裝置，以勾選、點選或填入等方式選擇部分的特徵值選項，以對特徵值選項施予選擇要求。

在步驟S305，利用查詢模組60從參考模型中查找使用者所選擇的多個特徵值選項對應的多個特徵值分別的多個權重值。

在步驟S313，若有執行步驟S205~S217，可利用查詢模組60直接從資料庫模組10的參考資料庫查找具有使用者所選擇的所有特徵值選項分別對應的多個特徵值的參考模型，在步驟S307從此參考模型查找到與使用者查詢相符的不動產估價，提供給使用者(的電子裝置)。

然而，若沒有預先執行步驟S205~S217，則利用查詢模組60從資料庫模組10的參考資料庫查找使用者所選擇的特徵值選項對應的多個特徵值分別的多個權重值，再由運算模組40執行步驟S207~S213，以將使用者所選擇的各特徵值與對應的權重值相乘以計算出估計值，並將所有估計值相加總，以在步驟S307計算出與使用者查詢相符的不動產估價。

請參閱圖4和圖7，其中圖4為本發明實施例的利用機器學習的不動產估價方法的計算不動產的不動產估價與實際成交價的差值的步驟流程圖；圖7為本發明實施例的利用機器學習的不動產估價系統的方塊圖。

本發明實施例的利用機器學習的不動產估價方法可包含如圖3所示的步驟S401~S413，可由如圖7所示的不動產估價系統執行在步驟S307後。

在步驟S401，利用資料庫模組10收集買方和賣方成功交易不動產的相關資料，儲存至大數據資料庫，成為歷史交易資料。

在步驟S403，利用運算模組40計算同棟不動產的不動產估價與實際成交價的差值。

在步驟S405，利用運算模組40判斷同棟不動產的不動產估價與實際成交價的差值是否大於估計誤差值。若否，執行步驟S407。若是，依序執行步驟S409~S411。

在步驟S407，不更新權重值。

在步驟S409，利用訓練模組20將此筆實際交易資料作為新的訓練資料，可儲存在資料庫模組10的大數據資料庫中。

在步驟S411，利用訓練模組20基於新的訓練資料，以重新訓練出特徵值分別的新權重值並更新參考模型。新權重值的訓練方式可為基於此新的訓練資料執行前述步驟S101~S107。

在步驟S413，利用資料庫模組10記錄各特徵值的新權重值在資料庫模組10的參考資料庫中。若有需要，可執行前述步驟S205~S217更新參考模型。

請參閱圖5和圖7，其中圖5為本發明實施例的利用機器學習的不動產估價方法的計算不動產估價與實際成交價的誤差率平均值的步驟流程圖；圖7為本發明實施例的利用機器學習的不動產估價系統的方塊圖。

本發明實施例的利用機器學習的不動產估價方法可包含如圖5所示的步驟S501~S507，可由如圖7所示的不動產估價系統在步驟S403後。

在步驟S501，利用運算模組40將各筆不動產估價與實際成交價之間的差值除以實際成交價，以計算出誤差率。

在步驟S503，利用運算模組40將多筆的多個誤差率取絕對值。

在步驟S505，利用運算模組40將多個誤差率的絕對值加總以計算出誤差率總值。

在步驟S507，利用運算模組40將誤差率總值除以筆數以計算出誤差率平均值。

上述步驟S501~S507的計算以方程式表示為：

，其中，n代表計算取樣的筆數，

代表真實平均單價，

代表預測平均單價。

當運算模組40判斷計算出的各筆不動產的不動產估價與實際成交價的差值大於誤差率平均值且誤差平均值大於誤差門檻值時，指示訓練模組20可將成功交易的相關資料作為訓練資料，利用訓練模組20可依據這些訓練資料執行前述步驟S101~S109以重新訓練新的權重值，並在後續依據新的權重值以更精確地計算出不動產估價。

綜上所述，本發明提供一種利用機器學習的不動產估價系統及其方法，其利用人工智慧的機器學習技術以學習大數據資料中的不動產的成交價隨多個特徵值變化的規則，以訓練出不動產的各特徵值的權重值，依據使用者的查詢計算出不動產估價，並在不動產成功交易後收集相關資料，作為用於重新訓練權重值的訓練資料。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

S101~S109、S201~S217、S301~S307、S401~S413、S501~S507:步驟 10:資料庫模組 20:訓練模組 30:參考模型建立模組 40:運算模組 50:不動產估價平台 60:查詢模組

圖1為本發明實施例的利用機器學習的不動產估價方法的訓練出權重值的步驟流程圖。

圖2為本發明實施例的利用機器學習的不動產估價方法的計算不動產估價的步驟流程圖。

圖3為本發明實施例的利用機器學習的不動產估價方法的在不動產估價平台查詢不動產估價的步驟流程圖。

圖4為本發明實施例的利用機器學習的不動產估價方法的計算不動產的不動產估價與實際成交價的差值的步驟流程圖。

圖5為本發明實施例的利用機器學習的不動產估價方法的計算不動產估價與實際成交價的誤差率平均值的步驟流程圖。

圖6為本發明實施例的利用機器學習的不動產估價系統的資料庫模組、訓練模組以及參考模型建立模組的方塊圖。

圖7為本發明實施例的利用機器學習的不動產估價系統的不動產估價平台、資料庫模組、查詢模組、運算模組以及訓練模組的方塊圖。

S101~S109:步驟

Claims

一種利用機器學習的不動產估價系統，包含：一資料庫模組，配置以收集各地區的不動產的大量相關資料，包含不動產的地址資料、交易記錄資料、房況資料、不動產附近的建築物、景觀、地形、氣候和各種設施資料以及不動產附近的未來開發計劃，以建立一大數據資料庫，並即時動態更新該大數據資料庫儲存不動產交易成功的資料；一訓練模組，連接該資料庫模組，配置以利用人工智慧的機器學習技術以學習該大數據資料庫中的不動產的成交價隨多個特徵值變化的規則，以分析出各該特徵值與不動產的成交價的相關度，以訓練出各該特徵值的一權重值，記錄在該資料庫模組的一參考資料庫中，並即時依據該大數據資料庫的更新資料，重新訓練各該特徵值的該權重值；一不動產估價平台，在該不動產估價平台上提供分別對應該多個特徵值的該多個特徵值選項；一查詢模組，連接該資料庫模組以及該不動產估價平台，配置以依據使用者對該多個特徵值選項中的數者所施予的一選擇要求以從該參考資料庫中查找對應的該多個特徵值分別的該多個權重值：以及一運算模組，連接該查詢模組，配置以將查找到的各該權重值與其該特徵值相乘以計算出一估計值，將所有多個該估計值相加總，以計算出一不動產估價。
如請求項1所述的利用機器學習的不動產估價系統，更包含一參考模型建立模組，連接該訓練模組，配置以預先判斷該不動產估價平台上的該多個特徵值的各種組合，計算出各種組合的該不動產估價，將每一組合的該多個特徵值、該多個權重值與該不動產估價建立成一參考模型，記錄在該參考資料庫中，該查詢模組依據對在該不動產估價平台上提供的該多個特徵值選項的一部分施予的該選擇要求以從該參考資料庫查找到相符合的該參考模型。
如請求項1所述的利用機器學習的不動產估價系統，其中該運算模組連接該訓練模組，配置以計算同棟不動產的該不動產估價與實際成交價的差值大於一估計誤差值時，指示該訓練模組將成功交易的相關資料作為訓練資料，據以重新訓練出該多個特徵值分別的該多個權重值。
如請求項1所述的利用機器學習的不動產估價系統，其中該運算模組將各筆不動產的該不動產估價與實際成交價的差值除以實際成交價以計算出一誤差率，將多筆的多個該誤差率取絕對值，將該多個誤差率的絕對值加總以計算出一誤差率總值，將該誤差率總值除以筆數以計算出一誤差率平均值。
如請求項4所述的利用機器學習的不動產估價系統，其中當該運算模組判斷計算出的各筆不動產的該不動產估價與實際成交價的差值大於誤差率平均值且該誤差平均值大於一誤差門檻值時，指示該訓練模組將成功交易的相關資料作為訓練資料，據以重新訓練出該多個特徵值分別的該多個權重值。
一種利用機器學習的不動產估價方法，包含以下步驟：收集各地區的不動產的大量相關資料，包含地址資料、交易記錄資料、房況資料、不動產附近的建築物、景觀、地形、氣候和各種設施資料，以建立一大數據資料庫；利用人工智慧的機器學習技術以學習該大數據資料庫的資料中的不動產的成交價隨多個特徵值變化的規則，以分析出各該特徵值與不動產的成交價的相關度，以訓練出各該特徵值的一權重值；記錄各該特徵值的該權重值在一參考資料庫中；即時動態更新該大數據資料庫的資料；即時依據該大數據資料庫的更新資料，重新訓練各該特徵值的該權重值；在該不動產估價平台上，提供分別對應該多個特徵值的多個特徵值選項；依據使用者對部分該多個特徵值選項施予的一選擇要求以從該參考資料庫中查找所選擇的該多個特徵值選項對應的該多個特徵值分別的該多個權重值；將查找到的各該權重值與其該特徵值相乘以計算出一估計值；以及將所有多個該估計值相加總，以計算出一不動產估價。
如請求項6所述的利用機器學習的不動產估價方法，更包含以下步驟：預先判斷該不動產估價平台上的該多個特徵值的各種組合；計算出各種組合的該不動產估價；將每一組合的該多個特徵值、該多個權重值與該不動產估價建立成一參考模型；記錄該參考模型在該參考資料庫中；以及依據對在該不動產估價平台上提供的該多個特徵值選項的一部分施予的該選擇要求以從該參考資料庫查找到相符合的該參考模型。
如請求項6所述的利用機器學習的不動產估價方法，更包含以下步驟：計算同棟不動產的該不動產估價與實際成交價之間的一差值；以及判斷該差值是否該大於一估計誤差值，若是，將成功交易的相關資料作為訓練資料，據以重新訓練出該多個特徵值分別的該多個權重值，若否，不更新該參考模型。
如請求項6所述的利用機器學習的不動產估價方法，更包含以下步驟：計算同棟不動產的該不動產估價與實際成交價之間的一差值；將該差值除以實際成交價，以計算出一誤差率；將多筆的多個該誤差率取絕對值；將該多個誤差率的絕對值加總以計算出一誤差率總值；以及將該誤差率總值除以筆數以計算出一誤差率平均值。
如請求項9所述的利用機器學習的不動產估價方法，更包含以下步驟：判斷該差值是否大於該誤差率平均值且該誤差平均值是否大於一誤差門檻值，若是，將成功交易的相關資料作為訓練資料，據以重新訓練出該多個特徵值分別的該多個權重值，若否，不更新該多個權重值。