TWI813888B - 土地智能估價系統 - Google Patents
土地智能估價系統 Download PDFInfo
- Publication number
- TWI813888B TWI813888B TW109123452A TW109123452A TWI813888B TW I813888 B TWI813888 B TW I813888B TW 109123452 A TW109123452 A TW 109123452A TW 109123452 A TW109123452 A TW 109123452A TW I813888 B TWI813888 B TW I813888B
- Authority
- TW
- Taiwan
- Prior art keywords
- land
- module
- price
- characteristic factors
- characteristic
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 238000013316 zoning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241001673102 Jaya Species 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Paper (AREA)
- Selective Calling Equipment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明所揭之土地智能估價系統,其技術特徵係在於以該蒐集模組、該資料鏈結模組及該分群模組,使本發明能夠跨平台地整合多數個外部作業平台、或系統所提供的土地公開資料,不需以人力的方式於各別的作業平台、或系統一一查詢,藉以整合現有資源,能有效減少人力需求。此外,本系統還能將所蒐集來的土地公開資料進行土地特徵因子權重估算,進而演算出預測地價。特別的是,在演算的過程中,本系統更輔以時間變數進行回歸訓練,達到提升預測地價準確率之目的。
Description
本發明係與網路資訊處理技術相關,尤指一種土地智能估價系統。
隨著人口成長、以及社會經濟發展,會帶動都市、鄉鎮、或相關區域的土地開發,以因應人民居住、或商業活動之需求。土地開發其中之一的態樣為:在建設公司購買土地後,會推出相關的建案給于民眾選購。其中,建案的房價以及建商的利潤往往取決於購地成本,故購地成本顯然是建案銷售成功與否重要的因素之一。
是以,多數的土地購買方在購地前,通常會聘請專業的土地評估人士對所欲購買的土地進行價格估算。其中,為了提升評估結果的準確性,通常需蒐集大量的土地公開資料,譬如土地地段地號、座標、權屬狀況、歷年地價與現值...等,但是,該些土地公開資料的來源管道不一,例如:法務部行政執行署、內政部地政司、都市發展局及政府主計處等不同的局處單位,因此,在作業的過程中,使用者往往需分別至不同的作業平台、或系統中逐一地查詢相關資料並進行彙總,使得處理速度相當緩慢,且容易因人為疏忽,造成資料遺漏、或是勘誤,從而降低資料的正確性。
再者,以人工的方式來評算土地價格,除了會因土地評估人士本身的實務經驗多寡及相關資料的完整性,影響評估結果的準確性之外,且其評
估時間最少需耗費2週~6個月甚至更長時間,過於冗長,並無法因應動態變化的外在環境,例如:景氣、政治、商業活動、都市計畫等,即時作出對應的因應措施,使得最終的評估結果與實際市場價格有所落差,因此有改善之必要。
因此,本發明之主要目的係在提供一種土地智能估價系統,其係能夠將所蒐集的土地公開資料進行整合運算,並以回歸訓練預測出地價,達成提升土地交易決策速度與精準度之功效。
緣是,為達成上述之目的,本發明所提供之土地智能估價系統,包括:一蒐集模組,係採集多筆來自於至少一外部資料庫的土地公開資料,各該土地公開資料分別包含有複數個土地特徵因子;一資料鏈結模組,係將同一筆土地但不同來源之土地特徵資料,使用地段地號及/或土地座標串聯成一關係鏈;一分群模組,係將該關係鏈中的該些土地公開資料依照行政區及土地分區來區分出至少一群集;一第一運算模組,係以一演算法依據各該土地特徵因子影響地價之程度,計算出該群集中所包含的各該土地特徵因子的權重值;一第二運算模組,係基於該些權重值,並整合屬於不同時間點之該些土地特徵因子,以計算出一預測地價。
其中,各該土地特徵因子依據類別屬性分為一第一類內容,包括建築執照、使用執照、土地使用分區、地段地號、登記面積、公告地價、公告現值、實價登錄、權屬概況、人口狀態、經濟發展速度及社會安定狀況,一第二類內容,包括公共交通、學校、公園、醫院及商業,以及一第三類內容,包
括土地區位、鄰接道路、地形、地勢、高度、遮蔽率、容積率、基地最小寬度/深度、畸零地、路角或路衝之增值或減值、鄰地之影響及對土地使用/交易習慣。。
其中,該蒐集模組係利用一網路爬蟲技術或一關鍵字篩選技術來獲得該些土地公開資料。
其中,該資料鏈結模組係以地段、地號或土地座標來進行資料整合串聯。
其中,該第一運算模組係將該群集所包含的該些土地特徵因子按二分類區分為訓練群組及驗證群組,並反覆進行聚類訓練及交叉驗證,同時還搭配引數調優程序與流型計算程序,藉以預估出該些權重值。
其中,該第二運算模組係基於時間變數來預測出同一筆土地特徵因子之一土地價格回歸曲線,據以估算出該預估地價。
在一實施例中,本發明之土地智能估價系統更包括一資料庫,係儲存該些土地公開資料、該些土地特徵因子、該些權重值或該預測地價。
在一實施例中,本發明之土地智能估價系統更包括一輸入模組,分別與該第一運算模組、該資料庫及該第二運算模組連結,能調整該些土地特徵因子的權重值。
在一實施例中,本發明之土地智能估價系統更包括一顯示模組,分別與該輸入模組及該資料庫連接,以顯示該資料庫所儲存之內容。
如前所述,本發明之土地智能估價系統係能蒐集各類土地相關之公開資訊,同時透過資料鏈結、分群等程序,以確保所欲分析的資料之準確性,並減少人為比對、分析所耗費的時間,同時還能呈現土地履歷資訊。再者,該系統可預先對土地特徵因子進行權重估算,並能加入時間變數以再次訓練調整
權重值,達到提升預測地價準確率之目的。
10:土地智能估價系統
11:蒐集模組
12:資料鏈結模組
13:分群模組
14:第一運算模組
15:資料庫
17:第二運算模組
18:輸入模組
19:顯示模組
A:外部資料庫
B:終端設備
圖1係本發明之較佳實施例的示意圖。
圖2係本發明之較佳實施例的系統方塊圖。
圖3係本發明之較佳實施例的流程圖。
首先,須針對本說明書內所提及之名詞加以說明如下:本發明所稱「演算」、「演算法」係指一種能將所輸入之數據進行比對與計算之程式,而該程式係指採用各種適用之統計分析暨人工智慧演算法與裝置,如迴歸分析法、層級分析法、集群分析法、類神經網路演算法、基因演算法、機器學習演算法、深度學習演算法等各式統計分析暨人工智慧演算方法。
請參閱圖1至圖2,於本發明之較佳實施例所揭土地智能估價系統10,乃係包括一蒐集模組11、一資料鏈結模組12、一分群模組13、一第一運算模組14、一資料庫15、一第二運算模組17及一輸入模組18。
該蒐集模組11係採集多筆來自於至少一外部資料庫A的土地公開資料,其中,該外部資料庫A係指土地相關單位所公開的作業平台、或系統中的儲存資料單元,而該單位可為但不限於法務部行政執行署、內政部地政司、都市發展局、政府主計處及土地主流媒體。其中,該蒐集模組11係以4G、5G、WIFI、藍芽、NFC或RFID等無線通訊模式,亦或是有線傳輸的方式與該些外部資料庫A
連線。再者,該蒐集模組11係用以進行與iOS、Android、Windows等不同運算裝置之作業系統間之資料交換與服務提供,是等交換之技術則可為採用可延伸標記式語言(Extensible Markup Language,XML)於Adobe® AIR®(Adobe Integrated Runtime)、Adobe® PhoneGap等執行環境下,以HTML/HTML5、CSS、JavaScript、PHP、ASP、JSP、C、C++、Jaya、Object C、Perl、Tcl、Erlang、PHP、Ruby、Lisp、Python、Delphi、Kylix、或REALbasic等語言所組構之跨平台服務架構建構者,惟是等跨平台資料交換之技術內容乃屬習知技術之範躊,於此即不為冗陳。換句話說,在本例中,該蒐集模組11係可為但不限於利用一網路爬蟲技術或一關鍵字篩選技術來獲得該些土地公開資料。舉例來說,該蒐集模組11係定期或不定期地對該都市發展局以「中正區」的關鍵字進行搜尋,得到包含該關鍵字的歷年及/或最新之土地公開資料。
各該土地公開資料分別包含有複數個土地特徵因子,而該些土地特徵因子依據類別屬性分為一第一類內容,包括建築執照、使用執照、土地使用分區、地段地號、登記面積、公告地價、公告現值、實價登錄、權屬概況、人口狀態、經濟發展速度及社會安定狀況,一第二類內容,包括公共交通、學校、公園、醫院及商業,以及一第三類內容,包括土地區位、鄰接道路、地形、地勢、高度、遮蔽率、容積率、基地最小寬度/深度、畸零地、路角或路衝之增值或減值、鄰地之影響及對土地使用/交易習慣。其中,不同平台或系統所預設的該土地特徵因子類別屬性可能會不盡相同,而本例之分類方式只是為方便說明主要影響地價的三大類因素,但不並以此為限。
該資料鏈結模組12係依據不同筆土地公開資料間的土地特徵因子之關連性,而將多個相關聯的土地公開資料串聯成一關係鏈。在本實施例中,
由於後續欲演算處理的資料數量可能非常龐大,且各個土地公開資料所包含的資訊不一定具有關連性,故該資料鏈結模組12係以地段、地號或土地座標來進行資料整合串聯,以確保所串聯的該些土地公開資料之間具有較高的相關程度,達到提高後續演算處理準確性的功效。舉例而言,以地段『華興段三小段』作為資料串聯標的時,組成該關係鏈之該些土地公開資料應包含『華興段三小段』資料。
該分群模組13係將該關係鏈中的該些土地公開資料依照行政區及土地分區來區分出至少一群集。其中,以『台北市大安區』與『住宅區』之分類標的為例,此時該分群模組13係進一步對彼此間有相關連之土地公開資料依據前述分類標的進行逐項比對,找出符合之土地公開資料。如此一來,使該系統可有效地縮小進行欲演算的資料處理數量,增進運算的速度與效率。
據此,藉由該蒐集模組11、該資料鏈結模組12及該分群模組13,使本發明能跨夠平台地整合多數個外部作業平台、或系統所提供的土地公開資料,而不需以人力的方式於各別的作業平台、或系統一一查詢,藉以整合現有資源,同時有效減少人力需求,進而有效降低時間以及成本的耗費。
該第一運算模組14係以一演算法依據各該土地特徵因子影響地價之程度,計算出該群集中所包含的各該土地特徵因子的權重值。在本實施例中,該第一運算模組14係採用Scikit-Learn演算法建立一第一訓練模型,並以影響地價程度作為演算的指標,並將該群集所包含的該些土地特徵因子按二分類區分為訓練群組及驗證群組,反覆進行聚類訓練(Clustring)及交叉驗證(Cross Validation),同時還搭配引數調優(Parameter Tuning)、流型計算(Manifold Learning)等程序,藉以提高該些權重值的準確度。舉例來說,以『台北市大安區』與『住
宅區』所分類出的該群集,其所包含的各該土地特徵因子總共有1000筆,其中,該訓練群組具有900筆土地特徵因子,該驗證群組則具有100筆土地特徵因子。在每次的聚類訓練過程後,該第一運算模組14均對聚類訓練的結果進行交叉驗證,以得出該筆土地特徵因子之準確度。此外,該第一運算模組14還可依據不同次的交叉驗證程序所得出同一筆土地特徵因子之準確度,進而計算出平均準確度。據此,當某一土地特徵因子之平均準確度低於一預定數值時,該第一運算模組14會藉此去除掉效度較低的土地特徵因子。接著,該第一運算模組14可在於下一次聚類訓練前還可進行參數調優,來調整該第一訓練模型的參數以獲得最大的效果。同時,更以流型計算來統計、描繪多維度的數據。因此,藉由上述演算方式,能夠預估出較佳地該些土地特徵因子的權重值。
該第二運算模組17係基於該些權重值,並整合屬於不同時間點的該些土地特徵因子,以計算出一預測地價。其中,該第二運算模組17係可為但不限以簡單序時平均數法、加權序時平均數法、迴圈神經網路(RecurrentNeuralNetwork,RNN)、時序網路演算法(Long Short Term Memory Networks,LSTM)、移動平均法(Moving Average,MA)、差分整合移動平均自迴歸(Autoregressive Integrated Moving Average model,ARIMA)、加權移動平均法、趨勢預測法、指數平滑法(Exponential Smoothing,ES)、增強傳輸選擇(enhanced transmission selection,ETS)、季節性趨勢預測法或市場壽命周期預測法來進行演算。在本實施例中,該第二運算模組17係利用LSTM演算法來建構一第二訓練模型,針對同一筆土地特徵因子於在不同的時間變數下的變化,以得到一土地價格回歸曲線,據以對地價進行預測。舉例來說,該第二運算模組17係提取同一筆土地於2013年至2019年的公告地價、公告現值、實價登錄或預估地價,以訓練
出對於地價的變化規律,意即該土地價格回歸曲線。最後,該第二運算模組17基於該土地價格回歸曲線,據以估算出下一年度2020年的預估地價。
該資料庫15係儲存該些土地公開資料、該些土地特徵因子、該些權重值或該預測地價等土地履歷資料。其中,該資料庫15具體的儲存媒體可以為:相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體碟、唯讀記憶體(Read-Only Memory,ROM)、隨機存取記憶體(Random Access Memory,RAM)、磁碟或光碟等。
此外,該輸入模組18係分別與該第一運算模組14、該資料庫15及該第二運算模組17連結,其中,該輸入模組18為使用者端的終端設備B,而本領域普通技術人員可以理解,終端設備B可以是智慧型手機(如Android手機、iOS手機等)、平板電腦、PAD、掌聲電腦以及行動網際網路設備(Mobile Internet Devices,MID)等,而該終端設備B係以有線傳輸、或是4G、5G、WIFI、藍芽、NFC或RFID等無線通訊方式來連接。在實務上,該系統允許使用者依其需求自由地對已演算出的該些土地特徵因子的權重值及/或該預估地價進行調整,藉此以人工的方式對該預測地價進行補償、調整,以確保其精確度。舉例而言,該若使用者主觀認為該系統所計算出土地特徵因子為『登記面積』之權重值過低,則可利用該輸入模組18來調高該權重值之比重,以此類推,亦可對應調整其他土地特徵因子的權重值,相當方便。
此外,使用者可為本發明所屬領域中具有實務經驗之專家,例如:地政士、不動產經紀人或估價師,並能夠對於土地及其附著物、定著物的相關權利、權益的價格或者價值進行評測、判定、咨詢等土地估價活動。
該終端設備B更具有一顯示模組19,分別與該輸入模組18及該資料庫15連接,於本實施例該顯示模組19係為一顯示螢幕,其可顯示該資料庫15所儲存之該土地履歷資料,以便使用者查閱、觀看。以下將更進一步詳細說明,以更清楚呈現本發明所揭之土地智能估價系統10具體的實施步驟,並請一併搭配圖3所示:
S1:該蒐集模組11自該外部資料庫A採集該些土地公開資料。
S2:該資料鏈結模組12串聯相同之地段、地號或土地座標的該些土地公開資料,並形成該關係鏈,並能據以呈現土地履歷。
S3:該分群模組13係將該關係鏈中的該些土地公開資料依照行政區及土地分區來區分出該群集。
S4:該第一運算模組14依據各該土地特徵因子影響地價之程度,計算出該群集中所包含的各該土地特徵因子的權重值,並一再地進行演算訓練,以確保其準確度。
S5:加入時間變數,意即該第二運算模組17讀取儲存於該資料庫15中之各類歷史數據、資料,並以回歸訓練演算出該預估地價。
在其他的實施態樣中,本發明的實施方式可不包含步驟S5,而在步驟S4中,係直接將該第一運算模組14所訓練出來之該些權重值帶入一土地估價邏輯公式中,從而得到該預估地價。其中,該土地估價邏輯公式可為但不限以市場比較法、收益還原法或成本逼近法所架構而成,而該收益還原法之計算公式為:土地價格=土地純收益÷土地還原利率,該成本逼近法之計算公式為:地產價格=地產取得費+地產開發費+稅費+利息+利潤+地產所有權收益。
在其他的實施例中,該第二運算模組17還可調整該第一運算模組14所訓練出來相對應的權重值,並將其帶入該土地估價邏輯公式中,以得到該預估地價。在另一實施態樣中,本發明還包含有步驟S6:該土地智能估價系統10係允許使用者透過該輸入模組18調整該權重值,進一步修正該預測地價。
藉由上述說明可知,本發明能夠快速地收集公開之土地資訊,還可提供使用者觀看經整合的土地履歷,並且該系統能依據過去歷史資訊來預測未來之土地價格,使得評估土地價格不再是以主觀直覺主觀方式來判斷,並造成預測結果有偏頗之問題,而是以統計科學客觀方法求取較佳、且準確的預測結果。
以上所述僅是本發明的較佳實施方式,應當指出,對於本技術領域的普通技術人員來說,在不脫離本申請原理的前提下,還可以做出若干改進和潤飾,這些改進和潤飾也應視為本發明的保護範圍。
10:土地智能估價系統
11:蒐集模組
12:資料鏈結模組
13:分群模組
14:第一運算模組
15:資料庫
17:第二運算模組
18:輸入模組
19:顯示模組
Claims (3)
- 一種土地智能估價系統,包括:一蒐集模組,係以一標的地段的關鍵字來篩選並採集多筆來自於至少一外部資料庫的土地公開資料,各該土地公開資料分別包含有複數個土地特徵因子;一資料鏈結模組,係將同一筆土地但不同來源之土地特徵資料,使用地段地號及/或土地座標串聯成一關係鏈;一分群模組,係將該關係鏈中的該些土地公開資料依照行政區及土地分區來區分出至少一群集;一第一運算模組,係以一演算法依據各該土地特徵因子影響地價之程度,計算出該群集中所包含的各該土地特徵因子的權重值;一第二運算模組,係基於該些權重值,並整合屬於不同時間點之該些土地特徵因子,以計算出一預測地價,其中,該第二運算模組係利用LSTM演算法來建構一訓練模型,以演算出同一筆土地特徵因子於不同的時間變數下的變化;一資料庫,係儲存包含有該些土地公開資料、該些土地特徵因子、該些權重值或該預測地價之一土地履歷資料;一顯示模組,分別與該資料庫連接,以顯示該土地履歷資料;一輸入模組,分別與該第一運算模組、該資料庫及該第二運算模組連結,能調整該些土地特徵因子的權重值,進一步修正該預測地價;其中,該第一運算模組係將該群集所包含的該些土地特徵因子按二分類區分為訓練群組及驗證群組,並反覆進行聚類訓練及交叉驗證,同時還搭配引數調優程序與流型計算程序,藉以預估出該些權重值; 在每次的聚類訓練過程後,該第一運算模組均對聚類訓練的結果進行交叉驗證,以得出該筆土地特徵因子之準確度。
- 如請求項1所述之土地智能估價系統,其中,該第二運算模組係基於時間變數來預測出同一筆土地特徵因子之一土地價格回歸曲線,據以估算出該預估地價。
- 如請求項1所述之土地智能估價系統,其中,該些土地特徵因子依據類別屬性分為一第一類內容,包括建築執照、使用執照、土地使用分區、地段地號、登記面積、公告地價、公告現值、實價登錄、權屬概況、人口狀態、經濟發展速度及社會安定狀況,一第二類內容,包括公共交通、學校、公園、醫院及商業,以及一第三類內容,包括土地區位、鄰接道路、地形、地勢、高度、遮蔽率、容積率、基地最小寬度/深度、畸零地、路角或路衝之增值或減值、鄰地之影響及對土地使用/交易習慣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109123452A TWI813888B (zh) | 2020-07-10 | 2020-07-10 | 土地智能估價系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109123452A TWI813888B (zh) | 2020-07-10 | 2020-07-10 | 土地智能估價系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202203143A TW202203143A (zh) | 2022-01-16 |
TWI813888B true TWI813888B (zh) | 2023-09-01 |
Family
ID=80787659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109123452A TWI813888B (zh) | 2020-07-10 | 2020-07-10 | 土地智能估價系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI813888B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663230A (zh) * | 2012-03-08 | 2012-09-12 | 武汉大学 | 一种基于遗传算法的土地资源评价因子级别划分方法 |
CN103578057A (zh) * | 2012-08-10 | 2014-02-12 | 北京奥齐都市网络科技有限公司 | 基于人工神经网络统计学模型的房地产价值估算方法 |
WO2015130928A1 (en) * | 2014-02-26 | 2015-09-03 | Nancy Packes, Inc. | Real estate evaluating platform methods, apparatuses, and media |
CN108876487A (zh) * | 2018-08-29 | 2018-11-23 | 盈盈(杭州)网络技术有限公司 | 一种基于大数据及智能决策机制的工业地块估计方法 |
-
2020
- 2020-07-10 TW TW109123452A patent/TWI813888B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663230A (zh) * | 2012-03-08 | 2012-09-12 | 武汉大学 | 一种基于遗传算法的土地资源评价因子级别划分方法 |
CN103578057A (zh) * | 2012-08-10 | 2014-02-12 | 北京奥齐都市网络科技有限公司 | 基于人工神经网络统计学模型的房地产价值估算方法 |
WO2015130928A1 (en) * | 2014-02-26 | 2015-09-03 | Nancy Packes, Inc. | Real estate evaluating platform methods, apparatuses, and media |
CN108876487A (zh) * | 2018-08-29 | 2018-11-23 | 盈盈(杭州)网络技术有限公司 | 一种基于大数据及智能决策机制的工业地块估计方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202203143A (zh) | 2022-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbasabadi et al. | An integrated data-driven framework for urban energy use modeling (UEUM) | |
Tekouabou | Intelligent management of bike sharing in smart cities using machine learning and Internet of Things | |
Bills et al. | Looking beyond the mean for equity analysis: Examining distributional impacts of transportation improvements | |
Wey et al. | Using ANP priorities with goal programming in resource allocation in transportation | |
Zhang et al. | The delineation of urban growth boundaries in complex ecological environment areas by using cellular automata and a dual-environmental evaluation | |
Zhou et al. | Selection and modeling sustainable urbanization indicators: A responsibility-based method | |
Cheng et al. | Customer lifetime value prediction by a Markov chain based data mining model: Application to an auto repair and maintenance company in Taiwan | |
US20230207135A1 (en) | Methods and systems for detecting environment features in images to predict location-based health metrics | |
Šetinc et al. | Optimization of a highway project planning using a modified genetic algorithm | |
Wyatt | The development of a property information system for valuation using a geographical information system (GIS) | |
CN106779074A (zh) | 一种商场品牌组合预测方法及预测服务器 | |
Calkins et al. | Taxonomy for surveying the use and value of geographical information! | |
Tan et al. | Evaluating the effectiveness of development-limiting boundary control policy: Spatial difference-in-difference analysis | |
Ge et al. | Intelligent site selection for bricks-and-mortar stores | |
Cheng et al. | Utilization-aware trip advisor in bike-sharing systems based on user behavior analysis | |
Molinero-Parejo et al. | Combining a land parcel cellular automata (LP-CA) model with participatory approaches in the simulation of disruptive future scenarios of urban land use change | |
Sainz-Santamaria et al. | How far can investment in efficient irrigation technologies reduce aquifer overdraft? Insights from an expert elicitation in Aguascalientes, Mexico | |
Dewangan et al. | Tourism recommendation using machine learning approach | |
Williams | Explaining employment changes in foreign manufacturing investment in the UK | |
JP2004355616A (ja) | 情報提供システム並びに情報処理システム | |
Ayeni | The design of spatial decision support systems in urban and regional planning | |
Wu et al. | A BP neural network-based GIS-data-Driven Automated Valuation framework for Benchmark Land Price | |
Lagarias | Exploring land use policy scenarios with the use of a cellular automata-based model: urban sprawl containment and sustainable development in Thessaloniki | |
Olazabal et al. | Fuzzy cognitive mapping: applications to urban environmental decision-making | |
Reckien et al. | Land consumption by urban sprawl—A new approach to deduce urban development scenarios from actors’ preferences |