CN109325811A - 房屋价值预测方法、装置、计算机设备和存储介质 - Google Patents
房屋价值预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109325811A CN109325811A CN201811291737.8A CN201811291737A CN109325811A CN 109325811 A CN109325811 A CN 109325811A CN 201811291737 A CN201811291737 A CN 201811291737A CN 109325811 A CN109325811 A CN 109325811A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- house
- prediction
- data
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智慧城市技术领域，应用于房地产行业，特别涉及一种房屋价值预测方法、装置、计算机设备和存储介质，其中，方法包括获取影响房屋价值的指标以及房屋价值指数，对提取的指标和房屋价值指数进行量化和标准化处理，根据预设短名单生成规则形成指标的短名单数据集，根据短名单数据集，构建房价前瞻预测模型进行房屋价值预测。整个过程中，对数据进行量化和标准化处理，减少异常数据的影响，并且及基于房地产行业专家经验以及历史记录中已有房地产模型生成的短名单生成规则合理生成短名单数据集进行模型的训练，可以准确得到房价前瞻预测模型，从而实现对房屋价值的准确预测。
Description
技术领域
本申请涉及前瞻预测技术领域，特别是涉及一种房屋价值预测方法、装置、计算机设备和存储介质。
背景技术
在实际生活中，房价已经成为人们日常生活的关注重点，房价的变动牵动着各行各业以及普通百姓的心，不论是从事房地产开发、房地产金融以及建筑等行业的专业人员还是普通百姓都希望能够对未来房价走势有一个比较准确的前瞻预测。
传统的房价预测多数是专业的估价师基于近段时间来某个地区基础房价、房源供需关系、政策以及自身经验给出房价预测。这种方式，一般会严重依赖于估价师的主观判断以及经验，针对同一区域的房价，不同的估价师最终得出房价预测可能不同。
可见传统的房价预测方法均在极大局限性，其房价预测结果不够准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确预测房价的房屋价值预测方法、装置、计算机设备和存储介质。
一种房屋价值预测方法，所述方法包括：
获取待预测区域房屋价值历史数据，从所述房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
根据预设短名单生成规则以及所述量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
根据短名单数据集，构建房价前瞻预测模型。
在其中一个实施例中，所述根据短名单数据集，构建房价前瞻预测模型包括：
选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
所述选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型之后还包括：
选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
在其中一个实施例中，所述选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型包括：
对所述短名单数据集中的所有指标进行分组配置，根据分组情况，从短名单数据集中获取每个分组对应的入模指标的训练数据；
通过每个分组对应的入模指标的训练数据，对多个预设机器学习方法进行训练，构建不同的房价前瞻模型；
所述选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型包括：
根据所述分组情况，从短名单数据集中获取每个分组对应的入模指标的测试数据；
通过每个分组对应的入模指标的测试数据，对各机器学习方法对应的房价前瞻模型的准确性进行测试；
计算各房价前瞻模型对应的测试结果的平均误差，选取平均误差最小的算法对应的房价前瞻预测模型作为最优房价前瞻模型。
在其中一个实施例中，所述获取待预测区域房屋价值历史数据包括：
获取待预测区域对应的房价前瞻预测因子体系；
根据所述待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
在其中一个实施例中，所述房价前瞻预测因子体系包括主因子、附属于所述主因子的从因子、附属于所述从因子的次因子以及表征所述次因子的指标，所述主因子包括宏观经济指标主因子、中观经济指标主因子、城市规划主因子、舆论影响主因子以及政策法规主因子，所述宏观经济指标主因子包括世界经济指标、国民经济指标、货币银行、房地产及建筑业以及金融市场的从因子；中观经济指标主因子包括城市经济、城市生活、房地产及建筑业以及二手房市场的从因子；城市规划主因子包括待预测区域城市规划的从因子；舆论影响主因子自包括主流媒体、互联网门户和论坛、自媒体以及搜索引擎热度的从因子；政策法规主因子包括国家政策和待预测区域的城市政策的从因子。
在其中一个实施例中，所述对提取的指标和房屋价值指数进行量化处理之前，还包括：
识别提取的指标和房屋价值指数中主观因素；
针对所述主观因素分别建立独立的模型，在所述独立模型中将主观因素对应情况划分为多种类型；
针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；
所述对提取的指标和房屋价值指数进行量化处理包括：
根据所述赋值规则，对提取的指标和房屋价值指数进行量化处理。
一种房屋价值预测装置，所述装置包括：
数据获取模块，用于获取待预测区域房屋价值历史数据，从所述房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
处理模块，用于对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
数据集生成模块，用于根据预设短名单生成规则以及所述量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
模型构建模块，用于根据短名单数据集，构建房价前瞻预测模型。
在其中一个实施例中，所述模型构建模块还用于选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
所述房屋价值预测装置还包括：
优化模块，用于选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述房屋价值预测方法、装置、计算机设备和存储介质，获取影响房屋价值的指标以及房屋价值指数，对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理，根据预设短名单生成规则形成指标的短名单数据集，根据短名单数据集，构建房价前瞻预测模型进行房屋价值预测。整个过程中，对数据进行量化和标准化处理，减少异常数据的影响，并且及基于房地产行业专家经验以及历史记录中已有房地产模型生成的短名单生成规则合理生成短名单数据集进行模型的训练，可以准确得到房价前瞻预测模型，从而实现对房屋价值的准确预测。
附图说明
图1为一个实施例中房屋价值预测方法的流程示意图；
图2为另一个实施例中房屋价值预测方法的流程示意图；
图3为一个实施例中房屋价值预测装置的结构框图；
图4为另一个实施例中房屋价值预测装置的结构框图；
图5为应用上述房屋价值预测方法的实验结果对比图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，一种房屋价值预测方法，方法包括：
S200：获取待预测区域房屋价值历史数据，从房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数。
待预测区域是指本次房屋价值预测的目标区域，该区域可以是某一个行政区域，例如北京、上海、广州等。该区域还可以是一个较小范围，例如某个小区等。待预测区域房屋价值历史数据可以是在日常记录中终端采集发送至服务器累积下来的数据，可以是服务器通过互联网等手段获取外部已有对应的数据。在房屋价值历史数据中提取影响房屋价值的指标和房屋价值指数，影响房屋价值的指标包括有：各类宏观经济指标，例如GDP、CPI、PMI、人均可支配收入等；中观经济指标，例如各城市(区)城市化率、地铁里程、人均住房面积以及商品房待售面积等；政策法规例如房地产限售限购政策、首套房利率政策、城市中长期发展规划等。房屋价值指数具体可以是房价，其可以包括挂盘和交易价格。非必要的，为了确保后续房屋价值预测的准确性，可以获取近段时间内的待预测区域房屋价值历史数据，例如获取最近1年、获取最近6个月等时间内的待预测区域房屋价值历史数据，针对获取的数据还可以基于时间合理排布对应的指标，例如以月为依据。如以“居住人口”这一指标为例，该指标的历史值为[h1、h2、…、hi、…]，其中，hi表示在预设时间内的第i个月的居住人口数。
S400：对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理。
进行量化处理的目的是将提取的指标和房屋价值指数中主观因素参数量化为方便处理的数据。进行标准化处理的目的是将去除提取的指标和房屋价值指数中异常值、趋势以及季节影响。对提取的指标和房屋价值指数进行量化处理和标准化进一步除去数据中主观因素、异常值、趋势以及季节性参数，为后续客观预测房屋价值提供可靠的数据基础。
S600：根据预设短名单生成规则以及量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集。
预设短名单生成规则可以基于历史数据，具体来说，其可以基于房地产行业专家经验以及历史记录中已有房地产模型生成。房地产行业专家经验是指在历史经验中房地产行业相关的一些经验数据和信息，例如土地供应量对房价走向的影响程度、银行放贷利率对房价走向的影响程度、城市经济增长速度对房价走向的影响程度等。已有房地产模型是指目前成熟的房地产模型，例如常规的基于神经网络的房地产模型、基于大数据分析的房地产模型。预设短名单生成规则是基于已有成熟的经验和已有房地产模型，将两者进行结合和讨论生成的。这样在预设短名单生成规则中记录有针对每个指标在历史使用中对应的重要程度。简单来说，这里可以根据预设的短名单生成规则，筛选出预设数量的指标生成短名单，并生成短名单数据集，该短名单数据集可以作为后续模型的训练数据。
S800：根据短名单数据集，构建房价前瞻预测模型。
具体来说，可以构建基于预设机器学习方法的房价前瞻预测模型，预设机器学习方法可以包括线性回归、Lasso、岭回归(Ridge Regression)、随机森林、K近邻算法(kNeighbour Regression)、决策树、支持向量机回归(SVR)、梯度增强回归(GradientBoostingRegressor)模型以及XGBoost算法，以步骤S600得到的短名单数据集作为训练数据，通过上述任意一种机器学习方法，均可构建出对应的房价前瞻预测模型。
上述房屋价值预测方法，获取影响房屋价值的指标以及房屋价值指数，对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理，根据预设短名单生成规则形成指标的短名单数据集，根据短名单数据集，构建房价前瞻预测模型进行房屋价值预测。整个过程中，对数据进行量化和标准化处理，减少异常数据的影响，并且及基于房地产行业专家经验以及历史记录中已有房地产模型生成的短名单生成规则合理生成短名单数据集进行模型的训练，可以准确得到房价前瞻预测模型，从而实现对房屋价值的准确预测。
如图2所示，在其中一个实施例中，步骤S800包括：选取短名单数据集中第一部分数据为训练数据，根据训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
步骤S800之后还包括：
S900：选取短名单数据集中第二部分数据为测试数据，对不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
机器学***均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型，以便实现最精准的房屋价值前瞻预测。
在其中一个实施例中，选取短名单数据集中第一部分数据为训练数据，根据训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型包括：对短名单数据集中的所有指标进行分组配置，根据分组情况，从短名单数据集中获取每个分组对应的入模指标的训练数据；通过每个分组对应的入模指标的训练数据，对多个预设机器学习方法进行训练，构建不同的房价前瞻模型；
选取短名单数据集中第二部分数据为测试数据，对不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型包括：根据分组情况，从短名单数据集中获取每个分组对应的入模指标的测试数据；通过每个分组对应的入模指标的测试数据，对各机器学习方法对应的房价前瞻模型的准确性进行测试。
具体来说，可以对短名单数据集中的所有指标进行分组配置，根据分组情况，分别从短名单数据集中获取每个分组对应的入模指标的训练数据和测试数据；通过每个分组对应的入模指标的训练数据，对多个预设机器学***均误差，选取平均误差最小的算法对应的房价前瞻预测模型作为最优房价前瞻模型。
在其中一个实施例中，获取待预测区域房屋价值历史数据包括：获取待预测区域对应的房价前瞻预测因子体系；根据待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
在房价前瞻预测因子体系中携带有大量影响房屋价值的指标以房屋价值指数，影响房屋价值的指标包括有：各类宏观经济指标，例如GDP、CPI、PMI、人均可支配收入等；中观经济指标，例如各城市(区)城市化率、地铁里程、人均住房面积以及商品房待售面积等；政策法规例如房地产限售限购政策、首套房利率政策、城市中长期发展规划等。房屋价值指数具体可以是房价，其可以包括挂盘和交易价格。宏观经济指标主因子包括世界经济指标、国民经济指标、货币银行、房地产及建筑业以及金融市场的从因子；中观经济指标主因子包括城市经济、城市生活、房地产及建筑业以及二手房市场的从因子；城市规划主因子包括待预测区域城市规划的从因子；舆论影响主因子自包括主流媒体、互联网门户和论坛、自媒体以及搜索引擎热度的从因子；政策法规主因子包括国家政策和待预测区域的城市政策的从因子。非必要的，为了确保后续房屋价值预测的准确性，可以获取近段时间内的待预测区域房屋价值历史数据，例如获取最近1年、获取最近6个月等时间内的待预测区域房屋价值历史数据，针对获取的数据还可以基于时间合理排布对应的指标，例如以月为依据。
在其中一个实施例中，对提取的指标和房屋价值指数进行量化处理之前，还包括：识别提取的指标和房屋价值指数中主观因素；针对主观因素分别建立独立的模型，在独立模型中将主观因素对应情况划分为多种类型；针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；对提取的指标和房屋价值指数进行量化处理包括：根据赋值规则，对提取的指标和房屋价值指数进行量化处理。
以政策法规为例，构建独立的政策法规模型，根据政策背景和新政策本身，将政策背景分为宽松、收紧、由松转紧、由紧转松4类，新政策对应高度宽松、宽松、收紧、高度收紧四类，基于各类政策最终影响房屋价值走向的历史经验，分别给各类政策对应的指标值，得到赋值规则。当需要指标和房屋价值指数进行量化处理时，根据上述赋值规则，对提取的指标和房屋价值指数分别赋值，以实现量化处理。
如图3所示，一种房屋价值预测装置，装置包括：
数据获取模块200，用于获取待预测区域房屋价值历史数据，从房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
处理模块400，用于对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
数据集生成模块600，用于根据预设短名单生成规则以及量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
模型构建模块800，用于根据短名单数据集，构建房价前瞻预测模型。
上述房屋价值预测装置，数据获取模块200获取影响房屋价值的指标以及房屋价值指数，处理模块400对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理，数据集生成模块600根据预设短名单生成规则形成指标的短名单数据集，模型构建模块800根据短名单数据集，构建房价前瞻预测模型进行房屋价值预测。整个过程中，对数据进行量化和标准化处理，减少异常数据的影响，并且及基于房地产行业专家经验以及历史记录中已有房地产模型生成的短名单生成规则合理生成短名单数据集进行模型的训练，可以准确得到房价前瞻预测模型，从而实现对房屋价值的准确预测
如图4所示，在其中一个实施例中，模型构建模块800还用于选取短名单数据集中第一部分数据为训练数据，根据训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
房屋价值预测装置还包括优化模块900，用于选取短名单数据集中第二部分数据为测试数据，对不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
在其中一个实施例中，数据获取模块200还用于获取待预测区域对应的房价前瞻预测因子体系；根据待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
在其中一个实施例中，房价前瞻预测因子体系包括主因子、附属于主因子的从因子、附属于从因子的次因子以及表征次因子的指标，主因子包括宏观经济指标主因子、中观经济指标主因子、城市规划主因子、舆论影响主因子以及政策法规主因子，宏观经济指标主因子包括世界经济指标、国民经济指标、货币银行、房地产及建筑业以及金融市场的从因子；中观经济指标主因子包括城市经济、城市生活、房地产及建筑业以及二手房市场的从因子；城市规划主因子包括待预测区域城市规划的从因子；舆论影响主因子自包括主流媒体、互联网门户和论坛、自媒体以及搜索引擎热度的从因子；政策法规主因子包括国家政策和待预测区域的城市政策的从因子。
在其中一个实施例中，处理模块400还用于识别提取的指标和房屋价值指数中主观因素；针对主观因素分别建立独立的模型，在独立模型中将主观因素对应情况划分为多种类型；针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；根据赋值规则，对提取的指标和房屋价值指数进行量化处理。
关于房屋价值预测装置的具体限定可以参见上文中对于房屋价值预测方法的限定，在此不再赘述。上述房屋价值预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在实际应用，以本申请构建的房价前瞻预测模型对成都某一区域房价进行预测，其得到的实验结果图5所示。基于图5可见本申请房价前瞻预测模型可以准确对成都某一区域房价进行预测。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储房屋价值历史数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种房屋价值预测方法。
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计算机设备的限定，具体的计算机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、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待预测区域房屋价值历史数据，从房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
根据预设短名单生成规则以及量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
根据短名单数据集，构建房价前瞻预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
选取短名单数据集中第一部分数据为训练数据，根据训练数据，分别通过多个预设机器学***均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对短名单数据集中的所有指标进行分组配置，根据分组情况，从短名单数据集中获取每个分组对应的入模指标的训练数据；通过每个分组对应的入模指标的训练数据，对多个预设机器学***均误差，选取平均误差最小的算法对应的房价前瞻预测模型作为最优房价前瞻模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待预测区域对应的房价前瞻预测因子体系；根据待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
识别提取的指标和房屋价值指数中主观因素；针对主观因素分别建立独立的模型，在独立模型中将主观因素对应情况划分为多种类型；针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；根据赋值规则，对提取的指标和房屋价值指数进行量化处理。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待预测区域房屋价值历史数据，从房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
根据预设短名单生成规则以及量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
根据短名单数据集，构建房价前瞻预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
选取短名单数据集中第一部分数据为训练数据，根据训练数据，分别通过多个预设机器学***均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对短名单数据集中的所有指标进行分组配置，根据分组情况，从短名单数据集中获取每个分组对应的入模指标的训练数据；通过每个分组对应的入模指标的训练数据，对多个预设机器学***均误差，选取平均误差最小的算法对应的房价前瞻预测模型作为最优房价前瞻模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待预测区域对应的房价前瞻预测因子体系；根据待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
识别提取的指标和房屋价值指数中主观因素；针对主观因素分别建立独立的模型，在独立模型中将主观因素对应情况划分为多种类型；针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；根据赋值规则，对提取的指标和房屋价值指数进行量化处理。
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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发明专利范围的限制。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)
1.一种房屋价值预测方法，所述方法包括：
获取待预测区域房屋价值历史数据，从所述房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
根据预设短名单生成规则以及所述量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
根据短名单数据集，构建房价前瞻预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据短名单数据集，构建房价前瞻预测模型包括：
选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
所述选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型之后还包括：
选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
3.根据权利要求2所述的方法，其特征在于，所述选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型包括：
对所述短名单数据集中的所有指标进行分组配置，根据分组情况，从短名单数据集中获取每个分组对应的入模指标的训练数据；
通过每个分组对应的入模指标的训练数据，对多个预设机器学习方法进行训练，构建不同的房价前瞻模型；
所述选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试包括：
根据所述分组情况，从短名单数据集中获取每个分组对应的入模指标的测试数据；
通过每个分组对应的入模指标的测试数据，对各机器学习方法对应的房价前瞻模型的准确性进行测试。
4.根据权利要求1所述的方法，其特征在于，所述获取待预测区域房屋价值历史数据包括：
获取待预测区域对应的房价前瞻预测因子体系；
根据所述待预测区域对应的房价前瞻预测因子体系，获取待预测区域房屋价值历史数据。
5.根据权利要求4所述的方法，其特征在于，所述房价前瞻预测因子体系包括主因子、附属于所述主因子的从因子、附属于所述从因子的次因子以及表征所述次因子的指标，所述主因子包括宏观经济指标主因子、中观经济指标主因子、城市规划主因子、舆论影响主因子以及政策法规主因子，所述宏观经济指标主因子包括世界经济指标、国民经济指标、货币银行、房地产及建筑业以及金融市场的从因子；中观经济指标主因子包括城市经济、城市生活、房地产及建筑业以及二手房市场的从因子；城市规划主因子包括待预测区域城市规划的从因子；舆论影响主因子自包括主流媒体、互联网门户和论坛、自媒体以及搜索引擎热度的从因子；政策法规主因子包括国家政策和待预测区域的城市政策的从因子。
6.根据权利要求1所述的方法，其特征在于，所述对提取的指标和房屋价值指数进行量化处理之前，还包括：
识别提取的指标和房屋价值指数中主观因素；
针对所述主观因素分别建立独立的模型，在所述独立模型中将主观因素对应情况划分为多种类型；
针对每种类型情况设定明确的判定条件，并且针对每种类型不同判定结果分别赋值对应的指标值，得到赋值规则；
所述对提取的指标和房屋价值指数进行量化处理包括：
根据所述赋值规则，对提取的指标和房屋价值指数进行量化处理。
7.一种房屋价值预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待预测区域房屋价值历史数据，从所述房屋价值历史数据中提取影响房屋价值的指标以及房屋价值指数；
处理模块，用于对提取的指标和房屋价值指数进行量化处理，并对提取的指标和房屋价值指数进行标准化处理；
数据集生成模块，用于根据预设短名单生成规则以及所述量化和标准化处理后的指标和房屋价值指数形成指标的短名单数据集；
模型构建模块，用于根据短名单数据集，构建房价前瞻预测模型。
8.根据权利要求7所述的装置，其特征在于，所述模型构建模块还用于选取所述短名单数据集中第一部分数据为训练数据，根据所述训练数据，分别通过多个预设机器学习方法训练，构建不同的房价前瞻预测模型；
所述房屋价值预测装置还包括：
优化模块，用于选取所述短名单数据集中第二部分数据为测试数据，对所述不同的房价前瞻预测模型进行测试，选择平均误差最小的机器学习方法对应的房价前瞻预测模型为最优房价前瞻预测模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291737.8A CN109325811A (zh) | 2018-10-31 | 2018-10-31 | 房屋价值预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291737.8A CN109325811A (zh) | 2018-10-31 | 2018-10-31 | 房屋价值预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325811A true CN109325811A (zh) | 2019-02-12 |
Family
ID=65260010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811291737.8A Pending CN109325811A (zh) | 2018-10-31 | 2018-10-31 | 房屋价值预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325811A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、***、计算机设备及存储介质 |
| CN114819903A (zh) * | 2022-04-28 | 2022-07-29 | 重庆锐云科技有限公司 | 经纪人激励活动奖励金额的设定方法、装置及计算机设备 |
-
2018
- 2018-10-31 CN CN201811291737.8A patent/CN109325811A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、***、计算机设备及存储介质 |
| CN114819903A (zh) * | 2022-04-28 | 2022-07-29 | 重庆锐云科技有限公司 | 经纪人激励活动奖励金额的设定方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martin et al. | On the empirical content of carbon leakage criteria in the EU Emissions Trading Scheme | |
| Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
| CN109376936A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| CN109523068A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| CN109858957A (zh) | 理财产品推荐方法、装置、计算机设备及存储介质 | |
| Mentis | Hypothetico-deductive and inductive approaches in ecology | |
| Minku et al. | How to make best use of cross-company data for web effort estimation? | |
| CN107230108A (zh) | 业务数据的处理方法及装置 | |
| CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
| CN110097216A (zh) | 用于企业发展的预测方法以及装置、服务器 | |
| McCluskey | A critical review of computer assisted mass appraisal techniques | |
| CN109325811A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
| Kim | Predicting the magnitude of residual spatial autocorrelation in geographical ecology | |
| CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
| CN109345035A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| Kumar et al. | Stock Price Prediction Using Machine Learning | |
| Wanke et al. | Endogenous and exogenous performance sources in Asian Banking: A hybrid stochastic Multi-Criteria Decision-Making approach based on sign decomposition and transfer entropy | |
| CN109583940A (zh) | 小区房源价值参数估计方法以及装置 | |
| CN109242578A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| US11120503B2 (en) | Analysis and visual presentation of dataset components | |
| McCluskey et al. | Computer assisted mass appraisal and the property tax | |
| Brzezicka et al. | The applicability of the speculative frame method for detecting disturbances on the real estate market: evidence from Poland | |
| CN109544215A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
| CN114254762A (zh) | 可解释性机器学习模型构建方法、装置和计算机设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190212 |