CN111626789A - 房屋价格预测方法、装置、设备及存储介质 - Google Patents
房屋价格预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111626789A CN111626789A CN202010482605.4A CN202010482605A CN111626789A CN 111626789 A CN111626789 A CN 111626789A CN 202010482605 A CN202010482605 A CN 202010482605A CN 111626789 A CN111626789 A CN 111626789A
- Authority
- CN
- China
- Prior art keywords
- area
- initial
- price
- price data
- house
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004044 response Effects 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000035508 accumulation Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation 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
- 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
-
- 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
-
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种房屋价格预测方法、装置、设备及存储介质,该方法包括:获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。在传统的基于时间序列的基础上,加入了空间因素,考虑各区域之间的影响因素,使得预测结果更准确、合理。
Description
技术领域
本发明涉及数据挖掘与预测技术领域,尤其涉及一种房屋价格预测方法、装置、设备及存储介质。
背景技术
现有的房屋价格预测都输基于传统的灰度预测模型进行时间维度的仿真,以获得某区域的时间维度上的房屋价格预测模型。但实际发现,传统的数据挖掘及预测不能真实反映房价的变化趋势,预测值不准确。因此,如何对房价变化趋势进行更好的预测,是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种房屋价格预测方法、装置、设备及存储介质,旨在解决现有技术中预测模型的房价预测值不准确的技术问题。
为实现上述目的,本发明提供一种房屋价格预测方法,所述房屋价格预测方法包括以下步骤:
获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
优选的,所述根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值,具体包括:
根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列;
获取所述预设灰度预测模型的输出函数;
根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值。
优选的,所述根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列,具体包括:
根据预设灰度预测模型获取各区域的初始房价数据序列对应的累加生成序列;
根据所述预设灰度预测模型获取各区域的所述累加生成序列对应的紧邻均值生成序列。
优选的,所述根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值,具体包括:
根据所述预设灰度预测模型获取各区域的初始房价数据序列对应第一参数矩阵;
根据所述预设灰度预测模型获取各区域的紧邻均值生成序列对应的第二参数矩阵;
通过最小二乘法对各区域对应的所述第一参数矩阵和所述第二参数矩阵进行求解,获得各区域对应的待定参数;
根据各区域对应的所述待定参数对所述输出函数进行求解,获取获得各区域对应的初始房价预测值。
优选的,所述根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值,具体包括:
从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据;
计算所述除所述目标区域外各区域对应的房价数据的平均值,将所述平均值作为所述目标区域对应的空间响应值;
返回所述从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据的步骤,直至不同区域中的每个区域均被选作目标区域,以获得各区域对应的空间响应值。
优选的,所述根据各区域对应的所述空间响应值对各区域对应的初始房价预测值进行修正,获得各区域对应的目标房价预测值,具体包括:
根据各区域对应的所述空间响应值获得各区域对应的空间修正因子;
根据所述空间修正因子对对应区域的初始房价预测值进行修正,获得各区域对应的目标房价预测值。
优选的,所述根据各区域对应的所述空间响应值获得各区域对应的空间修正因子,具体包括:
根据各区域对应的所述初始房价预测值获得各区域对应的第三参数矩阵;
根据各区域对应的所述空间响应值获得各区域对应的第四参数矩阵;
通过最小二乘法对各区域对应的所述第三参数矩阵和所述第四参数矩阵进行求解,获得各区域对应的空间修正因子。
此外,为实现上述目的,本发明还提出一种房屋价格预测装置,所述房屋价格预测装置包括:
价格数据获取模块,用于获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
区域规划模块,用于根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
初始预测模块,用于根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
空间响应计算模块,用于根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
修正模块,用于根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
此外,为实现上述目的,本发明还提出一种房屋价格预测设备,所述房屋价格预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的房屋价格预测程序,所述房屋价格预测程序被所述处理器执行时实现如上述的房屋价格预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有房屋价格预测程序,所述房屋价格预测程序被处理器执行时实现如上述的房屋价格预测方法的步骤。
本发明中,通过获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。在传统的基于时间序列的基础上,加入了空间因素,考虑各区域之间的影响因素,使得预测结果更准确、合理。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的房屋价格预测设备的结构示意图;
图2为本发明房屋价格预测方法第一实施例的流程示意图;
图3为本发明房屋价格预测方法第二实施例的流程示意图;
图4为本发明房屋价格预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的房屋价格预测设备结构示意图。
如图1所示,该房屋价格预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对房屋价格预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及房屋价格预测程序。
在图1所示的房屋价格预测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,并执行本发明实施例提供的房屋价格预测方法。
所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,并执行以下操作:
获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列;
获取所述预设灰度预测模型的输出函数;
根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
根据预设灰度预测模型获取各区域的初始房价数据序列对应的累加生成序列;
根据所述预设灰度预测模型获取各区域的所述累加生成序列对应的紧邻均值生成序列。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
根据所述预设灰度预测模型获取各区域的初始房价数据序列对应第一参数矩阵;
根据所述预设灰度预测模型获取各区域的紧邻均值生成序列对应的第二参数矩阵;
通过最小二乘法对各区域对应的所述第一参数矩阵和所述第二参数矩阵进行求解,获得各区域对应的待定参数;
根据各区域对应的所述待定参数对所述输出函数进行求解,获取获得各区域对应的初始房价预测值。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据;
计算所述除所述目标区域外各区域对应的房价数据的平均值,将所述平均值作为所述目标区域对应的空间响应值;
返回所述从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据的步骤,直至不同区域中的每个区域均被选作目标区域,以获得各区域对应的空间响应值。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
根据各区域对应的所述空间响应值获得各区域对应的空间修正因子;
根据所述空间修正因子对对应区域的初始房价预测值进行修正,获得各区域对应的目标房价预测值。
进一步地,所述房屋价格预测设备通过处理器1001调用存储器1005中存储的房屋价格预测程序,还执行以下操作:
根据各区域对应的所述初始房价预测值获得各区域对应的第三参数矩阵;
根据各区域对应的所述空间响应值获得各区域对应的第四参数矩阵;
通过最小二乘法对各区域对应的所述第三参数矩阵和所述第四参数矩阵进行求解,获得各区域对应的空间修正因子。
本实施例中,通过获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。在传统的基于时间序列的基础上,加入了空间因素,考虑各区域之间的影响因素,使得预测结果更准确、合理。
基于上述硬件结构,提出本发明房屋价格预测方法的实施例。
参照图2,图2为本发明房屋价格预测方法第一实施例的流程示意图,提出本发明房屋价格预测方法第一实施例。
在第一实施例中,所述房屋价格预测方法包括以下步骤:
步骤S10:获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息。
可以理解的是,本实施例的执行主体是所述房屋价格预测设备,所述房屋价格预测设备可为个人电脑或服务器等计算机电子设备。
可以理解的是,历史房屋价格数据可包括房屋的交易价格,出租价格等,历史房屋价格数据对应的区域信息是指房屋所在的地理位置信息,具体可包括市区信息、街道信息或小区信息等。
需要说明的是,获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息的方式可为通过人工想计算机进行输入,或计算机通过爬虫在各交易网站获取相关信息。
步骤S20:根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列。
可以理解的是,不同历史房屋价格数据具有不同的区域信息,为更好地分析历史房屋价格数据的地域性差异,需要根据区域信息对历史房屋价格数据进行分类。
可以理解的是,若历史房屋价格数据及所述历史房屋价格数据对应的区域信息为人工输入,则可由人工设定区域信息,并在各区域下录入历史房屋价格数据;或者,将历史房屋价格数据有关信息直接输入,由计算机进行数据分析,对先区域信息进行划分,将对应的历史房屋价格数据进行分类。若历史房屋价格数据及所述历史房屋价格数据对应的区域信息为计算机自动获取,则有计算机对区域信息进行分析,并划分不同区域,将对应的历史房屋价格数据进行分类。
步骤S30:根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值。
需要说明的是,灰色预测模型是利用由离散序列经过生成变为较有规律的生成数序列建立起的微分方程形式的模型。常见的灰色预测模型有GM模型(灰色动态模型)和灰色Verhulst模型,灰色Verhulst模型是前者GM模型的推广,灰色Verhulst模型更适合非单调的摆动发展序列和类似S性曲线的序列,本实施例采用灰色Verhulst模型进行预测。
在本实施例中,建立的时间维度分析的数学模型如下:
其中,X=(x(1),x(2),...,x(n))为初始房价数据序列,需要说明的是,该初始房价数据序列可按照时间顺序进行排序,序列中前一个数据比后一个数据的时间更早;或者序列中前一个数据比后一个数据的时间更晚,本市实施对此不作限制。
在灰色***预测中往往要考虑背景值的影响,背景值往往为邻值生成,故定义z'(k)=ax'(k)+(1-a)x'(k-1)为紧邻均值生成序列。
在第一实施例中,所述根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值,具体包括:根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列;获取所述预设灰度预测模型的输出函数;根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值。
需要说明的是,预设灰度预测模型的输出函数为x(k)+az'(k)=b(z'(k))2,其中a,b为待定参数,对该输出函数进行求解,可得到时间预测序列为:
还原序列为:f1(k+1)=x'(k+1)-x'(k)。
在第一实施例中,所述根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值,具体包括:根据所述预设灰度预测模型获取各区域的初始房价数据序列对应第一参数矩阵;根据所述预设灰度预测模型获取各区域的紧邻均值生成序列对应的第二参数矩阵;通过最小二乘法对各区域对应的所述第一参数矩阵和所述第二参数矩阵进行求解,获得各区域对应的待定参数;根据各区域对应的所述待定参数对所述输出函数进行求解,获取获得各区域对应的初始房价预测值。
在第一实施例中,为获取待定系数a,b采用最小二乘法进行计算。Y为第一参数矩阵,B为第二参数矩阵,β为待定系数矩阵分别如下:
Y=(x(2),x(3),...,x(n))T
β=(a,b)T
则表示时间维度的数学模型为矩阵方程为:Y=Bβ
由最下二乘法可以得到:
在第一实施例中,所述根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列,具体包括:根据预设灰度预测模型获取各区域的初始房价数据序列对应的累加生成序列;根据所述预设灰度预测模型获取各区域的所述累加生成序列对应的紧邻均值生成序列。
可以理解的是,预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算时,将各区域的所述初始房价数据序列作为输入序列,根据灰度预测模型定义的方式建立输出函数并进行求解,获得各区域对应的初始房价预测值。
步骤S40:根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值。
为考虑各区域之间的相互影响,在对各区域的房屋价格预测时,获取各区域受其他区域的影响值。
在第一实施例中,所述根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值,具体包括:从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据;计算所述除所述目标区域外各区域对应的房价数据的平均值,将所述平均值作为所述目标区域对应的空间响应值;返回所述从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据的步骤,直至不同区域中的每个区域均被选作目标区域,以获得各区域对应的空间响应值。
需要说明的是,时间维度分析的数学模型建立完毕之后,考虑其空间因素对该目标区域响应的影响,设函数为在其他子空间平均响应g(t),如下所示:
需要说明的是,除上述采用平均值计算方式外,还可以采用加权计算方式,根据各区域之间的距离设置权重值,再根据权重值记得到各区域对应的空间响应值,对比本实施例不作限制。
步骤S50:根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
需要说明的是,在获取各区域对应的所述空间响应值后,需要对初始房价预测值进行修正,以获得更为合理的预测结果。具体实现时,可对各区域对应的所述空间响应值和初始房价预测值加权后进行计算。例如,设定各区域对应的所述空间响应值的权重值为0.3,初始房价预测值的权重值为0.7,对加权后的值相加,获得各区域的目标房价预测值。
在第一实施例中,通过获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。在传统的基于时间序列的基础上,加入了空间因素,考虑各区域之间的影响因素,形成基于时间维度和空间维度的二维预测模型,使得预测结果更准确、合理。
参照图3,图3为本发明房屋价格预测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明房屋价格预测方法的第二实施例。
在第二实施例中,所述步骤S50,具体包括:
步骤S501:根据各区域对应的所述空间响应值获得各区域对应的空间修正因子。
需要说明的是,为更准确的考虑各区域之间的相互影响,在获取了各区域对应的所述空间响应值基础上,还需要确定不同区域不同的空间修正因子。
在第二实施例中,所述根据各区域对应的所述空间响应值获得各区域对应的空间修正因子,具体包括:根据各区域对应的所述初始房价预测值获得各区域对应的第三参数矩阵;根据各区域对应的所述空间响应值获得各区域对应的第四参数矩阵;通过最小二乘法对各区域对应的所述第三参数矩阵和所述第四参数矩阵进行求解,获得各区域对应的空间修正因子。
需要说明的是,在对各区域的初始房价预测值进行修正时,可建立基于空间维度的预测模型,该预测模型如下所示:
其中,F1为各区域的初始房价预测值,F2为各区域对应的目标房价预测值,X为各区域的初始房价数据序列,λ为空间修正因子。
基于与第一实施例同样的方式,设(X-F)为第三参数矩阵,G第四参数矩阵,则采用最小二乘法可以得到:λ=(GTG)-1GT(X-F)。
步骤S502:根据所述空间修正因子对对应区域的初始房价预测值进行修正,获得各区域对应的目标房价预测值。
可以理解的是,在获得各区域对应的空间修正因子λ后,根据基于空间维度的预测模型中的输出函数F2=F1+λG即可得到各区域对应的目标房价预测值。
在第二实施例中,通过根据各区域对应的所述空间响应值获得各区域对应的空间修正因子;根据所述空间修正因子对对应区域的初始房价预测值进行修正,获得各区域对应的目标房价预测值。将各区域之间的相互影响更合理地引入到对各区域的初始房价预测值的修正过程中,进而获得更为合理的预测值。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有房屋价格预测程序,所述房屋价格预测程序被处理器执行时实现如下步骤:
获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
此外,参照图4,本发明实施例还提出一种房屋价格预测装置,所述房屋价格预测装置包括:
价格数据获取模块10,用于获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
区域规划模块20,用于根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
初始预测模块30,用于根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
空间响应计算模块40,用于根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
修正模块50,用于根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
本发明所述房屋价格预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种房屋价格预测方法,其特征在于,所述房屋价格预测方法包括:
获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
2.如权利要求1所述的房屋价格预测方法,其特征在于,所述根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值,具体包括:
根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列;
获取所述预设灰度预测模型的输出函数;
根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值。
3.如权利要求2所述的房屋价格预测方法,其特征在于,所述根据预设灰度预测模型获取各初始房价数据序列对应的紧邻均值生成序列,具体包括:
根据预设灰度预测模型获取各区域的初始房价数据序列对应的累加生成序列;
根据所述预设灰度预测模型获取各区域的所述累加生成序列对应的紧邻均值生成序列。
4.如权利要求2所述的房屋价格预测方法,其特征在于,所述根据各区域对应的初始房价数据序列和紧邻均值生成序列对所述输出函数进行求解,获得各区域对应的初始房价预测值,具体包括:
根据所述预设灰度预测模型获取各区域的初始房价数据序列对应第一参数矩阵;
根据所述预设灰度预测模型获取各区域的紧邻均值生成序列对应的第二参数矩阵;
通过最小二乘法对各区域对应的所述第一参数矩阵和所述第二参数矩阵进行求解,获得各区域对应的待定参数;
根据各区域对应的所述待定参数对所述输出函数进行求解,获取获得各区域对应的初始房价预测值。
5.如权利要求1所述的房屋价格预测方法,其特征在于,所述根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值,具体包括:
从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据;
计算所述除所述目标区域外各区域对应的房价数据的平均值,将所述平均值作为所述目标区域对应的空间响应值;
返回所述从不同区域中选取目标区域,并根据不同区域的所述初始房价数据序列获得除所述目标区域外各区域对应的房价数据的步骤,直至不同区域中的每个区域均被选作目标区域,以获得各区域对应的空间响应值。
6.如权利要求1所述的房屋价格预测方法,其特征在于,所述根据各区域对应的所述空间响应值对各区域对应的初始房价预测值进行修正,获得各区域对应的目标房价预测值,具体包括:
根据各区域对应的所述空间响应值获得各区域对应的空间修正因子;
根据所述空间修正因子对对应区域的初始房价预测值进行修正,获得各区域对应的目标房价预测值。
7.如权利要求6所述的房屋价格预测方法,其特征在于,所述根据各区域对应的所述空间响应值获得各区域对应的空间修正因子,具体包括:
根据各区域对应的所述初始房价预测值获得各区域对应的第三参数矩阵;
根据各区域对应的所述空间响应值获得各区域对应的第四参数矩阵;
通过最小二乘法对各区域对应的所述第三参数矩阵和所述第四参数矩阵进行求解,获得各区域对应的空间修正因子。
8.一种房屋价格预测装置,其特征在于,所述房屋价格预测装置包括:
价格数据获取模块,用于获取历史房屋价格数据及所述历史房屋价格数据对应的区域信息;
区域规划模块,用于根据所述区域信息对所述历史房屋价格数据进行划分,获得不同区域的初始房价数据序列;
初始预测模块,用于根据预设灰度预测模型分别对不同区域的所述初始房价数据序列进行计算,获得各区域对应的初始房价预测值;
空间响应计算模块,用于根据不同区域的所述初始房价数据序列计算各区域对应的空间响应值;
修正模块,用于根据各区域对应的所述空间响应值对各区域对应的所述初始房价预测值进行修正,获得各区域的目标房价预测值。
9.一种房屋价格预测设备,其特征在于,所述房屋价格预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的房屋价格预测程序,所述房屋价格预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的房屋价格预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有房屋价格预测程序,所述房屋价格预测程序被处理器执行时实现如权利要求1至7中任一项所述的房屋价格预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482605.4A CN111626789A (zh) | 2020-06-01 | 2020-06-01 | 房屋价格预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482605.4A CN111626789A (zh) | 2020-06-01 | 2020-06-01 | 房屋价格预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626789A true CN111626789A (zh) | 2020-09-04 |
Family
ID=72271188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010482605.4A Pending CN111626789A (zh) | 2020-06-01 | 2020-06-01 | 房屋价格预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626789A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154697A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 房屋维修资源的预测方法、装置、计算机设备和存储介质 |
CN115983892A (zh) * | 2023-03-21 | 2023-04-18 | 北京云庐科技有限公司 | 价格预测模型创建方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017040957A (ja) * | 2015-08-17 | 2017-02-23 | 株式会社リブセンス | 不動産情報処理装置、算定方法情報生成装置、不動産情報処理、算定方法情報生成方法、およびプログラム |
TW201710980A (zh) * | 2015-09-03 | 2017-03-16 | 李智偉 | 不動產估價方法 |
CN109447697A (zh) * | 2018-10-17 | 2019-03-08 | 上海大雄资产评估有限公司 | 房地产价格评估方法和房地产价格评估*** |
KR20190041121A (ko) * | 2017-10-12 | 2019-04-22 | 주식회사 공감랩 | 공간 정보를 이용한 주택 가격 추정을 위한 빅데이터 구축 시스템 및 방법 |
CN110648023A (zh) * | 2019-09-24 | 2020-01-03 | 西北工业大学 | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 |
CN111008740A (zh) * | 2019-12-04 | 2020-04-14 | 武汉轻工大学 | 数据传播趋势的预测方法、设备、存储介质及装置 |
CN111080356A (zh) * | 2019-12-11 | 2020-04-28 | 西南科技大学 | 一种利用机器学习回归模型计算住宅价格影响因素的方法 |
-
2020
- 2020-06-01 CN CN202010482605.4A patent/CN111626789A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017040957A (ja) * | 2015-08-17 | 2017-02-23 | 株式会社リブセンス | 不動産情報処理装置、算定方法情報生成装置、不動産情報処理、算定方法情報生成方法、およびプログラム |
TW201710980A (zh) * | 2015-09-03 | 2017-03-16 | 李智偉 | 不動產估價方法 |
KR20190041121A (ko) * | 2017-10-12 | 2019-04-22 | 주식회사 공감랩 | 공간 정보를 이용한 주택 가격 추정을 위한 빅데이터 구축 시스템 및 방법 |
CN109447697A (zh) * | 2018-10-17 | 2019-03-08 | 上海大雄资产评估有限公司 | 房地产价格评估方法和房地产价格评估*** |
CN110648023A (zh) * | 2019-09-24 | 2020-01-03 | 西北工业大学 | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 |
CN111008740A (zh) * | 2019-12-04 | 2020-04-14 | 武汉轻工大学 | 数据传播趋势的预测方法、设备、存储介质及装置 |
CN111080356A (zh) * | 2019-12-11 | 2020-04-28 | 西南科技大学 | 一种利用机器学习回归模型计算住宅价格影响因素的方法 |
Non-Patent Citations (2)
Title |
---|
方勇华,饶水林,刘朔: "中国住宅价格影响因素的实证研究" * |
李广胜,郭欢: "基于GM(1,1)模型的南京市房价预测研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154697A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 房屋维修资源的预测方法、装置、计算机设备和存储介质 |
CN115983892A (zh) * | 2023-03-21 | 2023-04-18 | 北京云庐科技有限公司 | 价格预测模型创建方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Vliet et al. | A review of current calibration and validation practices in land-change modeling | |
Pontius et al. | Uncertainty in the difference between maps of future land change scenarios | |
CN109635208B (zh) | 用户到访推断模型建立方法、装置及存储介质 | |
CN111612489A (zh) | 订单量的预测方法、装置及电子设备 | |
CN111626789A (zh) | 房屋价格预测方法、装置、设备及存储介质 | |
CN106651464A (zh) | 一种农产品价格预测方法及装置 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
CN112529679A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
JP6647992B2 (ja) | 設計支援装置 | |
CN113642764B (zh) | 一种村镇聚落空间演化模拟预测方法及计算机设备 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、***、设备及存储介质 | |
CN112381773B (zh) | 关键截面数据分析方法、装置、设备及存储介质 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN111340276B (zh) | 一种生成预测数据的方法及*** | |
CN112581250B (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
Hu et al. | Distributionally preference robust optimization in multi-attribute decision making | |
CN113822455A (zh) | 一种时间预测方法、装置、服务器及存储介质 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN112380419B (zh) | 一种竞品数据查询方法、***及电子设备 | |
KR102526003B1 (ko) | 상가 부동산 매물 정보 제공 방법 및 서버 | |
CN114066491A (zh) | 基于多周期的预测总销量确定物品补货策略的方法、装置 | |
CN113391850B (zh) | 基于边云协同的任务调度方法、装置、设备及存储介质 | |
JP2023138938A (ja) | コンピュータを利用したサービスの価格とパフォーマンスを最適化するための、コンピュータに実装されたシステム及び方法 |
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 |