房屋价值预测方法、装置、计算机设备和存储介质制造方法及图纸

技术编号:20364689 阅读:19 留言:0更新日期:2019-02-16 17:20
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,其一方面基于房价前瞻预测因子体系,准确获取影响房屋价值的指标以及房屋价值指数,并进行量化和标准化,确保变量和样本的准确;另一方面,选择不同的机器学习方法训练构建房价前瞻预测模型,并选择平均误差最小的机器学习方法预测模型对应的房价前瞻预测模型为最优房价前瞻预测模型,实现对房屋价值的准确预测。

【技术实现步骤摘要】
房屋价值预测方法、装置、计算机设备和存储介质
本申请涉及前瞻预测
,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。
技术介绍
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。
技术实现思路
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:获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系;根据房价前瞻预测因子体系,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和标准化,从量化和标准化后的指标和房屋价值指数中筛选出符合预设规则的变量和样本;提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型;选取筛选出的变量和样本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预测模型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,所述提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型包括:对提取筛选出的变量和样本中所有指标进行分组配置,根据分组情况,从筛选出的变量和样本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;所述选取筛选出的变量和样本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预测模型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,从筛选出的变量和样本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,所述获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系之前,还包括:获取各区域房屋价值历史数据;从所述各区域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;构建房价前瞻预测因子体系,房价前瞻预测因子包括主因子、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。在其中一个实施例中,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,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;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。在其中一个实施例中,对提取的指标和房屋价值指数进行标准化处理包括:根据预设的缺失值填补规则,对所述指标中存在缺失的指标进行缺失值填补,得到缺失值填补完毕的数据集;针对缺失值填补完毕的数据集,根据预设的指标变频规则,对指标进行变频处理;根据变频处理后的指标,确定指标对应的衍生指标;对所述衍生指标进行指标转化,将指标转化后的所述衍生指标及对应的变频处理后的指标进行合并,得到标准化处理后的指标。在其中一个实施例中,所述预设的缺失值填补规则为:对于缺失率小于或等于预设阈值的指标,根据指标性质及指标缺失情况,对存在缺失值的指标进行缺失值填补;对于缺失率大于所述预设阈值的指标予以剔除。一种房屋价值预测装置,所述装置包括:因子体系获取模块,用于获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系;数据提取模块,用于根据房价前瞻预测因子体系,提取影响房屋价值的指标以及房屋价值指数;数据处理模块,用于对提取的指标和房屋价值指数进行量化和标准化,从量化和标准化后的指标和房屋价值指数中筛选出符合预设规则的变量和样本;模型训练模块,用于提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型;模型优化模块,用于选取筛选出的变量和样本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预测模型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,一方面,基于房价前瞻预测因子体系,准确获取影响房屋价值的指标以及房屋价值指数,并进行量化和标准化,确保变量和样本的准确;另一方面,选择不同的机器学习方法训练构建房价前瞻预测模型,并选择平均误差最小的机器学习方法预测模型对应的房价前瞻预测模型为最优房价前瞻预测模型,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为房价前瞻预测因子体系架构示意图;图4为一个实施例中房屋价值预测装置的结构框图;图5为另一个实施例中房屋价值预测装置的结构框图;图6为应用上述房屋价值预测方法的实验结果对比图;图7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。在一个实施例中,如图1所示,提供了一种房屋价值预测方法,包括以下步骤:S100:获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系。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。该区域还可本文档来自技高网...

【技术保护点】
1.一种房屋价值预测方法,所述方法包括:获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系;根据房价前瞻预测因子体系,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和标准化,从量化和标准化后的指标和房屋价值指数中筛选出符合预设规则的变量和样本;提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型;选取筛选出的变量和样本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预测模型对应的房价前瞻预测模型为最优房价前瞻预测模型。

【技术特征摘要】
1.一种房屋价值预测方法,所述方法包括:获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系;根据房价前瞻预测因子体系,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和标准化,从量化和标准化后的指标和房屋价值指数中筛选出符合预设规则的变量和样本;提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型;选取筛选出的变量和样本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预测模型对应的房价前瞻预测模型为最优房价前瞻预测模型。2.根据权利要求1所述的方法,其特征在于,所述提取筛选出的变量和样本第一部分数据为训练数据,以待预测区域房屋价值指数为预测目标,分别通过多个预设机器学习方法预测模型训练,构建不同的房价前瞻预测模型包括:对提取筛选出的变量和样本中所有指标进行分组配置,根据分组情况,从筛选出的变量和样本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;所述选取筛选出的变量和样本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预测模型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,从筛选出的变量和样本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。3.根据权利要求1所述的方法,其特征在于,所述获取根据待预测区域房屋价值历史数据构建的房价前瞻预测因子体系之前,还包括:获取各区域房屋价值历史数据;从所述各区域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;构建房价前瞻预测因子体系,房价前瞻预测因子包括主因子、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。4.根据权利要求3所述的方法,其特征在于,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...

【专利技术属性】
技术研发人员:刘卉杨坚黎韬董文飞韩丹王婷
申请(专利权)人:平安直通咨询有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1