一种基于人工神经网络的模糊宗地地价评估方法技术

本发明专利技术提出了一种基于人工神经网络的模糊宗地地价评估方法，其步骤如下：根据待估宗地性质中挑选因子构建土地评估特征体系；搜集市场交易资料，构建地价样本数据集并利用z‑score方法对样本特征数据进行归一化处理；利用BP人工神经网络对样本集进行训练并提取每一特征因素的权重参数；选用类别法或阈值法建立隶属函数，构建特征因素隶属度矩阵；利用贴近度计算交易案例之间的贴近程度，根据贴近度大小筛选出比较案例；修正比较案例的地价，基于贴近度加权方法计算待估宗地价格。本发明专利技术能够获得更高的地价评估精度，对于高额度的土地评估具有很大的意义，能够使土地经济活动更加公正、合理，为土地市场经济的健康可持续发展做出贡献。

【技术实现步骤摘要】
一种基于人工神经网络的模糊宗地地价评估方法
本专利技术涉及城市和农村的宗地价格评估的
，具体涉及一种基于人工神经网络的模糊宗地地价评估方法。
技术介绍
目前比较常用的宗地价格评估方法主要包括市场比较法、基准地价修正法和成本估价法等。在这些方法中，市场比较法以估价原理简单、容易理解的优点被广泛使用。市场比较法是从广泛搜集的交易实例中选取可供比较参照的交易实例，然后进行影响因素、交易状态等修正，综合评估确定待估对象估价金额。市场比较法的理论依据是替代原理，因此如何准确的选择可比案例是正确运用市场比较法的关键。土地评估实践中评估者多是基于主观经验来选择交易案例，不仅对从业者的专业素养要求较高，且存在较大的主观随意性。针对该问题有学者提出了聚类分析、集对分析、主成分分析、灰色关联度分析、模糊数学等定量选择方法。由于交易实例选择的模糊性使得模糊数学方法受到较多学者的关注，并且现有研究表明通过计算贴近度选择得到的比较交易实例可以较为准确评估待估对象的价格。土地价格受自然、经济、区位等多种因素影响，土地评估结果既能够表现出自然经济因素影响土地价值的区域结构性特征，也能反映人文活动及其它因素对地价的随机性扰动。部分学者考虑了评估过程中特征因素对地价影响的差异性，并对其进行量化，然后将该特征权重引入到模糊贴近度的计算模型当中，明显提高了参照案例选择的可靠性。但该部分研究一般采用层次分析法或专家打分等定性方法来确定特征权重，仍存在一定的主观随意性。并且随着时间和空间的推移，各影响特征对地价的影响程度可能发生变化，特征权重也需要做出调整才能符合实际情况。宗地价格评估是一个复杂的非线性系统，必须建立权重的动态学习机制，神经网络方法解决这类问题具有明显优势，并且孙会君、张云天、刘向楠等人的研究也验证了利用人工神经网络方法建立权重学习机制的可行性。
技术实现思路
针对现有方法存在的特征因素权重确定主观性强、无法动态准确提取特征因素与宗地价格之间的权重系数等技术问题，本专利技术利用BP人工神经网络算法和模糊数学理论来构建一种基于人工神经网络的模糊宗地地价评估方法，利用BP人工神经网络的反馈学习机制，获取地价影响特征的权重系数，并利用该结果耦合现有的模糊数学贴近度计算模型选择最佳可比案例，计算待估宗地土地价格。为了达到上述目的，本专利技术的技术方案是：一种基于人工神经网络的模糊宗地地价评估方法，其步骤如下：步骤一：根据待估宗地性质从一般因素、区域因素、个别因素中挑选相关性高、易量化的因子作为特征因素构建土地评估特征体系；步骤二：搜集市场交易资料根据土地评估特征体系构建地价样本数据集，利用z-score方法对样本特征数据进行归一化处理，并将原始样本集合按照设定比例随机拆分为训练样本集和测试样本集，给定所有样本地价标签；步骤三：利用BP人工神经网络模型对训练样本集和测试样本集进行训练，提取地价样本数据集中每一特征因素的权重参数；步骤四：选用类比法和阈值法建立隶属函数，构建交易案例和待估宗地的特征因素隶属度矩阵；贴近度和特征因素的权重参数计算交易案例与待估宗地之间的贴近程度，根据贴近度大小直接筛选可供比较的交易案例作为比较案例；步骤五：利用贴近度衡量比较案例对待估宗地价格的差异影响程度修正比较案例的地价，基于贴近度加权方法计算待估宗地价格。影响城市商业用地价格的因子有交通条件、繁华程度、人口状况、地形、城市规划、基础公用设施、环境质量和宗地几何。所述步骤二中样本特征数据集为：其中，为第l个样本的第d个特征值，表示第l个样本地块在第d个特征因素上的量化值，1≤l≤L，1≤d≤D，L为样本数据集的数量，D为每个样本数据的特征个数；与样本特征数据集X对应的样本地价标签数据集Y为：Y＝[y1y2...yl...yL]T；其中，yl表示第l个样本地块的实际市场价格。所述z-score方法对对特征值归一化处理为：其中，为特征值归一化后的数据特征值，φd为样本特征数据集X的第d个特征值的平均数，σd为样本特征数据集X的第d个特征值的标准差。所述BP人工神经网络模型为包含一个隐含层的经典三层BP人工神经网络结构，进行训练的方法为：网络结构设置：输入层包含D个节点，对应样本特征数据集X的D个特征，输入层的输入向量为节点x＝[x1,x2,…xd,…,xD]T；隐含层包含M个节点、输出向量为h＝[h1,h2…,hj,…,hM]T；输出层包含一个节点y，第l个样本特征输入对应的输出为ol，期望输出为地价标签yl；输入层到隐含层之间的连接权重矩阵W＝(wdj)D×M，其中，元素wdj表示输入层第d个节点与隐含层第j个节点间的连接权；隐含层到输出层之间的连接权向量矩阵V＝[v1,v2,…,vj,…,vM]，其中，vj表示输出层与隐含层第j个节点间的连接权；网络训练：对连接权重矩阵W和连接权向量矩阵V中各元素随机赋一较小的初始数值，将样本特征数据集X中各个特征数据xd作为输入层各节点的数据，选最常用的单极性Sigmoid函数作为激活函数f(x’)来计算输入层和隐含层的输出：使用最速下降法通过反向传播来不断调整网络结构的权值和阈值，使BP人工神经网络的误差平方和最小；特征权重计算：将神经元xd之间的网络关系参数转化为输入特征得到输出结果的决策权重；①相关显著性系数ri的表达式为：②相关指数Ri的表达式为：③绝对影响系数Si的表达式为：Rd表示输入层第d个节点与输出层节点y的相关显著性系数；Rd为输入层第d个节点与输出层节点y的相关指数，绝对影响系数Sd就是所要求取的第d个特征的权重参数。所述交易案例与待估宗地的用途相同、交易时间接近和空间位置临近，待估宗地为标尺对交易案例的交易日期及影响因素进行修正，得到交易案例的成交单价；选用类比法或阈值法建立隶属函数，计算待估宗地和交易案例的各个特征因素的隶属度，并构建交易案例和待估宗地的特征因素隶属度矩阵，将特征因素对交易样本地块的空间影响程度进行量化。所述步骤四中的类比法用于没有明确外延或难以量化的软指标，对于选定的特征因素制定其评价模糊集的等级标准，并给与相应的隶属函数值；所述步骤四中的阈值法用于有明确外延或易量化的硬指标，针对不同特征因素构建对应的隶属函数，确定该特征指标取值范围，将特征值代入隶属函数求取隶属函数值。所述步骤四中的贴进度为模糊数学理论中的贴进度，模糊贴近度取值范围为[0,1]，贴近度越接近1，两模糊子集则越相似；设有n个交易样本A1、A2、…、An，Ac表示第c个交易案例交易样本的特征向量，B表示待估宗地B1的特征向量，则：其中，acd表示第c个交易案例的特征因素d的隶属函数值，bd表示待估案例宗地的第d个特征因素的隶属函数值；将步骤三计算的每个特征因素的权重参数引入特征向量Ac和特征向量B改进基本贴近度计算模型得到：其中，Sd为第d个特征因素的权重，且S1+S2+…+Sd+…+SD＝1；计算待估宗地的特征向量B与交易样本的特征向量Ac的贴近度ei为：其中，B⊙Ai表示特征向量B与特征向量Ai的内积，表示特征向量B与特征向量Ai的外积；将n个交易样本A1、A2、…、An按照计算的贴进度值相近程度排序，选择贴近度最大的n-k个交易案例作为比较案例，k>＝1。所述基于贴近度加权方法计算待估宗地价格为：利本文档来自技高网...

【技术保护点】
1.一种基于人工神经网络的模糊宗地地价评估方法，其特征在于，其步骤如下：步骤一：根据待估宗地性质从一般因素、区域因素、个别因素中挑选相关性高、易量化的因子作为特征因素构建土地评估特征体系；步骤二：搜集市场交易资料根据土地评估特征体系构建地价样本数据集，利用z‑score方法对样本特征数据进行归一化处理，并将原始样本集合按照设定比例随机拆分为训练样本集和测试样本集，给定所有样本地价标签；步骤三：利用BP人工神经网络模型对训练样本集和测试样本集进行训练，提取地价样本数据集中每一特征因素的权重参数；步骤四：选用类比法和阈值法建立隶属函数，构建交易案例和待估宗地的特征因素隶属度矩阵；贴近度和特征因素的权重参数计算交易案例与待估宗地之间的贴近程度，根据贴近度大小直接筛选可供比较的交易案例作为比较案例；步骤五：利用贴近度衡量比较案例对待估宗地价格的差异影响程度修正比较案例的地价，基于贴近度加权方法计算待估宗地价格。

【技术特征摘要】
1.一种基于人工神经网络的模糊宗地地价评估方法，其特征在于，其步骤如下：步骤一：根据待估宗地性质从一般因素、区域因素、个别因素中挑选相关性高、易量化的因子作为特征因素构建土地评估特征体系；步骤二：搜集市场交易资料根据土地评估特征体系构建地价样本数据集，利用z-score方法对样本特征数据进行归一化处理，并将原始样本集合按照设定比例随机拆分为训练样本集和测试样本集，给定所有样本地价标签；步骤三：利用BP人工神经网络模型对训练样本集和测试样本集进行训练，提取地价样本数据集中每一特征因素的权重参数；步骤四：选用类比法和阈值法建立隶属函数，构建交易案例和待估宗地的特征因素隶属度矩阵；贴近度和特征因素的权重参数计算交易案例与待估宗地之间的贴近程度，根据贴近度大小直接筛选可供比较的交易案例作为比较案例；步骤五：利用贴近度衡量比较案例对待估宗地价格的差异影响程度修正比较案例的地价，基于贴近度加权方法计算待估宗地价格。2.根据权利要求1所述的基于人工神经网络的模糊宗地地价评估方法，其特征在于，影响城市商业用地价格的因子有交通条件、繁华程度、人口状况、地形、城市规划、基础公用设施、环境质量和宗地几何。3.根据权利要求1或2所述的基于人工神经网络的模糊宗地地价评估方法，其特征在于，所述步骤二中样本特征数据集为：其中，为第l个样本的第d个特征值，表示第l个样本地块在第d个特征因素上的量化值，1≤l≤L，1≤d≤D，L为样本数据集的数量，D为每个样本数据的特征个数；与样本特征数据集X对应的样本地价标签数据集Y为：Y＝[y1y2...yl...yL]T；其中，yl表示第l个样本地块的实际市场价格。4.根据权利要求3所述的基于人工神经网络的模糊宗地地价评估方法，其特征在于，所述z-score方法对对特征值归一化处理为：其中，为特征值归一化后的数据特征值，φd为样本特征数据集X的第d个特征值的平均数，σd为样本特征数据集X的第d个特征值的标准差。5.根据权利要求1所述的基于人工神经网络的模糊宗地地价评估方法，其特征在于，所述BP人工神经网络模型为包含一个隐含层的经典三层BP人工神经网络结构，进行训练的方法为：网络结构设置：输入层包含D个节点，对应样本特征数据集X的D个特征，输入层的输入向量为节点x＝[x1,x2,…xd,…,xD]T；隐含层包含M个节点、输出向量为h＝[h1,h2…,hj,…,hM]T；输出层包含一个节点y，第l个样本特征输入对应的输出为ol，期望输出为地价标签yl；输入层到隐含层之间的连接权重矩阵W＝(wdj)D×M，其中，元素wdj表示输入层第d个节点与隐含层第j个节点间的连接权；隐含层到输出层之间的连接权向量矩阵V＝[v1,v2,…,vj,…,vM]，其中，vj表示输出层与隐含层第j个节点间的连接权；网络训练：对连接权重矩阵W和连接权向量矩阵V中各元素随机赋一较小的初始数值，将样本特征数据集X中各个特征数据xd作为输入...

【专利技术属性】
技术研发人员：王华，殷君茹，陈启强，黄伟，李志刚，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41