【技术实现步骤摘要】
基于多层感知器的房价指数的显示方法、装置以及设备
[0001]本专利技术涉及人工智能领域,尤其涉及一种基于多层感知器的房价指数的显示方法、装置、计算机设备以及存储介质。
技术介绍
[0002]房价指数是一种能够反映房屋价格变动情况的数据。随着计算机技术的发展,利用计算机技术计算出房价指数,然后在计算机的交互界面显示计算出的房价指数,以辅助用户进行房价的分析,已成为一种常见的技术手段。目前,在利用计算机技术计算房价指数时,较为成熟的能够使用计算机技术实现的房价指数的计算方法有成本投放法、中位数价格法、重复交易法和特征价格法等。其中,通过计算机技术实现的特征价格法认为房价是由多种特征决定,通过将价格影响因素分解,保留与时间显著相关的因素,就能得到反映房屋价格变动情况的房价指数。具体地,计算机技术实现的特征价格法通过对房屋价格和房屋品质特征、房屋时间特征之间的关系进行建模,然后根据房屋时间特征前的系数即能够计算出最终的房价指数。目前的计算机技术实现的特征价格法通常通过使用计算机技术进行回归分析来进行对房屋价格和房屋品质特征、房屋时间特征之间的关系进行建模,即通过线性拟合的方式来拟合房屋价格和房屋品质特征、房屋时间特征之间的关系。然而,实际情况中,房屋价格和房屋品质特征、房屋时间特征之间的关系往往并不能通过线性关系准确地刻画出来,这种因为非线性关系产生的拟合误差将会影响到房屋时间特征前的系数的准确度,从而导致计算机最终计算出的房价指数的失真,继而导致在交互界面上显示的房价指数的准确度下降。可见,目前的房价指数的显示方法所显示 ...
【技术保护点】
【技术特征摘要】
1.一种基于多层感知器的房价指数的显示方法,其特征在于,所述方法包括:获取房屋交易数据,其中,所述房屋交易数据中记录有多个房屋交易案例中成交的房屋的建筑特征、房屋成交时间和房屋成交价格;按照预设的基于关键字匹配的特征提取方式,从所述房屋交易数据中提取出每个所述房屋交易案例对应的房屋特征向量、时间哑元向量和成交价格值;基于每个所述房屋交易案例对应的房屋特征向量、时间哑元向量和成交价格值对预设的目标多层感知器进行训练,其中,训练完成的所述目标多层感知器用于拟合以下房价公式:其中,P为单个房屋交易案例中的成交价格值,X
n
为单个房屋交易案例中的第n个房屋特征向量,α
n
为单个房屋交易案例中的第n个房屋特征向量对应的房屋特征系数,O
t
为单个房屋交易案例中第t期时间的时间哑元向量,β
t
为单个房屋交易案例中第t期时间的时间哑元向量对应的时间哑元系数,N为单个房屋交易案例中房屋特征向量的总数量,T为单个房屋交易案例中交易时间的总期数,C为预设的常数项,ε为随机误差变量;从训练完成的所述目标多层感知器中提取出目标模型参数,其中,所述目标模型参数是指所述目标多层感知器中与所述房价公式中的时间哑元系数相关的模型参数;根据所述目标模型参数计算出每一期时间对应的房价指数,并在交互界面显示所述房价指数。2.根据权利要求1所述的基于多层感知器的房价指数的显示方法,其特征在于,所述目标多层感知器包括一层房屋特征输入层、一层隐藏层、一层linear层和一层线性层,其中,所述房屋特征向量从所述房屋特征输入层输入至所述目标多层感知器,然后经过所述隐藏层后输入至所述linear层,所述时间哑元向量直接输入至所述隐藏层,所述linear层结合所述隐藏层的输出和所述时间哑元向量后连接至所述线性层,所述线性层最终输出所述成交价格值。3.根据权利要求2所述的基于多层感知器的房价指数的显示方法,其特征在于,所述目标模型参数为所述linear层中直接接受所述时间哑元向量的输入的神经元的系数。4.根据权利要求1
‑
3任一项所述的基于多层感知器的房价指数的显示方法,其特征在于,所述根据所述目标模型参数计算出每一期时间对应的房价指数,包括:通过以下公式计算出每一期时间对应的房价指数:其中,Index
t
为第t期时间对应的房价指数,为与所述房价公式中第t期时间的时间哑元系数相关的目标模型参数,为与所述房价公式中预先选定的基期时间的时间哑元系数相关的目标模型参数。5.根据权利要求1
‑
3任一项所述的基于多层感知器的房价指数的显示方法,其特征在
于,所述按照预设的基于关键字匹配的特征提取方式,从所述房屋交易数据中提取出每个所述房屋交易案例对应的房屋特征向量、时间哑元向量和成交价格值,包括:通过关键字匹配的方式,从所述房屋交易数据中提取出每个所述房屋交易案例对应的房屋特征数据、房屋成交时间数据和成交价格值;对每个所述房屋交易案例对应的房屋特征数据执行预设的特征归一化操作,以得到...
【专利技术属性】
技术研发人员:张开元,
申请(专利权)人:深圳壹账通智能科技有限公司,
类型:发明
国别省市:
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。