本发明专利技术公开一种房屋租金的预估方法、装置、终端设备及可读存储介质，属于机器学习领域，该房屋租金的预估方法包括：获取房屋信息，所述房屋信息包括房屋结构平面图及房屋结构化信息；从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。本申请通过房屋结构化信息和房屋结构平面图输入到提前训练好的全连接回归神经网络，从而预估房屋租金，避免人工预估租金导致的考虑因素不全面、不够客观的问题，达到了更加全面、准确且客观的预估房屋租金的目的，提高了对市场房屋租金预估的准确率和效率。场房屋租金预估的准确率和效率。场房屋租金预估的准确率和效率。
【技术实现步骤摘要】
房屋租金的预估方法、装置、终端设备及可读存储介质
[0001]本专利技术涉及机器学习领域，尤其涉及房屋租金的预估方法、装置、终端设备及可读存储介质。
技术介绍
[0002]房屋的租金受到多个因素的影响，每一套房屋的因素不尽相同，通过人为估算一个房屋的合理租金是不合理的。
[0003]现有的一些方案，通过量化的方式对房屋租金进行评估，具体通过利用结构化的数据，借助机器学习模型，对房屋租金进行回归。然而这种方法对于非结构化数据如套间内结构是否合理，是先通过人为判定是否合理，将数据转化为结构化数据再进一步处理的，会丢失一定的客观信息量，导致评估结果不够全面和准确。
[0004]因此，如何全面、准确且客观的预估房屋租金是当前亟待解决的问题。
技术实现思路
[0005]本申请的主要目的在于提供房屋租金的预估方法、装置、终端设备及可读存储介质，旨在解决全面、准确且客观的预估房屋租金的问题。
[0006]为实现上述目的，本申请提供房屋租金的预估方法，应用于机器学习
，所述房屋租金的预估方法包括以下步骤：获取房屋信息，所述房屋信息包括房屋结构平面图及房屋结构化信息；从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。
[0007]可选的，所述从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金的步骤之前还包括：获取房屋历史信息，所述房屋历史信息包括房屋结构历史平面图及房屋结构化历史信息；通过预设的卷积神经网络VGG16预训练模型或预设的全连接神经网络从所述房屋历史信息提取第二特征向量；将所述第二特征向量输入到所述全连接回归神经网络中，输出房屋的预估租金；根据所述预估租金和所述房屋历史信息中的历史租金、预设的损失函数和预设的学习率，更新所述全连接回归神经网络的权重、所述卷积神经网络VGG16预训练模型的权重、所述全连接神经网络的权重；根据预设的训练次数执行所述获取房屋历史信息，所述房屋历史信息包括房屋结构历史平面图及房屋结构化历史信息的步骤，直到完成所述预设的训练次数。
[0008]可选的，所述通过预设的卷积神经网络VGG16预训练模型或预设的全连接神经网络从所述房屋历史信息提取第二特征向量的步骤包括：通过所述卷积神经网络VGG16预训练模型从所述房屋结构历史平面图中提取第三
特征向量;将所述房屋结构化历史信息输入到所述全连接神经网络，输出对应的第四特征向量；将所述第三特征向量和所述第四特征向量进行融合，得到融合后的第二特征向量。
[0009]可选的，所述根据所述预估租金和所述房屋历史信息中的历史租金、预设的损失函数和预设的学习率，更新所述全连接回归神经网络的权重、所述卷积神经网络VGG16预训练模型的权重、所述全连接神经网络的权重的步骤包括：将所述预估租金和所述房屋历史信息中的租金做差，计算损失；根据所述损失和所述预设的损失函数计算梯度，得到所述梯度下降方向；根据所述梯度下降方向和所述预设的学习率更新所述全连接回归神经网络的权重、所述卷积神经网络VGG16预训练模型的权重、所述全连接神经网络的权重。
[0010]可选的，所述根据预设的训练次数执行所述获取房屋历史信息，所述房屋历史信息包括房屋结构历史平面图及房屋结构化历史信息的步骤，直到完成所述预设的训练次数的步骤包括：将训练次数累加并与预设的训练次数做对比；若达到所述预设的训练次数，则停止对所述全连接回归神经网络的训练；若未达到所述预设的训练次数，则执行所述获取房屋历史信息的步骤，直到所述训练次数达到所述预设的训练次数。
[0011]可选的，所述通过预设的卷积神经网络VGG16预训练模型或预设的全连接神经网络从所述房屋历史信息提取第二特征向量的步骤之前还包括：初始化所述全连接神经网络和所述全连接回归神经网络的权重；设置所述全连接回归神经网络的学习率和训练次数。
[0012]可选的，所述获取房屋历史信息的步骤包括：根据正态分布随机获取所述房屋历史信息。
[0013]本申请实施案例还提出一种房屋租金的预估装置，所述房屋租金的预估装置包括：获取模块，用于获取房屋信息；预估模块，用于从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。
[0014]本申请实施案例还提出一种终端设备，所述终端设备包括存储器、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租金的预估程序，所述房屋租金的预估程序被所述处理器执行时实现所述房屋租金的预估方法的步骤。
[0015]本申请实施案例还提出一种可读存储介质，所述可读存储介质上存储有房屋租金的预估程序，所述房屋租金的预估程序被处理器执行时实现所述房屋租金的预估方法的步骤。
[0016]本申请提出的组件依赖关系的分析方法、装置、终端设备及可读存储介质。通过获取房屋信息，所述房屋信息包括房屋结构平面图及房屋结构化信息；从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。基于本申请，通过房
屋结构化信息和房屋结构平面图输入到提前训练好的全连接回归神经网络，从而预估房屋租金，避免人工预估租金导致的考虑因素不全面、不够客观的问题，达到了更加全面、准确且客观的预估房屋租金的目的，提高了对市场房屋租金预估的准确率和效率。
附图说明
[0017]图1为本申请房屋租金的预估方法所属终端的功能模块示意图；图2为本申请房屋租金的预估方法第一示例性实施例的流程示意图；图3为本申请房屋租金的预估方法第二示例性实施例的流程示意图；图4为本申请房屋租金的预估方法第三示例性实施例的流程示意图；图5为本申请房屋租金的预估方法第四示例性实施例的流程示意图；图6为本申请房屋租金的预估方法第五示例性实施例的流程示意图；图7为本申请房屋租金的预估方法第六示例性实施例的流程示意图；图8为本申请房屋租金的预估方法第七示例性实施例的流程示意图；图9为本申请单次训练全连接回归神经网络的结构流程框图。
[0018]本申请目的的实现、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
[0019]应当理解，此处所描述的具体实施案例仅仅用以解释本申请，并不用于限定本申请。
[0020]本申请实施例的主要解决方案是获取房屋信息，所述房屋信息包括房屋结构平面图及房屋结构化信息；从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。基于本方案，通过房屋结构化信息和房屋结构平面图输入到提前训练好的全连接回归神经网络，从而预估房屋租金，避免人工预估租金导致的考虑因素不全面、不够客观的问题，达到了更加全面、准确且客观的预估房屋租金的目的，提高了对市场房屋租金预估的准确率和效率。
[0021]具体地，参照图1，图1为本申请房屋租金的预估装置所属终端设备的功能模块示意图。该房屋租金的预估装置为基于终端设备的、能够训练出预估房屋租金的全连接回归神经网络对房屋租金进行预估，从而达到全面、准确且客观的预估房屋租金的目的装置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种房屋租金的预估方法，其特征在于，所述房屋租金的预估方法包括以下步骤：获取房屋信息，所述房屋信息包括房屋结构平面图及房屋结构化信息；从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金。2.根据权利要求1所述的房屋租金的预估方法，其特征在于，所述从所述房屋信息提取第一特征向量后输入到预设的全连接回归神经网络中，输出预估租金的步骤之前还包括：获取房屋历史信息，所述房屋历史信息包括房屋结构历史平面图及房屋结构化历史信息；通过预设的卷积神经网络VGG16预训练模型或预设的全连接神经网络从所述房屋历史信息提取第二特征向量；将所述第二特征向量输入到所述全连接回归神经网络中，输出房屋的预估租金；根据所述预估租金和所述房屋历史信息中的历史租金、预设的损失函数和预设的学习率，更新所述全连接回归神经网络的权重、所述卷积神经网络VGG16预训练模型的权重、所述全连接神经网络的权重；根据预设的训练次数执行所述获取房屋历史信息，所述房屋历史信息包括房屋结构历史平面图及房屋结构化历史信息的步骤，直到完成所述预设的训练次数。3.根据权利要求2所述的房屋租金的预估方法，其特征在于，所述通过预设的卷积神经网络VGG16预训练模型或预设的全连接神经网络从所述房屋历史信息提取第二特征向量的步骤包括：通过所述卷积神经网络VGG16预训练模型从所述房屋结构历史平面图中提取第三特征向量;将所述房屋结构化历史信息输入到所述全连接神经网络，输出对应的第四特征向量；将所述第三特征向量和所述第四特征向量进行融合，得到融合后的第二特征向量。4.根据权利要求2所述的房屋租金的预估方法，其特征在于，所述根据所述预估租金和所述房屋历史信息中的历史租金、预设的损失函数和预设的学习率，更新所述全连接回归神经网络的权重、所述卷积神经网络VGG16预训练模型的权重、所述全连接神经网络的权重的步骤包括：将所述预估租金和所述房屋历史信息中的租金做差，计算损失；根据所述损失和所述预设...
【专利技术属性】
技术研发人员：陈涛涛，
申请(专利权)人：深圳市明源云科技有限公司，
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。