房屋租金的预估方法、装置、终端设备及可读存储介质制造方法及图纸

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：