【技术实现步骤摘要】
本专利技术涉及一种房产的估价方法，尤其是能够基于周边环境和资源的房产估价方法。技术背景目前的房产估价采用的是基于估价师经验的市场估值方法，采用历史成交价格作为估价的基准，通过因素调整修正估价。因素调整过程中存在许多不确定因素，主要体现在调整因子的取值和加权取决于估价师的经验，容易造成不同估价师的估价不统一。
技术实现思路
为了解决现有房产估价中存在的估价标准不统一，估价结果不标准，估价模型不科学的问题，本专利技术提供一种基于统计学模型的科学房产估价方法，使得房产估价不在是估价师的主观判断，而成为大众可以掌握的一种资源。本方法所采用的技术方案是:采用神经网络统计学模型为房产估值的基本模型，模型选用的参数包括基本因子和调整因子。基本因子是物业价格的基础决定因素，包括:土地取得费用、前期工程费、配套费、建筑安装工程费、管理费、销售费、税费、利息和利润等。对于二手房产，这些因子反映的是物业建成之时的数值，对当前市场价格存在参考价值极其有限，所以我们可以采用该物业当前的市场价格或者类似物业的市场价格作为一个参数。调整因子是物业价格的环境调整因素，包括:周边资源因素:医疗，交通，超市，邮局，餐饮，学校，公园，小区配套环境因素:水质，空气质量，噪音，景观情况，厌恶因素等物业属性:楼层，朝向，建筑类型，装修情况，房龄，自有车位，装修年限，采光通风，小区绿化率，电梯，物业，土地使用年限。采用数据挖掘和机器学习的方法，挑选对于房产价格影响最大的因子，并且通过让神经网络模型根据实际的测试数据这样一个学习的过程来调整不同影响因子的权重，建立最终的估价模型。房产估值的人工...
【技术保护点】
基于统计模型的房地产估价方法，其特征在于采用神经网络统计学模型为房产估值的基本模型，模型选用的参数包括基本因子和调整因子，采用数据挖掘和机器学习的方法，挑选对于房产价格影响最大的因子，并且通过让神经网络模型根据实际的测试数据这样一个学习的过程来调整不同影响因子的权重，建立最终的估价模型。此方法结合了现有的市场估价法，并综合考虑了诸如教育，交通，环境，医疗等资源对于房产价格的综合影响，通过人工神经网络统计模型建模。此统计学房地产估价方法包括以下几个模块：(1)模型搭建模块，房产估值的人工神经网络模型的构成包括输入层，输出层和隐藏层。输入层的数据就是影响房价的各种影响因子，输出层就是我们的估价结果。中间的隐藏层以及输入输出层与隐藏层之间的网络结构和影响系数是我们算法的核心，通过大量的数据不断训练而完善。(2)学习模块，我们采集了5000套房产数据，作为学习数据集，数据采集的原则是尽可能采集大量有差异化，涵盖各种可能性的数据，为了保证数据的普遍和广泛性，我们的数据来自各个不同来源，包括地产开发商数据，公众信息网站数据，房产交易局数据，房屋租售中介的数据，数据点的获取原则是尽量分散，多来源，代...
【技术特征摘要】
1.基于统计模型的房地产估价方法，其特征在于采用神经网络统计学模型为房产估值的基本模型，模型选用的参数包括基本因子和调整因子，采用数据挖掘和机器学习的方法，挑选对于房产价格影响最大的因子，并且通过让神经网络模型根据实际的测试数据这样一个学习的过程来调整不同影响因子的权重，建立最终的估价模型。此方法结合了现有的市场估价法，并综合考虑了诸如教育，交通，环境，医疗等资源对于房产价格的综合影响，通过人工神经网络统计模型建模。此统计学房地产估价方法包括以下几个模块: (1)模型搭建模块，房产估值的人工神经网络模型的构成包括输入层，输出层和隐藏层。输入层的数据就是影响房价的各种影响因子，输出层就是我们的估价结果。中间的隐藏层以及输入输出层与隐藏层之间的网络结构和影响系数是我们算法的核心，通过大量的数据不断训练而完善。 (2)学习模块，我们采集了5000套房产数据，作为学习数据集，数据采集的原则是尽可能采集大量有差异化，涵盖各种可能性的数据，为了保证数据的普遍和广泛性，我们的数据来自各个不同来源，包括地产开发商数据，公众信息网站数据，房产交易局数据，房屋租售中介的数据，数据点的获取原则是尽量分散，多来源，代表不同类型的房源。 (3)测试模块，我们用5000套房产数据作为测试数据集训练神经网络模型，主要是输入层与中间层，以及中间层与输出层之间影响权重的调整。当模型的置信区间在90%以上，就可以停止训练，此时训练得到的模型就用作我们最终的估价模型。 (4)应用模块，将此基于统计模型的房地产估价方法应...
【专利技术属性】
技术研发人员：莫丽娟，李燕宁，吴骞，
申请(专利权)人：北京奥齐都市网络科技有限公司，
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。