小区房源价值参数估计方法以及装置制造方法及图纸

本申请涉及机器学习与神经网络领域，用于处理小区房源数据，具体涉及一种小区房源价值参数估计方法、装置、计算机设备和存储介质。方法包括：分别获取与目标小区与预设小区对应的小区指标；分别将小区与小区指标输入预设小区相似度模型，获取目标小区的相似小区；根据相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数。本申请无需要与目标房源相同户型的房源的交易数据就能对目标房源的价值参数进行估计。

【技术实现步骤摘要】
小区房源价值参数估计方法以及装置
本申请涉及信息处理领域，特别是涉及一种小区房源均价估计方法以及装置。
技术介绍
随着经济的发展与城市化的推进，人们的生活水平也在不断提升。在城市中，小区是指以住宅楼房为主体并配有商业网点、文化教育、娱乐、绿化、公用和公共设施等而形成的具有一定规模的居民生活区。小区的主体是居民楼房，一个小区通常包含若干的居民住房，小区居民住房是现在房产投资的焦点。传统的房产估值方法利用小区的历史成交记录来对小区的房源均价进行估计，而后根据小区房源均价来对每个房源的价格进行估计，但是当目标小区没有成交记录，或者成交记录过少时，就无法通过这种方法对目标小区的每间房源的价格进行估计。
技术实现思路
基于此，有必要针对上述技术问题，提供一种小区房源价值参数估计方法、装置、计算机设备及存储介质。一种小区房源价值参数估计方法，所述方法包括：分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标；分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；获取所述相似小区的小区房源平均价值参数；根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。在其中一个实施例中，所述分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标包括：获取目标小区以及预设小区的小区信息；根据目标小区的小区信息获取第一小区指标，根据预设小区的小区信息获取第二小区指标。在其中一个实施例中，所述分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标之前，还包括：获取各小区与目标小区的距离信息；根据各小区与所述目标小区的距离信息确定预设小区。在其中一个实施例中，所述分别将所述目标小区第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区之前，还包括：获取携带小区房源平均价值参数的训练小区以及训练小区的各项小区指标；通过K-means聚类分析根据训练小区的各项小区指标对所述训练小区进行分类，获得训练小区类；根据训练小区类确定训练数据集以及测试数据集；将训练数据集输入初始BP神经网络，通过训练数据集对初始BP神经网络进行训练；通过测试数据集对训练完成的初始BP神经网络进行测试；当测试通过时，将训练完成的初始BP神经网络作为预设小区相似度模型；当测试不通过时，根据测试结果更新所述初始BP神经网络，将更新后的所述初始BP神经网络重新作为初始BP神经网络，返回将训练数据集输入初始BP神经网络，通过训练数据集对初始BP神经网络进行训练的步骤。在其中一个实施例中，所述分别将所述目标小区第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区具体包括：将目标小区与第一小区指标、预设小区与第二小区指标输入预设小区相似度模型，获取预设小区与目标小区的相似度；将相似度大于预设阈值的预设小区作为与目标小区的相似小区。在其中一个实施例中，所述获取所述相似小区的小区房源平均价值参数具体包括：获取相似小区房源的各个市场平均价值参数数据；当所述市场平均价值参数数据大于预设数据量阈值时，去除所述市场平均价值参数数据中的最大值与最小值，将其他市场平均价值参数数据的平均值作为相似小区的小区房源平均价值参数，当所述市场平均价值参数数据小于或等于预设数据量阈值时，获取各市场平均价值参数数据的可信度，将可信度最高的市场平均价值参数数据作为相似小区的小区房源平均价值参数。在其中一个实施例中，所述半参数分位回归模型具体可以为：Y＝Xβ+g(T)+ε其中Y为目标房源估计价格，X为影响目标房源估价的因素，包括目标小区的房源均价以及目标房源的估价影响因素中的参数部分，β为回归系数，g(T)为估价影响因素中的非参数部分，ε为随机误差。一种小区房源均价估计装置，所述装置包括：小区指标获取模块，用于分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标，所述预设小区的小区房源平均价值参数已知；相似判定模块，用于分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；价值参数获取模块，用于获取所述相似小区的小区房源平均价值参数；平均价值估计模块，用于根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；一房一价估计模块，用于获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标，所述预设小区的小区房源平均价值参数已知；分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；获取所述相似小区的小区房源平均价值参数；根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标，所述预设小区的小区房源平均价值参数已知；分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；获取所述相似小区的小区房源平均价值参数；根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。上述小区房源价值参数估本文档来自技高网...

【技术保护点】
1.一种小区房源价值参数估计方法，所述方法包括：分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标；分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区对应的预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；获取所述相似小区的小区房源平均价值参数；根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。

【技术特征摘要】
1.一种小区房源价值参数估计方法，所述方法包括：分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标；分别将所述目标小区及第一小区指标、预设小区及第二小区指标输入预设小区对应的预设小区相似度模型，获取目标小区的相似小区，所述预设小区相似度模型基于训练小区进行训练获得，所述训练小区携带小区房源平均价值参数；获取所述相似小区的小区房源平均价值参数；根据所述相似小区的小区房源平均价值参数对目标小区的房源平均价值参数进行估计，获得目标小区的房源平均价值参数；获取目标房源的各估价影响因素，根据所述目标小区房源的预测平均价值参数以及所述目标房源的各估价影响因素，通过预设半参数分位回归模型估计目标房源的价值参数，所述预设半参数分位回归模型基于所述各估价影响因素与所述预测平均价值参数对所述目标房源的价值参数的影响建立。2.根据权利要求1所述的方法，其特征在于，所述分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标包括：获取目标小区以及预设小区的小区信息；根据所述目标小区的小区信息获取第一小区指标，根据所述预设小区的小区信息获取第二小区指标。3.根据权利要求1所述的方法，其特征在于，所述分别获取与目标小区对应的第一小区指标以及与预设小区对应的第二小区指标之前，还包括：获取各小区与所述目标小区的距离信息；根据所述各小区与所述目标小区的距离信息确定预设小区。4.根据权利要求1所述的方法，其特征在于，所述分别将所述目标小区第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区之前，还包括：获取携带小区房源平均价值参数的训练小区以及训练小区的各项小区指标；通过K-means聚类分析根据训练小区的各项小区指标对所述训练小区进行分类，获得训练小区类；根据训练小区类确定训练数据集以及测试数据集；将训练数据集输入初始BP神经网络，通过训练数据集对初始BP神经网络进行训练；通过测试数据集对训练完成的初始BP神经网络进行测试；当测试通过时，将训练完成的初始BP神经网络作为预设小区相似度模型；当测试不通过时，根据测试结果更新所述初始BP神经网络，将更新后的所述初始BP神经网络重新作为初始BP神经网络，返回将训练数据集输入初始BP神经网络，通过训练数据集对初始BP神经网络进行训练的步骤。5.根据权利要求1所述的方法，其特征在于，所述分别将所述目标小区第一小区指标、预设小区及第二小区指标输入预设小区相似度模型，获取目标小区...

【专利技术属性】
技术研发人员：叶素兰，李国才，刘卉，董文飞，王婷，黎韬，
申请(专利权)人：平安直通咨询有限公司，
类型：发明
国别省市：广东,44