本申请涉及一种资源数据的评估方法、装置、计算机设备、存储介质和计算机程序产品，可以应用于大数据领域，或者金融科技或者其他相关领域。所述方法包括：在预设的城市网络模型中，获取目标评估对象的目标空间特征和目标城市网络距离特征；根据目标评估对象的目标空间特征、目标城市网络距离特征和地理加权回归模型，计算目标评估对象的预测资源数据。通过采用本方法，利用地理回归加权模型对目标评估对象的资源数据进行估计，从空间特征以及距离特征多个方面进行计算，可以对资源数据进行全面预测，从而可以确定各目标评估对象的准确的资源数据。源数据。源数据。
【技术实现步骤摘要】
资源数据的评估方法、装置和计算机设备
[0001]本申请涉及大数据
，特别是涉及一种资源数据的评估方法、装置和计算机设备。
技术介绍
[0002]传统技术中，对于评估对象的评估，主要是从该评估对象所在区位以及近期成交资源数据进行估算，评估对象例如可以是房产之类的对象，但是地理位置只是影响资源数据的因素之一，而近期成交资源数据只能动态的反映市场对于评估对象的需求状况变化，而不能反应评估对象的资源数据的波动。因此，通过上述方式进行评估对象的资源数据的评估，较为片面，导致资源数据的评估不准确。
技术实现思路
[0003]基于此，有必要针对上述技术问题，提供一种能够准确评估的资源数据的评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0004]第一方面，本申请提供了一种资源数据的评估方法。所述方法包括：
[0005]在预设的城市网络模型中，获取目标评估对象的目标空间特征和目标城市网络距离特征；
[0006]根据所述目标评估对象的目标空间特征、目标城市网络距离特征和地理加权回归模型，计算所述目标评估对象的预测资源数据；其中，所述地理加权回归模型是基于样本评估对象的样本数据集对初始地理加权回归模型进行训练得到的，所述样本评估对象数据集包括样本评估对象的样本资源数据、样本空间特征和样本城市网络距离特征。
[0007]在其中一个实施例中，所述方法还包括：
[0008]采集样本评估对象的样本数据集；
[0009]根据所述样本评估对象的样本资源数据、样本空间特征、样本城市网络距离特征以及预先建立的初始地理加权回归模型，计算所述初始地理加权回归模型中的空间特征影响系数、以及城市网络距离特征影响系数，得到训练后的地理加权回归模型。
[0010]在其中一个实施例中，所述方法还包括：
[0011]获取目标区域内多个评估对象的空间特征以及兴趣点数据，所述兴趣点数据包括标识信息、地址信息、坐标信息以及类别信息；
[0012]在矢量数据地图中，采集目标区域的道路矢量数据，所述道路矢量数据包括道路类型信息以及道路位置信息；
[0013]根据目标区域内的多个评估对象的空间特征、所述兴趣点数据以及所述道路矢量数据，计算各个评估对象分别对应的城市网络距离特征，生成所述目标区域对应的城市网络模型。
[0014]在其中一个实施例中，所述采集样本评估对象的样本数据集，包括：
[0015]在所述城市网络模型中，获取所述样本评估对象的样本空间特征、样本城市网络
距离特征；
[0016]根据所述样本评估对象确定所述样本评估对象的样本标识信息；
[0017]根据所述样本标识信息，在预设的标识与参考资源数据的关联关系表中，确定所述样本标识信息对应的样本资源数据。
[0018]在其中一个实施例中，所述方法还包括：
[0019]如果在所述预设的标识与参考资源数据的关联关系表中未查询到所述样本标识信息，则获取所述样本评估对象所在区域在预设时间范围内的成交资源数据的平均值，并将所述平均值作为所述样本标识信息对应的样本资源数据。
[0020]在其中一个实施例中，所述计算所述初始地理加权回归模型中的空间特征影响系数、以及城市网络距离特征影响系数，包括：
[0021]通过预设的高斯核函数算法，计算所述初始地理加权回归模型中的空间特征影响系数；
[0022]通过预设的局部加权最小二乘算法，计算所述初始地理加权回归模型中的城市网络距离特征影响系数。
[0023]在其中一个实施例中，所述方法还包括：
[0024]获取所述目标评估对象的目标资源数据；
[0025]根据所述预测资源数据确定目标筛选范围；
[0026]在所述目标资源数据超出所述目标筛选范围的情况下，生成所述目标评估对象对应的风险提示信息，并输出所述风险提示信息。
[0027]第二方面，本申请还提供了一种资源数据的评估装置。所述装置包括：
[0028]获取模块，用于在预设的城市网络模型中，获取目标评估对象的目标空间特征和目标城市网络距离特征；
[0029]计算模块，用于根据所述目标评估对象的目标空间特征、目标城市网络距离特征和地理加权回归模型，计算所述目标评估对象的预测资源数据；其中，所述地理加权回归模型是基于样本评估对象的样本数据集对初始地理加权回归模型进行训练得到的，所述样本评估对象数据集包括样本评估对象的样本资源数据、样本空间特征和样本城市网络距离特征。
[0030]在其中一个实施例中，所述装置还包括：
[0031]采集模块，用于采集样本评估对象的样本数据集；
[0032]系数计算模块，用于根据所述样本评估对象的样本资源数据、样本空间特征、样本城市网络距离特征以及预先建立的初始地理加权回归模型，计算所述初始地理加权回归模型中的空间特征影响系数、以及城市网络距离特征影响系数，得到训练后的地理加权回归模型。
[0033]在其中一个实施例中，所述装置还包括：
[0034]数据获取模块，用于获取目标区域内多个评估对象的空间特征以及兴趣点数据，所述兴趣点数据包括标识信息、地址信息、坐标信息以及类别信息；
[0035]道路矢量数据采集模块，用于在矢量数据地图中，采集目标区域的道路矢量数据，所述道路矢量数据包括道路类型信息以及道路位置信息；
[0036]生成模块，用于根据目标区域内的多个评估对象的空间特征、所述兴趣点数据以
及所述道路矢量数据，计算各个评估对象分别对应的城市网络距离特征，生成所述目标区域对应的城市网络模型。
[0037]在其中一个实施例中，所述采集模块具体用于：
[0038]在所述城市网络模型中，获取所述样本评估对象的样本空间特征、样本城市网络距离特征；
[0039]根据所述样本评估对象确定所述样本评估对象的样本标识信息；
[0040]根据所述样本标识信息，在预设的标识与参考资源数据的关联关系表中，确定所述样本标识信息对应的样本资源数据。
[0041]在其中一个实施例中，所述装置还包括：
[0042]查询模块，用于如果在所述预设的标识与参考资源数据的关联关系表中未查询到所述样本标识信息，则获取所述样本评估对象所在区域在预设时间范围内的成交资源数据的平均值，并将所述平均值作为所述样本标识信息对应的样本资源数据。
[0043]在其中一个实施例中，所述系数计算模块，具体用于：
[0044]通过预设的高斯核函数算法，计算所述初始地理加权回归模型中的空间特征影响系数；
[0045]通过预设的局部加权最小二乘算法，计算所述初始地理加权回归模型中的城市网络距离特征影响系数。
[0046]在其中一个实施例中，所述装置还包括：
[0047]风险评估模块，用于获取所述目标评估对象的目标资源数据；
[0048]目标筛选范围确定模块，用于根据所述预测资源数据确定目标筛选范围本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种资源数据的评估方法，其特征在于，所述方法包括：在预设的城市网络模型中，获取目标评估对象的目标空间特征和目标城市网络距离特征；根据所述目标评估对象的目标空间特征、目标城市网络距离特征和地理加权回归模型，计算所述目标评估对象的预测资源数据；其中，所述地理加权回归模型是基于样本评估对象的样本数据集对初始地理加权回归模型进行训练得到的，所述样本评估对象数据集包括样本评估对象的样本资源数据、样本空间特征和样本城市网络距离特征。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：采集样本评估对象的样本数据集；根据所述样本评估对象的样本资源数据、样本空间特征、样本城市网络距离特征以及预先建立的初始地理加权回归模型，计算所述初始地理加权回归模型中的空间特征影响系数、以及城市网络距离特征影响系数，得到训练后的地理加权回归模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取目标区域内多个评估对象的空间特征以及兴趣点数据，所述兴趣点数据包括标识信息、地址信息、坐标信息以及类别信息；在矢量数据地图中，采集目标区域的道路矢量数据，所述道路矢量数据包括道路类型信息以及道路位置信息；根据目标区域内的多个评估对象的空间特征、所述兴趣点数据以及所述道路矢量数据，计算各个评估对象分别对应的城市网络距离特征，生成所述目标区域对应的城市网络模型。4.根据权利要求3所述的方法，其特征在于，所述采集样本评估对象的样本数据集，包括：在所述城市网络模型中，获取所述样本评估对象的样本空间特征、样本城市网络距离特征；根据所述样本评估对象确定所述样本评估对象的样本标识信息；根据所述样本标识信息，在预设的标识与参考资源数据的关联关系表中，确定所述样本标识信息对应的样本资源数据。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：如果在所述预设的标识与参考资源数据的关联关系表中未查...
【专利技术属性】
技术研发人员：廖俊儒，
申请(专利权)人：中国工商银行股份有限公司，
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。