租赁性住房的市场价值评估方法及系统技术方案

本发明专利技术适用于价值评估技术领域，提供了一种租赁性住房的市场价值评估方法及系统，该方法包括收集各个租赁性住房的相关数据并进行预处理；根据收集各个租赁性住房的相关数据构建租赁性住房图结构；根据构建的租赁性住房图结构对图神经网络模型进行训练，以学习每个节点的低维向量表示；根据给定的待评估租赁性住房的相关数据生成节点特征向量，并加入到租赁性住房图结构中计算与其他节点的边特征向量；根据训练好的图神经网络模型对加入到租赁性住房图结构中的新节点进行处理得到目标低维向量表示；根据回归模型对待评估租赁性住房对应的目标低维向量表示进行预测

【技术实现步骤摘要】
租赁性住房的市场价值评估方法及系统


[0001]本专利技术属于价值评估
，尤其涉及一种租赁性住房的市场价值评估方法及系统
。

技术介绍

[0002]租赁性住房是指以出租为目的而建造或购买的住房，是城市居民重要的居住选择之一
。
随着城市化进程的加快和人口流动性的增强，租赁性住房需求日益增长，同时也带来了租赁市场的复杂化和多样化
。
因此，如何准确地评估租赁性住房的市场价值，对于促进租赁市场的健康发展
、
保护租户和出租方的合法权益
、
提高城市资源配置效率等方面具有重要意义
。
[0003]目前，常用的租赁性住房的市场价值评估方法主要有以下几种：比较法：根据同类或相似的租赁性住房的成交价格或租金水平，通过调整因素进行比较，得到待评估租赁性住房的市场价值
。
成本法：根据租赁性住房的建造成本
、
折旧费用
、
土地价值等因素，计算出待评估租赁性住房的市场价值
。
收益法：根据租赁性住房的预期收益
、
收益率等因素，计算出待评估租赁性住房的市场价值
。
[0004]这些方法虽然能够反映一定程度上的租赁性住房市场价值，但也存在一些缺陷，例如：忽略了租赁性住房之间的关联性和互动性，如地理位置
、
社区环境
、
交通便利度等因素对租赁性住房市场价值的影响；忽略了租赁性住房市场价值随时间变化的动态特征，如季节性
、
周期性
、
趋势性等因素对租赁性住房市场价值的影响；忽略了租赁性住房市场价值受多种因素共同作用的复杂特征，如政策变化
、
供需变化
、
竞争情况等因素对租赁性住房市场价值的影响；使得导致对于租赁性住房的市场价值评估准确性较低
。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种租赁性住房的市场价值评估方法，旨在解决现有租赁性住房的市场价值评估方法准确性低的问题
。
[0006]本专利技术实施例是这样实现的，一种租赁性住房的市场价值评估方法，所述方法包括：
[0007]收集各个租赁性住房的相关数据并进行预处理，所述相关数据包括住房的基本信息
、
租赁信息
、
市场信息及所在地区的环境信息；
[0008]根据所收集各个租赁性住房的相关数据构建一个租赁性住房图结构，其中节点表示租赁性住房，边表示租赁性住房之间的关系；
[0009]根据所构建的租赁性住房图结构对图神经网络模型进行训练，以学习每个节点的低维向量表示；
[0010]根据所给定的待评估租赁性住房的相关数据生成节点特征向量，并加入到租赁性住房图结构中计算与其他节点的边特征向量；
[0011]根据训练好的图神经网络模型对加入到租赁性住房图结构中的待评估租赁性住
房对应的节点进行处理得到目标低维向量表示；
[0012]根据回归模型对待评估租赁性住房对应的目标低维向量表示进行预测，得到待评估租赁性住房的市场价值评估
。
[0013]更进一步地，所述根据所构建的租赁性住房图结构对图神经网络模型进行训练的步骤包括：
[0014]对所构建的租赁性住房图结构进行分割得到多个子图，每个子图包含一定数量的节点和边，并保持子图之间的连通性；
[0015]根据所分割得到的每个子图对图神经网络模型进行分布式训练，以学习每个节点的低维向量表示，并使各个子图之间的信息交互和同步
。
[0016]更进一步地，所述对所构建的租赁性住房图结构进行分割得到多个子图的步骤包括：
[0017]根据聚类算法对租赁性住房图结构中的各个节点进行划分得到若干个簇；
[0018]对每个簇中的节点和边构建子图，并为每个子图分配一个唯一的标识符；
[0019]对每个子图中与其他子图相连的边进行标记，并记录所连接的子图标识符
。
[0020]更进一步地，所述根据聚类算法对租赁性住房图结构中的各个节点进行划分得到若干个簇的步骤包括：
[0021]根据聚类算法对租赁性住房图结构中各个节点进行聚类得到预设数量的聚类中心和每个节点所属的聚类标签；
[0022]计算每个聚类中心与其他节点之间的距离或相似度并按照预设顺序进行排序；
[0023]将各个聚类中心及与各个聚类中心相距最近或最相似的节点依次分别加入到所对应的簇中，直至各个簇中包含有预设的节点数目
、
或包含有聚类中所有的节点
、
或节点与聚类中心之间的距离或相似度超过预设的阈值；
[0024]判断目标边所连接的两个节点是否都处在同一簇中；
[0025]若是，则将目标边加入至所连接的节点对应的簇中
。
[0026]更进一步地，所述根据聚类算法对租赁性住房图结构中各个节点进行聚类得到预设数量的聚类中心和每个节点所属的聚类标签的步骤包括：
[0027]根据租赁性住房图结构中各个节点之间的相似度或距离构建相似度矩阵；
[0028]根据相似度矩阵计算租赁性住房图结构的度矩阵和拉普拉斯矩阵；
[0029]对拉普拉斯矩阵进行特征值分解，得到特征向量和特征值；
[0030]根据特征值的大小选择前预设数量的特征向量作为新的特征空间；
[0031]对新的特征空间中的各个特征向量进行聚类，得到预设数量的聚类中心和每个节点所属的聚类标签
。
[0032]更进一步地，所述根据所给定的待评估租赁性住房的相关数据生成节点特征向量，并加入到租赁性住房图结构中计算与其他节点的边特征向量的步骤包括：
[0033]根据所给定的待评估租赁性住房的相关数据计算所生成的节点特征向量与各个子图的相似度；
[0034]根据与各个子图的相似度确定相似度最高的子图作为目标子图，并将待评估租赁性住房的节点特征向量加入到目标子图中计算与其他节点的边特征向量
。
[0035]更进一步地，所述根据所分割得到的每个子图对图神经网络模型进行分布式训
练，以学习每个节点的低维向量表示，并使各个子图之间的信息交互和同步的步骤包括：
[0036]为每个子图分配计算集群中的一个计算节点，并将计算集群中的各个计算节点分布式部署在不同的计算设备上；
[0037]在每个计算节点上对所应用的图神经网络模型进行初始化并设置训练参数，训练参数包括学习率
、
批次大小
、
迭代次数；
[0038]在每个计算节点上对所分配的子图进行局部训练，从而学习子图上每个节点的低维向量表示；
[0039]在每轮局部训练后，根据预设通信协议进行各个计算节点之间的信息交互和同步，并更新各个计算节点上的图神经网络模型
。
[0040]更进一步地，所述根据所分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种租赁性住房的市场价值评估方法，其特征在于，所述方法包括：收集各个租赁性住房的相关数据并进行预处理，所述相关数据包括住房的基本信息
、
租赁信息
、
市场信息及所在地区的环境信息；根据所收集各个租赁性住房的相关数据构建一个租赁性住房图结构，其中节点表示租赁性住房，边表示租赁性住房之间的关系；根据所构建的租赁性住房图结构对图神经网络模型进行训练，以学习每个节点的低维向量表示；根据所给定的待评估租赁性住房的相关数据生成节点特征向量，并加入到租赁性住房图结构中计算与其他节点的边特征向量；根据训练好的图神经网络模型对加入到租赁性住房图结构中的待评估租赁性住房对应的节点进行处理得到目标低维向量表示；根据回归模型对待评估租赁性住房对应的目标低维向量表示进行预测，得到待评估租赁性住房的市场价值评估
。2.
根据权利要求1所述的租赁性住房的市场价值评估方法，其特征在于，所述根据所构建的租赁性住房图结构对图神经网络模型进行训练的步骤包括：对所构建的租赁性住房图结构进行分割得到多个子图，每个子图包含一定数量的节点和边，并保持子图之间的连通性；根据所分割得到的每个子图对图神经网络模型进行分布式训练，以学习每个节点的低维向量表示，并使各个子图之间的信息交互和同步
。3.
根据权利要求2所述的租赁性住房的市场价值评估方法，其特征在于，所述对所构建的租赁性住房图结构进行分割得到多个子图的步骤包括：根据聚类算法对租赁性住房图结构中的各个节点进行划分得到若干个簇；对每个簇中的节点和边构建子图，并为每个子图分配一个唯一的标识符；对每个子图中与其他子图相连的边进行标记，并记录所连接的子图标识符
。4.
根据权利要求3所述的租赁性住房的市场价值评估方法，其特征在于，所述根据聚类算法对租赁性住房图结构中的各个节点进行划分得到若干个簇的步骤包括：根据聚类算法对租赁性住房图结构中各个节点进行聚类得到预设数量的聚类中心和每个节点所属的聚类标签；计算每个聚类中心与其他节点之间的距离或相似度并按照预设顺序进行排序；将各个聚类中心及与各个聚类中心相距最近或最相似的节点依次分别加入到所对应的簇中，直至各个簇中包含有预设的节点数目
、
或包含有聚类中所有的节点
、
或节点与聚类中心之间的距离或相似度超过预设的阈值；判断目标边所连接的两个节点是否都处在同一簇中；若是，则将目标边加入至所连接的节点对应的簇中
。5.
根据权利要求4所述的租赁性住房的市场价值评估方法，其特征在于，所述根据聚类算法对租赁性住房图结构中各个节点进行聚类得到预设数量的聚类中心和每个节点所属的聚类标签的步骤包括：根据租赁性住房图结构中各个节点之间的相似度或距离构建相似度矩阵；根据相似度矩阵计算租赁性住房图结构的度矩阵和拉普拉斯矩阵；
对拉普拉斯矩阵进行特征值分解，得到特征向量和特征值；根据特征值的大小选择前预设数量的特征向量作为新的特征空间；对新的特征空间中的各个特征向量进行聚类，得到预设数量的聚类中心和每个节点所属的聚类标签
。6.
根据权利要求2所述的租赁性住房的市场价值评估方法，其特征在于，所述根据所给定的待评估租赁性住房的相关数据生成节点特征向量，并加入到租赁性住房图结构中计算与其他节点的边特征向量的步骤包括：根据所给定的待评估租赁性住房的相关数据计算所生成的节点特征向量与各个子图的相似度；根据与各个子图的相似度确定相似度最高的子图作为目标子图，并将待评估租赁性住房的节点特征向量加入到目标子图中计算与其他节点的边特征向量
。7.
根据权利要求2所述的租赁性住房的市场价值评估方法，其特征在于，所述根据所分割得到的每个子图对图神经网络模型进行分布式训练，以学习每个节点的低维向量表示，并使各个子图之间的信息交互和同步的步骤包括：为每个子图分配计算集群中的一个计算节点，并将计算集群中的各个计算节点分布式部署在不同的计算设备上；在每个计算节点上对所应用的图神经网络模型进行初始化并设置训练参数，训练参数包括学习率
、
批次大小
、
迭代次数；在每个计算节点上对所分配的子图进行局部训练，从而学习子图上每个节点的低维向量表示；在每轮局部训练后，根据预设通信协议进行各个计算节点之间的信息交互和同步，并更新各个计算节点上的图神经网络模型
。8.
根据权利要求7所述的租赁性住房的市场价值评估方法，其特征在于，所述根据所分割得到的每个子图对图神经网络模型进行分布式训练，以学习每个节点的低维向量表示，并使各个子图之间的信息交互和同步的步骤包括：在每个计算节点上初始化一个本地图神经网络模型，并为其分配一个本地模型参数向量，所述本地模型参数向量由本地图神经网络模型的权重和偏置参数组成；根据每个子图中的各个节点对所对应计算节点上的本地图神经网络模型进行前向传播和反向传播，以学习每个节点的低维向量表示，并更新本地模型参数向量；在每轮训练后，根据预设通信协议将各个计算节点上所更新的本地模型参数向量发送至一个中心服务器或其他计算节点，并从中心服务器或其他计算节点接收其他计算节点上所更新的本地模型参数向量；在每轮训练后，各个计算节点根据预设聚合算法将接收到的其他计算节点上所更新的本地模型参数向量与自身的本地模型参数向量进行融合或平均，得到一个全局模型参数向量，并根据全局模型参数向量替换自身的本地模型参数向量
。9.
根据权利要求1所述的租赁性住房的市场价值评估方法，其特征在于，所述根据所收集各个租赁性住房的相关数据构建一个租赁性住房图结构的步骤包括：将每个租赁性住房作为一个节点，并为每个节点分配一个唯一标识符和一个节点特征向量，所...

【专利技术属性】
技术研发人员：黄毅，黄雪明，
申请(专利权)人：上海正之智能科技有限公司，
类型：发明
国别省市：