[發明專利]一種基于深度學習算法的農用地基準地價評估方法

在審

• 申請號: 201811025281.0
• 申請日: 2018-09-04
• 公開（公告）號: CN109284910A
• 公開（公告）日: 2019-01-29
• 發明（設計）人: 王華;黃偉;李志剛;殷君茹;陳啟強
• 申請（專利權）人: 鄭州輕工業學院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/02;G06Q50/02;G06F16/2458
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 鄭園;栗改

本發明提出了一種基于深度學習算法的農用地基準地價評估方法，步驟為：搜集市場交易資料，構建地價的樣本數據集；利用z?score方法對樣本的特征數據進行歸一化處理，并將原始樣本數據集隨機拆分為訓練樣本集合和測試樣本集合；利用深度置信網絡算法構建農用地基準地價評估模型，基于深層網絡結構進行樣本訓練學習，保存擬合精度最高的深層網絡結構的參數；將農用地評估單元的特征值輸入到訓練好的深層網絡結構中計算評估單元的地價；采用總分頻率法劃定評估單元級別，選用面積加權法進行基準地價計算。本發明能夠以較高的擬合精度建立地價與地價影響因素的映射關系，所求取的基準地價與農用地質量在空間分布規律上保持了較好的一致性。

技術領域

本發明涉及農用地土地基準地價評估的技術領域，具體涉及一種基于深度學習算法的農用地基準地價評估方法。

背景技術

農用地估價(agricultural land appraisal，ALA)工作是中國為促進農村土地使用制度深化改革而開展的一項重要工作，可為國家科學合理、依法統一管理農用土地、培育土地市場，提供科學精確的農用地標準價格體系。農用地基準地價評估對于順利開展土地承包經營權流轉、征地補償、土地整理、土地資產合理配置等農村土地管理工作具有十分重要的意義。

中國在地價評估工作實踐當中常用的方法包括算術平均模型及回歸模型：算數平均模型對某均質區域內的樣點地價取平均值來確定該區域基準地價，其缺陷在于該結果嚴重依賴于區域內樣點的空間及數量分布情況；線性模型和指數模型等回歸統計模型通過建立樣點地價與土地級別或定級單元作用分值之間的數學模型來預測基準地價，但該數學模型需要預先人為確定眾多影響因素權重值，具有很大的主觀性、經驗性與不確定性，并且無法準確地模擬地價與其影響因素之間復雜的非線性關系。針對傳統方法存在的缺陷，有研究人員嘗試利用模糊數學以及云模型等方法來改進傳統回歸模型，但上述方法更為關注定性因素的評估量化，未改善回歸模型的先天缺陷。由于影響地價的自然、社會、經濟等影響因素在空間上均具有隨機性和結構性，為消除變量本身的空間自相關對回歸結果的影響，Kriging空間插值法被用于構建地價求解方程，但該方法并未消除影響因素權重取值的隨意性。近十幾年來，人工神經網絡模型在基準地價評估研究中獲得廣泛應用。人工神經網絡模型具有自主學習地價樣本特征的優勢，且不需要確定權重，克服了多因素權重的確定受人為因素影響大的缺陷，并可利用多層神經網絡建立地價與影響因素之間的映射關系。也有學者進一步提出基于支持向量機(support vector machine，SVM)的基準地價評估模型，該算法無論是對樣本的擬合情況以及對地價的測算精度都要略優于人工神經網絡模型。無論是人工神經網絡模型或者支持向量機都屬于淺層學習算法，其有限的計算單元導致淺層學習的網絡難以全面的表征影響因素與農用地基準地價之間的復雜函數關系，并且隨著樣本數量的浮動及多樣性增加，淺層模型也無法適應復雜的樣本，地價評估精度也因此受到較大影響。

近些年興起的深度學習技術由于擁有多層非線性映射網絡層，使其具有強大的復雜函數表達能力，在復雜分類、識別、預測等問題的解決中獲得了廣泛應用，并取得良好的效果和效率。深度學習可以看作為神經網絡的發展，Hinton等認為深層神經網絡結構可以學習到對象更深刻更本質的特征。

發明內容

針對現有模型存在的主觀性強、淺層網絡無法表征影響因素與農用地基準地價之間的復雜函數關系等技術問題，本發明提出了一種基于深度學習算法的農用地基準地價評估方法，利用深度學習方法中的經典算法----深度置信網絡(deep belief network，DBN)來構建農用地基準地價評估模型，利用DBN算法的深層網絡結構來更精確地表征影響因素與農用地基準地價之間的復雜函數關系，進而提高了農用地基準地價的合理性。

為了達到上述目的，本發明的技術方案是：一種基于深度學習算法的農用地基準地價評估方法，其步驟如下：

步驟一：搜集市場交易資料構建地價影響因素特征體系，搜集地價相關的空間數據構建地價的樣本特征數據集；