[發明專利]房價預測方法及計算機可讀存儲介質

在審

• 申請號: 202010018098.9
• 申請日: 2020-01-08
• 公開（公告）號: CN111199322A
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 段煉;覃子涵
• 申請（專利權）人: 廣西鑫朗通信技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/16;G06K9/62
• 代理公司: 深圳市科吉華烽知識產權事務所(普通合伙) 44248
• 代理人: 胡吉科

1.一種房價預測方法，其特征在于，包括以下步驟：

獲取房屋相關數據，所述房屋相關數據至少包括：房屋屬性數據、原始房價數據、空間環境數據；

對所述房屋相關數據進行特征提取，得到有效的房屋建成環境特征信息；

基于所述特征信息，采用Stacking技術融合多種分類模型，構建Stacking房價預測模型。

2.根據權利要求1所述的房價預測方法，其特征在于，所述對所述房屋相關數據進行特征提取，得到有效的房屋建成環境特征信息的步驟之前還包括：

對所述房屋相關數據進行預處理。

3.根據權利要求2所述的房價預測方法，其特征在于，所述對所述房屋相關數據進行特征提取，得到有效的房屋建成環境特征信息的步驟之后還包括：

對所述有效的房屋建成環境特征信息進行清洗、過濾。

4.根據權利要求3所述的房價預測方法，其特征在于，所述對所述有效的房屋建成環境特征信息進行清洗、過濾的步驟包括：

對于所述有效的房屋建成環境特征信息中非數值數據進行數值化處理，舍棄特征缺失量達到預設條件的數據，剔除特征數據中的重復值、異常值和極端值；

通過皮爾森相關系數過濾掉所述有效的房屋建成環境特征信息中相關性滿足預設強度條件的特征。

5.根據權利要求4所述的房價預測方法，其特征在于，所述對所述有效的房屋建成環境特征信息進行清洗、過濾的步驟中還包括：

綜合多種分類模型對所述有效的房屋建成環境特征信息進行特征重要性分析，基于分析結果得到的特征重要度，從所述有效的房屋建成環境特征信息中剔除掉與房價關系達不到預設關聯條件的特征。

6.根據權利要求5所述的房價預測方法，其特征在于，所述綜合多種分類模型對所述有效的房屋建成環境特征信息進行特征重要性分析，基于分析結果得到的特征重要度，從所述有效的房屋建成環境特征信息中剔除掉與房價關系達不到預設關聯條件的特征的步驟包括：

利用多種分類模型分別計算所述有效的房屋建成環境特征信息中各特征的特征重要度，得到不同分類模型的多個特征重要度，其中，特征重要度與房價關系關聯；

對所述不同分類模型的多個特征重要度取平均值，得到各特征的最終特征重要度；

基于各特征的最終特征重要度，按照特征重要性篩選出特征重要性較高的特征，將特征重要性較低的特征舍棄。

7.根據權利要求1-6中任一項所述的房價預測方法，其特征在于，所述對所述房屋相關數據進行特征提取，得到有效的房屋建成環境特征信息的步驟包括：

從所述房屋相關數據中提取房屋屬性特征、原始房價特征及空間環境特征；其中：

從所述房屋相關數據中提取空間環境特征的步驟包括：

對預設的地區進行網格劃分，得到若干個網格區域；

將空間環境數據投射到每個網格區域中，所述空間環境數據包括：空間地理數據、犯罪數據，所述空間地理數據包括：POIS、鐵路網、交通站點、房屋建筑；

提取每個網格區域的空間環境特征，所述空間環境特征包括：POIS空間影響力、距鐵路網的距離、鐵路密度、道路網密度、距交通站點的距離、房屋建筑密度、犯罪強調。

8.根據權利要求7所述的房價預測方法，其特征在于，所述基于所述特征信息，采用Stacking技術融合多種分類模型，構建Stacking房價預測模型的步驟包括：

將所述有效的房屋建成環境特征信息隨機分為訓練樣本數據和測試樣本數據；

將所述訓練樣本數據隨機拆分成四組，分別輸入至預設的四個基礎分類器中進行第一層訓練，得到訓練后的四個基礎分類模型，所述四個基礎分類模型包括：隨機森林回歸模型、自適應增強算法回歸模型、極度隨機樹回歸模型、梯度提升回歸模型；

選取四個測試樣本數據分別輸入至所述四個基礎分類模型進行測試，得到四個測試結果；

將所述四個測試結果作為訓練數據輸入至SVM模型進行第二層訓練，經過多次輪回，完成所有模型訓練，得到Stacking房價預測模型。