[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法

在審

• 申請?zhí)枺?/td>: 202011344364.3
• 申請日: 2020-11-24
• 公開（公告）號: CN112418939A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 李俊;劉勝強(qiáng);聶俊;楊文韜;舒文杰;藍(lán)子璇;許高武
• 申請（專利權(quán)）人: 中國科學(xué)技術(shù)大學(xué)先進(jìn)技術(shù)研究院
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/16;G06N3/08
• 代理公司: 深圳市世紀(jì)恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 晏波

1.一種基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述方法包括：

獲取數(shù)據(jù)集并將有房價標(biāo)簽的數(shù)據(jù)與無房價標(biāo)簽的數(shù)據(jù)分離，將有房價標(biāo)簽的數(shù)據(jù)集劃分為多個子數(shù)據(jù)集；

將所述子數(shù)據(jù)集分別輸入第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到第一房價預(yù)測模型；

將無房價標(biāo)簽數(shù)據(jù)輸入所述第一房價預(yù)測模型，將預(yù)測的房價作為無房價標(biāo)簽數(shù)據(jù)的房價；

將所述無房價標(biāo)簽的數(shù)據(jù)與所述有房價標(biāo)簽的數(shù)據(jù)融合成新數(shù)據(jù)集，將所述新數(shù)據(jù)集輸入第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到第二房價預(yù)測模型；

將待預(yù)測房屋特征信息經(jīng)過歸類處理后輸入到所述第二房價預(yù)測模型中以獲取房屋預(yù)測價格。

2.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述獲取數(shù)據(jù)集并將有房價標(biāo)簽的數(shù)據(jù)與無房價標(biāo)簽的數(shù)據(jù)分離包括：采集區(qū)域內(nèi)的房屋數(shù)據(jù)集，檢測所述房屋數(shù)據(jù)集內(nèi)各數(shù)據(jù)的數(shù)據(jù)類型并進(jìn)行歸類處理，將有標(biāo)簽房價數(shù)據(jù)與無標(biāo)簽房價數(shù)據(jù)分離。

3.如權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述數(shù)據(jù)類型至少包括時間戳型、數(shù)值型以及類別型；所述檢測所述房屋數(shù)據(jù)集內(nèi)各數(shù)據(jù)的數(shù)據(jù)類型并進(jìn)行歸類處理，包括：

若檢測到的數(shù)據(jù)類型為時間戳型，將時間戳的年、月、日分別分離成新的數(shù)據(jù)特征并當(dāng)成數(shù)值型特征進(jìn)行處理；

若檢測到的數(shù)據(jù)類型為數(shù)值型，使用平均值填充法對缺失的數(shù)值型特征進(jìn)行填充；

若檢測到的數(shù)據(jù)類型為類別型，統(tǒng)計數(shù)據(jù)集中每個類別型特征中類別數(shù)量，使用獨(dú)熱編碼方式將所述類別型數(shù)據(jù)轉(zhuǎn)化為可識別數(shù)據(jù)以增加特征數(shù)量。

4.如權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，還包括：對每個數(shù)值型特征進(jìn)行歸一化處理以改變特征分布，所述歸一化操作使數(shù)值型特征的均值為0，方差為1。

5.如權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述將有房價標(biāo)簽的數(shù)據(jù)集劃分為多個子數(shù)據(jù)集，包括：

獲取歸類處理后的有房價標(biāo)簽的數(shù)據(jù)集，將所述有房價標(biāo)簽的數(shù)據(jù)集以時間單位劃分為多個子數(shù)據(jù)集；

將每個子數(shù)據(jù)集按照訓(xùn)練集、驗(yàn)證集以及測試集進(jìn)行比例分割，其中，所述訓(xùn)練集、驗(yàn)證集以及測試集對應(yīng)的比例關(guān)系為8：1：1。

6.如權(quán)利要求5所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述第一房價預(yù)測模型至少包括兩個子房價預(yù)測模型；所述將所述子數(shù)據(jù)集分別輸入第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到第一房價預(yù)測模型，包括：

統(tǒng)計待訓(xùn)練房屋數(shù)據(jù)集的特征數(shù)量，將所述子數(shù)據(jù)集分別輸入所述第一神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到對應(yīng)的子房價預(yù)測模型；

根據(jù)所述子房價預(yù)測模型預(yù)測相應(yīng)時間段內(nèi)與有房價標(biāo)簽具有相似房屋特征信息的無房價標(biāo)簽的房價。

7.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，還包括：調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)以進(jìn)行模型優(yōu)化。

8.如權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法，其特征在于，所述參數(shù)至少包括：神經(jīng)網(wǎng)絡(luò)的隱層層數(shù)、各隱層的神經(jīng)元數(shù)量。

9.一種房價預(yù)測裝置，其特征在于，所述裝置包括存儲器、處理器以及存儲在所述存儲器并可在所述處理器上運(yùn)行的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價程序，所述基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價程序被所述處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-8任一項所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法的各個步驟。

10.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)存儲有基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價程序，所述基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-8任一項所述的基于神經(jīng)網(wǎng)絡(luò)挖掘房價時空關(guān)聯(lián)性以預(yù)測房價的方法的各個步驟。