[發明專利]基于可達性和市場預期的區域房價格自動化評估方法

在審

• 申請號: 202111030986.3
• 申請日: 2021-09-03
• 公開（公告）號: CN114140147A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 宋奕;劉璐
• 申請（專利權）人: 深圳市自然資源和不動產評估發展研究中心（深圳市地質環境監測中心）
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/16
• 代理公司: 武漢瑞創星知識產權代理事務所(普通合伙) 42274
• 代理人: 曹雄

1.基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：包括如下步驟：

Sp1：數據采集：通過網絡手機房屋數據、興趣點數據以及坐標、空間數據以及人口數據；

Sp2：指標提取：分析房源基礎指標以及收集房源距周邊場所的距離關系等；

Sp3:模型建立：將掛牌價與錨定效應結合，通過機器學習算法計算預期成交價，建立多元線性回歸模型預測最終價格；

Sp4：結果評估：通過K折交叉驗證的方法對結果進行評估得到預測模型，加入加入區域因素和錨定效應后，通過預測模型計算精度可達0.9以上。

2.根據權利要求1所述的基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：所述從互聯網以及中介平臺收了房屋相關的掛牌數據、成交情況以及房型特征數據，并將數據保存至服務器內，通過API獲取城市各類型興趣點數據以及坐標數據，且進行地理編碼，收集此區域的入口數量，形成基于同一時空的房價數據庫。

3.根據權利要求1所述的基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：所述房屋價格差異不同的主要因素為地理位置、交通條件、周邊環境以及房屋的情況，房屋基礎指標主要有房屋的面積、裝修程度、房屋的朝向，社區的環境和樓層的高度，區域指標主要有房屋距離車站以及地鐵的距離，到達購物中心、醫院、學校和辦公地的距離，行為經濟指標只要有掛牌價以及同期同類型房屋掛牌價均值，TOM，以及房屋的布局，服務設施的類型、規模、周邊人口。

4.根據權利要求3所述的基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：所述設施的供需比公式中Rj為設施位置j的供需比，對設施服務能力的衡量，d_ij為設施位置j與人口位置k之間的步行距離；

G(d_ij,D_j)為高斯函數，D_j為可達的最遠距離；

所述計算居民點的可達性，所述G(d_ij,D_j)為上述的高斯函數，A_i為人口位置點i的設施可達性，d_ij為人口位置i和設施位置之間的最小步行距離；

所述上述公式為根據POI距離與房地產價格，建立的可達性模型。

5.根據權利要求1所述的基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：所述掛牌價與成交價之間為正相關的關系，掛牌價的錨定效應與機器學習算法計算的預期成交價；

所述為t在區域z的房屋i的成交價格，α為常數項，為前90天窗口期內同類型房屋的成交均價，X_ik為影響i房價的因素，TOM_izt為房屋在市場上停留的天數，為當時掛牌價，為參考價，定價過高，為定價過低，γ₁為定價高形成的成交差異，γ₂為定價低形成的成交差異，ε為誤差項；

所述上述公式為基于錨定效應改變的模型。

6.根據權利要求1所述的基于可達性和市場預期的區域房價格自動化評估方法，其特征在于：所述采用機械學習算法計算，通過python的scikit-learn程序包進行了模型的計算；

RMSE為預測數據中偏離真實值較大的數據敏感，RMSE越小，表示模型精度越高；

R²為測量回歸效果，取值(0,1)；

在房價預測模型中只有房屋基礎指標時，模型的預測效果很差，依次加入區域因素以及錨定效應指標后預測精準度到達0.892，基于神經網絡的算法并進行優化測模型的精度可達0.9以上。