[发明专利]一种基于神经网络统计学模型的房地产估值方法及系统

说明书

技术领域

本发明涉及一种神经网络估值方法及系统具体涉及一种基于神经网络统计学模型的房地产估值方法及系统。

背景技术

传统房地产评估方法估价的结果由于评估人员在经济属性、时间准度、市场内涵和市场层次等方面对估价对象的性质有着不同的理解，致使评估结果存在较大差异。传统估价方法往往注重市场信息，很少引入数理模型对不同房产的差别进行科学考量，过于依赖评估人员经验，且建筑成本、市场价格以及投资收益等参数在市场经济中是不确定以及随时变化的，这大大增加了评估者搜集和预测的难度，从而难以保证评估结果的准确性和可靠性。传统评估方法的核心是运用加权平均结构模型，这种评估方法的本质是线性的，而房产价值评估的理论本质具有特定的非线性。同时，评估指标的权重系数确定具有较大的主观任意性，也致使评估结果随评估人员的自身素质和经验影响很大，估价结果的可信度难免降低。

目前也有部分将神经网络引入房地产评估方法的作法，但由于采用的案例数量较少、指标选取不足、案例存在错误等原因，尚未引入集群思想、分布式算法，造成估价不准确。

中国专利《基于人工神经网络统计学模型的房地产价值估算方法》专利号201210283427.8，披露了一种利用神经网络进行房地产估值的方法，但是该专利没有对输入项的影响因子进行量化，导致标准不一致，输出结果不准确，该方法只采用一个神经网络进行估价也会导致输出结果不准确。

发明内容

为了解决上述问题，本发明提出一种基于神经网络统计学模型的房地产估值方法，包括下述步骤：

S1:建立人工神经网络集群训练库，按照行政区、物业类型、片区、小区的分类方式建立神经网络集群训练库，包括，行政区神经网络、物业类型神经网络、片区神经网络和小区神经网络，将样本数据导入每个神经网络训练库，由此形成神经网络集群训练库；

S2：确定每个神经网络训练库中每个样本的影响因子；

S3：对每个神经网络训练库中每个样本的影响因子按照预设量化标准进行等级量化，得出每个样本影响因子量化值；

S4：采用所述每个神经网络训练库中每个样本的影响因子量化值对神经网络进行训练，得出每个神经网络设定参数；

S5：存储步骤S4确定的每个神经网络设定参数；

S6:依照步骤S3中的量化标准对待估房产的影响因子进行等级量化得出待估房产影响因子量化值，按照步骤S5存储的每个神经网络设定参数，在每个神经网络中以待估房产影响因子量化值为输入项得出每个神经网络对待估房产的估价；

S7：选择步骤S6中不同神经网络所得出的神经网络待估房产估价乘以预设权重值得出待估房产最终估价。

进一步的，所述步骤S2中的影响因子为商业中心距离、交通状况、物管费、容积率、绿化率、建成年代、行政区、楼盘品牌、建筑面积、楼层、朝向、景观和装饰装修中的若干项或全部。

所述步骤S4中对每个神经网络进行训练随机分配70％-100％比例总样本作训练数据，0-30％比例总样本作为测试数据；

所述神经网络设定参数为神经元权值；

所述步骤S3还包括利用聚类去重算法、清洗算法对数据库中样本数据进行处理的步骤。

进一步的，在已经完成训练的神经网络训练库中，依次按照小区神经网络、片区神经网络、物业类型神经网络、行政区神经网络的顺序选择三个神经网络对待估房产进行估价并乘以权重值得出待估房产最终估价；

所述选择的三个神经网络对应的权重值按照小区神经网络、片区神经网络、物业类型神经网络、行政区神经网络的顺序依次设置为0.5、0.3、0.2；

每个神经网络采用分布式算法运算。

进一步的，所述步骤S4中对各神经网络训练采用如下步骤：

S41对于网络进行初始化，用较小的随机数初始化网络的权值W_ij和W_jk，设置学习步长η，令迭代次数n＝0；

S42从训练样本中取一训练样本，把样本中有关房地产评估的影响因素和1个评估结果输入网络中；

S43对于输入的训练样本，评估模型前向计算网络隐含层各节点的输入信号和输出信号；

S44计算评估模型中输出层节点的输入信号和输出信号；

S45由训练样本的期望输出和上一步得到的评估模型网络的实际输出，计算出输出误差e；