[发明专利]一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法

权利要求书

1.一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法，其特征在于：包括

以下步骤，

步骤1、对房屋周边的各类兴趣点POI进行多尺度的位置信息叠加；

步骤2、将位置信息的叠加结果与房屋本身的建筑属性合并，作为输入向量，将房屋租金作为输出向量，使用深度神经网络进行深度学习，拟合房屋租金估价的深度模型；

步骤3、将深度模型得到的房屋租金拟合与地理加权回归GWR模型结合，使租金的评估更充分地考虑地理位置的临近因素；为考虑附近房屋价格的影响，引入地理加权回归GWR模型，将房屋租金估价的深度学习结果与地理加权回归GWR模型结合，将步骤2所得深度模型的拟合值Y_d与房租建筑因子A进行组合，得到[Y_d, A]作为GWR的自变量，将房租价格作为因变量，进行地理加权回归拟合，GWR的形式如下

这里(u_i, v_i)为第i个房屋的坐标，n表示数据集中房屋的数量，m表示GWR输入因子的个数，β_k(u_i, v_i)是第i个房屋的第k个回归参数，ε_i为残差项，第i个房屋样本点的回归参数估计值为：，其中W为n×n的对角矩阵，对角线上各元素表示各个样本点的数据对于本房屋观测点的地理加权权重，W(u_i, v_i)＝dia(w_i1,w_i2……w_i3.,…, w_in)，地理加权权重通过高斯核函数来确定：w_ij=exp(-(d_ij/b)²)，其中，d_ij表示房屋i和房屋j之间的距离，b为地理加权回归模型中的带宽，带宽通过Akaike信息准则AIC方法确定，使得模型的AICC值达到最小的b为GWR模型中确定的带宽，记通过GWR拟合得到的房屋租金为Y_g，第i个房屋通过GWR拟合的租金为Y_g(i)；

步骤4、统计各房屋附近的租金样本点个数，当附近的租房样本点较多时，以步骤3地理加权回归模型的结果作为房租估价的最终结果；当附近的租房样本点较少时，以步骤2深度模型的结果作为房租估价的最终结果；

步骤5、采集一个城市的租房信息数据和POI数据，包含租赁房屋的建筑属性、租金、各POI的位置和类型，将数据按照步骤1-3进行位置叠加、深度学习和地理加权回归，从而得到深度学习模型和地理加权回归模型的各项参数；对于待估价的房屋，按同样的方式进行位置叠加，并将该房屋的相关属性输入到上述的深度学习模型和地理加权回归模型中，最终得到房屋的租金估价。