申请/专利权人：武汉大学

申请日：2021-04-30

公开（公告）日：2023-05-23

公开（公告）号：CN113204719B

主分类号：G06F16/9537

分类号：G06F16/9537;G06N3/04;G06N3/084;G06Q30/02;G06Q30/0645;G06Q30/0601

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2021.08.20#实质审查的生效;2021.08.03#公开

摘要：本发明提供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,结合位置信息叠加、深度学习和地理加权回归GWR的方法，设计城市住房租金的定价模型。基于多尺度的位置信息叠加，可以充分挖掘、体现房屋所在的区位、邻里特征属性；将深度学习与地理加权回归相结合，可以一方面顾及到房价中的非线性、复杂特征，一方面体现房价的空间异质性特征，即反映了附近房价的影响。本模型可以较为准确地拟合、评估房租的价格。

主权项：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Yd与房租建筑因子A进行组合，得到[Yd,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ui,vi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，βkui,vi是第i个房屋的第k个回归参数，εi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，Wui,vi＝diawi1,wi2……wi3.,…,win，地理加权权重通过高斯核函数来确定：wij=exp-dijb2，其中，dij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Yg，第i个房屋通过GWR拟合的租金为Ygi；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。

全文数据：

权利要求：

百度查询： 武汉大学 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD