[发明专利]一种基于深度学习算法的农用地基准地价评估方法

说明书

本发明提出了一种基于深度学习算法的农用地基准地价评估方法，步骤为：搜集市场交易资料，构建地价的样本数据集；利用z‑score方法对样本的特征数据进行归一化处理，并将原始样本数据集随机拆分为训练样本集合和测试样本集合；利用深度置信网络算法构建农用地基准地价评估模型，基于深层网络结构进行样本训练学习，保存拟合精度最高的深层网络结构的参数；将农用地评估单元的特征值输入到训练好的深层网络结构中计算评估单元的地价；采用总分频率法划定评估单元级别，选用面积加权法进行基准地价计算。本发明能够以较高的拟合精度建立地价与地价影响因素的映射关系，所求取的基准地价与农用地质量在空间分布规律上保持了较好的一致性。

技术领域

本发明涉及农用地土地基准地价评估的技术领域，具体涉及一种基于深度学习算法的农用地基准地价评估方法。

背景技术

农用地估价(agricultural land appraisal，ALA)工作是中国为促进农村土地使用制度深化改革而开展的一项重要工作，可为国家科学合理、依法统一管理农用土地、培育土地市场，提供科学精确的农用地标准价格体系。农用地基准地价评估对于顺利开展土地承包经营权流转、征地补偿、土地整理、土地资产合理配置等农村土地管理工作具有十分重要的意义。

中国在地价评估工作实践当中常用的方法包括算术平均模型及回归模型：算数平均模型对某均质区域内的样点地价取平均值来确定该区域基准地价，其缺陷在于该结果严重依赖于区域内样点的空间及数量分布情况；线性模型和指数模型等回归统计模型通过建立样点地价与土地级别或定级单元作用分值之间的数学模型来预测基准地价，但该数学模型需要预先人为确定众多影响因素权重值，具有很大的主观性、经验性与不确定性，并且无法准确地模拟地价与其影响因素之间复杂的非线性关系。针对传统方法存在的缺陷，有研究人员尝试利用模糊数学以及云模型等方法来改进传统回归模型，但上述方法更为关注定性因素的评估量化，未改善回归模型的先天缺陷。由于影响地价的自然、社会、经济等影响因素在空间上均具有随机性和结构性，为消除变量本身的空间自相关对回归结果的影响，Kriging空间插值法被用于构建地价求解方程，但该方法并未消除影响因素权重取值的随意性。近十几年来，人工神经网络模型在基准地价评估研究中获得广泛应用。人工神经网络模型具有自主学习地价样本特征的优势，且不需要确定权重，克服了多因素权重的确定受人为因素影响大的缺陷，并可利用多层神经网络建立地价与影响因素之间的映射关系。也有学者进一步提出基于支持向量机(support vector machine，SVM)的基准地价评估模型，该算法无论是对样本的拟合情况以及对地价的测算精度都要略优于人工神经网络模型。无论是人工神经网络模型或者支持向量机都属于浅层学习算法，其有限的计算单元导致浅层学习的网络难以全面的表征影响因素与农用地基准地价之间的复杂函数关系，并且随着样本数量的浮动及多样性增加，浅层模型也无法适应复杂的样本，地价评估精度也因此受到较大影响。

近些年兴起的深度学习技术由于拥有多层非线性映射网络层，使其具有强大的复杂函数表达能力，在复杂分类、识别、预测等问题的解决中获得了广泛应用，并取得良好的效果和效率。深度学习可以看作为神经网络的发展，Hinton等认为深层神经网络结构可以学习到对象更深刻更本质的特征。

发明内容

针对现有模型存在的主观性强、浅层网络无法表征影响因素与农用地基准地价之间的复杂函数关系等技术问题，本发明提出了一种基于深度学习算法的农用地基准地价评估方法，利用深度学习方法中的经典算法----深度置信网络(deep belief network，DBN)来构建农用地基准地价评估模型，利用DBN算法的深层网络结构来更精确地表征影响因素与农用地基准地价之间的复杂函数关系，进而提高了农用地基准地价的合理性。

为了达到上述目的，本发明的技术方案是：一种基于深度学习算法的农用地基准地价评估方法，其步骤如下：

步骤一：搜集市场交易资料构建地价影响因素特征体系，搜集地价相关的空间数据构建地价的样本特征数据集；