[发明专利]自动估值模型建模方法

权利要求书

1.一种自动估值模型建模方法，包括下列步骤：

(1)建立案例数据的数据库，在案例去重后，对建模需要的缺失值进行填补；

(2)去除建模数据中的异常值，并将特征增加；

(3)通过比例关系模型、特征价格模型、机器学习模型三种方式并行运算，预测出三个评估价格；

(4)通过三个价格横向之间以及与该小区历史价格纵向之间的比较判断，做出终值判定；

(5)结合高级特征修正后，得到最终结果。

2.根据权利要求1所述的自动估值模型建模方法，其特征在于：步骤(1)中，数据库采集的数据包含：房屋挂牌数据、房屋成交数据、房屋特征修正系数数据、小区信息数据、小区历史基准价数据。

3.根据权利要求1所述的自动估值模型建模方法，其特征在于：步骤(1)的缺失值指房屋特征信息的缺失，所述房屋特征信息包括房屋朝向、房屋面积、房屋楼层、房屋装修情况；步骤(2)的异常值是指个别异常单价的房屋，明显高于或低于该小区均价的房屋，异常值带入模型会对预测效果产生较大影响，要做清洗异常值处理。

4.根据权利要求1所述的自动估值模型建模方法，其特征在于：步骤(3)中，所述比例关系模型包括基准价和修正系数体系两个维度，基准价是指一个小区内标准房的价格，标准房是指在一个小区或一个楼宇内拥有最多共同属性或者数据最多的典型房地产；基准价计算程序是由python语言开发的一个计算脚本，通过整合房屋挂牌数据、房屋成交数据、房屋小区数据来计算小区基准价；

所述修正系数体系由城市办估价师依据不同城市的实际情况给出，参数包含朝向、面积、楼层、装修类型、住宅性质、楼栋信息。

5.根据权利要求1所述的自动估值模型建模方法，其特征在于：步骤(3)中，所述特征价格模型是在一定区域范围内，把待估房地产价值作为被解释变量，把影响其价值的若干因素作为解释变量，采集大量房地产交易价格及影响因素样本数据，建立多元回归模型，然后利用该模型计算出待估房地产的价值。

6.根据权利要求5所述的自动估值模型建模方法，其特征在于：所述特征价格模型中，影响其价值的因素包括房屋单价、面积、朝向、总楼层、当前层、建成年代、装修类型、建筑形式、建筑类别、小区绿化率、小区容积率、小区物业费、小区经纬度的信息；

特征价格模型的形式具体如下：

P、Y是表示房屋单价的变量，P是模型公式中的表示，Y是样本案例的单价表示，X是样本案例的各项特征维度表示，X和Y结合其下标的数字代表不同组的结果，α和β均是特征变量X的待估系数，α和β结合其下标的数字代表不同组的样本案例，ε代表回归模型的残差项，c代表回归模型的常数项，下标k代表不同组的样本案例，下标n代表同组样本下不同的特征变量，Un代表回归模型的残差项。

7.根据权利要求1所述的自动估值模型建模方法，其特征在于：所述机器学习模型包括以下步骤：

1)确定小区基准价；整合房产属性数据、空间数据、价格数据以及其他调研数据，通过数据库关联、数据整理建立做好数据准备，分为案例充足与案例不充足，案例充足的取小区中位数为基准价，案例不足的用指数调整法调整案例数量，如再不充足用插值模型，或者聚类算法给出价格，通过以上算法最终给出小区基准价；

2)样本抽取；分为训练集和测试集，针对训练集采取分层随机抽样保证样本覆盖度，针对测试集采用随机抽取真实成交案例，保证模型可信度；

3)模型训练；使用支持向量机进行模型训练，将低维空间线性不可分问题转换为高维空间线性可分问题；使用随机森林进行模型训练，多个决策树的组合，最终结果由多个决策树共同作用产生，可以得到小区到户价格的映射，不需要人工计算调整系数；

4)模型结果级联；通过预测结果级联，避免单一模型估值偏差，提升模型估值稳定性。根据监测指标PPE进行级联，得到机器学习模型评估结果。