[发明专利]自动估值模型建模方法

说明书

本发明提供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。

技术领域

本发明涉及一种房屋市场价格评估的方法，尤其是涉及一种自动估值模型建模方法。

背景技术

目前房屋评估价是评估单位根据实地调查情况做出的价格判断。一般情况下，房屋评估价和市场价的定价主体不同，受市场因素影响程度有差异。房屋评估价就是中介机构依据相关数据对房屋进行评估后取得的价格。房屋评估价由评估单位进行实地考察之后作价。市场价一般就是税务部门纳税的时候出的一个价格，这个价格是在税务部门专门的系统里面有一个衡量标准。每个房子都是不一样的，影响房子市场价的因素也是多种多样的。而评估价是银行找评估公司评估，用来贷款的一个价格，一般评估价会低于市场价。但是，和市场价差距不会太大。评估价是指商品的成本或高于成本的评估叫评估价。

发明内容

本发明提供了一种自动估值模型，解决了房屋真实市场价值的发现问题，房屋市场价格评估是为了发现其真实市场价值，估价的依据是可比价格样本(交易案例)及相关特征变量信息，这是运用市场比较法的基本前提条件。其技术方案如下所述：

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。

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。

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。

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。

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。

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：