[发明专利]一种基于异构图的房屋价值预测方法

权利要求书

1.一种基于异构图的房屋价值预测方法，其特征在于，包括步骤：

S10,利用房屋信息获取元路径和元图，构建异构信息网络；

S20,计算两个房屋之间的估价相似度，利用相似度来表明任何两个房屋实例之间的连通性，构造加权邻接矩阵来存储房屋之间的语义相似度；

S30,通过主成分分析求出房屋的属性矩阵；

S40,加权邻接矩阵和房屋属性矩阵作为输入，将整体图拆分为多个重叠的子图，并对每个子图并行进行特征学习；

S50,使用图形卷积网络从异构信息网络中提取房屋相关数据的空间信息，然后使用长短期记忆网络对房屋交易数据的时间依赖性进行建模；

S60,在长短期记忆网络提供的嵌入和价格标签之间添加一个多层感知器来解码，从而预测房价。

2.根据权利要求1所述的一种基于异构图的房屋价值预测方法，其特征在于，所述房屋信息包括地理信息、财务信息、设施信息和平面图信息；在所述步骤S10中利用房屋信息获取元路径和元图，构建异构信息网络，包括步骤：

S11,元路径是通过节点之间语义上有意义的关系连接一对网络节点的路径，枚举每两个房屋实体之间的所有现有关系，作为预定义的元路径，两个房屋之间具有任意数量的元路径；

S12,元图以有向无环图的形式，用作模板来捕获一对节点之间现有元关系的任意但有意义的组合。

3.根据权利要求2所述的一种基于异构图的房屋价值预测方法，其特征在于，在所述步骤S20中,计算两个房屋之间的估价相似度，利用相似度来表明任何两个房屋实例之间的连通性，构造加权邻接矩阵来存储房屋之间的语义相似度，包括步骤：

S21,元图数量由子串元路径计数的矩阵之间的哈达玛乘积来计数；相似性函数S(h_i,h_i)的核心是通过对不同的结构关系应用不同的权重来标准化房屋h_i和房屋h_j之间的元路径和元图的重要性；

S22,使用计算出的相似度来，通过N×N加权邻接矩阵来存储N个房屋之间的语义相似度。

4.根据权利要求3所述的一种基于异构图的房屋价值预测方法，其特征在于，在步骤S30中,通过主成分分析求出房屋的属性矩阵，包括步骤：

S31,使用独热编码来表示房屋数据中的每一个属性，将它们连接成一个数值向量，构成属性向量；

S32,通过主成分分析将属性向量的维数减少到D，我们最终形成房屋属性矩阵X，房屋属性矩阵X形状为N×D。

5.根据权利要求4所述的一种基于异构图的房屋价值预测方法，其特征在于，在所述步骤S40中,加权邻接矩阵和房屋属性矩阵作为输入，将整体图拆分为多个重叠的子图，并对每个子图并行进行特征学习；

S41,加权邻接矩阵A和房屋属性矩阵X作为输入；

S42,房屋在本质上被划分为相邻的地理区域，将整体图拆分为多个重叠的子图，并对每个子图并行进行特征学习。

6.根据权利要求5所述的一种基于异构图的房屋价值预测方法，其特征在于，在所述步骤S50中，使用图形卷积网络从异构信息网络中提取房屋相关数据的空间信息，然后使用长短期记忆网络对房屋交易数据的时间依赖性进行建模，包括步骤：

S51,对于第i个子图Ai，使用图卷积神经网络来学习每月数值特征嵌入，并利用逐层传播规则获取房屋相关数据的空间信息；

S52,利用长短期记忆网络来学习和更新每栋房子的估价，将图卷积神经网络的输出作为长短期记忆网络单位的输入；

S53,长短期记忆网络的输出将作为初始房屋属性传递给下一个图卷积神经网络单位。