[发明专利]一种基于异构图的房屋价值预测方法

说明书

本发明公开基于异构图的房屋价值预测方法，利用房屋信息获取元路径和元图，构建异构信息网络；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；通过主成分分析求出房屋的属性矩阵；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；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，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；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，预测房价。本发明能够准确反映目标房屋的市场价值，克服房屋交易的不连续性和稀缺性。

技术领域

本发明属于机器学习和数据挖掘技术领域，特别是涉及一种基于异构图的房屋价值预测方法。

背景技术

随着经济的高速发展，人民生活质量得到了极大提高，对住房质量、住房环境、小区配套服务等的要求也随之不断提高。在过去的几年时间里，房地产的价格快速地上涨，房价成了各种社会矛盾的焦点。住房问题本生就是关系国计民生的大问题，准确和最新的房屋估价对各种房地产利益相关者至关重要。传统上，房价评估是通过基于目标房产、周边地区和历史数据的专家知识的房地产评估来进行的，主要通过主要检查房价和一系列量化特征之间的关系，如房产大小、室内装修、卧室和设施的数量、到学校集水区的距离等，来自动化房屋估价。

现有的房地产估价方法不足以解决现实生活中房地产市场表现出的两个基本问题：数据新鲜度和稀疏性问题。这里的关键问题是两笔房产交易之间会有几年的间隔，在任何给定的时间内，市场上都只有少量的房子。新交易的数量不仅少，而且新交易的房屋分布在数以千计的家庭中的一个大的人口区域，使得很难对交易房屋之间的关系进行有效的建模和推理。此外，2000年以前的交易数据往往不是数字形式，这进一步降低了房屋交易数据的可用性。当前房屋交易数据的缺乏意味着先前方法所依赖的许多定价信息不能准确反映目标房屋的市场价值，鉴于复杂而动态的房地产市场，房屋交易的不连续性和稀缺性使得建立一个准确的房屋估价预测器变得极其复杂。

发明内容

为了解决上述问题，本发明提出了一种基于异构图的房屋价值预测方法，在异构信息网络(HIN)中组织房屋数据，其中图形节点是房屋实体和属性；使用图形卷积网络(GCN)从HIN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(LSTM)对房屋交易数据的时间依赖性进行建模；能够准确反映目标房屋的市场价值，克服房屋交易的不连续性和稀缺性。

为达到上述目的，本发明采用的技术方案是：一种基于异构图的房屋价值预测方法，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。

进一步的是，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。