[发明专利]一种基于迁移学习的城市住宅地价评估方法

摘要

本发明公开了一种基于迁移学习的城市住宅地价评估方法,该方法涉及迁移学习的平复方法，属于资产评估领域，特别是在土地价格分类定级领域。本发明主要针对城市住宅地价数据集的特点，提出了一种基于迁移学习的城市住宅地价特征提取算法，针对现有地价回归评估模型的缺点，引入分类定级评估模型，对城市住宅地价数据集的缺陷进行克服。首先，对地价特征提取器进行训练，基于房价数据集，使用深度置信网络(Deep Belief Network，DBN)对蕴含在房价数据集中的房价与其特征因子之间的关系进行拟合。其次，保留训练好的DBN模型参数设置，基于DBN模型进行住宅地价特征提取。最后，基于已提取到地价特征集，利用不同的地价分类评估模型，对住宅地价实施分类定级评估。

主权项

1.一种基于迁移学习的城市住宅地价评估方法，该方法包括：步骤1：收集待评估区域中各地块的地价和不同类型房屋的房价，收集影响各地块地价与住宅房屋价格的影响因子，确定各影响因子对地价和房价的影响权重；步骤2：确定两个待训练的DBN模型，并采用步骤1得到的各地块不同类型房屋的房价数据对两个待训练的DBN模型进行训练；其中一个为降维型DBN模型包括：输入层，中间三层隐含层，输出层；该降维型DBN模型的输入层维度个数与步骤1中确定的影响因子个数相同；中间三层隐含层的维度个数小于输入层的维度个数，各隐含层都采用Dropout策略放置过拟合，各隐含层采用Sigmoid函数将输入映射到下一层；输出层的维度与步骤1中房屋类型的个数相同；另一个为扩展型DBN模型包括：输入层，中间三层隐含层，输出层；该扩展型DBN模型的输入层维度个数与步骤1中确定的影响因子个数相同；中间三层隐含层的维度个数大于输入层的维度个数，各隐含层都采用Dropout策略放置过拟合，各隐含层采用Sigmoid函数将输入映射到下一层；输出层的维度与步骤1中房屋类型的个数相同；步骤3：将步骤1中影响各地块价格的影响因子作为步骤2训练好的两个DBN模型的输入，获得每层隐含层的输出，将两个DBN模型中每层隐含层的输出组成集合作为各地块地价的特征集；步骤4：确定3个地价评估模型：BP神经网络模型、支持向量机(Support Vector Machine，SVM)模型、随机森林模型，采用各地块的地价和其对应的特征集对3个地价评估模型进行训练；步骤5：对无标签地块的价格进行评估；步骤5.1：获取对无标签地块有影响的影响因子，各影响因子的影响权重与步骤1中影响权重相同；步骤5.2：采用步骤3的方法获得该无标签地块的特征集；步骤5.3：分别采用BP神经网络模型、SVM模型、随机森林模型来确定城市住宅地价无标签地块的价格,再对个模型评估的价格求平均得到最终的评估价格。步骤5.4：根据步骤5.2的特征集，采用步骤5.3确定的地价评估模型评估出该无标签地块的地价。