检索结果-南通市图书馆

基于POI数据的城市房价评估系统设计与实现

在线全文

学校读者我要写书评

暂无评论

长春师范大学学报 2023年第10期42卷 61-70页

作者：秦心静章平张新杨安徽工程大学计算机与信息学院安徽芜湖241000

数据挖掘技术与房价评估理论相结合是实现房价智能评估的途径之一。本文针对二手房地产价格评估问题,提出了利用兴趣点(POI)数据建立城市房价评估系统。该系统利用Django框架搭建系统后端,利用BootStrap和Echarts框架构建系统前端。根... 详细信息

数据挖掘技术与房价评估理论相结合是实现房价智能评估的途径之一。本文针对二手房地产价格评估问题,提出了利用兴趣点(POI)数据建立城市房价评估系统。该系统利用Django框架搭建系统后端,利用BootStrap和Echarts框架构建系统前端。根据用户发出的请求调用数据与模型,以地理图标、饼图、柱状图等可视化界面展示,实现具有模块化功能的可视化系统,提升用户可交互性。以合肥市为研究区域进行房产估价实践,验证系统的可行性。实验结果表明,该系统可以准确预测房产价格,帮助用户快速查询房产信息和POI信息,具有一定的实用价值。

关键词：兴趣点(POI) 房价评估 Django框架可视化

基于Spark的智慧城市房价评估系统的研究与实现

在线全文

学校读者我要写书评

暂无评论

基于Spark的智慧城市房价评估系统的研究与实现

作者：车江涛西安电子科技大学

学位级别：硕士

智慧城市的建设旨在解决城市发展过程中遇到的过于依赖人工、设计不够智能、预测不够精确等问题。房地产市场健康发展是智慧城市建设过程中与社会民生切实相关的重要组成部分。一方面,传统上房价评估依赖专业人士进行分析,凭借他们的经... 详细信息

智慧城市的建设旨在解决城市发展过程中遇到的过于依赖人工、设计不够智能、预测不够精确等问题。房地产市场健康发展是智慧城市建设过程中与社会民生切实相关的重要组成部分。一方面,传统上房价评估依赖专业人士进行分析,凭借他们的经验和领域知识,进行主观分析,因而不能客观的评价出房屋的真实价格而且人工成本较高。另一方面,在早期城市信息化建设过程中,政府单位会根据需求建立房产业务系统。但这些业务系统仍存在以下的问题:随着城市规模的不断扩大和需求多样性的进一步丰富,系统的数据量急剧增加,存储空间面临瓶颈;另外这些系统中的数据内部蕴含的十分重要的信息没有被有效挖掘。因此,传统的方法已经无法满足这些需求,研究一个支持大规模存储并能对房屋数据进行有效分析的系统成为解决上述问题的关键。基于以上需求和问题,在特征价格理论、大数据处理技术以及机器学习中的随机森林和线性回归算法基础上,研究和实现了房价评估的存储和分析系统。首先为了给房价评估提供更加准确的属性信息,设计和实现了一个快速的数据采集工具。其次为了解决上述数据量急剧增加的问题,实现了一个基于Hive的房产数据仓库,该数据仓库既可以一次性的将原来数据库中和房价评估有关的数据进行导入,也可以定时将数据库中的数据进行增量导入。接着设计和实现了整套数据的预处理流程,对预处理后的房屋属性特征进行相关性分析,从而去除和房屋价格相关性小的属性。最终得到适合机器学习算法的房屋属性输入数据集。然后在Spark平台上根据特征价格理论构建房价评估的线性回归和随机森林模型,并利用数据仓库中的数据进行多次交叉验证和参数调优,选出能够使评估房价和真实房价之间误差与构建模型所需的时间相平衡的模型参数。同时为了提高访问房价评估结果的性能,设计和实现了一套基于Redis的数据结构和访问接口。最后,将房价评估模型以RESTful WebService的形式发布来方便用户使用。本文在测试验证阶段,首先在虚拟机的基础上搭建了一套大数据处理框架,包括基于Zookeeper的高可用分布式文件系统HDFS、数据ETL工具Sqoop、数据仓库工具Hive、分布式内存计算框架Spark以及结果缓存的内存数据库Redis。实验采用893200条样本数据进行模型训练与调优,实验结果表明随机森林模型比线性回归更加适合房价评估问题。当选择好随机森林的参数后,评估房价和真实房价之间的平均绝对误差低于0.03,两个算法构建模型的时间都在可接受范围之内。由于随机森林可以很好的学习出房屋数据中的特征,所以在真实环境中我们采用了随机森林模型进行房价评估。最后对房价评估的四个模块和性能进行测试,并以表格的形式记录了主要的测试过程,详细的测试结果和评估标准充分表明房价评估需求已经基本完成。

关键词：智慧城市房价评估随机森林特征价格模型 Spark

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

房价评估中的定性分析

福建电脑 2014年第5期30卷 13-14,45页

作者：段卫国渭南师范学院数学与信息科学学院陕西渭南714099

现代人在城市买房已成为了常态，如何对房价进行评估，从而选择一套最适合的房子，这成为一个问题。本文利用初等模型，通过模糊数学运用主观权重确定方法，定性分析房价飙升的原因，以期望能正确引导大众选择合适自己的房子。

关键词：房价评估模糊数学主观权重确定法定性分析

基于ArcEngine的城市房价评估系统的设计与实现

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

内蒙古师范大学学报（自然科学汉文版） 2019年第3期48卷 250-256页

作者：来全包正义金额尔德木吐包玉海内蒙古师范大学地理科学学院内蒙古呼和浩特010022 内蒙古自治区遥感与地理信息系统重点实验室内蒙古呼和浩特010022 中国科学院地理科学与资源研究所北京100101

以满足房地产行业中房价的快速评估为目的,研究了基于ArcEngine的城市房价评估系统.以内蒙古包头市为研究区,在介绍系统数据构成基础上,制定了房产估价原则,建立了房价估算模型.并以Visual Studio 2010开发环境下的C#语言对ESRI的ArcEng... 详细信息

以满足房地产行业中房价的快速评估为目的,研究了基于ArcEngine的城市房价评估系统.以内蒙古包头市为研究区,在介绍系统数据构成基础上,制定了房产估价原则,建立了房价估算模型.并以Visual Studio 2010开发环境下的C#语言对ESRI的ArcEngine开发组件进行二次开发.系统开发的整个过程包括:系统数据的处理、数据库的建立、系统框架结构设计、系统主要功能实现.该系统的实现证明了GIS的空间分析能力在房价评估中的良好应用效果.同时,系统也为房地产行业的空间信息化发展、相关部门的房价宏观预测、二手房选购者对房屋价格的评判、地理信息系统的市场应用等方面提供信息支撑.

关键词： ArcEngine开发房价评估系统设计与实现

在线全文

学校读者我要写书评

暂无评论

基于灰色关联与贴近度的房价评估

电子技术与软件工程 2015年第17期 188-189页

作者：李毅东华大学信息科学与技术学院上海市201620

随着经济的迅速发展,房地产交易日益频繁,能够快速、准确的确定房屋价格在维护市场公平与秩序上显得尤为重要。在实际过程中,房屋的不同特征,如地理区位、交通状况等都在不同程度上影响了估价,这些特征的模糊性降低了估价的正确性。本... 详细信息

随着经济的迅速发展,房地产交易日益频繁,能够快速、准确的确定房屋价格在维护市场公平与秩序上显得尤为重要。在实际过程中,房屋的不同特征,如地理区位、交通状况等都在不同程度上影响了估价,这些特征的模糊性降低了估价的正确性。本文通过在房价市场法估计的基础上引入灰色关联与贴近度分析建立模型,降低了估价的主观性与特征的不确定性。

关键词：房价评估灰色关联贴近度市场法

基于数据挖掘方法的HEDONIC房屋价格评估模型——以美国城市西雅图为例

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2019年第5期3卷 19-26页

作者：陈万成戴浩然金映含浙江大学地球科学学院

【目的】依据HEDONIC理论,利用不同类型特征构建商品房价格评估模型,为房屋价格评估工作提供一个效率更高、成本更低、准确性更高的解决方案。【方法】利用空间分析方法,对预处理后的数据构造并选取重要特征,基于随机森林、神经网络以及... 详细信息

【目的】依据HEDONIC理论,利用不同类型特征构建商品房价格评估模型,为房屋价格评估工作提供一个效率更高、成本更低、准确性更高的解决方案。【方法】利用空间分析方法,对预处理后的数据构造并选取重要特征,基于随机森林、神经网络以及KNN建立融合模型。【结果】分析西雅图2014年至2015年商品房价格评估结果可以得出:该模型明显优于线性HEDONIC模型,准确度提升11.20%,较为可靠。【局限】选取样本数据时,时间截面并不完全一致,导致模型存在潜在缺陷;由于市场环境不同等多种因素,将该模型运用于中国房屋价格的评估可能会存在偏差。【结论】本文提出的融合模型是一种较为可靠的房屋价格评估模型。

关键词：房价评估 HEDONIC模型随机森林神经网络 KNN

基于分层概率结构的城市房地产特征价格模型研究

在线全文

学校读者我要写书评

暂无评论

基于分层概率结构的城市房地产特征价格模型研究

作者：秦心静安徽工程大学

学位级别：硕士

随着经济的飞速发展,房地产市场逐渐完善,二手房交易市场逐年扩张,合理评估二手房价格的问题也越来越突出。一方面,房屋具有特征种类较多,房价与特征之间的关系错综复杂,房价评估过程需要综合各类特征影响的特点。另一方面,房价评估流... 详细信息

随着经济的飞速发展,房地产市场逐渐完善,二手房交易市场逐年扩张,合理评估二手房价格的问题也越来越突出。一方面,房屋具有特征种类较多,房价与特征之间的关系错综复杂,房价评估过程需要综合各类特征影响的特点。另一方面,房价评估流程中仍存在着估价受主观影响较大、评估效率低、评估过程对房价波动原因的解释性较低等问题。因此,需要研究一种可以有效估算房屋价格,并且对价格构成具有一定解释性的房价评估方法。基于以上需求,本文在数据挖掘技术、特征价格模型(Hedonic Price Model,HPM)、机器学习算法的基础上,开展了基于分层概率结构的城市房地产特征价格模型研究。针对获取房屋特征数据集的问题,通过数据挖掘技术采集二手房屋数据、城市兴趣点(Point of Interest,POI)数据、学校数据和公共交通设施数据,构建包含房屋基本特征、位置特征和环境特征的城市房屋特征数据集。对房价评估的研究,主要研究内容和研究结果如下:(1)提出一种基于位置子市场的城市房价评估贝叶斯概率模型,解决特征价格模型在评估中容易出现预测精度和可解释性不足的问题。该模型借鉴了子市场聚类的思想,将子市场看作一个潜在变量,依据位置特征建立子市场标准;子市场标准和特征价格模型作为贝叶斯网络的概率依赖,确定子市场效应范围;获得房屋在每个子市场的概率和预测价格。使用杭州市房屋数据,测试模型算法性能,并分析子市场划分结果。实验结果表明,本文模型对房价预测的精度优于对比模型,且具有一定的可解释性,在房价评估中具备可行性。(2)提出单个子市场的模型更新方法,解决增量房地产数据的特征价格模型更新问题。将前期批量数据构建的房价评估模型视为一个整体,单个子市场模型视为一个节点。当新增二手房数据时,利用增量数据的位置特征划分每个子市场的增量数据集,对增量数据所属子市场进行模型更新。实验结果表明,该更新方式在房屋增量数据的应用,可以在提升模型预测精度的同时,减少模型更新工作量。(3)对比分析不同城市房地产特征价格模型的差异,并设计实现了基于位置子市场贝叶斯概率模型的城市房价评估系统,研究房价评估模型的适用性和实用性问题。对于模型适用性问题,使用具有相同特征的两个城市数据集,构建基于位置子市场的贝叶斯概率模型,对比模型性能差异和城市间子市场区域构成。实验结果表明,该模型运用于不同城市中算法性能都有所提高。分析子市场发现,不同城市相同功能区的关键影响因素相似。对于模型实用性问题,基于本文模型构建房价评估系统。系统利用Django框架搭建,根据用户请求调用房屋数据与预测模型,以地理图标、饼图、柱状图等可视化界面展示,实现具有房价评估、信息查询等模块化功能。

关键词：房价评估特征价格模型机器学习子市场兴趣点(POI) 概率模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于位置子市场划分的房价贝叶斯概率模型

重庆工商大学学报（自然科学版） 2023年第5期40卷 81-88页

作者：秦心静章平张新杨安徽工程大学计算机与信息学院安徽芜湖241000

针对特征价格模型(HPM)在面对房价与特征复杂关系时容易出现预测精度和可解释性不足的情况,提出一种基于子市场效应的贝叶斯概率模型。在改进算法设计时,首先借鉴子市场聚类思想,引入一个潜在变量表示子市场,依据位置邻近性和可替代性... 详细信息

针对特征价格模型(HPM)在面对房价与特征复杂关系时容易出现预测精度和可解释性不足的情况,提出一种基于子市场效应的贝叶斯概率模型。在改进算法设计时,首先借鉴子市场聚类思想,引入一个潜在变量表示子市场,依据位置邻近性和可替代性建立子市场标准;其次,将子市场标准和特征价格模型作为贝叶斯网络的概率依赖确定各子市场效应的范围,完成子市场划分;最后,依据房屋所属子市场的概率预测房价,且分析子市场的关键影响因素,以提升预测精度和可解释性。将模型与5个现有模型从平均绝对百分比误差、平均绝对误差和均方根误差3个方面对比;根据杭州市2019年之前的房产数据,分别测试非子市场模型与子市场模型的算法性能。实验表明:该贝叶斯模型对房地产价格预测精度优于对比模型,且具有可解释性的优点。

关键词：房价评估 HPM模型概率模型位置特征子市场

GAN-BPM：基于GAN的子市场划分房屋定价模型

在线全文

学校读者我要写书评

暂无评论

重庆工商大学学报(自然科学版) 2023年

作者：唐朝君章平包象琳徐晓峰安徽工程大学计算机与信息学院

【目的】针对城市房屋市场数据中存在着分布和类别不平衡以及特征价格模型（Hedonic Price Model，HPM）在面对房价与特征关系可解释性不足的问题，提出了一种基于对抗生成网络(Generative Adversarial Net，GAN)的子市场划分房屋定价... 详细信息

【目的】针对城市房屋市场数据中存在着分布和类别不平衡以及特征价格模型（Hedonic Price Model，HPM）在面对房价与特征关系可解释性不足的问题，提出了一种基于对抗生成网络(Generative Adversarial Net，GAN)的子市场划分房屋定价模型。【方法】在改进子市场划分房屋定价模型时，首先引入了GAN作为数据增强的技术模块，生成具有多样性和逼真度的合成样本，增加样本的多样性，提高模型的泛化能力，接着结合GAN的数据增强和子市场划分的房屋定价模型，最后，依据房屋所属子市场的概率预测房价，并分析对房价的关键影响因素，提升预测精度和可解释性。【结果】将模型与5个现有的模型以及未加入GAN的子市场划分房屋定价模型，从平均绝对百分比误差、平均绝对误差和均方根误差三个方面进行对比；通过使用杭州市2020年的房产数据，对模型的算法性能进行了测试。【结论】实验证明引入GAN的数据增强技术模块后，模型在房地产价格预测方面优于其他对比模型，并且具有可解释性的优点。

关键词：房价评估 GAN 数据增强房产数据位置特征子市场