房产信息处理方法、装置、计算机设备及存储介质与流程
本发明涉及计算机处理领域，特别是涉及一种房产信息处理方法、装置、计算机设备及存储介质。
背景技术：
随着经济的发展，出现了房地产金融业的繁荣，正确评估房地产价值对房产金融的开发和投资有十分重要的意义。对房地产进行估价，通常需要由持有《房地产估价人员岗位合格证书》或《房地产估价师注册证》的专业人员，根据估价目的，遵循估价原则，按照估价程序，运用估价方法，在综合分析影响房地产价格因素的基础上，结合估价经验及对影响房地产价格因素的分析，对房地产最可能实现的合理价格所作出的估计、推测与判断。但是传统的基于从业人员的估价不仅耗时耗力，而且往往会由于个人认知的偏差导致评估不够准确。
技术实现要素：
基于此，有必要针对上述房价评估耗时耗力、不够准确的问题，本发明提出了一种能准确并且自动地对房价进行评估的房产信息处理方法、装置、计算机设备及存储介质。
一种房产信息处理方法，所述方法包括：
获取待评估的房产信息对应的目标地理位置；
以所述目标地理位置为中心，获取预设范围内的所有配置信息；
根据预设的评分标准确定每一个配置信息对应的分数值；
根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；
根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
在其中一个实施例中，在所述获取待评估的房产信息对应的目标地理位置的步骤之前还包括：建立初始化的房价评估模型；根据采集到的房产价格和该房产周围的配置信息对所述初始化的房价评估模型进行训练确定相应的模型参数；根据确定的所述模型参数得到房价评估模型。
在其中一个实施例中，根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值的步骤包括：计算每一个配置信息与所述目标地理位置之间的距离；根据每一个配置信息与所述目标地理位置之间的距离，采用sigmoid函数将确定的所述分数值进行投影得到标准化的特征值。
在其中一个实施例中，所述根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值的步骤包括：根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应的标准化的特征值；将确定的每一类配置信息对应的标准化的特征值代入所述房产评估模型确定与所述目标地理位置对应的房产价格估计值。
在其中一个实施例中，所述根据预设的评分标准确定每一个配置信息对应的分数值的步骤包括：获取每一个配置信息对应的属性信息；获取与所述属性信息对应的评分标准；根据所述评分标准确定与所述配置信息对应的分数值。
一种房产信息处理装置，所述装置包括：
地理位置获取模块，用于获取待评估的房产信息对应的目标地理位置；
配置信息获取模块，用于以所述目标地理位置为中心，获取预设范围内的所有配置信息；
分数值确定模块，用于根据预设的评分标准确定每一个配置信息对应的分数值；
特征值确定模块，用于根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；
房产价格确定模块，用于根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
在其中一个实施例中，所述装置还包括：建立模块，用于建立初始化的房价评估模型；模型参数确定模块，用于根据采集到的房产价格和该房产周围的配置信息对所述初始化的房价评估模型进行训练确定相应的模型参数；模型确定模块，用于根据确定的所述模型参数得到房价评估模型。
在其中一个实施例中，所述特征值确定模块还用于计算每一个配置信息与所述目标地理位置之间的距离，根据每一个配置信息与所述目标地理位置之间的距离，采用sigmoid函数将确定的所述分数值进行投影得到标准化的特征值。
在其中一个实施例中，所述房产价格确定模块包括：分类模块，用于根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应的标准化的特征值；估计值确定模块，用于将确定的每一类配置信息对应的标准化的特征值代入所述房产评估模型确定与所述目标地理位置对应的房产价格估计值。
在其中一个实施例中，所述分数值确定模块还用于获取每一个配置信息对应的属性信息，获取与所述属性信息对应的评分标准，根据所述评分标准确定与所述配置信息对应的分数值。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待评估的房产信息对应的目标地理位置；
以所述目标地理位置为中心，获取预设范围内的所有配置信息；
根据预设的评分标准确定每一个配置信息对应的分数值；
根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；
根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
一个或多个存储有计算机可执行指令的非易失性计算机可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取待评估的房产信息对应的目标地理位置；
以所述目标地理位置为中心，获取预设范围内的所有配置信息；
根据预设的评分标准确定每一个配置信息对应的分数值；
根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；
根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
上述房产信息处理的方法、装置、计算机设备及存储介质，通过获取待评估的房产信息对应的目标地理位置，以该目标地理位置为中心，获取预设范围内的所有配置信息，根据预设的评分标准确定每一个配置信息对应的分数值，根据每一个配置信息与目标地理位置之间的距离将确定的分数值进行投影得到标准化的特征值，根据标准化的特征值采用房价评估模型确定与目标地理位置对应的房产价格估计值。上述房产信息处理的方法，通过采用建立的房价评估模型根据房产的地理位置以及该地理位置周围的配置信息就可以自动对该房价进行评估，与传统的专业人员进行评估的方式相比，该方法不仅省时省力，而且由于房价评估模型的建立是基于大数据进行建立的，能大幅度降低人工评估带来的偏差，有利于提高评估的准确性。
附图说明
图1为一个实施例中终端的内部结构框图；
图2为一个实施例中服务器的内部结构框图；
图3为一个实施例中房产信息处理方法的流程图；
图4为一个实施例中建立房价评估模型的方法流程图；
图5为一个实施例中将确定的分数值进行投影得到标准化的特征值的方法流程图；
图6为一个实施例中根据标准化的特征值采用房价评估模型确定与目标地理位置对应的房产价格估计值的方法流程图；
图7为一个实施例中根据预设的评分标准确定每一个配置信息对应的分数值的方法流程图；
图8为一个实施例中房产信息处理装置的结构框图；
图9为另一个实施例中房产信息处理装置的结构框图；
图10为一个实施例中房产价格确定模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，终端102的内部结构如图1所示，包括通过系统总线连接的处理器、内存储器、非易失性存储介质、网络接口、显示屏和输入装置。其中，终端102的非易失性存储介质存储有操作系统，还包括房产信息处理装置，该房产信息处理装置用于实现一种房产信息处理方法。该处理器用于提供计算和控制能力，支撑整个终端的运行。终端中的内存储器为非易失性存储介质中的房产信息处理装置的运行提供环境，该内存储器中存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种房产信息处理方法。网络接口用于连接到网络进行通信。终端102的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，也可以是外接的键盘、触控板或鼠标等。该终端可以是平板电脑、笔记本电脑、台式计算机等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图2所示，在一个实施例中，服务器104的内部结构如图2所示，包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该非易失存储介质包括操作系统和房产信息处理装置。该房产信息处理装置用于实现一种房产信息处理方法，该服务器的处理器用于提供计算和控制能力，支撑整个服务器的运行。该内存储器中存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种房产信息处理方法。该服务器的网络接口用于与外部的服务器或终端通过网络连接通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图3所示，在一个实施例中，提出了一种房产信息处理方法，该方法可以应用于终端或服务器中，具体包括以下步骤：
步骤302，获取待评估的房产信息对应的目标地理位置。
在本实施例中，目标地理位置是指待评估的房产信息所在的位置，该目标地理位置采用经纬度数值来表示。由于有些楼盘小区的成交均价(即单位面积的成交价格)没有办法直接获取，所以需要对这些不能直接获取到的房产的成交均价进行估计，而房产成交均价是与所在的地理位置紧密相关的，其中，成交均价是指单位面积的成交价格，即每平方米的成交价格。所以为了能够评估这些未知的房价信息，首先需要获取待评估的房产信息对应的目标地理位置，房产的目标地理位置是固定的，采用传统的定位技术即可获取该房产所在的经纬度信息。
步骤304，以目标地理位置为中心，获取预设范围内的所有配置信息。
在本实施例中，影响楼盘价格的因素除了地理位置外，还包括该楼盘周围的配置设施，比如，医院、学校。所以除了获取待评估房产的目标地理位置外，还需要以该目标地理位置为中心，获取该楼盘周围的所有配置信息，其中，配置信息包括学校、医院、商场、交通、景点、酒店等等影响房价信息的生活因素。楼盘周围的配置信息对该楼盘价格的影响是与距离是有关的，如果距离太远，那么影响度几乎可以忽略。所以只需要获取预设范围内的(比如，2000米以内)的配置信息。
步骤306，根据预设的评分标准确定每一个配置信息对应的分数值。
在本实施例中，为了能够量化每一个配置信息对房产价格的影响度，获取到房产预设范围内的所有配置信息后，需要根据预设的评分标准确定每一个配置信息对应的分数值。不同种类的配置信息对应的评分标准不同，比如，对于学校，可以根据小学、中学以及在当地的排名进行打分；对于医院，可以根据医院等级进行评分，比如，根据三甲医院、二甲医院等进行打分。具体地，首先，获取每一个配置信息对应的属性信息，属性信息是指该配置信息所属的种类，比如，属于学校、医院还是交通设施或是其他。预先对配置信息按照属性信息进行分类，然后设置不同配置信息对应的评分标准，即不同的属性信息对应的评分标准不同。所以在获取到每一个配置信息对应的属性信息后，根据该配置信息对应的属性信息就可以获取到与该配置信息对应的评分标准，然后根据该评分标准确定与该配置信息对应的分数值。举个例子，如果配置信息为医院，且针对于医院的评分标准是根据医院的等级来确定的，那么如果是三甲医院。则对应的分数值可以设为3，如果是二甲医院，那么对应的分数值可以设为2。
步骤308，根据每一个配置信息与目标地理位置之间的距离将确定的分数值进行投影得到标准化的特征值。
在本实施例中，配置信息对房产的影响度不仅与配置信息本身有关，还与该配置信息与该房产的距离有关，即相同配置信息处于不同距离位置对该房产的影响也是不一样的，所以在获取到每个配置信息对应的分数值后，还需要根据与房产的地理位置之间的距离对计算得到的分数值进行投影，得到标准化的特征值。后续将该标准化的特征值作为评估房产价格的依据进行相应的房价评估。具体地，根据配置信息的距离将配置信息的属性值共同投影到一个0到1之间的值，然后将上述得到的分数值乘以相应的属性值得到标准化的特征值。也就是说，为每一个配置信息设置一个与距离有关的系数因子，通过乘以该系数因子将得到的分数值进行统一标准化，以便后续更加准确的确定每个配置信息对房价的影响权重。在一个实施例中，可以设置不同距离对应的系数因子，比如，在0-100m以内，设置系数因子为1，在100m-200m范围内，设置系数因子为0.9，在200-500m范围内，设置系数因子为0.8等等，距离越远，相应的系数因子越小。相应的系数因子可以根据实际情况灵活的设置。举个例子，假设距离一个楼盘，在200m内有一个三甲医院的分数值为3，在500m内有一个二甲医院的分数值为2，那么将相应的分数值进行标准化后的值分为3*0.9和2*0.8。
在另一个实施例中，可以使用sigmoid函数作为距离的一个系数因子:
步骤310，根据标准化的特征值采用房价评估模型确定与目标地理位置对应的房产价格估计值。
在本实施例中，在根据配置信息与目标地理位置之间的距离得到标准化的特征值后，根据该标准化的特征值采用预先建立好的房价评估模型来计算得到目标地理位置对应的房产价格估计值。其中，房产评估模型是预先根据获取到的已知房产价格与该房产周围的配置信息进行训练得到的。所以根据房产周围的配置信息所对应的标准化的特征值就可以估计出该房产价格。
在本实施例中，通过获取待评估的房产信息对应的目标地理位置，以该目标地理位置为中心，获取预设范围内的所有配置信息，根据预设的评分标准确定每一个配置信息对应的分数值，根据每一个配置信息与目标地理位置之间的距离将确定的分数值进行投影得到标准化的特征值，根据标准化的特征值采用房价评估模型确定与目标地理位置对应的房产价格估计值。上述房产信息处理的方法，通过采用建立的房价评估模型根据房产的地理位置以及该地理位置周围的配置信息就可以自动对该房价进行评估，与传统的专业人员进行评估的方式相比，该方法不仅省时省力，而且由于房价评估模型的建立是基于大数据进行建立的，能大幅度降低人工评估带来的偏差，有利于提高评估的准确性。
在一个实施例中，在获取待评估的房产信息对应的目标地理位置的步骤之前还包括：建立房价评估模型。
如图4所示，建立房价评估模型具体包括以下步骤：
步骤312，建立初始化的房价评估模型。
在本实施例中，考虑到房价信息与房产所在的地理位置有关外，还与其周围的配置设施有密切关系。为了能够根据房产的地理位置以及周围配置信息自动对房产的价格信息进行估计，首先需要建立一个初始化的房价评估模型。由于房产周围的配置信息都是为了提高人的生活品质，所以可以假设获取到的各个配置信息因子与房产价格都是呈现正相关的。那么可以采用一个简单的线性回归模型作为初始化的房价评估模型，设y＝β0+β1x1+β2x2+…+βnxn，其中，x1，x2，x3，……，xn代表的是相应的配置信息所取的特征值，y代表的是相应的房价估计值。初始化的房价评估模型建立后，接下来就是需要对线性回归模型进行训练学习以便得到各个配置信息所对应的系数值，即β0，β1，β2，…，βn的值。
步骤314，根据采集到的房产价格和该房产周围的配置信息对初始化的房价评估模型进行训练确定相应的模型参数。
在本实施例中，在建立了初始化的房价评估模型后，需要构建对该初始化的房价评估模型进行训练学习的训练集。将采集到的已知房价信息与该房产周围的配置信息的房产数据作为训练集，并且按照预设的评分标准，分别确定每一个配置信息对应的分数值，并对该确定的分数值根据距离进行标准化得到相应的特征值，根据配置信息所对应的特征值以及相应的已知的房价信息对初始化的房价评估模型采用机器学习算法进行训练学习，以便获取到相应的系数值，其中，机器学习算法可以采用最小二乘法和梯度下降等算法。
如果使用采集到的全部的数据进行学习，那么很容易导致过拟合现象。所以，在一个实施例中，在模型训练的时候考虑交叉验证。交叉验证是一种统计学上将数据样本切割成较小子集的实用方法，可以先在一个子集上做分析，而其它子集则用来做后续对此分析的确认以及验证。一开始的子集被称为训练集，而其它的子集则被称为验证集或测试集。交叉验证的目标是定义一个数据集到测试的模型，在训练阶段以便减少像过拟合的问题。
在一个实施例中，首先定义采集到的所有的数据空间为p＝(χ,y)，其中χ＝(x1,x2,x3……)代表了采集到的数据的特征空间，其中的每一个xi对应着相应的数据点yi，yi代表了每一个楼盘地产的真实价值。需要注意的是，xi＝{xi1,xi2,xi3……}，其中的每一个值xij代表了一个特征。而每一个特征所对应的值除了与该特征本身有关外，还与该特征与楼盘之间的距离相关。通过使用采集到的数据空间中的数据对建立的初始化的房价评估模型进行训练以便得到相应的系数值，进而确定最终的房价评估模型。具体地，不妨设定模型的目标如下：
步骤316，根据确定的所述模型参数得到房价评估模型。
在本实施例中，在根据上述方式计算得到模型参数后，根据确定的模型参数得到房价评估模型。
在一个实施例中，在确定了各个模型参数后，需要对该得到的模型进行验证评估，评估标准包括绝对偏差的均值和方差，绝对偏差的中位数，r2分值等，只有验证合格的模型才允许用来进行相应的房价预测，不然需要反复调整相应的模型参数，直到模型能够符合相应的标准。具体地，
绝对偏差的均值：
绝对偏差的方差：
绝对偏差的中位数：
r2分值：
其中
其中，nsamples代表所有特征的数量，yi和
以上不同评估标准分别从不同角度对模型进行了验证评估，描述了我们选择的特征以及模型的置信程度。以上几种评估标准可以选择使用，但是作用不同。其中，绝对偏差的均值反映了总体偏移程度的高低，但是会对极高价和极低价的评估出现偏差(例如别墅区、经济适用区)，绝对偏差的方差主要是在均值相当的情况下，方差更低可以表明评估误差更小；绝对偏差的中位数考量了大多数情况下的偏差，但是总体偏差或许会很大，r2分值也叫拟合优度，反映的是预测值的方差和真实值方差的差别，越接近于1表示分类数据所来自的总体分布与预测分布相一致。
如图5所示，在一个实施例中，根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值的步骤308包括：
步骤308a，计算每一个配置信息与目标地理位置之间的距离。
步骤308b，根据每一个配置信息与目标地理位置之间的距离，采用sigmoid函数将确定的分数值进行投影得到标准化的特征值。
在本实施例中，当确定了每一个配置信息对应的分数值后，需要对该分数值按照预设的规则进行标准化，便于后续的计算。具体地，首先，计算每一个配置信息与目标地理位置之间的距离，然后根据计算得到距离采用sigmoid函数将确定的分数值进行投影得到标准化的特征值。该特征值便于后续根据预先建立的房价评估模型进行房产价格的评估。具体地，将sigmoid函数作为距离的一个系数因子:
其中，x的值表示配置信息与目标地理位置之间的距离，d的值为预先设置的距离范围，比如设置d＝1000m。τ的值决定了因子关于距离的衰减程度，取值越大，衰减越慢。比如，取值τ＝20。通过该公式将配置信息对应的分数值进行投影得到标准化的特征值，即将配置信息对应的分数值乘以该系数因子就得到了该配置信息对应的标准化的特征值。
如图6所示，在一个实施例中，根据标准化的特征值采用房价评估模型确定与目标地理位置对应的房产价格估计值的步骤310包括：
步骤310a，根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应的标准化的特征值。
在本实施例中，由于一个房产周围可能有很多配置信息，如果将每一个配置信息单独作为一个特征，不仅显得混乱，而且在建立房价评估模型时也会因为特征太多而难以拟合，所以可以根据配置信息的属性将配置信息进行分类，然后将每一类配置信息作为一个特征，确定每一类配置信息对应的标准化的特征值。比如，可以按照配置信息的属性将配置信息分为教育、医疗、交通、旅游、商业、生活服务等多种类型。比如，将小学、中学等统一归为教育，将三甲医院、二甲医院等统一归为医疗，将商业中心因子和商业美食因子等统一归为商业。举个例子，如果在房产周围总共有两个医院，一个是三甲医院，特征值为3，一个是二甲医院，特征值为2分，那么该房产周围的医疗特征对应的特征值为两者之和。
步骤310b，将确定的每一类配置信息对应的标准化的特征值代入房产评估模型确定与目标地理位置对应的房产价格估计值。
在本实施例中，将配置信息按照属性进行分类后，将确定的每一类配置信息对应的特征值代入房产评估模型，该房产评估模型根据输入的各个特征值对相应的房产价格进行估值，得到该房产的价格估计值。与之相应的，房产评估模型在训练学习时也是同样地将配置信息进行分类后进行训练的。
如图7所示，在一个实施例中，根据预设的评分标准确定每一个配置信息对应的分数值的步骤306包括：
步骤306a，获取每一个配置信息对应的属性信息。
在本实施例中，属性信息是指获取到的周边的配置设施本身所属的种类，比如，医院对应的属性信息为医疗，学校对应的属性信息为教育，商城对应的属性信息为商业，超市对应的属性信息为生活服务。获取每一个配置信息对应的属性信息是为了获取与该配置信息对应的评分标准。因为不同种类的配置信息评分标准肯定不同，比如，学校是按照排名来评分的，而医院可以采用评级来进行评分，而商场、超市则可以根据规模来评分。
步骤306b，获取与属性信息对应的评分标准。
在本实施例中，预先存储了属性信息与评分标准之间的对应关系，所以在获取到配置信息对应的属性信息后，就可以根据获取到的属性信息查找对应的评分标准。评分标准的设置是为了量化配置信息对房价的影响度。从而可根据确定的分数值来进行后续的房价评估。
步骤306c，根据评分标准确定与配置信息对应的分数值。
在本实施例中，在获取到与配置信息对应的评分标准后，就可以根据该评分标准来计算与配置信息对应的分数值，具体地，获取配置信息的特征来确定对应的分数值，比如，如果配置信息是医院，那么就获取该医院对应的评级及口碑，根据该评级和口碑来确定对应的分数值，比如，如果是三甲医院分数值为3，口碑若为优秀，则再加1分，如果一般，则不加分，如果差评，则相应的减1分。
如图8所示，在一个实施例中，提出了一种房产信息处理装置，该装置包括：
地理位置获取模块802，用于获取待评估的房产信息对应的目标地理位置。
配置信息获取模块804，用于以所述目标地理位置为中心，获取预设范围内的所有配置信息。
分数值确定模块806，用于根据预设的评分标准确定每一个配置信息对应的分数值。
特征值确定模块808，用于根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值。
房产价格确定模块810，用于根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
如图9所示，在一个实施例中，上述房产信息处理装置还包括：
建立模块812，用于建立初始化的房价评估模型。
模型参数确定模块814，用于根据采集到的房产价格和该房产周围的配置信息对所述初始化的房价评估模型进行训练确定相应的模型参数。
模型确定模块816，用于根据确定的所述模型参数得到房价评估模型。
在一个实施例中，特征值确定模块808还用于计算每一个配置信息与所述目标地理位置之间的距离，根据每一个配置信息与所述目标地理位置之间的距离，采用sigmoid函数将确定的所述分数值进行投影得到标准化的特征值。
如图10所示，在一个实施例中，房产价格确定模块810包括：
分类模块810a，用于根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应标准化的特征值。
估计值确定模块810b，用于将确定的每一类配置信息对应的标准化的特征值代入所述房产评估模型确定与所述目标地理位置对应的房产价格估计值。
在一个实施例中，所述分数值确定模块806还用于获取每一个配置信息对应的属性信息，获取与所述属性信息对应的评分标准，根据所述评分标准确定与所述配置信息对应的分数值。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待评估的房产信息对应的目标地理位置；以所述目标地理位置为中心，获取预设范围内的所有配置信息；根据预设的评分标准确定每一个配置信息对应的分数值；根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
在一个实施例中，在所述获取待评估的房产信息对应的目标地理位置的步骤之前，所述处理器执行所述计算机程序是还用于实现以下步骤：建立初始化的房价评估模型；根据采集到的房产价格和该房产周围的配置信息对所述初始化的房价评估模型进行训练确定相应的模型参数；根据确定的所述模型参数得到房价评估模型。
在一个实施例中，所述处理器所执行的根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值，包括：计算每一个配置信息与所述目标地理位置之间的距离；根据每一个配置信息与所述目标地理位置之间的距离，采用sigmoid函数将确定的所述分数值进行投影得到标准化的特征值。
在一个实施例中，所述处理器所执行的所述根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值，包括：根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应的特征值；将确定的每一类配置信息对应的特征值代入所述房产评估模型确定与所述目标地理位置对应的房产价格估计值。
在一个实施例中，所述处理器所执行的所述根据预设的评分标准确定每一个配置信息对应的分数值的步骤包括：获取每一个配置信息对应的属性信息；获取与所述属性信息对应的评分标准；根据所述评分标准确定与所述配置信息对应的分数值。
在一个实施例中，一个或多个存储有计算机可执行指令的非易失性计算机可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：获取待评估的房产信息对应的目标地理位置；以所述目标地理位置为中心，获取预设范围内的所有配置信息；根据预设的评分标准确定每一个配置信息对应的分数值；根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值；根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值。
在一个实施例中，在所述获取待评估的房产信息对应的目标地理位置的步骤之前，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行以下步骤：建立初始化的房价评估模型；根据采集到的房产价格和该房产周围的配置信息对所述初始化的房价评估模型进行训练确定相应的模型参数；根据确定的所述模型参数得到房价评估模型。
在一个实施例中，所述一个或多个处理器所执行的根据每一个配置信息与所述目标地理位置之间的距离将确定的所述分数值进行投影得到标准化的特征值，包括：计算每一个配置信息与所述目标地理位置之间的距离；根据每一个配置信息与所述目标地理位置之间的距离，采用sigmoid函数将确定的所述分数值进行投影得到标准化的特征值。
在一个实施例中，所述一个或多个处理器所执行的所述根据所述标准化的特征值采用房价评估模型确定与所述目标地理位置对应的房产价格估计值，包括：根据配置信息的属性将配置信息进行分类，确定每一类配置信息对应的特征值；将确定的每一类配置信息对应的特征值代入所述房产评估模型确定与所述目标地理位置对应的房产价格估计值。
在一个实施例中，所述一个或多个处理器所执行的所述根据预设的评分标准确定每一个配置信息对应的分数值的步骤包括：获取每一个配置信息对应的属性信息；获取与所述属性信息对应的评分标准；根据所述评分标准确定与所述配置信息对应的分数值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！