一种基于YOLO算法的社区灯光指数反演的房价预测方法与流程

本发明属于数据处理模型领域，尤其涉及一种基于yolo算法的社区灯光指数反演的房价预测方法。

背景技术：

1、房价历来是最为贴切国民生活、最受老百姓关心的问题；同时房价也是国民经济重要组成成分、是国家经济战略部署的重点对象。基于其重要性，各行业众多学者致力于房价的研究和预测。有学者从经济学角度入手，以不同方法证明了可用先行信息预测未来房价走向，但是大多仅基于统计数据，而缺乏空间分析，也有大量地理学家利用房价的数理统计性质将其与地理区位进行联系研究，但目前关于城市住房价格的研究大多并没有利用到更为客观的监测数据。

技术实现思路

1、本发明旨在解决上述问题，提供一种基于yolo算法的社区灯光指数反演的房价预测方法。

2、本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，包括如下步骤：

3、步骤1、收集与筛选目标城市的平均房价数据，获得目标城市若干历史年份的住宅商品房平均房价；

4、步骤2、在目标城市区域内选取若干个住宅小区作为监测对象，布设监测设备进行亮灯情况影像获取，获得影像数据；

5、步骤3、统计亮灯情况；将获得的影像数据通过yolo目标检测算法对亮灯进行智能提取识别；然后求取每个小区的平均亮灯数量，最后取得目标城市的平均亮灯数量；

6、步骤4、进行入住率转化；利用亮灯数量转化为入住率；计算方法为：入住率＝小区实际入住户数/小区总户数；其中小区实际入住户数等于小区亮灯户数；

7、步骤5、绘制散点图；所述散点图的横轴为目标城市住宅平均房价，纵轴为目标城市平均入住率，目标城市的平均入住率与住宅平均房价成正相关关系，进行相关分析计算相关系数来确定平均入住率与平均房价变量的相关的强弱程度；

8、步骤6、进行目标城市入住率与平均房价回归模型建立与对比；逐一建立多个回归模型，针对目标城市的多个回归模型的回归方程拟合优度和显著性检验，交叉对比得出目标城市的平均入住率与住宅商品房平均房价的回归方程；

9、步骤7、进行回归模型的合理性评价。通过步骤6的计算与对比分析可得到拟合优度最高的回归函数即为指数函数。通过对模型进行合理性评价进一步确保模型的真实性。

10、进一步，本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，步骤3中通过yolo算法对亮灯进行智能提取识别后，对识别提取的结果结合住宅小区的户型图信息进行人工去重校正。避免出现同一套房屋多个房间亮灯而统计多遍的误差。

11、进一步，本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，步骤2所述进行亮灯情况影像获取在晚上8点到10点，连续一个月或者半年对每个住宅小区的亮灯情况进行拍摄监测。

12、进一步，本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，所述yolo目标检测算法的模型结构包括四部分，分别是输入端、骨干网、特征网络架构及输出端；

13、所述输入端包括mosaic数据增强、自适应图片缩放及自适应锚框三部分；

14、所述mosaic数据增强用于将四张图片进行有序组合；

15、所述自适应图片缩放用于将原始图片自适应添加黑边，统一缩放到一个标准尺寸，再送入检测网络中；

16、所述自适应锚框为每次训练时自适应的计算训练集中的最佳锚框值；

17、所述骨干网的结构包含focus模块、bottleneckcsp模块和空间金字塔池化；

18、所述focus模块用于将图像进行切片操作，并经一次卷积操作得到下采样特征图；所述bottleneckcsp模块用于参考跨阶段局部网络由卷积层和x个resnet模块组成，图片经过bottleneckcsp模块后提取特征，再经过所述空间金字塔池化提取固定大小特征；

19、所述特征网络架构采用与路径聚合网络结合的结构，用于解决目标检测中的多尺度检测问题；通过特征金字塔网络将高层的特征信息通过使用自下而上，自上而下，横向连接三种方式进行特征传递融合；

20、所述输出端采用广义交叉联合做边框回归的损失函数。

21、进一步，本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，所述目标检测的后处理过程中，针对多目标框的筛选，进行非极大值抑制操作，生成三种不同大小特征图用于后面的损失函数计算。

22、本发明所述基于yolo算法的社区灯光指数反演的房价预测方法，运用住宅小区夜间住户亮灯数量反映小区入住率进行房价研究，基于该灯光数据的真实性特性。本发明所述预测方法一方面在房价统计数据研究中加入了实际亮灯数据作为最真实有效的数据源作为参考依据，另一方面，运用了基于深度学习的yolo算法进行亮灯提取和识别，避免了人工统计亮灯数据的低效率和繁重工作量，为本发明提供了技术手段的可操作性和创新性，探索出了一条研究房价的新思路，直接预测房价区间，对居民购房提供参考价值，并掌握了城市人口和房屋供需状况等最真实有效的数据信息，对城市建设和规划具有重要指导意义，具有重要的市场价值。

技术特征：

1.一种基于yolo算法的社区灯光指数反演的房价预测方法，其特征在于包括如下步骤：

2.根据权利要求1所述基于yolo算法的社区灯光指数反演的房价预测方法，其特征在于：步骤3中通过yolo算法对亮灯进行智能提取识别后，对识别提取的结果结合住宅小区的户型图信息进行人工去重校正。

3.根据权利要求2所述基于yolo算法的社区灯光指数反演的房价预测方法，其特征在于：步骤2所述进行亮灯情况影像获取在晚上8点到10点，连续一个月或者半年对每个住宅小区的亮灯情况进行拍摄监测。

4.根据权利要求3所述基于yolo算法的社区灯光指数反演的房价预测方法，其特征在于：所述yolo目标检测算法的模型结构包括四部分，分别是输入端、骨干网、特征网络架构及输出端；

5.根据权利要求4所述基于yolo算法的社区灯光指数反演的房价预测方法，其特征在于：所述目标检测的后处理过程中，针对多目标框的筛选，进行非极大值抑制操作，生成三种不同大小特征图用于后面的损失函数计算。

技术总结
一种基于YOLO算法的社区灯光指数反演的房价预测方法，属于数据处理模型领域，运用住宅小区夜间住户亮灯数量反映小区入住率进行房价研究，基于该灯光数据的真实性特性。本发明所述预测方法一方面在房价统计数据研究中加入了实际亮灯数据作为最真实有效的数据源作为参考依据，另一方面，运用了基于深度学习的YOLO算法进行亮灯提取和识别，避免了人工统计亮灯数据的低效率和繁重工作量，为本发明提供了技术手段的可操作性和创新性，探索出了一条研究房价的新思路，直接预测房价区间，对居民购房提供参考价值，并掌握了城市人口和房屋供需状况等最真实有效的数据信息，对城市建设和规划具有重要指导意义，具有重要的市场价值。

技术研发人员：李春锋,王天赐,成伟,李艳艳,朱立博,刘欢,赵婷
受保护的技术使用者：中科星图空间技术有限公司
技术研发日：
技术公布日：2024/3/11