基于建筑物价值评估的计算方法和装置的制造方法
【技术领域】
[0001] 本申请涉及数据处理技术领域，具体涉及用于评估的数据处理技术领域，尤其涉 及基于建筑物价值评估的计算方法和装置。
【背景技术】
[0002] 在现有技术中，建筑物价值的评估的方法主要是基于建筑物的各种配置以及宏 观市场指标结合线性回归分析来进行预测。一种常用的预测方法是采用享乐价格模型 (HedonicPricingModel)，将建筑物的配置特征（例如面积、地理位置等）量化后输入模 型中计算建筑物的价格。其中将建筑物的配置特征转换为数值进行回归分析比较困难，不 恰当的转换可能会导致较低的预测精度。另外，有一些配置特征是相互联系的，例如总价 格、每平米价格和总面积，在上述方法中模型的可解释性较差，无法直观地体现出这些配置 特征之间的关联。在采用模型计算时，这些互相关联的配置特征之间可能会出现系数正负 相抵的结果，从而影响价值估计的精度。
【发明内容】
[0003] 为解决上述现有技术中的缺陷，期望提供一种能够充分利用建筑物的配置特征对 建筑物进行价值评估的方法，进一步地，还期望提供一种基于整合的配置特征的建筑物价 值评估方法，以提升评估的准确度。本申请提供了基于建筑物价值评估的计算方法和装置。
[0004] 一方面，本申请提供了一种基于建筑物价值评估的计算方法。该方法包括：获取多 个建筑物的配置数据，其中多个建筑物包括待评估建筑物以及至少一个已确定价值的建筑 物；基于配置数据，采用机器学习方法对多个建筑物建立功能分布模型，得到多个建筑物的 功能特征分布；根据功能特征分布计算已确定价值的建筑物与待评估建筑物的相似度；确 定至少一个与待评估建筑物相似度最大的已确定价值的建筑物，构成相似建筑物集合；以 及基于相似建筑物集合中所有建筑物的价值确定待评估建筑物的价值。
[0005] 另一方面，本申请提供了一种基于建筑物价值评估的计算装置。该装置包括：获取 单元，用于获取多个建筑物的配置数据，其中多个建筑物包括待评估建筑物以及至少一个 已确定价值的建筑物；建模单元，用于基于配置数据，采用机器学习方法对多个建筑物建立 功能分布模型，得到多个建筑物的功能特征分布；计算单元，用于根据功能特征分布计算已 确定价值的建筑物与待评估建筑物的相似度；确定单元，用于确定至少一个与待评估建筑 物相似度最大的已确定价值的建筑物，构成相似建筑物集合；以及评估单元，用于基于相似 建筑物集合中所有建筑物的价值确定待评估建筑物的价值。
[0006] 本申请提供的基于建筑物价值评估的计算方法和装置，通过基于多个建筑物的配 置数据采用机器学习的方法建立功能分布模型，整合了建筑物的配置数据，将配置数据转 换为功能特征分布，进而根据功能特征分布确定相似建筑物集合，并基于相似建筑物的价 值对待评估建筑物的价值做出评估，有效地利用了建筑物的异构特征，能够获得更高的准 确性和更好的可解释性。
【附图说明】
[0007] 通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、 目的和优点将会变得更明显：
[0008] 图1示出了建筑物的属性数据与功能的关系示意图；
[0009] 图2示出了根据本申请一个实施例的基于建筑物价值评估的计算方法的示意性 的流程图；
[0010] 图3示出了根据本申请一个实施例的建立功能分布模型的方法的示意性的流程 图；
[0011] 图4示出了根据本申请另一个实施例的基于建筑物价值评估的计算方法的示意 性的流程图；
[0012] 图5示出了根据本申请一个实施例的基于建筑物价值评估的计算装置的示意性 结构图；
[0013] 图6示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结 构示意图。
【具体实施方式】
[0014] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描 述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了 便于描述，附图中仅示出了与有关发明相关的部分。
[0015] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相 互组合。下面将参考附图并结合实施例来详细说明本申请。
[0016] 请参考图1，其示出了建筑物的属性数据与功能的关系示意图。在本申请的实施例 中，将建筑物的配置数据与建筑物可能具有的功能相关联。如图1所示，建筑物1〇〇可能具 有多个功能：功能1、功能2、…功能M。建筑物100也可以包含多个配置数据：配置1、配 置2、配置3、…配置N，其中M、N均为正整数。建筑物的每个功能可以与每个配置数据相 关联，每个配置数据可以潜在地对应多个功能。具体的关联关系可以由统计数据得出，并且 可以由比例数据来表示。在一些实现中，可以统计大数据量的建筑物的配置数据与功能后 得出每一个配置数据与其功能间的对应关系。例如，配置数据中面积超过200平方米的建 筑物数量占所有住宅功能的建筑物总数量的5%，面积为100-200平方米的建筑物数量占 所有住宅功能的建筑物总数量的40%，则可以将建筑物的配置数据中面积大于200平方米 和面积在100-200平方米之间与住宅功能间的关联关系分别量化为0. 05和0. 4。这样，可 以基于统计数据建立各配置数据与各功能间的关联关系。
[0017] 请参考图2,其示出了根据本申请一个实施例的基于建筑物价值评估的计算方法 的示意性的流程图。本实施例主要以该方法应用于具有数据处理能力的服务器或终端设备 中来说明。
[0018] 如图2所示，在步骤201中，获取多个建筑物的配置数据。
[0019] 在本实施例中，服务器或终端设备可以首先获取多个建筑物的配置数据。其中多 个建筑物可以包括待评估建筑物和至少一个已确定价值的建筑物。已确定价值的建筑物的 配置数据的获取方式包括但不限于：搜集网络上的建筑物数据、从包含建筑物配置数据的 广告中提取以及获取人工调查并标记的建筑物数据。这些建筑物的价值可以由价格、升值 潜力、可预期的投资回报比等数据直观地表征。
[0020] 在一些实现中，建筑物的配置数据至少可以包括：结构数据、环境数据以及地理位 置数据。其中结构数据可以包括：面积、高度、布局、装修等数据，例如房屋的结构数据可以 包括房屋面积、房屋所在楼层、房屋的户型、房屋的装修状况、房屋的采光状况以及车位数 量等数据。环境数据可以表征影响建筑物价值的周边环境，可以包括周边自然环境、交通状 况、医疗设施、生活服务设施等数据。例如可以包括周边的空气质量、噪音等级、水质、绿化 面积等数据，还可以包括景观区、公园、医院、超市、餐饮店铺、学校、公共交通站点、居民区、 商场、银行、办公楼、游乐场、工厂等场所的数量、类型及各场所与建筑物间的距离数据。地 理位置数据可以包括建筑物的实际地理位置数据和相对地理位置数据，例如房屋的地理位 置数据可以包括该房屋所处的位置（例如某街道某号）及该房屋在一个大的区域内的相对 位置（例如房屋位于北京市的北四环）。
[0021] 在步骤202中，基于配置数据，采用机器学习方法对多个建筑物建立功能分布模 型，得到多个建筑物的功能特征分布。
[0022] 一般而言，每个建筑物都具有多个潜在的功能。例如房屋可以具有学区房、住宅 房、投资房、上班房等功能。这些功能通过建筑物的不同配置数据得到实现，即这些功能与 建筑物的配置数据存在如图1中所示的关联性。因此，可以将建筑物表示为若干在功能上 的分布，进而根据功能分布对建筑物的价值进行评估。
[0023] 在本