基于人工智能推理模型城市住宅地价评估研究

发布时间：2020-11-20 14:09

　　 随着我国城镇化进程不断推进,城市土地经济在国民经济中占比越来越重,其核心是城市住宅地价,因此对城市住宅地价准确、及时地评估具有重要现实意义。传统城市住宅地价评估方法具有周期长、低效率、误差大等缺点。住宅地价数据常具有不平衡性、数据量小等缺陷,因此提出一种适合住宅地价数据特征的快速评估方法很有必要。本论文针对住宅地价数据总量少、类别分布不平衡等缺陷,提出一种基于迁移学习的地价特征提取方法,并使用不同的地价评估模型进行精度评定,探索出适合地价评估的模型与方法。本论文主要研究工作如下:(1)针对传统的地价特征选取不足性以及特征量化主观性,本论文从商业、交通、教育、基础设施、环境以及其他综合因素入手,构建了覆盖面广的住宅地价影响因子体系。并结合各影响因子的特点及其与住宅地价的关系,建立了深圳市住宅地价因子量化体系。(2)本论文提出了一种解决训练数据总量小的特征提取算法。通过引入迁移学习技术,考虑房价特征与地价特征相关性,将房价特征迁移到住宅地价特征提取中,解决了原来地价数据总量小、特征提取困难等问题,实现对住宅地价的高精度评估。(3)在使用主成分分析方法提取地价特征过程中,本论文改变了惯用特征值大于1的主成分选取方式,采用对不同主成分进行交叉验证的方式,探索出适合住宅地价分类的主成分。(4)根据本论文提出的迁移学习特征提取方法,首先基于房价数据和深度置信网络(DBN)进行特征提取器训练,然后使用房价DBN模型进行地价特征提取,最后选取了三种常用的地价分类模型(支持向量机、BP神经网络、随机森林)对提取的地价特征进行分类精度分析,验证了基于迁移学习住宅地价特征提取算法的有效性,得出了随机森林分类模型更适合于城市住宅地价分类评估的结论。本论文对住宅地价特征提取方法进行改进,实验结果表明基于迁移学习的地价特征提取算法较常用的主成分分析提取方法、线性归一化方法具有更好分类精度,分别提高了10.9%和4.73%的平均精度,最优的特征集分类精度达90.28%,因此,本论文提出的住宅地价评估算法能满足实际地价评估精度。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F299.23;TP18
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究意义
    1.2 国内外研究现状及存在的问题
        1.2.1 国内外研究现状
        1.2.2 存在的问题
    1.3 研究内容和技术路线
        1.3.1 研究内容
        1.3.2 技术路线
    1.4 论文创新之处
    1.5 论文组织结构
第二章 地价评估基本理论
    2.1 地价相关概念及理论
        2.1.1 网格地价理论
        2.1.2 区位地价理论
        2.1.3 土地供需地价理论
    2.2 主成分分析
    2.3 常用地价评估模型算法
        2.3.1 BP神经网络
        2.3.2 随机森林
        2.3.3 支持向量机
    2.4 本章小结
第三章 住宅地价特征选取及量化
    3.1 研究区概况
        3.1.1 自然条件
        3.1.2 社会经济发展状况
        3.1.3 深圳土地市场发育概况
    3.2 住宅地价特征选择
    3.3 住宅地价特征数据获取
    3.4 特征量化
        3.4.1 房价和地价量化
        3.4.2 商业因素量化
        3.4.3 交通因素量化
        3.4.4 教育因素量化
        3.4.5 基础设施因素量化
        3.4.6 环境因素量化
        3.4.7 其他因素量化
    3.5 本章小结
第四章 基于迁移学习城市住宅地价评估算法
    4.1 迁移学习理论
        4.1.1 迁移学习分类
        4.1.2 同构迁移学习
        4.1.3 异构迁移学习
        4.1.4 迁移学习在地价评估中的优势
    4.2 深度置信网络
    4.3 房价与住宅地价关系
    4.4 基于迁移学习城市住宅地价评估算法
    4.5 本章小结
第五章 基于人工智能城市住宅地价评估模型构建及结果分析
    5.1 数据预处理
        5.1.1 交叉验证数据分组
        5.1.2 归一化处理
        5.1.3 主成分分析数据处理
    5.2 基于迁移学习住宅地价特征提取
        5.2.1 房价DBN模型训练
            5.2.1.1 网络输入输出层确定
            5.2.1.2 迁移学习DBN模型精度评定
        5.2.2 基于房价数据的地价特征提取
    5.3 基于BP神经网络地价评估模型构建及分析
        5.3.1 网络结构确定
            5.3.1.1 网络输入层输出层确定
            5.3.1.2 中间层确定
        5.3.2 训练参数选取
        5.3.3 实验结果及分析
    5.4 基于SVM地价评估模型构建及结果分析
        5.4.1 实验环境选取
        5.4.2 SVM参数设置
        5.4.3 实验过程及结果
        5.4.4 精度评估及检验
    5.5 基于随机森林地价评估模型构建及分析
        5.5.1 参数设置讨论
        5.5.2 模型性能评判
        5.5.3 实验结果分析
    5.6 模型对比及结果分析
    5.7 其他年份住宅地价评估
    5.8 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间取得的成果
    发表的学术论文
    申请的专利
    申请的软件著作权
攻读硕士学位期间参与的项目

【参考文献】

相关期刊论文 前10条

1 甘霖;冯长春;王乾;;北京市房价与地价的动态关系——基于结构方程模型的实证分析[J];地理研究;2016年10期

2 张景祥;王士同;邓赵红;蒋亦樟;李奕;;融合异构特征的子空间迁移学习算法[J];自动化学报;2014年02期

3 姚登举;杨静;詹晓娟;;基于随机森林的特征选择算法[J];吉林大学学报(工学版);2014年01期

4 顾燕萍;赵文杰;吴占松;;最小二乘支持向量机的算法研究[J];清华大学学报(自然科学版);2010年07期

5 柳小桐;;BP神经网络输入层数据归一化研究[J];机械工程与自动化;2010年03期

6 李万庆;张金水;孟文清;;基于小波神经网络的房地产价格指数预测研究[J];河北工程大学学报(自然科学版);2008年01期

7 焦利民;刘耀林;叶宗达;;基于神经网络趋势面分析的地价样点检验方法研究[J];测绘信息与工程;2007年06期

8 潘昊,王晓勇,陈琼,黄少銮;基于遗传算法的BP神经网络技术的应用[J];计算机应用;2005年12期

9 张蓬涛,杨红;基于神经网络的基准地价预测模型研究——以河北省主要城市为例[J];中国土地科学;2000年05期

10 申玲,唐安淮;基于BP神经网络的房地产市场比较法价格评估[J];系统工程理论与实践;1998年05期

相关博士学位论文 前3条

1 龙明盛;迁移学习问题与方法研究[D];清华大学;2014年

2 谭琦;面向跨领域文档分类的异构迁移学习算法研究[D];华南理工大学;2013年

3 叶青;人工智能方法在估价领域的研究与应用[D];华侨大学;2011年

相关硕士学位论文 前7条

1 李琴;深圳市住宅地价影响因素空间量化分析[D];武汉大学;2017年

2 吴国琴;迁移学习在图像分类中的应用研究[D];安徽大学;2017年

3 胡秋丰;基于曲面拟合的基准地价评估方法研究[D];天津商业大学;2015年

4 张洁;基于GWR模型的城市住宅地价空间分异研究[D];浙江大学;2012年

5 汤隆慧;基于跨领域的迁移学习算法研究[D];湖南大学;2011年

6 章浩;基于格网单元的土地定级与基准地价更新研究[D];福建师范大学;2008年

7 陈郁;改进的B-P神经网络在土地估价信息系统中的应用研究[D];河南大学;2007年

本文编号：2891530