[发明专利]一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法

说明书

本发明提供一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法,结合位置信息叠加、深度学习和地理加权回归(GWR)的方法，设计城市住房租金的定价模型。基于多尺度的位置信息叠加，可以充分挖掘、体现房屋所在的区位、邻里特征属性；将深度学习与地理加权回归相结合，可以一方面顾及到房价中的非线性、复杂特征，一方面体现房价的空间异质性特征，即反映了附近房价的影响。本模型可以较为准确地拟合、评估房租的价格。

技术领域

本发明涉及一种城市住房租金的估价方法，尤其涉及一种基于位置信息叠加与深度神经网络的城市住房租金的估价方法。

背景技术

租房问题是城市里众多人群需要考虑的问题，尤其是城市的年轻人与中低收入群体需要面对的问题。与住房相比，越多的人选择租房作为个人的主要居住方式。以中国为例，随着城市化的高速推进，中国城市的流动人口数量和比例都在快速增长，而中国流动人口的居住方式，有超过2/3是租房。在这个形势下，政府正在建立“租购并举”的住房制度，鼓励租房行业的发展。目前，中国的新房屋增速已经明显放缓，诸多房地产企业也已将重点投向了租房领域，中国的租房市场正在进行一场巨大的发展。中国当前的住房自有率为90％左右，远远高于各主要发达国家(英国69％，美国64％，日本61％等)。可以预见，未来中国的租房比例会有明显的上升，房租价格对个人生活和社会经济的影响会越来越大。房屋租金正在成为人们日常生活开销的重要部分，是人们进行房地产投资的重要依据之一，也是是政府的房地产政策、市政规划政策以及社会保证政策的重要组成部分，因此，这个话题在当下十分值得进行深入讨论和探究。

在现实中，租房业务的发展也暴露出一定的问题：在政府方面，近年来陆续推行了廉租房、公租房等政策来解决居民的住房问题，但在实施过程中也出现了选址偏远、租金不够合理、贫困再集中等一系列问题，许多地方出现了公租房“遇冷”的尴尬局面；在市场方面，租房市场中也出现了不少对于消费者的欺诈、信息不透明等问题。这些问题往往是由于人们没有深入掌握房屋租金的定价模型而造成的。因此，深入探索房租价格的规律，寻求较为可靠的房租定价模型并运用到人们的相关活动中，是一个有意义且十分必要的工作。

特征价格模型(HPM)是评估房价的一种行之有效的方法，自提出以来受到了极为广泛的应用。该方法认为房屋作为一种商品，是由众多不同的特征组成的。可以将房地产商品的价格分解成各个特征，以显现出各种因素对于房价的贡献。已有技术基于HPM对于房价进行了评估，揭示了房价的影响因素包括房屋建筑本身的特征、距离城市CBD的距离、距离学校的距离、公园绿地的可达性等区位条件等。HPM方法是解释房价规律的一种有效、可靠的手段。然而，HPM模型由于形式比较简单，没有考虑房价的空间分异性，其对于房价的拟合程度不是很高。空间计量经济学中的空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)，使用空间邻接矩阵来反映空间结构造成的影响。不过空间滞后模型和空间误差模型对于房价的拟合精度也比较有限。近年来，地理加权回归(GWR)被广泛应用到房价的研究和评估中。该方法基于局部光滑思想，能够考虑样本在空间范围中的空间异质性特征，且对于空间矩阵的参数有良好的处理方式。GWR对于房价的规律有不错的解释能力，有一定的拟合精度，且可以反映附近房屋价格/租金的影响，所以GWR成为了近年来较为广泛使用的方法。不过，GWR也存在过拟合、稳健性较差等问题。

随着大数据时代的到来，深度学习(Deep Learning)方法以其优越的拟合、表达能力，强大的性能，高度的泛化、自动化程度实现了对大数据的强大支持，从而获得了学术界和工业界的广泛应用。深度学习方法相较于以上传统方法对于房价的拟合精度有较大的优势。不过相较于基于空间信息的SLM、SEM、GWR等方法，深度学习没有显式地考虑房价中的空间异质性特征，即附近房价的影响关联不能很明确地体现在深度学习方法中。因此，深度学习对于房屋租金价格的拟合精度在理论上仍存在一定的提升空间。