基于大数据的房地产存量房源价值风险预警方法、装置及存储介质与流程

摘要: 本技术涉及大数据挖掘的,尤其涉及一种基于大数据的房地产存量房源价值风险预警方法、装置及存储介质。背景技术:1、房地产价值动态评估和风险预警在银行押品管理、不动产...
基于大数据的房地产存量房源价值风险预警方法、装置及存储介质与流程

本技术涉及大数据挖掘的,尤其涉及一种基于大数据的房地产存量房源价值风险预警方法、装置及存储介质。

背景技术:

1、房地产价值动态评估和风险预警在银行押品管理、不动产登记、房产经纪等业务中具有重要作用。随着房地产市场的发展和数据规模的扩大,如何准确、客观地对存量房源进行价值评估并识别潜在风险,成为亟待解决的问题。

2、现有技术中,对房产价值进行动态评估和风险预警时,通常依赖业务人员的经验判断或基于少量特征的简单规则。然而,这种方式受主观因素影响较大,不同人员或不同时间的评估结果可能存在较大差异,一致性和稳定性不足。同时,当评估值与市场实际水平出现偏差时,现有技术难以自动、清晰地解释偏差产生的原因,导致风险预警的针对性和处置效率较低。此外,对于缺乏近期交易记录的存量房源,上述问题更为突出,进一步影响了风险评估的准确性和可靠性。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此,本技术的一个目的在于提供一种基于大数据的房地产存量房源价值风险预警方法、装置及存储介质,显著提高了估值结果的一致性和客观性,减少了人为因素对参考样本选择的影响,使同一房源在不同时间、不同人员操作下得到的估值基准保持一致。

3、为达到上述目的,本技术第一方面实施例提出了一种大数据的房地产存量房源价值风险预警方法,包括:

4、获取包含真实交易样本的样本库;

5、基于所述真实交易样本训练树集成模型,并解析所述树集成模型得到每棵树的结构信息和叶子节点输出值;

6、基于目标房源与候选样本在所述树集成模型中的路径相似度,从所述样本库中筛选参考样本集;

7、对所述参考样本集中的样本,结合时间衰减和相似度进行加权,计算加权参考均价;

8、获取目标房源的独立评估值,计算所述独立评估值与所述加权参考均价的对数偏离指数;

9、对所述参考样本集按预设分组进行归因分解,使得各分组贡献度之和等于所述对数偏离指数;

10、根据所述对数偏离指数及所述加权参考均价的历史变化触发风险预警,并将处置结果回传样本库形成反馈闭环。

11、另外,根据本技术上述提出的基于大数据的房地产存量房源价值风险预警方法还可以具有如下附加的技术特征:

12、在本技术的一个实施例中,所述样本库还包括虚拟参考样本;所述虚拟参考样本的生成包括:

13、对无近期交易记录的目标房源,利用所述树集成模型解析其在每棵树上的路径;

14、计算目标房源与各真实样本的路径相似度得分,选取得分最高的个真实样本;

15、以所述个真实样本的时间衰减加权均价作为目标房源的虚拟参考价格,生成虚拟样本记录并标记为虚拟类型;

16、所述虚拟参考样本不参与所述树集成模型的训练,也不参与后续模型的增量训练。

17、在本技术的一个实施例中,所述路径相似度为连续相似度得分,其计算公式为

18、

19、其中,表示以自然常数为底的指数函数,为所述树集成模型中树的总棵数,为第棵树的归一化分裂总增益权重,为目标房源在第棵树的叶子节点输出值,为样本在第棵树的叶子节点输出值,为预设尺度参数,表示绝对值运算,为样本与目标房源的连续路径相似度得分。

20、进一步地,所述归一化分裂总增益权重的计算方式为

21、

22、其中,为第棵树上所有分裂节点的分裂增益之和,为第棵树上所有分裂节点的分裂增益之和,为树的总棵数,表示对所有树的分裂增益之和进行求和。

23、在本技术的一个实施例中,所述结合时间衰减和相似度进行加权的权重公式为,其计算公式为

24、

25、其中,表示以自然常数为底的指数函数,为参考样本的权重,为样本的交易日期与当前评估日期的时间间隔,为时间衰减系数,为相似度增益函数,为参考样本与目标房源的连续路径相似度得分;

26、所述相似度增益函数为sigmoid函数,其计算公式为

27、

28、其中,表示以自然常数为底的指数函数,为输入变量,具体为所述连续路径相似度得分,为预设区分强度参数,为自适应筛选阈值。

29、在本技术的一个实施例中,所述加权参考均价采用对数价格加权几何平均:

30、

31、其中,表示以自然常数为底的指数函数,为自然对数运算,为参考样本集中样本的总数量,为参考样本的权重,为参考样本的交易单价或挂牌单价,为加权参考均价。

32、在本技术的一个实施例中,所述对数偏离指数定义为:

33、

34、其中,为自然对数运算,为对数偏离指数,为独立评估值,为加权参考均价。

35、在本技术的一个实施例中,所述对参考样本集按预设分组进行归因分解包括:

36、对每个分组,计算组内加权均价,其计算公式为

37、

38、其中,表示以自然常数为底的指数函数,为自然对数运算,为参考样本的权重,为参考样本的交易单价或挂牌单价;

39、计算分组权重占比,其计算公式为

40、

41、其中,为参考样本集中样本的总数量,为参考样本的权重;

42、计算分组贡献度,其计算公式为

43、

44、其中,为所述目标房源的独立评估值,所有分组的贡献度之和严格等于所述对数偏离指数,即,其中为所述对数偏离指数。

45、本技术第二方面实施例提出了一种大数据的房地产存量房源价值风险预警装置,包括:

46、模型训练模块,用于基于真实交易样本训练树集成模型,并解析所述树集成模型得到每棵树的结构信息和叶子节点输出值;

47、参考样本筛选模块,用于基于目标房源与候选样本在所述树集成模型中的路径相似度,从样本库中筛选参考样本集;

48、加权均价计算模块,用于对所述参考样本集中的样本,结合时间衰减和相似度进行加权,计算加权参考均价;

49、偏离指数计算模块,用于获取目标房源的独立评估值,计算所述独立评估值与所述加权参考均价的对数偏离指数;

50、归因分解模块,用于对所述参考样本集按预设分组进行归因分解,使得各分组贡献度之和等于所述对数偏离指数;

51、预警处置模块,用于根据所述对数偏离指数及所述加权参考均价的历史变化触发风险预警,并将处置结果回传样本库形成反馈闭环。

52、本技术第三方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提出数据的房地产存量房源价值风险预警方法。

53、有益效果:

54、本技术实施例的基于大数据的房地产存量房源价值风险预警方法、装置及存储介质,显著提高了估值结果的一致性和客观性,减少了人为因素对参考样本选择的影响,使同一房源在不同时间、不同人员操作下得到的估值基准保持一致。

55、本技术能够自动解释估值偏差的主要来源,明确偏差是由哪一类房源的市场表现所致,为业务人员提供了清晰的风险判断依据,减少了主观猜测。

56、本技术提高了风险预警的针对性和处置效率。由于明确了偏差来源,处置措施可以精准指向具体问题,避免了盲目调整,缩短了风险处置周期。