一种用于有限样本场景下的土地价格预测方法及系统
本发明涉及图神经网络预测,尤其涉及一种用于有限样本场景下的土地价格预测方法及系统。
背景技术:
1、城市土地的整体估价面临的核心挑战,是如何从时空离散的土地交易“点”信息中,科学推演并构建一个空间连续的城市地价价值曲面。这一价值曲面可揭示城市任意位置在特定开发用途(住宅、商业等)下的潜在土地价值。然而,土地商品的非同质性与交易低频特性导致样本稀缺,使得从“点”到“面”的推演过程存在较大不确定性。
2、相关技术存在以下技术问题,例如:
3、1)传统插值(如克里金)过度平滑:过度依赖地理邻近性(第一定律),无法捕捉由非距离因素(如规划、配套)引起的价值突变。
4、2)标准机器学习(如rf、ann)“空间无知”:缺乏地理学原理约束,在小样本下泛化能力差,易产生“椒盐噪声”等不合逻辑的结果。
5、3)通用空间预测模型(如gos、ggpr、geogat)整合不完备:尽管引入了地理相似性(第三定律),但其对地理关系的转译仍不完整。例如,gos或ggpr停留在“点对点”比较,忽略了“邻域地理上下文”;而geogat虽引入了“邻域上下文”,却仅定义了“均值”(邻近性),系统性地忽略了“异质性”(第二定律)。
6、因此,相关技术在土地交易样本稀缺时,无法生成一个准确、稳健且地理现实性强(如能反映价值突变)的连续价值曲面。
技术实现思路
1、为了解决上述技术问题,本发明的目的是提供一种用于有限样本场景下的土地价格预测方法及系统,能够在样本稀缺时保持土地价格预测的精度。
2、本发明所采用的第一技术方案是:一种用于有限样本场景下的土地价格预测方法,包括以下步骤:
3、将研究区域划分为统一网格节点,获取全部节点的土地特征数据与已知交易节点的真实地价标签,并对全部节点的土地特征数据进行标准化处理,得到标准化特征数据集,其中,所述全部节点包括已知交易节点和未知网格节点;
4、基于预设空间距离阈值,为每个节点划定空间邻域并计算邻域内特征的均值向量与标准差向量,生成各节点的邻域地理上下文特征;
5、分别基于标准化特征数据集与各节点的邻域地理上下文特征计算三类相似度分量,对三类相似度分量加权求和得到节点间复合相似性得分,并依据复合相似性得分构建带权重边的全局图结构;
6、拼接标准化特征数据集、邻域内特征的均值向量与标准差向量,得到各节点的复合特征向量,将带权重边的全局图结构与各节点的复合特征向量输入至图注意力网络进行训练,得到训练后的地价预测模型;
7、保持全局图结构及其节点连接关系不变,利用训练后的地价预测模型在全局图结构上对未知网格节点进行转导式推理,得到未知网格节点的土地价格预测结果。
8、进一步,所述将研究区域划分为统一网格节点,获取全部节点的土地特征数据与已知交易节点的真实地价标签,并对全部节点的土地特征数据进行标准化处理,得到标准化特征数据集这一步骤,其具体包括:
9、将研究区域均匀划分为固定尺寸的网格单元,每个网格单元作为一个独立节点;
10、区分已知交易样本节点与待预测空白网格节点,采集已知交易节点经容积率修正后的标准化楼面地价作为标签数据;
11、统一采集所有节点的多维度土地解释变量,形成各节点的原始特征向量;
12、采用z-score标准化方式对全部节点的原始特征向量进行标准化处理,得到标准化特征数据集。
13、进一步,所述基于预设空间距离阈值,为每个节点划定空间邻域并计算邻域内特征的均值向量与标准差向量,生成各节点的邻域地理上下文特征这一步骤,其具体包括:
14、设定空间距离阈值,将与当前节点空间距离小于空间距离阈值的所有网格节点划定为该节点的空间邻域;
15、提取当前节点空间邻域内所有节点的标准化特征向量,逐特征维度计算邻域特征均值,生成邻域均值向量;
16、基于空间邻域内全部节点的标准化特征向量,逐特征维度计算邻域特征离散程度,生成邻域标准差向量;
17、将同一节点对应的邻域均值向量与邻域标准差向量共同作为该节点的邻域地理上下文特征。
18、进一步,所述分别基于标准化特征数据集与各节点的邻域地理上下文特征计算三类相似度分量这一步骤,其具体包括:
19、基于两个节点的标准化特征向量计算基础特征相似度,作为表征地理相似性的第一类相似度分量;
20、基于各节点的邻域地理上下文特征中的邻域均值向量计算邻域均值相似度,作为表征地理邻近性的第二类相似度分量;
21、基于各节点的邻域地理上下文特征中的邻域标准差向量计算邻域标准差相似度,作为表征地理异质性的第三类相似度分量。
22、进一步,每一类所述相似度分量均通过加权高斯核函数进行计算,计算方式为:
23、针对单个特征维度,配置对应的特征权重参数与特征方差尺度参数;
24、根据两个节点在同一特征维度的取值差值构建高斯指数项,以表征该维度下的特征相似程度;
25、结合特征权重对全部特征维度的高斯计算结果进行加权叠加,得到对应类别的相似度分量数值。
26、进一步,所述依据复合相似性得分构建带权重边的全局图结构这一步骤,其具体包括:
27、以两两节点之间的复合相似性得分作为节点间的关联强度指标;
28、针对每个节点筛选复合相似性得分最高的k个邻近节点,在当前节点与筛选得到的邻近节点之间建立图连接边;
29、将复合相似性得分赋值为对应图连接边的边权重属性,由全部节点与带权重的图连接边共同组成全局图结构。
30、进一步,所述拼接标准化特征数据集、邻域内特征的均值向量与标准差向量,得到各节点的复合特征向量这一步骤,其具体包括:
31、将同一网格节点对应的标准化特征向量、邻域均值向量和邻域标准差向量沿特征维度依次拼接,得到该网格节点的复合特征向量;
32、将该网格节点的复合特征向量作为图注意力网络输入层使用的节点复合特征向量。
33、进一步,所述将带权重边的全局图结构与各节点的复合特征向量输入至图注意力网络进行训练,得到训练后的地价预测模型这一步骤,其具体包括:
34、将带权重边的全局图结构、各节点的复合特征向量以及带复合相似性得分的边权重输入至图注意力网络,在全部网格节点上进行图注意力消息传递,得到全部网格节点的网络输出值;
35、基于全部网格节点的网络输出值,仅选取带有真实地价标签的已知交易节点构建损失函数,以均方误差作为模型损失计算指标;
36、通过反向传播迭代更新图注意力网络的全部网络参数,直至模型损失计算指标收敛,得到训练后的地价预测模型。
37、进一步,所述保持全局图结构及其节点连接关系不变,利用训练后的地价预测模型在全局图结构上对未知网格节点进行转导式推理,得到未知网格节点的土地价格预测结果这一步骤,其具体包括:
38、采用转导式学习范式,在模型训练阶段同步计算全局全部节点的地价预测值;
39、过滤掉带有真实地价标签的已知交易节点的预测结果,提取所有未知交易网格节点的地价预测值;
40、基于全部未知交易节点的地价预测值生成连续空间土地价格曲面并输出,得到未知网格节点的土地价格预测结果。
41、本发明所采用的第二技术方案是:一种用于有限样本场景下的土地价格预测系统,包括:
42、第一模块,用于将研究区域划分为统一网格节点,获取全部节点的土地特征数据与已知交易节点的真实地价标签,并对全部节点的土地特征数据进行标准化处理,得到标准化特征数据集,其中,所述全部节点包括已知交易节点和未知网格节点;
43、第二模块,用于基于预设空间距离阈值,为每个节点划定空间邻域并计算邻域内特征的均值向量与标准差向量,生成各节点的邻域地理上下文特征;
44、第三模块,用于分别基于标准化特征数据集与各节点的邻域地理上下文特征计算三类相似度分量,对三类相似度分量加权求和得到节点间复合相似性得分,并依据复合相似性得分构建带权重边的全局图结构;
45、第四模块,用于拼接标准化特征数据集、邻域内特征的均值向量与标准差向量,得到各节点的复合特征向量,将带权重边的全局图结构与各节点的复合特征向量输入至图注意力网络进行训练,得到训练后的地价预测模型;
46、第五模块,用于保持全局图结构及其节点连接关系不变,利用训练后的地价预测模型在全局图结构上对未知网格节点进行转导式推理,得到未知网格节点的土地价格预测结果。
47、本发明方法及系统的有益效果是:本发明通过将研究区域划分为统一网格节点,获取全部节点的土地特征数据与已知交易节点的真实地价标签,并对全部节点的土地特征数据进行标准化处理,得到标准化特征数据集;进而基于预设空间距离阈值,为每个节点划定空间邻域并计算邻域内特征的均值向量与标准差向量,生成各节点的邻域地理上下文特征,增加了 “邻域标准差相似性”分量,用于量化地理异质性。该复合得分系统性地整合了三大地理原理,克服了现有模型对“地理上下文”定义不完备的局限;进一步,分别基于标准化特征数据集与各节点的邻域地理上下文特征计算三类相似度分量,对三类相似度分量加权求和得到节点间复合相似性得分,并依据复合相似性得分构建带权重边的全局图结构,将地理邻近性原理、地理异质性原理与地理相似性原理同时转译为图注意力网络(gat)的模型结构,以克服现有模型因依赖单一原理而在有限样本估价中失效的缺陷;拼接标准化特征数据集、邻域内特征的均值向量与标准差向量,得到各节点的复合特征向量,将带权重边的全局图结构与各节点的复合特征向量输入至图注意力网络进行训练,得到训练后的地价预测模型,采用图神经网络(gnn)范式,将空间关系(边)和节点属性(特征)显式地分开建模,并通过注意力机制学习信息如何在空间结构中传递,其生成的价值曲面在宏观上地理逻辑一致,在微观上能保留价值突变细节;最后,保持全局图结构及其节点连接关系不变,利用训练后的地价预测模型在全局图结构上对未知网格节点进行转导式推理,得到未知网格节点的土地价格预测结果,通过转导式学习(利用未知点的特征)和地理相似性(从遥远但相似的区域借用信息),极大地丰富了模型可用的信息量,从而在样本稀缺时仍能保持高精度和高稳健性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com