一种基于密度聚类的不动产数据资产样本分类方法及系统与流程

摘要: 本发明涉及不动产数据处理领域,具体而言,涉及一种基于密度聚类的不动产数据资产样本分类方法及系统。背景技术:1、随着不动产数据数字化程度不断提高,基于历史成交数据...
一种基于密度聚类的不动产数据资产样本分类方法及系统与流程

本发明涉及不动产数据处理领域,具体而言,涉及一种基于密度聚类的不动产数据资产样本分类方法及系统。

背景技术:

1、随着不动产数据数字化程度不断提高,基于历史成交数据、土地评估数据及城市发展规划数据对不动产资产进行分类分析已成为资产管理的重要手段。现有技术中,可采用dbscan等密度聚类算法对不动产数据资产样本进行无监督分类,但其聚类效果较大程度依赖邻域半径等参数的设置。

2、由于不同区域的不动产在土地价值、空间分布密度及发展规划潜力等方面存在差异,采用固定邻域半径或者仅依据样本距离确定邻域半径,容易导致高价值稀疏区域的样本被误判为噪声点,或者密集区域中不同特征的样本被过度合并。此外,不同价值因素和规划因素对邻域半径的调整方向可能存在冲突,进一步影响分类结果的准确性。因此,如何根据不动产数据资产的区域价值及发展规划特征对密度聚类参数进行自适应调整,是现有技术需要解决的问题。

技术实现思路

1、本技术提出了一种基于密度聚类的不动产数据资产样本分类方法,以解决上述技术问题之一。

2、本技术所采用的技术方案为:

3、第一方面,本技术实施例提供了一种基于密度聚类的不动产数据资产样本分类方法,包括:

4、获取目标区域内多个不动产实体资产对应的原始数据,根据各不动产实体资产对应的原始数据构建不动产数据资产样本,所述原始数据包括历史成交数据、房产空间分布密度数据、土地评估数据以及城市发展规划数据;

5、根据所述原始数据提取各不动产数据资产样本对应的多维特征,根据所述城市发展规划数据分别确定各不动产数据资产样本对应的样本区域发展规划参数以及所述目标区域对应的目标区域综合发展规划参数,将所述样本区域发展规划参数作为所述多维特征之一,并基于所述多维特征构建特征矩阵;

6、基于所述特征矩阵,利用k-距离图确定dbscan密度聚类算法的初始邻域半径;

7、基于所述土地评估数据中的基准地价确定价值基准修正系数,并基于所述目标区域综合发展规划参数确定规划潜力修正系数,根据所述价值基准修正系数和所述规划潜力修正系数对所述初始邻域半径进行协同修正,并在所述价值基准修正系数与所述规划潜力修正系数产生预设程度的方向冲突时执行冲突消解,得到最终邻域半径;

8、采用所述最终邻域半径和预设的最小样本数对所述特征矩阵执行dbscan密度聚类,将各不动产数据资产样本对应的样本点划分为核心点、边界点和噪声点,并根据所述核心点、边界点和噪声点确定对应的不动产资产分类业务标签。

9、优选地,根据所述城市发展规划数据分别确定各不动产数据资产样本对应的样本区域发展规划参数以及所述目标区域对应的目标区域综合发展规划参数,包括:

10、分别以各不动产数据资产样本对应的不动产实体资产所在的局部评价区域以及所述目标区域作为统计单元,根据所述城市发展规划数据确定各统计单元对应的区域道路规划密度、产业园区密度和公共服务配置完善度;

11、其中,根据各统计单元内规划道路的总长度与对应统计单元的面积确定区域道路规划密度,根据各统计单元内规划产业园区的数量与对应统计单元的面积确定产业园区密度,根据各统计单元内学校、医院和商业建筑的配置数量分别与对应规划需求数量的比值确定学校配置完善度、医院配置完善度和商业建筑配置完善度,并根据学校配置完善度、医院配置完善度和商业建筑配置完善度确定公共服务配置完善度;

12、分别对各局部评价区域对应的区域道路规划密度、产业园区密度和公共服务配置完善度进行归一化处理,并按照预设权重系数进行加权求和,得到各不动产数据资产样本对应的样本综合发展潜力指数;对目标区域对应的区域道路规划密度、产业园区密度和公共服务配置完善度进行归一化处理,并按照所述预设权重系数进行加权求和,得到目标区域综合发展潜力指数;

13、将各不动产数据资产样本对应的样本综合发展潜力指数映射至[0,10]区间,得到各不动产数据资产样本对应的样本区域发展规划参数;将所述目标区域综合发展潜力指数映射至[0,10]区间,得到所述目标区域综合发展规划参数。

14、优选地,根据所述原始数据提取各不动产数据资产样本对应的多维特征,并基于所述多维特征构建特征矩阵,包括:

15、在提取所述多维特征之前,检查各不动产数据资产样本中用于构建特征向量的原始属性数据是否存在缺失;当存在属性数据缺失时,采用预设临时填充值或初步插值对缺失的属性数据进行预处理;

16、基于不存在缺失的原始属性数据或者完成所述预处理后的属性数据,根据所述历史成交数据确定各不动产数据资产样本对应的历史成交价年化涨幅,根据所述房产空间分布密度数据确定房产空间分布密度,根据所述土地评估数据确定土地级别基准地价;

17、将所述历史成交价年化涨幅、对应不动产数据资产样本的样本区域发展规划参数、所述房产空间分布密度以及所述土地级别基准地价组合为各不动产数据资产样本对应的四维特征向量,并根据多个所述四维特征向量构建所述特征矩阵;

18、在利用所述dbscan密度聚类算法计算样本点之间的距离之前,对所述特征矩阵中各维度特征进行z-score标准化处理。

19、优选地,基于所述土地评估数据中的基准地价确定价值基准修正系数,包括:

20、获取目标区域的基准地价以及目标区域所在城市各评价区域的基准地价,计算目标区域的基准地价与所在城市各评价区域的基准地价均值之间的比值,得到土地价值偏离指数v;

21、当v>1.2时,将目标区域确定为高价值区域,并按照α=1+λ1×(v-1)确定价值基准修正系数α,其中,λ1为第一调整权重;

22、当v<0.8时,将目标区域确定为低价值区域,并按照α=1-λ2×(1-v)确定价值基准修正系数α,其中,λ2为第二调整权重;

23、当0.8≤v≤1.2时,将价值基准修正系数α确定为1;

24、对于高价值区域,将价值基准修正系数α限制在预设的高价值修正系数区间内;对于低价值区域,将价值基准修正系数α限制在预设的低价值修正系数区间内。

25、优选地,基于所述目标区域综合发展规划参数确定规划潜力修正系数,包括:

26、预先配置与高发展潜力区域对应的第一规划潜力修正系数β_h以及与低发展潜力区域对应的第二规划潜力修正系数β_l,其中,0.8≤β_h≤0.95,1.05≤β_l≤1.15;

27、当所述目标区域综合发展规划参数大于或等于6.0时,将所述目标区域确定为高发展潜力区域,并读取所述第一规划潜力修正系数β_h作为所述规划潜力修正系数β;

28、当所述目标区域综合发展规划参数小于3.0时,将所述目标区域确定为低发展潜力区域,并读取所述第二规划潜力修正系数β_l作为所述规划潜力修正系数β;

29、当所述目标区域综合发展规划参数大于或等于3.0且小于6.0时,将所述规划潜力修正系数β确定为1。

30、优选地,根据所述价值基准修正系数和所述规划潜力修正系数对所述初始邻域半径进行协同修正,并在所述价值基准修正系数与所述规划潜力修正系数产生预设程度的方向冲突时执行冲突消解,包括:

31、计算所述价值基准修正系数α与所述规划潜力修正系数β的乘积,得到综合修正系数k;

32、当α>1.25且β<0.85时,判定所述价值基准修正系数与所述规划潜力修正系数产生预设程度的方向冲突,按照规划潜力优先规则,基于所述规划潜力修正系数β对所述初始邻域半径进行修正,得到所述最终邻域半径;

33、在不满足α>1.25且β<0.85的情况下,若所述综合修正系数k位于包含1的预设平衡区间内,则将所述初始邻域半径确定为所述最终邻域半径;

34、在不满足前述两种条件的情况下,根据所述综合修正系数k对所述初始邻域半径进行修正,按照ε_final=ε_base×α×β确定所述最终邻域半径ε_final,其中,ε_base为所述初始邻域半径。

35、优选地,采用所述最终邻域半径和预设的最小样本数对所述特征矩阵执行dbscan密度聚类,将各不动产数据资产样本对应的样本点划分为核心点、边界点和噪声点,并根据所述核心点、边界点和噪声点确定对应的不动产资产分类业务标签,包括:

36、对于任一样本点,当以该样本点为中心、以所述最终邻域半径为半径形成的邻域内的样本点数量大于或等于所述最小样本数时,将该样本点确定为核心点,并将对应的不动产数据资产样本标记为高价值核心资产;

37、当任一样本点对应邻域内的样本点数量小于所述最小样本数、且该样本点位于任一核心点对应的所述最终邻域半径范围内时,将该样本点确定为边界点,并将对应的不动产数据资产样本标记为潜力增长资产;

38、将既不属于核心点、也不位于任一核心点对应的所述最终邻域半径范围内的样本点确定为噪声点,并将对应的不动产数据资产样本暂定标记为异常资产。

39、优选地,还包括针对所述噪声点执行异常闭环处理,所述异常闭环处理包括:

40、检查被暂定标记为异常资产的噪声点对应的不动产数据资产样本在首次执行所述dbscan密度聚类之前是否存在经临时填充值或初步插值进行预处理的缺失属性数据;

41、若存在所述缺失属性数据,则采用插值处理或回归预测对相应缺失属性数据进行再次补全,根据再次补全后的属性数据重新确定对应的特征值,更新对应的特征向量和特征矩阵,并基于更新后的特征矩阵对全量不动产数据资产样本重新执行所述dbscan密度聚类;

42、若不存在所述缺失属性数据或者所述缺失属性数据无法再次补全,则按照预设步长对所述最终邻域半径或所述最小样本数进行调整,并基于调整后的参数对全量不动产数据资产样本重新执行所述dbscan密度聚类;

43、若重新执行所述dbscan密度聚类后目标不动产数据资产样本对应的样本点仍被确定为噪声点,则将所述目标不动产数据资产样本对应的不动产资产分类业务标签确定为价值洼地孤点。

44、优选地,还包括生成用于不动产资产后续管理的增长指纹,包括:

45、针对完成所述dbscan密度聚类后形成的各有效簇,分别计算该有效簇内各不动产数据资产样本在历史成交价年化涨幅、样本区域发展规划参数、房产空间分布密度以及土地级别基准地价各维度上的统计特征;

46、至少将所述历史成交价年化涨幅的均值、所述样本区域发展规划参数的均值、所述房产空间分布密度的均值以及所述土地级别基准地价的均值进行组合,形成表征对应有效簇特征的增长指纹向量;

47、保存所述增长指纹向量,并基于所述增长指纹向量对后续新增不动产数据资产样本进行增长模式匹配,或者在不动产数据资产样本对应的特征偏离所述增长指纹向量对应特征时生成异常预警。

48、第二方面,本技术实施例提供了一种基于密度聚类的不动产数据资产样本分类系统,包括:

49、数据采集模块,用于获取目标区域内多个不动产实体资产对应的原始数据,根据各不动产实体资产对应的原始数据构建不动产数据资产样本,所述原始数据包括历史成交数据、房产空间分布密度数据、土地评估数据以及城市发展规划数据;

50、特征构建模块,用于根据所述原始数据提取各不动产数据资产样本对应的多维特征,根据所述城市发展规划数据分别确定各不动产数据资产样本对应的样本区域发展规划参数以及所述目标区域对应的目标区域综合发展规划参数,将所述样本区域发展规划参数作为所述多维特征之一,并基于所述多维特征构建特征矩阵;

51、初始参数确定模块,用于基于所述特征矩阵,利用k-距离图确定dbscan密度聚类算法的初始邻域半径;

52、参数动态修正模块,用于基于所述土地评估数据中的基准地价确定价值基准修正系数,并基于所述目标区域综合发展规划参数确定规划潜力修正系数,根据所述价值基准修正系数和所述规划潜力修正系数对所述初始邻域半径进行协同修正,并在所述价值基准修正系数与所述规划潜力修正系数产生预设程度的方向冲突时执行冲突消解,得到最终邻域半径;

53、密度聚类及分类模块,用于采用所述最终邻域半径和预设的最小样本数对所述特征矩阵执行dbscan密度聚类,将各不动产数据资产样本对应的样本点划分为核心点、边界点和噪声点,并根据所述核心点、边界点和噪声点确定对应的不动产资产分类业务标签。

54、与现有技术相比,本技术至少具有以下有益效果:

55、本技术通过对历史成交数据、房产空间分布密度数据、土地评估数据及城市发展规划数据进行特征提取,构建能够表征不动产资产多维属性的特征矩阵;基于k-距离图确定dbscan的初始邻域半径,并分别利用基准地价和目标区域综合发展规划参数生成价值基准修正系数和规划潜力修正系数,对初始邻域半径进行协同修正,同时在两类修正因素产生预设程度的方向冲突时进行冲突消解。

56、由此,可以使dbscan的邻域半径更好地适应不同价值区域和不同发展潜力区域的样本分布特征,降低高价值稀疏区域样本被误判为噪声点以及密集区域不同特征样本被过度合并的情况,提高聚类分类的准确性和稳定性;同时,通过将核心点、边界点和噪声点映射为对应的不动产资产分类业务标签,提高聚类结果在不动产资产管理场景中的可解释性和应用价值。