房地产租金动态监测系统的制作方法

1.本发明涉及大数据分析技术领域，具体涉及房地产租金动态监测系统。


背景技术：

2.随着房价的持续增长，当代人租房需求日益提高。目前房屋租金通常由房东开出，房东对租金定价的主观性太强，很难开出一个合理的价格，存在漫天要价导致无人租住浪费租房资源的情况。租户租房较急时对比较少也会导致自身承受虚高的房价，一些租房网站存在虚假信息恶意降低价格搅乱市场的情况，租户很难得到真实、准确可靠的租金信息。
3.针对上述问题，现有技术通过数据处理将虚假数据和垃圾数据过滤以求获得更准确的租房价格。然而，现有技术虽然准确度得到提高，但是仍然不够完善，一方面没有考虑到租房所处时期的问题，将租房的高峰期的数据和一般租金的数据混合计算，导致对租金的估算处于虚高水平；另一方面也没有考虑房地产的类型，将商用租房和普通的住宅租房一起计算，导致信息准确度降低，使进行租金查询的租户查到了不够准确的信息从而产生损失。
4.因此现在急需一种计算方式更完善更科学，对各种影响房屋租金的因素考虑更周全的租金监测系统，能够针对不同类型、不同所处时期的房屋租金进行更加科学合理地评估。


技术实现要素：

5.本发明公开了房地产租金动态监测系统，用来解决房屋租金估算动态性差、准确度低的技术问题。
6.本发明提供的基础方案为：房地产租金动态监测系统，包括采集端、服务器和交互端；
7.采集端：用于根据租金监测策略实时采集租金数据，并将采集到的租金数据发送给服务器进行储存；
8.服务器：将采集到的租金数据进行排序并储存得到租金数据，对租金数据进行筛选得到租房价格样本，按照租金数据处理方法处理租房价格样本得出最新租金。
9.本发明的工作原理及优点在于：采集端根据租金监测策略实时采集租金数据，获得更准确的实时租金；服务器处理数据时会进行筛选并按照租金数据处理方法计算出最新租金。
10.本发明房地产租金动态监测系统，采集多个对计算租金有影响的数据，对租金数据进行筛选得到租房价格样本，避免引入差距较大的样本计算导致租金预估虚高，提高了租金数据计算的准确性；同时实时更新租金数据，保证最新租金的时效性，从而避免使用户查询到不够准确的信息，提高了客户使用该系统的体验。
11.进一步，还包括交互端，所述交互端用于供客户查询租金，所述交互端从服务器获得最新租金并反馈建议租金。
12.有益效果：将服务器计算出的最新租金反馈给客户，并给出建议租金，使客户在租房或出租房屋时能够参考合理的租金，避免因租金不合理产生亏损。
13.进一步，所述租金监测策略包括根据房地产类型选择对应的子系统；所述房地产类型包括商业和住宅，所述子系统包括商业租金子系统和住宅租金子系统。
14.有益效果：将商业租金和住宅租金分开使用不同的子系统进行监测，一方面提高了数据处理的合理性，使计算结果更准确，另一方面提高了数据的独立性，使房地产租金动态监测系统更加稳定，不会因为丢失一部分数据导致系统整体瘫痪。
15.进一步，筛选的过程包括季节性数据调整和异常数据调整；所述季节性数据调整为根据算法模型将季节性数据进行调整，使季节性数据扁平化。
16.有益效果：经过筛选的数据更加准确可靠，更能反映实际情况，从而使计算出的最新租金更准确，季节性数据和一般租金数据之间的差异较大，且季节性数据相比一般租金数据而言少得多，将季节性数据扁平化，能够避免季节性数据过大的差异干扰一般租金数据，获得更为准确租金数据。
17.进一步，所述异常数据调整策略包括：
18.步骤1：检测样本中的缺失数据、过量数据、偏离数据、可疑数据和异常数据变化趋势；
19.步骤2：分析样本数据的误差、极值以及确定是否符合正常值范围；
20.步骤3：保留正常数据，删除缺失数据和可疑数据，修正过量数据及偏离数据；
21.步骤4：获取数据反馈，重新检测确保数据正常。
22.有益效果：提高了租金数据的可靠性，使计算出的最新租金更准确。
23.进一步，应用房地产租金动态监测系统包括以下步骤：
24.s1：按照租金监测策略实时采集租金数据并发送给服务器，服务器对租金数据进行筛选，得到租房价格样本，并根据房地产类型分配到对应子系统下；
25.s2：导出租房价格样本，将各时间点的租金数据进行标准转换，得到相同标准下的相关数据，所述相关数据包括案例数n、时间轴参数b、案例价格d、户型价格g、片区相同户型均价；
26.s3：根据相关数据计算各个时间点的理论租金；
27.s4：将理论租金代入回归方程并建立预估价值曲线；
28.s5：交互端获取客户的需求参数并发送给服务器，服务器匹配计算公式并计算最新租金并反馈给客户，所述需求参数包括房地产类型、房屋位置、面积、物业类别、户型。
29.有益效果：引入多个与影响租金的相关参数，使得到的理论租金更加科学合理，增加相关参数计算出的理论租金就越接近相同要求下的实际租金，预估价值曲线能够使客户更直观地看出最新价格的实时走向，帮助客户更好地安排租房或出租计划。
30.进一步，根据所述相关数据计算理论租金的方法包括：
[0031][0032]
为各截止时间点的理论租金，e为自然常数，r为建筑面积系数，h为装修情况系数，c为样本向量映射长度，k为户型价格时间点向量映射。
[0033]
有益效果：引入了样本量及时间对租金的影响，计算出的理论租金随时间的变化
更贴合实际，一定范围内随着样本量增大获得的理论租金将更准确。
[0034]
进一步，所述计算最新租金的回归方程为：
[0035][0036]
其中i为实数，为第i个样本理论租金与第i c个样本理论租金的协方差。
[0037]
有益效果：根据回归方程即可画出预估价值曲线，能够更加直观的看出租金随时间变化的趋势。
[0038]
房地产租金动态监测方法，包括以下步骤：
[0039]
第一步：采集端根据房地产类型选择对应的租金监测策略，并对该房地产类型进行实时的租金监测，采集租金数据；
[0040]
第二步：服务器对储存的租金数据进行排序和筛选得到租房价格样本，按照租金数据处理方法处理租房价格样本得出最新租金；
[0041]
第三步：交互端通过识别用户需求记录展示历史记录的实时价格变化趋势。
[0042]
有益效果：了解该方法能够更加方便快捷地使用房地产租金动态监测系统。
[0043]
房地产租金动态监测方法存储介质，包括用于储存房地产租金动态监测系统的存储介质。
[0044]
有益效果：通过该存储介质能够更加方便地携带或传输房地产租金动态监测系统。
附图说明
[0045]
图1为本发明房地产租金动态监测系统实施例的流程图。
具体实施方式
[0046]
下面通过具体实施方式进一步详细的说明：
[0047]
实施例一：
[0048]
实施例基本如附图1所示，房地产租金动态监测系统，包括采集端、服务器、租金数据库和交互端，采集端将根据房地产类型采取对应的租金监测策略，服务器将储存的租金数据进行排序和筛选得到租房价格样本，租房价格样本包括样本基础数据和样本价格数据，样本基础数据是影响租金的因素，单一种数据对租金价格的影响有限，但综合影响对租金的计算影响较大，样本基础数据包括样本的坐落、建筑年代、房屋面积、开间、进深等等；样本价格数据是直接表现租金相关特征的数据，样本价格数据则包括租赁价格、片区类似均价、价格时间、租赁期等。服务器按照租金数据处理方法处理租房价格样本得出最新租金，交互端从服务器获得最新租金并反馈建议租金。上述过程中，筛选包括季节性数据调整和异常数据调整；季节性数据相对于一般租金数据只是少数，若将季节性数据纳入最新租金的计算中将造成巨大的误差，例如以一年为周期，旅游旺季租金较其他所处时期高，比较旅游旺季均值和同年价格中位数易造成升幅过大的假象。为了分析整体化趋势，需要根据算法模型将季节性数据进行调整，消除误导性的信息，使整体趋势更加符合实际情况。算法模型包括多种算法，如求平均数、中位数、众数、算术平均数等，算法的底层支撑系统基于
hadoop分布式大数据生态环境，spark分布式计算框架，融合了估价师专业沉淀及机器学习的聚类、神经网络、随机森林等算法，最终将得出更加符合整体变化趋势的数据。异常数据调整包括，整理异常数据包括检测样本中的可疑数据、缺失数据、过量数据、偏离数据和异常数据变化趋势；分析样本数据的误差和极值，确定是否符合正常值范围；保留正常数据和异常度不高的数据，删除缺失数据和过于明显的偏离数据以及可疑数据，修正过量数据及偏离程度较低的偏离数据；获取数据反馈，重新检测确保数据的准确性。经过租房价格样本筛选后，服务器将样本价格数据以数据库包的形式导入计算函数获得案例价格d，并导出案例数n和历史案例的时间戳，此处的案例是指经过筛选后的租房价格样本，再使用编程r语言中的dplyr函数公式对时间戳进行初步处理并按照时间向量或特定时间集合代入r语言函数中，得出时间轴参数b。通过分组将同一户型周边相似物业进行关联，整理出带时间轴数据的离散型样本，获得片区相同户型均价a1；同理将同一楼盘中不同户型分组，整理带书简州数据的离散型样本，获得户型价格g。根据上述获得的相关数据n、b、d、g、a1计算出各截止时间点的理论租金，计算方式如下：
[0049][0050]
其中，为各截止时间点的理论租金，e为自然对数函数的底数，r为建筑面积系数，h为装修情况系数，c为样本向量映射长度，k为户型价格时间点向量映射。r和h为通过检测拟合优度而确定最终系数，c和k的计算方法涉及定理，简述如下：定义矩阵特征值，其中，矩阵特征值定义为设a是n阶方阵，如果存在数m和非零n维列向量x，使得ax＝mx成立，则称m是矩阵a的一个特征值或本征值。所有特征值均为正定矩阵，其中，正定矩阵定义为设m是n阶实对称矩阵，如果对任一非零实向量x，都使二次型f(x)＝x^tmx》0，则称f(x)为正定二次型，f(x)对应的矩阵m称为正定矩阵。利用拓扑去逼近许多不同的矩阵特征值，之后带入定理函数计算，得出矩阵迹，求其行列式，此过程会获取时间点排序系数q，返回原定理函数即可求出。
[0051]
根据建立计算最新租金的回归方程：
[0052][0053]
其中i为实数，为开平方根，为第i个样本理论租金与第i c个样本理论租金的协方差。根据回归方程画出预估价值曲线，根据排序序列编号i，将之前算出的不同时间点下的进行排序而得出的。本计算方法由广义平稳、线性滤波、线性时不变系统等数学方法联合建立得出，cov为协方差，用于衡量两个变量的总体误差，在有连续变量的计算中便于控制变量，从而得出更加符合实际租金变化趋势的回归方程，根据回归方程画出预估价值曲线，更加直观地体现出实际租金的变化趋势，使租金检测系统对最新租金及后续变化趋势的预测更加符合实际租金的真实变化。客户向交互端查询租金时，服务器计算出最新租金，并根据预估价值曲线向客户显示一个建议租金，建议租金时根据最新租金结合最近的租金变化趋势决定的，例如，计算出的最新租金为1000元，最近的租金变化为上升趋势且上升的斜率减小，即上涨幅度逐渐平缓，此时建议租金为1000-1100元，稍微有溢价，但较为合理，房东和租户都能够接受，避免租房资源浪费。
[0054]
房地产租金动态监测方法，包括以下步骤：
[0055]
第一步：采集端根据房地产类型选择对应的租金监测策略，并对该房地产类型进行实时的租金监测，采集租金数据；
[0056]
第二步：服务器对储存的租金数据进行排序和筛选得到租房价格样本，按照租金数据处理方法处理租房价格样本得出最新租金；
[0057]
第三步：交互端通过识别用户需求记录展示历史记录的实时价格变化趋势。
[0058]
了解该方法能够更加方便快捷地使用房地产租金动态监测系统。
[0059]
房地产租金动态监测方法存储介质，存储了房地产租金动态监测系统的计算机程序，能够通过存储介质将该计算机程序转移到其他计算机中，便于房地产租金动态监测系统的使用。
[0060]
实施例二：
[0061]
实施例二与实施例一的不同仅在于，房地产租金动态监测系统根据房地产类型选择对应的子系统；房地产类型包括商业和住宅，子系统包括商业租金子系统和住宅租金子系统，子系统是最大的标准分组，每个子系统包括对应的数据库，每个数据库根据不同标准层层往下分组，本实施例中的标准包括房屋坐落位置、楼层、房屋面积、开间、进深、户型等；将相同标准分组下的数据储存在一起，不同标准分组下的数据分开储存；对不同标准分组的房地产采取不同的租金监测策略，采集最符合该标准分组房地产的数据；同时，按照对应标准分组采集相应数据减少获取过量数据。如：将房屋按靠近轻轨站的距离分组，一定距离范围内分为一组，在该分组下再按照楼层分组，同一楼层再按照户型和房屋面积分组，如此一层层划分，划分的因素越多，最终计算出的租金价格就越准确。由于数据量大，分开储存减小了数据的运算量降低了对服务器的要求，同时也降低了数据库管理人员的维护难度，两者相互独立，降低了数据丢失后恢复的难度，提高了房地产租金动态监测系统的稳定性。
[0062]
本方案对租金的考虑因素较现有方案而言更全面，克服了现有方案忽视认为楼层、开间和进深等数据对租金影响小的技术偏见。技术偏见例如：在本领域的人看来，一栋楼当中，除了特殊位置的几层以外，其他的楼层在各个高度位置段的区别不大，尤其是对于租户的使用来讲，如果有电梯，其楼层高度的影响根本不能和诸如配套设施、户型面积等因素影响，因此现在不会有人会专门针对每一层楼这样的细致划分，来考虑租金的涨跌；但是，一栋楼的结构，尤其是高层建筑，其建筑设计对于每层楼的影响，尤其是诸如下水道堵塞、楼层隔音、采光等居住要素而言，不光是每层楼，每层楼的各个不同位置的房屋居住体验感都可能完全不同，而房屋天井和管道位置等结构因素也会很大程度影响租户的居住体验，特别是房屋的房屋结构对声音的传导性的影响；因为楼层和位置影响导致房屋本身传导声音强，声音在固定中传播损失比在空气中传播损失小，一点细小的声音也容易传递到这些楼层位置特殊的房间，最终形成噪声，这种房屋结构导致的噪声是很难通过装修来隔音的，而租户通常又没有购买房屋，经济压力比较大，很容易受到噪声影响，影响睡眠，严重甚至可能造成神经衰弱；因此不同楼层和不同位置对于租户居住的体验感的影响是很大的。再例如：开间和进深等影响采光的因素也会对租户居住的体验感造成影响，现有方案很少有将采光和房租挂钩的，即使有也只是简单的采光好的贵几百元，都是根据房东主观臆测的价格，没有经过科学的计算。而实际上，租户认为租金值不值通常都是通过居住的体验感来判断的，不考虑上述因素很难得出一个让租户信服认为值得的价格，本方案考虑到了
这一点，计算出的租房价格更加真实，能够让租户觉得居住的体验感值得付出的租金，提升了房东的租房口碑，得到双赢的结果。
[0063]
实施例三：
[0064]
实施例三与实施例一的不同仅在于，季节性数据根据实时情况动态调整，动态调整包括调整旅游旺季、旅游淡季的起止时间。本方案不仅考虑到了从前一年同时间段的历史数据来作为数据参照，而且本方案的季节性数据是根据实时情况动态调整的，通过当下的舆论、新闻、知名旅游号推荐频率以及旅游目的地的酒店入住人数的实时情况等实际影响数据，动态调整旅游旺季、旅游淡季的定义。一般情况下，节假日是旅游的旺季，如：国庆节7天长假，起止时间通常为10月1日到10月7日，但考虑到实际情况最后几天大部分游客都会回家休息，因此将参照历史数据预测今年的国庆节旅游旺季的起止时间。同时，舆论和新闻等情况也会很大程度影响季节性数据，如：某种突发性流行疾病对旅游造成冲击，旅游旺季的起止时间被缩短；又如：天气预报说某段时间某地天气太热，超过42℃，因此很少人去当地旅游；这些实际情况都会影响季节性数据的租金变化，包括租金价格浮动以及租金数据的样本量变化。根据上述实际情况预测当下的旅游旺季的起止时间，按照预测结果调整租金监控的重点和算法模型的相关参数，使获得的季节性数据的时效性更强更加真实可靠，进而使按照算法模型对季节性数据调整后得到的数据更加真实可靠，相比现有方案更加准确且更加及时。
[0065]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未做过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。