商业房地产人工智能估价系统的制作方法

1.本发明涉及房地产技术领域，具体涉及一种商业房地产人工智能估价系统。


背景技术：

2.我国已进入高质量发展阶段，金融机构谋求以精准营销、数据化风控、大规模定制、普惠金融等创新金融产品和服务模式；存量房时代的到来，国家及地方发文加强房地产中介管理，促进房地产行业健康发展，保护群众合法权益；评估服务传统、低端评估服务(如：办事走流程)，供大于求，新兴、高端服务(如：决策研究)，服务能力不足，需要推进评估服务行业供给侧改革；税源结构调整房地产税稳步推进中，房地产批量评估应用前进广泛；大数据人工智能的理论技术非常适合应用于不动产估值领域，估值过程需要大数据人工智能服务。
3.在现有商业估价的传统估价方法中，估价师收集3个以上的案例，案例数量少，并且整个估价时间长、过程复杂，不能快速高效的查询商业房地产的市场价值，如税收、抵押贷(贷前、贷中、贷后)、投资等，增加了需求方的时间和经济成本。
4.因此现在针对商业房地产的市场价值能够快速进行精准估计已经成为了房地产行业急需解决的问题。


技术实现要素：

5.本发明意在提供商业房地产人工智能估价系统，以解决商业房地产的市场价值估价效率低和效果差的问题。
6.为达到上述目的，本发明采用如下技术方案：商业房地产人工智能估价系统，包括处理器模块，以及分别与处理器模块连接的数据采集模块、智能估价模块和控制模块；
7.数据采集模块，用于采集大数据平台数据库中商业房地产的历史数据形成数据集合，并将数据集合发送至处理器模块；
8.处理器模块，包括数据存储单元和数据处理单元，数据存储单元用于存储数据采集模块发送来的数据集合；数据处理单元用于从数据存储单元中调取数据集合，并对数据集合进行预先处理，得到第一数据集合；
9.智能估价模块，用于利用第一数据集合对用户查询的商业房地产按照预设的估价策略进行价值评估；
10.控制模块，包括输入单元和显示单元，输入单元为用户提供输入评估对象的通道，显示单元，用于显示用户输入的评估对象的价值评估结果以及相关信息。
11.本方案的原理及优点是：实际应用时，用户通过控制模块的输入单元输入需要进行价值评估的评估对象，然后数据采集模块从大数据平台数据库中调取商业房地产的历史数据，并在处理器模块中进行预选处理，将数据进行清洗、标准统一和异常数据整理后，按照不同的类别进行归纳存储，然后利用智能估价模块中的算法模型对用户输入的评估对象进行价值评估，计算得到该评估对象相应的市场价格。本方案相比于现有技术，优点在于可
实现对商业房地产的市场价值的快速、高效、准确查询，大幅度缩减了用户的时间和经济成本，同时本方案中结合了大数据库，参考案例多样，且结合了多种算法模型，使最终对商业房地产的市场价值的评估更客观、准确。
12.优选的，作为一种改进，历史数据包括历史价格、房地产类型、楼层类型、建筑年代、装修情况、临街状况、建筑结构和土地使用权类型。
13.采集该评估对象的历史数据信息，从而能够对该评估对象进行准确的定位分析，便于在大数据库中寻找到高度相似、极具参考价值的样本案例，最终实现对评估对象的精准估价，为用户提供最准确的查询信息。
14.优选的，作为一种改进，对数据集合进行预先处理为，利用计算模型对数据集合进行清洗、标准统一和异常数据整理，然后将处理完的数据进行归类存储。
15.采集到的数据集合进行清洗、标准统一和异常数据整理，不仅能够降低价格季节性运动的波动趋势，消除误导性的信息，去除季节性影响，放大整体趋势，使房地产的历史价格更客观，参考性更强，同时非同一类型数据对比无意义，因此将数据标准化后对比，以实现数据的有效利用；而对于异常数据，则应该进行修正或者删除，保证数据的可靠性，最后将数据按照不同的类型进行归类存储，以便用户在咨询相关信息时能够更准确的调用，提高系统的工作效率。
16.优选的，作为一种改进，对数据集合进行清洗为，对商业房地产的价格作季节性调整，以一年为周期，利用统计学方法使商业房地产的价格数据扁平化。
17.一整年中，夏季房屋销量较冬天高，只比较夏天均值和同年价格中位数易造成升幅过大的假象，并且在对国民经济生活有重大影响的节日，房地产价格也会有所增长，因此为了分析整体化趋势，利用统计学方法使商业房地产的价格数据扁平化，从而降低房地产价格季节性运动的波动趋势，使对评估对象的价格评估更准确客观。
18.优选的，作为一种改进，异常数据整理包括异常数据检测、数据分析、处理和测试。
19.对于异常数据，进行检测、分析、处理和测试，不仅能够保证数据的最大化利用，同时也能够尽量避免异常数据对评估结果产生负面影响，保证系统对商业房地产的价格评估的精准性。
20.优选的，作为一种改进，预设的估价策略包括以下内容，
21.根据用户输入的评估对象的信息，通过矩阵模型匹配并调取大数据平台数据库中最新时间段内，与待评估对象相似区域相似房地产作为本次评估的计算案例；
22.通过案例价格系数公式得到价格系数和价格波动系数与案例价格的关系；
23.通过计算概率对模型进行合并、拆分和分类处理，得到最佳样本模型，根据计算出的概率值匹配最佳组；
24.利用询价公式结合最佳样本模型得到评估对象的价值评估结果。
25.通过此估价策略，不仅能使从大数据库中得到的计算案例与评估对象的相似度更高，保证计算结果对真实价值的参考性，同时也能够通过多种算法模型，使最终对评估对象的价值评估更客观、精准，从而为用户提供最准确的价值信息和信息情报。
26.优选的，作为一种改进，预设的估价策略还包括，对于收入到大数据平台中的数据信息的真实有效性进行不同手段的核查，动态调整大数据平台的有效数据。
27.在对评估对象进行价值评估时，还会核查大数据平台数据信息的真实有效性，从
而动态调整大数据平台的有效数据，以便为后续的价值评估提供更真实可靠的参考数据，保证评估结果的准确性。
28.优选的，作为一种改进，智能估价模块在对评估对象进行价值评估时，能够针对不同区域给出不同等级的判断标准。
29.不同区域的商业经济情况都不尽相同，因此在对评估对象进行价值评估时，结合评估对象的实际情况，针对不同区域给出不同等级的判断标准，从而使本系统的价值评估更精准、智能，向用户给出最可靠的商业房地产价值评估结果。
30.本发明还提供了一种商业房地产人工智能估价方法，包括以下步骤：
31.步骤s1，输入需要进行价值评估的评估对象；
32.步骤s2，根据评估对象采集大数据平台数据库中商业房地产的历史数据，并进行预先处理得到第一数据集合；
33.步骤s3，利用预设的估价策略并结合第一数据集合对用户查询的商业房地产进行价值评估；
34.步骤s4，将评估对象的价值评估结果以及相关信息实时显示出来；
35.此方法的系统，在使用过程中更加便捷，能够根据用户输入的评估对象的相关信息，自动从大数据平台调用相似数据作为计算案例，进而利用多种计算模型，计算分析出评估对象最新的市场价格，能够动态进行商业房估价，使估价结果更加准确。
36.本发明还提供了一种商业房地产人工智能估价存储介质，存储介质中存储有计算机可执行指令，计算机可执行指令用于使计算机实现如权利要求1-8任一项所述的商业房地产人工智能估价系统的功能。
37.利用本存储介质存储用于实现上述的商业房地产人工智能估价系统的计算机可执行指令，从而使系统顺利实现对待评估商业房地产的价值评估功能。
附图说明
38.图1为本发明商业房地产人工智能估价系统实施例一的系统示意图。
39.图2为本发明商业房地产人工智能估价系统实施例一的估价流程示意图。
具体实施方式
40.下面通过具体实施方式进一步详细说明：
41.说明书附图中的标记包括：数据采集模块1、处理器模块2、智能估价模块3、控制模块4、数据存储单元5、数据处理单元6、输入单元7、显示单元8。
42.实施例一：
43.本实施例基本如附图1所示：商业房地产人工智能估价系统，包括处理器模块2，以及分别与处理器模块2连接的数据采集模块1、智能估价模块3和控制模块4；
44.数据采集模块1，用于采集大数据平台数据库中商业房地产的历史数据，包括历史价格、房地产类型、楼层类型、建筑年代、装修情况、临街状况、建筑结构和土地使用权类型，并形成数据集合然后将数据集合发送至处理器模块2；
45.处理器模块2，包括数据存储单元5和数据处理单元6，数据存储单元5用于存储数据采集模块1发送来的数据集合；数据处理单元6用于从数据存储单元5中调取数据集合，并
对数据集合进行预先处理，利用计算模型对数据集合进行清洗、标准统一和异常数据整理，首先对商业房地产的价格作季节性调整，以一年为周期，利用统计学方法使商业房地产的价格数据扁平化；然后将数据标准化后对比，使不同物业类别分开计算；最后对异常数据进行整理，先检测缺失/过量数据,偏离数据、可疑数据和异样趋势，再分析数据的误差、极值和正常值范围，并对异常的数据就行修正和删除，保留可靠数据，最后对数据重新进行测试，获取数据的反馈。处理完毕的数据形成第一数据集合，并发送至智能估价模块3。
46.智能估价模块3，用于利用第一数据集合对用户查询的商业房地产按照预设的估价策略进行价值评估，
47.根据用户输入的评估对象的信息，通过矩阵模型匹配并调取大数据平台数据库中最新时间段内，与待评估对象相似区域相似房地产作为本次评估的计算案例；
48.通过案例价格系数公式得到价格系数和价格波动系数与案例价格的关系；
49.通过计算概率对模型进行合并、拆分和分类处理，对信息进行过滤并推荐相关系数，各模型的偏差分布不同，每一模型均可分为，“可能误差组”，确定软性上临界值、软性下临界值，随机抽取此组中的某一样本计算含误差值概率，通过调整概率值调整软性临界值；“怀疑组”，测试组内所有值确定误差值，以及确定固定上临界值，固定下临界值；“不可能组”，落入固定临界值之外的，误差明显；“缺失组”，需重新检验数据流的定义，然后得到最佳样本模型，
[0050][0051]
根据计算出的概率值匹配最佳组；
[0052]
利用询价公式，
[0053][0054]
代入计算出的相应系数，结合最佳样本模型得到评估对象在此时此刻最新的价值评估结果。
[0055]
上述的矩阵模型为，
[0056][0057]
式中，w为案例价格系数，通过案例价格系数公式计算得到，
[0058][0059]
式中，y为数据价格系数，第一项为该案例数据组内差，第二项为新模型案例数据的组间差，g为价格波动系数：
[0060][0061]
式中，为价格修正因子，{i，j}其中i代表商业类型系数，j代表楼层类型系数，开间进深比转换系数为α0，j与层高修正系数比为β；为边界
区间条件，其中为建筑面积，τ为套内面积。
[0062]
在矩阵模型中，为价格时间系数，其中h为土地使用年限修正系数，μ为建筑年代系数，与e有函数关系μ为建筑结构系数，q为土地使用权类型系数；ε为装修情况系数，c为临街状况系数。
[0063]
控制模块4，包括输入单元7和显示单元8，输入单元7为用户提供输入评估对象的通道，显示单元8，用于显示用户输入的评估对象的价值评估结果以及相关信息。
[0064]
在房地产行业，商业房地产与普通住宅房地产因其自身附带属性的不同，商业房地产更偏向于商业化，而普通住宅房地产的侧重点则在于居家性，因此对于房产本身价值的评估上，商业房地产更注重于参考目标商业房所在商业圈的经济发展状态以及商业业态，故本方案在采集参数项中才会涉及到采集房地产类型、临街状况、楼层类型等数据，而普通住宅房则更多在于采集居住环境、交通条件、教育资源和医疗资源等数据，因此对于商业房地产的价值评估与传统意义上对于普通住宅房地产的价值评估有本质性的不同，现有对于普通住宅房的估价方法也不能对本方案提供实质性的参考依据。
[0065]
如附图2所示，本发明还提供了一种商业房地产人工智能估价方法，包括以下步骤：
[0066]
步骤s1，输入需要进行价值评估的评估对象；
[0067]
步骤s2，根据评估对象采集大数据平台数据库中商业房地产的历史数据，并进行预先处理得到第一数据集合；
[0068]
步骤s3，利用预设的估价策略并结合第一数据集合对用户查询的商业房地产进行价值评估；
[0069]
步骤s4，将评估对象的价值评估结果以及相关信息实时显示出来。
[0070]
本发明还提供了一种商业房地产人工智能估价存储介质，存储介质中存储有计算机可执行指令，计算机可执行指令用于使计算机实现如前述的商业房地产的价值评估的功能，存储介质包括u盘、移动硬盘、光盘、机械硬盘、固态硬盘和计算机存储器。本实施例中存储介质选择为计算机存储器。
[0071]
通过本系统各个模块之间的配合，能够对用户输入的商业房地产评估对象进行信息检索以及利用大平台数据库的相似案例作计算样本，通过多种计算模型计算分析出此评估对象在当前的市场预估价格，实现商业房地产的动态估价，也保证估价过程的高效性和估价结果的准确性。
[0072]
本实施例的具体实施过程如下：
[0073]
第一步，用户在控制模块4的输入单元7输入需要进行价值评估的商业房地产评估对象的相关信息，例如小区名称以及具体房间号。
[0074]
第二步，数据采集模块1根据用户输入的相关信息，从大数据平台中采集商业房地产的历史数据，包括历史价格、房地产类型、楼层类型、建筑年代、装修情况、临街状况、建筑结构和土地使用权类型，并形成数据集合然后将数据集合发送至处理器模块2。
[0075]
第三步，处理器模块2的数据处理单元6对数据集合进行预先处理，利用计算模型对数据集合进行清洗、标准统一和异常数据整理，首先对商业房地产的价格作季节性调整，
以一年为周期，利用统计学方法使商业房地产的价格数据扁平化；然后将数据标准化后对比，使不同物业类别分开计算；最后对异常数据进行整理，先检测缺失/过量数据,偏离数据、可疑数据和异样趋势，再分析数据的误差、极值和正常值范围，并对异常的数据就行修正和删除，保留可靠数据，最后对数据重新进行测试，获取数据的反馈。处理完毕的数据形成第一数据集合，并发送至智能估价模块3。
[0076]
第四步，智能估价模块3根据用户输入的评估对象的信息，通过矩阵模型匹配并调取大数据平台数据库中最新时间段内，与待评估对象相似区域相似房地产作为本次评估的计算案例；然后通过案例价格系数公式得到价格系数和价格波动系数与案例价格的关系，再通过计算概率对模型进行合并、拆分和分类处理，对信息进行过滤并推荐相关系数，各模型的偏差分布不同，每一模型均可分为，“可能误差组”，确定软性上临界值、软性下临界值，随机抽取此组中的某一样本计算含误差值概率，通过调整概率值调整软性临界值；“怀疑组”，测试组内所有值确定误差值，以及确定固定上临界值，固定下临界值；“不可能组”，落入固定临界值之外的，误差明显；“缺失组”，需重新检验数据流的定义，然后得到最佳样本模型。
[0077]
第五步，根据计算出的概率值匹配最佳组，即拟合度最高的一组，并将计算出的相应系数代入询价公式中，结合最佳样本模型得到评估对象在此时此刻最新的价值评估结果。
[0078]
第六步，控制模块4的显示单元8将用户输入的评估对象的价值评估结果显示出来，并将该评估对象附近相似商业房地产最近时间段内的最新交易价格作为参考信息同步显示出来。
[0079]
随着房地产行业的快速发展以及普通住宅房的饱和，越来越多的目光聚焦在了商业房地产领域，商业房地产由于其具有特殊的商业价值，尤其是位于城市经济中心商业圈地带的商业房地产，近年来的发展势头逐渐显现，因此，对于需要购买商业房地产自住或者投资的用户而言，商业房地产当前的市场行情以及投资前景，都是其关注的重点，因此，对商业房地产的当前市场下的价值评估，是推动商业房地产交易的一大关键。目前，传统的商业房地产估价方法中，需要估价师人工来完成，且需要收集3个以上相似的案例十分不便，因此导致整个估价时间长、过程复杂，最重要的是人是具有主观思想的高级动物，这种主观性思想在房地产价值评估上会带来不确定的影像因素，因此由人工来完成的商业房地产价值评估结果的准确性和可靠性不能保证，从而不能给用户提供最合理的参考意见。
[0080]
而本方案中，利用估价系统来自动完成商业房地产的价值评估工作，能够完全屏蔽掉人的主观性影响，保证结果的准确性，其次通过大数据平台获取房地产历史数据以及价格变化趋势，通过平台存储以及及时更新的案例数量，为评估提供参照样本，通过案例模型相关数据对各种数据进行分类存储，通过矩阵的方式调取与待评估对象相似区域相似房地产作为本次评估的计算案例，通过将房地产类型系数、楼层类型系数、开间进深比转换系数、层高修正系数比、边界区间条件、价格时间系数、建筑年代系数、装修情况系数、临街状况系数、建筑结构系数、土地使用权类型系数等分别代入计算模型中完成分析计算，能够进行商业房地产的动态估价，不仅使整个评估过程效率更高，同时也能保证估价结果更加准确，从而为用户提供客观、精准的商业房地产价格作为参考。
[0081]
实施例二：
[0082]
本实施例基本与实施例一相同，区别在于：智能估价模块3完成商业房地产价值评估过程中，预设的估价策略还包括，对于收入到大数据平台中的数据信息的真实有效性进行不同手段的核查，动态调整大数据平台的有效数据。
[0083]
本实施例的具体实施过程与实施例一相同，区别在于：
[0084]
第四步，智能估价模块3根据用户输入的评估对象的信息，通过矩阵模型匹配并调取大数据平台数据库中最新时间段内，与待评估对象相似区域相似房地产作为本次评估的计算案例，并对该计算案例的真实有效性进行不同手段的核查，例如从多个二手房信息网站上调取该计算案例的具体信息，从而动态调整大数据平台的有效数据；然后通过案例价格系数公式得到价格系数和价格波动系数与案例价格的关系，再通过计算概率对模型进行合并、拆分和分类处理，对信息进行过滤并推荐相关系数，各模型的偏差分布不同，每一模型均可分为，“可能误差组”，确定软性上临界值、软性下临界值，随机抽取此组中的某一样本计算含误差值概率，通过调整概率值调整软性临界值；“怀疑组”，测试组内所有值确定误差值，以及确定固定上临界值，固定下临界值；“不可能组”，落入固定临界值之外的，误差明显；“缺失组”，需重新检验数据流的定义，然后得到最佳样本模型。
[0085]
为避免因商业房地产市场的快速变化以及信息更新不及时，导致收入到大数据平台中的数据信息的真实有效性得不到保证，因此在对评估对象进行价值评估前，先对选择好的计算案例进行信息核查，保证计算案例的可参考性，从而保证最终评估结果的准确性。
[0086]
实施例三：
[0087]
本实施例基本与实施例一相同，区别在于：智能估价模块3在对评估对象进行价值评估时，能够针对不同区域给出不同等级的判断标准，从而使商业房地产的价值评估结果更贴近实际情况，从而提高评估结果的参考价值。
[0088]
本实施例中不同区域包括区域a和区域b，其中区域a比区域b的商业房地产均价贵10％。
[0089]
本实施例的具体实施过程与实施例一相同，区别在于：
[0090]
第一步，用户在控制模块4的输入单元7输入需要进行价值评估的商业房地产评估对象的相关信息，例如位于区域a的小区名称以及具体房间号。
[0091]
第四步，智能估价模块3根据用户输入的评估对象的信息，通过矩阵模型匹配并调取大数据平台数据库中最新时间段内，与待评估对象相似区域，例如区域b的相似房地产作为本次评估的计算案例；然后通过案例价格系数公式得到价格系数和价格波动系数与案例价格的关系，再通过计算概率对模型进行合并、拆分和分类处理，对信息进行过滤并推荐相关系数，各模型的偏差分布不同，每一模型均可分为，“可能误差组”，确定软性上临界值、软性下临界值，随机抽取此组中的某一样本计算含误差值概率，通过调整概率值调整软性临界值；“怀疑组”，测试组内所有值确定误差值，以及确定固定上临界值，固定下临界值；“不可能组”，落入固定临界值之外的，误差明显；“缺失组”，需重新检验数据流的定义，然后得到最佳样本模型。
[0092]
第五步，根据计算出的概率值匹配最佳组，即拟合度最高的一组，并将计算出的相应系数代入询价公式中，结合最佳样本模型得到评估对象在此时此刻最新的价值评估结果，最后将价值评估结果上调10％作为最终的价值评估结果。
[0093]
不同区域由于商业圈的商业性质不同或者商业发展状况不同，导致不同区域的商
业房地产的价格也不相同，因此在对商业房地产价值评估时将不同区域的价格偏差考虑进去，能够保证最终的评估的准确性。
[0094]
实施例四：
[0095]
本实施例基本与实施例一相同，区别在于：控制模块4的显示单元8还能够将该评估对象历年来的每一次交易价格以曲线图的方式显示出来，并将预测的该评估对象在未来3年内的价格变化趋势同步显示。
[0096]
本实施例的具体实施过程与实施例一相同，区别在于：
[0097]
第六步，控制模块4的显示单元8将用户输入的评估对象的价值评估结果显示出来，并将该评估对象附近相似商业房地产最近时间段内的最新交易价格作为参考信息同步显示出来；同时显示单元8还能够将该评估对象历年来的每一次交易价格以曲线图的方式显示出来，以及将预测的该评估对象在未来3年内的价格变化趋势同步显示。
[0098]
将评估对象的历次交易价格显示出来，能够让用户直观地看到该评估对象历年来的价格走势，再结合系统预测的该评估对象在未来3年内的价格变化趋势，使用户能够更准确地分析出该评估对象的升值空间和投资前景，为用户合理规避投资风险的同时也能够侧面推进商业房地产行业的发展。
[0099]
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，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。