一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法

1.一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法，其特征在于：包括以下步骤，步骤1、对房屋周边的各类兴趣点POI进行多尺度的位置信息叠加；步骤2、将位置信息的叠加结果与房屋本身的建筑属性合并，作为输入向量，将房屋租金作为输出向量，使用深度神经网络进行深度学习，拟合房屋租金估价的深度模型；步骤3、将深度模型得到的房屋租金拟合与地理加权回归GWR模型结合，使租金的评估更充分地考虑地理位置的临近因素；为考虑附近房屋价格的影响，引入地理加权回归GWR模型，将房屋租金估价的深度学习结果与地理加权回归GWR模型结合，将步骤2所得深度模型的拟合值Y d 与房租建筑因子A进行组合，得到[Y d , A]作为GWR的自变量，将房租价格作为因变量，进行地理加权回归拟合，GWR的形式如下这里( u i , v i )为第 i 个房屋的坐标， n 表示数据集中房屋的数量， m 表示GWR输入因子的个数， β k ( u i , v i )是第 i 个房屋的第 k 个回归参数， ε i 为残差项，第 i 个房屋样本点的回归参数估计值为： ，其中 W 为 n × n 的对角矩阵，对角线上各元素表示各个样本点的数据对于本房屋观测点的地理加权权重， W ( u i , v i )＝dia( w i1 , w i2 …… w i3 .,…, w in )，地理加权权重通过高斯核函数来确定： w ij =exp(-(d ij /b) 2 )，其中， d ij 表示房屋 i 和房屋 j 之间的距离，b为地理加权回归模型中的带宽，带宽通过Akaike信息准则AIC方法确定，使得模型的AICC值达到最小的 b 为GWR模型中确定的带宽，记通过GWR拟合得到的房屋租金为Y g ，第 i 个房屋通过GWR拟合的租金为Y g ( i )；步骤4、统计各房屋附近的租金样本点个数，当附近的租房样本点较多时，以步骤3地理加权回归模型的结果作为房租估价的最终结果；当附近的租房样本点较少时，以步骤2深度模型的结果作为房租估价的最终结果；步骤5、采集一个城市的租房信息数据和POI数据，包含租赁房屋的建筑属性、租金、各POI的位置和类型，将数据按照步骤1-3进行位置叠加、深度学习和地理加权回归，从而得到深度学习模型和地理加权回归模型的各项参数；对于待估价的房屋，按同样的方式进行位置叠加，并将该房屋的相关属性输入到上述的深度学习模型和地理加权回归模型中，最终得到房屋的租金估价。 2.根据权利要求1所述的一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法，其特征在于：在步骤1中，将房屋周边的每一类兴趣点POI的数量根据附近距离进行多尺度分别统计；记POI兴趣点为P 1 , P 2 , …, P n ，根据各个距离尺度H 1 , H 2 , …, H m ，对房屋周边各类型POI类型的数量单独计数，计数得到的各个数值放到一起，组成一个向量，记为区位属性向量L，L = [L 11 , L 12 , …, L 1m , L 21 , …, L 2m , …, L n1 , …, L nm ]。 3.根据权利要求1所述的一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法，其特征在于：在步骤2中，将房屋本身的建筑属性因子A 1 , A 2 , …, A k 组成建筑属性向量A，与步骤1中的区位属性向量L合并，得到的向量V（=[A 1 , A 2 , …, A k， L 11 , L 12 , …, L 1m ,L 21 , …, L 2m , …, L n1 , …, L nm ]）作为深度学习的输入向量，使用全连接深度神经网络进行深度学习；深度学习的损失函数为loss = SUM(Y - Y*) 2 + 0.0001 * SUM (w ij 2 )，其中Y表示租金拟合值，Y*表示租金真实值，w ij 为各隐藏层中的神经元参数，学习目标是使loss达到最小；记模型训练完成后，深度学习得到的租金拟合值为Y d 。 4.根据权利要求1所述的一种基于位置信息叠加与深度神经网络的城市房屋租金估价方法，其特征在于：在步骤4中，根据GWR模型的带宽 b ，统计得到位于房屋 i 的附近b距离内，包含数据集中的租金样本点为near i 个，所有房屋的附近b距离内样本点个数的平均值为near avg 个；当房屋附近的租房样本点较多时，即near i > near avg ，将步骤3地理加权回归模型的结果Y g ( i )作为房租评估的最终结果；当附近的租房样本点较少时，即near i < near avg ，将步骤2深度模型的结果Y d ( i )作为房租评估的最终结果；即最终拟合值为 。