隨著我國城鎮(zhèn)化進程不斷推進,城市土地經(jīng)濟在國民經(jīng)濟中占比越來越重,其核心是城市住宅地價,因此對城市住宅地價準確、及時地評估具有重要現(xiàn)實意義。傳統(tǒng)城市住宅地價評估方法具有周期長、低效率、誤差大等缺點。住宅地價數(shù)據(jù)常具有不平衡性、數(shù)據(jù)量小等缺陷,因此提出一種適合住宅地價數(shù)據(jù)特征的快速評估方法很有必要。本論文針對住宅地價數(shù)據(jù)總量少、類別分布不平衡等缺陷,提出一種基于遷移學習的地價特征提取方法,并使用不同的地價評估模型進行精度評定,探索出適合地價評估的模型與方法。本論文主要研究工作如下:(1)針對傳統(tǒng)的地價特征選取不足性以及特征量化主觀性,本論文從商業(yè)、交通、教育、基礎設施、環(huán)境以及其他綜合因素入手,構建了覆蓋面廣的住宅地價影響因子體系。并結合各影響因子的特點及其與住宅地價的關系,建立了深圳市住宅地價因子量化體系。(2)本論文提出了一種解決訓練數(shù)據(jù)總量小的特征提取算法。通過引入遷移學習技術,考慮房價特征與地價特征相關性,將房價特征遷移到住宅地價特征提取中,解決了原來地價數(shù)據(jù)總量小、特征提取困難等問題,實現(xiàn)對住宅地價的高精度評估。(3)在使用主成分分析方法提取地價特征過程中,本論文改變了慣用特征值大于1的主成分選取方式,采用對不同主成分進行交叉驗證的方式,探索出適合住宅地價分類的主成分。(4)根據(jù)本論文提出的遷移學習特征提取方法,首先基于房價數(shù)據(jù)和深度置信網(wǎng)絡(DBN)進行特征提取器訓練,然后使用房價DBN模型進行地價特征提取,最后選取了三種常用的地價分類模型(支持向量機、BP神經(jīng)網(wǎng)絡、隨機森林)對提取的地價特征進行分類精度分析,驗證了基于遷移學習住宅地價特征提取算法的有效性,得出了隨機森林分類模型更適合于城市住宅地價分類評估的結論。本論文對住宅地價特征提取方法進行改進,實驗結果表明基于遷移學習的地價特征提取算法較常用的主成分分析提取方法、線性歸一化方法具有更好分類精度,分別提高了10.9%和4.73%的平均精度,最優(yōu)的特征集分類精度達90.28%,因此,本論文提出的住宅地價評估算法能滿足實際地價評估精度。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F299.23;TP18
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究意義
    1.2 國內外研究現(xiàn)狀及存在的問題
        1.2.1 國內外研究現(xiàn)狀
        1.2.2 存在的問題
    1.3 研究內容和技術路線
        1.3.1 研究內容
        1.3.2 技術路線
    1.4 論文創(chuàng)新之處
    1.5 論文組織結構
第二章 地價評估基本理論
    2.1 地價相關概念及理論
        2.1.1 網(wǎng)格地價理論
        2.1.2 區(qū)位地價理論
        2.1.3 土地供需地價理論
    2.2 主成分分析
    2.3 常用地價評估模型算法
        2.3.1 BP神經(jīng)網(wǎng)絡
        2.3.2 隨機森林
        2.3.3 支持向量機
    2.4 本章小結
第三章 住宅地價特征選取及量化
    3.1 研究區(qū)概況
        3.1.1 自然條件
        3.1.2 社會經(jīng)濟發(fā)展狀況
        3.1.3 深圳土地市場發(fā)育概況
    3.2 住宅地價特征選擇
    3.3 住宅地價特征數(shù)據(jù)獲取
    3.4 特征量化
        3.4.1 房價和地價量化
        3.4.2 商業(yè)因素量化
        3.4.3 交通因素量化
        3.4.4 教育因素量化
        3.4.5 基礎設施因素量化
        3.4.6 環(huán)境因素量化
        3.4.7 其他因素量化
    3.5 本章小結
第四章 基于遷移學習城市住宅地價評估算法
    4.1 遷移學習理論
        4.1.1 遷移學習分類
        4.1.2 同構遷移學習
        4.1.3 異構遷移學習
        4.1.4 遷移學習在地價評估中的優(yōu)勢
    4.2 深度置信網(wǎng)絡
    4.3 房價與住宅地價關系
    4.4 基于遷移學習城市住宅地價評估算法
    4.5 本章小結
第五章 基于人工智能城市住宅地價評估模型構建及結果分析
    5.1 數(shù)據(jù)預處理
        5.1.1 交叉驗證數(shù)據(jù)分組
        5.1.2 歸一化處理
        5.1.3 主成分分析數(shù)據(jù)處理
    5.2 基于遷移學習住宅地價特征提取
        5.2.1 房價DBN模型訓練
            5.2.1.1 網(wǎng)絡輸入輸出層確定
            5.2.1.2 遷移學習DBN模型精度評定
        5.2.2 基于房價數(shù)據(jù)的地價特征提取
    5.3 基于BP神經(jīng)網(wǎng)絡地價評估模型構建及分析
        5.3.1 網(wǎng)絡結構確定
            5.3.1.1 網(wǎng)絡輸入層輸出層確定
            5.3.1.2 中間層確定
        5.3.2 訓練參數(shù)選取
        5.3.3 實驗結果及分析
    5.4 基于SVM地價評估模型構建及結果分析
        5.4.1 實驗環(huán)境選取
        5.4.2 SVM參數(shù)設置
        5.4.3 實驗過程及結果
        5.4.4 精度評估及檢驗
    5.5 基于隨機森林地價評估模型構建及分析
        5.5.1 參數(shù)設置討論
        5.5.2 模型性能評判
        5.5.3 實驗結果分析
    5.6 模型對比及結果分析
    5.7 其他年份住宅地價評估
    5.8 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
攻讀碩士學位期間取得的成果
    發(fā)表的學術論文
    申請的專利
    申請的軟件著作權
攻讀碩士學位期間參與的項目

【參考文獻】

相關期刊論文 前10條

1 甘霖;馮長春;王乾;;北京市房價與地價的動態(tài)關系——基于結構方程模型的實證分析[J];地理研究;2016年10期

2 張景祥;王士同;鄧趙紅;蔣亦樟;李奕;;融合異構特征的子空間遷移學習算法[J];自動化學報;2014年02期

3 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學學報(工學版);2014年01期

4 顧燕萍;趙文杰;吳占松;;最小二乘支持向量機的算法研究[J];清華大學學報(自然科學版);2010年07期

5 柳小桐;;BP神經(jīng)網(wǎng)絡輸入層數(shù)據(jù)歸一化研究[J];機械工程與自動化;2010年03期

6 李萬慶;張金水;孟文清;;基于小波神經(jīng)網(wǎng)絡的房地產價格指數(shù)預測研究[J];河北工程大學學報(自然科學版);2008年01期

7 焦利民;劉耀林;葉宗達;;基于神經(jīng)網(wǎng)絡趨勢面分析的地價樣點檢驗方法研究[J];測繪信息與工程;2007年06期

8 潘昊,王曉勇,陳瓊,黃少鑾;基于遺傳算法的BP神經(jīng)網(wǎng)絡技術的應用[J];計算機應用;2005年12期

9 張蓬濤,楊紅;基于神經(jīng)網(wǎng)絡的基準地價預測模型研究——以河北省主要城市為例[J];中國土地科學;2000年05期

10 申玲,唐安淮;基于BP神經(jīng)網(wǎng)絡的房地產市場比較法價格評估[J];系統(tǒng)工程理論與實踐;1998年05期

相關博士學位論文 前3條

1 龍明盛;遷移學習問題與方法研究[D];清華大學;2014年

2 譚琦;面向跨領域文檔分類的異構遷移學習算法研究[D];華南理工大學;2013年

3 葉青;人工智能方法在估價領域的研究與應用[D];華僑大學;2011年

相關碩士學位論文 前7條

1 李琴;深圳市住宅地價影響因素空間量化分析[D];武漢大學;2017年

2 吳國琴;遷移學習在圖像分類中的應用研究[D];安徽大學;2017年

3 胡秋豐;基于曲面擬合的基準地價評估方法研究[D];天津商業(yè)大學;2015年

4 張潔;基于GWR模型的城市住宅地價空間分異研究[D];浙江大學;2012年

5 湯隆慧;基于跨領域的遷移學習算法研究[D];湖南大學;2011年

6 章浩;基于格網(wǎng)單元的土地定級與基準地價更新研究[D];福建師范大學;2008年

7 陳郁;改進的B-P神經(jīng)網(wǎng)絡在土地估價信息系統(tǒng)中的應用研究[D];河南大學;2007年

本文編號：2891530