买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明提供了一种基于时空大数据的住房区域板块划分方法，通过引入新指标和新技术建立新的方法框架：首先对多源高粒度的时空大数据进行处理和匹配，然后在经典的住房价格模型基础上引入新变量来指示新的住房消费观念，接着使用时空地理加权回归方法在考虑住房特征价值的功能接近性和时空邻近性的同时计算得到住房特征价值矩阵，基于此，最后利用人工智能聚类领域中的亲和力传播算法在挖掘多维大规模数据方面的潜力和其鲁棒性来对住房进行聚类，得到住房板块。本发明有助于企业和政府在大尺度和快速化的城市发展背景下及时、高效、准确地监测和管理住房市场，推动中国房地产科技的“数智化”发展。

主权项：1.一种基于时空大数据的住房区域板块划分方法，其特征在于，包括：S1：将住房交易数据和微观地理大数据进行预处理和数据匹配后导入时空大数据库，微观地理大数据包括住房属性数据、道路网数据、兴趣点数据，时空大数据库包括匹配后的住房交易数据和道路网数据；S2：在预设全局住房价格回归模型中引入新的变量，基于时空大数据库，量化得到每个住房单元的住房价格潜在影响因素，并构建自变量矩阵；S3：基于步骤S1中匹配后的住房交易数据和道路网数据，计算时空距离，并构建时空距离矩阵，利用时空地理加权回归算法考虑住房价格间的时空依赖性，将时空距离矩阵嵌入到步骤S2的预设全局住房价格回归模型中，再使用加权最小二乘法进行住房单元的逐点参数估计得到每个住房单元的住房特征属性价值指数，构成住房特征属性价值指数矩阵；S4：基于步骤S3中得到的每个住房单元的住房影响因素的价值矩阵，利用人工智能聚类算法，从每个住宅单元点出发从下到上进行聚合得到住房单元组群，即为住房板块；其中，S3包括：S3.1：基于步骤S1中匹配后的住房交易数据和道路网数据，计算时空距离，计算公式如下： 其中，是点i与点j的时空距离；λ和μ是平衡时空单位的权重参数；u、v、t分别是经度、纬度和时间；ui和uj分别表示点i与点j的经度坐标，vi和vj分别表示点i与点j的纬度坐标，ti和tj分别表示点i与点j所处时间；S3.2：基于时空距离构建两个观测点间的时空权重矩阵W，W为对角矩阵，对角线元素表示两个观测点间相互影响的权重值，其他元素为0，使用交叉验证法选取最优的带宽；S3.3：基于步骤S2中得到的自变量矩阵和步骤S1中匹配后的住房交易数据，建立时空地理加权回归模型，公式如下： 其中，yi是第i个观测点ui,vi,ti处的被解释变量，即住房价格；xik为自变量矩阵，即观测点i处的潜在影响因素k；I和K分别是观测点个数和潜在因素个数；βkui,vi,ti是时空地理加权回归标准化系数，即第i个观测点处的未知系数；β0ui,vi,ti是常数项，即第i个观测点处的常数项；εi是误差项；S3.4，利用加权最小二乘估计法进行参数估计，具体为：在第i个观测点ui,vi,ti处时，自变量xk对应回归系数利用加权最小二乘估计法，回归系数通过使残差平方和最小来进行估计： 将参数估计用矩阵表示，则回归系数为： 其中，表示表示第i个观测点的权重，X表示自变量矩阵，Y表示表示被解释变量矩阵，XT表示自变量矩阵的转置；S3.5：基于步骤S3.4中得到的时空地理加权回归系数βkui,vi,ti，剔除系数不满足预设条件的住宅单元条目，得到住房特征属性价值指数矩阵，即为处理后的第i个观测点ui,vi,ti处的第k个住房影响因素的回归系数；步骤S4包括：S4.1：基于步骤S3中得到的住房特征属性价值指数矩阵，计算两点之间的相似度矩阵由任意两个样本点之间的负的欧式距离来度量，表征点j作为点i的聚类中心的能力，xik表示点i的第k个住房特征属性价值指数的值，xjk表示点j的第k个住房特征属性价值指数的值；S4.2：初始化参考度为相似度的中值，其中，参考度是实数si,i，是指点i作为聚类中心的参考度，取值为S矩阵对角线上的值，si,i值越大，i为聚类中心可能性越大；S4.3：计算吸引度矩阵ri,j和归属度矩阵ai,j，吸引度ri,j是指点j适合作为数据点i的聚类中心的程度，归属度ai,j是指点i选择点j作为其聚类中心的适合程度，ri,j加ai,j的和越大，点j成为最终的聚类中心的概率越大，且点i隶属于以点j为聚类中心的集群的可能性越大；将吸引度矩阵和归属度矩阵初始化为0；S4.4：更新迭代每个点的吸引度和归属度，迭代的终止条件是聚类中心不在更新或达到最大迭代次数，迭代公式如下： 其中，i′、j′表示更新后的点i和点j；si,j′表示更新j点后的相似度矩阵；ai,j′表示更新j点后的归属度矩阵；ri′,j表示更新i点后的吸引度矩阵；aj,j、rj,j分别表示点j作为聚类中心时的归属度和吸引度；S4.5：基于步骤S4.4中得到的聚类中心，对样本点归类，最后得到聚类集群，即为住房板块。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于时空大数据的住房区域板块划分方法