(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210754075.3 (22)申请日 2022.06.28 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 俞玺　李烨　朱佳栋　金焰　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 任岩 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 房产评估方法及装置 (57)摘要 本公开提供了一种房产评估方法及装置， 涉 及深度学习、 资产评估和金融科技领域。 该方法 包括： 采集客户的待测房屋的业务数据， 其中， 业 务数据为房屋相关的业务处理数据； 从业务数据 筛选影响房屋价值的关键特征变量； 将关键特征 变量输入深度学习模型， 得到待测房屋的预测价 值； 以及根据预测价值， 对客户的房产信息进行 评估。 本公开基于采集到的客户的房屋业务数 据， 筛选关键特征变量， 使用 深度学习模型进行 客户房屋价值的自动评估， 可以有效地针对 银行 内部提供一种自动评估客户房产的技术平台， 具 有广泛适用性。 权利要求书3页 说明书16页 附图10页 CN 115099860 A 2022.09.23 CN 115099860 A 1.一种房产评估方法， 包括： 采集客户的待测房屋的业 务数据， 其中， 所述 业务数据为房屋相关的业 务处理数据； 从所述业务数据筛 选影响房屋价 值的关键特 征变量； 将所述关键特 征变量输入深度学习模型， 得到所述待测房屋的预测价 值； 以及 根据所述预测价 值， 对所述 客户的房产信息进行评估。 2.根据权利要求1所述的方法， 其中， 所述采集客户的待测房屋的业务数据之前， 还包 括： 获取客户对其 业务数据的同意或者授权； 在得到所述同意或者授权后， 采集 客户的待测房屋的业 务数据。 3.根据权利要求1所述的方法， 其中， 所述业务数据包括多行业务数据， 每行业务数据 包括至少一个指标 数据； 从所述业务数据筛选影响房屋价值的关键特征变量之前， 还包括对所述业务数据进行 预处理， 得到多个样例数据， 其中， 对所述业务数据进行预处理， 具体包括针对所述业务数 据中的任意 一行业务数据， 执 行以下预处理操作中的至少一种： 若该行业务数据中的残缺数据量大于预设残缺阈值， 则删除该行业务数据中的所有指 标数据； 若该行业务数据全部为空， 则 删除该行业务数据； 若该行业务数据中的部分指标数据为空， 则将所述部分指标数据中的每一个指标数 据， 以该行业务数据前后行对应的该指标 数据的平均值 来重新赋值； 根据拉伊达准则， 去除该 行业务数据中的异常值； 根据各个指标数据预设的参考 区间， 去除该行业务数据中超出所述参考 区间的指标数 据。 4.根据权利要求3所述的方法， 其中， 从所述业务数据筛选影响房屋价值的关键特征变 量， 具体包括： 使用随机森林算法对所述多个样例数据进行筛 选； 使用斯皮尔曼相关性检验算法对筛选后的样例数据进行过滤， 得到影响房屋价值的关 键特征变量。 5.根据权利要求4所述的方法， 其中， 每个所述样例数据包含d个候选特征， d≥2且为整 数， 所述使用随机森林算法对所述多个样例数据进行筛选， 包括根据以下操作建立决策森 林： 预设随机森林的规模为L， 根据多个样例数据， 构建训练集， 其中， L、 n均为正整数， n为 训练集的样例数据个数； 按照第一预设比例， 从所述训练集中随机且有放 回地抽取n个样例数据， 作为一个训练 子集， 重复L次， 形成L个训练子集； 按照第二预设比例， 从所述d个候选特 征中随机抽取m个特 征， m＜d且为整数； 使用每个所述训练子集中的所述m个特 征， 构建一棵决策树； 根据构建好的L棵决策树， 建立所述决策森林。 6.根据权利要求5所述的方法， 其中， 所述使用随机森林算法对所述多个样例数据进行 筛选， 还包括：权　利　要　求　书 1/3 页 2 CN 115099860 A 2根据所述决策森林， 使用袋外数据错 误率计算所述m个特 征的每个特征的重要性； 根据所述每 个特征的重要性， 筛 选预设个数的特 征， 构成特 征子集。 7.根据权利要求6所述的方法， 其中， 所述使用斯皮尔曼相关性检验算法对筛选后的样 例数据进行 过滤， 包括： 使用斯皮尔曼相关系数， 计算所述特 征子集中的任意两个特 征的相关性； 使用P值矩阵对所述相关性进行假设检验， 以过 滤所述特征子集中的部分特 征。 8.根据权利要求1所述的方法， 其中， 所述深度学习 模型是基于所述业务数据 预先训练 得到的， 所述预 先训练包括： 获取所述待测房屋相关的多行历史业务数据， 对每行所述历史业务数据进行房价标 签； 从每行所述历史业 务数据筛 选影响房屋价 值的多个初始特 征变量； 使用每行所述历史业务数据的多个初始特征变量以及房价标签作为训练数据， 来训练 所述深度学习模型。 9.根据权利要求8所述的方法， 其中， 所述深度学习 模型基于径向基函数神经网络构建 而成， 所述径向基函数神经网络包括输入层、 隐含层和输出层， 其中： 所述输入层接收所述多个初始特 征变量； 所述隐含层采用高斯函数作为径向基函数， 所述径向基函数的中心从所述多个初始特 征变量中随机 选取， 且中心固定； 所述输出层输出 所述待测房屋的预测价 值。 10.根据权利要求9所述的方法， 其中， 使用每行所述历史业务数据的多个初始特征变 量以及房价标签作为训练数据， 来训练所述深度学习模型， 包括： 使用所述深度学习模型来确定所述多个初始特 征变量输出的待测房屋的预测价 值； 根据预设损失函数确定 输出的待测房屋的预测价 值与房价标签之间的差值； 在所述差值符合预设阈值的情况下， 根据所述差值调整所述深度学习模型的网络参 数， 以优化所述深度学习模型。 11.根据权利要求10所述的方法， 其中， 所述深度 学习模型的网络参数包括所述隐含层 与输出层之间的权值， 所述预设损失函数包括以下中的至少一种： 均方误差、 均方根 误差、 平方绝对误差和决定系数。 12.一种房产评估 装置， 包括： 数据采集模块， 用于采集客户的待测房屋的业务数据， 其中， 所述业务数据为房屋相关 的业务处理数据； 特征筛选模块， 用于从所述 业务数据筛 选影响房屋价 值的关键特 征变量； 价值预测模块， 用于将所述关键特征变量输入深度学习模型， 得到所述待测房屋的预 测价值； 以及 房产评估 模块， 用于根据所述预测价 值， 对所述 客户的房产信息进行评估。 13.一种电子设备， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所述一个或多个权　利　要　求　书 2/3 页 3 CN 115099860 A 3