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：平安直通咨询有限公司

摘要：本发明涉及预测模型，揭露了一种小区均价预估方法，该方法包括：接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；将所述历史挂牌均价及历史成交均价输入第一小区均价预估模型中，得到目标小区的第一均价。本发明还揭露了一种电子装置及计算机存储介质。利用本发明，可提高小区均价预估的准确性。

主权项：1.一种小区均价预估方法，应用于电子装置，其特征在于，所述方法包括：S1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录，包括历史挂牌记录及历史成交记录；S2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及S3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。

全文数据：小区均价预估方法、电子装置及存储介质技术领域本发明涉及数据处理技术领域，尤其涉及一种小区均价预估方法、电子装置及计算机可读存储介质。背景技术房产估价的理论方法在过去很长一段时间已经得到充分验证，市场比较法是目前公认最有效的房产评估模型建设理论，但采用市场比较法有较高的门槛，具体表现在：第一，需要收集大量、正常的房地产交易数据。第二，采用市场比较法必须要求房价相对稳定。传统的市场比较法估价模型过分依赖评估人员的主观经验，这不仅使得估价结果不可靠，更有可能引发道德风险，阻碍房地产估价业的良性发展。同时，市场比较法估价需要对大量的人文、社会、经济、地理数据进行采集、管理、分析和显示，传统的手工管理方式显然无法满足房产估价对大量信息的处理要求，利用新的技术手段改进估价模型、建立估价信息系统是估价行业发展的一个必然趋势。发明内容鉴于以上内容，本发明提供一种小区均价预估方法、电子装置及计算机可读存储介质，其主要目的在于提高小区均价预估的准确性。为实现上述目的，本发明提供一种小区均价预估方法，该方法包括：S1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；S2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及S3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。优选地，该方法还包括：S4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。此外，本发明还提供一种电子装置，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的小区均价预估程序，所述小区均价预估程序被所述处理器执行时，可实现如下步骤：A1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；A2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及A3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。优选地，所述小区均价预估程序被所述处理器执行时，还实现如下步骤：A4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括小区均价预估程序，所述小区均价预估程序被处理器执行时，可实现如上所述小区均价预估方法中的任意步骤。本发明提出的小区均价预估方法、电子装置及计算机可读存储介质，通过获取目标小区各房源的历史数据，对各房源的历史挂牌成交价格进行分析及处理，计算目标小区的历史挂牌成交均价，提高目标小区的历史挂牌成交均价的准确性；基于目标小区的历史挂牌成交均价、利用第一小区均价预估模型对目标小区均价进行预估，有助于提高小区均价预估的准确性；通过对第一小区均价预估模型的预估结果进行二次预估，进一步提高小区均价预估的准确性。附图说明图1为本发明小区均价预估方法较佳实施例的流程图；图2为本发明小区均价预估方法另一较佳实施例的流程图；图3为本发明电子装置较佳实施例的示意图；图4为图3中小区均价预估程序较佳实施例的程序模块示意图。本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明提供一种小区均价预估方法。参照图1所示，为本发明小区均价预估方法第一个较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和或硬件实现。在本实施例中，小区均价预估方法包括步骤S1-S3：S1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录，包括：历史挂牌记录及历史成交记录。用户通过客户端提交预估请求，请求中包括预估标的：目标小区均价。不同城市的预设渠道可能不同，以深圳为例，预设渠道包括：链家、szhome、中原、家家顺、搜房等平台。在步骤S1之前，该方法还包括：预设所述多个预设渠道的优先级别。各渠道的优先级为专家根据各渠道数据的可信度制定的，例如，上述5个渠道的优先级为：链家＞szhome＞中原＞家家顺＞搜房。从各预设渠道中爬取的历史记录为不同小区中不同房源对应的历史挂牌记录历史成交记录。在本实施例中，步骤S1包括：从预设渠道获取预设时间内指定区域的历史记录；获取每条所述历史记录的描述信息，根据预先确定的描述信息与小区的映射关系，确定所述目标小区对应的历史记录。上述指定区域包括目标小区，指定区域一般为xx市xx区。上述描述信息中包括描述房源地理位置的位置信息，例如，xx市xx区xx路xx小区xx期xx单元xx楼xx号。利用所有历史记录的描述信息确定目标小区对应的所有历史记录。上述目标小区对应的所有历史记录均为目标小区中多个房源对应的历史记录。S2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。在本实施例中，步骤S2包括：根据所述描述信息分别确定所述目标小区中各房源对应的历史记录；分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格；及计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。目标小区的历史挂牌均价与历史成交均价与该目标小区中每套房源的历史挂牌价格及历史成交价格紧密相关。因此，首先，确定目标小区中各房源对应的历史挂牌记录及历史成交记录，然后，分别确定各房源的历史挂牌价格及历史成交价格，最后，计算目标小区的历史挂牌均价及历史成交均价。需要说明的是，本发明并不要求同一套房源同时有历史挂牌记录及历史成交记录。优选地，本实施例中的所述“分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格”的步骤包括：当所述目标小区中同一房源对应一条历史挂牌记录历史成交记录时，读取该历史挂牌记录历史成交记录中的历史挂牌价格及历史成交价格，作为该房源的历史挂牌价格及历史成交价格；当所述目标小区中同一房源对应多条历史挂牌记录时，获取该多条历史挂牌记录对应的多个历史挂牌价格；当所述多个历史挂牌价格一致时，保留任意一个历史挂牌价格作为该房源的历史挂牌价格；或者当所述多个历史挂牌价格不一致时，取渠道优先级最高者作为该房源的历史挂牌价格。假设目标小区的某一房源同时在5个渠道上进行挂牌，那么，该房源存在5条历史挂牌记录，即该房源有5个历史挂牌价格。当5个历史挂牌价格相同时，取任意一个历史挂牌价格作为该房源的历史挂牌价格。当5个房源历史挂牌价格不同时，获取各历史挂牌价格对应的渠道优先级，选择渠道优先级别最高者对应的历史挂牌价格作为该房源的历史挂牌价格。一般情况下，同一个房源仅对应一条历史成交记录，故不用进行去重处理。通过对目标小区中各房源的历史记录进行去重处理，为后续计算目标小区的历史挂牌均价及历史成交均价奠定基础。优选地，本实施例中的所述“计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价”的步骤包括：计算目标小区在预设时间内的小区历史均价，分别计算所述目标小区中各房源在预设时间内的历史挂牌价格和多个历史成交价格与所述小区历史均价的偏差；过滤掉偏差大于第一预设阈值的历史挂牌价格，过滤掉偏差大于第二预设阈值的历史成交价格；及根据保留下来的历史挂牌价格、历史成交价格，分别计算目标小区第t期的历史挂牌均价及历史成交均价。以目标小区P为例，小区P内的多个房源在同一期内的历史挂牌价格、历史成交价格均不相同。为了去除小区P的历史挂牌价格、历史成交价格中的异常值，例如，价格过高或者过低的情况，需先确定小区P中各房源的历史挂牌价格和历史成交价格与小区P的小区历史均价的偏差，过滤掉偏差超过预设范围例如，第一预设阈值、第二预设阈值分别为40％、30％的数据，然后分别对剩下的历史挂牌价格、历史成交价格求平均值，得到小区P在上个月的历史挂牌均价及历史成交均价。其中，第一预设阈值及第二预设阈值可根据需求进行调整。通过对目标小区多个房源的历史挂牌价格及历史成交均价进行过滤，为准确计算目标小区的历史挂牌均价及历史成交均价奠定基础。优选地，小区历史均价是根据目标小区在多个预设渠道中上个月的小区历史价格计算得到的，小区历史价格直接从多个渠道中获取。在本实施例中，所述“计算目标小区在预设时间内的小区历史均价”的步骤包括：获取目标小区在预设时间内的n个小区历史价格，分别计算n个小区历史价格的离散程度；若离散程度满足第一预设条件，则直接取n个小区历史价格的均值作为目标小区在预设时间内的小区历史均价；或若离散程度不满足第一预设条件，则先剔除n个小区历史价格中的最大值及最小值，取剩余n-2个小区历史价格的均值作为目标小区在预设时间内的小区历史均价。其中，n为预设渠道的数量。例如，第一预设条件可以为：n个小区历史价格的相对标准差均小于或等于10％。n个小区历史价格的离散程度可以用相对标准差来表示。通过计算n个小区历史价格的相对标准差，确定n个小区历史价格的离散程度，并进一步计算目标小区在上个月的小区历史均价，有助于提高目标小区的小区历史均价的准确性，为对小区均价进行准确估值奠定基础。然而，在从n个预设渠道获取目标小区在上个月的小区历史价格数据的过程中，可能出现市场数据缺失的情况，即，可能某一个渠道中没有目标小区在上个月的小区历史价格数据。这种情况下，取存在目标小区在上个月的小区历史价格的多个渠道中优先级最高者对应的小区历史价格作为目标小区在上个月的小区历史价格。S3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。将上述步骤得到的目标小区在上个月的历史挂牌均价及历史成交均价输入到第一小区均价预估模型中，模型输出的结果即为预测的目标小区当期的小区均价，然后将预估结果中的第一均价通过客户端发送给用户。在本实施例中，所述第一小区均价预估模型是基于多变量灰度关联预测模型训练得到的，模型训练步骤包括：确定样本数据：获取多个指定小区在指定时间区间内2017.12-2018.7的历史挂牌均价、历史成交均价及小区历史均价，生成样本数据[X，Y]；例如，X＝[x1a，x1b，x2a，x2b，...，xia，xib]，Y＝[Y1，Y2，...，Yi]，其中，xia表示指定小区i在2017.12-2018.7内的连续六个月时间序列的长短可调整的历史挂牌均价，xib表示指定小区i在2017.12-2018.7内的连续六个月时间序列的长短可调整的历史成交均价，且xia，xib均为历史挂牌均价、历史成交均价对应的时间序列；Yi表示指定小区在2017.12-2018.7内的连续六个月时间序列与X保持一致的小区历史均价。历史挂牌均价、历史成交均价、小区历史均价的计算步骤与上述步骤大致相同，在此不作赘述。模型训练：根据时间将样本数据[X，Y]划分为训练集和测试集例如，将接近当前时间的两个月的样本数据作为测试集，其余的样本数据作为训练集，利用训练集中的样本数据对多变量灰度关联预测模型进行训练，得到第一小区均价预估模型；利用测试集对上述第一小区均价预估模型进行测试，直到满足预设条件例如，模型预测的误差率小于10％为止。本实施例中的所述多变量灰度关联预测模型公式如下：其中，表示序列X的i属性的一阶累加，k表示第k个数据项，表示第k+1项的一阶累加估计值，a、b为参数，表示一阶累加的求导。上述实施例提出的小区均价预估方法，通过获取目标小区各房源的历史挂牌价格及历史成交价格，对各房源的历史挂牌成交价格进行分析及处理，计算目标小区的历史挂牌成交均价，提高目标小区的历史挂牌成交均价的准确性；基于目标小区的历史挂牌成交均价、利用第一小区均价预估模型对目标小区均价进行预估，有助于提高小区均价预估的准确性。参照图2所示，为本发明小区均价预估方法另一个较佳实施例的流程图。在本实施例中，该方法包括：步骤S1-S4。其中，步骤S1-S3的内容与上述实施例相同，在此不作赘述。S4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。所述第二均价即为对目标小区均价进行二次预估结果，将预估结果中的第二均价通过客户端发送给用户。所述第二小区均价预估模型的训练步骤与上述第一小区均价预估模型的训练步骤大致相同，其区别在于：样本数据中的X为多个指定小区在指定时间区间内2017.12-2018.7的历史成交均价、历史挂牌均价、第一均价。其中，多个指定小区在指定时间区间内的第一均价通过上述第一小区均价预估模型确定，在此不作赘述。需要说明的是，上述实施例中的历史成交价格、历史挂牌价格、历史成交均价、历史挂牌均价等都是指单价，不是总价。上述实施例提出的小区均价预估方法，通过将目标小区的历史挂牌均价、历史成交均价及第一均价输入第二小区均价预估模型中对目标小区进行二次预估，对第一小区估值模型的预测结果进行收敛，提高目标小区均价预估的准确性。本发明还提供一种电子装置。参照图3所示，为本发明电子装置1较佳实施例的示意图。在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备，所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。该电子装置1包括存储器11、处理器12，及网络接口13。其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器例如，SD或DX存储器等、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如该电子装置1上配备的插接式硬盘，智能存储卡SmartMediaCard，SMC，安全数字SecureDigital，SD卡，闪存卡FlashCard等。进一步地，存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据，例如小区均价预估程序10等，还可以用于暂时地存储已经输出或者将要输出的数据。处理器12在一些实施例中可以是一中央处理器CentralProcessingUnit，CPU、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如小区均价预估程序10等。网络接口13可选的可以包括标准的有线接口、无线接口如WI-FI接口，通常用于在该电子装置1与其他电子设备之间建立通信连接。例如，电子装置1通过网络接口13接收客户端图中未标出发送的小区均价预估请求，并将预估结果通过网络接口13反馈给客户端。图3仅示出了具有组件11-13的电子装置1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。可选地，该电子装置1还可以包括用户接口，用户接口可以包括显示器Display、输入单元比如键盘Keyboard，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管OrganicLight-EmittingDiode，OLED触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。在图3所示的电子装置1实施例中，作为一种计算机存储介质的存储器11中存储小区均价预估程序10的程序代码，处理器12执行小区均价预估程序10的程序代码时，实现如下步骤：A1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录，包括：历史挂牌记录及历史成交记录。用户通过客户端提交预估请求，请求中包括预估标的：目标小区均价。不同城市的预设渠道可能不同，以深圳为例，预设渠道包括：链家、szhome、中原、家家顺、搜房等平台。在步骤A1之前，该方法还包括：预设所述多个预设渠道的优先级别。各渠道的优先级为专家根据各渠道数据的可信度制定的，例如，上述5个渠道的优先级为：链家＞szhome＞中原＞家家顺＞搜房。从各预设渠道中爬取的历史记录为不同小区中不同房源对应的历史挂牌记录历史成交记录。在本实施例中，步骤A1包括：从预设渠道获取预设时间内指定区域的历史记录；获取每条所述历史记录的描述信息，根据预先确定的描述信息与小区的映射关系，确定所述目标小区对应的历史记录。上述指定区域包括目标小区，指定区域一般为xx市xx区。上述描述信息中包括描述房源地理位置的位置信息，例如，xx市xx区xx路xx小区xx期xx单元xx楼xx号。利用所有历史记录的描述信息确定目标小区对应的所有历史记录。上述目标小区对应的所有历史记录均为目标小区中多个房源对应的历史记录。A2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。在本实施例中，步骤A2包括：根据所述描述信息分别确定所述目标小区中各房源对应的历史记录；分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格；及计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。目标小区的历史挂牌均价与历史成交均价与该目标小区中每套房源的历史挂牌价格及历史成交价格紧密相关。因此，首先，确定目标小区中各房源对应的历史挂牌记录及历史成交记录，然后，分别确定各房源的历史挂牌价格及历史成交价格，最后，计算目标小区的历史挂牌均价及历史成交均价。需要说明的是，本发明并不要求同一套房源同时有历史挂牌记录及历史成交记录。优选地，本实施例中的所述“分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格”的步骤包括：当所述目标小区中同一房源对应一条历史挂牌记录历史成交记录时，读取该历史挂牌记录历史成交记录中的历史挂牌价格及历史成交价格，作为该房源的历史挂牌价格及历史成交价格；当所述目标小区中同一房源对应多条历史挂牌记录时，获取该多条历史挂牌记录对应的多个历史挂牌价格；当所述多个历史挂牌价格一致时，保留任意一个历史挂牌价格作为该房源的历史挂牌价格；或者当所述多个历史挂牌价格不一致时，取渠道优先级最高者作为该房源的历史挂牌价格。假设目标小区的某一房源同时在5个渠道上进行挂牌，那么，该房源存在5条历史挂牌记录，即该房源有5个历史挂牌价格。当5个历史挂牌价格相同时，取任意一个历史挂牌价格作为该房源的历史挂牌价格。当5个房源历史挂牌价格不同时，获取各历史挂牌价格对应的渠道优先级，选择渠道优先级别最高者对应的历史挂牌价格作为该房源的历史挂牌价格。一般情况下，同一个房源仅对应一条历史成交记录，故不用进行去重处理。通过对目标小区中各房源的历史记录进行去重处理，为后续计算目标小区的历史挂牌均价及历史成交均价奠定基础。优选地，本实施例中的所述“计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价”的步骤包括：计算目标小区在预设时间内的小区历史均价，分别计算所述目标小区中各房源在预设时间内的历史挂牌价格和多个历史成交价格与所述小区历史均价的偏差；过滤掉偏差大于第一预设阈值的历史挂牌价格，过滤掉偏差大于第二预设阈值的历史成交价格；及根据保留下来的历史挂牌价格、历史成交价格，分别计算目标小区第t期的历史挂牌均价及历史成交均价。以目标小区P为例，小区P内的多个房源在同一期内的历史挂牌价格、历史成交价格均不相同。为了去除小区P的历史挂牌价格、历史成交价格中的异常值，例如，价格过高或者过低的情况，需先确定小区P中各房源的历史挂牌价格和历史成交价格与小区P的小区历史均价的偏差，过滤掉偏差超过预设范围例如，第一预设阈值、第二预设阈值分别为40％、30％的数据，然后分别对剩下的历史挂牌价格、历史成交价格求平均值，得到小区P在上个月的历史挂牌均价及历史成交均价。其中，第一预设阈值及第二预设阈值可根据需求进行调整。通过对目标小区多个房源的历史挂牌价格及历史成交均价进行过滤，为准确计算目标小区的历史挂牌均价及历史成交均价奠定基础。优选地，小区历史均价是根据目标小区在多个预设渠道中上个月的小区历史价格计算得到的，小区历史价格直接从多个渠道中获取。在本实施例中，所述“计算目标小区在预设时间内的小区历史均价”的步骤包括：获取目标小区在预设时间内的n个小区历史价格，分别计算n个小区历史价格的离散程度；若离散程度满足第一预设条件，则直接取n个小区历史价格的均值作为目标小区在预设时间内的小区历史均价；或若离散程度不满足第一预设条件，则先剔除n个小区历史价格中的最大值及最小值，取剩余n-2个小区历史价格的均值作为目标小区在预设时间内的小区历史均价。其中，n为预设渠道的数量。例如，第一预设条件可以为：n个小区历史价格的相对标准差均小于或等于10％。n个小区历史价格的离散程度可以用相对标准差来表示。通过计算n个小区历史价格的相对标准差，确定n个小区历史价格的离散程度，并进一步计算目标小区在上个月的小区历史均价，有助于提高目标小区的小区历史均价的准确性，为对小区均价进行准确估值奠定基础。然而，在从n个预设渠道获取目标小区在上个月的小区历史价格数据的过程中，可能出现市场数据缺失的情况，即，可能某一个渠道中没有目标小区在上个月的小区历史价格数据。这种情况下，取存在目标小区在上个月的小区历史价格的多个渠道中优先级最高者对应的小区历史价格作为目标小区在上个月的小区历史价格。A3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。将上述步骤得到的目标小区在上个月的历史挂牌均价及历史成交均价输入到第一小区均价预估模型中，模型输出的结果即为预测的目标小区当期的小区均价，然后将预估结果中的第一均价通过客户端发送给用户。在本实施例中，所述第一小区均价预估模型是基于多变量灰度关联预测模型训练得到的，模型训练步骤包括：确定样本数据：获取多个指定小区在指定时间区间内2017.12-2018.7的历史挂牌均价、历史成交均价及小区历史均价，生成样本数据[X，Y]；例如，X＝[x1a，x1b，x2a，x2b，...，xia，xib]，Y＝[Y1，Y2，...，Yi]，其中，xia表示指定小区i在2017.12-2018.7内的连续六个月时间序列的长短可调整的历史挂牌均价，xib表示指定小区i在2017.12-2018.7内的连续六个月时间序列的长短可调整的历史成交均价，且xia，xib均为历史挂牌均价、历史成交均价对应的时间序列；Yi表示指定小区在2017.12-2018.7内的连续六个月时间序列与X保持一致的小区历史均价。历史挂牌均价、历史成交均价、小区历史均价的计算步骤与上述步骤大致相同，在此不作赘述。模型训练：根据时间将样本数据[X，Y]划分为训练集和测试集例如，将接近当前时间的两个月的样本数据作为测试集，其余的样本数据作为训练集，利用训练集中的样本数据对多变量灰度关联预测模型进行训练，得到第一小区均价预估模型；利用测试集对上述第一小区均价预估模型进行测试，直到满足预设条件例如，模型预测的误差率小于10％为止。本实施例中的所述多变量灰度关联预测模型公式如下：其中，表示序列X的i属性的一阶累加，k表示第k个数据项，表示第k+1项的一阶累加估计值，a、b为参数，表示一阶累加的求导。上述实施例提出的电子装置1，通过获取目标小区各房源的历史挂牌价格及历史成交价格，对各房源的历史挂牌成交价格进行分析及处理，计算目标小区的历史挂牌成交均价，提高目标小区的历史挂牌成交均价的准确性；基于目标小区的历史挂牌成交均价、利用第一小区均价预估模型对目标小区均价进行预估，有助于提高小区均价预估的准确性。在其他实施例中，所述小区均价预估程序被所述处理器执行时，还实现如下步骤：A4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。所述第二均价即为对目标小区均价进行二次预估结果，将预估结果中的第二均价通过客户端发送给用户。所述第二小区均价预估模型的训练步骤与上述第一小区均价预估模型的训练步骤大致相同，其区别在于：样本数据中的X为多个指定小区在指定时间区间内2017.12-2018.7的历史成交均价、历史挂牌均价、第一均价。其中，多个指定小区在指定时间区间内的第一均价通过上述第一小区均价预估模型确定，在此不作赘述。需要说明的是，上述实施例中的历史成交价格、历史挂牌价格、历史成交均价、历史挂牌均价等都是指单价，不是总价。上述实施例提出的电子装置1，通过将目标小区的历史挂牌均价、历史成交均价及第一均价输入第二小区均价预估模型中对目标小区进行二次预估，对第一小区估值模型的预测结果进行收敛，提高目标小区均价预估的准确性。可选地，在其他的实施例中，小区均价预估程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器本实施例为处理器12所执行，以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如，参照图4所示，为图3中小区均价预估程序10较佳实施例的模块示意图。在小区均价预估程序10的一实施例中，所述小区均价预估程序10仅包括接收模块110、计算模块120及第一预估模块130，其中：接收模块110，用于接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；计算模块120，用于基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及第一预估模块130，用于将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。在小区均价预估程序10的另一实施例中，所述小区均价预估程序10还可以包括第二预估模块140。所述模块110-140所实现的功能或操作步骤均与上文类似，此处不再详述。此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括小区均价预估程序10，所述小区均价预估程序10被处理器执行时实现如下操作：A1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；A2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及A3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。优选地，所述小区均价预估程序被所述处理器执行时，还实现如下步骤：A4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。本发明之计算机可读存储介质的具体实施方式与上述小区均价预估方法的具体实施方式大致相同，在此不再赘述。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质如ROMRAM、磁碟、光盘中，包括若干指令用以使得一台终端设备可以是手机，计算机，服务器，或者网络设备等执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

权利要求：1.一种小区均价预估方法，应用于电子装置，其特征在于，所述方法包括：S1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录，包括历史挂牌记录及历史成交记录；S2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及S3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。2.根据权利要求1所述的小区均价预估方法，其特征在于，该方法还包括：S4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。3.根据权利要求1或2中任意一项所述的小区均价预估方法，其特征在于，所述步骤S1包括：从预设渠道获取预设时间内指定区域的历史记录；及获取每条所述历史记录的描述信息，根据预先确定的描述信息与小区的映射关系，确定所述目标小区对应的历史记录。4.根据权利要求3所述的小区均价预估方法，其特征在于，所述步骤S2包括：根据所述描述信息分别确定所述目标小区中各房源对应的历史记录；分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格；及计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价。5.根据权利要求4所述的小区均价预估方法，其特征在于，所述“分析并确定所述目标小区中各房源在预设时间内的历史挂牌价格及历史成交价格”的步骤包括：当所述目标小区中同一房源对应一条历史挂牌记录历史成交记录时，读取该历史挂牌记录历史成交记录中的历史挂牌成交价格，作为该房源的历史挂牌成交价格；当所述目标小区中同一房源对应多条历史挂牌记录时，获取所述多条历史挂牌记录对应的多个历史挂牌价格；当所述多个历史挂牌价格一致时，保留任意一个历史挂牌价格作为该房源的历史挂牌价格；或者当所述多个历史挂牌价格不一致时，取渠道优先级最高者作为该房源的历史挂牌价格。6.根据权利要求4所述的小区均价预估方法，其特征在于，所述“计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价”的步骤包括：计算目标小区在预设时间内的小区历史均价，分别计算所述目标小区中各房源在预设时间内的历史挂牌价格和多个历史成交价格与所述小区历史均价的偏差；过滤掉偏差大于第一预设阈值的历史挂牌价格，过滤掉偏差大于第二预设阈值的历史成交价格；及根据保留下来的历史挂牌价格、历史成交价格，分别计算目标小区第t期的历史挂牌均价及历史成交均价。7.根据权利要求6所述的小区均价预估方法，其特征在于，所述“计算目标小区在预设时间内的小区历史均价”的步骤包括：获取目标小区在预设时间内的多个小区历史价格，分别计算所述多个小区历史价格的离散程度；若离散程度满足第一预设条件，则直接取所述多个小区历史价格的均值作为目标小区在预设时间内的小区历史均价；或若离散程度不满足第一预设条件，则先剔除所述多个小区历史价格中的最大值及最小值，取剩余的小区历史价格的均值作为目标小区在预设时间内的小区历史均价。8.一种电子装置，其特征在于，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的小区均价预估程序，所述小区均价预估程序被所述处理器执行时，可实现如下步骤：A1、接收基于目标小区的均价预估请求，从预设渠道获取目标小区在预设时间内的历史记录；A2、基于预设分析规则及所述历史记录，分别计算所述目标小区在预设时间内的历史挂牌均价及历史成交均价；及A3、将所述历史挂牌均价及历史成交均价输入基于多变量灰度关联预测模型训练得到的第一小区均价预估模型中，得到目标小区的第一均价。9.根据权利要求8所述的电子装置，其特征在于，所述小区均价预估程序被所述处理器执行时，还实现如下步骤：A4、将所述目标小区在预设时间内的历史挂牌均价、历史成交均价及第一均价输入基于小波神经网络训练得到的第二小区均价预估模型，得到目标小区的第二均价。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括小区均价预估程序，所述小区均价预估程序被处理器执行时，可实现如权利要求1至7中任意一项所述的小区均价预估方法的步骤。

百度查询： 平安直通咨询有限公司 小区均价预估方法、电子装置及存储介质