基于神经网络挖掘房价时空关联性以预测房价的方法

摘要

本发明公开了一种基于神经网络挖掘房价时空关联性以预测房价的方法，包括：获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集；将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型；将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格，解决了现有技术忽略近期内无房价标签数据以及难以确定时间与房价内在关系的问题。

说明书

技术领域

本发明涉及房价预测技术领域，尤其涉及一种基于神经网络挖掘房价时空关联性以预测房价的方法、装置和计算机可读存储介质。

背景技术

近年来，随着房地产市场的迅猛发展，市场中出现了很多关于房地产的交易，房地产交易双方对该将要进行交易房地产的市场价格进行评估的业务需求增多，目前，传统的房价评估主要依赖于估价师根据历史数据与工作经验对小范围内的房价进行预估，但随着房地产市场的逐渐火热，该方法耗费的人力与财力资源也急剧增加，这种人工预测房价的方法不适用于大范围的房价预测。

基于数据的房价预测方法已逐渐成为房价预测的研究重点，但是现有技术研究存在的技术问题包括：第一：仅使用近期交易的房价数据进行训练，忽略了近期内没有房屋价格的数据；第二：在二手房交易数据集中，同一房屋的交易时间跨度大，导致难以训练学习时间与房价的内在关系。

因此，设计一种能基于神经网络挖掘房价内在的时间、空间关联性并以此来预测房价的方法是至关重要的。

发明内容

本发明主要目的在于提供一种基于神经网络挖掘房价时空关联性以预测房价的方法、装置和计算机可读存储介质，旨在解决现有技术中忽略近期内无房价标签数据以及难以确定时间与房价内在关系的问题。

为实现上述目的，本发明提供一种基于神经网络挖掘房价时空关联性以预测房价的方法，所述基于神经网络挖掘房价时空关联性以预测房价的方法包括以下步骤：

获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集；

将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；

将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；

将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型；

将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格。

在一实施例中，所述获取数据集并将有房价标签的数据与无房价标签的数据分离包括：采集区域内的房屋数据集，检测所述房屋数据集内各数据的数据类型并进行归类处理，将有标签房价数据与无标签房价数据分离。

在一实施例中，所述数据类型至少包括时间戳型、数值型以及类别型；所述检测所述房屋数据集内各数据的数据类型并进行归类处理，包括：

若检测到的数据类型为时间戳型，将时间戳的年、月、日分别分离成新的数据特征并当成数值型特征进行处理；

若检测到的数据类型为数值型，使用平均值填充法对缺失的数值型特征进行填充；

若检测到的数据类型为类别型，统计数据集中每个类别型特征中类别数量，使用独热编码方式将所述类别型数据转化为可识别数据以增加特征数量。

在一实施例中，还包括：对每个数值型特征进行归一化处理以改变特征分布，所述归一化操作使数值型特征的均值为0，方差为1。

在一实施例中，所述将有房价标签的数据集划分为多个子数据集，包括：

获取归类处理后的有房价标签的数据集，将所述有房价标签的数据集以时间单位划分为多个子数据集；

将每个子数据集按照训练集、验证集以及测试集进行比例分割，其中，所述训练集、验证集以及测试集对应的比例关系为8：1：1。

在一实施例中，所述第一房价预测模型至少包括两个子房价预测模型；所述将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型，包括：

统计待训练房屋数据集的特征数量，将所述子数据集分别输入所述第一神经网络模型中进行训练，得到对应的子房价预测模型；

根据所述子房价预测模型预测相应时间段内与有房价标签具有相似房屋特征信息的无房价标签的房价。

在一实施例中，还包括：调整神经网络参数以进行模型优化。

在一实施例中，所述参数至少包括：神经网络的隐层层数、各隐层的神经元数量。

为实现上述目的，本发明还提供一种房价预测装置，所述房价预测装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于神经网络挖掘房价时空关联性以预测房价程序，所述基于神经网络挖掘房价时空关联性以预测房价程序被所述处理器执行时实现如上所述的基于神经网络挖掘房价时空关联性以预测房价的方法的各个步骤。

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存储有基于神经网络挖掘房价时空关联性以预测房价程序，所述基于神经网络挖掘房价时空关联性以预测房价程序被处理器执行时实现如上所述的基于神经网络挖掘房价时空关联性以预测房价的方法的各个步骤。

本申请实施例中提供的基于神经网络挖掘房价时空关联性以预测房价的方法及装置、计算机可读存储介质的技术方案，至少具有如下技术效果：

由于采用了采集区域内的房屋数据集，检测所述房屋数据集内各数据的数据类型并进行归类处理，将有标签房价数据与无标签房价数据分离，将有房价标签的数据集划分为子数据集；将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型的技术方案，实现利用房价的空间依赖性来估计同时间段内有相似空间属性房屋的房价使房屋标签的时间跨度大大减短，有利于网络学习数据的时间关联性，从而在不同时间点上预测的更加准确。

附图说明

图1为本发明实施例涉及的房价预测装置结构示意图；

图2为本发明基于神经网络挖掘房价时空关联性以预测房价的方法的第一实施例的流程示意图；

图3为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S110的一个细化流程示意图；

图4为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S111的一个细化流程示意图；

图5为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S120的一个细化流程示意图；

图6为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第二实施例的流程示意图；

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。

本申请为了解决了现有技术忽略近期内无房价标签数据以及难以确定时间与房价内在关系的问题，采用了获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集；将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型；将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格的技术方案，实现了降低房价预测成本以及提高房屋价格预测准确度。

为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

本领域技术人员可以理解，图1所示的房价预测装置结构并不构成对房价预测装置的限定，房价预测装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

作为一种实现方式，可以如图1所示，图1是本发明实施例方案涉及的房价预测装置结构示意图。

处理器1100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1100可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1200，处理器1100读取存储器1200中的信息，结合其硬件完成上述方法的步骤。

可以理解，本发明实施例中的存储器1200可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本发明实施例描述的系统和方法的存储器1200旨在包括但不限于这些和任意其它适合类型的存储器。

对于软件实现，可通过执行本发明实施例所述功能的模块(例如过程、函数等)来实现本发明实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

基于上述结构，提出本发明的实施例。

参照图2，图2为本发明基于神经网络挖掘房价时空关联性以预测房价的方法的第一实施例的流程示意图，所述基于神经网络挖掘房价时空关联性以预测房价的方法，包括以下步骤：

步骤S110，获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集。

在本实施例中，获取区域内的房屋数据集，所述房屋数据集中包括有房价标签的数据与无房价标签的数据，检测房屋数据集内各数据的数据类型并进行归类处理，将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集。

参照图3，图3为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S110的一个细化流程示意图，包括以下步骤：

步骤S111，采集区域内的房屋数据集，检测所述房屋数据集内各数据的数据类型并进行归类处理，将有标签房价数据与无标签房价数据分离。

在本实施例中，所述房屋数据集的来源渠道不限于公开在网站、报刊、广告等为公众所知的数据；所述区域可以是某个省、某个城市、某个行政区等，例如，从A房源网站上收集B城市C行政区过去10年的房屋数据；所述房屋数据集中的数据包括房屋属性、地理位置、房屋开发商、房屋交易记录等；其中，房屋属性可包括房屋面积，装修情况，户型，朝向、所属小区等；地理位置可包括所属行政区、所属小区位置等；所述数据类型至少包括时间戳型、数值型以及类别型；采集某区域内的房屋数据，对房屋数据进行筛选，筛除的数据包括明显错误的数据、信息缺失严重的数据等，例如：通过检测房屋数据集内各数据的数据类型并进行归类处理，数据的特征至少可分为三类，例如，将时间数据归类为时间戳型特征，如房屋售卖时间等；将数值型数据归类为数值型特征，如房屋面积、房屋价格等；将难以量化的数据归类为类别型特征，如所属小区、朝向等。

参照图4，图4为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S111的一个细化流程示意图，包括以下步骤：

步骤S1111，若检测到的数据类型为时间戳型，将时间戳的年、月、日分别分离成新的数据特征并当成数值型特征进行处理。

在本实施例中，所述时间戳是指使用数字签名技术产生的数据，主要目的在于通过一定的技术手段，对数据产生的时间进行认证，从而验证这段数据在产生后是否经过篡改，本申请若检测到的数据类型为时间戳型，将时间戳型的年、月、日分别分离成一个新的数据特征，之后当成数值型特征处理，以提高数据的准确真实性。

步骤S1112，若检测到的数据类型为数值型，使用平均值填充法对缺失的数值型特征进行填充。

在本实施例中，若检测到的数据类型为数值型，使用平均值填充法对缺失的数值型特征进行填充；假设3月份某小区有4间房屋分别为A、B、C、D已经售卖，在采集数据的时候只采集到其中A、C、D三间房屋的房屋售卖时间，分别为A房屋售卖时间为3月5号，C房屋售卖时间为3月15号，D房屋售卖时间为3月21号，B房屋的房屋售卖时间信息缺失，则可以根据A、C、D这三间房屋的房屋售卖时间计算平均房屋售卖时间为大约平均5天出售一间房屋，推算B房屋的房屋售卖时间大约为3月10号，则将该房屋售卖时间的时间采用3月10号进行填充。

步骤S1113，若检测到的数据类型为类别型，统计数据集中每个类别型特征中类别数量，使用独热编码方式将所述类别型数据转化为可识别数据以增加特征数量。

在本实施例中，若检测到的数据类型为类别型，例如所属小区、朝向、装修情况、户型等，统计数据集中每个类别型特征中类别数量，使用独热编码(one-hot编码)方式将所述类别型数据转化为可识别数据以增加特征数量，即将数据集中离散的类别型数据转换为连续型数据；所述独热编码又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候，其中只有一位有效，其中，将每个类别型特征作为二进制向量的表示，首先要求将分类值映射到整数值，然后，每个整数值被表示为二进制向量；例如对数据集中的“朝向”数据类型特征进行独热编码转换，检测到该数据类型中的类别型数据特征包括：[“东”，“南”，“西”]，即N＝3，按照N位状态寄存器来对N个状态进行编码的原理，对类别型数据特征进行处理，其中，“东”转换为“100”，“南”转换为“010”，“西”转换为“001”，使用独热编码方式将所述类别型数据转化为可识别数据，即转换为：[1，0，0，0，1，0，0，0，1]；在类别型特征中，缺失也是一个类别，并不需要对其进行填补，如果一个特征有大量缺失，则可以直接去掉这个特征。

步骤S1114，对每个数值型特征进行归一化处理以改变特征分布，所述归一化操作使数值型特征的均值为0，方差为1。

在本实施例中，离散特征进行独热编码后，编码后的特征，其实每一维度的特征都可以看做是连续的特征，就可以跟对连续型特征的归一化方法一样，对每一维特征进行归一化处理，分别对每个数值型特征进行0均值归一化操作，使数值型特征的均值为0，方差为1。

由于采用了采集区域内的房屋数据集，检测所述房屋数据集内各数据的数据类型并进行归类处理，将有标签房价数据与无标签房价数据分离，若检测到的数据类型为时间戳型，将时间戳的年、月、日分别分离成新的数据特征并当成数值型特征进行处理；若检测到的数据类型为数值型，使用平均值填充法对缺失的数值型特征进行填充；若检测到的数据类型为类别型，统计数据集中每个类别型特征中类别数量，使用独热编码方式将文本数据、类别缺失转化成模型可识别的数据形式，增加了特征数量，为模型提供了更多的信息，使在有部分特征缺失的情况下，模型依然能对其进行预测，使房价预测结果更加精确；将数值型数据进行归一化操作，改善了数据特征的分布情况，有利于模型学习数据的内在规律。

步骤S112，获取归类处理后的有房价标签的数据集，将所述有房价标签的数据集以时间单位划分为多个子数据集。

在本实施例中，获取归类处理后有房价标签的数据集，将有房价标签的数据集以时间单位划分为多个子数据集，其中用D表示数据集中有房屋价格的数据，D^表示没有房屋价格的数据，对于有真实房价标签的数据，按照交易时间将其分成多个样本集D

步骤S113，将每个子数据集按照训练集、验证集以及测试集进行比例分割，其中，所述训练集、验证集以及测试集对应的比例关系为8：1：1。

在本实施例中，在使用D

由于采用了采集区域内的房屋数据集，检测所述房屋数据集内各数据的数据类型并进行归类处理，将有标签房价数据与无标签房价数据分离；获取归类处理后的有房价标签的数据集，将所述有房价标签的数据集以时间单位划分为多个子数据集的技术方案，有利于网络学习数据的时间关联性，从而在不同时间点上预测的更加准确。

步骤S120，将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型。

在本实施例中，将子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型，所述第一房价预测模型至少包括两个子房价预测模型；由于子数据集D

参照图5，图5为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第一实施例步骤S120的一个细化流程示意图，包括以下步骤：

步骤S121，统计待训练房屋数据集的特征数量，将所述子数据集分别输入所述第一神经网络模型中进行训练，得到对应的子房价预测模型。

在本实施例中，统计待训练房屋数据集的特征数量，这决定了神经网络的输入层神经元的数量，由于房价预测任务属于回归任务，所以输出层神经元的数量为1；将所述子数据集分别输入所述第一神经网络模型中进行训练，即使用D

步骤S122，根据所述子房价预测模型预测相应时间段内与有房价标签具有相似房屋特征信息的无房价标签的房价。

在本实施例中，使用得到的n个神经网络模型M

由于采用了统计待训练房屋数据集的特征数量，将所述子数据集分别输入所述第一神经网络模型中进行训练，得到对应的子房价预测模型；根据所述子房价预测模型预测相应时间段内与有房价标签具有相似房屋特征信息的无房价标签的房价的技术方案，利用房价的空间依赖性来估计同时间段内有相似空间属性房屋的房价，使得在不同时间点上预测的更加准确。

步骤S130，将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价。

在本实施例中，所述第一房价预测模型是包括n个神经网络模型M

步骤S140，将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型。

在本实施例中，将带有预测标签即无房价标签的数据和原数据集带有房价标签的数据整合成一个新的数据集，该数据集不仅保留了原始数据集空间关联性，还带有有时间关联性，用该数据集训练网络，使模型会容易学到房价的时空关系，从而使预测结果更加精准；将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型，其中，第二神经网络模型的建立方法与第一神经网络模型类似，首先，统计待训练房屋数据集的特征数量，这决定了神经网络的输入层神经元的数量，由于房价预测任务属于回归任务，所以输出层神经元的数量为1，再建立所述第二神经网络模型，使用新的数据集训练网络以拟合房价数据的时间、空间关联性。

步骤S150，将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格。

在本实施例中，训练第二神经网络模型的数据集更大，因此该网络的层数、神经元数量会更多，对于待预测房屋特征信息，需要先对其进行归类处理，将待预测时间点与房屋信息经过预处理后，得到能输入到模型的数据格式，将处理后的数据输入到第二神经网络模型中，得到归一化后的房屋预测房价，然后经过反归一化过程，得到较准确的预测房价。

由于采用了获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集；将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型；将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格的技术方案，使房屋标签的时间跨度大大减短，有利于网络学习数据的时间关联性，从而在不同时间点上预测的更加准确。

参照图6，图6为本发明基于神经网络挖掘房价时空关联性以预测房价的方法第二实施例的流程示意图，包括以下步骤：

步骤S210，获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集。

步骤S220，将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型。

步骤S230，将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价。

步骤S240，将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型。

步骤S250，将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格。

步骤S260，调整神经网络参数以进行模型优化。

在本实施例中，所述神经网络参数至少包括：神经网络的隐层层数、各隐层的神经元数量、学习率、优化器、损失函数等；在本申请中，调整第一神经网络与第二神经网络的隐层层数、各隐层的神经元数量，并调整学习率，每次训练样本大小、优化器等参数，以进行模型的优化；第一神经网络与第二神经网络使用均方损失作为损失函数，使用平均绝对百分比误差作为模型的衡量指标，训练结束的条件为连续n次训练使模型在验证集损失上升，即过拟合时训练结束，或者达到最大训练迭代次数，选取验证集上平均绝对百分比误差最低的作为训练好的模型，用测试集上的平均绝对百分比误差作为衡量模型的指标。

与第一实施例相比，第二实施例包含步骤S260，其他步骤与第一实施例相同，不再赘述。

由于采用了获取数据集并将有房价标签的数据与无房价标签的数据分离，将有房价标签的数据集划分为多个子数据集；将所述子数据集分别输入第一神经网络模型进行训练，得到第一房价预测模型；将无房价标签数据输入所述第一房价预测模型，将预测的房价作为无房价标签数据的房价；将所述无房价标签的数据与所述有房价标签的数据融合成新数据集，将所述新数据集输入第二神经网络模型进行训练，得到第二房价预测模型；将待预测房屋特征信息经过归类处理后输入到所述第二房价预测模型中以获取房屋预测价格；调整神经网络参数以进行模型优化的技术方案，有利于网络学习数据的时间关联性，优化模型，从而在不同时间点上预测的更加准确。

基于同一发明构思，本发明还提供一种房价预测装置，所述房价预测装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于神经网络挖掘房价时空关联性以预测房价程序，所述基于神经网络挖掘房价时空关联性以预测房价程序被所述处理器执行时实现如上所述的基于神经网络挖掘房价时空关联性以预测房价的方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

由于本申请实施例提供的房价预测装置，为实施本申请实施例的方法所采用的房价预测装置，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该房价预测装置的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的房价预测装置都属于本申请所欲保护的范围。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。

基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有基于神经网络挖掘房价时空关联性以预测房价程序，所述基于神经网络挖掘房价时空关联性以预测房价程序被处理器执行时实现如上所述的基于神经网络挖掘房价时空关联性以预测房价的方法的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

由于本申请实施例提供的计算机可读存储介质，为实施本申请实施例的方法所采用的计算机可读存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的计算机可读存储介质都属于本申请所欲保护的范围。

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。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。