基于深度置信网络的农用地基准地价评估模型

该文针对现有基准地价评估模型主观性较强及精度不够等问题，提出了一种基于深度学习思想的农用地基准地价评估方法，构建了样本特征集合与地价标签集合的深层网络结构映射关系，并以广东省普宁市农用地基准地价评估为实例，验证了模型的可行性和有效性。结果如下：1）与神经网络、支持向量机这类浅层学习模型相比，深度置信网络模型其对地价的拟合精度要高出3.61%，3.12%；2）在训练样本只有300时，深度置信网络模型对地价的拟合误差为16.43%，比神经网络、支持向量机模型的拟合精度最少要高出6.76个百分点；3）深度置信网络模型对单个样本的运算时间及内存占用比神经网络、支持向量机模型都要高，但在评估精度都达到95%左右的情况下，深度置信网络模型所需训练样本较少，支持向量机训练时间为193 s，而深度置信网络模型耗时187 s，两者耗时基本持平；4）基于DBN模型对耕地评估单元的地价测算结果，将将普宁市耕地评估单元划分为5级，然后利用面积加权法求取对应的级别基准地价范围为21.34～26.23元/m2。上述试验结果表明该方法在对样本点地价的评估精度上要优于传统的浅层方法，并且该模型计算所得普宁市耕地基准地价与耕地质量在空间分布规律上保持一致。