综合可对比市场分析系统和方法与流程

综合可对比市场分析系统和方法
1.相关申请交叉引用
2.本技术要求2021年5月17日提交的美国非临时专利申请号17/322,208和2020年8月26日提交的美国临时专利申请号63/070,420的优先权，其公开内容通过引用整体并入本文。


背景技术：

3.可对比市场分析(cma)是基于同一社区中相似的，近期销售的房屋(被称为可对比房屋或可对比项(comparables)或可对比项(comps))对房屋价值进行评估。可对比市场分析通常由分析师(例如，代理商，经纪人，审核员)执行，以精心挑选与被评估房屋(标的房屋(subject home))价值相似的可对比房屋。例如，分析师可以首先从卖方接收到评估房屋可能的销售价格的房屋报价请求。分析师可以通过研究可对比物业来执行可对比市场分析，然后基于标的房屋附近的近期销售的，相似的，和/或可对比的物业来确定对房屋价值的估算。可被认为是分析师研究的一部分的因素包括标的物业和可对比物业的位置，房龄，大小，结构，风格，状况，和其他因素。执行分析之后，分析师可生成cma报告，其通常包括与用于确定估值的一组居前的可对比房屋(top comparable homes)的挂牌价(listing)结合的对标的房屋的估值。报告和估值可以帮助卖方为其房屋设置挂牌价格。cma还可以帮助买方向卖方提出有竞争力的报价，因为他们可以更好地了解与他们有兴趣购买的房屋可对比或相似的房屋的价格。
附图说明
4.图1是示出根据本技术的一些实施方式，综合可对比市场分析系统(synthetic comparative market analysis system)在其上运行的计算机系统和其它设备的至少一些中通常包含的一些组件的框图。
5.图2是示出本技术的一些实施方式中，综合可对比市场分析系统在其中运行的计算环境的示例的系统图。
6.图3是示出根据本技术的一些实施方式的综合可对比市场分析系统的组件的框图。
7.图4a是示出根据本技术的一些实施方式生成综合市场分析报告的过程的流程图。
8.图4b是示出根据本技术的一些实施方式使用集成模型生成房屋的预测价格估值的过程的流程图。
9.图5是示出根据本技术的一些实施方式包括标的房屋和可能的可对比房屋的样本地理布局的框图。
10.图6是示出根据本技术的一些实施方式的可对比市场分析报告内容的表格图。
11.图7是示出根据本技术的一些实施方式收集可对比房屋数据的过程的流程图。
12.图8是示出根据本技术的一些实施方式用于标识可对比房屋及其属性的过程的流程图。
13.图9是示出根据本技术的一些实施方式用于生成可对比房屋的价格调整(price adjustments)的过程的流程图。
14.图10是示出根据本技术的一些实施方式用于生成房屋的预测价格估值的过程的流程图。
15.图11是示出根据本技术的一些实施方式用于预测房屋预测价格估值误差的过程的流程图。
16.图12是示出根据本技术的一些实施方式用于创建价格建议的过程的流程图。
17.图13是示出根据本技术的一些实施方式的综合可对比市场分析系统所使用的房屋特征的示例的表格图。
18.为了讨论本技术的一些实现，附图中一些组件和/或操作可以被分成不同的块或被组合成一个块。此外，尽管本技术可适用于多种修改和替代形式，但具体实施方式已在附图中以示例的方式示出并在下文中被详细描述。然而，并不旨在将本技术限制在所描述的具体实施方式中。相对地，本技术旨在涵盖落入所附权利要求所限定的本技术范围内的所有修改，等同物，和替代方案。
具体实施方式
19.手动执行的可对比市场分析往往是有偏差的，因为它主要基于分析师的研究和他们的个人经验。有偏差的可对比市场分析通常会导致估值不准确以及选择的可对比房屋不理想。不准确的估值可能会与标的房屋的实际价格相差很大，导致卖方放出不理想的挂牌价。此外，现有的系统和方法常常很简单，在评估过程中只考虑少数可对比房屋和少量的房屋特征/属性。他们会忽视考虑物业实际情况(facts)之间的错综复杂，且没有注意到使房屋有差异或使房屋相似的某些细微之处。此外，目前的系统和方法缺乏量化物业估值置信度或误差的能力。
20.需要一些系统和方法，这些系统和方法能够通过从整个聚合的销售历史确定物业估值来稳健地执行可对比市场分析，同时还能够考虑区分物业或使某些物业相似的细微特征。还需要一些系统，这些系统能够减少偏差，便于一致性，作出与房屋的实际价值相差很小的准确物业估值，以及预测估算的物业估值的置信度或误差。此外，还需要能够量化标的房屋和可能的可对比房屋之间的相似程度，以便可以选择更相似的可对比房屋。
21.为了克服现有系统的这些和其它缺陷，发明人开发了一种综合可对比市场分析系统。综合可对比市场分析系统包括自动估值模型(avm)(用于对房屋进行估值的模型)以生成房屋估值(例如，估算的销售价格)。虽然本文的讨论是在房屋的情境下进行的，但可以将综合可对比市场分析系统应用于所有物业类型(例如，住宅物业，商业物业，土地等)。在一些实施方式中，综合可对比市场分析系统提供基于自动可对比的标的房屋的估值，对计算的物业估值的置信度估算，以及下一步的建议决策(例如，是否越过基于分析师的可对比市场分析)。综合可对比市场分析系统生成与房屋的实际价值(例如，实际销售价格，挂牌价格)相差最小的房屋的估算价值。综合可对比市场分析系统包括四个组件：(1)可对比项生成组件(comparables generation component)(compsim)，其用于确定与目标/标的房屋的相似或可对比房屋(可对比项(comparables)或可对比项(comps))，(2)便利设施(amenity)估值组件，其就房屋实际情况(与房屋有关的实际情况和物业)与要被估值的目标/标的房
屋(标的)的差异调整可对比项价格，(3)聚合器组件，其找到对各个可对比项估值进行综合(例如，平均)的最佳方式，以及(4)分流器(triager)组件，用于标识哪些估值可能具有最大误差。综合可对比市场分析系统产生与房屋的实际价值(例如，销售价格)相差最小的非常准确的房屋估值。综合可对比市场分析系统的结果可以被终端用户(例如，审核员)用来在向买方作出报价之前用于检查和核实。
22.综合可对比市场分析系统旨在为标的房屋提供稳健的估值。因为综合可对比市场分析系统可以在整个销售历史上进行训练并且可以标识和使用在确定可对比房屋时最有用的特征，所以它足够复杂以利用大量的先前知识，同时考虑了物业实际情况之间的错综复杂和依赖关系来生成与房屋实际价值相差最小的估算价值。尽管复杂，但综合可对比市场分析系统的组件的设计仍然使其具有可解释性和可解读性。分流器组件提供了对综合可对比市场分析系统生成的估值的置信度测量。可对比模拟组件可以生成可对比房屋的相似性分数，从而可以量化标的房屋和可对比房屋之间的相似性(参考图8进一步进行描述)。与常规方法相比，这种量化可以检测可对比房屋之间的细微差异和相似之处，从而选择更好的可对比房屋。
23.此外，综合可对比市场分析系统被设计以优化计算和网络资源，减少对数据库的访问时间(特别是在测试/预测时间期间)，并行训练大批量数据，以及在组件之间有效地传递数据，而不影响其在评估物业时的性能。与现有系统和方法相比，使用综合可对比市场分析系统，可以将报价请求的初始价格估值的平均分钟数减少几分钟，对于卖方的整批或多组报价请求，这可以转化成为节省数小时。因为使用综合可对比市场分析系统花费更少的资源且作出准确的估值，所以提供给卖方其报价请求的物业估值所涉及的成本和速率也可以大大降低。
24.为了解释的目的，在下面的描述中提出了许多具体细节以便提供对本技术的实施方式的透彻理解。然而，本领域技术人员将清楚，本技术的实施方式可以在没有这些具体细节的情况下进行实践。
25.短语“在一些实施方式中”，“在若干实施方式中”，“根据一些实施方式”，“在所示的实施方式中”，“在其他实施方式中”等通常是指该短语后面的具体特征，结构，或特性被包括在本技术的至少一个实施方式中并且可以被包括在多个实施方式中。此外，此类短语不一定指相同实施方式或不同实施方式。
26.合适的计算环境
27.图1是示出所公开系统在其上运行的计算机系统和其它设备的至少一些中通常包含的一些组件的框图。在多种实施方式中，这些计算机系统和其它设备100可以包括服务器计算机系统，台式计算机系统，膝上型计算机系统，上网本，移动电话，个人数字助理，电视，照相机，车用计算机，电子媒体播放器等。在多种实施方式中，计算机系统和设备包括以下项中的零项或更多项：中央处理单元(cpu)101，用于执行计算机程序；计算机存储器102，用于在使用时存储程序和数据，包括设施和相关数据，包含内核的操作系统，和设备驱动器；持久性存储设备103，例如用于持久存储程序和数据的硬盘驱动器或闪存驱动器；计算机可读介质驱动器104，其是不包括暂时性传播信号的有形存储装置，例如用于读取存储在计算机可读介质上的程序和数据的软盘，cd-rom，或dvd驱动器；以及网络连接105，其用于将计算机系统连接到其它计算机系统以发送和/或接收数据，例如经由因特网或另一网络及其
网络硬件，例如交换机，路由器，中继器，电缆和光纤，光发射器和接收器，无线电发射器和接收器等。虽然如上文所述进行配置的计算机系统典型地用于支持设施的操作，但本领域技术人员将理解，设施可以使用多种类型和配置的设备来实施，并且具有多种组件。
28.图2是示出在一些实施方式中所公开系统在其中运行的计算环境的示例的系统图。在一些实施方式中，环境200包括一个或多个客户端计算设备205a-d，其示例可以托管(host)系统100。客户端计算设备205在使用逻辑连接通过网络230连到一个或多个远程计算机(例如服务器计算设备)的联网环境中运行。
29.在一些实施方式中，服务器210是边缘服务器，其接收客户端请求并通过其它服务器(例如服务器220a-c)协调这些请求的实现。在一些实施方式中，服务器计算设备210和220包括计算系统，例如系统100。尽管每个服务器计算设备210和220在逻辑上被显示为一个服务器，但服务器计算设备可以各为包括位于相同或地理上不同的物理位置的多个计算设备的分布式计算环境。在一些实施方式中，每个服务器220对应于一组服务器。
30.客户端计算设备205和服务器计算设备210和220可以各自充当到其它服务器或客户端设备的服务器或客户端。在一些实施方式中，服务器(210，220a-c)连接到相应的数据库(215，225a-c)。如上所述，每个服务器220可以对应一组服务器，并且这些服务器中的每一个可以共享数据库或者可以拥有自己的数据库。数据库215和225存放(例如，存储)信息，例如房屋信息，近期销售情况，房屋属性等。尽管数据库215和225在逻辑上被显示为一个单元，但数据库215和225可以各自是包含多个计算设备的分布式计算环境，可以位于其相应的服务器内，或者可以位于相同或地理上不同的物理位置。
31.网络230可以是局域网(lan)或广域网(wan)，但也可以是其它有线或无线网络。在一些实施方式中，网络230是因特网或一些其它公共或专用网络。客户端计算设备205通过网络接口，例如通过有线或无线通信连接到网络230。虽然服务器210和服务器220之间的连接被显示为分离的连接，但这些连接可以是本地，广域，有线，或无线网络中的任何类型，包括网络230或分离的公共或专用网络。
32.图3是示出综合可对比市场分析系统300的组件的框图。生成综合市场分析所涉及的组件包括：可对比项生成组件301，便利设施估值组件302，聚合器组件303，分流器组件304，集成组件306，和集成误差组件307。可对比项生成组件301包括一个或多个模型，这些模型被训练以确定对于标的/目标房屋的一组可对比房屋。例如，可对比项生成组件标识数据集中与要被估值的标的房屋最相似或最可对比的房屋。可以经由从寻求对标的房屋进行物业估值的实体(例如，房屋卖方，代理商，买方，经纪人，审核员等)接收到的报价请求来标识标的房屋。例如，用户可以经由图形用户界面通过输入地址，在地图上选择房屋等来标识标的/目标房屋以进行估值。在一些实施方式中，标的房屋可以是具有某些属性的虚构房屋。例如，用户可能希望确定具有某些房屋属性(例如卧室数量，卫生间数量，房屋面积，地块大小等)的样本房屋的估算价值。
33.在接收到标的/目标房屋的足够细节之后，可对比项生成组件生成与标的房屋配对的可能的可对比房屋的相似性分数，量化可能的可对比房屋中的每一个与标的房屋之间的相似程度。选择具有从可对比模拟中输出的最高或居前的相似性分数的一组居前的可对比房屋。系统302是便利设施估值组件，一个被训练来确定可对比房屋的价格调整以考虑与要被估值的标的房屋的房屋实际情况或特征的差异的模型。便利设施估值组件基于每个可
对比房屋与标的房屋的差异程度为每个可对比房屋生成价格调整。然后使用价格调整来调整每个可对比房屋的价格，以考虑差异。系统303是聚合器组件，它找到对一组可对比房屋价格进行综合以生成标的房屋的预测价格估值的最佳方法。系统304是分流器组件，一个被训练来确定标的房屋的预测价格估值误差的模型。分流器组件评估一组可对比房屋，以确定当使用可对比房屋生成综合可对比市场分析报告305时预测价格估值中的误差。
34.系统306是集成组件。该集成组件可以包括将基础综合可对比市场分析系统与其他非可对比市场分析估值基础模型或可对比市场分析基础模型相结合以生成更准确的标的房屋预测价格估值的集成模型。换句话说，集成模型可以利用采用可对比市场分析中的替代估值方法的其他房屋估值模型，以提高基础综合可对比市场分析系统的准确性。通过组合各有他们自己的优点和缺点的不同建模方法，在一些实施方式中，集成组件可以生成比综合可对比市场分析系统的系统301-305生成的预测价格估值更准确并且有所改进的组合房屋估值估算。此外，综合可对比市场分析系统可以使用集成模型的输出来改进可对比项生成组件对可对比房屋的选择，并通过便利设施估值组件确定价格调整。可对比项生成组件可以使用来自集成模型的预测价格估值作为反馈来调整模型参数和输入/输出，以便为标的房屋选择更好的可对比房屋。类似地，便利设施估值组件可以使用来自集成模型的预测价格估值作为反馈来调整模型参数和输入/输出，以确定所选择的可对比房屋的更好价格调整。
35.系统307是集成误差组件。集成误差组件可以包括集成误差模型，用于估算来自集成模型的预测价格估值中的误差。集成误差模型可以包含与分流器组件相同的输入特征中的一个或多个。集成误差模型还可以包括附加特征，例如集成的每个基础模型，集成的基础模型的预测价格估值，集成的基础模型的不确定性/误差估算等。基于输入特征，集成误差模型可以估算集成模型生成的预测价格估值的误差。此外，综合可对比市场分析系统可以使用集成误差模型的输出来改进可对比项生成组件对可对比房屋的选择，并通过便利设施估值组件确定价格调整。可对比项生成组件可以使用来自集成误差模型的预测误差作为反馈来调整模型参数和输入/输出，以便为标的房屋选择更好的可对比房屋。类似地，便利设施估值组件可以使用来自集成误差模型的预测误差作为反馈来调整模型参数和输入/输出，以确定所选择的可对比房屋的更好价格调整。
36.图4a是示出生成综合市场分析报告的过程400a的流程图。综合可对比市场分析系统可以接收要被估值的标的房屋401。在一些实施方式中，综合可对比市场分析系统从图形用户界面接收标的房屋，该图形用户界面允许用户通过输入地址，在地图上选择房屋等来标识标的/目标房屋以进行估值。在一些实施方式中，标的房屋可以是具有某些属性的虚构房屋。例如，用户可能希望确定具有某些房屋属性(例如卧室数量，卫生间数量，房屋面积，地块大小等)的样本房屋的估算价值。
37.综合可对比市场分析系统查询与标的房屋进行对比的可能的可对比房屋。综合可对比市场分析系统随后可以将标的房屋和可能的可对比房屋输入到图3的可对比项生成组件301中。可对比项生成组件可以被配置为在动作402处通过应用机器学习模型(可对比项生成模型)来预测每个可能的可对比房屋的相似性分数，从而确定对于标的房屋的居前的可对比房屋。相似性分数是在可能的可对比房屋和标的房屋对之间相似性的测量。在一些实施方式中，将可能的可对比房屋按相似性分数进行排名，并选择相似性分数最高的前n个
可对比房屋。n可以是基于房屋位置，基于标的房屋本身，基于可能的可对比房屋总数，或基于阈值百分比的精心挑选的数字。例如，当可能的可对比房屋超过1000个时，n可以是等于可能的可对比房屋的前1％的数字，或10。作为另一个示例，当标的房屋位于城区时，n可以是小的数字，以考虑房屋的高密度。
38.可对比项生成模型在大量物业交易历史上进行训练，该大量物业交易历史可以被过滤(例如，与标的房屋的距离或与标的房屋相关的销售日期)并与先前已由分析师进行估值(由此分析师已经标识了针对每个被评估房屋的一组可对比的房屋)的多组房屋相结合。可对比项生成模型还在物业交易历史的留出(hold-out)数据以及包括标的房屋和他们的分析师生成的可对比市场分析的数据上进行验证。验证结果告知可以如何调节模型的参数(例如，模型特征，权重)以预测最准确的可对比房屋。当模型在标的房屋和可能的可对比房屋之间生成相似性分数时，选择相似性分数最高的可对比房屋用于对标的房屋进行估值。
39.因为可对比项生成组件在大量物业交易历史上进行训练，所以系统可以更好地利用来自历史趋势的知识并聚合该信息以生成可对比房屋。可对比项生成组件还可以根据提供的数据量很好地调节，并且在确定可对比房屋和标的房屋对是否有效时，可以可变动地考虑关于房屋的尽可能少或尽可能多的特征。此外，通过产生针对每个标的房屋和可对比房屋对(标的-可对比项对)的相似性分数，可对比项生成组件能够量化物业之间的相似程度(例如，可对比房屋的特征(例如居住面积)与标的房屋的特征相匹配的概率)，这是现有系统和方法无法做到的。图8描述了可对比项生成组件的过程和特征的更多细节。
40.图3的便利设施估值组件302可以被配置为在动作403处根据房屋实际情况或便利设施与标的房屋的差异调整居前的可对比房屋的价格。便利设施估值组件使用机器学习模型(便利设施估值模型)来预测居前的可对比房屋中的每一个的价格调整。价格调整代表可对比房屋和标的房屋之间的预测价格差异，以考虑在房屋实际情况或便利设施上的差异。用相应的价格调整对每个居前的可对比房屋进行调整，从而得到居前的可对比房屋的调整后价格。便利设施估值模型可以在可对比项生成组件使用的相同的大量物业交易历史上进行训练。
41.便利设施估值模型可以使用基于房屋实际情况的特征来确定标的房屋与可对比房屋之间的难以由分析师确定的细微差异。通过分析物业之间的细微区别和共性，便利设施估值组件可以精确预测可对比房屋的价格调整，以考虑可对比房屋的房屋实际情况或便利设施与标的房屋的差异。此外，由于便利设施估值组件可以利用可对比项生成组件的预测，因此它可以利用从可对比项生成组件已经学到的信息来考虑标的房屋和可对比房屋之间更精细的差异和相似性。可对比项的调整后价格反映了根据便利设施估值组件对可对比项的估值。图9描述了便利设施估值组件的过程和特征的更多细节。
42.图3的聚合器组件303可以被配置为在动作404处对各个可对比房屋价格进行综合。聚合器组件可以在便利设施估值组件进行调整后，将聚合函数(例如，平均值，加权平均值，中值，加权中值)应用于居前的可对比房屋的价格。例如，聚合函数可以是可对比项的调整后价格的加权平均值或加权中值，其中权重是可对比项的相似性分数。通过对可对比房屋进行加权，聚合器组件可以对价格可能更接近标的房屋的可对比房屋给予更大的权重，因为它们可能是更相似和更好的价格决定者。然后，聚合器组件聚合居前的可对比房屋的调整后价格，以确定标的房屋的预测价格估值。聚合器的预测价格估值是根据与标的房屋
最相似的可对比房屋(由可对比模拟组件确定，然后由便利设施估值组件调整的居前的可对比房屋)的调整后价格确定的标的房屋估值。图10描述了聚合器组件的过程和特征的更多细节。
43.图3的分流器组件304被配置为标识预测价格估值中的每一个上的误差并标记哪些预测价格估值可能具有最大的误差。因为如果估值不在真实房屋价值的某个界限内，则可能不希望将其发送给定价方，审阅方，买方，或卖方，所以分流器组件可以帮助预测估值中的误差程度以及是否在这些界限内。在动作405处，分流器组件使用机器学习模型来预测标的房屋预测价格估值的误差。该误差是对由图3的聚合器组件303确定的标的房屋的预测价格估值与标的房屋的真实价值(例如，市场价值，销售价格)的接近或准确程度的预测。
44.分流器组件可以利用大量物业交易历史进行训练。每个物业都与已根据便利设施估值组件进行调整并被聚合以提供估值的一组可对比房屋相匹配。使用预测估值与房屋真实公开市场销售价格之间的所测量误差来训练分流器模型。分流器模型可以评估调整后的可对比房屋的价格预测标的房屋真实销售价格的表现。较大的误差表示预测价格估值与标的房屋的真实价值相差较大。较小的误差表示预测价格估值与标的房屋真实价值相差较小。通过预测数字化误差，分流器组件能够量化综合可对比市场分析系统在对物业进行估值方面的表现，这是当前系统和方法所缺乏的特征。图11描述了分流器组件的过程和特征的更多细节。
45.在动作406处，综合可对比市场分析系统评估由分流器组件针对真实价值的某个阈值或界限所预测的误差，以确定它是否超过拒绝预测价格估值的阈值。如果误差不超过拒绝预测估值的阈值(意味着综合可对比市场分析系统预测价格估值在真实房屋价值的界限内)，则在动作407处，综合可对比市场分析系统输出标的房屋的预测价格估值作为综合可对比市场分析报告的一部分。该报告将快速地为卖方提供物业估值，以便他们可以将报价请求投放市场。如果误差确实超过了拒绝预测价格估值的阈值，那么在动作416处，综合可对比市场分析系统拒绝该预测价格估值。
46.图4b是示出根据本技术的一些实施方式使用集成模型生成房屋的预测价格估值的过程400b的流程图。在动作409处，综合可对比市场分析系统可以接收要被估值的标的房屋。在动作410处，图3的集成组件306可以获得集成模型。集成模型可以是具有集成中包含的每个基础模型的预测价格估值的输入特征的(具有或不具有截距(intercept)的)线性回归。基础模型可以包括综合可对比市场分析和任何其他房屋估值模型。例如，集成模型可以包括基础综合可对比市场分析系统和仅使用房屋属性预测房屋价格估值的第二房屋估值模型。该集成模型可以包括两个输入特征：来自综合可对比市场分析系统的预测价格估值(例如，在图4a中过程400a的动作404处所确定的)和来自第二房屋估值模型的预测价格估值。集成模型可以包含一组权重，用于对基础模型中的预测价格估值进行加权，以生成组合的预测价格估值。集成组件可以训练集成模型以确定一组优选权重。
47.在一些实施方式中，集成组件可以从基础模型，标有基准真实(ground-truth)挂牌/销售价格，将集成模型训练和/或拟合到房屋的预测价格估值。例如，训练数据记录可以是以下形式：{来自综合可对比市场分析的预测价格估值，来自集成基础模型2的预测价格估值，来自集成基础模型3的预测价格估值，
……
，来自集成基础模型n的预测价格估值；实际挂牌/销售价格}，其中“n”是集成中包含的基础模型的数量。在一些实施方式中，标签可
以是记下的挂牌/销售价格。在一些实施方式中，集成组件可以通过k折交叉验证例程或时间留出评估例程(temporal holdout evaluation routine)(例如，在某个截断日期之前的所有房屋销售都被留在训练之外，而该截断日期之后的房屋销售被用于评估模型并计算准确率(accuracy)，精确率(precision)，或召回率(recall)统计)来训练或评估集成模型。基于在验证数据上进行评估时的集成的性能，集成组件可以调整和优化模型参数。可调整的集成模型参数可以包括但不限于集成中包含的基础模型的数量，集成中包含的基础模型类型，所使用的输入特征的集合/类型，用于输入特征的房屋实际情况，所使用的输入特征的数量，被应用于某些输入特征的模型权重/偏差，等等。经过训练和验证后，集成模型可以包含一组优选权重，用于对基础模型的预测价格估值进行加权，以生成组合的预测价格估值。
48.在动作411处，集成组件可以通过将训练的集成模型应用于标的房屋来预测标的房屋的价格。例如，经过训练/拟合的集成模型可以首先确定综合可对比市场分析系统的预测价格估值为100,000美元，而第二房屋估值模型的预测价格估值为200,000美元。然后，假设在集成模型训练期间确定和优化的集成模型的权重对于基础模型为0.7和0.3。集成模型可以输出新的预测价格估值130,000美元(100,000美元以0.7加权和200,000美元以0.3加权的总和)。
49.在动作412处，图3的集成误差组件307可以获得集成误差模型。集成误差模型可用于估算由集成模型(例如，在动作411处)生成的标的房屋预测价格估值的误差。在一些实施方式中，集成误差模型可以是具有分流器组件使用的一个或多个相同输入特征的类似于分流器组件的机器学习模型。集成误差模型还可以包括来自集成模型的每个基础模型的预测价格估值和相应的不确定性/误差估算，作为附加的输入特征。在一些实施方式中，集成误差组件可以将集成误差模型训练和/或拟合到标有基准真实绝对价格/美元误差的输入特征。例如，训练数据记录的形式可以是{输入特征1，输入特征2，
……
，输入特征n；绝对价格误差}，其中“n”是集成误差模型中使用的输入特征的数量。集成误差模型还可以使用其他基准真实标签，例如对数绝对美元误差(log absolute dollar error)，绝对百分比误差，对数绝对百分比误差，或与分流器组件相关联的任何误差类型。
50.在动作413处，集成误差组件可以通过将集成误差模型应用于来自集成模型的预测价格估值来预测来自集成模型的预测价格估值中的误差。在一些实施方式中，预测误差可以是绝对价格/美元误差。在其他实施方式中，预测误差可以是绝对美元误差的百分位数，例如，预测误差的目标是在n％的时间内低于真实绝对误差，其中“n”是输出的百分位数。例如，假设集成模型为标的房屋生成250,000美元的预测价格估值，与标的房屋的实际挂牌/销售价格相比，真实价格误差为15,000美元。集成误差模型可以预测250,000美元预测价格估值中的误差在65％的时间内低于15,000美元真实绝对误差。集成组件可以使用集成误差模型中的预测误差作为反馈来调整集成模型参数，重新训练集成模型，并改进预测价格估值。
51.在动作414处，综合可对比市场分析系统可以确定来自集成模型的预测价格估值是否在预定义的范围内。范围可以通过最小值和最大值定义。在一些实施方式中，最小值可以是具有由综合可对比市场分析系统中的便利设施估值组件所确定的最低调整后价格的居前的可对比房屋的调整后价格。相对地，最大值可以是具有由综合可对比市场分析系统中的便利设施估值组件所确定的最大调整后价格的居前的可对比房屋的调整后价格。例
如，如果根据便利设施估值组件确定的最低调整后价格和最高调整后价格分别为100,000美元和200,000美元，则预定义的范围为100,000美元到200,000美元。综合可对比市场分析系统可以确定集成模型的预测价格估值是否在这个100,000美元到200,000美元范围内。
52.在其它实施方式中，范围的最小值和最大值可以分别低于或高于基础综合可对比市场分析所确定的预测价格估值的某个百分比。例如，最小值可以是基础综合可对比市场分析所确定的预测价格估值的90％，而最大值可以是基础综合可对比市场分析所确定的预测价格估值的110％。综合可对比市场分析系统可以确定集成模型的预测价格估值落在对应于该90％到110％范围内的价格。
53.在多种实施方式中，综合可对比市场分析系统可以通过重新估计由基础综合可对比市场分析所选择的居前的可对比房屋及其调整后价格来重新定义范围。基于集成模型确定的预测价格估值，综合可对比市场分析系统可以重新选择与集成模型确定的更准确的预测价格估值更匹配的居前的可对比房屋。例如，如果从集成模型确定的预测价格估值为100,000美元，但当前居前的可对比房屋的价格差异很大，则综合可对比市场分析系统可以重新选择价格更接近100,000美元的居前的可对比房屋。便利设施估值组件还可以应用通过从集成模型确定的预测价格估值来更好地提供信息的替代价格调整。例如，便利设施估值组件可以调整居前的可对比房屋的价格，使其更接近从集成模型确定的预测价格估值。在重新选择居前的可对比房屋并调整其价格后，综合可对比市场分析系统可以基于重新选择的居前的可对比房屋的调整后价格重新定义范围。例如，范围的最大值可以高于最贵的重新选择的居前的可对比房屋的某个百分比，最小值可以低于最便宜的重新选择的居前的可对比房屋的某个百分比。
54.在一些实施方式中，综合可对比市场分析系统可以基于从集成模型确定的预测价格估值生成范围。最小值和最大值可以分别低于或高于从集成模型确定的预测价格估值的某个百分比。例如，最小值可以是集成模型确定的预测价格估值的90％，而最大值可以是集成模型确定的预测价格估值的110％。然后，综合可对比市场分析系统可以确定集成模型的预测价格估值是否落入对应于该90％到110％的价格范围内。在一些实例中，综合可对比市场分析系统还可以核查该范围是否与基础综合可对比市场分析中确定的居前的可对比房屋的基本调整后价格一致。如果不一致，综合可对比市场分析系统可以调整基础综合可对比市场分析，使其更一致(例如，重新调整居前的可对比房屋的价格，重新选择居前的可对比房屋)。
55.响应于确定来自集成模型的预测价格估值不落入预定义范围内，综合可对比市场分析系统可以继续动作415。响应于确定来自集成模型的预测价格估值落入预定义范围内，综合可对比市场分析系统可以继续动作416。
56.在动作415处，综合可对比市场分析系统可以使用预测价格估值和由基础综合可对比市场分析生成(例如，分别在过程400a的块404和405处生成)的相应误差来调整/修改系统组件301，302，和303，或者生成综合可对比市场分析报告407。使用基础综合可对比市场分析可以表示来自集成模型的预测价格估值不如基础综合可对比市场分析的预测准确，或者该值不太可由审阅方审核且基本的基础综合可对比市场分析更有用。因此，综合可对比市场分析系统可以恢复使用来自基础综合可对比市场分析系统的预测。在一些实施方式中，执行动作415可以随后触发执行过程400a的动作406。
57.在动作416处，综合可对比市场分析系统可以使用由集成模型和集成误差模型分别生成的预测价格估值和相应的误差来调整/修改系统组件301，302，和303，或者生成综合可对比市场分析报告407。使用集成模型可以表示，集成模型的预测价格估值比基础综合可对比市场分析的预测更准确。在一些实施方式中，执行动作416可以随后触发执行过程400a的动作406。
58.在一些实施方式中，综合可对比市场分析可以使用由集成模型和集成误差模型生成的预测价格估值和/或相应误差作为反馈来调整/修改和改进对例如可对比项生成组件301和便利设施估值组件302之类的组件的预测。基于集成模型和集成误差模型产生的预测价格和/或相应的预测误差，可对比项生成组件可以调整/修改模型参数和输入/输出，以优化和改善所述误差。可调整模型参数可以包括但不限于所选择的居前的可对比房屋的数量，所选择的特定可对比房屋，给到特定可对比房屋的权重或相似性分数，所使用的输入特征的集合/类型，用于输入特征的房屋实际情况，所使用的输入特征数量，以及应用于某些输入特征的模型权重/偏差。例如，当集成误差模型的预测误差大时，可对比项生成组件可以提高先前权重或相似性分数较低且未被选择的可对比房屋的权重或相似性分数。相对地，可对比项生成组件可以降低先前具有较高权重或相似性分数且被选择的可对比房屋的权重或相似性分数。
59.基于由集成模型和集成误差模型生成的预测价格估值和/或相应的预测误差，便利设施估值组件还可以调整/修改模型参数和输入/输出以优化和改善所述误差。可调整的模型参数可以包括但不限于居前的可对比房屋的预测价格差异/调整，居前的可对比房屋的调整后价格，所使用的输入特征的集合/类型，所使用的输入特征的数量，用于输入特征的房屋实际情况，以及应用于某些输入特征的模型权重/偏差。例如，当来自集成模型的预测价格估值高时，便利设施估值组件可以对在经验上被确定对房屋销售/挂牌价格影响较小的输入特征(例如，标的房屋中的卫生间数量)给予较少的权重，而对在经验上被确定对房屋销售/挂牌价格影响较大的输入特征(例如，标的房屋的面积)给予较多的权重。
60.图5是示出包括标的房屋和可能的可对比房屋的样本地理布局500的框图。地图500描述了地理布局的一种可能实施方式。综合可对比市场分析系统是对标的房屋501进行估值，并将其与房屋502，503，504，和505进行对比。房屋502和房屋503被选择为居前的n个可对比房屋，其中n为2。它们由于具有由可对比项生成模型预测的2个最高相似性分数而被综合可对比市场分析系统所选择。在一些实施方式中，房屋502和房屋503可具有与标的房屋相似的面积和卫生间数量(可对比项生成模型使用的特征的示例)，从而得到更高的相似性分数。例如，标的房屋501可具有在房屋503的1000平方英尺和房屋502的1500平方英尺之间的面积，使其与这两个房屋最相似。标的房屋501可有1.5个卫生间，这与房屋502和503的数量最相似。因此，标的房屋和可能的可对比房屋之间的面积和卫生间数量的特征的组合为房屋502和503产生了最高相似性分数。
61.房屋505不被选为可对比房屋，因为它位于标的房屋的半径(图5所示的圆圈)之外并被过滤。房屋504未被选为可对比房屋，因为它的相似性分数排名不够高，无法被选为居前的可对比房屋。在一些实施方式中，房屋504的面积和卫生间数量可能不如其他可对比房屋502和503与标的房屋相似，导致相似性分数较低。综合可对比市场分析系统可以基于居前的可对比房屋502和居前的可对比房屋503的价格对标的房屋501进行估值。
62.图6是示出可对比市场分析报告600内容的表格图。综合可对比市场分析系统300可以生成可对比市场分析报告。卖方可以使用可对比市场分析报告来确定销售其标的房屋的最佳价格，或者审阅方可以使用综合可对比市场分析报告来确定是拒绝还是接受它。标的房屋603要被估值，并且可对比项生成组件301可以确定与标的房屋最相似的3个居前的可对比房屋604，605，和606。可对比项生成组件可以通过检查标的房屋和可对比房屋的房屋实际情况601的子集来确定相似性(表格图中当前仅显示可对比房屋的房屋实际情况)。房屋实际情况601子集中的房屋实际情况的示例包括但不限于完工面积(finished square footage)，未完工面积，风格，类型，建造年份，外部结构，总卧室数，独立卫生间(full bathrooms)的数量，和车库车位的数量。
63.综合可对比市场分析系统可以使用房屋实际情况作为其组件中的特征来预测标的房屋的价格估值。例如，可对比房屋的风格可用于与标的房屋的风格进行对比来确定它们的相似程度。风格越接近，房屋价格相似的可能性就越大，且相似性分数越高。便利设施估值组件可以通过相应的价格调整611，613和615来调整3个居前的可对比房屋604，605，和606的挂牌价格607，608，和609，从而得到分别的调整后价格/价值610，612，和614。聚合器组件可以对调整后价格610，612，和614进行综合以生成标的房屋603的预测价格估值。例如，聚合器组件可以分别取居前的可对比房屋604，605，和606的调整后价格610，612，和614的平均值，以生成标的房屋603的预测价格估值434,600美元。
64.图7是示出由综合可对比市场分析系统执行的用于收集可对比房屋数据的过程700的流程图。在动作701处，综合可对比市场分析系统取得/访问被标识的标的房屋的数据和交易数据。在一些实施方式中，可以在卖方的报价请求中以及在卖方希望对他们想要报价/销售的房屋进行估值的表示中标识标的房屋。在一些实施方式中，标的房屋是买方有兴趣获得估值以与卖方的挂牌价格进行对比的房屋。标的房屋可以是建筑商心目中的未建造房屋，如果要建造房屋，他们希望得到房屋的估值，来确定他们可更改哪些设计以改变其价值。交易数据包括房屋的历史公开市场销售交易数据。例如，交易数据可包含关于过去50年在特定区域/地理位置销售的房屋的数据。
65.在一些实施方式中，综合可对比市场系统过滤交易数据以仅包括在相同或相似的房地产市场中的交易数据作为标的房屋的交易数据。换句话说，综合可对比市场系统可以过滤/去除与标的房屋处于不同房地产市场的房屋。例如，如果标的房屋的市场是西雅图，则综合可对比市场分析系统可只读取来自西雅图市场的房屋的交易数据。如图6所示，房屋数据可具有许多房屋实际情况，例如销售日期和可用作特征的其他实际情况。
66.当训练综合可对比市场分析系统的组件模型时，综合可对比市场分析系统可以读取手动标有销售或挂牌价格的标的房屋和由分析师针对标的房屋所选择的居前的可对比房屋，以用作训练数据。当综合可对比市场分析系统的组件模型已被训练并用于预测时，综合可对比市场分析系统可以读取要被估值的未评估标的房屋。在动作702处，通过从交易数据中选择房屋(在一些实施中为挂牌数据)来生成可能的可对比房屋。通过将标的房屋与所有近期的附近交易进行配对来生成可能的可对比房屋，以便每个训练点实际上代表一对房屋。后续对该模型进行训练，以标识这些对中的哪些是有效的标的-和-可对比房屋对。
67.在动作703处，综合可对比市场分析系统过滤满足一个或多个过滤标准的可能的可对比房屋。在一些实施方式中，综合可对比市场分析系统通过在交易数据中形成每个房
屋位置的k-d树数据结构来执行过滤。k-d树数据结构的每个节点可以包含对可能的可对对比房屋的地理坐标(纬度，经度，和海拔高度)进行编码的数据。k-d树数据结构填入所有可能的可对比房屋的数据，然后查询其坐标位于标的房屋坐标的半径或径向距离内的可能的可对对比房屋节点。换句话说，综合可对比市场分析系统可以过滤/去除标的房屋径向距离之外的可能的可对比房屋。可用于基于存储的坐标进行过滤的数据结构的其他示例包括但不限于链表，哈希表，二叉树，图，数组，和/或堆。
68.径向距离可以是任意值或预定义值。它可以基于特性来确定，该特性包括但不限于标的房屋的位置或社区，可能的可对比房屋的总数，或可能的可对比房屋的邻近程度。例如，如果标的房屋位于社区，其中房屋与社区外的房屋非常不同，则径向距离可以是仅包括在标的房屋同一社区内的可能的可对比房屋的数字。如果标的房屋附近有很多可能的可对比房屋，则径向距离可以较小，以过滤掉大量可能的可对比房屋，仅检查最挨近的房屋。如果可能的可对比房屋的邻近程度与标的房屋相距很远，则径向距离可以是至少可到达最挨近的可能的可对比房屋的数字。在一些实施方式中，通过核查可能的可对比房屋的销售或挂牌日期是否早于标的房屋的销售或挂牌日期(对于训练模型)或要被估值的标的房屋的想要的销售或挂牌日期(用于预测)，进一步过滤可能的可对比房屋。
69.在一些实施方式中，综合可对比市场分析系统通过核查可能的可对比房屋的销售或挂牌日期在要被估值的标的房屋的想要的销售或挂牌日期(如果标的房屋在训练数据中则将是实际销售或挂牌日期)之前某个预定义的阈值天数(或其他时间段，例如周，月，季度，年等)内来过滤可能的可对比房屋。换句话说，综合可对比市场分析系统可以过滤/去除销售日期或挂牌日期不在标的房屋的销售日期或挂牌日期之前的预定义阈值期限内的可对比房屋。如果可能的可对比房屋的销售或挂牌日期超过标的房屋销售或挂牌日期之前的阈值天数，则将其过滤掉。这可以是为了确保可对比房屋的销售或挂牌日期接近标的房屋销售或挂牌的时间(用于训练模型)或希望销售或挂牌的时间(用于预测)，因为与较新的房屋销售相比，销售或挂牌日期较早的房屋可以反映不同的市场趋势。这也可以是为了确保只考虑具有较新的销售或挂牌日期的可能的可对比房屋，因为由于市场更相似，较新的销售或挂牌往往是更好的预测器。在训练综合可对比市场分析系统的模型时，综合可对比市场分析系统可以将过滤后的可能的可对比房屋和标的房屋拆分为训练数据集和验证数据集。可以通过随机化数据的排序并在某些索引处对数据进行分区来执行拆分，来生成训练数据集和验证数据集。
70.在动作704处，综合可对比市场分析系统将每个可能的可对比房屋与标的房屋进行配对来形成标的-可对比项对。综合市场分析系统可以通过基于有关标的和可能的可对比房屋的许多特征生成特征向量，并将标的房屋的房屋实际情况与对中的可能的可对比房屋相关联，从而对标的-可对比项对进行特征化。示例特征可以包括但不限于可对比房屋和标的房屋的经度/纬度，标的和可对比房屋的卫生间数量，标的和可对比房屋之间的距离，标的和可对比房屋之间的地块大小差异，和/或标的和可对比房屋之间的建造年份差异。地块大小的差异可以是一个很好的特征，因为地块大小相似的房子价格往往更相似。标的和可对比房屋之间的建造年份差异可以是一个很好的特征，因为在非常不同的时间建造的房屋更有可能具有不同的价格，因为房屋设计的趋势可能会随着时间的推移而演变(例如，更现代的房屋的价格可能与古典房屋不同)。标的房屋和可对比房屋的经度/纬度可以是一个
很好的特征，因为非常邻近的房子往往价格相似并且可能是同一社区的一部分或由同一建筑商建造，所以可以对比房屋的经度/纬度。图13描述了更多特征。使用的特征数量是可变动的，并且可以选择图13中描述的特征1302的全部或子集。
71.图8是示出由可对比模拟组件执行的用于标识可对比房屋及其属性的过程800的流程图。在动作801处，可对比模拟组件使用在图7的动作704处处理和特征化的标的-可对比项对作为机器学习模型(可对比项生成模型)的输入。可对比项生成模型能够考虑所需的尽可能少或尽可能多的特征。所选择的特征的数量可取决于可对比量生成模型在某些特征上执行的表现。可以后续在部署期间选择和使用对验证数据产生更好性能的特征的子集。
72.在动作802处，将可对比项生成模型拟合到具有目标标签的特征化标的-可对比项对输入项的训练集。目标标签可以表示分析师(例如，审核员)是否选择了该对。可对比项生成模型通过输出标的-可对比项对的每个可能的可对比房屋的相似性分数来预测目标标签，然后使用该相似性分数对可能的可对比房屋是否被分析师选为可对比房屋进行分类。
73.相似性分数是对可能的可对比房屋与标的房屋之间的相似性的测量。在一些实施方式中，相似性分数是对可对比房屋价格与标的房屋真实价值的接近程度的测量。在一些实施方式中，相似性分数是对可对比房屋的实际情况或特征与标的房屋的接近程度的测量。例如，具有与标的房屋更相似的特征的房屋可具有较高的相似性分数，而具有与标的房屋不同特征的房屋可具有较低的相似性分数。相似性分数可以是一个概率值，其被解释为量化分析师选择该房屋作为标的房屋的可对比房屋的可能性。相似性分数越高，分析师确定该房屋为可对比房屋的可能性就越大。在训练数据中，可能的可对比房屋可以就分析师是否将其选为标的房屋的可对比项而被标有基准真实1(真)或0(假)标签。在一些实施方式中，可对比项生成模型可在训练期间将可能的可对比房屋的相似性分数(该相似性分数是被选为可能的可对比房屋的概率或可能性)与基准真实标签进行对比。可对比项生成模型可以通过输出尽可能接近1或0的基准真实标签的相似性分数来拟合数据(例如，模型的权重可能会受到惩罚以更好地拟合训练数据并使分类更接近基准真实标签)。
74.可对比项生成模型可以使用多种机器学习技术/模型，包括但不限于：梯度提升，随机森林，线性回归，逻辑回归，深度神经网络，或集成方法。在一些实施方式中，可对比项生成模型是梯度提升分类器。可对比项生成模型可以使用多种损失函数进行训练，包括但不限于：平均绝对误差损失，交叉熵损失，huber损失，公平损失(fair loss)，非对称损失，或均方误差损失。
75.在动作803处，使用被训练的可对比项生成模型来预测/生成验证数据中标的房屋的可能的可对比房屋的相似性分数。换句话说，在验证数据集上评估可对比模拟模型的性能。对于验证集中的每个标的房屋，可对比项生成组件将选择按相似性分数排名的前n个可对比房屋。在一些实施方式中，可对比项生成组件选择前至少一个可对比房屋(n》1)。例如，前3个可对比房屋604，605，和606可被选为与图6中的标的房屋603最相似的房屋。在动作804处，通过确定模型在验证数据中对分析师会选择的针对标的房屋的可对比房屋进行分类的表现来评估可对比项生成模型的性能。如果模型是在分析师生成的cma上训练的，则可以通过计算分析师选择的可对比房屋中该模型在验证数据中正确地标识为可对比房屋的百分比来测量可对比项生成模型的性能。可以使用的评估指标包括但不限于精确率，召回率，准确率，或其任意组合。例如，可对比项生成模型可以正确预测100个不同标的房屋中70
个不同标的房屋的居前的可对比房屋。这意味着可对比项生成模型的准确率为70％。
76.根据评估，可对比项生成模型的参数可以被调整并且模型被重新训练以提高模型性能。在重新训练期间可以进行的调整包括但不限于选择不同的特征或特征子集，调整超参数，进一步过滤训练数据，使用不同的模型，和/或使用不同的损失函数。例如，当某个特征子集在验证数据上的表现优于另一个特征子集时，可以选择前一个特征子集在预测时使用和用于部署。当可对比项生成模型性能超过部署阈值时，在动作805处可以部署可对比项生成模型。阈值可以是部署模型所需的最小精确率，召回率，准确率，或其任意组合。例如，如果可对比项生成模型的准确率为70％，并且高于60％的最小阈值，则可以部署该模型。作为另一个示例，如果精确率阈值为70％，召回率阈值为80％，则可以在应用于验证数据时模型精确率为85％且召回率为90％时部署模型。如果可对比项生成模型性能低于阈值，则可以重新训练模型。阈值可以根据模型性能的容许(tolerance)级别进行调整。
77.在动作806处，部署的可对比项生成模型可用于预测可能的可对比房屋和要被估值的标的房屋的相似性分数。在动作807处，选择可对比房屋的子集。例如，过程800选择由部署的可对比项生成模型预测的具有最高相似性分数的居前的n个(或后n个，或任何其他类似的子集的)可对比房屋。这些居前的可对比房屋是与要被估值的标的房屋最相似的n个房屋。然后，居前的可对比房屋可以进一步转到便利设施估值组件。n的值可以根据例如以下因素来确定：地理区域内的房屋密度，特定时间段内的销售数量，特定时间段内的挂牌数量，最大化模型性能的可对比房屋数量，等等。
78.图9是示出由便利设施估值组件执行的用于生成可对比房屋的价格调整的过程900的流程图。在动作901处，便利设施估值组件可以过滤可对比房屋的子集(例如，从可对比项生成模型中选择的居前的n个可对比房屋)，以包括满足过滤条件的可对比房屋。在一些实施方式中，便利设施估值组件通过去除或过滤掉与标的房屋具有非常不同特征的居前的可对比房屋来执行过滤。用于过滤的特征可以是图13中所示的特征1302中的任何项。例如，便利设施估值组件可以去除/过滤卫生间数量，卧室数量，和/或地块大小面积非常不同的居前的可对比房屋。“非常不同”的差异程度取决于容许级别。可以为每个特征设置阈值，当超过该阈值时，将过滤掉具有该特征的居前的可对比房屋。例如，如果一个居前的可对比房屋必须在具有3间卫生间的标的房屋的阈值1间卫生间内，那么具有5间卫生间的居前的可对比房屋将被去除，并且具有1间卫生间的居前的可对比房屋也将被去除。可以执行过滤以进一步将排名靠前的可对比房屋缩小到与标的房屋最相似的房屋，并消除后续可能影响便利设施估值机器学习模型训练的异常值。然后，便利设施估值组件将过滤后的居前的可对比房屋与标的房屋配对，以形成标的-可对比项对。
79.在动作902处，便利设施估值组件对每个标的-可对比项对进行特征化，以基于与该对中标的房屋和居前的可对比房屋的房屋实际情况相关的许多特征生成特征向量。与标的房屋和可对比房屋相关的示例特征可以包括但不限于标的与可对比房屋之间卫生间数量的差异，标的与可对比房屋之间完工面积的差异，标的与可对比房屋之间的地理位置差异，和/或标的与可对比房屋之间地块大小面积的差异。这些特征允许便利设施估值组件确定居前的可对比房屋和标的房屋之间房屋实际情况和便利设施的进一步差异或相似性。使用的特征的选择是可变动的，并可以调整便利设施估值模型以包括图13中描述的更多或更少的特征。
80.在动作903处，便利设施估值组件使用特征化的标的-可对比项对作为机器学习模型(便利设施估值模型)的输入。在动作904处，将便利设施估值模型拟合到具有目标标签的特征化标的-可对比项对输入项的训练集，该目标标签是标的房屋(训练数据包含标有销售价格的标的房屋)和居前的可对比房屋之间的销售价格差异。换句话说，便利设施估值模型正在学习基于特征预测居前的可对比房屋和标的房屋之间的销售价格差异。在一些实施方式中，差异可以是绝对的价格差异。在一些实施方式中，差异可以是百分比价格差异。在多种实施方式中，便利设施估值模型可以学习以预测相差程度测量。
81.价格差异是可以对居前的可对比房屋中的每一个作出的价格调整，以考虑房屋实际情况或便利设施差异，这些房屋实际情况或便利设施差异是便利设施估值模型正在学习来区分居前的可对比房屋和标的房屋的。价格调整可以是正向的，负向的，或中立的。对可对比房屋的负向的价格调整可反映出居前的可对比房屋的房屋实际情况和便利设施优于标的房屋。例如，居前的可对比房屋可能具有标的房屋没有的泳池或便利设施，因此居前的可对比房屋将接收负向的价格调整，以降低其价值以考虑与标的房屋的差异。对居前的可对比房屋的正向价格调整可反映居前的可对比房屋的房屋实际情况和便利设施不如标的房屋。例如，居前的可对比房屋可能比标的房屋少一间卧室或饰面更旧，因此居前的可对比房屋将获得正向的价格调整，来增加其价值以考虑与标的房屋的差异。相对中立的价格调整(例如，接近零)可反映出居前的可对比房屋和标的房屋具有相对相似的房屋实际情况和便利设施，并且几乎不需要调整居前的可对比房屋的价格。价格调整的程度可以反映居前的可对比房屋与标的房屋之间的差异程度。幅度越大表示差异越大，而幅度越小表示差异越小。
82.价格调整可以随居前的可对比房屋的各个特征的变化而变化。换句话说，便利设施估值模型可以预测/生成每个特征的各个价格调整，然后对各个价格调整进行综合(例如，求和)，以生成用于调整居前的可对比房屋价格的总价格调整。例如，便利设施估值模型可以标识要调整的最重要特征是可对比房屋和标的房屋之间的居住面积大小，地块大小，和卫生间数量的差异。便利设施估值模型可以确定，标的房屋和居前的可对比房屋之间的居住面积差异对于居前的可对比房屋将具有$8631的价格调整，地块大小的差异对于可对比房屋将具有-$13429的价格调整，卫生间数量的差异对于可对比房屋将具有$0的价格调整。然后，便利设施估值模型可以将各个价格调整相加，以输出居前的可对比房屋的总价格调整为-$4798，以考虑居前的可对比房屋和标的房屋的特征。
83.传统的系统和方法对居前的可对比房屋的特征(例如居住面积，地块区，卧室，和卫生间)产生分别的调整。然而，这些特征往往是共线的(colinear)，并且相互作用以确定房屋的价值。例如，如果标的房屋的面积大于居前的可对比房屋，它可能还有更多的卧室和/或卫生间数量。通过分别针对每个特征进行调整，存在过度调整的风险。因此，用于进行可对比市场分析的传统系统和方法只能调整有限的一组特征。相比之下，便利设施估值模型能够标识哪些特征是重要的，需要调整，以及如何考虑它们之间的相互作用，以免过度调整。因此，便利设施估值模型能够比传统的可对比市场分析作出更多的调整，例如学习调整因素，包括但不限于与拥堵的道路，铁路线，和/或电力线的相邻程度。
84.便利设施估值模型可以使用多种机器学习技术，包括但不限于：线性回归，梯度提升，随机森林，深度神经网络，或集成方法。在一些实施方式中，便利设施估值模型是线性回
归。便利设施估值模型可以利用多种损失函数进行训练，包括但不限于：平均绝对误差损失，交叉熵损失，huber损失，公平损失，非对称损失，或均方误差损失。
85.在动作905处，可以部署便利设施估值模型。在动作906处，部署的便利设施估值模型可用于估算/生成居前的可对比房屋的价格调整。在动作907处，便利设施估值组件调整居前的可对比房屋的价格(其可以是挂牌价格，销售价格等)以及所预测的价格调整以生成居前的可对比房屋中每一个的调整后价格。例如，在图6中，居前的可对比房屋604的挂牌价格607为$395,000，便利设施估值模型可以基于顶部可对比房屋的特征601预测总价格调整611为$5,000。居前的可对比房屋的总调整后价格610将为$400,000。作为另一个示例，在图6中，居前的可对比房屋605的挂牌价格608为$349,900，并且便利设施估值模型可以基于居前的可对比房屋的特征601预测总价格调整613为-$6,000。居前的可对比房屋的总调整后价格612将为$343,900。具有调整后价格的调整后居前的可对比房屋可以进一步传给聚合器组件。居前的可对比房屋的调整后价格反映了根据便利设施估值组件对居前的可对比房屋的调整后的估值。
86.图10是示出由聚合器组件执行的用于生成房屋的预测价格估值的过程1000的流程图。在动作1001处，聚合器组件访问由便利设施估值组件计算的调整后的居前的可对比房屋。在动作1002处，聚合器组件使用聚合函数对可对比房屋的价格进行综合。在一些实施方式中，聚合函数可以是平均值或中值。例如，如果有3个居前的可对比房屋，并且便利设施估值组件确定的他们的调整后价格为$50,000，$60,000，和$55,000，则聚合器组件可以采用3个房屋的平均值来生成标的房屋的预测价格$55,000。
87.在一些实施方式中，聚合函数是加权平均值，其中从在图8的动作806处由可对比项生成模型生成的居前的可对比房屋的相似性分数来确定每个可对比房屋的权重。例如，假设有50个居前的可对比房屋，且便利设施估值组件确定的他们的调整后价格为$50,000，$60,000，和$55,000，而相似性分数分别为0.40，0.25，和0.35。加权平均值可以通过将$50,000乘以权重0.40，$60,000乘以权重0.25，和$55,000乘以权重0.35来确定，从而产生预测价格估值$56,250。通过使用加权平均值，相似性分数更高的房屋在用于预测标的房屋的价格估值时权重更高。
88.具有更高相似性分数的可对比房屋与标的房屋更相似，并且其价格可以是标的房屋价格的更好的预测器。聚合器组件是可变动的，如果研究证明某些策略在某些市场或条件下效果更好(例如，加权平均值更适合西雅图房屋，而简单平均值更适合旧金山房屋)，则可以交换聚合策略。在动作1003处，聚合器组件输出聚合后的价值，其代表标的房屋的预测价格估值。预测价格估值以及居前的可对比房屋和标的房屋的数据可以作为综合可对比市场分析报告的一部分被输出。
89.图11是示出由分流器组件执行的用于预测房屋预测价格估值误差的过程1100的流程图。分流器组件将来自便利设施估值组件的调整后的居前的可对比房屋和调整后的价格作为输入。在动作1101处，分流器组件通过基于将可对比房屋的房屋实际情况相互关联的许多特征生成特征向量来特征化调整后的居前的可对比房屋。与可对比房屋相关的示例特征可以包括但不限于可对比房屋面积的标准差，可对比房屋与标的房屋日期差异的平均值，可对比房屋调整后价格的标准差，和/或可对比房屋与标的房屋距离的平均值。图13描述了更多特征。这些特征允许分流器组件通过对有关可对比房屋彼此之间的差异程度以及
它们与标的房屋的相关程度的信息进行表示或编码，来预测在图10的动作1003处确定的预测价格估值中的误差。例如，特征可以编码为所有可对比房屋都相对靠近标的房屋，因为在邻近区内的房屋往往价值相似所以产生的误差可以较小。
90.作为另一示例，特征可以是可对比房屋的面积的标准差。对于涉及标准差的特征，标准差大可表示可对比房屋在该特征上彼此有很大差异。这可表示，由于可对比房屋的差距，他们可能不适于预测标的房屋的价格(例如，生成与标的房屋实际价格相差很大的预测价格)，这会导致预测误差大。换句话说，可对比房屋之间的较大差异可导致预测价格估值与标的房屋的实际价格相差较大，从而产生较大的预测误差。在一些实施方式中，超过40个特征被用作输入，所有这些特征都是基于针对标的房屋选择的居前的可对比房屋之间的差异而设计的。在一些实施方式中，特征也可以是可对比房屋的相似性分数。具有更相近的相似性分数的可对比房屋可产生较小的误差，而具有差异很大的相似性分数的可对比房屋可产生较大的误差。
91.在动作1102处，分流器组件使用特征化的可对比房屋作为机器学习模型(分流器模型)的输入。在动作1103处，将分流器模型拟合到具有目标标签的特征化可对比房屋训练集，该目标标签是标的房屋预测价格估值和标的房屋的实际销售价格的实际误差。在一些实施方式中，预测的误差可以是物业估值中的绝对美元误差(例如，标的房屋的实际销售价格与预测价格之间的差异)。可预测的其他误差的示例包括但不限于对数绝对美元误差，绝对百分比误差，和对数绝对百分比误差。在一些实施方式中，分流器模型针对上预测间隔(upper prediction intervals)而不是点估算。例如，当分流器模型以x％的预测间隔进行预测时，这意味着标的房屋估值的真实误差预计将在x％的时间内低于该上预测值。使用的间隔值可以因测试数据中误差的分布而异。分流器模型可以使用多种机器学习技术，包括但不限于：梯度提升，随机森林，线性回归，深度神经网络，或集成方法。在一些实施方式中，分流器模型是梯度提升回归器。分流器模型可以使用许多损失函数进行训练，包括但不限于：平均绝对误差损失，交叉熵损失，huber损失，公平损失，非对称损失，或均方误差损失。
92.在动作1104处，被训练的分流器模型在验证数据集中预测标的房屋估值的误差。在一些实施方式中，验证数据可以是留出数据(例如，训练/验证数据拆分)，该留出数据是较新的交易。在一些实施方式中，分流器模型可以使用k折交叉验证过程来训练和验证模型，以生成折外预测，以便后续在模型评估中使用。
93.在动作1105处，分流器组件通过确定分流器模型正确预测验证数据中标的房屋估值误差低于特定阈值的次数来评估分流器模型的性能。可以使用的评估指标包括但不限于精确率，召回率，准确率，或其任意组合。例如，分流器模型可在验证数据中的10种不同估值中9次正确预测误差低于特定误差阈值，从而使准确率为90％。根据评估(例如，当性能不超过部署阈值时)，分流器模型可以调整其参数，并重新训练以提高模型性能。可以进行的调整包括但不限于选择不同的特征，选择特征的不同子集，调整超参数，进一步过滤训练数据，使用不同的模型，和/或使用不同的损失函数。分流器模型的输出误差还可以告知可对比模拟，便利设施估值，和聚合组件执行的表现。估值的所预测的误差大可以表示，综合可对比市场分析系统对标的房屋的估值不准确，导致与标的房屋的真实价值相差很大。在这种例子中，可能需要对可对比模拟，便利设施，估值，和聚合组件进行重新训练和调节，以更好地确定可对比房屋并为标的房屋进行估值。预测的误差小可以表示综合可对比市场分析
系统对标的房屋产生了准确的估值，从而与标的房屋的真实价值相差小。
94.当分流器模型的性能超过部署阈值时，分流器组件可以在动作1106处部署分流器模型。阈值可以是可调整的评估指标值，或者依据模型性能的容许级别在进行部署时需要被超过的指标组合。例如，阈值可以是要被部署的分流器模型预测验证数据的准确率为80％，因此当被应用于验证数据时准确度为70％的分流器模型将不会被部署，并且需要被重新训练。作为另一个示例，如果精确率阈值为70％，召回率阈值为80％，则当分流器模型被应用于验证数据时模型精确率为85％且召回率为90％时，可以被部署。在动作1107处，部署的分流器模型可以预测综合可对比市场分析确定的标的房屋预测价格估值的误差。预测误差的量级可以与阈值或界限进行对比，以确定是否使用或拒绝综合可对比市场分析。例如，阈值可以是预测房屋价格的美元金额或百分比。如果误差不超过拒绝阈值，综合可对比市场分析系统将综合可对比市场分析报告发送给审阅方进行最终审阅。在一些实施方式中，综合可对比市场分析在送交最终审阅时被标记为“良好”。
95.图12是示出用于创建价格建议的过程1200的流程图。在动作1201处，综合可对比市场分析系统可以将综合可对比市场分析报告传输给审阅方(分析师，审核员，经纪人，代理商等)。在一些实施方式中，综合可对比市场分析系统可以通过经由图形用户界面向用户(例如，分析师，审阅方等)显示报告来传输报告。在动作1202处，综合可对比市场分析系统接收到用户关于综合可对比市场分析是否被拒绝的表示。在一些实施方式中，可以经由给出用户拒绝或接受综合可对比市场分析的选项的图形用户界面来接收表示(例如，用户可以在审阅报告之后按下拒绝或接受按钮)。如果综合可对比市场分析未被拒绝，则过程继续到动作1203。在动作1203处，综合可对比市场分析获得批准，综合可对比市场分析可以基于来自综合可对比市场分析的估值生成价格建议，并传输给买方，卖方，或任何寻求获得房屋估值的个人。如果综合可对比市场分析被拒绝，则过程继续到动作1204。在动作1204处，综合可对比市场分析被拒绝，综合可对比市场分析系统从用户请求并接收可对比市场分析。例如，综合可对比市场分析系统可以向用户显示请求基于分析师的市场分析的通知，然后为用户提供输入他们的报告的选项(例如，上传文档或将价格，房屋实际情况，估值，和/或调整后价格到图形用户界面中)。在动作1205处，综合可对比市场分析系统可以将用户提供的可对比市场分析以及基于该分析的价格建议传输给买方，卖方，或任何寻求获得房屋估值的个人。例如，综合可对比市场分析系统可以传输图6中描述的可对比市场分析报告600。
96.图13是示出由综合可对比市场分析系统使用的房屋特征的示例的表格图。列1301列出了可对比模拟(compsim)，便利设施估值(amenity val)，和分流器模型，以及要在其上训练和用于预测的相应特征。列1302列出了对应于三个模型中的一个的特征的示例。可对比项生成模型可以具有特征，包括但不限于卫生间数量，卧室数量，日期，经度/纬度，完工面积，地块大小，泳池的存在(泳池表示器变量(pool indicator variable))，id，和/或标的和可对比房屋的建造年份。这些特征也可以表达为与可对比和标的房屋相关的差异或比率(例如，卫生间数量，地块大小面积的比率的差异)。便利设施估值模型可以具有特征，包括但不限于卫生间数量差异，泳池的存在(泳池表示器变量)，完工面积的百分比差异，和/或地块大小的百分比差异。可对比项生成模型的特征也可以应用于便利设施估值模型。分流器模型可以具有涉及卫生间数量，卧室数量，销售日期，挂牌日期，距离，完工面积，经度/纬度，地块大小，和/或居前的可对比房屋的相似性分数的标准差，平均值，中值，或平均差
(mean average deviation)的特征。这些特征也可以被表达为与可对比和标的房屋相关的差异(例如，可对比房屋与标的房屋之间的日期的平均差，可对比房屋与标的房屋之间卫生间数量差异的平均差)。
97.结论
98.除非上下文另有明确要求，否则在整个描述和权利要求中，“包含”，“包括”等词应被解释为包含性的，而不是排他性或穷尽性的；也就是说，在“包括但不限于”的意义上。本文使用的术语“连接的”，“耦接的”，或其任何变体是指两个或多个元素之间的任何直接或间接的连接或耦接；元素之间的耦接或连接可以是物理的，逻辑的，也可以是它们的组合。此外，在本技术中使用的“本文”，“以上”，“以下”和类似含义的词是指整个申请，而不是指本技术的任何特定部分。在上下文允许的情况下，上述具体实施方式中使用单数或复数的词也可以分别包括复数或单数。“或”一词指的是两个或两个以上项目的列表，包括对该词的所有下列解释：列表中的任一项目，列表中的所有项目，以及列表中项目的任意组合。
99.本技术示例的上述具体实施方式并非旨在穷举或将技术限制为以上公开的具体形式。尽管以上出于说明性目的描述了本技术的特定示例，但是本领域技术人员将认识到，在本技术的范围内可以进行多种等效修改。例如，虽然以给定的顺序显示了过程或块，但可替代的实施方式可以执行具有步骤的例程，或采用具有不同顺序的块的系统，以及一些过程或块可以被删除，移动，添加，细分，组合，和/或修改以提供替代或子组合。这些过程或块中的每一个可以以多种不同的方式来实施。而且，尽管有时将过程或块示出为串行执行，但是这些过程或块可以并行执行或实施，或者可以在不同时间执行。此外，本文指出的任何特定数字仅是示例：可替代的实施方式可采用不同的值或范围。
100.本文提供的本发明的教导可以应用于其他系统，不一定是以上描述的系统。上述多个示例的元素和动作可以被组合以提供本发明的进一步实施方式。本发明的一些替代实施方式不仅可以包括以上描述的附加的元素，还可以包括较少的元素。
101.可以根据以上具体实施方式对本技术进行这些和其他改变。尽管以上描述描述了本技术的某些示例，并且描述了预期的最佳模式，但是无论上面在文本中描述的多么详细，本技术都可以多种方式实践。本系统的细节在每个特定的实施方式中可以有相当大的变化，同时仍被本文公开的技术所涵盖。如上所述，在描述本技术的某些特征或方面时使用的特定术语不应被认为暗示该术语在本文中被重新定义以限定到与该术语相关联的本技术的任何特定的特性，特征，或方面。通常，除非以上具体实施方式部分明确定义了这些术语，否则不应将权利要求中使用的术语解释为将本技术限制为说明书中公开的特定示例。因此，本技术的实际范围不仅涵盖所公开的示例，而且还包括实践或实施权利要求中的技术的所有等同方式。
102.为了减少权利要求的数量，下面以某些权利要求的形式呈现了本技术的某些方面，但是申请人以任何数量的权利要求的形式来设想了本技术的多个方面。例如，虽然仅将本技术的一个方面记载为计算机可读介质权利要求，但是其他方面可以同样地体现为计算机可读介质权利要求或其他形式，例如以手段加功能权利要求来体现。打算根据35u.s.c.
§
112(f)处理的任何权利要求将以“装置用于”一词开头，但在任何其他情况下使用“用于”一词均无意援引35u.s.c.
§
112(f)。因此，本技术或继续申请中，申请人保留在提交本技术后以寻求附加权利要求形式继续提出附加权利要求的权利。

技术特征：
1.一种用于使用可对比房屋生成房屋估值的计算机实施方法，所述方法包括：标识针对标的房屋的一组可对比房屋；生成针对所述一组可对比房屋中的每个房屋的相似性分数，其中所述相似性分数是所述可对比房屋和所述标的房屋之间相似性的测量；使用生成的相似性分数，从所述一组可对比房屋中选择与所述标的房屋最相似的一组居前的可对比房屋；对于所述一组居前的可对比房屋中的可对比房屋的子集：生成针对所述可对比房屋的子集中的可对比房屋的价格调整，其中所述价格调整代表基于所述可对比房屋和所述标的房屋之间的一个或多个房屋实际情况或便利设施的差异的所述可对比房屋和所述标的房屋之间的价格差异；以及通过用所述价格调整来调整所述可对比房屋的价格以生成所述可对比房屋的调整后价格；通过对所述可对比房屋的子集中的可对比房屋的所述调整后价格进行综合来确定所述标的房屋的预测价格估值；以及预测所述标的房屋的所述预测价格估值的误差，其中预测的所述误差代表与所述标的房屋的真实价值相比，所预测的价格估值的准确性。2.如权利要求1所述的方法，其中所述相似性分数是代表可能的可对比房屋被选为所述标的房屋的所述一组居前的可对比房屋中的一个的可能性的概率值。3.如权利要求1所述的方法，其中聚合函数用于对所述可对比房屋的子集中的可对比房屋的所述调整后价格进行综合，其中所述聚合函数为平均值，中值，加权中值，或加权平均值。4.如权利要求3所述的方法，其中所述加权平均值使用生成的相似性分数作为权重。5.如权利要求1所述的方法，其中通过过滤位于所述标的房屋的预定义径向距离之外的房屋来标识所述一组可对比房屋。6.如权利要求1所述的方法，其中通过过滤销售日期或挂牌日期不在所述标的房屋之前的预定义阈值时段内的房屋来标识所述一组可对比房屋。7.如权利要求1所述的方法，还包括：将一组特征化的标的-可对比项对输入到机器学习模型中，其中所述一组特征化的标的-可对比项对由特征生成，该特征包括以下一项或多项：所述标的房屋或所述一组可对比房屋的每个房屋的卫生间数量，卧室数量，日期，经度，纬度，完工面积，地块大小，泳池的存在，id号，或建造年份；以及使用所述机器学习模型生成所述相似性分数。8.如权利要求1所述的方法，还包括：将一组特征化的标的-可对比项对输入到机器学习模型中，其中所述一组特征化的标的-可对比项对由特征生成，该特征包括以下一项或多项：所述标的房屋或所述可对比房屋的卫生间数量，卧室数量，日期，经度，纬度，完工面积，地块大小，泳池的存在，id号，或建造年份；以及
使用所述机器学习模型生成所述价格调整。9.如权利要求8所述的方法，其中所述价格调整是针对所述特征中的每一个生成的各个价格调整的综合。10.如权利要求1所述的方法，其中所述一组可对比房屋是从房屋的历史公开市场销售交易数据生成的。11.一种用于使用可对比房屋生成房屋估值的系统，所述系统包括：至少一个处理器；至少一个存储器，该至少一个存储器耦接到所述至少一个处理器并存储指令，当该指令由所述至少一个处理器执行时，执行包括以下的操作：标识针对标的房屋的一组可对比房屋；生成针对所述一组可对比房屋中的每个房屋的相似性分数，其中所述相似性分数是所述可对比房屋和所述标的房屋之间相似性的测量；使用生成的相似性分数，从所述一组可对比房屋中选择与所述标的房屋最相似的一组居前的可对比房屋；对于所述一组居前的可对比房屋中的可对比房屋的子集：生成针对所述可对比房屋的子集中的可对比房屋的价格调整，其中所述价格调整代表基于所述可对比房屋和所述标的房屋之间的一个或多个房屋实际情况或便利设施的差异的所述可对比房屋和所述标的房屋之间的价格差异；以及通过用所述价格调整来调整所述可对比房屋的价格以生成针对所述可对比房屋的调整后价格；通过对所述可对比房屋的子集中的可对比房屋的所述调整后价格进行综合来确定所述标的房屋的预测价格估值；以及预测所述标的房屋的所述预测价格估值的误差，其中预测的所述误差代表与所述标的房屋的真实价值相比，所述预测价格估值的准确性。12.如权利要求11所述的系统，其中所述至少一个处理器还被配置为：将一组特征化的标的-可对比项对输入到机器学习模型中，其中所述一组特征化的标的-可对比项对由特征生成，该特征计算以下项的一个或多个的标准差，平均值，中值，或平均差：所述可对比房屋的子集的卫生间数量，卧室数量，销售日期，挂牌日期，距离，完工面积，经度，纬度，地块大小，或相似性分数；以及使用所述机器学习模型预测所述误差。13.如权利要求12所述的系统，其中所述至少一个处理器还被配置为：评估所述机器学习模型的性能；以及当所述性能不超过部署阈值时，调整所述机器学习模型的一个或多个参数。14.如权利要求11所述的系统，其中所述至少一个处理器还被配置为：当预测的所述误差不超过被拒绝的阈值时，将所述标的房屋的所述预测价格估值作为综合可对比市场分析报告的一部分输出。15.如权利要求14所述的系统，其中所述至少一个处理器还被配置为：从审阅方实体接收关于所述综合可对比市场分析报告是否被拒绝的表示；
当所述综合可对比市场分析报告未被拒绝时，使用来自所述综合可对比市场分析的所述预测价格估值生成价格建议；以及当所述综合可对比市场分析报告被拒绝时，使用基于分析师的可对比市场分析生成所述价格建议。16.一种存储非暂时性计算机可执行指令的计算机可读介质，当该指令被执行时使计算系统执行用于使用可对比房屋生成房屋估值的方法，所述方法包括：标识针对标的房屋的一组可对比房屋；生成针对所述一组可对比房屋中的每个房屋的相似性分数，其中所述相似性分数是所述可对比房屋和所述标的房屋之间相似性的测量；使用生成的相似性分数，从所述一组可对比房屋中选择与所述标的房屋最相似的一组居前的可对比房屋；对于所述一组居前的可对比房屋中的可对比房屋的子集：生成针对所述可对比房屋的子集中的可对比房屋的价格调整，其中所述价格调整代表基于所述可对比房屋和所述标的房屋之间的一个或多个房屋实际情况或便利设施的差异的所述可对比房屋和所述标的房屋之间的价格差异；以及通过用所述价格调整来调整所述可对比房屋的价格而生成所述可对比房屋的调整后价格；通过对所述可对比房屋的子集中的可对比房屋的所述调整后价格进行综合来确定所述标的房屋的第一预测价格估值；通过将所述第一预测价格估值与一个或多个附加价格估值进行组合来确定所述标的房屋的预测价格估值；以及预测所述标的房屋的所述预测价格估值的误差，其中预测的所述误差代表与所述标的房屋的真实价值相比，所预测的价格估值的准确性。17.如权利要求16所述的方法，还包括：基于所述预测价格估值或所预测的误差：修改所选择的多个居前的可对比房屋；修改对所述一组居前的可对比房屋的选择；修改对所述价格调整的生成；以及修改所述可对比房屋的所述调整后价格。18.如权利要求16所述的计算机可读介质，其中预测的所述误差为绝对美元误差，对数绝对美元误差，绝对百分比误差，或对数绝对百分比误差。19.如权利要求16所述的计算机可读介质，其中通过过滤与所述标的房屋在不同房地产市场的房屋来标识所述一组可对比房屋。20.如权利要求16所述的计算机可读介质，其中通过过滤具有与所述标的房屋差异很大的一个或多个特征的居前的可对比房屋来选择所述可对比房屋的子集。

技术总结
本文公开了一种用于使用可对比房屋生成标的房屋的预测价格估值的综合可对比市场分析系统或方法。综合可对比市场分析系统标识针对标的房屋的可对比房屋。可对比项生成组件生成针对每个可对比房屋的相似性分数，并选择具有最高相似性分数的居前的可对比房屋。便利设施估值组件确定针对居前的可对比房屋的子集的调整后价格。然后，聚合器组件对调整后价格进行综合，以确定标的房屋的预测价格估值。分流器组件预测标的房屋的预测价格估值的误差，以确定预测价格估值对于标的房屋真实价值的准确程度。准确程度。准确程度。


技术研发人员：大卫
受保护的技术使用者：MFTB控股公司
技术研发日：2021.08.26
技术公布日：2023/8/13