一种租赁辅助方法、装置、设备和存储介质与流程

1.本申请涉及大数据分析领域，尤其涉及一种租赁辅助方法、装置、设备和存储介质。


背景技术：

2.房屋租赁是当前社会必不可少的重要部分，合理制定房屋的租金，能够使得租赁过程更加快捷。
3.目前，租金通常人为确定，例如，由房东来制定。可见，仅仅由人的主观意识来制定房屋的租金，主观性太强。
4.如何获得较为客观的租金值，成为目前亟待解决的问题。


技术实现要素：

5.本申请提供了一种租赁辅助方法、装置、设备和存储介质，目的在于为房屋租赁提供一种租赁辅助装置，用于以客观数据为依据，获取租金的数值，从而提高租赁房屋的租金值的客观性。
6.为了实现上述目的，本申请提供了以下技术方案：
7.一种租赁辅助装置，包括：
8.交互模块，用于获取租赁房屋的信息，所述信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；所述房屋所在城市栅格为预先将城市空间栅格化得到；
9.判断模块，用于判断所述租赁房屋是否存在参考租金值，所述参考租金值为与所述租赁房屋的属性相似的房屋的历史租金值；
10.第一处理模块，用于在所述租赁房屋存在所述参考租金值的情况下，基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值；
11.第二处理模块，用于在所述租赁房屋不存在所述参考租金值的情况下，将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果，所述输出结果指示所述租赁房屋的平米租金值。
12.可选的，所述房屋自身特征至少包括所述房屋所在小区、所述房屋的面积和所述房屋的户型，所述历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值；
13.所述第一处理模块用于基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值，包括：
14.所述第一处理模块具体用于：
15.依据所述面积和所述房屋所在小区的户型租金值，二者匹配得到第一租金值；
16.依据所述面积和所述房屋所在小区的平米租金值，二者匹配得到第二租金值；
17.获取所述租赁房屋所在小区的估值参数；所述估值参数指示所述小区所采用的租金类型，所述租金类型包括户型租金、平米租金、以及混合租金；
18.在所述估值参数所指示的租金类型为所述户型租金的情况下，将所述第一租金值作为所述租赁房屋的租金值；
19.在所述估值参数所指示的租金类型为所述平米租金的情况下，将所述第二租金值和所述面积的乘积，作为所述租赁房屋的租金值；
20.在所述估值参数所指示的租金类型为混合租金的情况下，计算所述第二租金值与所述面积的乘积，并将所述乘积与所述第一租金值的均值，作为所述租赁房屋的租金值。
21.可选的，所述第一处理模块用于获取所述租赁房屋所在小区的估值参数，包括：
22.所述第一处理模块具体用于：
23.获取多个样本房屋的面积与实际租金值；所述样本房屋为归属于所述租赁房屋所在小区的房屋；所述实际租金值用于表征所述房屋的月租金总价；
24.针对每个所述样本房屋，基于所述样本房屋的面积和所述房屋所在小区的户型租金值，二者匹配得到第三租金值，并将所述第三租金值作为所述样本房屋的第一预估租金值，计算所述第一预估租金值与所述实际租金值的差值的绝对值，得到第一偏差；
25.针对每个所述样本房屋，基于所述样本房屋的面积和所述房屋所在小区的平米租金值，二者匹配得到第四租金值，并将所述第四租金值与所述样本房屋的面积的乘积，作为所述样本房屋的第二预估租金值，计算所述第二预估租金值与所述实际租金值的差值的绝对值，得到第二偏差；
26.统计所述第一偏差小于所述第二偏差的样本房屋的数量，得到第一数值；
27.统计所述第一偏差大于所述第二偏差的样本房屋的数量，得到第二数值；
28.比较所述第一数值和所述第二数值；
29.在所述第一数值大于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述户型租金；
30.在所述第一数值小于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述平米租金；
31.在所述第一数值等于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述混合租金。
32.可选的，所述第一处理模块用于依据所述面积和所述房屋所在小区的户型租金值，二者匹配得到第一租金值包括：
33.所述第一处理模块具体用于：
34.将与所述租赁房屋所在同一小区历史租赁房屋作为第一租赁样本，以所述第一租赁样本的面积和户型租金值为聚类维度，利用预设的二维聚类算法，对各个所述第一租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离所述租赁房屋面积最近的聚簇中心点，并将所述聚簇中心点的户型租金值作为所述第一租金值的取值。
35.可选的，所述第一处理模块用于依据所述面积和所述房屋所在小区的平米租金值，二者匹配得到第二租金值包括：
36.所述第一处理模块具体用于：
37.将与所述租赁房屋所在同一小区历史租赁房屋作为第二租赁样本，以所述第二租
赁样本的面积和平米租金值为聚类维度，利用预设的二维聚类算法，对各个所述第二租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离所述租赁房屋面积最近的聚簇中心点，并将所述聚簇中心点的平米租金值作为所述第二租金值的取值。
38.可选的，所述第一处理模块还用于：
39.获取过去第一预设时间段内，与所述租赁房屋归属于同一小区的房屋的历史租金值；所述历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值；所述房屋所在小区的平米租金值，通过计算所述房屋所在小区的户型租金值与所述房屋的面积的比值得到；
40.判断所述历史租金值的租赁时间是否为过去第二预设时间段内所发生；所述过去第二预设时间段为所述过去第一预设时间段的真子集；
41.在所述历史租金值的租赁时间为所述过去第二预设时间段内所发生的情况下，将所述历史租金值作为所述参考租金值；
42.在所述历史租金值的租赁时间不为所述过去第二预设时间段内所发生的情况下，计算所述历史租金值和预设参数的乘积，得到目标历史租金值，并将所述目标历史租金值作为所述参考租金值；
43.其中，所述预设参数为第三数值和第四数值的比值；第三数值为多个第一样本平米租金值的平均值；所述第一样本平米租金值的租赁时间为所述过去第二预设时间段内所发生；第四数值为多个第二样本平米租金值的平均值；所述第二样本平米租金值的租赁时间与所述历史租金值的租赁时间相同；所述第一样本平米租金值和所述第二样本平米租金值均为样本房屋的历史租金值；所述样本房屋为与所述租赁房屋归属于同一区域、且与所述租赁房屋的属性相似的房屋；所述区域包括至少一个小区。
44.可选的，所述信息还包括所述租赁房屋所在栅格内所有对外租赁的房屋的数量、以及所有对外租赁的房屋的平米租金值；
45.所述第二处理模块用于将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果包括：
46.所述第二处理模块具体用于：
47.判断所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量是否大于预设阈值；
48.在所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量大于所述预设阈值的情况下，确定所述租赁房屋所在城市栅格为第一类栅格；
49.在所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量不大于所述预设阈值的情况下，确定所述租赁房屋所在城市栅格为第二类栅格；
50.在确定所述租赁房屋所在城市栅格为所述第一类栅格的情况下，计算所有对外租赁的所述房屋的平米租金值的平均值，并将所述平均值作为所述第一类栅格的平米租金值；
51.在确定所述租赁房屋所在城市栅格为所述第二类栅格的情况下，将所述租赁房屋所在城市栅格特征，输入至第一预测模型中，得到所述第一预测模型的输出结果；所述第一预测模型的输出结果，用于指示所述第二类栅格的平米租金值；所述第一预测模型为，基于
所述第一类栅格的特征、以及所述第一类栅格的平米租金值，通过梯度提升决策树模型训练得到；
52.将所述租赁房屋所在城市栅格的平米租金值、所述租赁房屋的房屋自身特征、以及所述租赁房屋所在小区特征，输入至第二预测模型中，得到所述第二预测模型的输出结果；所述第二预测模型的输出结果，用于指示所述租赁房屋的平米租金值；所述第二预测模型为，基于样本房屋所在城市栅格的平米租金值、所述样本房屋的房屋自身特征、所述样本房屋所在小区特征、以及所述样本房屋的实际平米租金值，通过所述梯度提升决策树模型训练得到。
53.一种租赁辅助方法，包括：
54.获取租赁房屋的信息，所述信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；所述栅格为预先将城市空间栅格化得到；
55.判断所述租赁房屋是否存在参考租金值，所述参考租金值为与所述租赁房屋的属性相似的房屋的历史租金值；
56.在所述租赁房屋存在所述参考租金值的情况下，基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值；
57.在所述租赁房屋不存在所述参考租金值的情况下，将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果，所述输出结果指示所述租赁房屋的平米租金值。
58.一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行所述的租赁辅助方法。
59.一种租赁辅助设备，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
60.所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行所述的租赁辅助方法。
61.本申请提供的技术方案，获取租赁房屋的信息，信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征，房屋所在城市栅格为预先将城市空间栅格化得到。判断租赁房屋是否存在参考租金值，参考租金值为与租赁房屋的属性相似的房屋的历史租金值。在租赁房屋存在参考租金值的情况下，基于房屋自身特征、以及历史租金值，计算得到租赁房屋的租金值。在租赁房屋不存在参考租金值的情况下，将房屋所在城市栅格特征、房屋所在小区特征、以及房屋自身特征，输入至预先构建的预测模型中，得到预测模型的输出结果，输出结果指示租赁房屋的平米租金值。以租赁房屋的房屋特征、以及与租赁房屋的属性相似的房屋的历史租金值为参考依据，计算得到租赁房屋的租金值，或者，以租赁房屋所在栅格特征，小区特征，房屋自身特征为参考依据，计算得到租赁房屋的租金值。可见，相较于人为制定租赁房屋的租金值，本申请在计算租赁房屋的租金值的过程中，都是以客观数据为参考依据，所得到租赁房屋的租金值的客观性明显较高。
附图说明
62.为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1为本申请实施例提供的一种租赁房屋的租金值制定方法的示意图；
64.图2为本申请实施例提供的另一种租赁房屋的租金值制定方法的示意图；
65.图3为本申请实施例提供的一种租赁辅助方法的示意图；
66.图4为本申请实施例提供的一种租赁辅助装置的结构示意图。
具体实施方式
67.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
68.在实际生活中，有些小区具有租赁经验，有些小区(例如新建成的小区，或者该小区不对外公布租房的具体详情，或者租赁的房屋的数量过少、而不具备参考价值，或者近期内没有房屋租赁)不具有租赁经验。具体的，具有租赁经验的小区，其参考租金值(租金值的单位一般指的是月租金，即每月向房东支付的租金)包括户型租金值(例如，某小区内一室一厅户型45～55平方米的房屋，租金值都为600元/每月等)、以及平米租金值(例如，某小区内每平方米的租金值为10元/每月等，60平方米的房屋合计600元/每月)。在实际应用中，针对同一户型的多套房屋，各套房屋之间的面积会有稍许偏差(例如一室一厅的两套房屋，一套面积为40平方米，另一套面积为45平方米)，若都是依据平米租金值作为参考租金值，在面积偏差不大的情况下，面积稍大的房屋的租金值会高于面积较小的房屋，对于房客来说，明显较为吃亏，故应选择户型租金值。因此，在制定租赁房屋的租金值时，通常会将户型租金值和平米租金值纳入参考。
69.如图1所示，为本申请实施例提供的一种租赁房屋的租金值制定方法的示意图，包括如下步骤：
70.s101：获取过去第一预设时间段内，租赁房屋所在小区的参考租金值。
71.其中，参考租金值为与租赁房屋的属性相似的房屋的历史租金值，并且参考租金值的数量至少达到事先设定的阈值，所谓的与租赁房屋的属性相似的房屋，可以理解为：该房屋所在的小区与租赁房屋所在小区相同；所谓历史租金值，指的是小区历史上(在第一预设时间段内，一般会设定一个阈值，例如近一年)挂牌或实际成交的租赁样本，每一条样本至少应包括该房屋的面积(单位是平米)、房屋的户型和房屋的户型租金值，再通过户型租金值与房屋的面积比值，计算得到每一条样本的平米租金值。
72.此外，当过去第一预设时间段内与租赁房屋同小区的历史租金值达不到预设数量(例如100条)时，还可以获取与租赁房屋所在小区的属性相似的其他小区的参考租金值作为补充，小区的属性包括但不限于小区的地理位置(可以用小区中心点的经纬度来表示)，小区内房屋的当前出售均价、以及小区的建成年份。所谓的与租赁房屋所在小区的属性相似的小区，可以理解为：该小区的地理位置距离租赁房屋所在小区较近(小区之间的距离根据小区经纬度计算，可以设定阈值范围)，该小区内房屋的当前出售均价，与租赁房屋所在小区内房屋的当前出售均价相近(可以设定阈值范围)，以及该小区的建成年份，与租赁房
屋所在小区的建成年份相近(可以设定阈值范围)。
73.需要说明的是，在本申请实施例中，过去第一预设时间段可设为最近一年，或者最近两年，具体以最近一年为例，首先按照相同小区租赁时间由晚至早的优先顺序，选取过去一年内所发生的历史租金值，直到历史租金值的数量满足预设数量(例如100条)，如同小区历史租金值达不到预设数量，则再按照相似小区租赁时间由晚至早的优先顺序，补充过去一年内所发生的历史租金值，直到历史租金值的数量满足预设数量。
74.s102：判断历史租金值的租赁时间是否为过去第二预设时间段内所发生。
75.若历史租金值的租赁时间为过去第二预设时间段内所发生，则执行s103，否则执行s104。
76.其中，过去第二预设时间段可设为最近30天、或者最近一周。此外，过去第二预设时间段为过去第一预设时间段的真子集。
77.s103：将户型租金值、以及户型租金值所属房屋的面积作为第一租赁样本，将平米租金值、以及平米租金值所属房屋的面积作为第二租赁样本。
78.在执行s103之后，继续执行s106。
79.s104：计算历史租金值和预设参数的乘积，得到目标历史租金值(即修正后的历史租金值)。
80.在执行s104之后，继续执行s105。
81.其中，预设参数为第三数值和第四数值的比值，第三数值为多个第一样本平米租金值的平均值，第一样本平米租金值的租赁时间为过去第二预设时间段内所发生，第四数值为多个第二样本平米租金值的平均值，第二样本平米租金值的租赁时间与历史租金值的租赁时间相同，第一样本平米租金值和第二样本平米租金值均为样本房屋的历史租金值，样本房屋为与租赁房屋归属于同一区域、且与租赁房屋的属性相似的房屋，区域(例如街道，以及行政片区等)包括至少一个小区。
82.需要说明的是，目标历史租金值的计算过程，实质上就是利用第一样本租金值和第二样本租金值，对历史租金值进行修正的过程。修正后的历史租金值符合正常市场价格波动，从而令参考租金值(即将目标历史租金值作为参考租金值)作为租金的参考依据，更具有说服性和客观性。
83.在本申请实施例中，计算历史租金值和预设参数的乘积，得到目标历史租金值的具体过程为：目标历史租金值＝历史租金值
×
(第三数值/第四数值)。
84.s105：将修正后的户型租金值、以及户型租金值所属房屋的面积作为第一租赁样本，将修正后的平米租金值、以及平米租金值所属房屋的面积作为第二租赁样本。
85.在执行s105之后，继续执行s106。
86.s106：将s103所得到第一租赁样本、以及s105所得到的第一租赁样本进行合并，得到新的第一租赁样本，以及将s103所得到第二租赁样本、以及s105所得到的第二租赁样本进行合并，得到新的第二租赁样本。
87.s107：以新的第一租赁样本的面积和户型租金值为聚类维度，利用预设的二维聚类算法，对各个新的第一租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点，再找到距离租赁房屋面积最近的聚簇中心点，并将聚簇中心点的户型租金值作为第一租金值的取值。
88.其中，二维聚类算法包括但不限于为k
‑
means聚类算法，k
‑
means聚类算法是一种无监督学习的聚类算法，所谓的聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高异度的数据对象划分至不同类簇。具体的，对于给定的样本集(即租赁样本集合)，可由技术人员根据实际情况预先设置k作为聚簇的数量，按照各个租赁样本之间的距离大小，将各个租赁样本划分为k个聚簇，通过不断迭代聚簇的中心点，得到稳定的k个聚簇，各个聚簇内的点尽量紧密的连在一起，且各个聚簇之间的距离足够大。
89.在使用聚类算法的过程中，需要调整聚类算法的参数，使得聚类算法的聚类效果达到最佳效果，以k
‑
means算法为例，可以基于轮廓系数来对聚类算法的参数k进行调整，其调整过程为本领域技术人员所熟悉的公知常识，这里不再赘述。
90.所谓的轮廓系数，实质是聚类效果好坏的一种评价指标，其结合内聚度和分离度两种因素，可以在相同原始数据的基础上，评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。在实际应用中，轮廓系数越大，聚簇的效果越好，因此，对于k
‑
means算法而言，可以尝试不同的k值分别计算聚类结果的轮廓系数，通过最大的轮廓系数来确定最佳的k值。
91.s108：以新的第二租赁样本的面积和平米租金值为聚类维度，利用二维聚类算法，对各个新的第二租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点，再找到距离租赁房屋面积最近的聚簇中心点，并将聚簇中心点的平米租金值作为第二租金值的取值。
92.s109：获取租赁房屋所在小区的估值参数。
93.其中，估值参数指示小区所采用的租金类型，租金类型包括户型租金、平米租金、以及混合租金。
94.在本申请实施例中，租赁房屋所在小区的估值参数的获取过程包括：
95.1、获取多个样本房屋的面积与实际租金值，样本房屋为归属于租赁房屋所在小区的房屋。其中，实际租金值用于表征房屋的月租金总价。
96.2、针对每个样本房屋，基于样本房屋的面积和房屋所在小区的户型租金值，二者匹配得到第三租金值，并将第三租金值作为样本房屋的第一预估租金值，计算第一预估租金值与实际租金值的差值的绝对值，得到第一偏差。
97.需要强调的是，基于样本房屋的面积和房屋所在小区的户型租金值，二者匹配得到第三租金值，其实质就是：以上述s106中所提及的，对小区第一租赁样本进行二维聚类算法得到的k个聚簇中心点(每个聚簇中心点均包含两个聚类维度、分别为面积和户型租金值)为基准，利用样本房屋的面积，匹配距离样本房屋的面积最近的聚簇中心点，将距离最近的聚簇中心点的所对应的户型租金值作为第三租金值。
98.3、针对每个样本房屋，基于样本房屋的面积和房屋所在小区的平米租金值，二者匹配得到第四租金值，并将第四租金值与样本房屋的面积的乘积，作为样本房屋的第二预估租金值，计算第二预估租金值与实际租金值的差值的绝对值，得到第二偏差。
99.需要强调的是，基于样本房屋的面积和房屋所在小区的平米租金值，二者匹配得到第四租金值，其实质就是：以上述s107中所提及的，对小区第二租赁样本进行二维聚类算法得到的k个聚簇中心点(每个聚簇中心点均包含两个聚类维度、分别为面积和平米租金值)为基准，利用样本房屋的面积，匹配距离样本房屋的面积最近的聚簇中心点，将距离最近的聚簇中心点的所对应的户型租金值作为第四租金值。
100.4、统计第一偏差小于第二偏差的样本房屋的数量，得到第一数值。
101.5、统计第一偏差大于第二偏差的样本房屋的数量，得到第二数值。
102.6、比较第一数值和第二数值。
103.7、在第一数值大于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为户型租金。
104.8、在第一数值小于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为平米租金。
105.9、在第一数值等于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为混合租金。
106.需要说明的是，基于样本房屋的面积和户型租金值，计算得到第三租金值的具体执行过程和实现原理，与上述s107所示的具体执行过程和实现原理一致。
107.此外，基于样本房屋的面积和平米租金值，计算得到第四租金值的具体执行过程和实现原理，与上述s108所示的具体执行过程和实现原理一致。
108.s110：在估值参数所指示的租金类型为户型租金的情况下，将第一租金值作为租赁房屋的租金值。
109.s111：在估值参数所指示的租金类型为平米租金的情况下，将第二租金值和面积的乘积，作为租赁房屋的租金值。
110.s112：在估值参数所指示的租金类型为混合租金的情况下，计算第二租金值与面积的乘积，并将乘积与第一租金值的均值，作为租赁房屋的租金值。
111.综上所述，选取过去第一预设时间段内，租赁房屋所在小区的参考租金值，并对租赁时间不为过去第二预设时间段内所发生的历史租金值进行修正，使得修正后的历史租金值符合正常市场价格波动，从而令参考租金值作为租赁房屋的租金值的参考依据，更具有说服性和客观性。在本申请实施例中，利用聚类算法，计算租赁房屋的户型租金值和平米租金值，并根据租赁房屋所在小区的估值参数选择合理的租金类型，最终所得到租赁房屋的租金值具有较高的客观性和合理性。可见，本实施例以客观数据(即参考租金值、以及参考租金值所属房屋的房屋特征)为依据，获取得到的租赁房屋的租金值，相较于人为制定的租金值，更具客观性。
112.针对不具有租赁经验的小区，如图2所示，本申请实施例提供了另一种租赁房屋的租金值制定方法的示意图，包括如下步骤：
113.s201：预先将城市空间栅格化，得到各个城市栅格。
114.其中，每个城市栅格在现实地理上均涵盖一个或多个小区，所谓的栅格化，为现有的ps软件的一个专业术语，栅格即像素，栅格化实质就是将矢量图形转化为位图(即栅格图像)，将城市空间栅格化为各个城市栅格，实质就是：将城市空间从三维场景渲染至二维表面，并将处于二维表面的城市空间划分为多个栅格(每个栅格的可以理解为长度和宽度相等的矩形)。
115.需要说明的是，将城市空间栅格化为各个城市栅格的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
116.s202：确定租赁房屋所在城市栅格，并收集租赁房屋的信息。
117.其中，信息至少包括租赁房屋所在城市栅格内所有对外租赁的房屋的数量，所有
对外租赁的房屋的平米租金值(默认为平米租金值，例如每平方米租金为10元/每月)、以及预设的特征变量。特征变量包括单位层变量、小区层变量、以及区位层变量。
118.具体的，
119.单位层变量用于指示房屋的房屋自身特征(可简称房屋特征)，例如房屋的面积、户型、楼层、装修以及朝向等。具体的，单位层变量的具体详情，可参见下述表1所示。
120.表1
[0121][0122]
由表1可知，房屋特征中存在离散变量和连续变量，因此，需要对离散变量进行one
‑
hot编码(一种现有的编码方式)。
[0123]
需要说明的是，上述表1所示的内容仅仅用于举例说明。
[0124]
小区层变量用于指示房屋所在小区特征，小区特征包括但不限于小区内房屋的出售均价(即该小区内房屋每平方米的平均出售价格，例如每平方米1万元)、小区的建成年份(即该小区的年龄)、小区的类型(例如高档公寓、中档高层商品房、及别墅等)、以及小区的竣工年限等。
[0125]
区位层变量用于指示房屋所在城市栅格特征，栅格特征用于指示房屋周边的居住环境和公共服务配套情况，例如人口密集度、公共服务设施、绿化面积、交通设施、以及生活设施路程情况等。
[0126]
需要说明的是，区位层变量还可以直接引用现有的地理变量，例如人口覆盖密度、信息点(point ofinformation，poi)的数量、poi核密度、以及poi覆盖度等。
[0127]
所谓的poi，在地理信息系统中，一个poi可以代表一栋房子、一个商铺、一个邮筒、或者一个公交车站等。在本申请实施例中，poi包括但不限于为：风景区、游乐场、超市、幼儿园、atm、银行网点、非三级甲等医院、三级甲等医院、医院、公园、大学、中学、小学、政府机关、体育馆、科技馆、艺术馆、图书馆、博物馆、陵园、公墓、殡仪馆、垃圾站、写字楼、购物中心、公交站、快速路出口、快速路入口、高速路出口、高速路入口、游泳馆、精神病医院、传染病医院、以及地铁站等。
[0128]
具体的，以银行网点作为poi为例，银行网点所涉及的区位层变量，可参见下述表2所示。
[0129]
表2
[0130][0131][0132]
需要说明的是，上述表2所示的内容仅仅用于举例说明。
[0133]
需要强调的是，在本申请实施例中，将单位层变量视为房屋自身特征，小区层变量视为房屋所在小区特征，区位层变量视为房屋所在城市栅格特征。
[0134]
s203：判断租赁房屋所在城市栅格内所有对外租赁的房屋的数量是否大于预设阈值。
[0135]
若租赁房屋所在城市栅格内所有对外租赁的房屋的数量大于预设阈值，则执行s204，否则执行s205。
[0136]
s204：确定租赁房屋所在城市栅格为第一类栅格。
[0137]
在执行s204之后，继续执行s206。
[0138]
s205：确定租赁房屋所在城市栅格为第二类栅格。
[0139]
在执行s205之后，继续执行s207。
[0140]
s206：计算所有第一类栅格内所有当期(一般指最近一个月)对外租赁房屋的平米
租金值的平均值，将该平均值作为第一类栅格的平米租金值。
[0141]
在执行s206之后，继续执行s208。
[0142]
s207：将第二类栅格的区位层变量，输入至第一预测模型中，得到第一预测模型的输出结果，输出结果为第二类栅格的平米租金值。
[0143]
在执行s207之后，继续执行s208。
[0144]
其中，第一预测模型为，基于第一类栅格的特征、以及第一类栅格的平米租金值，通过梯度提升决策树(gradient boost decision tree，gbdt)模型训练得到。在本申请实施例中，第一预测模型的输出结果，用于指示第二类栅格的平米租金值。
[0145]
需要说明的是，第一预测模型的训练过程为：将第一类栅格作为训练样本，其中，将第一类栅格的区位特征(区位层变量)作为自变量，将第一类栅格的平米租金值作为因变量，通过gbdt模型进行训练，得到第一预测模型，并通过第一预测模型可以根据第二类栅格的区位特征，预测出第二类栅格的平米租金值。
[0146]
s208：将租赁房屋所在城市栅格的平米租金值、小区层变量、以及单位层变量，输入至第二预测模型中，得到第二预测模型的输出结果。
[0147]
其中，第二预测模型为，基于样本房屋所在城市栅格的平米租金值、单位层变量(即样本房屋的房屋特征)、小区层变量(即样本房屋所在小区特征)、以及样本房屋的实际平米租金值，通过gbdt模型训练得到。在本申请实施例中，第二预测模型的输出结果，用于指示租赁房屋的平米租金值。
[0148]
需要说明的是，第二预测模型的训练样本，指的是城市中所有当期(一般指最近一个月)对外租赁的房屋，具体的，第二预测模型的训练过程包括：将样本房屋所在城市栅格的平米租金值、房屋所在小区的小区层变量、以及房屋本身的单位层变量作为自变量，将样本房屋的实际平米租金值作为因变量，通过gbdt模型进行训练，得到第二预测模型，通过第二预测模型可以根据租赁房屋所在城市栅格的平米租金值、所在小区的小区层特征、以及房屋本身的单位层特征，预测出租赁房屋的平米租金值。
[0149]
综上所述，以租赁房屋的房屋自身特征、租赁房屋所在小区特征、以及租赁房屋所在城市栅格的平米租金值作为参考依据，获取得到租赁房屋的平米租金值，相较于人为制定的平米租金值，较为科学合理，客观性更高。
[0150]
需要说明的是，上述图1和图2示出的租赁房屋的租金值制定方法，都是本申请实施例所述租赁辅助方法的一种可选的实现方式。为此，上述图1和图2所示出的流程，可以概括为图3所示的方法。
[0151]
如图3所示，为本申请实施例提供的一种租赁辅助方法的示意图，包括如下步骤：
[0152]
s301：获取租赁房屋的信息。
[0153]
其中，信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征，房屋所在城市栅格为预先将城市空间栅格化得到。
[0154]
s302：判断租赁房屋是否存在参考租金值。
[0155]
若租赁房屋存在参考租金值，则执行s303，否则执行s304。
[0156]
其中，参考租金值为与租赁房屋的属性相似的房屋的历史租金值。
[0157]
可选的，历史租金值包括户型租金值和平米租金值。
[0158]
s303：基于房屋自身特征、以及历史租金值，计算得到租赁房屋的租金值。
[0159]
其中，s303的具体执行过程和实现原理，可以参见上述图1示出的步骤、以及步骤的解释说明。
[0160]
s304：将房屋所在城市栅格特征、房屋所在小区特征、以及房屋自身特征，输入至预先构建的预测模型中，得到预测模型的输出结果。
[0161]
其中，输出结果指示租赁房屋的平米租金值。
[0162]
需要说明的是，上述图2提及的第一预测模型和第二预测模型，均为本申请实施例所述预测模型的一种具体的实现方式。此外，s304的具体执行过程和实现原理，可以参见上述图2示出的步骤、以及步骤的解释说明。
[0163]
综上所述，以租赁房屋的房屋自身特征、以及与租赁房屋的属性相似的房屋的历史租金值为参考依据，计算得到租赁房屋的租金值，或者，以租赁房屋的房屋自身特征、租赁房屋所在城市栅格特征、以及租赁房屋所在小区特征为参考依据，计算得到租赁房屋的租金值。可见，相较于人为制定租赁房屋的租金值，本实施例在计算租赁房屋的租金值的过程中，都是以客观数据为参考依据，所得到租赁房屋的租金值的客观性明显较高。
[0164]
与上述本申请实施例提供的租赁辅助方法相对应，本申请实施例还提供了一种租赁辅助装置。
[0165]
如图4所示，为本申请实施例提供的一种租赁辅助装置的结构示意图，包括：
[0166]
交互模块100，用于获取租赁房屋的信息，信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；房屋所在城市栅格为预先将城市空间栅格化得到。其中，房屋自身特征至少包括房屋所在小区、房屋的面积和房屋的户型，历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值。
[0167]
判断模块200，用于判断租赁房屋是否存在参考租金值，参考租金值为与租赁房屋的属性相似的房屋的历史租金值。其中，历史租金值包括户型租金值和平米租金值。
[0168]
第一处理模块300，用于在租赁房屋存在参考租金值的情况下，基于房屋自身特征、以及历史租金值，计算得到租赁房屋的租金值。
[0169]
其中，第一处理模块300用于基于房屋自身特征、以及历史租金值，计算得到租赁房屋的租金的具体实现过程包括：依据面积和房屋所在小区的户型租金值，二者匹配得到第一租金值；依据面积和房屋所在小区的平米租金值，二者匹配得到第二租金值；获取租赁房屋所在小区的估值参数；估值参数指示小区所采用的租金类型，租金类型包括户型租金、平米租金、以及混合租金；在估值参数所指示的租金类型为户型租金的情况下，将第一租金值作为租赁房屋的租金值；在估值参数所指示的租金类型为平米租金的情况下，将第二租金值和面积的乘积，作为租赁房屋的租金值；在估值参数所指示的租金类型为混合租金的情况下，计算第二租金值与面积的乘积，并将乘积与第一租金值的均值，作为租赁房屋的租金值。
[0170]
第一处理模块300用于获取租赁房屋所在小区的估值参数的具体实现过程包括：获取多个样本房屋的面积与实际租金值；样本房屋为归属于租赁房屋所在小区的房屋；实际租金值用于表征房屋的月租金总价；针对每个样本房屋，基于样本房屋的面积和房屋所在小区的户型租金值，二者匹配得到第三租金值，并将第三租金值作为样本房屋的第一预估租金值，计算第一预估租金值与实际租金值的差值的绝对值，得到第一偏差；针对每个样本房屋，基于样本房屋的面积和房屋所在小区的平米租金值，二者匹配得到第四租金值，并
将第四租金值与样本房屋的面积的乘积，作为样本房屋的第二预估租金值，计算第二预估租金值与实际租金值的差值的绝对值，得到第二偏差；统计第一偏差小于第二偏差的样本房屋的数量，得到第一数值；统计第一偏差大于第二偏差的样本房屋的数量，得到第二数值；比较第一数值和第二数值；在第一数值大于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为户型租金；在第一数值小于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为平米租金；在第一数值等于第二数值的情况下，确定租赁房屋所在小区的估值参数所指示的租金类型为混合租金。
[0171]
第一处理模块300用于依据面积和房屋所在小区的户型租金值，二者匹配得到第一租金值的具体实现过程包括：将与租赁房屋所在同一小区历史租赁房屋作为第一租赁样本，以第一租赁样本的面积和户型租金值为聚类维度，利用预设的二维聚类算法，对各个第一租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离租赁房屋面积最近的聚簇中心点，并将聚簇中心点的户型租金值作为第一租金值的取值。
[0172]
第一处理模块300用于依据面积和房屋所在小区的平米租金值，二者匹配得到第二租金值的具体实现过程包括：将与租赁房屋所在同一小区历史租赁房屋作为第二租赁样本，以第二租赁样本的面积和平米租金值为聚类维度，利用预设的二维聚类算法，对各个第二租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离租赁房屋面积最近的聚簇中心点，并将聚簇中心点的平米租金值作为第二租金值的取值。
[0173]
此外，第一处理模块300还用于：获取过去第一预设时间段内，与租赁房屋归属于同一小区的房屋的历史租金值；历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值；房屋所在小区的平米租金值，通过计算房屋所在小区的户型租金值与房屋的面积的比值得到；判断历史租金值的租赁时间是否为过去第二预设时间段内所发生；过去第二预设时间段为过去第一预设时间段的真子集；在历史租金值的租赁时间为过去第二预设时间段内所发生的情况下，将历史租金值作为参考租金值；在历史租金值的租赁时间不为过去第二预设时间段内所发生的情况下，计算历史租金值和预设参数的乘积，得到目标历史租金值，并将目标历史租金值作为参考租金值；其中，预设参数为第三数值和第四数值的比值；第三数值为多个第一样本平米租金值的平均值；第一样本平米租金值的租赁时间为过去第二预设时间段内所发生；第四数值为多个第二样本平米租金值的平均值；第二样本平米租金值的租赁时间与历史租金值的租赁时间相同；第一样本平米租金值和第二样本平米租金值均为样本房屋的历史租金值；样本房屋为与租赁房屋归属于同一区域、且与租赁房屋的属性相似的房屋；区域包括至少一个小区。
[0174]
第二处理模块400，用于在租赁房屋不存在参考租金值的情况下，将房屋所在城市栅格特征、房屋所在小区特征、以及房屋自身特征，输入至预先构建的预测模型中，得到预测模型的输出结果，输出结果指示租赁房屋的平米租金值。
[0175]
其中，第二处理模块400用于将房屋所在城市栅格特征、房屋所在小区特征、以及房屋自身特征，输入至预先构建的预测模型中，得到预测模型的输出结果的具体实现过程包括：判断租赁房屋所在城市栅格内所有对外租赁的房屋的数量是否大于预设阈值；在租赁房屋所在城市栅格内所有对外租赁的房屋的数量大于预设阈值的情况下，确定租赁房屋所在城市栅格为第一类栅格；在租赁房屋所在城市栅格内所有对外租赁的房屋的数量不大于预设阈值的情况下，确定租赁房屋所在城市栅格为第二类栅格；在确定租赁房屋所在城
市栅格为第一类栅格的情况下，计算所有对外租赁的房屋的平米租金值的平均值，并将平均值作为第一类栅格的平米租金值；在确定租赁房屋所在城市栅格为第二类栅格的情况下，将租赁房屋所在城市栅格特征，输入至第一预测模型中，得到第一预测模型的输出结果；第一预测模型的输出结果，用于指示第二类栅格的平米租金值；第一预测模型为，基于第一类栅格的特征、以及第一类栅格的平米租金值，通过梯度提升决策树模型训练得到；将租赁房屋所在城市栅格的平米租金值、租赁房屋所在小区特征、以及租赁房屋的房屋自身特征，输入至第二预测模型中，得到第二预测模型的输出结果；第二预测模型的输出结果，用于指示租赁房屋的平米租金值；第二预测模型为，基于样本房屋所在城市栅格的平米租金值、样本房屋的房屋自身特征、样本房屋所在小区特征、以及样本房屋的实际平米租金值，通过梯度提升决策树模型训练得到。
[0176]
综上所述，以租赁房屋的房屋自身特征、以及与租赁房屋的属性相似的房屋的历史租金值为参考依据，计算得到租赁房屋的租金值，或者，以租赁房屋的房屋自身特征、租赁房屋所在城市栅格特征、以及租赁房屋所在小区特征为参考依据，计算得到租赁房屋的租金值。可见，相较于人为制定租赁房屋的租金值，本实施例在计算租赁房屋的租金值的过程中，都是以客观数据为参考依据，所得到租赁房屋的租金值的客观性明显较高。
[0177]
本申请还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本申请提供的租赁辅助方法。
[0178]
本申请还提供了一种租赁辅助设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本申请提供的租赁辅助方法，包括如下步骤：
[0179]
获取租赁房屋的信息，所述信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；所述栅格为预先将城市空间栅格化得到；
[0180]
判断所述租赁房屋是否存在参考租金值，所述参考租金值为与所述租赁房屋的属性相似的房屋的历史租金值；
[0181]
在所述租赁房屋存在所述参考租金值的情况下，基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值；
[0182]
在所述租赁房屋不存在所述参考租金值的情况下，将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果，所述输出结果指示所述租赁房屋的平米租金值。
[0183]
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0184]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0185]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种租赁辅助装置，其特征在于，包括：交互模块，用于获取租赁房屋的信息，所述信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；所述房屋所在城市栅格为预先将城市空间栅格化得到；判断模块，用于判断所述租赁房屋是否存在参考租金值，所述参考租金值为与所述租赁房屋的属性相似的房屋的历史租金值；第一处理模块，用于在所述租赁房屋存在所述参考租金值的情况下，基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值；第二处理模块，用于在所述租赁房屋不存在所述参考租金值的情况下，将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果，所述输出结果指示所述租赁房屋的平米租金值。2.根据权利要求1所述的装置，其特征在于，所述房屋自身特征至少包括所述房屋所在小区、所述房屋的面积和所述房屋的户型，所述历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值；所述第一处理模块用于基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值，包括：所述第一处理模块具体用于：依据所述面积和所述房屋所在小区的户型租金值，二者匹配得到第一租金值；依据所述面积和所述房屋所在小区的平米租金值，二者匹配得到第二租金值；获取所述租赁房屋所在小区的估值参数；所述估值参数指示所述小区所采用的租金类型，所述租金类型包括户型租金、平米租金、以及混合租金；在所述估值参数所指示的租金类型为所述户型租金的情况下，将所述第一租金值作为所述租赁房屋的租金值；在所述估值参数所指示的租金类型为所述平米租金的情况下，将所述第二租金值和所述面积的乘积，作为所述租赁房屋的租金值；在所述估值参数所指示的租金类型为混合租金的情况下，计算所述第二租金值与所述面积的乘积，并将所述乘积与所述第一租金值的均值，作为所述租赁房屋的租金值。3.根据权利要求2所述的装置，其特征在于，所述第一处理模块用于获取所述租赁房屋所在小区的估值参数，包括：所述第一处理模块具体用于：获取多个样本房屋的面积与实际租金值；所述样本房屋为归属于所述租赁房屋所在小区的房屋；所述实际租金值用于表征所述房屋的月租金总价；针对每个所述样本房屋，基于所述样本房屋的面积和所述房屋所在小区的户型租金值，二者匹配得到第三租金值，并将所述第三租金值作为所述样本房屋的第一预估租金值，计算所述第一预估租金值与所述实际租金值的差值的绝对值，得到第一偏差；针对每个所述样本房屋，基于所述样本房屋的面积和所述房屋所在小区的平米租金值，二者匹配得到第四租金值，并将所述第四租金值与所述样本房屋的面积的乘积，作为所述样本房屋的第二预估租金值，计算所述第二预估租金值与所述实际租金值的差值的绝对值，得到第二偏差；统计所述第一偏差小于所述第二偏差的样本房屋的数量，得到第一数值；
统计所述第一偏差大于所述第二偏差的样本房屋的数量，得到第二数值；比较所述第一数值和所述第二数值；在所述第一数值大于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述户型租金；在所述第一数值小于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述平米租金；在所述第一数值等于所述第二数值的情况下，确定所述租赁房屋所在小区的估值参数所指示的租金类型为所述混合租金。4.根据权利要求2所述的装置，其特征在于，所述第一处理模块用于依据所述面积和所述房屋所在小区的户型租金值，二者匹配得到第一租金值包括：所述第一处理模块具体用于：将与所述租赁房屋所在同一小区历史租赁房屋作为第一租赁样本，以所述第一租赁样本的面积和户型租金值为聚类维度，利用预设的二维聚类算法，对各个所述第一租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离所述租赁房屋面积最近的聚簇中心点，并将所述聚簇中心点的户型租金值作为所述第一租金值的取值。5.根据权利要求2所述的装置，其特征在于，所述第一处理模块用于依据所述面积和所述房屋所在小区的平米租金值，二者匹配得到第二租金值包括：所述第一处理模块具体用于：将与所述租赁房屋所在同一小区历史租赁房屋作为第二租赁样本，以所述第二租赁样本的面积和平米租金值为聚类维度，利用预设的二维聚类算法，对各个所述第二租赁样本进行聚类，得到一个以上的聚簇和聚簇中心点；再找到距离所述租赁房屋面积最近的聚簇中心点，并将所述聚簇中心点的平米租金值作为所述第二租金值的取值。6.根据权利要求1所述的装置，其特征在于，所述第一处理模块还用于：获取过去第一预设时间段内，与所述租赁房屋归属于同一小区的房屋的历史租金值；所述历史租金值包括房屋所在小区的户型租金值和房屋所在小区的平米租金值；所述房屋所在小区的平米租金值，通过计算所述房屋所在小区的户型租金值与所述房屋的面积的比值得到；判断所述历史租金值的租赁时间是否为过去第二预设时间段内所发生；所述过去第二预设时间段为所述过去第一预设时间段的真子集；在所述历史租金值的租赁时间为所述过去第二预设时间段内所发生的情况下，将所述历史租金值作为所述参考租金值；在所述历史租金值的租赁时间不为所述过去第二预设时间段内所发生的情况下，计算所述历史租金值和预设参数的乘积，得到目标历史租金值，并将所述目标历史租金值作为所述参考租金值；其中，所述预设参数为第三数值和第四数值的比值；第三数值为多个第一样本平米租金值的平均值；所述第一样本平米租金值的租赁时间为所述过去第二预设时间段内所发生；第四数值为多个第二样本平米租金值的平均值；所述第二样本平米租金值的租赁时间与所述历史租金值的租赁时间相同；所述第一样本平米租金值和所述第二样本平米租金值均为样本房屋的历史租金值；所述样本房屋为与所述租赁房屋归属于同一区域、且与所述
租赁房屋的属性相似的房屋；所述区域包括至少一个小区。7.根据权利要求1所述的装置，其特征在于，所述信息还包括所述租赁房屋所在栅格内所有对外租赁的房屋的数量、以及所有对外租赁的房屋的平米租金值；所述第二处理模块用于将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果包括：所述第二处理模块具体用于：判断所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量是否大于预设阈值；在所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量大于所述预设阈值的情况下，确定所述租赁房屋所在城市栅格为第一类栅格；在所述租赁房屋所在城市栅格内所有对外租赁的房屋的数量不大于所述预设阈值的情况下，确定所述租赁房屋所在城市栅格为第二类栅格；在确定所述租赁房屋所在城市栅格为所述第一类栅格的情况下，计算所有对外租赁的所述房屋的平米租金值的平均值，并将所述平均值作为所述第一类栅格的平米租金值；在确定所述租赁房屋所在城市栅格为所述第二类栅格的情况下，将所述租赁房屋所在城市栅格特征，输入至第一预测模型中，得到所述第一预测模型的输出结果；所述第一预测模型的输出结果，用于指示所述第二类栅格的平米租金值；所述第一预测模型为，基于所述第一类栅格的特征、以及所述第一类栅格的平米租金值，通过梯度提升决策树模型训练得到；将所述租赁房屋所在城市栅格的平米租金值、所述租赁房屋的房屋自身特征、以及所述租赁房屋所在小区特征，输入至第二预测模型中，得到所述第二预测模型的输出结果；所述第二预测模型的输出结果，用于指示所述租赁房屋的平米租金值；所述第二预测模型为，基于样本房屋所在城市栅格的平米租金值、所述样本房屋的房屋自身特征、所述样本房屋所在小区特征、以及所述样本房屋的实际平米租金值，通过所述梯度提升决策树模型训练得到。8.一种租赁辅助方法，其特征在于，包括：获取租赁房屋的信息，所述信息至少包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征；所述栅格为预先将城市空间栅格化得到；判断所述租赁房屋是否存在参考租金值，所述参考租金值为与所述租赁房屋的属性相似的房屋的历史租金值；在所述租赁房屋存在所述参考租金值的情况下，基于所述房屋自身特征、以及所述历史租金值，计算得到所述租赁房屋的租金值；在所述租赁房屋不存在所述参考租金值的情况下，将所述房屋所在城市栅格特征、所述房屋所在小区特征、以及所述房屋自身特征，输入至预先构建的预测模型中，得到所述预测模型的输出结果，所述输出结果指示所述租赁房屋的平米租金值。9.一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包括存储的程序，其中，所述程序执行权利要求8所述的租赁辅助方法。10.一种租赁辅助设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行权利
要求8所述的租赁辅助方法。
技术总结
本申请公开了一种租赁辅助方法、装置、设备和存储介质，获取租赁房屋的信息，信息包括房屋所在城市栅格特征、房屋所在小区特征和房屋自身特征。判断租赁房屋是否存在参考租金值。在租赁房屋存在参考租金值的情况下，基于房屋自身特征和历史租金值，计算得到租赁房屋的租金值。在租赁房屋不存在参考租金值的情况下，将房屋所在城市栅格特征、房屋所在小区特征、以及房屋自身特征，输入预测模型中，得到预测模型的输出结果，输出结果指示租赁房屋的平米租金值。可见，相较于人为制定租赁房屋的租金值，本申请在计算租赁房屋的租金值的过程中，都是以客观数据为参考依据，所得到租赁房屋的租金值的客观性明显较高。屋的租金值的客观性明显较高。屋的租金值的客观性明显较高。


技术研发人员：程大庆 刘宏吉 李新华 谢丰 孔德萌 武钰婷
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：2021.04.23
技术公布日：2021/6/25