排序方式: 共有147条查询结果,搜索用时 31 毫秒
91.
自2002年整体进驻政务中心工作以来,常德市国土资源交易中心用一个个响当当的荣誉称号注解了一路的足迹。 相似文献
92.
93.
基于地价监测信息的地价预测模型研究 总被引:7,自引:0,他引:7
实现对地价的全面监测、分析和预测,有助于城市基准地价的快速更新和政府对土地资源的宏观控制。过去的地价预警预报模型研究主要存在两点不足:一是没有建立科学完善的数学模型,也没有用多种数学模型相互验证预测结论;二是没有充分利用现有的信息,如地价监测体系的信息,致使预测地价水平与城市实际地价水平、预测走势与实际变化有偏差。该文利用地价监测体系的信息,建立马尔可夫链地价预测模型,并与时间序列模型、空间分布预测模型的预测结果相比较。马尔可夫链地价预测模型是概率分布式预测模型,适用于对地价变化进行科学的概率预测,预测结果与实际情况吻合较好。 相似文献
94.
95.
96.
97.
基于多源数据和集成学习的城市住宅地价分布模拟——以武汉市为例 总被引:2,自引:0,他引:2
精准刻画城市住宅地价分布特征,对于科学引导城市空间布局规划、有效实现城市精明增长等具有重要意义。而城市住宅地价与其潜在影响因素之间的复杂非线性关系,给地价分布精细模拟带来了挑战。论文旨在探索基于地理大数据和集成学习的城市住宅地价分布模拟方法体系,以满足快速、精准监测地价动态变化的需要。选取武汉市为典型区,以住宅用地交易样点、兴趣点(points of interest, POI)和夜间灯光影像为数据源,以500 m分辨率网格为估价单元,提取POI核密度和夜间灯光强度作为住宅地价预测变量,采用机器学习算法和bagging、stacking集成方法构建住宅地价预测模型,并对比分析其精度。研究发现:① 单个机器学习算法中,支持向量回归(support vector regression, SVR)预测精度最高,接下来依次是k最近邻算法(k-nearest neighbor algorithm, k-NN)、高斯过程回归(Gaussian process regression, GPR)和BP神经网络(back propagation neural networks, BP-NN);② 在提升单个算法预测精度方面,stacking方法的性能优于bagging方法,使用stacking集成SVR和k-NN的地价预测模型精度最高,其平均绝对百分误差仅为8.29%,拟合优度R2达0.814;③ 基于论文所构建模型生成的城市住宅地价分布图能有效表征价格圈层分布特征和局部奇异性。研究结果可为城市住宅地价评估提供新的思路和方法借鉴。 相似文献
98.
99.
100.
江奇 《国土资源导刊(湖南)》2006,3(6):19-21
国土资源部在《招标拍卖挂牌出让国有土地使用权规范》(征求意见稿)中要求“有条件的地方,可以建立‘勾地’制度”。所谓“勾地”,是指单位和个人对具体宗地有使用意向的,可以提出“勾地”申请,并承诺愿意支付的土地价格;市、县国土资源管理部门认为其承诺的土地价格和条件可以 相似文献