房产价格空间分析与预测系统.doc

《房产价格空间分析与预测系统.doc》由会员分享，可在线阅读，更多相关《房产价格空间分析与预测系统.doc（47页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、目 录摘要11 绪论21.1 研究背景与意义21.2 研究现状与分析31.2.1 房价空间分析研究现状31.2.2 房价预测研究现状31.3 研究目标与研究内容41.4 论文组织 42 关键技术52.1 ArcGIS Server52.2 ArcGIS API for JavaScript52.3 ArcSDE62.4 Redis数据结构服务器62.5 Beautiful Soup网络爬虫72.6 SSM框架72.7克里金插值法82.8地理加权归回模型82.8.1模型基本原理82.8.2空间权重函数的选择93 系统需求分析93.1 系统概述93.2 功能需求分析93.2.1 数据查询93.2.

2、2数据统计103.2.3 房价预测112.3.4 个人中心114 系统设计与实现124.1系统总体设计124.2系统技术流程图134.3 系统功能设计134.3.1 用户管理模块134.3.2 数据查询模块144.3.3 房价分析模块144.3.4 房价预测模块154.4数据库设计164.4.1标识符和状态164.4.2命名约定164.4.3设计约定164.4.4空间数据表设计164.4.5数据表结构设计174.4.6空间数据表174.4.7业务数据表194.4.8安全性设计225 系统实现245.1 系统开发与运行环境245.1.1 系统的开发环境245.1.2 系统的运行环境245.2 系

3、统主界面实现255.3主要功能实现275.3.1数据台账275.3.2简单查询275.3.3房价分析305.3.4 房价预测325.3.5 个人中心366 总结与展望376.1 主要成果376.2问题展望38参考文献39致 谢40房产价格空间分析与预测系统摘要摘要部分要多花心思，你这个是系统，要从系统建设角度去阐述你做了什么。我给你改的比较简单，你可以再完善一点：由于房产价格成因复杂，并且受空间区位因素影响较大，因此传统回归模型对于房产价格预测分析变得相对困难。针对这种情况，系统以滁州市为例，通过BeautifulSoup网络爬虫技术获取滁州市历年房价数据，基于Web GIS技术构建房产空间分

4、析与预测系统，实现了房产价格条件查询、空间查询、图表统计、热力图分析等功能，针对房产价格进行了全面的分析。并通过克里金插值对房产价格空间分异特征进行分析。更加直观的分析出房价在空间上的分布规律。同时系统基于地理加权回归模型（GWR）在空间上分析了影响房价的影响因子，并将不同影响因子对房价的影响程度可视化。最后结合地理加权回归模型（GWR）结果和各小区的相关属性值对部分房源的价值进行了预测分析。分析结果对于相关部门与消费者都具有实际参考价值。分析得知，不同影响因子对城市的住宅价格的作用程度存在较大差异。最后系统通过GWR模型得出的各个影响因子的地理加权回归值，结合已知的各个小区影响因子的相关属性

5、值，对一些小区的价值进行预测，向用户提供参考。同时本系统还采用克里金插值来分析滁州市的房价的空间分异特征，从而可以得到滁州市城区房价的空间分布差异，分析得知，滁州市房价空间分布呈现出从中心向四周降低，且递减的速度不一样，各个区域之间的价格差异较大。关键词：商铺住宅价格；地理加权回归模型；房价预测；WebGIS；Spatial Analysis and Prediction System of Real Estate Price好好翻译，不要要明显错误Abstract: Because of the complex causes of real estate price and the grea

6、t influence of spatial location factors on the change of real estate price, it is relatively difficult for the traditional regression model to predict and analyze the real estate price. In view of this situation, the system takes Chuzhou City as an example, obtains the house price data of Chuzhou Ci

7、ty over the years through the beautiful soup web crawler, constructs the real estate spatial analysis and prediction system based on the Web GIS technology, realizes the functions of real estate price condition query, spatial query, chart statistics, thermal map analysis, etc., and makes a comprehen

8、sive analysis of the real estate price. And through Kriging interpolation to analyze the spatial differentiation characteristics of real estate prices. More intuitive analysis of the spatial distribution of housing prices. At the same time, based on the geographical weighted regression model (GWR),

9、the system analyzes the influencing factors of housing prices in space, and visualizes the influence degree of different influencing factors on housing prices. Finally, combined with the results of GWR and the related attribute values of each community, the value of some housing sources is predicted

10、 and analyzed. The analysis results have practical reference value for relevant departments and consumers.Keywords: Price of shops and houses; Spatial Differentiation Characteristics; 1 绪论1.1研究背景与意义1.1.1研究背景近年来房地产行业的飞速发展对人们生活水平的提高以及国民经济的增长起到了举足轻重的作用。房地产市场中住宅价格是商品住宅的市场表现，反映了一个城市的经济发展水平。同时，住宅价格也是房地产市场

11、中关系到供求双方利益的关键。因此，住宅价格已然是社会各界持续关注的对象。但是商品住宅与其他普通的商品有所不同，它的价格往往会受到地理因素的影响，所以我们认为商品住宅是一个具有空间属性的商品。商品住宅的价格会随着其所处区位的不同而存在很大差异，商品住宅价格空间分异的现象也因此形成。随着城市的发展，城市的空间结构也会跟随着改变，相关部门应该采取因地制宜、差别对待的政策来应对房价的空间不均衡性，现如今政府对房地产市场的出台的相关政策就是为了促使房源市场平稳健康地发展。基于以上背景本系统利用GIS结合GWR模型，针对滁州市的房产数据对本市房价的空间影响因素以及房源价值预测进行深入的研究。1.1.2研究

12、意义第一章内容你要多顺几遍，写的很乱，没有逻辑。好好改本系统将GIS空间分析技术和地理加权回归（GWR）模型相结合，实现了地理加权回归（GWR）模型结果的可视化，并对研究对象的空间变化规律进行描述，更加直观和全面地分析了房价的影响因素。此外，系统使用小区的相关属性值结合地理加权回归（GWR）的模型结果进行计算对相关房源价值进行合理预测。本系统以上研究，对房地产市场来说，能够更加合理的制定房地产市场的销售规划重点;对国家管理部门来说，可以帮助他们去了解各个地区住宅价格的详细情况以及变化趋势，有利于对其管理地区的房价进行合理的调控，辅助管理部门做决策;对于购房者来说，可以为购房者提供相关参考，以选

13、择合适自身的住宅。1.2 研究现状与分析1.2.1 房价空间分析研究现状目前，许多国内学者开始深入研究住宅价格的空间差异，由于以往对住宅价格定性分析的研究不能满足人们的需求，因此学者们渐渐地开始从定性分析过渡到定量分析。大多数国内研究人员采用线性回归法、特征价格模型、灰色关联发等方法。比如陈笑双利用南昌市住宅价格空间分布图来对南昌市房价分布规律和影响因素进行分析，结果证实，区位因素、城市规划以及外界驱动是影响住宅价格空间分布规律的三大因素1。张蕤等学者通过分析一百座具有代表性城市房价的变化趋势以及这些城市房价的空间差异 2，为研究多城市房价空间分布的研究开拓了道路。王霞、潘婷婷等学者则运用空间

14、插值法生成了上海、昆明等地的住宅价格空间分布等值线图，并以此对城市内部房价的空间性进行分析3-4。之后还有学者采用克里金差值法得到哈尔滨市不同区域的房价等值线图，并在此基础上把地价和房价作为相互影响的因子来建立对比模型，研究出房价与地价之间的关系。孙宁等学者利用克里金插值方法和地统计分析方法对合肥市房价空间分布规律及影响因子进行研究，并且绘制出了合肥市商品房价分布等值线图5；宋利利等学者通过GIS空间分析的方法得出新乡市房价的分布格局，其中交通条件、教育资源的分布是影响住宅分布的主要因素6。但是对于基础设施分布情况的研究也比较粗略，因此需要多方面信息的采集，如进行实地调查、文献查询，对相关研究

15、进行弥补，使结论更加合理。1.2.2 住宅价格的GWR模型的运用进展与现状GWR模型是地理加权回归（Geographically Weighted Regression）的简称，早在1996年就被国外学者提出，为后来深入研究空间关系提供了新的思路。在地理加权回归：空间变化关系的分析一书中，作者系统的详细地解释了GWR模型的原理、参数选择和差异等内容。目前国外的学者已经对GWR模型有了较为成熟的理论体系，并在经济学、地理学、城市规划等方面得到了充分的应用。学者通过研究发现GWR模型可以得到更大的拟合系数和更小的模型残差，并且相比传统的一般线性回归模型GWR模型的参数估计有更加明显的影响。Nore

16、sah等学者对比使用OLS模型和GWR模型，来研究马来西亚的吉达市在2002以往的十年间城市空间的发展结构，结果表明地理加权回归模型（GWR）比最小二乘法模型（OLS）的参数估计更加精确7。之后GWR模型也应用到房产价格的研究领域，Brunsdon和Fotheringham两位国外学者最开始运用GWR模型实证研究了英国Kent郡的房价与楼地板面积之间的关系，并通过最小二乘法（OLS）进行对比，证明了GWR模型比一般的线性回归模型更为优越8。GaoX等研究人员分别采用特征价格模型和GWR模型分析了空间特征对地价和房价的影响，实验表明两种模型对实验数据都有解释能力，但GWR模型相比特征价格模型拟合

17、效果和解释能力更强9。Brunauer在2010年利用混合地理加权模型方法。研究了奥地利住宅本身的建筑属性预期周边环境对住宅价格的影响，研究证明部分变量对住宅价格的影响程度具有空间异质性，而某些因素对价格的影响在奥地利的不同地区有显著的差异。 近年来，国内也开始使用GWR模型对空间数据进行分析，学者们纷纷利用GWR模型来研究房地产领域。罗罡辉等学者运用探索性空间数据分析技术验证了杭州市地价空间非平稳性，并使用GWR模型进行空间分析，并解释分析影响因素对模型结果的影响10。刘贵文等学者运用地理加权回归模型（GWR），以重庆市为研究对象，分析不同影响因素在不同区域对房价的影响，结果显示，交通资源，

18、商业市场，公服设施都是影响房价的关键影响因子11。汤庆园等学者以上海市为研究对象构建地理加权回归（GWR）模型对各小区房价进行研究，并与基于全局最小二乘法（OLS）的计算结果对比，分析出上海房价的空间分异特征以及各个影响因子对房价的影响程度。并通过GWR模型的可视化功能，将城市房价的整体情况直观的进行直观的展示12，通过对比更加明显的表现出地理加权回归（GWR）模型的优点。本系统则采用地理加权回归（GWR）模型对房价影响因子进行研究并使用其结果对住宅价值进行预测，是因为地理加权回归（GWR）在与传统的最小二乘方法比较时发现, 地理加权回归（GWR）模型的拟合效果更好、解释能力更强13，可以更好

19、的把握住宅地价作用的空间结构总体趋势，其次GWR模型在局部参数估计方面存在优势。1.2.3 房价预测研究现状目前，我国的经济突飞猛进，房产价格也随着经济的发展而提高，房价开始成为人们尤为关心的话题，学者们也试图对房价做出科学有效的预测。但由于房价与民生和政策息息相关，会受到诸多因素的影响，很难通过一些简单的数学模型对其进行预测，因此房价预测无论是在经济学、统计学还是计算机科学等领域都是一个很复杂的问题。目前，学界对房价预测的研究有了多种模型，如多元线性回归模型、灰色理论预测模型、马尔科夫预测模型、神经网络等模型。多元线性回归模型是多元统计方法之一，在房价预测研究领域得到广泛运用。近些年国内一些

20、学者也开始运用各种方法来对房价进行预测当下，例如基于BP神经网络的房价预测模型，基于灰色分析对各个省份商品住宅价格的预测以及基于多种机器学习算法的房价预测等等。1.3 研究目标与研究内容（1）本作品以滁州市为例，对滁州市基础地理数据，小区住宅数据，周边资源数据等进行矢量化，对房价数据的爬取，以及对公共服务设施数据进行统计分类整理，最后实现在系统中能够对以上数据进行查询、统计、分析。（2）同时本系统实了现对房产价格的查询、展示、制图，并利用克里格插值、GWR模型等空间分析功能，分析一个城市房价的空间分异特征以及找到影响住宅价格的主要因子，最后根据分析结果预测在售房产价格，为消费者购房提供参考。（

21、3）利用地理加权回归模型，基于SSM框架，地图服务利用ArcGIS Server与ArcGIS API for JavaScript设计和开发B/S架构开发出房产推荐系统，实现基于用户和房价空间分析，房价预测以及对房产信息的查询、统计和分析功能，解决用户选房的困难。（4）BeautifulSoup网络爬虫，Beautiful Soup 可以通过Python式函数获取到一个HTMl中的数据，并通过用户需要的转换器实现常用的文档导航,查找,修改。它可以通过解析文档抓取到用户所需要的数据，因此简单的代码就可以编写出一个完整的程序应用。BeautifulSoup同时还可以将输入文档自动转换为Unico

22、de编码，输出文档转换为utf-8编码。1.4 论文组织 本文基于滁州市房价空间分析及房价预测现状，研究并实现可视化的方式展示滁州市房价的变化状况以及相关影响因子对房价的影响；实现对滁州市房价的综合管理，系统包括对数据的统计展示、空间分析、预测输出等功能，为购房者或是政府部门搭建一个能提供辅助决策的智慧系统平台。本次系统的主要内容包括：第1章：绪论，立足国内房价空间分析及房价预测现状，分析房价房价空间分析及房价预测的背景、研究意义和房价空间分析及房价预测的趋势。第2章：关键技术，重点描述了系统采用的关键技术，例如ArcGIS API for JavaScript、SSM框架、ArcGIS Se

23、rver并采用Web GIS对房价进行空间分析及预测，同时描述了房价空间分析及房价预测的原理和主要方法。第3章：系统需求分析，对系统的功能进行概述，站在用户的角度对系统需求进行详细分析，系统需求分析包括功能需求和性能需求两大部分。第4章：系统设计，主要包括系统功能设计和数据库设计，描述了系统相关的功能模块以及系统数据库各种数据表格的设计结构。第5章：系统实现，包括系统开发和运行环境以及功能展示，对整个系统的主要功能进行展示，并对房价空间分析及房价预测将来的发展进行阐述分析。第6章：总结与展望，总结系统的优势之处和不足之处，展望系统能对Web GIS和房价空间分析及房价预测发展工作提供多少实际的

24、意义。2 关键技术2.1 ArcGIS ServerWeb GIS融合了GIS和互联网技术，将空间数据以网络化的方式智能，高效的展示给用户，并帮助用户提供辅助决策。用户便可以通过互联网便捷、清楚的查看到地理空间数据和属性数据。Web GIS利用互联网技术来开拓GIS技术，以GIS为核心实现其在网络环境下管理、分析空间信息的功能。Web GIS拥有很好的特性，更加开放、便捷、易集成。同时Web GIS便与数据共享，用户可以在同一时间访问相同或不同的服务器中的数据。用户不需要在自己的电脑上安装GIS软件客户端，在互联网上就可以查看管理地理数据和GIS分析结果。大大降低了Web GIS开发管理的成本

25、。2.2 ArcGIS API for JavaScriptArcGIS API for JavaScript是美国ESRI公司为用户提供的Web GIS开发接口，它与其它语言的不同之处在于它是基于的是dojo框架。开发人员可以使用ArcGIS API for JavaScript把地图服务和其它地理数据资源应用到Web网页展示给用户。ArcGIS API for JavaScript可以通过调用ArcGIS Server的GP服务来为用户展示专业的GIS分析结果，同时使用WEB技术使相关的地理数据和GIS分析结果可视化，并开放的展示给用户。ArcGIS API for JavaScript可

26、以将GIS和Web技术很好的结合实现了地理信息的可视化，并在此基础上开发出高效便捷的地理信息网络系统。2.3 ArcSDEArcSDE是介于客户端和服务器数据库的中间件，客户端可以通过ArcSDE来快速访问服务端的海量的空间数据，ArcSDE支持管理矢量和栅格数据，实现了空间数据的C/S存取模式，解决了以往多用户访问空间数据的一系列问题。ArcSDE是一种服务端产品，它可以的充分的利用数据库管理机制，比如双机热备、数据影射和其它安全机制等，并以对象的形式把空间数据储存在各种关系型数据库管理系统中。此外，ArcSDE还有一大特点就是能够建立多级索引或R树检索的方式快速查询到目标，因此可以大大提高

27、多用户并发访问时的效率。图2-1 ArcGIS服务架构原理图2.4 Redis数据结构服务器REmote DIctionary Server(Redis) 是一个由Salvatore Sanfilippo写的keyvalue存储系统。Redis是一个开源的使用ANSI C语言编写、遵守BSD协议、支持网络、可基于内存亦可持久化的日志型、KeyValue数据库，并提供多种语言的API。 Redis是一个key-value存储系统。解决数据在断电后完全丢失的问题，提供多种value（值）类型，除了String (字符串)外，它还支持lists（链表）、sets（集合）、Hash (哈希)和有序集合

28、zsets（有序集合）等数据类型。2.5 Beautiful Soup网络爬虫Beautiful Soup通过利用Python式函数解析文档爬取到用户需要的数据。因为Beautiful是轻量的，所以通过简单的代码Beautiful Soup就可以完成一个程序应用。同时Beautiful Soup可以将输入文档自动转换为Unicode编码，输出文档转换为utf-8编码。现如今的Beautiful Soup是一款性能优异的Python解释器，给用户提供了灵活的解析策略和强大的速度。我国商品住宅种类多种多样，有普通商品住宅、公寓、别墅等。其中普通商品住宅空间分布范围广，在房地产市场占有很大比例，因此

29、选择普通商品住宅为研究对象。在分析滁州市商品住宅价格空间分异特征时采用的商品住宅价格统一是选取小区样本点数据的市场销售均价，而采集样本点的销售均价主要来源于安居客。使用Beautiful Soup网络爬虫技术，根据58同城、滁州房产网、滁州市房地产交易网及自己实地走访调查进行补充，通过不同渠道，选取出275个的小区样本点数据，包括样本楼盘的名称、2018年最新售价、地址、商品描述，建立空间属性数据库，如表所示。图2-2 Beautiful Soup爬取滁州市商品住宅示意图2.6 SSM框架SSM框架包括Spring、SpringMVC、MyBatis三项技术。Spring是轻量级的可以替代重量

30、级的Java，它是现在开发中流行的组件进行组合而成的一个框架。它用在基于MVC的表现层开发，类似于struts2框架。Spring的核心思想是IoC（控制反转），开发人员不需要再去new一个对象，而是让Spring框架帮你来完成这些工作。SpringMVC在项目中拦截用户请求，它通过Servlet即DispatcherServlet将用户请求通过HandlerMapping去匹配Controller，Controller就是具体对应请求所执行的操作。SpringMVC类似于SSH框架中struts。Mybatis原本apache的一个开源项目iBatis, 它是一个基于Java的持久层框架。不

31、管是Mybatis、Hibernate都是ORM的一种实现框架，即JDBC的一种封装。Mybatis使用配置文件关联到各实体类的Mapper文件，在Mapper文件匹配了每个类在数据库需要进行的sql语句映射。在与数据库的每次交互过程中，利用sqlSessionFactory取得sqlSession，然后再执行sql命令。图2-3 SSM框架结构示意图2.7克里金插值法克里金插值法是一种最优、线性、无偏的内插估计量。在我们日常研究过程中，我们很难观测到空间中的每一个点，但克里金插值法能够设置某区域相关的样本点来表达某个空间分布的整体或局部特征，最后使用空间内插的方法来获取未采样点的相关值大小。

32、换而言之，就是通过已知点数据来估算某个研究区域内未知点的数据，同时将离散点的数据转换成连续数据曲面的方法就是空间插值法。克里金插值法则是一种空间局部估计，是在变异函数理论基础上，对某研究范围内域化变量的数据进行线性无偏最优估计。其实，无偏就是指偏差的数学期望为，最优是控制估计值与实际值差值的平方和最小。所以，克里金插值法要求样本数据的随机误差的平均值为，而且要使每一对的随机误差没有空间自相关性，因此当我们在使用克里金插值时，样本点数据需要满足正态分布。在不同的研究和应用当中，克里金插值法又分为很多种类型。空间插值法是通过对已知样本点的数据来研究空间未知样点的数据情况。最常用的两种插值方法有克里

33、格插值法和反距离加权插值法，由于通常情况下反距离加权插值法计算出的结果数据精度相对较低。所以，本文采用克里格插值法，它以半变异函数理论为分析基础，插值得到的结果比同类插值结果精度高，是一种应用广泛的无偏最优插值法。在整个的插值过程当中，克里格插值法既结合样本点数据之间的空间距离，又参照各样本点数据之间的位置关系，因此所得的结果通常比较精确。克里格插值法的公式为： （2-1） 公式当中，为权重系数，其总和应为1；为观测样本点数据值，它们都位于区域内位置，采用上述公式可以得到研究范围内任意点的理论估计值。但是空间插值的必要条件是插值数据满足正态分布。运用arcgis软件地统计单元中的Corigri

34、ng对滁州市商品房价格空间分布进行空间差值分析。2.8地理加权归回模型2.8.1模型基本原理地理加权回归模型（GWR）在是相对传统的线性回归分析模型的一种扩展，地理加权回归可以对局部的参数进行预测，根据线性回归模型中的系数将样本点的空间属性参与回归模型的计算，并通过研究观察样本点数据的空间地理位置，给研究回归关系中的空间特征提供可能性。地理加权回归模型（GWR）公式如下： （2-2）公式当中，是第i个点的因变量；是第j个自变量，在第i点的值；i为样本点记数，为自变量个数，j为自变量记数，为回归常数；为回归模型；为随机误差项。为第i个采样点的坐标；是第i个采样点上的第j个回归参数，是地理位置的函

35、数。2.8.2空间权重函数的选择在地理加权回归模型（GWR）的实际研究中，高斯函数是研究人员经常采用的一种空间权重函数：高斯函数： （2-3）双重平方函数： （2-4）其中：b为带宽，指样点i和j的距离。3 系统需求分析3.1 系统概述本系统每个环节的工作都展开了严谨、细致的分析讨论，系统实施开发前总结出系统相应的各项需求，并准确的理解掌握各项需求的具体内容。同时，本系统采用的各种数据资源、创建流程等多项工作，都进行深入的分析和研究，在此基础上再着手对系统进行开发。本系统基于地理加权回归模型的房价分析及预测，基于SSM框、地图服务，利用ArcGIS Server与ArcGIS API for

36、JavaScript设计和开发B/S架构开发出房产推荐系统，实现基于房价预测功能以及对房产信息的查询、统计和分析功能，解决用户选房的困难。3.2 功能需求分析（1）系统主要包含两大平台、六大模块。“两大平台”分别是公众平台和管理平台。“五大模块”分别是数据台账模块、简单查询模块、房价预测、用户管理模块、个人中心模块。（2）数据台账模块：该模块向用户展示滁州市基本的房源信息，包括滁州市管理边界，滁州市房价走势，滁州市城区房价对比，滁州市公服设施数量信息；（3）简单查询模块：该模块可以在地图上查询用户想要查找的小区，并把该小区的详细信息展示给用户，该模块主要包括模糊查询、多条件查询、属性查询、空间

37、查询。（4）房价预测模块：该模块可以使用户选择想要预测的小区，用与该预测小区的相似的小区来预测小区的价格，包括GWR模型数据展示，克里金插值功能，房价预测功能。（5）个人中心模块：该模块向用户展示自己收藏的小区，以及个人安全信息的设置。通过用户自己收藏的小区，方便用户进行小区信息的对比。4 系统设计与实现图4.1系统技术路线4.1系统技术流程图图4-2 系统实现路线4.2 系统功能设计图4-3 系统功能设计你看看这个图和你下面的模块是不是一致的！4.2.1 数据查询模块（1）简单查询数据统计主要展示每个小区的详细信息主，也可以输入小区名字来精确查询到符合条件的小区详情。（2）条件查询在用户选择

38、的行政区划、房源类型、价格以及面积的基础上查询出符合用户条件的小区并在地图上把小区所在位置展示给用户，并展示该小区的详细信息。（3） 公共设施查询用户选择想要查询的街道，查看到该街道的公共设施的统计图表。（4） 缓冲区查询用户选择合适的缓冲区，系统会给用户展示该小区的详细信息。（5） 周边设施查询用户选择小区，缓冲区半径，以及设施种类，系统统计出该小区缓冲区内某一具体周边设施的统计图表。4.2.2 房价分析模块房价分析模块主要包括滁州市房价地图、二维热力图以及三维热力图的展示，在价格分析页面中可以直观的的看到滁州市各个小区的房价，通过点击小区可以展示该小区近三年的房价变化。（1）价格分析在地图

39、上向用户展示滁州市各个小区房源的分布，点击可查看各个小区的房价，以及近几年的房价的走势。（2）二维热力图在二维地图上向用户展示滁州市房价的空间分布特征。（3） 三维热力图在三维地图上向用户展示滁州市房价的空间分布特征。4.2.3 房价预测模块（1）GWR模型数据展示用户可以查看不同的影响因子的回归系数，同时也可以查看到不同影响因子在空间上对房价影响的分布特征。（2） 克里金插值根据克里金插值的结果分析，向用户展示滁州市的房价在总体上的模式。（3）房价预测用户选择需要预测的小区，通过与该小区的相似小区的GWR参数值，计算出预测小区的价格。4.2.4 用户管理模块（1）注册用户功能用户注册，基本信

40、息注册，账号系统赋予，填写用户名，昵称，密码，年龄，购房资金，学历等基本信息，账户注册后初始类型为普通用户。（2）用户管理功能用户管理功能包含用户信息查询、用户信息编辑、用户信息修改、删除用户、用户角色管理等。（3）角色管理功能角色管理功能包括系统角色信息的添加、角色信息的修改、角色信息的删除、角色信息的查询及角色权限的关联等功能。（4）权限管理功能权限管理包括权限信息添加、权限信息编辑、权限信息删除、权限查询及权限关联管理等功能。（5）个人中心展示个人详细信息及管理用户信息入口处。4.3数据库设计4.3.1标识符和状态数据库软件：本数据库设计的数据库管理系统为Oracle11g，版本号为11

41、.2.0.4。同时也可以很方便的形成基于其他关系型数据库如DB2、SQLServer等的数据库设计。数据库名称：SDE。4.3.2命名约定数据库的设计应该符合并遵守以下原则：1、对象名称一律采用大写字母，单词之间以下划线（“_”）分割，如：ZZ_XM、ZZ_ZM_LX；2、属于相同模块的对象第二个单词应该相同；3、字段必须采取和实际数据相符合的数据类型，如：不应该把日期数据定义为字符型； 4、不要在对象名的字符之间留空格； 5、尽量避免使用数据库特有的数据类型，如ORACLE的STRUTS类型；尽量避免使用触发器、存储过程等； 6、避免使用动态创建表或者字段的设计； 7、每个表的字段最好不要超

42、过30个； 8、对象命名都应该使用正确的英文单词，禁止使用汉语拼音；9、要注意保留词，要确保保留词和命名以及数据库或系统采用的方法名没有冲突。4.3.3设计约定本系统运用了面向对象的方法对数据库进行设计。通常最先展开对象实体的设计，接着把实体对象高效、持久的输入到数据库中，并把数据库中的各个表之间进行相互关联，通过这种方法使得整个系统的设计和数据库设计进行合理的、紧密的结合。4.3.4空间数据表设计图4-4 ArcSDE表空间4.3.5数据表结构设计图4-5 用户系统逻辑设计图4.3.6空间数据表表4-1 政府服务单位位置点数据表 （CHZHOUSERVER）序号字段名字段描述默认值字段类型是

43、否主键是否非空注释1.OBJECTID政府点数据IDINTEGERYNPrimary key2.NAME单位名NVARCHAR2(254)NN3.TYPE单位类型NVARCHAR2(254)NN4.ADDR地址NVARCHAR2(254)NN5.DISTRICT所属区NVARCHAR2(254)NN6.STREET所在街道NVARCHAR2(254)NN7.ADDRESS详细地址NVARCHAR2(254)NN8.TYPENUM单位类型编码NUMBER(5)NN9.SHAPE单位空间点数据MDSYS.SDO_GEOMETRYNN表4-2 学校及车站空间面数据表 （CHZU_PLOYGON_PR

44、OJECT）序号字段名字段描述默认值字段类型是否主键是否非空注释1.OBJECTID面数据IDINTEGERYNPrimary key2.NAME面数据名NVARCHAR2(254)NN3.NOTE面数据类型NVARCHAR2(254)NY4.SHAPE空间面数据MDSYS.SDO_GEOMETRYNY表4-3 公共服务设施位置点数据表 （CHZU_POINT_PROJECT）序号字段名字段描述默认值字段类型是否主键是否非空注释1.OBJECTID公共服务设施点数据IDINTEGERYYPrimary key2.NAME公共服务设施名NVARCHAR2(254)NY3.TYPE公共服务设施类型

45、NVARCHAR2(254)NY4.ADDR地址NVARCHAR2(254)NY5.DISTRICT所属区NVARCHAR2(254)NY6.STREET所在街道NVARCHAR2(254)NY7.ADDRESS详细地址NVARCHAR2(254)NY8.TYPENUM公共服务设施类型自定义编码NUMBER(5)NY9.SHAPE公共服务设施空间点数据MDSYS.SDO_GEOMETRYNY表4-4 房源位置点数据表 （HOUSE_POINT_INFO）序号字段名字段描述默认值字段类型是否主键是否非空注释1.OBJECTID小区数据IDINTEGERYN2.NAME小区名NVARCHAR2(254)YNPrimary key3.TYPE小区类型NVARCHAR2(254)NY4.ADDR地址NVARCHAR2(254)NY5.DISTRICT所属区NVARCHAR2(254)NY6.STREET所在街道NVARCHAR2(254)NY7.ADDRESS详细地址NVARCHAR2(254)NY8.SHAPE空间点数据MDSYS.SDO_GEOMETRYNY9.HOUSENUM门牌号NVARCHAR2(50)NY10.PRICE房价均价NUMBERNY11.HOUSE_HEIGHT房源高度类型NVARCHAR