MCP Property Evaluation

物业估价和价格预测MCP服务器

模型上下文协议（MCP）服务器，使用迪拜土地部（DLD）交易数据提供物业估值、价格预测和投资分析工具。

特性

• 自动估价模型（AVM）：使用可比销售分析估算房产价值
• 价格走势预测：通过时间序列分析预测未来价格
• 租金收益率计算：估计租金收入潜力
• 市场风险评估：分析市场波动性和稳定性
• 投资评分：整体投资评估和建议
• 可比销售价格：查询最近的类似交易

建筑

服务器支持双数据源：

• CSV模式：从本地CSV文件加载交易数据（默认）
• PostgreSQL模式：连接到PostgreSQL数据库进行大规模部署

安装

先决条件

• Python 3.9或更高版本
• pip包管理器

设置

1. 克隆存储库:

   git clone 
   cd MCP-Property-Evaluation

1. 安装依赖项:

   pip install -r requirements.txt

1. 配置环境变量:

   cp .env.example .env

编辑 .env 并配置您的数据源：

对于CSV模式:

   DLD_DATA_SOURCE=csv
   DLD_CSV_PATH=./data/transactions-2025-11-16.csv

对于PostgreSQL模式:

   DLD_DATA_SOURCE=postgres
   DATABASE_URL=postgresql://user:password@localhost:5432/dld_db
   DATABASE_TABLE=dldtransactions

1. 添加您的交易数据:

- 将CSV文件放在 data/ 目录，或 - 使用DLD事务模式配置PostgreSQL数据库

数据模式

CSV格式

CSV应包含以下列：

PostgreSQL架构

CREATE TABLE dldtransactions (
  id SERIAL PRIMARY KEY,
  transaction_number VARCHAR(50),
  instance_date TIMESTAMP,
  group_en VARCHAR(50),
  procedure_en VARCHAR(100),
  is_offplan_en VARCHAR(20),
  is_free_hold_en VARCHAR(20),
  usage_en VARCHAR(50),
  area_en VARCHAR(100),
  prop_type_en VARCHAR(50),
  prop_sb_type_en VARCHAR(50),
  trans_value NUMERIC,
  procedure_area NUMERIC,
  actual_area NUMERIC,
  rooms_en VARCHAR(20),
  parking INTEGER,
  nearest_metro_en VARCHAR(100),
  nearest_mall_en VARCHAR(100),
  nearest_landmark_en VARCHAR(100),
  total_buyer INTEGER,
  total_seller INTEGER,
  master_project_en VARCHAR(100),
  project_en VARCHAR(100)
);

用法

运行服务器

python src/server.py

服务器将启动并可供MCP客户端连接。

可用工具

1.估计值_属性值

使用可比销售分析估算房产价值。

参数:

• property_type （string）：'公寓'，'别墅'，'联排别墅'，“商业”，'顶层公寓'
• area_name （string）：位置/区域名称
• actual_area （浮动）：物业面积（平方米）
• bedrooms （int，可选）：卧室数量
• is_offplan （bool，可选）：计划外状态
• usage （字符串，可选）：“住宅”，“商业”

退货:

{
  "estimated_value": 1500000.0,
  "confidence_score": 85.5,
  "price_per_sqm": 15000.0,
  "comparable_count": 42,
  "similar_properties": [...],
  "value_range": {
    "low": 1400000.0,
    "median": 1500000.0,
    "high": 1600000.0
  }
}

示例:

Agent: What's a fair price for a 2-bedroom flat in Dubai Marina with 100 sqm?

Use: estimate_property_value(
  property_type="flat",
  area_name="Dubai Marina",
  actual_area=100,
  bedrooms=2
)

2.预测_价格_趋势

预测一个地区的未来价格趋势。

参数:

• area_name （string）：要分析的位置
• property_type （string）：属性类型
• prediction_horizon （int）：1、3或6个月
• bedrooms （int，可选）：按卧室过滤

退货:

{
  "current_price_sqm": 15000.0,
  "predicted_price_sqm": 15750.0,
  "trend_direction": "up",
  "trend_percentage": 5.0,
  "transactions_analyzed": 156,
  "prediction_confidence": 78.5
}

3.计算剩余产量

估算租金收益潜力。

参数:

• area_name （string）：位置
• property_type （string）：属性类型
• actual_area （浮动）：物业面积（平方米）
• bedrooms （int，可选）：卧室数量
• is_offplan （bool，可选）：计划外状态

退货:

{
  "estimated_purchase_price": 1500000.0,
  "estimated_monthly_rent": 8125.0,
  "estimated_annual_rent": 97500.0,
  "annual_rental_yield": 6.5,
  "confidence": 85.5,
  "market_sample_size": 42
}

4.评分_市场_风险

评估市场风险和波动性。

参数:

• area_name （string）：要分析的区域
• property_type （字符串，可选）：属性类型筛选器
• analysis_period_months （int）：分析周期（默认值：12）

退货:

{
  "market_volatility_score": 35.2,
  "price_stability": "medium",
  "transaction_frequency": "high",
  "recent_activity": 87,
  "trend_strength": 72.5
}

5.评估_投资_潜力

整体投资评估和建议。

参数:

• area_name （string）：位置
• property_type （string）：属性类型
• actual_area （浮动）：物业面积（平方米）
• bedrooms （int，可选）：卧室数量
• purchase_price （浮动，可选）：购买价格（如果没有提供，则为估计价格）
• is_offplan （bool，可选）：计划外状态
• investment_horizon_months （int）：投资期限（默认值：36）

退货:

{
  "investment_score": 78.5,
  "recommendation": "buy",
  "expected_appreciation": 15.5,
  "rental_yield_annual": 6.5,
  "combined_return": 22.0,
  "risk_level": "medium",
  "key_factors": [
    "Strong price appreciation expected",
    "High rental yield potential",
    "Stable market with low volatility"
  ]
}

示例:

Agent: Is Downtown Dubai a good investment area right now?

Use: evaluate_investment_potential(
  area_name="Downtown Dubai",
  property_type="flat",
  actual_area=85,
  bedrooms=2,
  investment_horizon_months=36
)

6.获取_可复制_销售

获取最近的可比销售交易。

参数:

• area_name （string）：位置
• property_type （string）：属性类型
• bedrooms （int，可选）：卧室数量
• actual_area （浮动，可选）：按面积过滤（±10%范围）
• limit （int）：最大结果（默认值：20）

退货:

{
  "sales": [
    {
      "transaction_number": "102-49493-2025",
      "instance_date": "2025-08-01",
      "price": 1669000.0,
      "area_sqm": 76.95,
      "price_per_sqm": 21690.0,
      "rooms": "2 B/R",
      "bedrooms": 2,
      "parking": 1,
      "project_name": "CAPRIA EAST",
      "is_offplan": "Off-Plan",
      "days_ago": 45
    }
  ],
  "total_count": 15
}

7.数据统计

获取已加载事务数据的统计信息。

退货:

{
  "total_transactions": 50000,
  "date_range": {
    "start": "2020-01-01",
    "end": "2025-11-15"
  },
  "unique_areas": 250,
  "unique_property_types": 15,
  "total_value": 150000000000.0
}

配置选项

环境变量

项目结构

MCP-Property-Evaluation/
├── src/
│   ├── server.py              # Main MCP server
│   ├── data_loader.py         # Data loading (CSV/PostgreSQL)
│   └── analysis_engine.py     # Analysis logic
├── data/
│   └── transactions-*.csv     # Transaction data (CSV mode)
├── .env.example               # Environment template
├── requirements.txt           # Python dependencies
└── README.md                  # This file

分析方法

可比销售分析

• 按面积、物业类型和规模过滤交易（±20%容差）
• 使用过去12个月的数据
• 使用IQR方法删除统计异常值
• 基于样本量和方差计算置信度

价格走势预测

• 分析滚动窗口（3、6、12个月）
• 使用线性回归进行趋势分析
• 基于R平方和数据量的置信度
• 季节性因素

风险评分

• 用变异系数衡量的波动性
• 交易频率表明市场流动性
• 基于价格走势一致性的趋势强度

投资评分

• 结合升值、租金收益和风险
• 权重：回报（60%）、风险（30%）、信心（10%）
• 建议：strong_buy（75+），buy（60-75），hold（40-60），避免（\<40）

性能优化

• 内存缓存：可配置间隔的缓存数据（默认值：24小时）
• 索引查询：按区域和物业类型优化过滤
• 高效计算：NumPy/Pandas矢量化操作
• 智能默认值：丢失数据的合理回退

错误处理

服务器优雅地处理：

• 数据缺失或不完整
• 无效参数
• 可比销售额不足
• 数据库连接问题

所有错误都会返回结构化的JSON，并带有清晰的错误消息。

发展

运行测试

# TODO: Add test suite
python -m pytest tests/

贡献

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 提交拉取请求

许可证

\[添加许可证信息\]

支持

对于问题、疑问或贡献，请在GitHub上打开问题。

更新日志

版本1.0.0

• 初始版本
• 7个用于属性分析的MCP工具
• CSV和PostgreSQL数据源支持
• 综合估值与投资分析