论文总字数：29140字

摘 要

随着计算机性能的突破和数据采集方式的革新，人工智能、机器学习和深度学习得到许多关注，越来越多的行业将其作为未来发展方向。在房地产评估行业，由于影响房地产价格的因素多种多样，尤其是空间影响因素，其内部规律复杂多变难以把握，单纯的采用人工评估方式很难保证评估结果的客观性和准确性。上个世纪就有学者将神经网络应用到房地产预测评估领域，但大多数的研究都有一定的局限性，一是训练样本数据普遍较少，模型适用范围小；二是只考虑了住宅自身影响因素，没有顾及到住宅空间性，忽略很多空间维度的影响因素，模型预测精度低；三是绝大多数的研究都只停留在利用神经网络和相关区域的基本社会数据，对整个区域内的房价进行拟合，从而对区域的房价趋势进行分析，并没有涉及到对区域内部各住宅区的研究。基于此本文进行了基于神经网络的城市住宅价格预测研究。

通过对住宅价格相关理论和传统评估方法的分析，确定住宅价格空间影响因素和评估模型方法，构建空间影响因素的指标体系；对比各个深度学习框架的优缺点，采用TensorFlow作为模型框架；简要介绍主流的深度神经网络模型，包括卷积神经网络和循环神经网络的模型结构、应用领域和模型缺陷。并综合其优缺点采用自适应的模型框架，提高模型应用范围。

神经网络训练需要大量的样本数据，采用基于Python的第三方插件编写网络爬虫，从房屋交易网站获取交易数据，将获取的数据存入数据库中；使用空间聚类分析和空间自相关原理对住宅房产进行区域划分，先通过DBSCAN聚类方法对数据预处理，去除数据异常值；再使用改进的K-means算法进行聚类，根据空间自相关原理对聚类结果进行区域划分；基于TensorFlow构建神经网络模型，采用自适应模型框架对数据进行训练，预测，以及效果评估。针对预测结果对南京市区短期住宅房产价格进行较为精确的预测和趋势分析。

关键词：房地产业；房价；空间聚类分析；神经网络模型

ABSTRACT

With breakthroughs in computer performance and innovations in data collection methods, artificial intelligence, machine learning, and deep learning have attracted much attention, and more and more industries regard it as the future direction of development. In the real estate appraisal industry, a variety of factors affects real estate prices, especially the spatial influence factors, the internal laws are complicated and difficult to grasp. And it is difficult to ensure the objectivity and accuracy of the assessment results by adopting manual assessment methods. In the past century, some scholars applied neural networks to real estate forecasting and assessment. However, most of the studies have certain limitations. First, training data are generally less, and the scope of application of the model is small. Second, only the impact of the residence itself is considered. Factors that do not take into account residential spatiality, ignore many spatial dimensions of the influencing factors, model prediction accuracy is low; third, the vast majority of research only stays in the use of neural networks and related areas of basic social data, prices for the entire region Fitting to analyze the trend of house prices in the area does not involve the study of residential areas within the area. Based on this article, the prediction of urban housing price based on neural network is studied.

Through analysis of the theory of house price related and traditional evaluation methods, the spatial influencing factors of housing prices and evaluation model methods are determined to construct an index system of spatial influencing factors. By comparing the advantages and disadvantages of various deep learning frameworks, TensorFlow is used as a model framework; The deep neural network model includes convolutional neural networks and recurrent neural network model structures, application areas, and model defects. And synthesize its advantages and disadvantages by adopting an adaptive model framework to improve the scope of application of the model.

Neural network training requires a large amount of sample data, uses a Python-based third-party plug-in to write a web crawler, obtains transaction data from a housing transaction site, stores the acquired data in a database, and uses spatial clustering analysis and spatial autocorrelation principles for residential real estate. For regional division, the data was preprocessed by DBSCAN clustering method to remove data outliers. Then the improved K-means algorithm was used for clustering. The clustering results were divided according to the spatial autocorrelation principle. The neural network was constructed based on TensorFlow. The model uses an adaptive model framework to train the data, predict, and evaluate the effect. Based on the forecast results, a more accurate forecast and trend analysis of the short-term residential real estate prices in Nanjing was conducted.

KEYWORDS:Real estate; House Prices; Spatial Clustering analysis; Neural Network model

目 录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究综述 2

1.2.1 房地产评估研究现状 2

1.2.2 神经网络在房地产评估中的研究现状 2

1.3 研究内容与技术路线 3

1.4 论文组织框架 5

第二章 住宅价格空间影响因素体系 7

2.1 相关理论 7

2.1.1 价格理论体系 7

2.1.2 区位理论体系 7

2.2 影响因素分析 8

2.2.1 自身影响因素 9

2.3.2外部影响因素 10

2.3 影响因素体系构建 12

2.4 本章小结 15

第三章 神经网络 17

3.1 深度学习与神经网络 17

3.2 深度学习框架比较 18

3.3 深度神经网络模型 19

3.3.1 卷积神经网络 19

3.3.2 循环神经网络 20

3.4 长短时记忆神经网络 21

3.4.1 LSTM神经网络模型结构 21

3.4.2 LSTM前向传播算法 22

3.4.3 LSTM反向传播算法 24

3.5 本章小结 25

第四章 自适应预测模型构建 26

4.1 数据和研究范围 26

4.2 聚类分析 27

4.2.1空间聚类分析 27

4.2.2聚类性能度量 28

4.2.3聚类算例 29

4.3 神经网络 31

4.3.1超参数设置 31

4.3.2模型优化 32

4.3.3神经网络算例 33

4.4 住宅价格短期预测 36

第五章 总结与展望 38

5.1 总结 38

5.2 展望 38

参考文献 40

致 谢 44

第一章 绪论

1.1 研究背景与意义

住宅价格预测评估属于房地产评估范畴，是对住宅价格的一种客观合理的推测、估计或判断。随着房产市场的日益繁荣，对住宅成交价格出具科学准确的预测，已成为住宅投资决策和交易行为中不可缺少的环节。住宅价格通常由交易时间段内多种影响因素共同作用的结果决定，这些影响因素大致可以分为时间和空间两个维度。时间维度包括政策、经济、金融等因素；空间维度主要是区域位置、周边设施和环境等因素^[1]。传统评估方法中市场比较法使用较为广泛，该方法评估目标与邻近评估时间段和邻域空间内的类似住宅进行比较，对相似的样本进行各种改正，最终得到待评估住宅价格。然而影响住宅价格的因素多种多样，且其内部规律复杂多变难以把握，单纯的采用人工预测评估方式很难保证评估结果的客观性和准确性。因此，利用大量的、可供比较的交易数据并借助计算机辅助分析成为住宅价格预测的新趋势。

神经网络是一种类似生物神经网络的数学模型，其独特的非线性的数据处理方式更使得神经网络模型广泛应用于各项领域，同时也是对传统模型构建方法的一次深刻的革新。早在上个世纪就有学者将神经网络应用到房地产预测评估领域^[2] ，但大多数的研究都有一定的局限性，一是训练样本数据普遍较少，模型适用范围小；二是只考虑了住宅自身影响因素，没有顾及到住宅空间性，忽略很多空间维度的影响因素，模型预测精度低；三是绝大多数的研究都只停留在利用神经网络和相关区域的基本社会数据，对整个区域内的房价进行拟合，从而对区域的房价趋势进行分析，并没有涉及到对区域内部各住宅区的研究^[3-10]。

请支付后下载全文，论文总字数：29140字