臺灣博碩士論文加值系統

現今不動產價格估算往往是由不動產估價師利用專業的知識、豐富的經驗、相關的資料與精準的判斷，才能夠算出合理的不動產價格。但卻因為不同的估算師也會有不一樣的結果，缺乏一套客觀的標準。本研究利用特徵價格法的特徵因子為評估基準，參考國內外相關文獻，找出影響不動產價格的特徵因子，並且利用統計方法(SPSS)篩選出顯著影響房價的特徵因子，然後利用演化式模糊多元適應性雲形迴歸(Evolutionary Fuzzy Multivariate Adaptive Regression Splines, EFMARS)建立不動產估價模型，藉由模式訓練與測試，找出輸入(特徵因子)與輸出(單價)的映射關係，推論合理的不動產價格。本研究特徵因子經過文獻整理與統計方法篩選過後，總共10個特徵因子，接著以台北市大安區與中正區蒐集2014年1月與2014年12月之歷史交易資料總共406筆。將訓練與測試資料隨機分成10組，利用交叉驗證準則(Cross Validation)的概念進行訓練與測試。預測結果以中正區之整體預測準確度優於大安區，在平均絕對百分比誤差(Mean Absolute Percent Error, MAPE)值方面皆小於10%，顯示預測結果屬於精準的預測，亦即預測模式具備解釋房價的能力。最後將EFMARS與人工智慧(Artificial Intelligence, AI)等方法進行比較，其結果亦優於類神經網路(Neural network, NN)、迴歸分析(Regression)與支持向量機(Support Vector Machine, SVM)，表示本研究應用EFMARS來推論不動產價格具有一定的可信度。

Nowadays, the real estate prices are often estimates by the Real Estate Appraisers use of professional knowledge, experience, relevant information and precise judgment. But the different estimators will have different results. Nevertheless, this estimation is vulnerable due to human bias. To eliminate possible human bias made by appraisers. The research objective is to establish an Evolutionary Fuzzy Multivariate Adaptive Regression Splines (EFMARS) model, based on the hedonic pricing concept, to predict urban real estate price. Literature review summarizes 10 features that commonly show up for the hedonic pricing approach. The data collection targets at historical housing transactions in Taipei city Daan and Zhong Cheng district from Jan, 2014 to Dec, 2014. The total of 406 were collected. The study assessed model performance using the k-fold cross validation method and a stratified 10-fold cross validation approach. The results demonstrate that the proposed model reaches under 10% in MAPE. Compared with other modules, the result is also better than the Support Vector Machine (SVM), Neural Network (NN) and Regression, display model has a certain credibility.

目錄
摘要 A
Abstract B
致謝 C
目錄 I
表目錄 IV
圖目錄 VI
第1章 緒論 1
1.1 研究動機 1
1.2 研究目的 3
1.3 研究範圍與限制 4
1.3.1 研究範圍 4
1.3.2 研究限制 5
1.4 研究流程 5
第2章 文獻回顧 9
2.1 不動產估價 9
2.1.1 不動產估價方法 9
2.1.2 影響不動產價格之特徵因子 14
2.2 演化式多元適應性雲形迴歸 22
2.2.1 多元適應性雲形迴歸 22
2.2.2 人工蜂群演算法 26
2.3 模糊理論 29
2.3.1 模糊邏輯推論 29
2.3.2 模糊集合 31
2.3.3 隸屬函數 33
2.3.4 解模糊化 34
2.4 支持向量機 35
2.5 類神經網路 37
2.6 迴歸分析 39
第3章 研究方法 40
3.1 演化式模糊多元適應性雲形迴歸(EFMARS) 40
3.1.1演化式模糊多元適應性雲形迴歸概念 40
3.1.2演化式模糊多元適應性雲形迴歸特性與限制 42
3.1.3演化式模糊多元適應性雲形迴歸應用程序 43
3.2演化式模糊多元適應性雲形迴歸架構 47
第4章 不動產價格估算模型 51
4.1演化式模糊多元適應性雲形迴歸可行性分析 51
4.1.1 參數設定 51
4.1.2 模式最佳化策略 52
4.2 不動產資料蒐集與分析 55
4.2.1 不動產資料來源 55
4.2.2 不動產資料調查與分析 57
4.2.3 初步特徵因子篩選與資料庫建立 60
4.2.4 特徵因子篩選與確立 62
4.2.5 正規化 68
4.3誤差衡量 69
4.4 模式訓練與測試 72
4.5 不同模組比較 75
第5章 結論與建議 87
5.1 結論 87
5.2 建議 88
參考文獻 90
附錄A 93
A-1 大安區資料庫 94
A-2 中正區資料庫 100

表目錄
表2.1 國內外不動產估算相關文獻 13
表2.1 國內外不動產估算相關文獻(續) 14
表2.2 內部特徵因子總表 17
表2.2 內部特徵因子總表(續) 18
表2.3外部特徵因子總表 19
表2.3外部特徵因子總表(續) 20
表2.3外部特徵因子總表(續) 21
表4.1 EFMARS參數設定值 52
表4.2 初步篩選後所採用之特徵因子與說明 61
表4.3 特徵因子與單坪售價相關性分析結果表 65
表4.3 特徵因子與單坪售價相關性分析結果表(續) 66
表4.4 相關性分析結果整理表 67
表4.5 相關性分析結果篩選後之模式因子 68
表4.6 MAPE的評估標準 71
表4.7 大安區EFMARS預測結果 74
表4.8 中正區EFMARS預測結果 74
表4.9 大安與中正區預測結果比較 75
表4.10 大安區Neural network預測結果 78
表4.11 大安區Regression預測結果 78
表4.12 大安區SVM預測結果 79
表4.13 中正區Neural network預測結果 79
表4.14 中正區Regression預測結果 80
表4.15 中正區SVM預測結果 80
表4.16 大安區不同模組預測結果比較 81
表4.17 中正區不同模組預測結果比較 81

圖目錄
圖1.1 研究流程 6
圖2.1 基底函數(q=1；t=0.5) 23
圖2.2 MARS預測模型 26
圖2.3 ABC演算法流程圖 29
圖2.4 模糊邏輯推論架構 30
圖2.5 普通集合 31
圖2.6 模糊集合 32
圖2.7 常見的隸屬函數 34
圖2.8 可容錯線性SVR模式 36
圖2.9 處理單元模型 38
圖3.1 EFMARS概念 41
圖3.2 EFMARS應用程序 44
圖3.3 EFMARS模型架構 47
圖3.4 高斯隸屬函數 48
圖4.1 K-fold cross validation 示意圖 54
圖4.2 內政部實價登錄網交易資訊 56
圖4.2 內政部實價登錄網交易資訊(續) 56
圖4.3 門牌檢索系統 57
圖4.4 曼哈頓距離與歐幾里得距離 58
圖4.5 台灣電子地圖服務網 59
圖4.6 正相關圖例 63
圖4.7 負相關圖例 64
圖4.8 Ten-Fold Cross Validation 73
圖4.9 Clementine模組架構圖 76
圖4.10 Clementine操作介面 77
圖4.11 大安區訓練與測試之RMSE 83
圖4.12 大安區訓練與測試之MAPE 83
圖4.13 大安區訓練與測試之MAE 84
圖4.14 大安區訓練與測試之R-square 84
圖4.15 中正區訓練與測試之RMSE 85
圖4.16 中正區訓練與測試之MAPE 85
圖4.17 中正區訓練與測試之MAE 86
圖4.18 中正區訓練與測試之R-square 86

[1]蔡爾逸, "應用支撐向量機(SVM)於都市不動產價格預測之研究," 碩士, 營建管理研究所, 國立中央大學, 2012.
[2]魏如龍, "類神經網路於不動產價格預估效果之研究," 碩士, 地政系, 國立政治大學, 2003.
[3]林英彥, 不動產估價: 文笙書局股份有限公司, 2006.
[4]楊謙柔, "都市住環境設施評價模式之研究," 博士, 建築及都市計畫研究所, 中國文化大學, 2009.
[5]陳治勳, "應用模糊類神經網路於房地產價格之研究─以北、高兩市為例," 碩士, 不動產經營系, 國立屏東商業技術學院, 2008.
[6]劉玉婷, "應用迴歸分析及類神經網路建構不動產估價模式-以台中市住宅為例," 碩士, 營建工程系, 國立雲林科技大學, 2009.
[7]Y. E. Hamzaoui and J. A. H. Perez, "Application of Artificial Neural Networks to Predict the Selling Price in the Real Estate Valuation Process," in Artificial Intelligence (MICAI), 2011 10th Mexican International Conference on, 2011, pp. 175-181.
[8]X. Hu and M. Zhong, "Applied research on real estate price prediction by the neural network," in Environmental Science and Information Application Technology (ESIAT), 2010 International Conference on, 2010, pp. 384-386.
[9]H. Selim, "Determinants of house prices in Turkey: Hedonic regression versus artificial neural network," Expert Systems with Applications, vol. 36, pp. 2843-2852, 2009.
[10]黃于祐, "台北市房價影響因素之空間分析-地理加權迴歸方法之應用," 碩士, 都市計畫研究所, 國立台北大學, 2008.
[11]李宣佑, "顧客需求導向對都會區不動產特徵價格影響之研究," 碩士, 營建管理研究所, 國立中央大學, 2014.
[12]黃韋憲, "都會區住宅用地價格評估模式之建構," 碩士, 營建管理研究所, 國立中央大學, 2010.
[13]L. Li, L. Xiao, and J. W. Xiao, "Factor and Regional Difference Analysis on Real Estate Price," Technology for Education and Learning, vol. 136, pp. 317-323, 2012.
[14]C. He, W. Zhang, and J. Zeng, "Setting reasonable housing price based on fuzzy math," in Consumer Electronics, Communications and Networks (CECNet), 2011 International Conference on, 2011, pp. 5211-5214.
[15]陳慧茹, "應用模糊理論於不動產估價之研究," 碩士, 環境資訊及工程學系, 國防大學, 2014.
[16]蔡奇宏, "GIS資料庫應用於國有土地估價迴歸分析之研究," 碩士, 地球科學研究所, 國立成功大學, 2007.
[17]程麟崴, "以案例式推理建構不動產估價模式-以台北市大安區主流不動產商品為例," 碩士, 營建工程系, 國立雲林科技大學, 2006.
[18]M.-Y. Cheng and M.-T. Cao, "Evolutionary multivariate adaptive regression splines for estimating shear strength in reinforced-concrete deep beams," Engineering Applications of Artificial Intelligence, vol. 28, pp. 86-96, 2014.
[19]M.-Y. Cheng and M.-T. Cao, "Accurately predicting building energy performance using evolutionary multivariate adaptive regression splines," Applied Soft Computing, vol. 22, pp. 178-188, 2014.
[20]J. H. Friedman, "Multivariate Adaptive Regression Splines," The Annals of Statistics, vol. 19, pp. 1-67, 1991.
[21]D. Karaboga and B. Akay, "A modified Artificial Bee Colony (ABC) algorithm for constrained optimization problems," Applied Soft Computing, vol. 11, pp. 3021-3031, 4// 2011.
[22]D. Karaboga and B. Basturk, "On the performance of artificial bee colony (ABC) algorithm," Applied Soft Computing, vol. 8, pp. 687-697, 1// 2008.
[23]D. Karaboga and B. Gorkemli, "A combinatorial Artificial Bee Colony algorithm for traveling salesman problem," in Innovations in Intelligent Systems and Applications (INISTA), 2011 International Symposium on, 2011, pp. 50-53.
[24]柯千禾, "演化式模糊類神經推論模式於營建管理決策之研究," 博士, 營建工程系, 國立台灣科技大學, 2002.
[25]D.E. Goldberg, K. Deb, H. Kaegupta, and G. Harik, "Rapid, accurate optimization of difficult problems using fast messy genetic algorithms," 1993.
[26]葉怡成, 類神經網路模式應用與實作, 9 ed.: 儒林出版社, 2009.
[27]C. Bishop, Pattern Recognition and Machine Learning: Springer-Verlag New York, 2006.
[28]R. Kohavi, "A study of cross-validation and bootstrap for accuracy estimation and model selection," presented at the Proceedings of the 14th international joint conference on Artificial intelligence - Volume 2, Montreal, Quebec, Canada, 1995.
[29]潘配淮, "應用演化式最小平方差支持向量機推論模式(ELSIM)推估橋梁維修經費-以新北市為例," 碩士, 營建工程系, 國立台灣科技大學, 2013.