跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/18 12:13
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:徐榮男
研究生(外文):HSU, JUNG-NAN
論文名稱:應用機器深度學習對於不動產價格預測研究分析 -以臺中市為例
論文名稱(外文):Analysis of Real Estate Price Forecasting UsingDeep Learning - Taichung City as an Example
指導教授:洪志興洪志興引用關係
指導教授(外文):HUNG, CHIH-HSING
口試委員:臧仕維李慶章洪志興王銘駿陳勤明
口試委員(外文):TZANG, SHYH-WEIRLEE, CHING-CHANGHUNG, CHIH-HSINGWANG, MING-CHUNCHEN, CHIN-MING
口試日期:2020-07-12
學位類別:碩士
校院名稱:國立高雄科技大學
系所名稱:金融系
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:93
中文關鍵詞:深度學習網路模型
外文關鍵詞:deep learning methodnetwork model
相關次數:
  • 被引用被引用:2
  • 點閱點閱:374
  • 評分評分:
  • 下載下載:75
  • 收藏至我的研究室書目清單書目收藏:0
本研究運用深度學習方式,建構臺中市房價預測,透過價格預測的建置網路
模型過程,並提出不同情況依地區特性進行建立網路模型,透過預測坪單價與實
際成交坪單價進行驗證,以確認其機器深度學之正確性。
當有效的分群及針對不同的群組使用不同的網路模型時將能夠有效提昇預測
命中率或降低MPAE 值,在研究過程以房產交易日與總體經濟日期同期進行預測
房價命中率與總體經濟前進90 天,數據進行學習預測,其房價之命中率僅差0.01%,
亦是在90 天的情況對於深度學習命中率影響不大。
本研究採用損失函數Huber 及MSE 二種損失函數做為比較,研究發現在不同
的群組中,皆有各自的優異性,但並不見得適用於每個群組,然而從學習過程中
觀察Huber 的收斂效能優於MSE,亦是Huber 能夠比MSE 達到更快的收斂。
The study used deep learning methods to construct the Taichung City house price
forecast, build a neural network model through price forecast, and proposes to build
neural network models based on regional characteristics in different situations, then
verify predicted unit price by confirming the correctness.
When effective grouping and using different neural network models for different
groups will effectively increase the predicted hit rate or reduce the MPAE value, the
real estate transaction date and the general economic date will be used to predict the
housing price hit rate and the general economic, research process, at 90 days, the data is
predicted by deep learning, and the hit rate of house prices percentage only 0.01%
different. It is also that during the 90-day situation has little effect on the hit rate of deep
learning.
The study used two loss functions Huber and MSE as comparison functions. the
study found different groups, they have their own superiority. But they are not
necessarily applicable to each group. However, Huber is observed from the deep
learning the performance of than MSE, mean Huber can achieve faster convergence
than MSE.
摘 要 ........................................................................................................................... i
Abstract ........................................................................................................................ ii
誌謝 ........................................................................................................................... iii
目 錄 ......................................................................................................................... iv
表 目 錄 ........................................................................................................ vii
圖 目 錄 .......................................................................................................... x
壹、 緒論................................................................................................................. - 1 -
一、 研究動機 ..................................................................................................- 1 -
二、 研究目的 ..................................................................................................- 2 -
三、 研究範圍 ..................................................................................................- 3 -
(一) 不動產選擇 .......................................................................................- 3 -
(二) 地區選擇 ...........................................................................................- 3 -
(三) 時間範圍 ...........................................................................................- 4 -
四、 研究架構與流程 ......................................................................................- 4 -
(一) 研究架構 ...........................................................................................- 4 -
(二) 研究流程 ...........................................................................................- 5 -
貳、 文獻探討 ......................................................................................................... - 6 -
一、 房價實價登錄 ..........................................................................................- 6 -
二、 影響房價因素 ..........................................................................................- 6 -
三、 機器深度學習 ..........................................................................................- 9 -
(一) 人工神經網路....................................................................................- 9 -
(二) 循環神經網路.................................................................................. - 10 -
(三) 優化器(Optimizer) ........................................................................... - 11 -
(四) 損失函數(Loss function) .................................................................. - 12 -
(五) 深度學習對於不動產預測 .............................................................. - 13 -
參、 研究方法 ....................................................................................................... - 15 -
一、 研究流程 ................................................................................................ - 15 -
二、 資料蒐集 ................................................................................................ - 16 -
三、 資料處理 ................................................................................................ - 16 -
(一) 資料來源 ......................................................................................... - 16 -
(二) 資料排除 ......................................................................................... - 21 -
(三) 資料正規化 ..................................................................................... - 22 -
(四) 資料分群 ......................................................................................... - 23 -
四、 類神經網路模型規劃 ............................................................................. - 24 -
(一) 損失函數(Loss function) .................................................................. - 24 -
(二) 神經網路層規劃 .............................................................................. - 24 -
(三) 整體模型規劃.................................................................................. - 25 -
五、 房價預測 ................................................................................................ - 28 -
肆、 實作及結果分析 ........................................................................................... - 31 -
一、 資料蒐集與整理 .................................................................................... - 31 -
二、 探討各群特性 ........................................................................................ - 32 -
三、 房價預測結果與比較 ............................................................................. - 33 -
(一) 以分群方式進行預測 ...................................................................... - 33 -
(二) 非命中樣本探討 .............................................................................. - 70 -
(三) 深度學習模型探討 .......................................................................... - 72 -
伍、 結論與建議 ................................................................................................... - 74 -
一、 研究結論 ................................................................................................ - 74 -
二、 研究限制 ................................................................................................ - 75 -
三、 未來研究建議 ........................................................................................ - 76 -
參考文獻 ................................................................................................................ - 77 -
四、 中文文獻 ................................................................................................ - 77 -
五、 英文文獻 ................................................................................................ - 78 -
中文文獻
1. 王玟婷,2010,房市與股市之相關性探討,國立高雄大學,碩士論文。
2. 易加云,2018,營建成本、股票市場行情與總體經濟變數對台北市房價租金比
的影響,佛光大學,碩士論文。
3. 林昭妏,2014,實價登錄之類神經網路估價模型-以高雄市農16 及美術館區
大樓為例,長榮大學,碩士論文。
4. 林純如,2017,資訊揭露對房價影響分析─以實價登錄制度為例,國立臺北大
學,碩士論文。
5. 施威銘研究室,2020,tf.keras 技術者們必讀!深度學習攻略手冊,旗標。
6. 柯光彥,2014,不動產成交實價登錄制度實施成效之研究—以資訊揭露為核心
議題,國立中山大學,碩士論文。
7. 郭宗諭,2011,影響房價變動因素之系統動態模擬(兼論奢侈稅) ,國立高雄
應用科技大學,碩士論文。
8. 陳敬筌,2019,應用深度學習預測區域住房平均價格—以台北市實價登錄為例,
銘傳大學,碩士論文。
9. 楊長霖,2017,深度學習於台灣房價指數趨勢預測模式建立之研究-應用NNLSTM
演算法,國立臺灣科技大學,碩士論文。
10. 葉紫光,2018,影響房價因素之研究-不動產估價技術規則的觀點,輔仁大學,
碩士論文。
11. 劉玉婷,2009,應用迴歸分析及類神經網路建構不動產估價模式-以臺中市住
宅為例,國立雲林科技大學,碩士論文。
12. 潘福田,2011,購屋者決策因素-以新北市為例,大同大學,碩士論文。
13. 蔡明倫,2008,不動產市場與股票市場關聯性分析-以美國.澳洲.日本.台灣
市場為例,國立中央大學,碩士論文。
14. 戴語彤,2017,新北市中永和區之購屋決策因素研究,華夏科技大學,碩士
論文。
15. 鍾煥瑋,2019,實價登錄與購屋者購買意願關係之研究-知覺價值之中介效果,
長庚大學商管專業學院碩士學位學程,碩士論文。
英文文獻
1. Gers et al., 2000, Recurrent Nets that Time and Count
2. Google Inc. , 2015, An Empirical Exploration of Recurrent Network Architectures,
New York University
3. Hochreiter S. ,Schmidhuber J., 1997, LONG SHORT-TERM MEMORY, Neural
Computation 9(8):1735-1780
4. Jan Koutnik, Klaus Greff, Faustino Gomez and Jurgen Schmidhuber, A Clockwork
RNN, arXiv preprint arXiv:1402.3511v1[cs.NE], 2014
5. Kingma, D. P., & Ba, J. L., 2015, Adam a Method for Stochastic Optimization.,
International Conference on Learning Representations, 1–13
6. Nguyen N. and Cripps AI, 2001, Predicting Housing Value: A Comparison of
Multiple Regression Analysis and Artificial Neural Networks, Journal of Real Estate
Research, vol. 22, issue 3, 313-336
7. Prince Grove, 5 Regression Loss Functions All Machine Learners Should Know,
https://heartbeat.fritz.ai/5-regression-loss-functions-all-machine-learners-should-kno
w-4fb140e9d4b0
8. Ruder Sebastian, 2017, An overview of gradient descent optimization algorithms,
arXiv:1609.04747v2
9. Tay, D. P., & Ho, D. K., 1992, Artificial intelligence and the mass appraisal of
residential apartments., Journal of Property Valuation and Investment, 10(2),
p.525-540.
10. Wikipedia, https://en.wikipedia.org/wiki/Huber_loss
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top