跳到主要內容

臺灣博碩士論文加值系統

(44.222.64.76) 您好!臺灣時間:2024/06/17 08:10
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

我願授權國圖
: 
twitterline
研究生:鄧郁靜
研究生(外文):Teng, Yu-Ching
論文名稱:應用深度學習於房價預測模型之研究
論文名稱(外文):A study of house price prediction model based on deep learning techniques
指導教授:黃思皓黃思皓引用關係
指導教授(外文):Huang, Szu-Hao
口試委員:陳安斌黃思皓蔡垂雄吳憲珠林秋紅
口試日期:2020-08-01
學位類別:碩士
校院名稱:國立交通大學
系所名稱:管理學院資訊管理學程
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2020
畢業學年度:109
語文別:中文
論文頁數:57
中文關鍵詞:實價登錄房價預測類神經網路深度學習閘門網路集成學習
外文關鍵詞:Actual price registrationHome price predictionNeural networkDeep learningGating networkEnsemble Learning
相關次數:
  • 被引用被引用:1
  • 點閱點閱:743
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
政府為使不動產資訊更為透明化,在2012年8月正式推動實價登錄制度,將土地及房屋交易訊息公開,提供買賣成交及預售屋成交等案件之實際資訊,希望透過公開相關不動產交易資訊,讓買賣雙方於交易時能有個合理價格做參考,以減少買賣糾紛,並保障買方和賣方之權益。
由於過往常使用的收益法、成本法及特徵價格法等傳統不動產估價方法,受到個人主觀判斷影響其準確性,因此,本研究主要運用深度神經網路、閘門網路及集成學習三種方式建構房價預測模型,分析找出房價影響因素、比較不同模型以及不同區域之預測準確度,並使用平均絕對百分比誤差(MAPE)作為模型評估指標。研究結果發現房屋本身條件為最重要的房價影響因素,次要為區位環境因素,而社會經濟因素之影響在短期內則較不顯著。
在模型預測準確度上,最大的改善幅度即為從線性迴歸模型轉換到非線性的機器學習模型,其餘的閘門網路及集成學習準確度亦有提升,但變動幅度卻有限。集成學習模型是最佳的房價預測模型可達到11.04的MAPE,較線性預測模型22.62的MAPE,可達約48%程度的改善,除證實機器學習方法可以改進傳統的線性預測方法外,使用集成學習結合多個機器學習模型,可再提高精準度,比單一模型的深度神經網路學習效果更好。
In August 2012, Taiwan government has implemented the actual price registration policy of real estate to disclose information on transactions for protecting interests of both parties, reducing disputes and to facilitate a healthy real estate market. Real estate market has its price evaluation mechanism, such as income, cost and characteristic pricing methods which are mostly subject to human factors.
This study evaluates various machine learning frameworks and housing impact factors on pricing prediction of real estate including deep neural network, gating network and ensemble learning network. Mean average absolute percentage error (MAPE) is a key evaluation indicator to model accuracy. The results found the housing conditions such as house age, floor area and parking lot etc., are the most important factor influencing housing prices, followed by location and environmental factors, while the impact of socio-economic factors are less significant from micro view.
For the accuracy of predicted model, the biggest improvement is the conversion from a linear regression model to a non-linear machine learning model. Ensemble learning method has best prediction accuracy reaching MAPE 11.04 comparing to general linear prediction model 22.62 by around 48% improvements. The structure of ensemble learning combined random forest method and deep learning network can be verified more effective than traditional methods and also than a single machine learning method in house price predictions.
摘要 i
Abstract ii
致謝 iv
目錄 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 3
1.3 研究範圍 4
1.4 研究架構與流程 5
第二章 文獻探討 6
2.1 不動產估價 6
2.2 不動產價格的影響因素 7
2.3 機器學習 10
2.4 深度學習 12
第三章 研究方法與步驟 15
3.1 資料前處理 16
3.1.1 變數說明 16
3.1.2 資料篩選 19
3.1.3 資料處理 21
3.1.4 資料標準化 23
3.2 深度神經網路 24
3.3 閘門網路 27
3.4 集成學習 30
3.5 交叉驗證 32
3.6 模型評估檢定指標 34
第四章 實證結果 35
4.1 重要特徵對房價及區域的敏感度比較 35
4.2 房屋條件與區位環境因素對房價之影響 38
4.3 房屋條件與總體經濟因素對房價之影響 44
4.4 房價預測在不同專家閘門網路模型架構之比較 46
4.5 房價預測於不同深度學習架構之比較 48
第五章 結論與建議 50
參考文獻 51
1. 劉振誠(1986)。住宅價格影響因素之研究-以臺北市松山、中山、大安、古亭區為例。國立中興大學都市計畫研究所碩士論文,台中市。
2. 薛惠珍(1989)。臺北市新興地區居住環境品質之研究-忠孝東路四段之實例探討。國立政治大學地政研究所碩士論文,臺北市。
3. 黃佩玲(1995)。住宅價格與總體經濟變數關係之研究:以向量自我迴歸模式(VAR)進行實證。國立政治大學地政學系碩士論文,臺北市。
4. 林國民(1996)。高雄市自有住宅特徵價格之研究。國立成功大學都市計畫研究所碩士論文。
5. 花敬群、張金鶚(1997)。住宅市場價量波動之研究。住宅學報 Journal of Housing Studies,(5),1-15。
6. 廖咸興、張芳玲(1997)。不動產評價模式特徵價格法與逼近調整法之比較。住宅學報,(5),17-35。
7. 王宋民(1999)。都會地區房價之特徵價格分析-以臺北市信義區為例。國立臺灣大學農業經濟學研究所碩士論文,臺北市。
8. 洪得洋、林祖嘉(1999)。臺北市捷運系統與道路寬度對房屋價格影響之研究。住宅學報,(8),47-67。
9. 蔡瑞煌、高明志、張金鶚(1999)。類神經網路應用於房地產估價之研究。住宅學報,(8),1-20。
10. 林嵩麟(2000)。成屋價格影響因素之研究。朝陽大學企業管理系碩士班碩士論文,台中市。

11. 彭建文、張金鶚(2000)。總體經濟對房地產景氣影響之研究。國家科學委員會研究彙刊:人文及社會科學,10(3),330-343。
12. 陳力維(2001)。台灣房地產價格變動因素之研究。淡江大學財務金融學系碩士論文,新北市。
13. 李曉隆(2002)。出租公寓之租金價格預測-複迴歸分析與類神經網路的比較。國立臺灣科技大學企業管理系碩士論文,臺北市。
14. 洪啟釗(2003)。影響消費者購買住宅房屋考量因素之研究-以屏東縣(市)為例。開南管理學院企業管理研究所碩士論文,桃園縣。
15. 陳幸宜(2003)。都市房價變動影響因素之系統動態模擬—臺北市之實證研究。
16. 魏如龍(2003)。類神經網路於不動產價格預估效果之研究。國立政治大學地政研究所碩士論文,臺北市。
17. 彭建文、林秋瑾、楊雅婷(2004)。房價結構性改變影響因素分析-以臺北市,臺北縣房價為例。Journal of Taiwan Land Research,7(2),27-46。
18. 李嘉淵(2005)。應用演化式類神經網路、灰關聯分析及類神經模糊於不動產估價之研究。朝陽科技大學財務金融系碩士班碩士論文,台中市。
19. 林祖嘉、馬毓駿(2007)。特徵方程式大量估價法在台灣不動產市場之應用。住宅學報,16(2),1-22。
20. 陳樹衡、郭子文、棗厥庸(2007)。以決策樹之迴歸樹建構住宅價格模型-台灣地區之實證分析。住宅學報,16(1),1-20。
21. 賴碧瑩(2007)。應用類神經網路於電腦輔助大量估價之研究。住宅學報,16(2),43-65。
22. 顧紘銘(2007)。區位因素對不動產價格之影響研究-以臺北市為例。中華大學科技管理學系(所)碩士論文,新竹市。
23. 林炎欣(2008)。房價特徵模型之空間自我相關問題分析。成功大學都市計劃學系學位論文,1-79。
24. 黃瓊如(2008)。台南市不動產價格因素之研究—特徵價格法之應用。屏東科技大學財務金融研究所學位論文,1-54。
25. 葉峻維(2008)。臺北市集合住宅價格影響因素之分析研究。銘傳大學財務金融學系碩士在職專班碩士論文,臺北市。
26. 蔡仲苓(2008)。臺北市內湖區住宅屬性價格之探討。
27. 顏玲玲(2008)。總體經濟因素對臺灣房價影響之研究。國立臺中技術學院事業經營研究所碩士論文,台中市。
28. 張詠晴(2009)。優良小學學區對房價影響之研究。中國文化大學建築及都市計畫研究所碩士論文,臺北市。
29. 彭建文、楊宗憲、楊詩韻(2009)。捷運系統對不同區位房價影響分析-以營運階段為例。運輸計劃季刊,38(3),275-296。
30. 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-以台中市住宅為例。國立雲林科技大學營建工程系碩士班碩士論文,雲林縣。
31. 林左裕、陳慧潔、蔡永利(2010)。影響住宅大樓價格因素之探討。評價學報,(3),13-23。
32. 陳建良(2010)。都市公園綠地外部性之空間分析—以臺中市為例。國立彰化師範大學地理學系碩士論文,彰化縣。
33. 黃雋智(2010)。公園綠地對住宅價格的影響—以台中市南區為例。
34. 廖敏治、周建志(2011)。運用模糊層級分析法於高雄市房地產投資決策因素之研究。全球商業經營管理學報,(3),181-191。

35. 潘福田(2011)。購屋者決策因素-以新北市為例。大同大學事業經營學系(所)碩士論文,臺北市。
36. 沈育生、林秋瑾(2012)。不同人工神經網路架構在不動產大量估價之應用與比較。臺灣土地研究,15(1),1-29。
37. 李春長、游淑滿、張維倫(2012)。公共設施,環境品質與不動產景氣對住宅價格影響之研究─兼論不動產景氣之調節效果。住宅學報,21(1),67-87。
38. 蔡爾逸(2012)。應用支撐向量機(SVM)於都市不動產價格預測之研究。國立中央大學營建管理研究所碩士論文,桃園縣。
39. 高瑞豐(2013)。不動產估價特殊影響因素模式之研究─以台南市新化區為例。長榮大學土地管理與開發學系(所)學位論文,1-124。
40. 林忠樑、林佳慧(2014)。學校特徵與空間距離對周邊房價之影響分析─以臺北市為例。經濟論文叢刊,42(2),215-271。
41. 張斐章、張麗秋(2014)。類神經網路導論:原理與應用。滄海圖書資訊出版。
42. 張晏瑞(2016)。臺北市明星國中學區房價分析─兼論十二年國教之影響。國立政治大學地政學系碩士論文,臺北市。
43. 林大貴(2017)。TensorFlow+ Keras深度學習人工智慧實務應用(Vol. 21710)。博碩文化股份有限公司。
44. McCulloch, W. S., & Pitts, W.(1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
45. Lancaster, K. J.(1966). A new approach to consumer theory. Journal of political economy, 74(2), 132-157.
46. Rosen, S.(1974). Hedonic prices and implicit markets: product differentiation in pure competition. Journal of political economy, 82(1), 34-55.
47. Searle, J. R.(1980). Minds, brains, and programs. & &, 417-457.
48. Reichert, A. K.(1990). The impact of interest rates, income, and employment upon regional housing prices. The Journal of Real Estate Finance and Economics, 3(4), 373-391.
49. Tay, D. P., & Ho, D. K.(1992). Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation and Investment.
50. Chica Olmo, J.(1995). Spatial estimation of housing prices and locational rents. Urban studies, 32(8), 1331-1344.
51. Chen, M. C., & Patel, K.(1998). House price dynamics and Granger causality: an analysis of Taipei new dwelling market. Journal of the Asian real estate society, 1(1), 101-126.
52. McGreal, S., Adair, A., McBurney, D., & Patterson, D.(1998). Neural networks: the prediction of residential values. Journal of Property Valuation and Investment.
53. Kershaw, P., & Rossini, P.(1999). Using neural networks to estimate constant quality house price indices (Doctoral dissertation, INTERNATIONAL REAL ESTATE SOCIETY).
54. Din, A., Hoesli, M., & Bender, A.(2001). Environmental variables and real estate prices. Urban studies, 38(11), 1989-2000.
55. Nghiep, N., & Al, C.(2001). Predicting housing value: A comparison of multiple regression analysis and artificial neural networks. Journal of real estate research, 22(3), 313-336.
56. Downes, T. A., & Zabel, J. E.(2002). The impact of school characteristics on house prices: Chicago 1987–1991. Journal of urban economics, 52(1), 1-25.
57. Limsombunchai, V.(2004, June). House price prediction: hedonic price model vs. artificial neural network. In New Zealand agricultural and resource economics society conference (pp. 25-26).
58. Kong, F., Yin, H., & Nakagoshi, N.(2007). Using GIS and landscape metrics in the hedonic price modeling of the amenity value of urban green space: A case study in Jinan City, China. Landscape and urban planning, 79(3-4), 240-252.
59. Kiel, K. A., & Zabel, J. E.(2008). Location, location, location: The 3L Approach to house price determination. Journal of Housing Economics, 17(2), 175-190.
60. Selim, H.(2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert systems with Applications, 36(2), 2843-2852.
61. Ayodele, T. O.(2010). Types of machine learning algorithms. New advances in machine learning, 3, 19-48.
62. Jim, C. Y., & Chen, W. Y.(2010). External effects of neighbourhood parks and landscape elements on high-rise residential value. Land Use Policy, 27(2), 662-670.
63. Antipov, E. A., & Pokryshevskaya, E. B.(2012). Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications, 39(2), 1772-1778.
64. Morano, P. I. E. R. L. U. I. G. I., Tajani, F. R. A. N. C. E. S. C. O., & Torre, C. M. (2015). Artificial intelligence in property valuations an application of artificial neural networks to housing appraisal. Adv. Environ. Sci. Energy Plan, 2015, 23-29.
65. Park, B., & Bae, J. K.(2015). Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data. Expert Systems with Applications, 42(6), 2928-2934.
66. Bin, J., Tang, S., Liu, Y., Wang, G., Gardiner, B., Liu, Z., & Li, E.(2017, September). Regression model for appraisal of real estate using recurrent neural network and boosting tree. In 2017 2nd IEEE international conference on computational intelligence and applications (ICCIA) (pp. 209-213). IEEE.
67. You, Q., Pang, R., Cao, L., & Luo, J.(2017). Image-based appraisal of real estate properties. IEEE Transactions on Multimedia, 19(12), 2751-2759.
68. Fan, C., Cui, Z., & Zhong, X.(2018, February). House prices prediction with machine learning algorithms. In Proceedings of the 2018 10th International Conference on Machine Learning and Computing (pp. 6-10)
69. Yang, B., & Cao, B.(2018, November). Ensemble Learning Based Housing Price Prediction Model. In The 4th International Conference on Fuzzy Systems and Data Mining (FSDM 2018).
電子全文 電子全文(網際網路公開日期:20250826)
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊