环顾四周：利用街景与卫星图像估算房价

当个人购买房屋时，他们同时购买了其结构特征、通勤便利性以及邻里 amenities。一些 amenities（如空气质量）是可测量的，而另一些（如邻里的声望或视觉印象）则难以量化。尽管无形的住房特征对房价有着众所周知的影响，但对其系统性量化这些难以测量的 amenities 的关注有限。两个问题导致了这种忽视：不仅鲜有能够测量城市环境的定量方法，而且此类数据的收集既昂贵又主观。我们表明街景图像和卫星图像数据能够捕捉这些城市品质并改进房价估算。我们提出了一种流程，使用深度神经网络模型从图像中自动提取视觉特征以估算英国伦敦的房价。我们在估算房价模型时利用了传统住房特征（如房龄、面积和便利性）以及来自 Google 街景图像和 Bing 航拍图像的视觉特征。我们获得了令人鼓舞的结果：学习刻画邻里的城市品质可改善房价预测，即便在泛化到此前未见的伦敦自治市时也是如此。我们探索了使用非线性与线性方法将这些线索与传统房价模型相融合，并展示了线性模型的可解释性如何让我们直接提取出邻里视觉吸引力的代理变量，这些变量本身令人关注，并可用作其他计量经济学方法的输入。这尤其有价值，因为一旦网络用训练数据训练完毕，它便可应用于其他地方，使我们能够生成伦敦街道视觉吸引力的生动密集地图。