利用位置大数据通过机器学习评估房地产价格
机器学习
2022-05-04 v1
摘要
如今人人都想进入房地产市场，了解住宅与商业物业的合理估值已变得至关重要。过去的研究者已知利用静态房地产数据（如卧室数、浴室数、建筑面积）甚至房地产与人口统计信息的组合来预测物业价格。在本研究中，我们试图改进过往研究。因此我们决定探索一种独特方法：我们想确定移动位置数据是否可用于提升流行回归与基于树模型的预测能力。为给模型准备数据，我们将流动性数据关联到房地产数据中各个物业，按每周各天聚合物业 500 米范围内的用户。我们移除了居住在每处物业 500 米内的人员，因此每个物业的聚合流动性数据仅包含非居民的普查特征。除这些动态普查特征外，我们还纳入了静态普查特征，包括区域内人数、通勤人员平均比例以及区域内居民数。最后，我们测试了多个模型来预测房地产价格。我们提出的模型是两个堆叠的随机森林模块，通过岭回归组合，以随机森林输出作为预测变量。第一个随机森林模型仅使用静态特征，第二个随机森林模型仅使用动态特征。将含动态移动位置特征与不含该特征的模型比较可知，含动态移动位置特征的模型比不含该特征的同模型均方误差低 3%。
引用
@article{arxiv.2205.01180,
title = {Using Machine Learning to Evaluate Real Estate Prices Using Location Big Data},
author = {Walter Coleman and Ben Johann and Nicholas Pasternak and Jaya Vellayan and Natasha Foutz and Heman Shakeri},
journal= {arXiv preprint arXiv:2205.01180},
year = {2022}
}