一、一种新的二手房价格评估方法(论文文献综述)
王海霞[1](2021)在《协同治理视角下开远市二手房交易税收征管研究》文中提出
谢静[2](2021)在《基于深度学习的二手房价值评估模型研究》文中进行了进一步梳理
戴诗蒙[3](2021)在《基于灰色关联的BP神经网络模型在二手房评估中的应用》文中指出
马懿丹[4](2021)在《基于BP神经网络房地产税基批量评估研究》文中提出
尹悦[5](2021)在《沈阳市二手房价格影响因素的统计分析》文中指出
冯璐瑶[6](2021)在《基于机器学习的住宅批量估价方法研究 ——以北京海淀区二手住宅为例》文中进行了进一步梳理近些年,房地产行业的快速发展,得益于我国政府不断地推出相关的利好政策。但在其持续发展的同时,也让越来越多的投资者在该行业不断加注,导致增加了房地产泡沫。在2019年召开的十九大会议中,习近平总书记出“房住不炒”的要求,同时也明确指出:“健全地方税体系,稳步推进房地产税立法”。在国家和地方颁布的各项房地产市场调控政策以及推进相关房地产税立法的大背景下,房地产市场仍存在大量的交易活动,这些交易活动的公平性、透明性、客观性是影响房地产行业健康、持续长久发展的重要因素,这些特性的体现都要取决于交易时是否存在一个客观公正的交易价,而资产评估恰好可以保证交易价的公正客观。在传统资产估价方法中,往往是由估价师运用市场法、收益法等方法来对房产进行单宗评估,但这种估价方式得到的估价结果主观性较强且估价效率低,估价的准确性很难界定。在房产数量越来越多的情况下,采用该种方法无法满足估价的需求,同时该种方法的估价成本也较大。因此,本文从现代估价视角以及估价需求出发,结合信息技术,探讨研究采用何种估价方法可以更加符合时代特征、更高准确度、更高效率地分析住宅价格。本文通过研究国内外相关文献,梳理房产估价基础理论,采用定量与定性研究法等方法,对房地产估价方法进行探讨研究。首先,本文阐述了单宗评估与批量估价的异同点,并指出传统的单宗评估无法满足现在的估价需求,因此出了采用批量估价方法进行研究。并针对批量估价,分析其应用前以及估价原则与流程。本文分析了在大数据时代下房产估价的特点以及大数据时代下对房产进行批量估价的优势所在,同时针对房产估价的特点,分析运用何种大数据技术对房产进行估价可以达到高效率与准确率的目标,最终选用网络爬虫、Python技术、以及百度地图API等大数据技术来进行估价分析。其次,本文概述了北京海淀区住宅二手房的市场情况,确定了本文的估价对象是北京市海淀区的二手普通住宅,价值时点是2020年11月1日。本文采用多因素分析法筛选批量估价模型的特征变量,最终确定了4大方面特征,共计19个特征变量。并利用大数据技术:网络爬虫和百度地图API来获取每个估价对象的19个特征变量所对应的数据,获取数据的时间范围是2020年9-10月。并对获取到的数据进行量化、离群与缺失值处理以及数据归一化处理,使得数据更加规范化、标准化。最后,本文通过分析常见估价模型的优缺点,结合本文估价对象的特性,选用了“随机森林+BP神经网络”批量估价模型。运用大数据技术:Python来实现该批量估价模型的构建,并带入北京海淀区二手普通住宅的真实数据进行验证。并针对高精度要求下的住宅估价出了新的估价方法,即采用批量估价模型与基准价修正体系相结合的方法,且带入了真实案例进行验证,结果表明该方法确实可以进一步地高估价结果的预测精度,使得预测价格更加接近实际的成交价格。基于理论研究与实际案例的验证结果,本文认为:(1)批量估价模型的估价结果较为准确,且可以同时评估出大量的房产价值,估价效率较高。同时减少了人工的工作量,也相应的降低了估价成本和估价主观性对结果的影响,满足了现代估价的各项需求;(2)由估价结果可以看到:随机森林单模型预测准确度为84.4%,BP神经网络单模型预测准确度为82.5%,基于模型集成的思想,批量估价模型的预测准确度为90%。由此可见,批量估价模型的估价精度大于任一个单模型的精度,且符合估价时至少采用两种方法的估价要求;(3)通过文献研究法以及考虑到实际交易过程中会影响房价的因素,本文将住宅价格特征变量体系分为区位、建筑、邻里以及社会四大特征,共19个特征变量。在传统特征变量体系中加入了社会因素,用交易日期与挂牌时间进行表达量化,同时将真实成交价格作为因变量,避免了交易双方的心理因素对结果的影响。进一步完善了该体系,使得估价结果更加贴近市场真实成交价格。本文应用大数据技术分析构建了基于机器学习的住宅批量估价模型,为房地产批量估价方法的研究供了理论和方法参考。
杨灿[7](2020)在《基于LightGBM算法的北京市二手房估价模型研究》文中研究指明随着北京房地产行业步入存量房时代,二手房正逐渐成为交易主体。北京市二手房市场的崛起,使二手房交易频率不断上升,二手房估价作为交易的关键环节而引起重视。精准估算北京市二手房价格对于降低交易风险、保障买卖双方利益、推动房地产健康稳定发展具有重要意义。目前二手房估价模型包括线性回归、神经网络等,但普遍存在计算效率低、预测准确度低等问题。因此,需要对北京市二手房的估价模型进行科学研究。本研究将特征价格理论作为理论支撑,构建基于Light GBM算法的北京市二手房估价模型,并利用网格搜索算法改进模型,旨在高效准确地估算北京市二手房的价格。本文基于网络爬虫技术合理采集北京市二手房数据,采用数据清洗技术删除重复和无关数据、处理异常值和缺失值,并运用数据转换技术完成字段添加和类别转换等操作,得到120772条完整的二手房数据。在传统特征价格理论的指导下,纳入时间特征,从区位、建筑、邻里和时间特征四个方面构建候选指标集。基于包装算法对输入数据进行特征选择,通过多次迭代删除无关和冗余变量,最终保留39个特征,得到最优特征集。基于Light GBM算法构建北京市二手房估价模型,并运用网格搜索算法改进模型,建立改进的Light GBM估价模型。为了验证估价模型的有效性,构建线性回归、BP神经网络、随机森林和XGBoost估价模型进行对比分析。最后,基于北京市二手房的数据,按照4:1随机划分数据集,通过十折交叉验证从决定系数、平均绝对误差、平均相对误差百分比等方面综合评估模型效果。通过对比分析可以发现,Light GBM估价模型以及改进的Light GBM估价模型的模型效果均优于四种对比估价模型,而且基于网格搜索算法改进的Light GBM估价模型的模型性能的预测精度更高,其决定系数为0.961,平均绝对误差为0.32,平均相对误差百分比为4.99%,是一种可以应用于解决北京市二手房估价问题的优秀模型。
唐雅雯[8](2020)在《基于TBCI模型的房地产批量评估方法优化与实证研究》文中研究指明房地产批量评估一直以来都是房地产评估界关注的重点。与现行评估所使用的传统评估的方法相比,批量评估是一种科学且高效并能够迅速地确认房地产价值的技术。但现行评估一般着眼于有形因素的评估,未将品牌等无形因素纳入其中。故本文将品牌纳入房地产批量评估中,探索品牌对批量评估的意义。在品牌评估方面,本文选择TBCI模型。在房地产进行批量评估方面,目前采用较多的是特征价格法进行多元回归分析。但是,特征价格法并未考虑到空间依赖性,因此本文引入空间特征法,并进行两种方法的对比分析。本文选择济南市高新区200个二手房住宅小区成交价格数据作变量实证样本,并收集了各住宅小区17个特征作为控制变量,在此基础上引入品牌评估值为自变量,对高新区二手住宅房地产价格进行批量评估。首先,使用百度地图对济南市高新区所选样本住宅的地理坐标、建筑特征、区位特征和邻里特征、其他特征因素进行收集并量化处理。同时利用TBCI模型对样本涉及房地产企业品牌进行评估,获取其品牌信用指数。其次,构建传统特征价格模型对房地产价格进行最小二乘估计,比较品牌在该种方法下对评估值的影响及评估精度。接着,在传统特征价格模型的基础上引入空间因素对住房价格进行再估计,比较在空间特征模型下品牌对评估值的影响及评估精度。最后,对研究样本中未参与模型回归的20个样本进行模型检验。本文通过实证分析,得出的主要结论有:(1)品牌与二手房地产评估价格具有正相关关系。随着品牌信用度越高,房地产评估值越高。(2)品牌评估值加入批量评估可以显着提高评估精度。在特征价格法与空间特征法两种方法下,加入品牌因素会使评估模型更加精准,评估结果更加准确。(3)济南市高新区房地产价格具有显着的空间效应。采用空间特征法可以考虑到空间依赖性对价格的影响,提高批量评估结果的精确性和公平性。
何希文[9](2020)在《基于BP神经网络的学区房价值评估研究》文中研究说明伴随着社会的不断向前发展,家长们将更多地精力投入子女的教育问题,以便子女在日后的竞争中能够获得快人一步,因此家长们不谋而合的为子女争取义务教育阶段的优质教育资源。因各种历史遗留原因,我国各地区普遍存在教育资源分配不均的问题,往往只有极少数的重点中小学校占据了绝大部分的优质教育资源。因此,努力让孩子进入重点中小学校学习成为了广大家长们的重要目标。伴随就近入学政策的逐步落实,重点中小学周边的学区型住宅备受家长们的关注,成为众人追捧的“学区房”,加上社会缺乏多样的入学渠道,“以房择校”成为望子成龙望女成凤的家长们的最佳选择。在强烈教育需求的裹挟下,学区房价格不断走高,优质教育资源对住宅价格的影响日益凸显,教育资源资本化的程度差异也引起了国内外学者们的广泛关注。BP神经网络能够模拟人类大脑的学习思维能力,是一种功能强大、应用广泛的机器学习算法,在价值评估领域被广泛应用。它具有自适应性和大规模并行处理数据的能力,这使得数据处理过程中的人力物力消耗大量减少,非线性问题处理高效,评估主观随意性降低,极大的提高评估的准确性。本文首先解释了学区房为什么出现以及对学区房的价值进行评估研究的重要性,接着论述了国内外学者在人工神经网络和学区房价值评估方面的相关研究现状,进而提出了本文的研究框架与研究思路。其次,从传统房地产价值评估的角度出发,介绍了传统房地产的种类和价值变量,分析学区房价值评估与传统房地产价值评估的异同。在概况分析了传统房地产评估方法的优劣之后,提出将BP神经网络模型应用到学区房价值评估之中,并对BP神经网络概念及操作步骤进行了详细的介绍,以证实运用BP神经网络评估的可行性和优越性。在评估学区房价值的过程中,还选择引入Hedonic特征价格模型对评估模型进行优化改进。利用Hedonic特征价格模型对样本指标体系进行优化,消除指标之间的共线性影响,以提高估计模型的准确度,将优化后的样本作为输入值导入BP神经网络模型当中,让其建立非线性映射关系、模拟大脑进行自我训练,最终准确的预测出房地产的价值。本文以南昌市教育资源较为集中的“中心六区”(红谷滩区、东湖区、西湖区、青山湖区、青云谱区、高新区)为研究范围,利用python对链家、安居客和南昌房地产信息网上符合条件的数据进行收集,并对这些数据作了筛选和处理。在利用Matlab构建了价值评估模型之后,通过实证分析并代入数据计算后发现,该模型能较为准确的预测出学区房的价值,证明了本文提出的这种改进后的评估方法具有充分的准确性与有效性。最后,由于作者水平有限,本文仍然存在一些不足,比如某些指标对房价影响不显着且难以量化,为降低评估难度只能将该指标删除,同时还存在交易双方信息不透明导致的特殊情况,使得房屋交易价格远远偏离平均线,希望以后能找到对这些特殊情况进行量化的方法;还有本文的大部分房地产价格数据为挂牌价格,小部分为房信网上的交易价格,因为对房信网的数据进行爬取有一定的违法风险,这也对评估的准确性有一点影响,希望以后南昌市政府能成立房地产交易数据库,这样大家对南昌市房地产市场研究更加准确,为南昌市房地产行业未来的发展提出更多有价值的建议。
陈俞宏[10](2020)在《基于效用的大数据定价方法研究》文中研究表明随着移动互联网、物联网等的飞速发展,人们生产生活中产生的数据量呈指数级增长,数据中隐藏的巨大价值使得大数据成为社会各界关注的热点。数据资源的流通共享是大数据应用的关键,而数据流通的前提是对其进行合理的定价。考虑到当前大数据定价方法忽视数据自身价值以及用户利益等的不足,本文研究了基于效用的大数据定价方法,通过机器学习模型建立数据效用函数,以此来量化数据价值,同时关注用户利益,构建了基于斯塔克伯格博弈的大数据定价模型,最后以二手房评估数据作为案例数据对该定价方法进行应用研究。本文主要的研究内容包括:(1)梳理了大数据定价相关理论和方法。分析了影响数据价值的因素,提出了大数据价值评估模型;定义了数据效用函数和用户效用函数;分析了数据定价过程中数据产品提供商和数据用户双方的利益博弈;分析对比了当前大数据定价方法的优势与劣势,在此基础上提出基于效用的大数据定价方法。(2)建立了基于机器学习的数据效用函数。分析总结了大数据知识发现和价值提取过程,在此基础上提出基于机器学习模型的数据效用度量方法;定义了基于回归的机器学习模型;阐述了数据效用的度量方法,以模型的准确度来反映数据的效用,给出了数据效用函数的表达式。(3)构建了基于斯塔克伯格博弈的大数据定价模型。由于大数据价值的不确定性,本文以用户效用来度量用户购买数据产品所获得的效用,建立了数据用户的效用函数,同时,建立数据产品提供商的利润函数;通过斯塔克伯格博弈模型确定了同时满足提供商利润最大化和用户效用最大化的最优数据定价,经过推导分析证明,该数据产品价格为全局最优解。(4)基于效用的大数据定价方法应用研究。选用随机森林模型作为度量数据效用的机器学习模型,利用通过房地产网站等收集的二手房数据进行案例分析。分析结果表明,本文设定的数据效用函数显着,能够较好地反映数据的价值;将数据效用函数代入数据定价模型进行计算,得到博弈的均衡价格,即为数据产品的最优定价。
二、一种新的二手房价格评估方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种新的二手房价格评估方法(论文提纲范文)
(6)基于机器学习的住宅批量估价方法研究 ——以北京海淀区二手住宅为例(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究问题的提出 |
1.1.3 研究意义 |
1.2 国内外研究综述 |
1.2.1 房地产批量估价方法的研究 |
1.2.2 大数据技术在房地产批量估价中的应用研究 |
1.2.3 文献述评 |
1.3 研究设计 |
1.3.1 研究方案的提出 |
1.3.2 研究主要内容 |
1.3.3 研究方法与技术路线 |
1.4 本章小结 |
2 相关理论综述及理论基础 |
2.1 房地产批量估价理论综述 |
2.1.1 批量估价与单宗评估 |
2.1.2 房地产批量估价的应用前提 |
2.1.3 房地产批量估价原则 |
2.2 房地产批量估价方法理论综述 |
2.2.1 Hedonic理论 |
2.2.2 市场比较法 |
2.2.3 基准地价修正法 |
2.3 大数据技术相关综述 |
2.3.1 大数据技术优势及数据特征 |
2.3.2 Python在批量估价的应用 |
2.4 本章小结 |
3 住宅批量估价特征变量体系选定及数据获取 |
3.1 估价示例对象选取 |
3.1.1 北京市海淀区住宅二手房市场概况 |
3.1.2 估价对象选定 |
3.2 普通住宅价格影响因素分析及海淀区特征变量体系的选定 |
3.2.1 普通住宅价格影响因素分析 |
3.2.2 海淀区普通住宅批量估价特征变量体系的选定 |
3.3 批量估价的数据获取 |
3.3.1 数据来源 |
3.3.2 基于Python的住宅基础数据获取 |
3.3.3 基于百度地图API的地理数据获取 |
3.4 批量估价特征变量体系的量化和数据处理 |
3.4.1 特征变量体系的量化方法 |
3.4.2 离群和缺失值处理 |
3.4.3 数据归一化处理 |
3.5 本章小结 |
4 基于机器学习的住宅批量估价模型构建与算法实现 |
4.1 基于机器学习的批量估价模型构建 |
4.1.1 机器学习批量估价模型分析 |
4.1.2 批量估价模型的选定 |
4.1.3 批量估价模型的构建 |
4.2 基于机器学习的批量估价模型的算法实现 |
4.2.1 随机森林模型的算法实现 |
4.2.2 BP神经网络模型的算法实现 |
4.2.3 基于机器学习的批量估价模型表达 |
4.3 批量估价模型的检验 |
4.3.1 检验指标 |
4.3.2 检验结果 |
4.4 高精度要求下住宅批量估价模型的分析与应用 |
4.4.1 高精度要求下的住宅批量估价模型的分析 |
4.4.2 高精度要求下的住宅批量估价模型的应用 |
4.5 本章小结 |
5 结论与展望 |
5.1 本文的结论 |
5.2 未来工作的展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(7)基于LightGBM算法的北京市二手房估价模型研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 传统的房地产估价方法 |
1.2.2 机器学习在二手房估价的应用 |
1.2.3 Light GBM算法的应用 |
1.2.4 文献评述 |
1.3 研究内容 |
1.4 研究方法与技术路线 |
1.5 创新点 |
2 二手房估价的相关理论与技术基础 |
2.1 特征价格理论 |
2.1.1 特征价格理论概述 |
2.1.2 特征价格理论应用于二手房估价研究 |
2.2 网络爬虫技术 |
2.2.1 网络爬虫技术概述 |
2.2.2 网络爬虫工作流程 |
2.3 特征工程 |
2.3.1 数据预处理 |
2.3.2 特征选择 |
2.4 集成学习算法 |
2.4.1 Bagging算法 |
2.4.2 Boosting算法 |
2.5 本章小结 |
3 北京市二手房估价的特征选择 |
3.1 数据采集 |
3.1.1 数据来源 |
3.1.2 网络爬虫 |
3.2 数据预处理 |
3.2.1 数据清洗 |
3.2.2 数据转换 |
3.3 基于包装法的北京市二手房的特征选择 |
3.3.1 候选特征集 |
3.3.2 基于包装法的特征选择 |
3.3.3 最优特征集 |
3.4 本章小结 |
4 基于Light GBM算法的北京市二手房估价模型 |
4.1 基于Light GBM算法的估价模型 |
4.1.1 直方图算法 |
4.1.2 直方图算法的改进 |
4.1.3 带深度限制的Leaf-wise的叶子生长策略 |
4.2 基于改进Light GBM算法的估价模型 |
4.2.1 网格搜索算法 |
4.2.2 Light GBM算法的超参数 |
4.2.3 基于网格搜索算法的模型改进 |
4.3 对比估价模型 |
4.3.1 线性回归模型 |
4.3.2 BP神经网络模型 |
4.3.3 随机森林模型 |
4.3.4 XGBoost模型 |
4.4 本章小结 |
5 北京市二手房估价模型实验结果分析 |
5.1 模型评估与验证 |
5.1.1 评估指标 |
5.1.2 交叉验证 |
5.2 北京市二手房估价模型结果分析 |
5.2.1 Light GBM估价模型结果分析 |
5.2.2 改进的Light GBM估价模型结果分析 |
5.2.3 对比估价模型结果分析 |
5.3 北京市二手房估价模型对比分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
附录 A 链家二手房爬虫代码 |
附录 B 特征选择和部分建模代码 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(8)基于TBCI模型的房地产批量评估方法优化与实证研究(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究思路和框架 |
1.3 研究方法 |
1.4 创新与不足 |
第2章 文献综述 |
2.1 房地产批量评估理论 |
2.2 品牌价值评估理论 |
第3章 理论基础 |
3.1 房地产批量评估方法 |
3.2 品牌评估方法 |
第4章 实证分析: 数据的获取与处理 |
4.1 区域样本的选择与数据处理 |
4.2 高新区二手房样本选择 |
4.3 变量的选取与量化 |
4.4 房地产厂商品牌信用指数测算 |
4.5 描述性分析 |
第5章 实证分析: 数据的计算与分析 |
5.1 基于传统特征价格法的批量评估 |
5.2 基于空间特征法的批量评估 |
5.3 实证结果分析 |
第6章 房地产企业品牌溢价策略分析 |
6.1 细化顾客定位,找准目标客户 |
6.2 跟踪需求变化,提高需求敏感性 |
6.3 找准单一利益,进行终身设计 |
6.4 创新管理模式,设置品牌经理 |
第7章 结论与展望 |
7.1 研究结论 |
7.2 研究建议 |
7.3 研究展望 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(9)基于BP神经网络的学区房价值评估研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景和研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 文献综述 |
1.3 研究思路和研究内容 |
1.3.1 研究思路 |
1.3.2 研究内容 |
2 学区房价值评估方法分析 |
2.1 教育资源对周边房地产价值的影响机理 |
2.1.1 父母传统思想的影响 |
2.1.2 社会推崇教育方面的影响 |
2.1.3 国家教育政策实施方面的影响 |
2.1.4 教育资源收益资本化方面的影响 |
2.2 评估特殊性对传统价值评估方法选择的影响 |
2.2.1 教育资源优势凸显,评估时需侧重考量 |
2.2.2 居住性用房为主,可比成交案例充足 |
2.2.3 市场法的优势与劣势 |
2.3 应用BP神经网络改进市场法的可行性与优越性 |
2.3.1 应用BP神经网络的可行性 |
2.3.2 应用BP神经网络的优越性 |
3 基于神经网络的价值评估模型构建 |
3.1 理论基础 |
3.1.1 BP神经网络的概念 |
3.1.2 BP神经网络的结构 |
3.1.3 BP神经网络的计算原理 |
3.2 网络参数的确定 |
3.2.1 输入层和输出层的设计 |
3.2.2 隐含层的设计 |
3.2.3 BP人工神经网络算法的选取 |
3.3 输入变量的确定 |
3.3.1 学校特征变量 |
3.3.2 建筑结构特征变量 |
3.3.3 地理位置特征变量 |
3.3.4 配套设施特征变量 |
3.3.5 交易情况特征变量 |
3.3.6 Hedonic 模型优化输入变量体系 |
4 实证研究 |
4.1 数据的收集与处理 |
4.1.1 数据的收集 |
4.1.2 数据的处理 |
4.2 利用Hedonic模型进行指标优化 |
4.2.1 样本数据抽取与输入 |
4.2.2 训练前的处理 |
4.2.3 模型的初步训练 |
4.2.4 模型的优化 |
4.3 测试结果分析 |
4.3.1 证明了神经网络的可行性与优越性 |
4.3.2 证明了Hedonic模型优化指标的必要性与有效性 |
4.3.3 证明了学校教育资源对房地产价值的重要性 |
5 结论与研究展望 |
5.1 本文的主要结论 |
5.2 研究展望 |
参考文献 |
数据指标解释 |
样本打分情况 |
致谢 |
(10)基于效用的大数据定价方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 文献评述 |
1.3 研究意义 |
1.3.1 理论意义 |
1.3.2 实际意义 |
1.4 研究内容、方法与技术路线 |
1.4.1 主要研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
第2章 大数据定价相关理论 |
2.1 大数据相关理论 |
2.1.1 大数据的内涵 |
2.1.2 大数据的分类 |
2.1.3 大数据的特征 |
2.1.4 大数据的生命周期 |
2.2 大数据价值相关理论 |
2.2.1 大数据的价值 |
2.2.2 大数据价值的特征 |
2.2.3 大数据价值的影响因素 |
2.3 大数据定价理论 |
2.3.1 效用理论 |
2.3.2 斯塔克伯格博弈理论 |
2.4 本章小结 |
第3章 大数据定价方法分析 |
3.1 大数据定价方法概述 |
3.1.1 成本法 |
3.1.2 收益法 |
3.1.3 市场法 |
3.1.4 基于查询定价 |
3.1.5 基于质量定价 |
3.2 现有大数据定价方法的对比分析 |
3.3 本章小结 |
第4章 基于效用的大数据定价模型的构建 |
4.1 数据效用函数 |
4.1.1 数据效用函数的建立 |
4.1.2 机器学习模型 |
4.1.3 数据效用的度量 |
4.2 大数据定价模型的构建 |
4.2.1 大数据市场模型 |
4.2.2 数据产品提供商的利润函数 |
4.2.3 用户效用函数 |
4.2.4 基于斯塔克伯格博弈的大数据定价模型的建立 |
4.3 本章小结 |
第5章 基于效用的大数据定价模型应用研究 |
5.1 应用研究总体思路 |
5.2 基于随机森林算法的数据效用函数的确定 |
5.2.1 随机森林理论 |
5.2.2 数据收集及处理 |
5.2.3 随机森林模型的构建 |
5.2.4 数据效用函数 |
5.3 数据价格的确定 |
5.3.1 数据最优定价的确定 |
5.3.2 定价结果分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 本文创新点 |
6.3 研究不足及展望 |
6.3.1 研究不足 |
6.3.2 未来工作展望 |
致谢 |
参考文献 |
附录 量化后的研究区域二手房交易数据 |
在学期间发表的论文及学术成果 |
四、一种新的二手房价格评估方法(论文参考文献)
- [1]协同治理视角下开远市二手房交易税收征管研究[D]. 王海霞. 云南财经大学, 2021
- [2]基于深度学习的二手房价值评估模型研究[D]. 谢静. 重庆理工大学, 2021
- [3]基于灰色关联的BP神经网络模型在二手房评估中的应用[D]. 戴诗蒙. 重庆理工大学, 2021
- [4]基于BP神经网络房地产税基批量评估研究[D]. 马懿丹. 内蒙古财经大学, 2021
- [5]沈阳市二手房价格影响因素的统计分析[D]. 尹悦. 辽宁大学, 2021
- [6]基于机器学习的住宅批量估价方法研究 ——以北京海淀区二手住宅为例[D]. 冯璐瑶. 北京交通大学, 2021
- [7]基于LightGBM算法的北京市二手房估价模型研究[D]. 杨灿. 北京交通大学, 2020(03)
- [8]基于TBCI模型的房地产批量评估方法优化与实证研究[D]. 唐雅雯. 山东大学, 2020(12)
- [9]基于BP神经网络的学区房价值评估研究[D]. 何希文. 江西财经大学, 2020(12)
- [10]基于效用的大数据定价方法研究[D]. 陈俞宏. 重庆交通大学, 2020(02)