Please wait a minute...
Advanced Search
数据分析与知识发现  2019, Vol. 3 Issue (5): 19-26     https://doi.org/10.11925/infotech.2096-3467.2018.0881
  专题 本期目录 | 过刊浏览 | 高级检索 |
基于数据挖掘方法的HEDONIC房屋价格评估模型——以美国城市西雅图为例
陈万成(),戴浩然,金映含
浙江大学地球科学学院 杭州 310027
Appraising Home Prices with HEDONIC Model: Case Study of Seattle, U.S.
Wancheng Chen(),Haoran Dai,Yinghan Jin
School of Earth Sciences, Zhejiang University, Hangzhou 310027, China
全文: PDF (1405 KB)   HTML ( 9
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】依据HEDONIC理论, 利用不同类型特征构建商品房价格评估模型, 为房屋价格评估工作提供一个效率更高、成本更低、准确性更高的解决方案。【方法】利用空间分析方法, 对预处理后的数据构造并选取重要特征, 基于随机森林、神经网络以及KNN建立融合模型。【结果】分析西雅图2014年至2015年商品房价格评估结果可以得出: 该模型明显优于线性HEDONIC模型, 准确度提升11.20%, 较为可靠。【局限】选取样本数据时, 时间截面并不完全一致, 导致模型存在潜在缺陷; 由于市场环境不同等多种因素, 将该模型运用于中国房屋价格的评估可能会存在偏差。【结论】本文提出的融合模型是一种较为可靠的房屋价格评估模型。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈万成
戴浩然
金映含
关键词 房价评估HEDONIC模型随机森林神经网络KNN    
Abstract

[Objective] This paper proposes a model based on the HEDONIC theory, aiming to assess home prices more efficiently, cost-effectively and accurately. [Methods] We adopted the spatial analysis method to extract important features from pre-processed data. Then, we built the model with Random Forest, KNN and Neural Networks. [Results] We examined our model with property price data of Seattle (USA) from 2014 to 2015 and found its precision was 11.20% higher than the linear model. [Limitations] The sample data was not retrieved from the same time slice, which might affect the performance of our model. Using this model to assess home prices in China might be biased due to different market environment and other factors. [Conclusions] The proposed model is a reliable method to appraise property prices.

Key wordsHouse Price Evaluation    HEDONIC Model    Random Forest    Neural Network    KNN
收稿日期: 2018-08-06      出版日期: 2019-07-03
引用本文:   
陈万成,戴浩然,金映含. 基于数据挖掘方法的HEDONIC房屋价格评估模型——以美国城市西雅图为例[J]. 数据分析与知识发现, 2019, 3(5): 19-26.
Wancheng Chen,Haoran Dai,Yinghan Jin. Appraising Home Prices with HEDONIC Model: Case Study of Seattle, U.S.. Data Analysis and Knowledge Discovery, 2019, 3(5): 19-26.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2018.0881      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2019/V3/I5/19
[1] Carbone R, Longini R L.A Feedback Model for Automated Real Estate Assessment[J]. Management Science, 1977, 24(3): 241-248.
[2] Gloudemans R J.Comparison of Three Residential Regression Models: Additive, Multiplicative, and Nonlinear[J]. Assessment Journal, 2002, 9(4): 25-36.
[3] Waugh F V.Quality Factors Influencing Vegetable Prices[J]. Journal of Farm Economics, 1928, 10(2): 185-196.
[4] Ridker R G, Henning J A.The Determinants of Residential Property Values with Special Reference to Air Pollution[J]. Review of Economics & Statistics, 1967, 49(2): 246-257.
[5] Lancaster K J.A New Approach to Consumer Theory[J]. Journal of Political Economy, 1967, 74(2): 132-157.
[6] Rosen S.Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition[J]. Journal of Political Economy, 1974, 82(1): 34-55.
[7] Chambers D N.The Racial Housing Price Differential and Racially Transitional Neighborhoods[J]. Journal of Urban Economics, 1992, 32(2): 214-232.
[8] Chica-Olmo J.Prediction of Housing Location Price by a Multivariate Spatial Method: Cokriging[J]. Journal of Real Estate Research, 2007, 29(1): 95-114.
[9] Wheeler D C, Páez A, Spinney J, et al.A Bayesian Approach to Hedonic Price Analysis[J]. Papers in Regional Science, 2013, 93(3): 663-683.
[10] Ceccato V, Wilhelmsson M.The Impactof Crimeon Apartment Prices: Evidencefrom Stockholm, Sweden[J]. GeografiskaAnnaler, 2011, 93(1): 81-103.
[11] Cohen J P, Cromley R G, Banach K T.Are Homes Near Water Bodies and Wetlands Worth More or Less? An Analysis of Housing Prices in One Connecticut Town[J]. Growth & Change, 2015, 46(1): 114-132.
[12] 张维阳, 李慧, 段学军. 城市轨道交通对住宅价格的影响研究——以北京市地铁一号线为例[J]. 经济地理, 2012, 32(2): 46-51.
[12] (Zhang Weiyang, Li Hui, Duan Xuejun.The Impacts of Rail Transit on Property Values——The Case of No.1 Line in Beijing[J]. Economic Geography, 2012, 32(2): 46-51.)
[13] NOAA Satellites and Information. Mean Number of Days with Precipitation 0.01 Inch or More[EB/OL]. [2018-02-27]. .
[14] United States Census Bureau.2014. Community Facts [DB/OL]. [2018-02-27]. .
[15] Data USA.SEATTLE, WA[EB/OL]. [2018-02-27]..
[16] Federal Bureau of Investigation. The FBI Releases 2015 Crime Statistics for Washington State [R]. [2018-02-27]. .
[17] 郑佳. 基于HEDONIC的商品住宅批量评估研究 [D]. 哈尔滨: 哈尔滨工业大学, 2014.
[17] (Zheng Jia.Research on Hedonic Model in the Mass Appraisal of Commercial Housing [D]. Harbin:Harbin Institute of Technology,2014.)
[18] Perry C.The Neighborhood Unit[M]. Thoemmes Press, 1998.
[1] 范少萍,赵雨宣,安新颖,吴清强. 基于卷积神经网络的医学实体关系分类模型研究*[J]. 数据分析与知识发现, 2021, 5(9): 75-84.
[2] 范涛,王昊,吴鹏. 基于图卷积神经网络和依存句法分析的网民负面情感分析研究*[J]. 数据分析与知识发现, 2021, 5(9): 97-106.
[3] 刘渊晨, 王昊, 高亚琪. 在线音乐歌单播放量预测及影响因素分析*[J]. 数据分析与知识发现, 2021, 5(8): 100-112.
[4] 顾耀文, 张博文, 郑思, 杨丰春, 李姣. 基于图注意力网络的药物ADMET分类预测模型构建方法*[J]. 数据分析与知识发现, 2021, 5(8): 76-85.
[5] 张乐, 冷基栋, 吕学强, 崔卓, 王磊, 游新冬. RLCPAR:一种基于强化学习的中文专利摘要改写模型*[J]. 数据分析与知识发现, 2021, 5(7): 59-69.
[6] 孟镇,王昊,虞为,邓三鸿,张宝隆. 基于特征融合的声乐分类研究*[J]. 数据分析与知识发现, 2021, 5(5): 59-70.
[7] 韩普,张展鹏,张明淘,顾亮. 基于多特征融合的中文疾病名称归一化研究*[J]. 数据分析与知识发现, 2021, 5(5): 83-94.
[8] 王楠,李海荣,谭舒孺. 基于改进SMOTE算法与集成学习的舆情反转预测研究*[J]. 数据分析与知识发现, 2021, 5(4): 37-48.
[9] 李丹阳, 甘明鑫. 基于多源信息融合的音乐推荐方法 *[J]. 数据分析与知识发现, 2021, 5(2): 94-105.
[10] 程铁军, 王曼, 黄宝凤, 冯兰萍. 基于CEEMDAN-BP模型的突发事件网络舆情预测研究*[J]. 数据分析与知识发现, 2021, 5(11): 59-67.
[11] 丁浩, 艾文华, 胡广伟, 李树青, 索炜. 融合用户兴趣波动时序的个性化推荐模型*[J]. 数据分析与知识发现, 2021, 5(11): 45-58.
[12] 尹浩然,曹金璇,曹鲁喆,王国栋. 扩充语义维度的BiGRU-AM突发事件要素识别研究*[J]. 数据分析与知识发现, 2020, 4(9): 91-99.
[13] 邱尔丽,何鸿魏,易成岐,李慧颖. 基于字符级CNN技术的公共政策网民支持度研究 *[J]. 数据分析与知识发现, 2020, 4(7): 28-37.
[14] 王思迪,胡广伟,杨巳煜,施云. 基于文本分类的政府网站信箱自动转递方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 51-59.
[15] 刘伟江,魏海,运天鹤. 基于卷积神经网络的客户信用评估模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 80-90.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn