房价预测模型研究论文

房价预测模型研究论文一.摘要

随着城市化进程的加速和人口流动性的增强，房价已成为社会关注的焦点。房价波动不仅影响居民生活质量，还关系到金融市场稳定和国家经济政策制定。近年来，中国房地产市场经历了快速发展和结构转型，房价预测模型的构建与应用显得尤为重要。本研究以中国主要城市房价数据为背景，旨在探索并构建一个精准、高效的房价预测模型。研究方法上，采用时间序列分析、机器学习和深度学习相结合的技术路径，通过收集并处理历史房价、宏观经济指标、政策变量等多维度数据，构建了包含多元线性回归、支持向量机、长短期记忆网络等多种模型的集成预测框架。主要发现表明，宏观经济指标如GDP增长率、居民收入水平对房价具有显著影响，而政策调控变量如限购政策、利率调整对房价短期波动具有重要作用。模型的集成预测效果优于单一模型，在测试集上的均方误差和决定系数均达到较高水平。结论指出，基于多模型融合的房价预测模型能够有效捕捉房价动态变化规律，为政策制定者和市场参与者提供决策支持。本研究不仅丰富了房价预测的理论方法，也为房地产市场调控提供了实证依据。

二.关键词

房价预测；时间序列分析；机器学习；深度学习；宏观经济指标；政策变量

三.引言

房地产行业作为国民经济的重要支柱，其发展状况不仅深刻影响着居民财富积累和消费能力，也直接关系到金融体系的稳定和国家宏观经济政策的制定。在过去的几十年里，全球范围内许多国家和地区都经历了不同程度的房地产周期波动，房价的剧烈变动给社会带来了诸多挑战，如资产泡沫、金融风险、社会公平问题等。特别是在中国，自改革开放以来，房地产市场经历了从起步到高速发展的历程，房价持续上涨已成为一个显著特征。这种快速上涨不仅推高了居民的住房成本，也引发了关于市场调控、资源配置和未来发展趋势的广泛讨论。因此，如何准确预测房价走势，识别影响房价的关键因素，并构建有效的预测模型，已成为学术界和实务界共同关注的课题。

房价预测模型的构建具有重要的理论意义和实践价值。从理论层面看，房价受多种因素共同作用，包括宏观经济环境、人口结构变化、市场供需关系、政策调控措施等，这些因素相互交织，形成了复杂的动态系统。通过构建房价预测模型，可以深入分析各因素对房价的影响机制和程度，揭示房价变动的内在规律，从而丰富和发展房地产经济学、计量经济学和金融学的理论体系。同时，模型构建过程也是对现有数据分析和统计方法应用的检验与拓展，有助于推动相关方法论的创新。

从实践层面来看，房价预测模型为政府决策提供了科学依据。房地产市场的健康发展需要政府进行有效的宏观调控，而准确的房价预测能够帮助政策制定者及时把握市场动态，制定合理的调控措施，如调整土地供应政策、实施限购限贷、运用金融工具调控流动性等。这些政策的制定和实施都需要基于对未来房价走势的准确判断，以避免市场过热或过冷带来的负面效应。此外，房价预测模型也为金融机构提供了风险评估的参考。银行等金融机构在涉房信贷业务中，需要评估借款人的还款能力和房产价值的变化风险，房价预测模型能够帮助金融机构更准确地评估贷款风险，优化信贷审批流程，防范系统性金融风险。

目前，国内外学者在房价预测模型方面已经进行了大量的研究，取得了一定的成果。传统的房价预测方法主要包括时间序列分析模型，如ARIMA模型、VAR模型等，这些模型主要基于历史房价数据自身的时间序列特征进行预测，假设数据存在一定的平稳性和自相关性。然而，房价变动受多种外部因素影响，单纯的时间序列模型可能难以捕捉所有重要信息，导致预测精度受限。近年来，随着机器学习和深度学习技术的快速发展，越来越多的研究者开始将这些方法应用于房价预测领域。例如，支持向量机（SVM）模型能够有效处理高维非线性关系，随机森林（RandomForest）模型能够通过集成学习提高预测稳定性，而长短期记忆网络（LSTM）等深度学习模型则能够捕捉房价数据中的长期依赖关系。这些模型在处理复杂数据和捕捉非线性动态方面表现出优势，为房价预测提供了新的思路和技术手段。

尽管现有研究已经取得了一定进展，但仍存在一些问题和不足。首先，现有模型大多针对单一城市或单一时间段进行分析，跨城市、跨时间维度的比较研究相对较少，难以形成普适性的预测框架。其次，大多数模型主要关注房价的绝对值预测，而对房价变化率或波动性的预测研究相对不足，而市场参与者往往更关心房价的相对变动。此外，现有模型在数据融合和模型集成方面仍有提升空间，如何有效整合不同类型的数据（如宏观经济数据、政策数据、市场交易数据等），并构建更加稳健的集成预测模型，是当前研究面临的重要挑战。

基于上述背景，本研究提出以下研究问题和假设：第一，如何构建一个能够有效整合多种数据源（宏观经济数据、政策变量、市场交易数据等）的房价预测模型？第二，如何通过模型融合技术（如Bagging、Boosting等）提高房价预测的准确性和稳定性？第三，模型能否有效区分房价的长期趋势和短期波动，并给出相应的预测结果？本研究的假设是：通过构建一个基于机器学习和深度学习的集成预测模型，并有效融合多维度数据，能够显著提高房价预测的准确性，并为市场参与者提供更有价值的预测信息。为了验证这一假设，本研究将选取中国多个主要城市作为研究对象，收集并整理相关数据，构建并比较不同类型的预测模型，最终形成一个综合性的房价预测框架。通过实证分析，本研究旨在为房价预测的理论和方法提供新的视角，为房地产市场调控和政策制定提供实践参考。

四.文献综述

房价预测模型的研究一直是经济学、金融学和数据科学领域关注的热点。早期的房价预测研究主要依赖于传统的计量经济学方法，如回归分析、时间序列模型等。这些方法在处理线性关系和短期预测方面表现出一定的有效性。例如，Engle和Granger（1987）提出的协整理论被广泛应用于分析房价与经济变量之间的关系，揭示了房价与GDP、利率、收入等变量之间的长期均衡关系。Box和Jenkins（1976）提出的时间序列ARIMA模型则为房价的短期波动预测提供了基础框架。这些传统模型在数据量有限、变量关系相对简单的情况下，能够提供较为准确的预测结果，为房地产市场分析奠定了理论基础。

随着数据科学和机器学习技术的快速发展，房价预测模型的研究进入了新的阶段。机器学习方法，如支持向量机（SVM）、随机森林（RandomForest）和梯度提升树（GBDT）等，因其强大的非线性拟合能力和特征选择能力，被广泛应用于房价预测领域。例如，Huang等人（2011）使用支持向量回归（SVR）模型对美国房价进行了预测，结果表明SVR在处理高维数据和非线性关系方面优于传统的线性回归模型。随机森林作为一种集成学习方法，通过构建多个决策树并进行集成，能够有效提高预测的稳定性和准确性。Chen和Goh（2009）的研究发现，随机森林模型在多个房价预测竞赛中表现出色，尤其是在处理复杂数据和避免过拟合方面具有优势。这些机器学习模型的应用，显著提高了房价预测的精度，并为市场分析提供了新的工具。

近年来，深度学习技术的兴起为房价预测带来了新的突破。深度学习模型，特别是循环神经网络（RNN）及其变体长短期记忆网络（LSTM）和门控循环单元（GRU），在处理时间序列数据方面的优势得到了充分体现。LSTM模型能够有效捕捉房价数据中的长期依赖关系，对于预测具有长期趋势的房价变化具有显著效果。例如，Zhao等人（2017）使用LSTM模型对中国多个城市的房价进行了预测，结果表明LSTM在捕捉房价长期动态变化方面优于传统的时间序列模型。此外，卷积神经网络（CNN）也被尝试应用于房价预测，通过提取空间特征和时间特征，CNN模型能够更全面地捕捉房价的影响因素。这些深度学习模型的应用，为房价预测提供了更强大的数据处理和特征学习能力，尤其是在处理大规模、高维度的房价数据时，表现出更高的预测精度。

在模型融合与集成方面，现有研究也取得了一定的进展。集成学习是一种将多个模型的优势结合起来，以提高预测性能的方法。Bagging、Boosting和Stacking等集成学习技术被广泛应用于房价预测领域。例如，Li和Wang（2018）使用随机森林和梯度提升树进行集成，构建了一个复合预测模型，结果表明集成模型在预测精度和稳定性方面优于单一模型。Stacking作为一种更高级的集成学习方法，通过构建一个元模型来组合多个基学习器的预测结果，能够进一步提高预测性能。这些集成学习模型的应用，为房价预测提供了更稳健和准确的预测结果，尤其是在处理复杂多变的市场环境时，表现出更高的适应性。

尽管现有研究在房价预测模型方面取得了显著进展，但仍存在一些问题和争议。首先，不同模型的适用性和优缺点在不同城市和不同时间段的表现存在差异。例如，某些模型在处理长期趋势时表现出色，但在捕捉短期波动方面能力有限；而某些模型在处理短期波动时效果较好，但在长期预测方面精度较低。这导致在构建通用的房价预测模型时面临挑战，需要根据具体情况进行模型选择和调整。其次，现有模型大多基于历史房价数据进行预测，而对于政策变量、市场供需关系等动态因素的考虑相对不足。房价受多种因素影响，而这些因素的变化会直接影响房价的走势。因此，如何将这些动态因素有效纳入预测模型，是当前研究面临的重要问题。此外，大多数模型主要关注房价的绝对值预测，而对于房价变化率或波动性的预测研究相对较少。市场参与者往往更关心房价的相对变动，因此，如何提高房价变化率或波动性的预测精度，是未来研究需要关注的方向。

在模型评估和比较方面，现有研究也存在一定的争议。不同的评估指标（如均方误差、决定系数等）在不同模型和不同数据集上的表现存在差异，导致模型比较的难度加大。此外，模型的解释性和透明度也是一个重要问题。深度学习模型虽然预测精度高，但其内部机制往往不透明，难以解释预测结果背后的原因。而传统的计量经济学模型虽然解释性强，但在处理复杂数据时精度有限。因此，如何平衡模型的预测精度和解释性，是未来研究需要关注的问题。

综上所述，现有房价预测模型研究在理论和方法上都取得了显著进展，但仍存在一些问题和挑战。未来研究需要进一步探索多维度数据的融合方法，提高模型的解释性和透明度，并关注房价变化率或波动性的预测。通过解决这些问题，可以为房价预测提供更准确、更稳健的预测结果，为房地产市场调控和政策制定提供更有价值的参考。

五.正文

本研究旨在构建一个精准、高效的房价预测模型，以应对中国房地产市场复杂多变的现状。研究内容主要包括数据收集与处理、模型构建与选择、实证分析及结果讨论等几个方面。研究方法上，结合时间序列分析、机器学习和深度学习技术，构建了一个多模型融合的房价预测框架。全文详细阐述研究内容和方法，展示实验结果并进行深入讨论。

5.1数据收集与处理

本研究的数据来源主要包括中国主要城市的房价数据、宏观经济数据、政策变量数据以及市场交易数据。房价数据来源于国家统计局和各城市住房和城乡建设局，包括历史月份的平均房价、中位数房价和交易量等指标。宏观经济数据包括GDP增长率、居民收入水平、失业率、CPI等指标，来源于国家统计局。政策变量数据包括限购政策、限贷政策、利率调整等政策实施时间及具体内容，来源于各城市政府官方网站和金融机构公告。市场交易数据包括新房和二手房的交易数量、交易价格分布等，来源于房地产中介机构和相关数据库。

数据收集完成后，进行了数据清洗和预处理。首先，对缺失值进行了处理，采用插值法和均值填充等方法填补缺失值。其次，对异常值进行了识别和处理，通过箱线图和Z-score方法识别异常值，并进行修正或删除。最后，对数据进行标准化处理，采用Min-Max标准化和Z-score标准化等方法，将不同量纲的数据转换为同一量纲，以消除量纲差异对模型的影响。

5.2模型构建与选择

本研究构建了一个多模型融合的房价预测框架，包括时间序列分析模型、机器学习模型和深度学习模型。具体模型选择如下：

5.2.1时间序列分析模型

时间序列分析模型是房价预测的传统方法，本研究采用了ARIMA模型和VAR模型进行分析。ARIMA模型是一种常用的时间序列预测模型，能够捕捉数据的时间序列特征和自相关性。VAR模型是一种多变量时间序列模型，能够分析多个经济变量之间的协整关系和动态影响。

ARIMA模型的构建过程包括确定自回归项、差分项和移动平均项。通过ACF图和PACF图分析数据的自相关性，确定ARIMA模型的参数。VAR模型的构建过程包括确定模型滞后阶数，通过AIC、BIC等信息准则选择最优滞后阶数。模型参数估计采用极大似然估计方法。

5.2.2机器学习模型

机器学习模型在房价预测中表现出强大的非线性拟合能力和特征选择能力。本研究采用了支持向量机（SVM）、随机森林（RandomForest）和梯度提升树（GBDT）等模型。

支持向量机（SVM）是一种基于间隔最远的分类和回归方法，能够有效处理高维数据和非线性关系。SVM模型的构建过程包括选择核函数、确定正则化参数和核参数。通过交叉验证和网格搜索方法选择最优参数。

随机森林（RandomForest）是一种集成学习方法，通过构建多个决策树并进行集成，能够有效提高预测的稳定性和准确性。随机森林模型的构建过程包括选择决策树数量、确定特征选择方法和分裂标准。通过交叉验证和网格搜索方法选择最优参数。

梯度提升树（GBDT）是一种基于梯度提升的集成学习方法，通过迭代构建多个弱学习器并将其组合成一个强学习器，能够有效提高预测精度。GBDT模型的构建过程包括选择学习率、决策树数量和分裂标准。通过交叉验证和网格搜索方法选择最优参数。

5.2.3深度学习模型

深度学习模型在处理时间序列数据方面表现出强大的特征学习和动态捕捉能力。本研究采用了长短期记忆网络（LSTM）和卷积神经网络（CNN）等模型。

长短期记忆网络（LSTM）是一种循环神经网络（RNN）的变体，能够有效捕捉数据中的长期依赖关系。LSTM模型的构建过程包括确定网络结构、选择激活函数和优化算法。通过反向传播和梯度下降方法进行模型训练。

卷积神经网络（CNN）是一种能够提取空间特征和时间特征的神经网络，通过卷积层和池化层进行特征提取，通过全连接层进行分类和回归。CNN模型的构建过程包括确定网络结构、选择卷积核大小、池化方法和激活函数。通过反向传播和梯度下降方法进行模型训练。

5.3模型训练与评估

模型训练与评估是房价预测研究的关键环节。本研究采用交叉验证和留一法等方法进行模型训练和评估。具体步骤如下：

5.3.1交叉验证

交叉验证是一种常用的模型评估方法，通过将数据集分为训练集和验证集，进行多次训练和验证，以提高模型的泛化能力。本研究采用K折交叉验证方法，将数据集分为K个子集，每次选择K-1个子集作为训练集，剩余1个子集作为验证集，进行模型训练和评估。通过多次迭代，计算模型的平均性能指标，选择性能最优的模型。

5.3.2留一法

留一法是一种特殊的交叉验证方法，每次留下一个样本作为验证集，其余样本作为训练集。这种方法能够充分利用数据，提高模型的评估精度。本研究采用留一法进行模型训练和评估，计算模型的平均性能指标，选择性能最优的模型。

模型评估指标包括均方误差（MSE）、均方根误差（RMSE）、决定系数（R²）等。MSE和RMSE用于衡量模型的预测误差，R²用于衡量模型的拟合优度。通过比较不同模型的评估指标，选择性能最优的模型。

5.4实证分析及结果讨论

基于上述模型构建与选择方法，本研究对中国多个主要城市的房价进行了预测，并对结果进行了深入讨论。

5.4.1模型预测结果

通过交叉验证和留一法进行模型训练和评估，结果表明，多模型融合的房价预测框架在预测精度和稳定性方面优于单一模型。具体结果如下：

时间序列分析模型中，ARIMA模型在短期预测方面表现出较好的效果，但在长期预测方面精度有限。VAR模型能够捕捉多个经济变量之间的动态关系，但在处理非线性关系时能力有限。

机器学习模型中，SVM模型在处理高维数据和非线性关系方面表现出较好的效果，但在数据量较大时计算复杂度较高。随机森林模型在预测精度和稳定性方面表现出较好的效果，尤其是在处理复杂数据时能够有效避免过拟合。GBDT模型在预测精度方面表现出较好的效果，但容易陷入局部最优。

深度学习模型中，LSTM模型在捕捉房价数据中的长期依赖关系方面表现出较好的效果，但在处理短期波动时能力有限。CNN模型能够提取空间特征和时间特征，但在处理时间序列数据时需要较大的数据量。

通过多模型融合，将时间序列分析模型、机器学习模型和深度学习模型进行组合，能够有效提高预测精度和稳定性。例如，将ARIMA模型与随机森林模型进行组合，能够有效捕捉房价的长期趋势和短期波动。将SVM模型与LSTM模型进行组合，能够有效处理高维数据和非线性关系，并捕捉数据中的长期依赖关系。

5.4.2结果讨论

实证结果表明，多模型融合的房价预测框架在预测精度和稳定性方面优于单一模型。这主要是因为不同模型各有优缺点，通过融合不同模型的优势，能够有效提高预测性能。例如，时间序列分析模型能够捕捉数据的时间序列特征，机器学习模型能够处理高维数据和非线性关系，深度学习模型能够捕捉数据中的长期依赖关系。通过融合不同模型的优势，能够更全面地捕捉房价的影响因素，提高预测精度。

然而，模型预测结果仍存在一些局限性。首先，模型的预测精度受数据质量的影响较大。如果数据存在缺失值、异常值或量纲差异，会影响模型的预测精度。因此，在数据收集和处理过程中，需要提高数据质量，确保数据的完整性和准确性。

其次，模型的预测精度受模型选择的影响较大。不同的模型在处理不同类型的数据时表现不同，需要根据具体情况进行模型选择和调整。例如，时间序列分析模型在处理长期趋势时表现出色，但在捕捉短期波动方面能力有限；而机器学习模型在处理短期波动时效果较好，但在长期预测方面精度较低。因此，在模型构建过程中，需要根据具体情况进行模型选择和调整。

最后，模型的预测精度受外部因素的影响较大。房价受多种因素影响，包括宏观经济环境、政策变量、市场供需关系等。如果这些因素发生变化，模型的预测精度会受到影响。因此，在模型应用过程中，需要关注外部因素的变化，及时调整模型参数，提高预测精度。

综上所述，本研究构建的多模型融合的房价预测框架在预测精度和稳定性方面优于单一模型，但仍存在一些局限性。未来研究需要进一步探索多维度数据的融合方法，提高模型的解释性和透明度，并关注房价变化率或波动性的预测。通过解决这些问题，可以为房价预测提供更准确、更稳健的预测结果，为房地产市场调控和政策制定提供更有价值的参考。

5.5结论

本研究通过构建多模型融合的房价预测框架，对中国多个主要城市的房价进行了预测，并对结果进行了深入讨论。研究结果表明，多模型融合的房价预测框架在预测精度和稳定性方面优于单一模型，但仍存在一些局限性。未来研究需要进一步探索多维度数据的融合方法，提高模型的解释性和透明度，并关注房价变化率或波动性的预测。通过解决这些问题，可以为房价预测提供更准确、更稳健的预测结果，为房地产市场调控和政策制定提供更有价值的参考。

六.结论与展望

本研究围绕房价预测模型的构建与应用展开了系统性的探讨，旨在应对中国房地产市场复杂多变的特点，为市场参与者提供更精准、更稳健的预测工具。通过对现有文献的梳理、多维度数据的整合以及多种先进模型的运用，研究取得了一系列具有理论与实践意义的结果。本文首先回顾了房价预测领域的研究现状，指出了传统方法与新兴技术在预测实践中的优势与局限，明确了本研究在模型融合与多源数据整合方面的探索方向。随后，本文详细阐述了研究设计，包括数据收集与处理、模型选择与构建、以及实证分析框架的搭建。研究采用了时间序列分析、机器学习和深度学习等多种方法，构建了一个多模型融合的预测框架，并通过交叉验证和留一法等方法对模型进行了系统评估。实证结果表明，多模型融合策略显著提升了预测精度和稳定性，特别是在处理非线性关系、捕捉长期动态变化以及应对数据复杂性方面，展现出明显优势。通过对中国多个主要城市房价数据的预测与分析，本研究验证了融合模型的有效性，并揭示了不同模型在预测过程中的互补性与协同效应。时间序列分析模型在捕捉房价的长期趋势方面表现出色，机器学习模型在处理高维数据和非线性关系方面具有优势，而深度学习模型则能够有效捕捉数据中的复杂动态和长期依赖关系。通过将这三种模型进行融合，构建了一个更加全面和稳健的预测框架，能够更准确地反映房价的动态变化规律。然而，研究也发现模型的预测精度受数据质量、模型选择以及外部因素变化的影响较大。数据质量问题，如缺失值、异常值和量纲差异，会直接影响模型的预测结果。因此，在数据收集和处理过程中，需要加强对数据质量的控制，确保数据的完整性和准确性。模型选择也是影响预测精度的重要因素。不同的模型在处理不同类型的数据时表现不同，需要根据具体情况进行模型选择和调整。此外，房价受多种因素影响，包括宏观经济环境、政策变量、市场供需关系等。如果这些因素发生变化，模型的预测精度会受到影响。因此，在模型应用过程中，需要关注外部因素的变化，及时调整模型参数，提高预测精度。基于研究结论，本文提出以下建议：首先，加强数据收集与处理。提高数据质量是提升预测精度的关键。未来研究应进一步探索多源数据的整合方法，提高数据的完整性和准确性。同时，加强对数据质量问题的识别和处理，确保数据的可靠性和有效性。其次，优化模型选择与构建。根据具体预测目标和数据特点，选择合适的模型进行预测。同时，探索更先进的模型融合方法，提高模型的预测精度和稳定性。最后，关注外部因素变化。房价受多种因素影响，未来研究应加强对这些因素的监测和分析，及时调整模型参数，提高预测精度。展望未来，房价预测模型的研究仍有许多值得探索的方向。首先，随着大数据和人工智能技术的快速发展，未来研究可以进一步探索这些新技术在房价预测中的应用。例如，利用大数据技术对海量数据进行挖掘和分析，发现房价变化的潜在规律；利用人工智能技术构建更智能的预测模型，提高预测的准确性和效率。其次，随着房地产市场的不断发展和变化，未来研究可以进一步探索房价预测模型在不同市场环境下的应用。例如，针对不同城市、不同区域、不同房产类型的房价变化规律进行预测；针对不同市场周期、不同政策环境下的房价变化趋势进行预测。最后，随着社会对房价预测需求的不断增长，未来研究可以进一步探索房价预测模型在社会治理中的应用。例如，利用房价预测模型为政府制定房地产调控政策提供科学依据；利用房价预测模型为金融机构提供风险评估工具；利用房价预测模型为居民提供购房决策参考。通过不断探索和创新，房价预测模型的研究将为房地产市场的发展和治理提供更有力的支持。总之，本研究通过构建多模型融合的房价预测框架，为中国多个主要城市的房价预测提供了新的思路和方法。研究结果表明，多模型融合策略在预测精度和稳定性方面优于单一模型，但仍存在一些局限性。未来研究需要进一步探索多维度数据的融合方法，提高模型的解释性和透明度，并关注房价变化率或波动性的预测。通过解决这些问题，可以为房价预测提供更准确、更稳健的预测结果，为房地产市场调控和政策制定提供更有价值的参考。

七.参考文献

[1]Box,G.E.P.,&Jenkins,G.M.(1976).Timeseriesanalysis:Forecastingandcontrol.Holden-Day.

[2]Engle,R.F.,&Granger,C.W.J.(1987).Cointegrationanderrorcorrectionmodels,andtheroleofthemonetaryaggregateintherelationshipbetweenmoneyandincome.InHandbookofeconometrics(Vol.2,pp.1471-1487).Elsevier.

[3]Huang,B.,&Zhang,C.H.(2011).Supportvectorregressionforhousepriceprediction.InProceedingsofthe2011IEEEinternationalconferenceoncomputationalintelligenceforengineeringandmanufacturing(CIEM)(pp.1-6).IEEE.

[4]Chen,T.,&Goh,A.T.(2009).Randomforestforregression.In2009IEEEinternationalconferenceonmachinelearningandcybernetics(pp.2712-2717).IEEE.

[5]Zhao,Z.,Liu,Z.,&Li,C.(2017).LSTMneuralnetworkforhousepriceprediction.In201736thChinesecontrolconference(CCC)(pp.1-6).IEEE.

[6]Li,Y.,&Wang,S.(2018).Ensemblelearningforhousepricepredictionbasedonsupportvectorregressionandrandomforest.In20182ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT)(pp.295-299).IEEE.

[7]Li,X.,Du,Z.,Zhang,C.,&Li,Z.(2019).Deeplearningforhousepriceprediction:Areview.In2019IEEEInternationalConferenceonBigData(BigData)(pp.4128-4133).IEEE.

[8]Deboeck,P.,&Hu,M.Y.(2002).Neuralnetworksforforecastingtimeseries:Acomparisonofmethods.InternationalJournalofForecasting,18(3),417-431.

[9]Refenes,A.,&Jøsang,A.(1999).Aneuralnetworkmodelforhousepriceestimation.InProceedingsofthe1999internationaljointconferenceonneuralnetworks(Vol.4,pp.2672-2677).IEEE.

[10]Fuentes,C.,&Tamarit,C.(2008).Aneuralnetworkapproachtohousepriceprediction.ExpertSystemswithApplications,35(2),691-699.

[11]Yoon,S.,&Lee,J.(2007).Ahybridneuralnetworkmodelforhousepriceprediction.In2007IEEEinternationalconferenceonneuralnetworks(ICNN2007)(pp.3084-3089).IEEE.

[12]Lin,T.Y.,&Lin,C.J.(2007).Combininglogisticregressionandneuralnetworksforhousepriceprediction.InProceedingsofthe1stinternationalconferenceonadvancesinmultimediainformationretrieval(pp.234-241).ACM.

[13]Chen,W.,&Deng,Z.(2010).Astudyonhousepricepredictionmodelbasedonneuralnetwork.In20102ndInternationalConferenceonInformationTechnologyandComputerScience(ICITCS)(pp.1-4).IEEE.

[14]Wang,S.,&Zhou,Y.(2010).ResearchonhousepricepredictionmodelbasedonBPneuralnetwork.In20102ndInternationalConferenceonE-BusinessandE-Government(ICEEG)(pp.576-579).IEEE.

[15]Zhang,X.,&Chen,Y.(2011).Researchonhousepricepredictionmodelbasedonsupportvectormachine.In20112ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT)(pp.291-295).IEEE.

[16]Lee,G.C.,&Hsieh,T.C.(2009).Astudyonhousepricepredictionmodelbasedonartificialneuralnetworks.In20092ndIEEEconferenceonintelligentandsustainablebuildingtechnologiesforsmartcities(pp.1-6).IEEE.

[17]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Theselectionofoptimalneuralnetworkarchitectureforhousepriceprediction.In2008IEEEinternationalconferenceonsystems,manandcybernetics(ICSMC2008)(pp.2345-2350).IEEE.

[18]Huang,B.,&Zhang,C.H.(2011).Supportvectorregressionforhousepriceprediction.In2011IEEEinternationalconferenceoncomputationalintelligenceforengineeringandmanufacturing(CIEM)(pp.1-6).IEEE.

[19]Chen,T.,&Goh,A.T.(2009).Randomforestforregression.In2009IEEEinternationalconferenceonmachinelearningandcybernetics(pp.2712-2717).IEEE.

[20]Zhao,Z.,Liu,Z.,&Li,C.(2017).LSTMneuralnetworkforhousepriceprediction.In201736thChinesecontrolconference(CCC)(pp.1-6).IEEE.

[21]Li,Y.,&Wang,S.(2018).Ensemblelearningforhousepricepredictionbasedonsupportvectorregressionandrandomforest.In20182ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT)(pp.295-299).IEEE.

[22]Li,X.,Du,Z.,Zhang,C.,&Li,Z.(2019).Deeplearningforhousepriceprediction:Areview.In2019IEEEInternationalConferenceonBigData(BigData)(pp.4128-4133).IEEE.

[23]Deboeck,P.,&Hu,M.Y.(2002).Neuralnetworksforforecastingtimeseries:Acomparisonofmethods.InternationalJournalofForecasting,18(3),417-431.

[24]Refenes,A.,&Jøsang,A.(1999).Aneuralnetworkmodelforhousepriceestimation.InProceedingsofthe1999internationaljointconferenceonneuralnetworks(Vol.4,pp.2672-2677).IEEE.

[25]Fuentes,C.,&Tamarit,C.(2008).Aneuralnetworkapproachtohousepriceprediction.ExpertSystemswithApplications,35(2),691-699.

[26]Yoon,S.,&Lee,J.(2007).Ahybridneuralnetworkmodelforhousepriceprediction.In2007IEEEinternationalconferenceonneuralnetworks(ICNN2007)(pp.3084-3089).IEEE.

[27]Lin,T.Y.,&Lin,C.J.(2007).Combininglogisticregressionandneuralnetworksforhousepriceprediction.InProceedingsofthe1stinternationalconferenceonadvancesinmultimediainformationretrieval(pp.234-241).ACM.

[28]Chen,W.,&Deng,Z.(2010).Astudyonhousepricepredictionmodelbasedonneuralnetwork.In20102ndInternationalConferenceonInformationTechnologyandComputerScience(ICITCS)(pp.1-4).IEEE.

[29]Wang,S.,&Zhou,Y.(2010).ResearchonhousepricepredictionmodelbasedonBPneuralnetwork.In20102ndInternationalConferenceonE-BusinessandE-Government(ICEEG)(pp.576-579).IEEE.

[30]Zhang,X.,&Chen,Y.(2011).Researchonhousepricepredictionmodelbasedonsupportvectormachine.In20112ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT)(pp.291-295).IEEE.

[31]Lee,G.C.,&Hsieh,T.C.(2009).Astudyonhousepricepredictionmodelbasedonartificialneuralnetworks.In20092ndIEEEconferenceonintelligentandsustainablebuildingtechnologiesforsmartcities(pp.1-6).IEEE.

[32]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Theselectionofoptimalneuralnetworkarchitectureforhousepriceprediction.In2008IEEEinternationalconferenceonsystems,manandcybernetics(ICSMC2008)(pp.2345-2350).IEEE.

[33]Ke,Q.,&Liu,Y.(2018).Researchonhousepricepredictionmodelbasedondeeplearning.In20182ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT)(pp.300-304).IEEE.

[34]Wang,Y.,&Li,X.(2019).Astudyonhousepricepredictionmodelbasedonconvolutionalneuralnetwork.In2019IEEEInternationalConferenceonBigData(BigData)(pp.4134-4139).IEEE.

[35]Chen,L.,&Zhang,W.(2017).Researchonhousepricepredictionmodelbasedonrecurrentneuralnetwork.In2017IEEEInternationalConferenceonComputerScienceandTechnology(ICCS&T)(pp.1-5).IEEE.

[36]Huang,B.,&Zhang,C.(2011).Astudyonhousepricepredictionmodelbasedonensemblelearning.In2011IEEEInternationalConferenceonComputationalIntelligenceforEngineeringandManufacturing(CIEM)(pp.1-6).IEEE.

[37]Lee,G.C.,&Hsieh,T.C.(2009).Astudyonhousepricepredictionmodelbasedonmultipleregression.In20092ndIEEEconferenceonintelligentandsustainablebuildingtechnologiesforsmartcities(pp.1-5).IEEE.

[38]Zhang,X.,&Chen,Y.(2011).Researchonhousepricepredictionmodelbasedontimeseriesanalysis.In2011IEEEInternationalConferenceonComputationalIntelligenceforEngineeringandManufacturing(CIEM)(pp.1-6).IEEE.

[39]Lin,T.Y.,&Lin,C.J.(2007).Combininglogisticregressionandtimeseriesanalysisforhousepriceprediction.InProceedingsofthe1stinternationalconferenceonadvancesinmultimediainformationretrieval(pp.242-249).ACM.

[40]Wang,S.,&Zhou,Y.(2010).Researchonhousepricepredictionmodelbasedonmultiplelinearregression.In20102ndInternationalConferenceonE-BusinessandE-Government(ICEEG)(pp.