基于大数据技术的城市二手房价格预测

发布时间：2022-07-11 17:42

　　近两年来,我国在强调加快城市化进程的同时不断出台各种针对房地产的调控政策,房地产市场的未来走势逐渐成为全民关注的焦点。当下城市化进程的加快推动着房地产市场的发展,在部分热门的城市中房地产行业甚至逐渐发展成了重要的支柱产业,此时对房地产行业进行深入的研究富有实际意义。通过对该行业的深入了解,一般开发商会对城市未开发土地的价值以及所建房屋的定位等方面进行研究,而本文是从普通消费者角度出发,较为直观的对我国城市二手房屋价格进行研究,研究的结果可以为消费者在购房时提供重要且合理的参考依据。对于房价的分析预测其实在房地产市场一直存在,但是至今实际在用的仍然局限于统计分析或者多元线性回归等传统方法,这些方法在如今数据井喷且社会因素繁杂的大环境下已经达不到最好的效果,同时普通机器学习模型的处理效果也满足不了高层次机构的要求。目前将大数据和深度学习技术用在房价预测方面的案例较少,针对这种前沿技术与实践脱节的现状,本文结合大数据平台,利用深度学习方法进行建模,将目前这两种最前沿的技术相结合并应用于房屋价格这一热点民生问题上,更加合理的把握数据的内部规律,将当前房价预测方法的精确度进一步提高。本文是对二手... 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
        1.1.1 房价预测
        1.1.2 大数据和深度学习
    1.2 研究现状
        1.2.1 房价预测
        1.2.2 大数据和深度学习
    1.3 主要工作
    1.4 主要结构
第二章 相关技术介绍
    2.1 Spark平台
        2.1.1 Spark介绍
        2.1.2 Spark ML库
    2.2 机器学习算法
        2.2.1 传统机器学习
        2.2.2 深度学习
    2.3 Oracle数据库以及相关工具
        2.3.1 Oracle数据库
        2.3.2 PLSQL Developer
        2.3.3 Sqoop
第三章 房屋价格影响因素体系
    3.1 影响价格的因素体系
    3.2 影响因素指标的量化
    3.3 原始数据预处理
        3.3.1 数据清洗
        3.3.2 初步数据分析
        3.3.3 数据标准化
    3.4 数据处理总结
第四章 实验模型和评价指标的选取
    4.1 建立实验模型
        4.1.1 多元线性回归模型
        4.1.2 决策树
        4.1.3 随机森林
        4.1.4 ARMA模型
        4.1.5 LSTM模型
        4.1.6 GRU模型
    4.2 评价指标
        4.2.1 均方误差
        4.2.2 平均绝对值误差
        4.2.3 平均百分比误差
        4.2.4 实验耗时
第五章 房价预测系统的实现
    5.1 实验环境
    5.2 实验步骤
    5.3 实验过程及结果
        5.3.1基于普通平台的实验
        5.3.2基于Spark平台的实验
    5.4 实验对比分析
第六章 总结与应用展望
参考文献
致谢
作者简介及读研期间主要科研成果



本文编号：3658599