基于深度学习城市住宅地价影响因素识别与量化
发布时间：2021-12-11 19:43
近年来随着国家经济的迅速发展,城市中的土地交易越来越频繁,同时也产生了诸如土地投机、价格上涨过快等问题。土地市场的规范、土地价格的限制、房地产业的把控是国家未来需要解决的重大问题。而住宅作为人民生活中的必需品,与其直接相关的城市住宅土地价格就成了土地问题研究的重中之重。而由于其重要性,住宅土地价格也受到诸多复杂因素的影响,对住宅土地价格的研究,实质上就是对复杂的住宅地价影响因素的研究。在目前的研究中,现有的Hedonic模型、BP神经网络（back propagation neural network,BPNN）等研究方法和模型虽然都有各自的优点,但在对于城市地价这一复杂对象的研究上均存在一定的缺陷和不足。因此,本文收集成都市2010年的城市地价因素数据以及成都市2010年至2017年的住宅土地交易数据,进行必要的处理后,使用深度信念网络DBN（deep belief nets,DBN）对成都市进行基于地价因素的住宅地价评估实验,并与传统地价评估模型进行对比,验证深度学习技术在城市地价因素识别与量化上的可行性与存在的优势。本文主要研究方法如下:（1）使用ArcGIS?
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：90 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 国内研究现状
1.2.2 国外研究现状
1.3 研究内容
1.4 研究方法与技术路线
1.4.1 研究方法
1.4.2 技术路线
1.5 本文组织结构
第二章 相关模型与理论
2.1 Hedonic模型
2.1.1 Hedonic模型简介
2.1.2 Hedonic模型在住宅地价评估中的应用
2.2 BP神经网络
2.3 深度学习
2.3.1 深度学习简介
2.3.2 深度学习模型
2.3.3 深度学习的特点
2.4 深度信念网络DBN
2.4.1 受限玻尔兹曼机RBM
2.4.1.1 受限玻尔兹曼机基本模型
2.4.1.2 受限玻尔兹曼机的求解
2.4.1.3 受限玻尔兹曼机训练方法
2.4.2 DBN模型的结构
2.4.3 DBN模型的训练
2.5 Softmax分类器
2.6 相关分析
2.7 本章小结
第三章 实验数据处理与地价因素筛选
3.1 研究区域概况
3.1.1 城市发展状况
3.1.2 成都市土地市场概况
3.2 数据来源与整理
3.3 地价数据修正与插值生成
3.3.1 地价数据修正
3.3.2 地价数据插值生成
3.3.2.1 数据正态性
3.3.2.2 数据最近邻域分析
3.3.2.3 数据空间相关性
3.3.2.4 地价数据插值生成
3.4 地价因素选取与数据处理
3.4.1 地价因素选取原则
3.4.2 地价因素选取与说明
3.4.3 地价因素数据处理
3.4.3.1 地价因素量化
3.4.3.2 数据标准化
3.5 相关性分析筛选地价因素
3.6 本章小结
第四章 基于地价影响因素的地价评估DBN模型研究与实验
4.1 土地价格分类
4.2 建模及实验数据
4.3 基于地价影响因素的地价评估传统模型
4.3.1 基于地价影响因素的Hedonic模型
4.3.1.1 多元线性回归的条件
4.3.1.2 Hedonic模型建立与检验
4.3.2 基于地价影响因素的BP神经网络
4.4 基于地价影响因素的DBN模型
4.4.1 深度神经网络参数
4.4.1.1 网络层数
4.4.1.2 隐藏层节点个数
4.4.1.3 初始参数
4.4.1.4 激活函数及优化
4.4.2 建立DBN模型
4.4.2.1 经过相关分析的DBN模型建立
4.4.2.2 无相关分析的DBN模型建立
4.5 基于地价影响因素的地价评估实验
4.5.1 Hedonic模型地价评估实验
4.5.2 BP神经网络地价评估实验
4.5.3 DBN模型地价评估实验
4.5.3.1 经过相关分析的DBN模型地价评估实验
4.5.3.2 无相关分析的DBN模型地价评估实验
4.6 地价评估实验结果对比与分析
4.7 本章小结
第五章 总结与展望
5.1 论文总结
5.2 创新点与不足
5.3 前景展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于随机Dropout深度信念网络的移动用户行为识别方法[J]. 王忠民,王希,宋辉. 计算机应用研究. 2017(12)
[2]深度学习:多层神经网络的复兴与变革[J]. 山世光,阚美娜,刘昕,刘梦怡,邬书哲. 科技导报. 2016(14)
[3]深度学习在手写汉字识别中的应用综述[J]. 金连文,钟卓耀,杨钊,杨维信,谢泽澄,孙俊. 自动化学报. 2016(08)
[4]房价与地价的因果关系研究——基于重庆的实证检验[J]. 叶贵,朱科卫,张继红. 中国土地科学. 2016(06)
[5]基准地价变化及其驱动因子分析研究——以天水市秦州区为例[J]. 闫炳舟,陈英. 甘肃农业大学学报. 2015(02)
[6]基于BP神经网络的唐山房价预测[J]. 高平,刘志坚,袁立梅. 河北联合大学学报(社会科学版). 2015(02)
[7]DBN网络的深度确定方法[J]. 潘广源,柴伟,乔俊飞. 控制与决策. 2015(02)
[8]论市政道路工程质量的重要性[J]. 谢金珏. 四川建筑. 2014(05)
[9]基于Hedonic模型的城市住宅地价影响因素研究——以南京市为例[J]. 朱传广,唐焱,吴群. 地域研究与开发. 2014(03)
[10]基于RS的成都市城市扩张监测与分析[J]. 陈世莉,蒲星辰. 资源开发与市场. 2012(09)
博士论文
[1]城市住宅地价时空演变及影响因素研究[D]. 邹利林.中国地质大学 2013
硕士论文
[1]基于深度学习的音乐流派及中国传统乐器识别分类研究[D]. 王芳.南京理工大学 2017
[2]基于BP神经网络的车辆车牌识别系统的研究与实现[D]. 黄卫华.电子科技大学 2008
本文编号：3535281
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：90 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 国内研究现状
1.2.2 国外研究现状
1.3 研究内容
1.4 研究方法与技术路线
1.4.1 研究方法
1.4.2 技术路线
1.5 本文组织结构
第二章 相关模型与理论
2.1 Hedonic模型
2.1.1 Hedonic模型简介
2.1.2 Hedonic模型在住宅地价评估中的应用
2.2 BP神经网络
2.3 深度学习
2.3.1 深度学习简介
2.3.2 深度学习模型
2.3.3 深度学习的特点
2.4 深度信念网络DBN
2.4.1 受限玻尔兹曼机RBM
2.4.1.1 受限玻尔兹曼机基本模型
2.4.1.2 受限玻尔兹曼机的求解
2.4.1.3 受限玻尔兹曼机训练方法
2.4.2 DBN模型的结构
2.4.3 DBN模型的训练
2.5 Softmax分类器
2.6 相关分析
2.7 本章小结
第三章 实验数据处理与地价因素筛选
3.1 研究区域概况
3.1.1 城市发展状况
3.1.2 成都市土地市场概况
3.2 数据来源与整理
3.3 地价数据修正与插值生成
3.3.1 地价数据修正
3.3.2 地价数据插值生成
3.3.2.1 数据正态性
3.3.2.2 数据最近邻域分析
3.3.2.3 数据空间相关性
3.3.2.4 地价数据插值生成
3.4 地价因素选取与数据处理
3.4.1 地价因素选取原则
3.4.2 地价因素选取与说明
3.4.3 地价因素数据处理
3.4.3.1 地价因素量化
3.4.3.2 数据标准化
3.5 相关性分析筛选地价因素
3.6 本章小结
第四章 基于地价影响因素的地价评估DBN模型研究与实验
4.1 土地价格分类
4.2 建模及实验数据
4.3 基于地价影响因素的地价评估传统模型
4.3.1 基于地价影响因素的Hedonic模型
4.3.1.1 多元线性回归的条件
4.3.1.2 Hedonic模型建立与检验
4.3.2 基于地价影响因素的BP神经网络
4.4 基于地价影响因素的DBN模型
4.4.1 深度神经网络参数
4.4.1.1 网络层数
4.4.1.2 隐藏层节点个数
4.4.1.3 初始参数
4.4.1.4 激活函数及优化
4.4.2 建立DBN模型
4.4.2.1 经过相关分析的DBN模型建立
4.4.2.2 无相关分析的DBN模型建立
4.5 基于地价影响因素的地价评估实验
4.5.1 Hedonic模型地价评估实验
4.5.2 BP神经网络地价评估实验
4.5.3 DBN模型地价评估实验
4.5.3.1 经过相关分析的DBN模型地价评估实验
4.5.3.2 无相关分析的DBN模型地价评估实验
4.6 地价评估实验结果对比与分析
4.7 本章小结
第五章 总结与展望
5.1 论文总结
5.2 创新点与不足
5.3 前景展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于随机Dropout深度信念网络的移动用户行为识别方法[J]. 王忠民,王希,宋辉. 计算机应用研究. 2017(12)
[2]深度学习:多层神经网络的复兴与变革[J]. 山世光,阚美娜,刘昕,刘梦怡,邬书哲. 科技导报. 2016(14)
[3]深度学习在手写汉字识别中的应用综述[J]. 金连文,钟卓耀,杨钊,杨维信,谢泽澄,孙俊. 自动化学报. 2016(08)
[4]房价与地价的因果关系研究——基于重庆的实证检验[J]. 叶贵,朱科卫,张继红. 中国土地科学. 2016(06)
[5]基准地价变化及其驱动因子分析研究——以天水市秦州区为例[J]. 闫炳舟,陈英. 甘肃农业大学学报. 2015(02)
[6]基于BP神经网络的唐山房价预测[J]. 高平,刘志坚,袁立梅. 河北联合大学学报(社会科学版). 2015(02)
[7]DBN网络的深度确定方法[J]. 潘广源,柴伟,乔俊飞. 控制与决策. 2015(02)
[8]论市政道路工程质量的重要性[J]. 谢金珏. 四川建筑. 2014(05)
[9]基于Hedonic模型的城市住宅地价影响因素研究——以南京市为例[J]. 朱传广,唐焱,吴群. 地域研究与开发. 2014(03)
[10]基于RS的成都市城市扩张监测与分析[J]. 陈世莉,蒲星辰. 资源开发与市场. 2012(09)
博士论文
[1]城市住宅地价时空演变及影响因素研究[D]. 邹利林.中国地质大学 2013
硕士论文
[1]基于深度学习的音乐流派及中国传统乐器识别分类研究[D]. 王芳.南京理工大学 2017
[2]基于BP神经网络的车辆车牌识别系统的研究与实现[D]. 黄卫华.电子科技大学 2008
本文编号：3535281
本文链接：https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/3535281.html
