北京市房租价格预测及影响因素分析

论文摘要

北京市房价居高不下,超过大部分人的经济承受能力,同时政府严格限制购房资格,这使得在北京打拼的人们只能选择租房解决住宿问题。目前的租房市场没有制定统一的房租价格标准,导致房产中介哄抬房价,严重影响租房市场健康发展和人们的正常生活。因此,探讨房租影响因素以及如何利用机器学习方法对房租进行预测,对于促进房租市场健康发展具有重要作用。首先,利用python从自如网站爬取北京市2018年11月的合租房源数据,并调用百度地图API,最终获得数据22042条,包括18个特征变量,为后文研究提供数据支撑。其次,运用直方图、箱线图、词云图、热力图等多种统计图表,对房租影响因素、房租价格和房屋数量的空间分布进行探索性分析和可视化,得出北京市房租价格空间上从环式中心向外不断递减,同时具有北高南低、东高西低的特点,局部特殊的区位条件导致了少数空间变异现象。再次,利用训练集数据分别建立随机森林模型和XGBoost模型,并对模型进行参数调优,建立最终的房租价格预测模型,同时输出变量重要性排序。通过变量重要性排序可知:在区位特征中,经纬度、城区、周边地铁站数量和写字楼数量对房租价格影响较大;在建筑特征中,房屋的面积、户型、是否独卫对房租价格影响较大。最后,利用测试集数据,通过四种常用模型预测效果评价指标对两种优化后的模型进行比较,可知随机森林模型和XGBoost模型用来预测房租价格都是合理的,但是相比较而言,XGBoost模型的预测效果更好。

论文目录

摘要

Abstract

第1章绪论

1.1 选题背景

1.2 研究目的与意义

1.3 国内外研究现状

1.3.1 国内研究现状

1.3.2 国外研究现状

1.4 研究内容及技术路线

1.4.1 研究内容

1.4.2 技术路线

第2章相关理论基础

2.1 房租与房价

2.2 随机森林

2.2.1 基本原理

2.2.2 实现过程

2.2.3 主要优点

2.3 XGBoost

2.3.1 有监督学习算法的基本构成

2.3.2 Boosted Tree提升树算法推导

2.3.3 主要优点

2.4 本章小结

第3章数据来源及探索性分析

3.1 数据来源

3.2 数据获取方式

3.2.1 房屋基本数据获取

3.2.2 房屋周边数据获取

3.3 候选指标构成

3.4 探索性分析和可视化

3.5 数据预处理

3.5.1 对数化

3.5.2 归一化

3.6 本章小结

第4章北京房租预测模型建立

4.1 随机森林模型

4.1.1 参数选择

4.1.2 模型建立

4.1.3 变量重要性排序

4.2 XGBoost模型

4.2.1 XGBoost的参数说明

4.2.2 参数调优

4.2.3 变量重要性排序

4.3 模型对比分析

4.4 本章小结

结论

参考文献

致谢

文章来源

类型: 硕士论文

作者: 郭茹梦

导师: 尹素菊

关键词: 房租预测,影响因素,随机森林

来源: 北京工业大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,宏观经济管理与可持续发展

单位: 北京工业大学

分类号: F299.23;F224

DOI: 10.26935/d.cnki.gbjgu.2019.000695

总页数: 52

文件大小: 1975K

下载量: 222

北京市房租价格预测及影响因素分析

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢