论文部分内容阅读
城市Subregion房屋价格预测研究作为一个经济热点,同时涉及到商业和城市计算等相关领域,并且它对智慧城市的规划和建设也有着极大的帮助。然而预测Subregion住宅房屋价格的变化存在巨大的困难,具体包括复杂的影响因素、房屋交易数据的稀疏性以及区域之间存在很强的时空依赖,因此进行Subregion级别的住宅房价预测具有极大的挑战性。为了解决这些挑战,在本文,我们研究并提出了一种全新、有效且更加精细粒度的深度时空网络来进行Subregion住宅房屋价格的预测。与现有工作相比,我们的模型基于现有的交易数据能够将预测粒度从城市级别提高到了英里级别,从而很好地实现了区域房价的实时精准预测。本文首先详细设计了四个子模块(长期和短期的DenseNet,当前因素模块和基于卡尔曼滤波的预期模块)来分别捕获区域之间的长期和短期的时空依赖,当前外部因素的影响和未来预期对当前价格反馈带来的影响。我们基于DenseNet采用稠密的网络连接方式能学习到各个维度的特征,从而更好地减轻因数据稀疏带来的影响。然后,在当前因素模块,我们特别采用了特征选取的策略来筛选影响因素,从而进一步避免信息冗余带来的过拟合问题。其次为了更好地提升预测的精度,我们考虑了各个子模块在时间维度上相互影响以及各个子模块之间数据结构上的异构特性,为此我们设计了一种全新的基于门控机制的联合协同注意力机制(JGC)来融合基于区域房价预测的异构多模态数据。综上所述,本文提出了一个集成模型JGC_MMN(基于联合门控协同注意力机制的多模态网络),来捕获区域房价变化在各个时间维度上的影响因素,并且我们提出的融合机制相比较于已有的相关工作,能更好地捕获多模态异构数据之间的互相关联。最后,本文将提出的JGC_MMN模型在北京和纽约的数据集上进行了大量的实验研究,利用RMSE作为评价指标,我们提出的模型相较于对比模型SVR,VAR,ST-ANN,Deep-ST,ST-InceptionV4,ST-ResNet 分别取得了 23.12%,27.2%,21.8%,21.1%,1 9.2%,17.8%的提升,从而证明了我们的模型在区域房价预测领域的有效性,并且我们所解决的这种细粒度的住房价格预测模型不仅可以为智慧城市建设以及房地产市场科学发展提供相关建议,还能应用于其他相似的城市计算领域。