随着城市化进程的深入,越来越多的人涌入城市,由于一二线城市房价的暴涨,房地产市场上出现供给和需求暂时不对等,使得部分买房需求暂时外溢到房屋租赁市场,逐渐发展起来的房屋租赁市场缓解了部分住房问题。然而,目前的房屋租赁市场仍然存在很多问题,其中租房市场房源供应不足导致房租持续上涨问题和判断房屋租金合理性问题尤为突出。为了促进房屋租赁市场健康持续发展,政府需把控房屋租金的走向,因此对房屋租金进行合理定价和预测具有重要意义。大数据背景下,本文通过爬虫技术获取真实租房数据,提出运用机器学习模型对房屋租金进行预测,以期构造出预测效果较好的模型,为政府把控房屋租金走向并制定合理调控政策提供参考。本文以广州市的房屋租金为研究对象,通过八爪鱼采集器从链家网上爬取广州市2021年12月16873条真实租房数据。对采集到的原始数据首先进行数据清洗,并通过R中ggplot2包对数据进行描述性分析,直观展示变量之间的关系。为了更便于对数据建立模型,需进行数据变换,并进一步采用过滤法对处理后的数据进行特征选择,最终选择互信息量大于0.2的13个指标进行建模。本文对处理后的数据分别建立随机森林、XGBoost算法和基于遗传算法优化的BP神经网络预测模型,为了优化模型,采用网格搜索法对模型进行参数调优。为找出预测效果最佳的模型,本文选用平均绝对百分比误差和决定系数两个指标对模型性能进行评价。对比三个模型调参前后的评价指标结果,发现调参后三种模型的预测准确率都得到了提高,其中调参后基于遗传算法优化的BP神经网络模型平均绝对百分比误差最小且决定系数最大,分别为0.1162和0.9023。因此,在该数据集下,调参后基于遗传算法优化的BP神经网络模型预测准确率较高,对数据集的适应能力较好,运算效率较高,因此可推荐将此模型运用到房屋租金预测分析中,为房屋租赁市场把控房屋租金走向提供依据。