近兩年來(lái),我國(guó)在強(qiáng)調(diào)加快城市化進(jìn)程的同時(shí)不斷出臺(tái)各種針對(duì)房地產(chǎn)的調(diào)控政策,房地產(chǎn)市場(chǎng)的未來(lái)走勢(shì)逐漸成為全民關(guān)注的焦點(diǎn)。當(dāng)下城市化進(jìn)程的加快推動(dòng)著房地產(chǎn)市場(chǎng)的發(fā)展,在部分熱門的城市中房地產(chǎn)行業(yè)甚至逐漸發(fā)展成了重要的支柱產(chǎn)業(yè),此時(shí)對(duì)房地產(chǎn)行業(yè)進(jìn)行深入的研究富有實(shí)際意義。通過(guò)對(duì)該行業(yè)的深入了解,一般開發(fā)商會(huì)對(duì)城市未開發(fā)土地的價(jià)值以及所建房屋的定位等方面進(jìn)行研究,而本文是從普通消費(fèi)者角度出發(fā),較為直觀的對(duì)我國(guó)城市二手房屋價(jià)格進(jìn)行研究,研究的結(jié)果可以為消費(fèi)者在購(gòu)房時(shí)提供重要且合理的參考依據(jù)。對(duì)于房?jī)r(jià)的分析預(yù)測(cè)其實(shí)在房地產(chǎn)市場(chǎng)一直存在,但是至今實(shí)際在用的仍然局限于統(tǒng)計(jì)分析或者多元線性回歸等傳統(tǒng)方法,這些方法在如今數(shù)據(jù)井噴且社會(huì)因素繁雜的大環(huán)境下已經(jīng)達(dá)不到最好的效果,同時(shí)普通機(jī)器學(xué)習(xí)模型的處理效果也滿足不了高層次機(jī)構(gòu)的要求。目前將大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)用在房?jī)r(jià)預(yù)測(cè)方面的案例較少,針對(duì)這種前沿技術(shù)與實(shí)踐脫節(jié)的現(xiàn)狀,本文結(jié)合大數(shù)據(jù)平臺(tái),利用深度學(xué)習(xí)方法進(jìn)行建模,將目前這兩種最前沿的技術(shù)相結(jié)合并應(yīng)用于房屋價(jià)格這一熱點(diǎn)民生問(wèn)題上,更加合理的把握數(shù)據(jù)的內(nèi)部規(guī)律,將當(dāng)前房?jī)r(jià)預(yù)測(cè)方法的精確度進(jìn)一步提高。本文是對(duì)二手... 

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
        1.1.1 房?jī)r(jià)預(yù)測(cè)
        1.1.2 大數(shù)據(jù)和深度學(xué)習(xí)
    1.2 研究現(xiàn)狀
        1.2.1 房?jī)r(jià)預(yù)測(cè)
        1.2.2 大數(shù)據(jù)和深度學(xué)習(xí)
    1.3 主要工作
    1.4 主要結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 Spark平臺(tái)
        2.1.1 Spark介紹
        2.1.2 Spark ML庫(kù)
    2.2 機(jī)器學(xué)習(xí)算法
        2.2.1 傳統(tǒng)機(jī)器學(xué)習(xí)
        2.2.2 深度學(xué)習(xí)
    2.3 Oracle數(shù)據(jù)庫(kù)以及相關(guān)工具
        2.3.1 Oracle數(shù)據(jù)庫(kù)
        2.3.2 PLSQL Developer
        2.3.3 Sqoop
第三章 房屋價(jià)格影響因素體系
    3.1 影響價(jià)格的因素體系
    3.2 影響因素指標(biāo)的量化
    3.3 原始數(shù)據(jù)預(yù)處理
        3.3.1 數(shù)據(jù)清洗
        3.3.2 初步數(shù)據(jù)分析
        3.3.3 數(shù)據(jù)標(biāo)準(zhǔn)化
    3.4 數(shù)據(jù)處理總結(jié)
第四章 實(shí)驗(yàn)?zāi)Ｐ秃驮u(píng)價(jià)指標(biāo)的選取
    4.1 建立實(shí)驗(yàn)?zāi)Ｐ?br>        4.1.1 多元線性回歸模型
        4.1.2 決策樹
        4.1.3 隨機(jī)森林
        4.1.4 ARMA模型
        4.1.5 LSTM模型
        4.1.6 GRU模型
    4.2 評(píng)價(jià)指標(biāo)
        4.2.1 均方誤差
        4.2.2 平均絕對(duì)值誤差
        4.2.3 平均百分比誤差
        4.2.4 實(shí)驗(yàn)耗時(shí)
第五章 房?jī)r(jià)預(yù)測(cè)系統(tǒng)的實(shí)現(xiàn)
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)步驟
    5.3 實(shí)驗(yàn)過(guò)程及結(jié)果
        5.3.1基于普通平臺(tái)的實(shí)驗(yàn)
        5.3.2基于Spark平臺(tái)的實(shí)驗(yàn)
    5.4 實(shí)驗(yàn)對(duì)比分析
第六章 總結(jié)與應(yīng)用展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介及讀研期間主要科研成果



本文編號(hào)：3658599