House Price Prediction using Satellite Imagery
Stanford University（斯坦福大学）
在本文中，我们展示了如何使用卫星图像可以提高住房价格估计模型的准确性。使用洛杉矶县的财产评估数据集，通过从ImageNet上预训练的Inception-v3模型中转移学习，与仅使用房屋非图像特征的两个基线模型相比，我们可以实现R平方分数提高约10%。
2021-05-13 cs.LG stat.ML
Boarding House Renting Price Prediction Using Deep Neural Network Regression on Mobile Apps
公寓是最重要的要求，特别是对于那些住在远离城市，原籍或房子的大学生。然而，我们现在看到的问题是印度尼西亚的学习场所分布不均，其中75%的最好的顶级教育机构来自爪哇岛。因此，正在寻找寄宿公寓租金的学生需要更多的努力来比较所需的各个方面。他们需要一个一个地调查到他们想要的公寓，即使他们可以在网上调查，它仍然需要更多的努力来关注一个一个想要的设施。因此，我们创建了一个移动应用程序，可以通过比较几个变量，即城市，地区，寄宿公寓类型和设施，根据学生的需求预测价格。因此，学生可以很容易地估计出理想的价格。本研究的结果证明，我们已经成功地预测价格的公寓租金以及基于我们已经确定的变量，并使用深度神经网络回归模型的变量。
2020-12-31 cs.CY cs.LG
House Price Valuation Model Based on Geographically Neural Network Weighted Regression: The Case Study of Shenzhen, China
Zhejiang University（浙江大学）；Zhejiang Key Laboratory of Resources and Environmental Information System（浙江省资源与环境信息系统重点实验室）
面对房地产市场的空间异质性，传统的研究多采用地理加权回归（GWR）方法来估计房价。然而，其核函数是非线性的，难以捉摸的，和复杂的选择带宽，预测能力也可以提高。因此，一种新的技术，地理神经网络加权回归（GNNWR），已被应用到提高房地产估价的准确性与神经网络的帮助下。基于深圳房价数据，本文显著地刻画了深圳房地产市场上各种变量的权重分布，而GWR很难实现。此外，我们还重点研究了GNNWR的性能，验证了它的鲁棒性和优越性，通过10倍交叉验证改进了实验过程，将其应用范围从自然地理空间数据扩展到社会经济地理空间数据。这是一种评估房价的实用和明确的方法，我们在复杂的社会经济数据集上证明了GNNWR的有效性。
2022-02-09 cs.LG stat.AP
A Multi-Modal Deep Learning Based Approach for House Price Prediction
Bangladesh University of Engineering and Technology（孟加拉工程技术大学）；Monash University（莫纳什大学）；Athena Research Center（雅典娜研究中心）
本文提出融合房屋属性、地理空间、文本描述与图像的多模态深度学习房价预测方法，通过联合嵌入和回归模型显著提升预测精度，并公开代码与数据集。
2024-09-09 cs.AI cs.CV cs.LG
Machine Learning Fairness in House Price Prediction: A Case Study of America's Expanding Metropolises
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜拉赫曼·本·费萨尔大学）；The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文针对美国大都市房价预测的ML模型种族偏见问题，构建多模型开展公平性评估，验证了不同偏见缓解方案的效果差异，发现处理中方法整体优于预处理方法。
2025-06-13 cs.LG
An Optimal House Price Prediction Algorithm: XGBoost
Sheffield Hallam University（谢菲尔德哈勒姆大学）；University of Brighton（布莱顿大学）
针对房价预测，本文比较多种机器学习算法，利用爱荷华州埃姆斯市数据集，发现XGBoost表现最优，并识别影响房价的关键因素。
2024-02-06 cs.AI cs.LG stat.AP
Predicting House Rental Prices in Ghana Using Machine Learning
Epigos AI
本研究针对加纳住房市场缺乏准确可及的租赁价格信息的问题，采用机器学习模型基于综合租赁数据集预测租金，发现CatBoost表现最优（$R^2$达0.876），并明确了位置、户型等关键价格驱动因素，为相关利益方提供参考。
2025-01-08 cs.LG stat.AP
Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models
Shanghai International Studies University（上海外国语大学）
本研究利用五种传统机器学习方法和ChatGPT大型语言模型预测上海里弄房屋租金，发现随机森林在传统方法中表现最佳，而LLM在10-shot场景下R平方值超越传统方法，表明其提升预测准确性的潜力。
2024-05-26 cs.CL cs.LG
Predicting housing prices and analyzing real estate market in the Chicago suburbs using Machine Learning
Neuqua Valley High School（纽卡谷高中）；University of Connecticut（康涅狄格大学）
住房物业的定价由多种因素决定。然而，疫情后芝加哥郊区的市场出现波动，对房价造成很大影响。在这项研究中，对Naperville/Bolingbrook房地产市场进行了分析，通过机器学习模型根据这些住房属性预测房地产价格，并评估这些模型在波动的市场空间中的有效性。从房地产网站Redfin收集数据，从2018年到2022年夏季的销售数据被收集用于研究。通过分析这段时间内的销售情况，我们还可以了解房地产市场的状况，并确定价格趋势。为了对数据建模，使用的模型是线性回归、支持向量回归、决策树回归、随机森林回归和XGBoost回归。为了分析结果，对每个模型的MAE、RMSE和R平方值进行了比较。研究发现，尽管疫情后的情况造成了额外的波动，但XGBoost模型在预测房价方面表现最好。建模后，Shapley值（SHAP）用于评估构建模型时变量的权重。
2022-10-12 cs.LG
Vision-based Real Estate Price Estimation
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技校区）
自从Zillow、Trulia和Redfin等在线房地产数据库公司出现以来，自动估计房屋市场价值的问题受到了相当大的关注。一些房地产网站使用专有公式提供此类估计。虽然这些估计往往接近实际销售价格，但在某些情况下，它们非常不准确。影响房屋价值的关键因素之一是其内部和外部外观，这在计算自动价值估计时不被考虑。在本文中，我们评估的影响，视觉特征的房子，其市场价值。使用深度卷积神经网络对家庭内部和外部照片的大数据集，我们开发了一种估计房地产照片豪华程度的方法。我们还开发了一个新的框架，用于自动化价值评估，使用上述照片以及房屋特征，包括大小，提供的价格和卧室数量。最后，通过将我们提出的价格估计方法应用于房地产照片和元数据的新数据集，我们表明它优于Zillow的估计。
2018-10-03 cs.CV cs.LG
Location-Centered House Price Prediction: A Multi-Task Learning Approach
Nanjing University of Science and Technology（南京理工大学）；RMIT University（皇家墨尔本理工大学）；Nanjing University of Finance and Economics（南京财经大学）；Swinburne University of Technology（斯威本科技大学）
提出以位置为中心的房价预测框架，通过细粒度位置特征和多任务学习（MTL）模型捕获分区相关性，实验证明MTL方法优于现有技术且任务定义对性能影响大于方法选择。
2019-01-07 cs.LG stat.ML
Identifying Real Estate Opportunities using Machine Learning
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Rentier Token（Rentier Token公司）；Colegio Universitario de Estudios Financieros（金融研究大学学院）
由于与许多变量存在相关性，房地产市场面临许多价格波动，其中一些变量无法控制，甚至可能是未知的。房价可能会迅速上涨（或者在某些情况下，也会快速下跌），但网上出售或出租房屋的众多房源不太可能经常更新。在某些情况下，有兴趣出售房屋（或公寓）的个人可能会将其包含在某些在线列表中，而忘记更新价格。在其他情况下，出于各种原因，有些人可能有意将价格设定在市场价格以下，以便更快地出售房屋。在本文中，我们的目标是开发一个机器学习应用程序，实时识别房地产市场中的机会，即，以远低于市场价的价格挂牌出售的房屋。该计划可能对对房地产市场感兴趣的投资者有用。我们专注于一个用例，考虑位于马德里（西班牙）萨拉曼卡区的房地产资产，并在最相关的西班牙在线网站上列出房屋销售和租赁。该应用程序被正式实现为一个回归问题，该问题试图估计从公共在线列表中检索到的房屋的市场价格。为了构建这个应用程序，我们已经执行了一个功能工程阶段，以发现允许实现高预测性能的相关功能。已经测试了几种机器学习算法，包括回归树、k-最近邻、支持向量机和神经网络，确定了每种算法的优点和缺点。
2018-11-21 cs.LG stat.AP stat.ML
A Multi-Source Information Learning Framework for Airbnb Price Prediction
Northeast Normal University（东北师范大学）；Dalian Maritime University（大连海事大学）
随着科技和共享经济的发展，Airbnb作为著名的短租平台，成为不少年轻人选择的首选。Airbnb的定价问题一直是一个值得研究的问题。以往的研究虽然取得了可喜的成果，但也存在不足之处。比如，（1）租房的特征属性还不够丰富;（2）对租房文本信息的研究还不够深入;（3）结合房屋周边兴趣点（POI）预测租房价格的研究还比较少。为了解决上述问题，本文提出了一种多源信息嵌入（MSIE）模型来预测Airbnb的租赁价格。具体来说，我们首先选择统计特征来嵌入原始租赁数据。其次，将三种不同的文本信息生成词特征向量和情感分值组合，形成文本特征嵌入。第三，利用出租屋周围的兴趣点（POI）信息生成各种空间网络图，并学习网络的嵌入，得到空间特征嵌入。最后，本文将这三个模块组合成多源租金表示，并使用构建的全连接神经网络来预测价格。实验结果分析表明了该模型的有效性。
2023-01-01 cs.IR cs.LG
Stock Prices Prediction using Deep Learning Models
Xiamen University（厦门大学）；National Chung Hsing University（中兴大学）；Yuan Ze University（元智大学）
金融市场在现代社会的发展中起着至关重要的作用。它们允许部署经济资源。股票价格的变化反映了市场的变化。在本研究中，我们专注于通过深度学习模型预测股票价格。这是一项具有挑战性的任务，因为与股票价格相关的信息中存在许多噪音和不确定性。因此，这项工作使用具有一维（1-D）残差卷积网络的稀疏自编码器（这是一种深度学习模型）来对数据进行去噪。然后使用长短期记忆（LSTM）来预测股票价格。过去的价格、指数和宏观经济变量是用来预测第二天价格的特征。实验结果表明，1-D残差卷积网络可以去噪数据和提取深度特征，优于结合小波变换（WT）和堆叠自编码器（SAE）的模型。此外，我们还比较了两种不同的股票价格预测指标：绝对股票价格和价格变化率下模型的性能。结果表明，通过股价变化率预测股价比直接预测绝对股价更好。
2019-09-25 cs.LG
Machine Learning Approaches to Real Estate Market Prediction Problem: A Case Study
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；BNMIT（BNMIT学院）
房屋销售价格是根据交易参与者的经济利益形成的，包括政府，房地产经纪人和购买或出售房产的公众。建立准确的房地产价格预测模型是房地产市场面临的一个重大挑战。这项工作使用2010年1月至2019年11月的十年实际数据集开发了一个房地产价格分类模型。房地产数据集是公开的，并从佛罗里达州的Volusia县财产评估网站检索。此外，还收集了国内生产总值、消费者价格指数、生产者价格指数、房价指数和有效联邦基金利率等社会经济因素，并将其用于预测模型。为了解决这个案例研究问题，采用了几种强大的机器学习算法，即逻辑回归，随机森林，投票分类器和XGBoost。它们与目标编码相结合，以开发准确的房地产销售价格预测模型，旨在预测收盘销售价格是大于还是小于上市销售价格。为了评估模型的性能，确定模型的准确度、精确度、召回率、分类F1分数和出错率。在所研究的四种机器学习算法中，与其他模型相比，XGBoost提供了优越的结果和模型的鲁棒性。开发的模型可以帮助房地产投资者，抵押贷款机构和金融机构做出更明智的决策。
2020-08-22 cs.LG
Deep Contrastive Learning for Feature Alignment: Insights from Housing-Household Relationship Inference
University of Delaware（特拉华大学）
本研究针对住房与家庭特征关系理解有限的问题，提出适用于无明确标签实体关系学习的双编码器深度对比学习模型，在ACS PUMS数据上验证了其在特拉华州的优越性及北卡罗来纳州的泛化能力，并揭示了关键影响因素。
2025-02-16 cs.CY cs.LG
District Wise Price Forecasting of Wheat in Pakistan using Deep Learning
National University of Sciences and Technology（国立科技大学）；Information Technology University (ITU)（信息技术大学（ITU））
小麦是巴基斯坦的主要农作物，是几乎每个巴基斯坦家庭的主食需求，使其成为该国的主要战略商品，其供应和负担能力是政府的主要优先事项。小麦粮食供应可能受到多种因素的极大影响，包括但不限于生产，消费，金融危机，通货膨胀或市场波动。政府通过特定的政策和监测安排确保粮食安全，保持穷人的购买平价。如果进行动态分析以根据某些当前因素估计未来产量，则可以使这种安排更加有效。未来商品定价的规划是通过预测其未来价格来实现的。本文提出了一种小麦价格预测方法，该方法使用过去几年小麦价格的价格，天气，生产和消费趋势，并借助先进的神经网络架构长短期记忆（LSTM）网络进行分析。与其他传统的机器学习和统计时间序列分析方法相比，所提出的方法提出了显着改善的结果。
2021-03-05 cs.AI cs.LG
Malaria Likelihood Prediction By Effectively Surveying Households Using Deep Reinforcement Learning
Stanford University（斯坦福大学）
我们构建了一个深度强化学习（RL）代理，可以通过询问有关家庭的问题来预测疟疾检测呈阳性的可能性。RL代理学习确定接下来要问哪个调查问题，以及何时停止，以根据他们迄今为止的反应预测他们患疟疾的可能性。智能体对每个问题都有一个小的惩罚，对正确/错误的预测有一个大的奖励/惩罚;因此，它必须学会平衡调查的长度和最终预测的准确性。我们的RL代理是一个深度Q网络，它直接从问题的回答中学习策略，并为每个可能的调查问题和每个可能的预测类定义了一个动作。我们专注于肯尼亚，疟疾是一个巨大的健康负担，并根据2015年肯尼亚疟疾指标调查的6481个家庭的数据集对RL代理进行训练。为了研究调查问题适应响应的重要性，我们将我们的RL代理与监督学习（SL）基线进行了比较，该基线先验地固定了其调查问题集。我们评估预测准确性和调查问题的数量上提出了一个holdout集，发现RL代理能够预测80%的准确率，平均只使用2.5个问题。此外，RL代理学习自适应地调查响应，并且能够在预测准确性方面匹配SL基线，同时显着减少调查长度。
2017-11-25 cs.LG stat.ML
MWaste: A Deep Learning Approach to Manage Household Waste
针对现有垃圾视觉分类方法成本高、精度低的问题，研究团队推出移动应用MWaste，基于深度学习实现六类生活垃圾分类，测试集平均精度达92%，可助力高效垃圾处理与气候变化应对。
2023-04-02 cs.AI cs.CV cs.LG
Uncertainty quantification in automated valuation models with spatially weighted conformal prediction
University of Oslo（奥斯陆大学）；North Carolina State University（北卡罗来纳州立大学）
针对房价预测中保形预测置信集因空间依赖性而校准不均的问题，提出基于空间加权非一致性分数的校准方法，并在奥斯陆房地产数据及模拟研究中验证了其能提升地理区域间覆盖范围的一致性。
2025-01-30 cs.LG stat.AP stat.ML
Power Market Price Forecasting via Deep Learning
GEIRI North America（北美全球能源互联网研究院）；University of Minnesota Twin Cities（明尼苏达大学双城分校）
提出了一种基于深度学习的电力市场电价预测方法。LSTM（长短期记忆）神经网络是最成功的深度学习框架之一。在这项研究中使用的每小时价格数据从新英格兰和PJM日前市场。首先，制定并训练LSTM网络。然后对原始输入和输出数据进行单位尺度的预处理，并在不同输入长度、预测期和数据规模下对训练好的网络在真实价格数据上进行测试。它的性能也与其他现有的方法进行了比较。预测结果表明，LSTM深度神经网络在不同的应用环境下都能较好地解决这一问题。
2018-10-23 cs.LG stat.ML
Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models
Praxis Business School（普拉克西斯商学院）
股票价格和股票价格运动模式的预测一直是一个关键的研究领域。虽然众所周知的有效市场假说排除了准确预测股票价格的任何可能性，但文献中有正式的命题证明了预测系统的准确建模，可以使我们以非常高的准确度预测股票价格。在本文中，我们提出了一套基于深度学习的回归模型，可以在股票价格预测中获得非常高的准确性。为了建立我们的预测模型，我们使用了2012年12月31日至2015年1月9日期间在印度国家证券交易所（NSE）上市的知名公司的历史股价数据。股票价格在一周内的每个工作日每隔五分钟记录一次。利用这些极其精细的股价数据，我们构建了四个卷积神经网络（CNN）和五个基于长短期记忆（LSTM）的深度学习模型，用于准确预测未来股价。我们提供了详细的结果，我们提出的所有模型的预测精度的基础上，他们的执行时间和均方根误差（RMSE）值。
2021-01-02 cs.LG q-fin.ST
Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；BNMIT（班加罗尔国家公共工程学院）
建立准确的房价预测模型是社会经济发展和公民福祉的需要。在本文中，一组不同的机器学习算法，如XGBoost，CatBoost，随机森林，Lasso，Voting Regressor等，正在使用公共可用的数据集来预测房价。2015年1月至2019年11月期间的62，723条记录的住房数据集从佛罗里达州沃卢西亚县财产估价师网站获取。这些记录是公开的，包括房地产或经济数据库、地图和其他相关信息。该数据库通常根据佛罗里达州的规定每周更新一次。在此基础上，建立了基于机器学习技术的住宅价格预测模型，并对回归模型的性能进行了比较。最后，提出了一个改进的住宅价格预测模型，以辅助住宅市场。特别是，房屋卖方或买方，或房地产经纪人可以在考虑房价预测的情况下做出更明智的决策。实证结果表明，XGBoost算法在预测模型性能、决定系数（R2）、均方误差（MSE）、平均绝对误差（MAE）和计算时间等方面均优于其他模型。
2020-06-17 cs.LG stat.ML
A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity
Central South University（中南大学）
本文提出一种结合在线论坛投资者情绪与流行度因素的混合深度学习框架，用于提升股票价格预测的准确性。
2024-05-17 cs.CL cs.LG q-fin.ST
Price-Aware Deep Learning for Electricity Markets
Massachusetts Institute of Technology（麻省理工学院）；University of Virginia（弗吉尼亚大学）
本文提出将电力市场出清优化嵌入深度学习层，以平衡预测误差与定价误差，提高拥堵系统中电价公平性，并在风电预测与短期市场出清中验证效果。
2023-11-13 cs.LG cs.SY eess.SY
Review of deep learning models for crypto price prediction: implementation and evaluation
UNSW Sydney（悉尼新南威尔士大学）
本文综述并评估了LSTM变体、CNN变体及Transformer等深度学习模型在加密货币价格预测中的表现，发现采用多变量方法的卷积LSTM在多项实验设置中预测准确性最佳。
2024-06-02 cs.LG q-fin.ST stat.ML
Integrating Floor Plans into Hedonic Models for Rent Price Appraisal
University of Giessen（吉森大学）
在线房地产平台已成为促进用户搜索公寓或房屋的重要市场。然而，准确评估一处房产的价值仍然具有挑战性。先前的工作主要研究基于特征价格模型的房地产估值，该模型考虑结构化数据，而伴随的非结构化数据通常被忽略。在这项研究中，我们调查了在线房地产平台上公寓平面图的自动视觉分析在多大程度上可以增强享乐租金价格评估。我们提出了一个定制的两阶段深度学习方法，从历史价格数据中学习与价格相关的平面图设计。随后，我们将平面图预测纳入享乐租金价格模型，该模型考虑了公寓的结构和位置特征。我们的实证分析的基础上，一个独特的数据集9174房地产上市表明，目前的享乐模型未充分利用现有的数据。我们发现：（1）平面图的视觉设计对租金价格具有显著的解释力-即使在控制了结构和位置公寓特征之后，（2）利用平面图可以降低高达10.56%的样本外预测误差。我们进一步发现，平面图在较旧和较小的公寓的预测性能方面产生了特别高的增益。总之，我们的实证研究结果有助于现有的研究机构建立平面图的视觉设计和房地产价格之间的联系。此外，我们的方法对在线房地产平台具有重要意义，这些平台可以使用我们的研究结果来增强其房地产列表的用户体验。
2021-02-16 cs.LG econ.GN q-fin.EC
Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022
Universiti Teknologi Malaysia（马来西亚理工大学）
本文综述2020–2022年金融时间序列价格预测的深度学习进展，梳理模型架构、应用与优劣，并指出复杂模型、区间预测、分解集成和数据量影响等未来方向。
2023-09-28 cs.AI cs.LG q-fin.ST
Deep Probabilistic Modelling of Price Movements for High-Frequency Trading
University College London（伦敦大学学院）
在本文中，我们提出了一个深经常性的架构，高频市场价格的概率建模，重要的自动交易系统的风险管理。我们提出的架构将概率混合模型纳入深度递归神经网络。由此产生的深度混合模型同时解决了几个实际的挑战，重要的自动化高频交易策略的发展，以前被忽视的文献：1）概率预测的价格变动; 2）单一目标预测的方向和大小的价格变动。我们对高频比特币市场数据进行训练，并根据从文献中获得的基准模型对其进行评估。我们表明，我们的模型优于基准模型在基于指标的测试和模拟交易情况
2020-03-31 cs.LG q-fin.ST q-fin.TR
Deep Recurrent Modelling of Stationary Bitcoin Price Formation Using the Order Flow
University College London（伦敦大学学院）
本文提出了一个基于订单流的深度递归模型，用于高频方向性价格波动的平稳建模。订单流是到达交易所的微秒级订单流，推动股票或货币价格图表上的价格形成。为了测试我们提出的模型的平稳性，我们在2017年比特币泡沫时期之前的数据上训练我们的模型，并在泡沫期间和之后测试我们的模型。我们表明，在没有任何再训练的情况下，即使比特币交易进入一个极其不稳定的“泡沫麻烦”时期，所提出的模型也是暂时稳定的。结果的重要性是通过对文献中现有的最先进的模型进行基准测试来显示的，用于使用深度学习来建模价格形成。
2020-03-31 cs.LG q-fin.ST q-fin.TR
Predicting Auction Price of Vehicle License Plate with Deep Recurrent Neural Network
Department of Economics, The Chinese University of Hong Kong, Shatin, Hong Kong（香港中文大学经济系，沙田，香港）
本文提出将车辆车牌价格预测视为自然语言处理任务，通过构建深度循环神经网络来预测香港车牌拍卖价格，并展示了模型在解释价格变化和扩展为车牌搜索引擎方面的贡献。
2019-10-08 cs.CL cs.LG econ.GN
Predicting Auction Price of Vehicle License Plate with Deep Residual Learning
The Chinese University of Hong Kong（香港中文大学）
由于迷信，具有理想字符组合的车牌在中国受到高度追捧，在政府举行的拍卖会上，价格可以达到数百万美元。尽管涉及的风险很高，但基本上没有试图提供车牌的价格估计。我们提出了一个端到端的神经网络模型，同时预测拍卖价格，给出价格的分布，并产生潜在的特征向量。虽然我们考虑的两种类型的神经网络架构都优于更简单的机器学习方法，但卷积网络在训练时间或模型复杂度方面优于递归网络。由此产生的模型为我们的在线价格估计器和搜索引擎提供动力。
2019-10-08 cs.CV cs.LG econ.GN
