crypto price prediction using lstm+xgboost
Dept. of Management ABV-IIITM Gwalior（管理学院 ABV-IIITM 加尔瓦尔）
本研究提出一种集成LSTM和XGBoost的混合模型用于加密货币价格预测，通过结合历史数据与辅助特征，在多种加密货币数据集上验证了其优于单一模型和传统方法的预测性能。
2025-06-27 cs.LG
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
Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market
Department of Data Science and AI, Faculty of IT, Monash University, Australia（数据科学与人工智能系，IT学院，墨尔本大学，澳大利亚）；School of Electrical Engineering and Computer Science, University of Queensland, Australia（电气工程与计算机科学学院，昆士兰大学，澳大利亚）；Monash Energy Institute, Monash University, Australia（墨尔本能源研究所，墨尔本大学，澳大利亚）
本文提出了一种混合 KAN+XGBoost 框架，用于预测澳大利亚国家电力市场的周 ahead 电价，该框架结合了 Kolmogorov-Arnold 网络的全局非线性表示能力和 XGBoost 的局部鲁棒性，以捕捉长期依赖和短期价格波动，实验表明该模型在 MAE 上比 XGBoost 和 naive 基线模型分别减少了 12% 和 50% 以上。
2026-05-21 cs.CE 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
Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators
ESISA Analytica, Higher School of Engineering in Applied Sciences（ESISA分析与应用科学高等工程学院）；GAIA, Ericsson（GAIA、爱立信）；Fordham University（福特汉姆大学）；Penn State University（宾夕法尼亚州立大学）
本研究利用XGBoost回归器结合EMA和MACD等技术指标预测加密货币价格，并通过比特币收盘价实验验证了模型的有效性，旨在辅助交易者在波动市场中的决策。
2024-07-16 cs.LG
House Price Prediction Using LSTM
The Hong Kong University of Science and Technology（香港科技大学）
本文利用2004年1月至2016年10月的房价数据，对北京、上海、广州、深圳四个城市各区县2016年11月和12月的平均房价进行了预测。我们使用自回归积分移动平均模型来生成基线，而LSTM网络则用于构建预测模型。这些算法进行了比较的均方误差。结果表明，LSTM模型在预测时间序列方面具有优异的性能。此外，有状态LSTM网络和堆栈LSTM网络被用来进一步研究房屋预测模型的准确性的提高。
2017-09-25 cs.LG stat.ML
Boosting House Price Predictions using Geo-Spatial Network Embedding
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Monash University（莫纳什大学）；Swinburne University of Technology（斯威本科技大学）
房地产对全球所有主要经济体都有重大贡献。特别是，房价对利益相关者有直接影响，从购房者到融资公司。因此，已经开发了大量的技术用于房地产价格预测。现有的技术大多依赖于不同的房屋特征来建立各种预测模型来预测房价。认识到空间依赖性对房价的影响，一些后来的工作集中在引入空间回归模型，以提高预测性能。然而，他们没有考虑到社区设施的地理空间背景，例如房子离训练站、高级学校或购物中心有多近。这样的上下文信息可能在用户对房屋的兴趣中起着至关重要的作用，从而对其价格产生直接影响。在本文中，我们提出利用图神经网络的概念来捕捉的地理空间背景的邻里的房子。特别是，我们提出了一种新的方法，地理空间网络嵌入（GSNE），学习嵌入的房屋和各种类型的兴趣点（POI）的形式，多部网络，其中的房屋和POI表示为属性节点和它们之间的关系作为边缘。大量回归技术的广泛实验表明，无论下游回归模型如何，我们提出的GSNE技术产生的嵌入始终显着提高房价预测任务的性能。
2020-09-01 cs.LG stat.ML
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
Covariate-distance Weighted Regression (CWR): A Case Study for Estimation of House Prices
National Cheng Kung University（成功大学）；National Taipei University（台北大学）
提出结合地理与属性距离的协变量距离加权回归（CWR）扩展GWR，在房价估计案例中有效降低摩天大楼RMSE达2.9%-26.3%，减少传统空间模型误差。
2023-05-15 cs.LG
House Price Prediction Based On Deep Learning
Liaoning University（辽宁大学）；Lehigh University（理海大学）
自古以来，中国人所追求的东西很简单，无非就是“安居乐业，衣食住行”。改革开放40多年后的今天，人们基本解决了温饱问题，迫切需要解决的是住房问题。如今，由于蛋壳等长租公寓中介平台的风波，增加了租房者的不安全感，以及近年来的城镇化和各大城市的抢人潮，这将使未来房地产市场竞争更加激烈。为了更好地把握房地产价格，让消费者合理购房，并为政府制定政策提供参考，本文总结了现有的房价预测方法，提出了一种基于混合深度视觉和文本特征的房价预测方法。
2022-04-19 cs.LG
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
Use of Boosting Algorithms in Household-Level Poverty Measurement: A Machine Learning Approach to Predict and Classify Household Wealth Quintiles in the Philippines
Amherst College（阿默斯特学院）；De La Salle University Integrated School Manila（德拉萨大学马尼拉附属中学）
本研究比较五种提升算法预测菲律宾家庭贫困，CatBoost最优（准确率91%），表明机器学习可助力贫困预测与政策制定。
2024-05-28 cs.CY cs.LG
Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions
University of Vienna（维也纳大学）；Leipzig University（莱比锡大学）；University of Regensburg（莱比锡大学）；TU Dresden（德累斯顿技术大学）
针对房价评估中市场异质性与可解释性不足的问题，提出两阶段聚类结合线性回归或广义加性模型的方法，在43,309条德国房产数据上分别将平均绝对误差降低58%和36%，并揭示聚类间模式差异。
2025-08-05 cs.LG
Boosting House Price Estimations with Multi-Head Gated Attention
Univ. Polytechnique Hauts-de-France（上法兰西理工大学）；Centrale Lille（里尔中央理工学院）；Laboratory of IEMN, CNRS（法国国家科学研究中心IEMN实验室）
针对传统空间插值法难以捕捉房价复杂空间关联的问题，提出融合多头注意力与门控机制的空间插值新方法，可生成降维嵌入提升简单模型表现，实验证明其能显著提高房价预测准确率，相关数据代码已开源。
2024-05-13 cs.LG
Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market
Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University（北京航空航天大学大数据与脑机智能高精尖创新中心）；School of Computing, University of Leeds（利兹大学计算学院）；UrBrain Technology；Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系）；Department of Computer Science and Engineering, Lehigh University（理海大学计算机科学与工程系）
我们介绍了Luce，第一个自动化物业估值的终身预测模型。卢斯解决了房地产估值的两个关键问题：缺乏最近的销售价格和房屋数据的稀缺性。它旨在处理有限数量的近期房屋交易数据。作为一个偏离以前的工作，卢斯组织在异构信息网络（HIN）的房子数据，其中图形节点是房子的实体和属性，是重要的房价估值。我们采用图卷积网络（GCN）从HIN中提取与房屋相关的数据（如地理位置）的空间信息，然后使用长短期记忆（LSTM）网络对房屋交易数据随时间的时间依赖性进行建模。与以前的工作不同，Luce可以有效地利用过去几个月有限的房屋交易数据来更新HIN中所有房屋实体的估值信息。通过提供完整和最新的房屋估价数据集，Luce因此大大简化了目标物业的下游估价任务。我们证明了Luce的好处，通过将其应用于从多伦多房地产市场获得的大型现实生活中的数据集。大量的实验结果表明，卢斯不仅显着优于以往的财产估值方法，而且往往达到，有时超过独立专家给出的估值精度时，使用实际实现价格作为地面真理。
2020-08-12 cs.LG
Customer Price Sensitivities in Competitive Automobile Insurance Markets
University of Amsterdam（阿姆斯特丹大学）
保险公司越来越多地采用更多以需求为基础的战略，以考虑保费变化对其投保人留下来意愿的间接影响。然而，由于在实践中，保险公司的续保保费和客户对这些保费的反应通常取决于客户的风险水平，因此在这些策略中确定如何适当控制这种混淆仍然具有挑战性。因此，我们考虑在本文中的因果推断的方法来考虑客户的价格敏感性，并推导出最佳的，多期利润最大化的保费续期报价。更具体地说，我们通过极端梯度提升（XGBoost）和多重插补扩展了Guelman和Guillén（2014）的离散处理框架，以更好地解释反事实反应中的不确定性。此外，我们还将XGBoost的连续治疗框架引入保险文献，以确定确切的最佳续约报价，并通过包括竞争对手的报价来考虑市场上的任何竞争。两个治疗框架的应用程序，荷兰汽车保险组合表明，政策的竞争力在市场上是至关重要的客户的价格敏感性，XGBoost是更合适的描述这比传统的逻辑斯谛回归。此外，这两个框架的有效边界表明，投资组合可以获得比实现更多的利润，而且已经减少了流失，特别是如果我们允许连续的利率变化。多期更新优化证实了这些发现，并表明，竞争力，使以前的利率变化对未来的需求时间反馈。
2022-02-18 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
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
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
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
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
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
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
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
Asset price movement prediction using empirical mode decomposition and Gaussian mixture models
Hamilton Institute, Maynooth University（梅努斯大学汉密尔顿研究所）；Maynooth University（梅努斯大学）；DLT Capital（DLT资本）
本研究结合经验模态分解与高斯混合模型，通过特征工程和机器学习算法优化交易决策，实验表明EMD变换提升集成学习性能，GMM过滤扩大优于随机基准的组合范围。
2025-03-26 cs.LG stat.ME
Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms
Langara College（兰加拉学院）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）；Okanagan College（奥肯那根学院）；University of the Fraser Valley（菲莎河谷大学）
本研究比较XGBoost、随机森林、多层感知器和支持向量回归四种机器学习模型，在2020年3月至2022年5月期间预测NYSE三只股票的短期价格，发现XGBoost准确率最高，尽管运行时间较长。
2023-05-17 cs.CE cs.LG q-fin.TR
A Fair and Efficient Hybrid Federated Learning Framework based on XGBoost for Distributed Power Prediction
Tsinghua-Berkeley Shenzhen Institute, Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院清华-伯克利深圳学院）；Tsinghua University（清华大学）
在现代电力系统中，关于发电/消耗及其相关特征的实时数据存储在各个分布式方中，包括家用电表、Transformer站和外部组织。为了充分利用这些分布式数据的潜在模式进行准确的功率预测，需要联邦学习作为一种协作但保护隐私的训练方案。然而，当前的联邦学习框架倾向于解决数据的水平或垂直分离，并且倾向于忽略两者都存在的情况。此外，在主流的水平联邦学习框架中，仅采用人工神经网络来学习数据模式，与表格数据集上的基于树的模型相比，这被认为是不太准确和可解释的。为此，我们提出了一种基于XGBoost的混合联邦学习框架，用于从实时外部特征进行分布式功率预测。除了引入提升树以提高准确性和可解释性外，我们还结合了水平和垂直联邦学习，以解决特征分散在局部异构方和样本分散在各个局部区域的情况。此外，我们设计了一个动态的任务分配方案，使每一方都能公平地分享信息，并且可以充分利用每一方的计算能力来提高训练效率。一个后续的案例研究，以证明采用拟议的框架的必要性。该框架在公平性、效率和准确性方面的优势也得到了证实。
2022-01-08 cs.AI cs.LG cs.SY
A model for predicting price polarity of real estate properties using information of real estate market websites
Universidad Nacional de Colombia（哥伦比亚国立大学）；Fundación Universitaria Konrad Lorenz（康拉德·洛伦兹大学基金会）
本文提出了一个模型，利用卖方在房地产市场网站上发布的信息来预测一个物业的价格是否高于或低于其同类物业的平均价格。该模型通过基于doc2vec和xgboost的机器学习模型自动识别潜在语义内容，学习房地产价格和信息（文本描述和特征）之间的相关性。该模型使用波哥大市2016年至2018年收集的57，516份房地产出版物的数据集进行了评估。结果表明，涉及文本描述的分类器的准确性略高于只使用房地产属性的特征的分类器，因为文本描述往往包含有关该属性的详细信息。
2019-11-19 cs.LG 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
Does Noise Affect Housing Prices? A Case Study in the Urban Area of Thessaloniki
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
房地产市场依赖于各种方法来预测房价，包括在住宅或商业地产数据集上训练的模型。大多数研究都试图通过利用基本属性以及城市特征（如与设施的距离和道路可达性）等数据来创建更准确的机器学习模型。尽管噪音污染等环境因素可能会影响价格，但围绕这一主题的研究有限。原因之一是缺乏数据。在本文中，我们重建并公开提供一个通用的噪声污染数据集的基础上发表的研究由希腊环境和能源部塞萨洛尼基市，希腊。然后，我们对塞萨洛尼基不同地区的房地产数据进行训练集成机器学习模型，如XGBoost，以通过可解释性评估技术调查噪音影响价格的方式。我们的研究提供了一个新的噪声污染数据集，不仅证明了噪声对房价的影响，而且还表明噪声对房价的影响在同一城市的不同地区之间存在显着差异。
2023-02-25 cs.LG
Light Gradient Boosting Machine as a Regression Method for Quantitative Structure-Activity Relationships
Merck & Co. Inc.（默克公司）
在制药工业中，通常会生成许多具有大量分子和描述符的QSAR模型，最好的QSAR方法是那些可以生成最准确预测，但对超参数不敏感且计算效率高的方法。在这里，我们在30个内部数据集上比较了Light Gradient Boosting Machine（LightGBM）与随机森林，单任务深度神经网络和Extreme Gradient Boosting（XGBoost）。虽然任何boosting算法都有许多可调整的超参数，但我们可以定义一组标准超参数，LightGBM在这些参数下的预测与单任务深度神经网络一样准确，但在最大模型的总计算时间方面，比随机森林快1000倍，比XGBoost快4倍。LightGBM的另一个非常有用的特性是它包括一个用于估计预测区间的本地方法。
2021-04-28 cs.LG q-bio.BM
Automated Agriculture Commodity Price Prediction System with Machine Learning Techniques
University of Nottingham Malaysia（诺丁汉大学马来西亚分校）
本研究的目的是研究并设计一个结合新型机器学习技术的农产品价格自动预测系统。由于农产品价格的历史数据量越来越大，以及对价格波动进行准确预测的需要，解决方法在很大程度上从统计方法转向了机器学习领域。然而，从历史数据中选择合适的集合进行预测仍然有有限的考虑。另一方面，在实施机器学习技术时，寻找一个具有全局最优参数、非线性和避免维数灾难的合适模型仍然是最大的挑战，因此需要对机器学习策略进行研究。在本研究中，我们提出了一个基于网络的农业商品价格自动预测系统。在这两个系列的实验中，五种流行的机器学习算法，ARIMA，SVR，Prophet，XGBoost和LSTM与马来西亚的大型历史数据集进行了比较，并选择了平均均方误差为0.304的最佳算法LSTM模型作为该系统的预测引擎。
2021-06-24 cs.LG
A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
Gezhi Future Research Institute（智未来研究院）
本文比较了八种机器学习模型在电力价格预测中的性能，发现KNN表现最佳，并通过LIME分析揭示了气象因素和供需指标对价格波动的非线性影响。
2025-12-01 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
Cryptocurrency Price Forecasting Using Machine Learning: Building Intelligent Financial Prediction Models
Gannon University（甘农大学）；International American University（国际美国大学）；Trine University（特莱恩大学）
本研究利用机器学习模型预测XRP/USDT收盘价，引入流动性代理指标VVR和VWAP，对比四种模型，发现LSTM在有无流动性指标下均表现最优，强调流动性对价格预测的重要性。
2025-08-02 cs.LG
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
Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning
GLAM, Department of Computing（GLAM，计算系）；Imperial College London（伦敦帝国理工学院）
虽然盈余公告后漂移（PEAD）是研究最多的股票市场的异常之一，目前的文献往往是有限的解释这一现象的少数因素，使用简单的回归方法。在本文中，我们使用基于机器学习的方法，旨在使用来自大量股票的数据以及广泛的基本面和技术因素来捕获PEAD动态。我们的模型是围绕极端梯度提升（XGBoost）构建的，并使用了一长串基于1997年至2018年罗素1000指数中1,106家公司季度财务公告数据的工程输入特征。我们对PEAD的预测和分析进行了大量的实验，并对文献做出了以下贡献。首先，我们展示了如何使用机器学习方法分析收益公告后漂移，并展示了这种方法在漂移方向上产生可信预测的能力。这是首次使用XGBoost研究PEAD动力学。我们表明，不同行业和不同季度的股票的漂移方向实际上是由不同因素驱动的，XGBoost可以有效地理解不断变化的驱动因素。第二，我们表明，一个XGBoost以及优化的遗传算法可以帮助分配样本外的股票，形成投资组合具有较高的正回报长期和投资组合具有较低的负回报短期，一个发现，可以通过在发展过程中的市场中性策略。第三，我们展示了理论上的事件驱动股票策略如何在现实中应对不断变化的市场价格，从而降低了它们的有效性。我们提出了一种策略，以弥补在处理PEAD信号时买入移动市场的困难。
2020-09-07 cs.LG q-fin.ST
