房地产估值与多源图像融合和增强的机器学习管道

科学领域:

• 房地产估值 房地产估值
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 自动估值模型 (AVM) 通常使用结构化数据,经常忽视像图像这样的有价值的非结构化信息.
• 传统的房地产估值方法可能是主观的,缺乏准确性.
• 以前用于房地产估值的机器学习 (ML) 方法尚未完全探索多源图像数据集成或功能配置优化.

研究的目的:

• 提出基于ML的增强的房地产估值框架,整合多源图像数据和功能配置.
• 调查不同特征配置对房地产估值模型性能的影响.
• 分析融合图像特征对房价预测准确性的影响.

主要方法:

• 利用香港物业数据进行案例研究.
• 实施了一个增强的ML框架,包括功能配置和外观,街景和遥感图像的融合.
• 训练并比较了八个ML回归器:随机森林,额外树,XGBoost,轻GBM,KNN,SVR,MLP和MLR.
• 采用了夏普利添加式扩展 (SHAP) 方法来解释图像特征的影响.

主要成果:

• 模型性能随着不同的功能配置而有很大差异,这突显了优化的重要性.
• 与其他测试模型相比,Extra Tree回归器表现出卓越的性能.
• 图像特征构成了前10大重要预测因素中的一半,证实了它们对估值准确性的重大贡献.
• 在图像特征和房价之间观察到非线性关系,具有明显的空间模式.

结论:

• 功能配置对于开发准确可靠的自动化估值模型至关重要.
• 整合多个来源的图像数据显著提高了房地产估值的准确性.
• 了解图像特征影响的非线性关联和空间变化对于城市规划和房地产开发至关重要.