基于视觉特征的房地产价格估计方法

智能系统与应用14（2022）200081基于视觉的住房价格估计使用内部，外部卫星图像AliNouriani， Lance Lemke明尼苏达大学双城分校美国Ar ticlei n f o ab st ract文章历史：2022年1月10日收到2022年3月7日修订2022年4月15日接受2022年4月29日网上发售保留字：计算机视觉自动估价房价卫星视图CNN豪华程度从Zillow和Red Finn等在线房地产服务的出现开始，房地产价格估计一直是文献中一个有趣的主题。这些网站和文献中的许多其他作品都提出了他们的方法来评估和定价的房地产。然而，这些方法失败了。考虑关于房屋的外观和邻近的重要信息，这导致偶尔的不正确估计。本文提出的新方法试图通过考虑房屋的属性以及房屋的内部、外部和卫星视觉特征来估计房屋价格。在房屋的内部、外部和卫星图像的大型数据集上训练深度卷积神经网络，以提取房屋的视觉特征。这些特征与房屋属性一起被馈送到另一个系统，以自动估计房屋的价值。最后，在一个新的数据集上，将该系统的性能与Zestimate和文献中的一些基于视觉的方法进行了比较。© 2022作者由Elsevier Ltd.发布。这是一个CCBY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）1. 介绍房地产价格估计是一个具有挑战性的目标，因为它取决于许多因素，如房间数量，面积，年龄和位置。住房定价在日常房地产交易中具有重要的现实意义，是衡量住房市场价值的有效手段。房地产定价中的一个重要因素通常被当前的评估人员所忽视，这就是房屋和社区的美学和视觉外观。估计房地产价格的传统方法依赖于对房屋文本信息的统计分析，该文本信息已在Zillow、Trulia和Red fin等在线房地产数据库公司中商业化。虽然一些研究工作试图填补这一空白，他们中的大多数人没有考虑内部和外部以及邻里吸引力在他们的估计。在这个项目中，我们提出了一种新的方法，它既考虑了房屋的文本属性，又考虑了房地产的内部、外部和卫星视觉特征。近年来，房地产数据库的大量出现引发了许多关于自动住房定价的研究，不幸的是，这些研究大多基于统计数据来估计公寓价格∗通讯作者。电 子 邮 件 地 址 ： nouri011@umn.edu （ A.Nouriani ） ， lemke203@umn.edu（L.Lemke）。因此，在本文中，我们提出了一种新的方法，包括文本信息和房屋的内部，外部和卫星视觉特征。房间分类器在数据上进行训练，以自动标记房间类型。另一个网络被训练来根据图像的美丽和美学将图像分类到不同的奢侈品级别。最后，一个回归器被训练来根据文本数据以及从图像中提取的奢侈品水平来预测价格。我们采用不同的分类方法和回归模型，以获得最佳结果。 图 1显示了收集的数据的示例。已经发表了许多文章，提供有关机器学习如何帮助提高自动房地产定价方法准确性的信息。一些方法使用某些图像和元数据的组合来估计房价，而其他方法仅使用文本数据。图像、室外图像、卫星图像或两类图像的组合来评估房子的价值。最常用的文本数据是平方英尺，年龄和卧室数量（Naser，Serte，&Turjman，2020）。有些方法只检查房子的外部图像。这些方法 使 用 AlexNet ， GoogLeNet 或 VGG 16/19 的 提 取 特 征（Bessinger Jacobs，2016）。这些属性可能对房价产生积极或消极的影响。例如，内部庭院是一个积极的特征，工业场景是消极的环境。在Bessinger Jacobs（2016）中，Bessinger报告了28281$的RMSE误差和10%的中位数误差，但在https://doi.org/10.1016/j.iswa.2022.2000812667-3053/© 2022作者。出版社：Elsevier Ltd这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表智能系统及其应用期刊主页：www.elsevier.com/locate/iswaA. Nouriani和L. Lemke智能系统与应用14（2022）2000812图1. 房屋的内部、外部、卫星和文本属性的示例。与仅文本数据的方法相比，显示出4%的改善。一些作品可以识别图片中的某些特征，如窗栏，树篱，山墙屋顶和热带植物，以预测城市的特征及其与房屋价格的关系（Arietta Sean，2014）。另一份文件使用街道图像来预测城市中地点的感知特征（Ordonez& Berg，2014）。其中一些文章表明，这些模型功能强大，灵活性强，可以在不同的城市使用（You，Pang，Cao，&Luo，2017）。 在Peng et al. （2021）和Shin，Kim，&Hong（2021）研究并比较了LASSO，Deep Walk和基于LSTM的方法用于预测房地产。他们报告的平均误差分别为24.83%，23.28%和9.94%。其他方法检查内部图像并使用图像分类来确定奢侈程度（Poursaeed，Matera，&Belongie，2017）。这种方法使用来自多个来源的豪华评级来对不同豪华程度的生活空间的图像进行评级（Ahmed& Moustafa，2016）。有些论文只使用卫星图像来提取社区的细节。一种方法使CNN能够提取空间特征，以研究区域信息对房地产价格的影响（Bency，Rallapalli，Ganti，Srivatsa，&Manju-nath，2017）。另一种方法是使用卫星图像和街景图像来表征该地区的城市质量（Law，Paige，&Russell，2019）。他们发现，对区域质量的正确描述可以改善对房价的预测。Wang，Chen，Su，Wang，&Huang（2021）提出了一种新颖的端到端自联合模型用于住房价格估计。他们试图利用卫星图像来提供有关社区设施的信息，包括公园、学校和交通。他们报告了12.11%的最小误差作为他们的最佳结果（Wang等人， 2021年）。有些方法只考虑房子的文本信息。这些方法使用文本数据以及统计和机器学习方法来估计房屋的价值（Afonso，Melo，Oliveira，Sousa，&Berton，2019; Benjamin，2004; Khamis&Kamarudin，2014; Li，2009; Li，Huang，&Li.，2019; Rafiei&Adeli，2016; Shim& Hwang，2018; Truong，Nguyen，Dang，&Mei ， 2020; Wang ， Zou ， Zhang ， &Shi ， 2019; Zhao ，Chetty，&Tran，2019）。文本方法使用的特征包括平方英尺、邮政编码、房间数量和用于估计价格的市场数据。基于文本的方法是房地产经纪人和网站使用的最流行的方法来估计财产的价值。Zil- low（Red finn，2022）和Red finn（Zestimate ，2022）都使用这种方法。房屋价格评估有多种基础工作，其中一些使用文本方法，一些使用基于视觉的方法。文本方法已经取得了进展，因此在ZillowZestimate和Red fin估计都利用统计和机器学习模型，使用文本数据来预测房价。Zestimate及RedfinEstimate的全国中位误 差 百 分 比 分 别 为 7. 7% （ Redfin ， 2022 ） 及 5. 92%（Zestimate，2022）。另一方面，也有基于视觉的研究工作，如（Bessinger&Jacobs，2016），仅研究公寓的外部图像，使用AlexNet，GoogLeNet和VGG 16/19提取特征。另一篇论文使用了来自每个房子的四张照片，网络来估计房屋的价格（Poursaeed等人，2017年）。该方法显示出实现了5.6%的中值误差百分比（Poursaeed等人， 2017年）。这些基线工作的局限性在于它们不包括房屋的所有方面，例如：文本信息，街景，室内视图和卫星图像。虽然纯文本方法工作得很好，但这些方法仍然缺少房屋的各种有价值的特征。某些方面会影响房子的价值，而这些方面在文本信息中没有反映出来，如风格、建筑、邻里美学等。没有一种基线方法包括外部和内部建筑对价格的影响。因此，我们的方法的优点是包括所有重要因素的评估房子。此外，我们已经表明，我们的方法提高了准确性，优于基线方法。然而，我们应该提到这种方法的局限性是需要更多的房屋信息，如卫星和内部视图，这些信息可能并不总是可以用于评估。2. 数据收集和注释我们已经收集了一个合适的数据集，大约25000图像的不同房间的房子几乎正常分布的属性，如价格，房间数量，地段大小和年龄。这些图片来自不同的网站，如Zillow，Red Finn和Realtor。有几个数据集，特别是包含从所有房间和卫星视图的房屋图像。房子的卫星图像是从必应地图上收集的，每个房子都有地址。所收集的数据集仅包括单层房屋和公寓，本文不讨论评价房间豪华程度的一个合理方法是比较每个房间类别（如卧室，浴室等）。单独地，即，通过比较来自相同类型的房间图像而不是比较来自不同类型的房间，可以生成更好的结果。因此，我们训练了一个深度网络，将图像分类为浴室，卧室，厨房，客厅，餐厅，正面图像和卫星图像7个房间类别。房间分类器在从LSUN收集的标记图像上进行训练（Yu等人，2015年）和谷歌图像搜索和地方数据集（周，Lapedriza，肖，Torralba，&Oliva，2014年）超过100万张图像。LSUN基准包括1，315，802张客厅图像，3，033，042张卧室图像，657，571张餐厅图像和2，212，277张厨房图像，没有外部，浴室和卫星视图的图像。Places datset有大约28,000张图片，包括客厅、卧室、餐厅、厨房、浴室、外部，没有卫星视图。虽然我们使用上述基准训练房间类别，但相比之下，我们为每个类别收集了4千张图像，包括卫星视图。图2显示了正确分类的房间类型的示例。每个房间类别都被标记为不同的豪华级别-众包我们随机向每位参与者展示了每种房间类型的一组图像以及作为豪华水平基准的样本，并要求人群工作人员选择与样本相比具有相似豪华水平的我们有A. Nouriani和L. Lemke智能系统与应用14（2022）2000813图2. 一个正确分类的房间类型的例子。图三. 众包豪华级别界面的示例。通过MTurk收集标签（亚马逊，2022）。一个例子的标记豪华水平显示在图。 3.3. 模型实施的程序如图所示。 4如下：1. 将图像分类到房间类别（浴室，卧室，厨房，客厅，餐厅，前面，卫星图像）2. 将每个类别的图像分类为豪华级别3. 以4. 与文本数据5. 回归模型6. 与文献方法进行性能比较。3.1. 按房间类型分类的我们训练了VGG16、DenseNet和GoogLeNet，以将图像分类为上述7种房间类型。三种方法的准确率分别为93%、92.3%和91.7%因此，我们使用VGG16作为我们的房间分类器。然后应用分类器从Zillow和Red Finn等在线资源收集的大型房地产数据集。分类客房类型的示例如图所示。 2.一个微调的VGG16网络用于收集的数据，以分类浴室，卧室，厨房，客厅，餐厅外立面和卫星图像我们对VGG网络的最后三层进行了调整，增加了一个加密层，两个密集层和一个归一化层，以提高网络的准确性和可靠性。3.2.按豪华程度划分的形象分类我们根据Poursaeed et al.（2017）的研究，将每一类图像从低到高分为不同的奢华级别。本文使用了一种众包方法来标记图像的不同奢侈水平。由于豪华级别的范围、级别的数量和豪华级别的基准不明确，创建了一个众包系统来询问人们他们认为哪些图像处于同一水平。豪华程度与房子的美观有关，是主观的，不能直接用价格来衡量。因此，我们使用t-STE算法（Maaten& Weinberger，2012）来计算图像的二维嵌入，以形成相似图像的集群。使用这种方法，我们可以确定所需的集群，充分代表luxury水平。我们已经得出结论，在我们的数据集上进行了一些试验和错误，使用肘部方法，5个豪华级别足以准确地划分数据集。然后随机选择每个聚类的图像可以代表相应的奢侈品级别。我们使用Poursaeed等人（2017）随机选择的80%数据集作为基准，并要求人群工作人员选择与基准相比具有相似奢侈水平的图像A. Nouriani和L. Lemke智能系统与应用14（2022）2000814{}见图4。网络示意图。照片按房间类别分类，每种房型按其豪华程度分类。然后将奢侈品级别的模式与标准化的元数据相关联，并通过回归模型来估计价格。然后，为了自动化奢侈品级别分类的过程，我们提供并比较了3个网络：1. GoogLeNet + KNN模型2. GoogLeNet + SVM模型3. 微调和修改的VGG网络作为CNN模型我们为每个类别的房间训练模型，然后将每个类别的模式作为级别特征。3.2.1.豪华级模式使用上述方法估算的豪华水平适用于卧室、浴室、厨房等每种房型。我们发现，在匹配豪华水平与价格水平准确性方面，将不同房型的豪华水平“模式”作为房屋的总体豪华水平是有帮助的。该模式简单地使用以下方程Nouriani等人计算，二零二一年：豪华级别=模式{P i|i∈ [1，7]}其中，Pi示出了房间类型i的预测豪华水平，该房间类型i被分配为卫生间=1，卧室=2，餐厅=3，前视图=4，厨房=5，客厅=6，卫星视图=7。例如，该系统从浴室、卧室、厨房等每个房间类型中对豪华级别进行分类。作为1， 1， 2， 1， 3，1， 1，我们将该集合中的模式指定为预测类（豪华级别），因此该级别被预测为1。使用以下每种方法重复此过程以获得最佳结果。例如，使用SVM方法，每个房型的豪华级别分类的混淆矩阵和级别模式的混淆矩阵如图5所示。该模式显示奢侈品级别分类的准确性平均提高了22%。我们已经看到KNN和CNN的其他两种方法的准确性有所提高。3.2.2.GoogLeNet + KNN我们使用GooLeNet，因为它已经在一个大型的视觉数据集上进行了训练，并且提取的特征在解释视觉数据方面具有意义。例如，我们发现，房屋图片和教堂之间的相似性会降低其价值。房子或检测现场作为一个院子增加了豪华的水平（BessingerJacobs，2016）。因此，在这个模型中，我们将GoogLeNet与其他模型相结合，对奢侈品级别进行分类。在奢侈品分类的第一种方法中，我们使用了GoogLeNet和k-最近邻（KNN）模型的组合。GoogLeNet的细节可以在这里找到（Szegedy et al.，2015年）的报告。最后一层提取的特征拟合KNN模型关于GoogleNet K的最佳值使用网格搜索来选择，其中最佳精度的目标为K=5。图6（a）示出了第一种方法的混淆矩阵与整体精度的59%。这种方法在更高的豪华级别中表现得更差3.2.3.GoogLeNet + SVM在第二种奢侈品分类方法中，我们同样使用了GoogLeNet和支持向量机（SVM）的组合。SVM模型基于GoogLeNet最后一层提取的特征进行训练。SVM模型使用具有平衡类权重的径向基函数（RBF）核，并且C= 1e3和gamma= 0.1。超参数的最佳值通过网格搜索来选择。图6（b）显示了这种方法在奢侈品级别分类中的混淆矩阵。总体精度提高到约74%，而且在不同级别之间显示出更平衡的结果。3.2.4.CNN模型在第三种方法中，我们没有将GoogLeNet的前向特征与另一种方法相结合，而是直接将VGG16网络微调为卷积神经网络（CNN）模型。通过一些尝试和错误，我们可以通过向VGG16添加两个密集层和一个归一化层来获得最佳结果。VGG16网络的详细信息在这里（Zhang，Zou，He，&Sun，2015）。如图G所示。6（c）中，正确率约为89.6%，CNN方法的混淆矩阵显示出比以前方法更好的整体结果。3.3.回归模型提取的特征，包括豪华程度和Meta数据的房屋连接形成的每个数据点的特征。然后，我们应用并比较了各种性能A. Nouriani和L. Lemke智能系统与应用14（2022）2000815图5. 以图像类别的豪华程度（房型+卫星）为模式进行SVM方法。图第六章 混淆矩阵和精确奢侈品等级分类方法。表1不同回归方法的交叉验证得分回归方法均方误差标准偏差线性回归0.02140.0132Lasso0.25620.0485弹性网络0.25600.0481K-最近邻0.03550.0222决策树0.02280.0154梯度增压机0.01750.0127回归模型，如线性，Lasso，弹性网络，KNN，决策树和梯度提升，以获得最佳结果。表1显示了这些方法的交叉验证得分，这些方法是在标准化的80%随机选择的训练数据上训练得到的。Gradient boosting显示出与其他方法的最佳性能兼容性，因此使用Gradient训练数据，增强方法。然后通过网格搜索来选择n-估计量。数据特征的相关矩阵如图7所示。然后选择与房价相关性较高的特征作为最有意义的特征，用于价格估计和回归模型的训练。如图7所示，一些特征对房屋的价格具有积极的影响，例如，房屋的平方英尺、房间的数量和豪华程度在所有模型中与房屋的价格具有方向关系。这个结果是合理和直观的，因为更高的豪华水平应该增加房子的整体价值。另一方面，一些特征如年龄对价格有负面影响。奢侈水平的影响与在城市中的位置和其他特征超出了本文的范围，应在未来的研究中讨论4. 结果回归模型的性能在以下情况下进行比较：1. 纯文本数据2. KNN模型3. SVM模型4. CNN模型中的文本加豪华级别这些方法的中位误差总结如图8所示。CNN模型优于其他方法。这个结果是预期的，因为与图7所示的其他方法相比，它给出了与价格标签更好的相关性。因此，我们可以看到CNN与SVM相比的优越性能。同样，SVM的性能优于KNN，KNN优于仅文本数据，因为奢侈品水平的相关性更好。这一结果表明了视觉信息在房屋价格估算中的重要性和影响，并证明了增加的细节。作为定性和验证示例，我们展示了一些随机选择的数据实例，并将我们的估计与Zillow的结果进行了比较，如表2所示。图9显示了房屋的样本图片及其预测价格和地面真实价格。这个例子显示了我们的方法与Zillow相比的优越准确性，Zillow再次证明了视觉数据在价格估计中的重要性。为了与基线进行比较，我们计算了A. Nouriani和L. Lemke智能系统与应用14（2022）2000816图第七章 不同勒克斯等级分类器的数据特征之间的相关性。图8. 不同模型的中位误差率。Baseline paper和Zestimate对我们从Zillow收集的1800个实例的部分数据进行了分析。我们使用CNN模型的方法在该数据集上显示了4.98%的中位误差率，而P o u r s a e e d 等 人 使 用 奢侈 水 平 的 基线论文方法（Poursaeed等人，2017年），我们可以得到5.6%，使用Zestimate，我们得到的中位误差优于7.3%。这清楚地表明，与基线估计相比，我们的方法具有更好的性能。此外，我们还在我们的数据集上测试了Shin等人（2021）我们可以得到10.94%的中位误差。此外，我们使用了BessingerJacobs（2016）中的Bessinger&您应该注意到，这个数据集只包括外部图像，我们无法访问这些房屋的卫星或内部视图，因此如果我们有所有视图，我们可能会得到更好的结果。我们的方法准确性更好的原因在于两个事实。首先，我们所提出的方法结合了所有的视觉特征的房子，包括室内设计，外部视图和邻居信息从卫星图像时，数据是可访问的。第二，我们的方法采用豪华级别的图像A. Nouriani和L. Lemke智能系统与应用14（2022）2000817图第九章房 屋 的 样本图像及其地址，我们的模型预测的价值以及地面真实价格。表2在随机选择的数据实例上比较结果。地址地面实况Zestimate预测价格我们的误差%Z估计误差%小行星925,000852,762898354.12.887.81第68街318,500342,207335132.65.227.44小行星4372390,000355,133359557.17.808.94第127大道600,000641,132563456.76.096.85小行星447,500481,821414,1417.457.67第110街565,000600,983575750.91.906.37而不是回归模型中的直接视觉特征，例如Bessinger在BessingerJacobs（2016）中所做的。这降低了回归模型的数据的维数，因此在计算成本和准确性方面都是优越的5. 结论住宅价格估计是一个众所周知的研究课题，在文献中，也是业界。这些研究大多侧重于房屋的文本属性。我们已经证明，房子的视觉方面可以帮助我们更准确地估计价格。为了融入房屋的视觉数据，我们首次提出了对房屋图像的豪华级别分类，包括杂项房间、房屋的外部视图甚至卫星视图。现有的基于视觉的房屋价格估算方法通常局限于外观视图或仅限于这些不同房间类别中的一种。我们试图通过包括所有人来获得最好的结果。在我们的网络中对这些外部和内部图像进行分类，并将外部、客房、卫星等图像的每个图像类别分类为不同的豪华级别。然后，在决定该房屋的最终豪华程度时，我们发现该统计模式在价格估计方面准确可靠。对于这个项目，我们收集了明尼苏达州周围房屋的外部，内部和卫星图像的罕见数据集合，以及几个文本属性，如地址，销售日期，价格，平方英尺等，并手动标记了一些图像。我们在部分手动标记的数据上训练了一个改进的VGG16网络，并使用该网络将房屋图像分类到不同的房间。接下来，为了将图像分类到不同的奢侈级别，我们使用KNN，SVM和CNN测试和比较了几种方法，以通过最终的中值错误率找到图像级别分类的最佳结果。最后，这些信息与文本属性一起被馈送到不同的回归模型 通过负的均方误差找到最佳回归模型。总之，我们的方法使用来自家庭图像的视觉特征结合文本数据来估计豪华水平。房子价格的伴侣已经被证明比其他基线模型更准确，如Zillow的Zestimate。我们的方法的优势在于它考虑了比其他模型更多的视觉信息，从而可以更准确地预测价格。由于我们的模型仅基于中西部的数据进行训练，下一步将是在其他市场的更大数据集上进行训练和验证。竞争利益声明作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作CRediT作者贡献声明阿 里· 努 里亚 尼： 概念化，方法论，写作- 初稿. LanceLemke：数据管理，验证，写作-引用阿方索，B.，梅洛湖，Oliveira，W.，Sousa，S.，&伯顿湖（2019年）。基于深度学习和随机森林集成的房价预测。InAnais do XVI encontro nacional de inteligênciaarti ficial e computacional（pp. 389-400）。Ahmed，E.，&Moustafa，M.（2016年）。从视觉和文字特征看房屋价格估算。ArXiv预印本arXiv：1609.08399。Amazon Mechanical Turkhttps://www.mturk.com.Arietta，S. M.，例如， （2014年）。 城市取证：使用视觉元素预测非视觉城市属性。IEEE Transactions on Visualization and Computer Graphics ， 20（ 12） ，2624-2633.Bency， A. J.，Rallapalli ，S. ，甘蒂河K.，Srivatsa ，M.，&曼朱纳特湾S.（ 2017年）。Be-yond空间自回归模型：用卫星图像预测房价。2017年IEEE计算机视觉应用冬季会议（WACV）。320-329）。本 杰 明 ， J.D. ， 例 如 ， （ 2004 年 ） 。 大 众 评 价 。 JournalofRealEstatePracticeandEducation，7（1），65-78.Bessinger，Z.，&Jacobs，N.（2016年）。量化路边的吸引力。在2016年IEEE国际图像处理会议（ICIP）上，4388-4392）。Khamis，A. B、&Kamarudin，N. K. K. B.（2014年）。统计模型与神经网络模型在房屋价 格 估 算 中 的 比 较 研 究 。International Journal of Scien-ti-fic TechnologyResearch，3（12），126劳，S.，佩吉，B.，&拉塞尔角（2019年）。看看周围ACMtransactions on intelligentsystems and technology（TIST）：vol. 10（pp. 1-19）。A. Nouriani和L. Lemke智能系统与应用14（2022）2000818李达英徐伟赵红陈荣秋。“A SVR based forecasting ap- 在2009年国际会议上机器学习和控制论，卷。2，pp.970-974. IEEE，2009年。Li，H.，Huang，X.，&Li，X. （2019年）。基于GIS和深度学习的城市地价评估。 在IGARSS 2019 - 2019 IEEE国际地球科学和遥感研讨会，日本横滨（pp. 935-938）。马滕湖 维德， &Weinberger，K. （2012年）。 随机 三重嵌入在妈-中国信号处理学习（MLSP），2012年IEEE国际研讨会（pp. 1-6）。Naser，N.， Serte，S.， &Al-Turjman，F. （2020年）。 从传统的房价评估到基于计算机视觉的房价评估：一项调查。在物联网时代即将到来的网络和可持续性国际会议上（第10页）。1-10）。斯普林格。Nouriani，A.， 麦戈文河 一、 &拉贾马尼河（2020年）。使用惯性测量单元的步长估计在2021年美国控制会议（ACC）（pp。666-671）。斯普林格。IEEE。Ordonez，V.，Berg，T.L. （2014年）。学习城市感知的高级判断在欧洲计算机视觉会议上：第8694卷（pp. 494-510）。斯普林格彭，H.，李杰，Wang，Z.，Yang，R.，刘，M.，张，M.，例如，（2021年）。终身房地 产 价 格 预 测 ： 多 伦 多 房 地 产 市 场 案 例 研 究 。IEEE Transactions onKnowledge and Data Engineering，1Poursaeed，O.， Matera，T.，&贝隆吉，S.（2017年）。基于视觉房地产价格估算机器视觉及其应用https://doi.org/10.1007/ s00138-018-0922-2.Rafiei，M. H、&Adeli，H. （2016年）。 一种用于房地产单位销售价格估计的新型机器学习模型。建筑工程与管理学报，142（2），04015066.红鳍估算，https：//www.red fin.com/red fin-estimate。Shim，J.，&黄氏角（2018年）。基于核函数的地理时间加权自回归房价估计模型。PLoS One，13（10），E0205063.Shin，E. K.，Kim，E. M.，&洪，T. H.（2021年）。房地产开发价格预测-基于SOM和LSTM的区域分析。信息系统杂志，30（2），147-163。塞格迪角，Liu，W.，Jia，Y.，Sermanet，P.，Reed，S.，Anguelov，D.，例如，（2015年）。去吧-更深层次的卷积。在IEEE计算机视觉和模式识别会议论文集（pp.1-9）。Truong，Q.，Nguyen，M.，当，H。，&Mei，B.（2020年）。通过改进的机器学习技术进行房价预测。Procedia Computer Science，174，433Wang，F.， Zou，Y.， Zhang，H.，&Shi，H.（2019年）。 基于深度学习和ARIMA模型的房价预测方法。在IEEE第七届计算机科学与网络技术国际会议（ICCSNT）上，大连，中国（pp. 303-307）。Wang，P.-是的，陈春T.，Su，J.- W.，Wang，T.-是的，&Huang，S.- H.（2021年）。使用异构数据分析和联合自注意机制的房价预测深度学习模型。 IEEEAccess，9，55244-55259。你 Q 庞 河 ， Cao ， L. ， &Luo ， J. （ 2017 ） . 基 于 图 像 的 房 地 产 估 价额 。 IEEEtransactions on multimedia，19（12），2751Yu，F.，Seff，A.，张玉，Song，S.，Funkhouser，T.，&Xiao，J.（2015）. Lsun：使用深度学习构建大规模图像数据集，人类参与其中。ArXiv预印本arXiv：1506.03365。张，X.，Zou，J.，他，K.，&Sun，J.（2015）.加速非常深的卷积网络-用于分类和检测。在IEEE模式分析和机器智能交易中：第38卷（pp. （1943-1955年）。赵，Y.，切蒂，G.，&Tran，D.（2019年）。使用XGBoost进行房地产评估的深度学习。2019年IEEE计算智能系列研讨会（SSCI），中国厦门。Zhou，B.，Lapedriza，A.，Xiao，J.，Torralba，A.，&Oliva，A.（2014年）。学习深度fea-使用地点数据库进行场景识别。在神经信息处理系统的进展（pp。487-495）。Zestimatehttps://www.zillow.com/zestimate.