MBA论文代写|MPA论文代写|工程硕士论文|经济管理论文|国际贸易论文代写|医学护理论文|文学论文|项目管理论文|建筑工程论文|教育教学论文|农业推广论文|法学论文代写|体育论文|工商管理论文|公共管理论文|艺术论文|会计论文|环境论文|计算机论文代写|财务管理论文|物流管理论文|新闻传播论文|应用文类市场营销论文|人力资源论文代写|心理学论文|化工论文|机械论文代写|石油工程论文代写|水利工程|哲学论文|英语论文|电气工程论文|对外汉语论文|金融学论文思政论文|通信工程论文代写

天天论文代写网可提供代写毕业论文,代写职称论文,代写硕士论文,代写代发表等服务

在线客服

于老师 点击这里给我发送消息 177872916
电 话:13838208225
王老师 点击这里给我发送消息 177872915
电 话:13503820014
当前位置:首页 > 论文资源 > 建筑工程论文代写
建筑工程论文代写
基于深度学习城市住宅地价影响因素识别与量化
作者:黄耀森 日期:2018/8/20 15:07:08 点击:

摘要

近年来随着国家经济的迅速发展,城市中的土地交易越来越频繁,同时也产生了诸如土地投机、价格上涨过快等问题。土地市场的规范、土地价格的限制、房地产业的把控是国家未来需要解决的重大问题。而住宅作为人民生活中的必需品,与其直接相关的城市住宅土地价格就成了土地问题研究的重中之重。而由于其重要性,住宅土地价格也受到诸多复杂因素的影响,对住宅土地价格的研究,实质上就是对复杂的住宅地价影响因素的研究。

在目前的研究中,现有的Hedonic模型、BP神经网络(back propagation neural network, BPNN)等研究方法和模型虽然都有各自的优点,但在对于城市地价这一复杂对象的研究上均存在一定的缺陷和不足。因此,本文收集成都市2010年的城市地价因素数据以及成都市2010年至2017年的住宅土地交易数据,进行必要的处理后,使用深度信念网络DBN(deep belief nets, DBN)对成都市进行基于地价因素的住宅地价评估实验,并与传统地价评估模型进行对比,验证深度学习技术在城市地价因素识别与量化上的可行性与存在的优势。

本文主要研究方法如下:

(1) 使用ArcGIS®、Excel®等软件将收集到的数据进行空间分析、数据修正、 格式调整与转换、数据标准化等处理,制作2010年的成都市地价影响因素特征样 本和住宅土地交易价格样本。

(2) 利用SPSS®的相关性分析功能,分析各个地价因素和土地交易价格的相 关程度,以分析结果为依据,确定成都市地价影响因素指标。在此基础上,建立 基于地价影响因素的Hedonic模型、BP神经网络和DBN模型。

(3) 为验证结合相关分析和DBN模型在住宅地价因素识别与量化问题上的 有效性,使用同一样本数据分别对基于相关分析的DBN模型、无相关分析的DBN 模型、Hedonic模型和BP神经网络进行基于地价因素的地价评估实验并对结果进 行对比分析。

通过对比和分析DBN模型与传统模型的实验结果以及DBN模型自身在实验 数据或参数不同时的实验结果,得到以下结论:

(1) 在对整个成都市的地价因素和住宅地价栅格值进行识别与分类时,经过 相关分析的DBN模型平均准确率为84%,Hedonic模型的平均正确率为43.3%, BP神经网络的平均准确率为69.1%。这表明在基于地价影响因素的地价评估实验 中,DBN模型在模型精度上优于传统地价评估模型。

(2) 当地价因素数据计算邻域范围分别为一万米或五千米时,DBN模型的地 价评估精度较高。同时证明了 DBN模型在输入数据尺度改变时,有一定的适应能 力。

(3) 经过相关分析的DBN模型在训练中比未经过相关分析的DBN模型收敛 更快。并且经过相关分析的DBN模型平均准确率为84%,比未经过相关分析的 DBN模型的平均准确率高出11.8%。证明相关分析能够起到提高模型训练效率和 模型整体精度的作用。

关键词:土地价格,地价影响因素,深度学习,深度信念网络,相关性分析,建筑工程论文代写

基于深度学习城市住宅地价影响因素识别与量化

ABSTRACT

With the rapid economic development nationwide in recent years, land transactions in cities have become more and more frequent. At the same time, problems such as land speculation and excessive price increases have also arisen. As an important national asset, land has special importance in the social economy. Therefore, the norms of the land market, the restrictions on land prices, and the control of the real estate industry are major issues that the country needs to address in the future. As a necessity of the people's life, residence has become a top priority in the research of land issues. Due to its importance, the price of residential land is affected by many complex factors. The research of residential land prices is essentially a research of the factors affecting residential land prices.

In the present study, although the Hedonic models, Back propagation neural networks and other research methods all have their own advantages, there are certain defects in the face of the complex issue of land prices. Therefore, this paper collected the infrastructure data of Chengdu in 2010 and the residential land transaction data from 2010 to 2017. Based on deep learning techniques, the following methods are used to study the influencing factors of urban residential land prices:

2.1 Use ArcGIS®, Excel® and other software to perform spatial analysis, data correction, format adjustment and conversion, and data normalization processing on the data. The data on the characteristics of land prices in Chengdu and the price data of residential land transactions were produced.

2.2 the correlation analysis function of SPSS® is used to analyze the correlation between the land price factors and the land transaction price. Based on the analysis results, the index of the factors affecting the land price of Chengdu is determined. On this basis, Hedonic model, Back propagation neural network and Deep Belief Nets model based on land price influence factors are established.

2.3 In order to verify the effectiveness of the combination of correlation analysis and deep belief network in the recognition and quantification of residential land price factors, the same data are used to test the deep trust network based on the correlation analysis, the uncorrelated analysis network, Hedonic price model and the Back propagation neural network, and the experimental results are compared and analyzed.

By comparing and analyzing the experimental results of the Deep Belief Nets and the traditional model, and the experimental results of the Deep Belief Nets in different parameters or experimental data, the following conclusions are obtained:

2.4.2 When recognizing and classifying Chengdu^ land price factors and residential land price grid values, the average accuracy of the Deep Belief Nets is 84%, the average accuracy of the price regression model is 43.3%, and the average accuracy of the Back propagation neural network is 69.1%. This shows that in the land price evaluation experiment based on the land price influence factors, the Deep Belief Nets has great advantage over the traditional model in the accuracy of the model.

2.4.3 When the land price factor data are calculated as neighborhood ten thousand metres or five thousand metres, the Deep Belief Nets has high accuracy in land valuation. At the same time, it is proved that the Deep Belief Nets has some adaptability when the input data scale changes.

2.4.4 Through correlation analysis, the Deep Belief Nets converges faster in training than the Deep Belief Nets without correlation analysis. The average accuracy of Deep Belief Nets is 84%, which is 11.8% higher than that of Deep Belief Nets without correlation analysis. It is proved that correlation analysis can improve the training efficiency and accuracy of model.

Keywords: Land price, Influence factor of land price, Deep learning, Deep Belief Networks, Correlation analysis

目录

第一章绪论 1

1.1研究背景及意义 1

1丄1研究背景 1

1.1.2研究意义 1

1.2国内外研究现状 2

1.2.1国内研究现状 2

1.2.2国外研究现状 3

1.3研究内容 4

1.4研究方法与技术路线 5

1.4.1研究方法 5

1.4.2技术路线 5

1.5本文组织结构 7

第二章相关模型与理论 9

(1) Hedonic 模型 9

2丄1 Hedonic模型简介 9

(1) Hedonic模型在住宅地价评估中的应用 9

(1) BP神经网络 10

2.3深度学习 11

2.3.1深度学习简介 11

2.3.2深度学习模型 12

2.3.3深度学习的特点 13

2.4深度信念网络DBN 13

2.4.1受限玻尔兹曼机RBM 13

2.4.1.1受限玻尔兹曼机基本模型 13

2.4.1.2受限玻尔兹曼机的求解 15

2.4.1.3受限玻尔兹曼机训练方法 17

(1) DBN模型的结构 19

(2) DBN模型的训练 20

2.5 Softmax 分类器 20

2.6相关分析 21 

2.7本章小结 22

第三章实验数据处理与地价因素筛选 23

3.1研究区域概况 23

3.1.1城市发展状况 23

3.1.2成都市土地市场概况 24

3.2数据来源与整理 26

3.3地价数据修正与插值生成 26

3.3.1地价数据修正 27

3.3.2地价数据插值生成 27

3.3.2.1数据正态性 27

3.3.2.2数据最近邻域分析 28

3.3.2.3数据空间相关性 30

3.3.2.4地价数据插值生成 31

3.4地价因素选取与数据处理 32

3.4.1地价因素选取原则 32

3.4.2地价因素选取与说明 33

3.4.3地价因素数据处理 36

3.4.3.1地价因素量化 36

3.4.3.2数据标准化 42

3.5相关性分析筛选地价因素 42

3.6本章小结 45

第四章基于地价影响因素的地价评估DBN模型研究与实验 46

4.1 土地价格分类 46

4.2建模及实验数据 46

4.3基于地价影响因素的地价评估传统模型 48

4.3.1基于地价影响因素的Hedonic模型 48

4.3.1.1多元线性回归的条件 48

4.3.1.2 Hedonic模型建立与检验 49

4.3.2基于地价影响因素的BP神经网络 51

4.4基于地价影响因素的DBN模型 53

4.4.1深度神经网络参数 53

4.4.1.1网络层数 53

4.4.1.2隐藏层节点个数 54

4.4丄3初始参数 54

4.4.1.4激活函数及优化 55

4.4.2建立DBN模型 56

4.4.2.1经过相关分析的DBN模型建立 56

4.4.2.2无相关分析的DBN模型建立 58

4.5基于地价影响因素的地价评估实验 60

Hedonic模型地价评估实验 60

BP神经网络地价评估实验 62

DBN模型地价评估实验 63

4.5.3.1经过相关分析的DBN模型地价评估实验 63

4.5.3.2无相关分析的DBN模型地价评估实验 66

4.6地价评估实验结果对比与分析 67

4.7本章小结 72

第五章总结与展望 73

5.1论文总结 73

5.2创新点与不足 73

5.3前景展望 74

攻读硕士学位期间取得的成果 80

第一章绪论

1.1研究背景及意义 

1.1.1研究背景

城市土地是人类进行社会生产的基础,是每一个国家赖以发展的重要资源。 因此城市土地除了本身所具有的自然性质之外,还具有极为特殊的经济意义和社 会意义。作为社会生产的重要因素,城市土地的相关问题始终是环境与国土资源 研究中的重要部分。随着改革开放以来我国经济的迅速发展与土地市场的急剧变 化,城市土地价格问题,特别是与经济发展、社会民生息息相关的城市住宅土地 价格问题逐渐成为了城市土地研究中的重点。

研究住宅土地价格的关键之处在于对其影响因素的研究。影响住宅土地价格 的因素有很多,住宅土地本身的自然性质和建设限制、周边的自然环境、所在区 域的基础设施条件乃至土地的供求关系等都会对土地的交易价格产生或大或小的 影响。

目前在对城市地价差异影响因素的甄别上主要有两种方法,一种是利用主成 份分析法或者基于回归方法的各种价格特征模型(如Hedonic模型)来对土地价格 的影响因素进行量化分析和计算,将土地价格与各类影响因素之间的关系表达出 来[1]。另一种方法则是根据主观经验和基于地租理论的方法,分析影响土地价格的 自然、经济、人为等要素,将土地划分为不同的优劣区域,然后再对不同等级的 区域确定不同的土地价格[2]。

目前,对城市地价因素进行量化评估的具体方法按照模型分类有时间序列模 型,因果模型、基于马尔科夫链的模型[3]以及神经网络[4]等。

但是,由于土地价格在时间与空间上同时具有其独特的分布特征,并且除自 身因素外,还受到自然、社会、环境以及人为干预等各种复杂外部因素的影响。 在要素过多的情况下对地价影响因素进行量化评估时,传统研究方法的缺陷就会 凸显出来。因此,本文提出以深度学习网络技术作为城市住宅地价影响因素研究 的一种解决思路。

1.1.2研究意义

土地作为一种不可再生的重要生产资源,其交易价格有着与普通商品不同的 特殊性和敏感性。土地价格的变化在受到各种政治、社会、经济因素制约的同时, 也在一定程度上反映了当地的城市发展状况。城市土地价格的研宄对于城市发展规划、社会经济发展和民生状况等问题的发现与解决具有重要的参考作用。

深度学习是最近几年兴起的一门领域,属于机器学习的一部分,主要研究的 是具有多隐层的人工神经网络模型的建立、性能优化以及在各种领域中的实际应 用与推广。深度学习最大的优势在于可以很好地模拟人脑判断的过程,在面对复 杂、模糊的智能类问题时比起其他模型有更好的表现。借助深度学习技术,在面 对关系复杂且多变的地价影响因素的研究时,我们会有新的发现和成果。随着深 度学习技术的兴起和成熟,如果能将其推广到我国土地价格的相关研究中,对国 内各部门单位、社会机构或企业的土地管理、政策制定、投资决策等都具有重要 意义。

1.2国内外研究现状

1.2. 1国内研究现状

国内在90年代前后有胡援成等提出了对于城市地价模型的初步探讨,通过对 国外温特地价模型、梅尔模型等地价模型的考察,初步探讨并提出了基于土地收 益确定法的简单地价模型[5]。但在早期阶段,国内关于地价影响因素的研究工作较 少,大多研究处于探讨摸索阶段,在对地价影响因素的识别上偏向于主观经验和 地价基本理论,谈论范围较窄,缺少实用意义。经过十几年的发展,国内学术界 目前在地价影响因素识别和量化评估两方面的主要研究方法或具体模型如下:

在地价影响因素识别方面,主要研究方法主要有以下两种。

主观经验法和基于地租理论的方法

彭俊、陈方正等基于地租理论,分析城市地租与地价的形成机制,建立了两 者之间的关系模型[6]。董玛力、朱道林等从宏观经济的角度分析了城市地价与经济 发展水平之间的联系[7]。唐焱以江苏省为例,通过实证研究将城市地价影响因素分 为外部因素与核心因素两种[8]。

主成分分析与回归分析

周建明使用因子分析法对城市地价的构成因子进行了定量分析,得出城市地 价主要由城市规模、用地需求、开放程度及用地供给4个主因子构成[9]。刘幼慈等 通过分析城市地区差异提取了城市土地价格的主要影响因素,并利用逐步回归分 析法建立了城市地价影响因素模型。同时对我国未来的地价分布和趋势进行了预 测[10]。

在地价定量评价方面,主要研究方法主要有以下几种。

时间序列模型

趋势外推模型是一种简单的时间序列模型。田永中、邱道持等以1996-1999 年重庆市的地价指数为基础,结合定性分析,使用该模型对重庆市未来三年的地 价指数进行了预测[11]。

因果关系模型

因果关系模型是一种用于定量预测的模型,通过一个或者多个自变量来表现 因变量的变化,主要用于研究不同变量间的相关关系。叶贵等使用因果关系模型 建立了城市地价水平与土地供求、行政政策等宏观因素的相关模型,并使用该模 型对地价进行了预测[12]。

马尔可夫链模型

马尔可夫预测法基于马尔可夫链,能够根据事件的目前状况预测其将来可能 发生的变动,是一种预测事件发生概率的模型。吴斌基于衡阳市蒸湘区2008年至 2009年的基准地价数据,将马尔柯夫模型与灰色系统结合,对衡阳市蒸湘区基准 地价的趋势进行了预测分析。同时验证了灰色马尔可夫模型在短时间基准地价预 测中的适用性[13]。

神经网络模型

吴迪军利用某市城区土地定级估价成果,基于经验知识与人工神经网络技术 建立了城市地价综合评估模型,验证了神经网络模型在土地价格评估中的实际应 用价值[14]。高平等根据唐山市2008年至2013年的土地价格和GDP(gross domestic product, GDP)数据构建了 BP神经网络模型,并对唐山市2014年的土地价格做了 预测[15]。

1.2.2国外研究现状

国外学者在城市土地价格方面的研究比国内起步更早,同时由于国外土地市 场在信息化管理方面更成熟,土地市场交易中的各种相关信息记载更早且更完善, 土地价格研究中需要用到的各种交易数据、城市相关信息比较容易获取,对于土 地价格及其影响因素的研究更加全面和深入。

早在80年代,已经有美国的Reynolds等对佛罗里达州土地价格的影响因素做 了调查和研究[16]。同一时期,许多外国学者也建立了比较成熟的土地价格特征模 型。XiaoluGao和YashusiAsami通过建立特征价格模型,对地价影响因素在地 价变化中起到的作用进行了探索[17]。

另外,在90年代,也有一些外国学者对中国住宅地价做过研究分析。Ting等 就基于供求因素对香港地区的土地价格的影响做了讨论和实验[18]。

Fotheringham等于2004年提出的地理加权回归模型GWR (geographi cally weighted regression, GWR)为土地价格研究提供了新的方法。它能够帮助解决研

究区域内各个地价影响因素之间存在的齐次的假设缺陷[19]。

随着神经网络的兴起,国外的Yingyu Feng,Kelvyn Jones等利用布里斯托尔 地区的人口统计数据、地政局二级土地数据等基于多层建模和神经网络分别进行 了对该地区住宅价格的预测实验,并根据预测结果验证了神经网络在预测地价方 面的精度优势[2()]。

RezaGhodsi等基于伊朗多年的石油收入、非正式市场率、住宅服务价格指数 等影响因子,将模糊回归与神经网络在对伊朗住宅价格上的表现相比较、得出神 经网络模型的平均绝对百分比误差对比模糊回归模型存在优势的结论,验证了神 经网络模型在识别城市住宅地价因子和地价预测上的优越性[21]。Wan Teng Lim等 通过对比人工神经网络和综合自回归移动平均模型在新加坡公寓价格预测上的表 现,说明了人工神经网络在平均平方误差比起其他模型更低的情况,验证了人工 神经网络的优势[22]。

总的来说,国外学者土地价格相关研究上比起国内要早得多,我国近些年来 大多关于土地价格方面的研究都是在国外研究的基础上,结合研究区域特点进行 影响因子的细化或者模型设计上的改进。国外学者关于地价及其影响因素的研究 一般更加深入,并且数据更加全面。同时对于地价因素的选择和量化理论及方法 也更加成熟和科学。相比之下,国内在该领域的研究尚未成熟,还有许多能够扩 展的研究范围和技术。

1.3研究内容

本文针对成都市城市住宅地价影响因素数量繁多,错综复杂,传统地价模型 难以精确量化影响因子等特性,收集成都市历年与住宅地价可能有关的各种时空、 统计数据,梳理并确定影响住宅地价的主要因素。同时通过建立深度网络模型揭 示地价因素数据与住宅地价之间的关系,实现成都市住宅地价影响因子的识别与量化。

本文的主要研究内容有以下三个方面:

实现相关性分析。

因为量化住宅地价需要考虑复杂的地价影响因子,因此利用相关性分析法将 影响因素化为几项主要指标,减少研究问题的复杂度。

实现基于地价因素的传统地价评估模型。

基于成都市地价因素数据和住宅地价数据,建立Hedonic模型和BP神经网络 两种传统的地价评估模型作为DBN模型的对比。

实现基于地价因素深度神经网络模型。

采用以玻尔兹曼机为基础的DBN深度网络,分析设计网络隐含层数量、神经 元节点、激活函数、偏置值等网络参数。最后以地价因素数据为基础建立DBN深 度网络模型。

深度网络模型测试和评价。

基于成都市地价因素数据,对不同条件下DBN模型和传统模型进行地价评估 实验,根据实验结果对建立的DBN模型进行评价。

1.4研究方法与技术路线

1研究方法

GIS(Geographic Information System, GIS)处理技术。利用 ARCGIS10.1®

软件,处理收集到的城市基础设施、道路、交通、社会经济等各方面数据,建立 信息数据库。同时完成各种空间数据的空间计算,格式转换,数据查询以及地理 分析和最后的土地价格分类结果成图等。

定性分析方法。在讨论住宅地价影响因素、相关性分析和DBN深度网 络的理论和现状方面、这些方面的问题主要结合目前研究主流方向和收集到的数 据情况进行定性分析来提出解决方法。

定量分析方法。在住宅地价影响因素的量化、相关性分析法分析得到主 要影响因子、神经网络模型的建立等方面主要使用定量方法。利用Excel2010®进 行数据计算、格式处理,利用SPSS 20.0®程序进行相关性分析,利用Eclipse®构建 神经网络预测模型和各种实验参数输出。

2技术路线

/城市宏观数据


/城市兴趣点数据 /




地价因子分析





传统模型与 DBN模型建立





不同模型实验 与结果分析


图1-1总体技术路线图 

图1-1所示的是总体技术路线图,先收集成都市住宅地价相关地图或非地图数 据进行地价因子分析,然后建立DBN模型,最后对模型性能进行验证。

(1)地价因子分析

如图1-2所示,收集整理成都市住宅地价社会经济等统计数据,利用相关性分 析方法,对造成研究区域住宅地价动态变化的影响因子进行定量分析,并对自然、 政策等因素进行定性分析

 

基于深度学习城市住宅地价影响因素识别与量化

图1-2地价因子分析技术路线图

(2)深度神经网络模型研究与验证

如图1-3所示,利用成都住宅地价的相关因素数据,进行数据分类筛选、归一 化、定量定性分析等处理,作为地价深度神经网络模型的输入数据。确定模型结 构,建立DBN模型,进行训练。最后,利用Softmax分类器进行分类计算,完成 基于地价因素的成都住宅地价的评估,并对模型实验结果进行对比分析。

基于深度学习城市住宅地价影响因素识别与量化

图1-3深度神经网络研究路线图

1.5本文组织结构

本文共分为五章,内容结构如下:

第一章:绪论。描述了本文研究对象的相关背景知识,包括研究背景、国内 外研究现状和存在的一些问题、本文研究内容及本文的组织结构。

第二章:本文相关模型介绍与理论基础。介绍了本文使用到的技术的原理。 包括Hedonic模型、BP神经网络、深度学习简介、深度信念网络DBN、Softmax 分类器和相关性分析的原理。其中DBN模型的基本思想、算法推导、基本组成、 训练方法、特性等相关内容是本章的重点。

第三章:数据处理和地价影响因素分析与筛选。以成都市社会经济状况、政 府部门或研宄机构相关报告、基础设施数据、住宅用地样本数据为基础,对成都 市住宅地价影响因子进行了必要的分析以及数据处理,使用相关分析确定了用于 实验的地价影响因子。

第四章:建立模型以及实例研究。基于地价因素数据建立不同条件下的DBN 模型以及传统的Hedonic和BP神经网络模型,进行地价评估实验,并对实验结果 进行多方面的比较和分析。

第五章:总结与展望。对文章进行了总结,讨论了本文所采用的研宄方法存 在的缺陷,对实验未能改善的部分以及该领域或技术将来可能的发展方向提出展望。

第二章相关模型与理论

2. 1 Hedon i c 模型

2. 1.1 Hedonic模型简介

Hedonic模型又称为特征价格模型,常用来研究异质商品的差异特征与商品价 格之间的关系。异质商品指的是虽然类型相同,但在个体特征上存在差异的商品。 该模型的主要研究方法是通过分析商品的各种差异特征,收集商品的特征数据, 经过必要的处理后通过回归得到其特征关于价格的表达式。

Hedonic理论最早由美国的Lancaster提出。Hedonic理论认为,消费者对异质 性商品的需求实际上源自于该商品所内含的特征,消费者通过购买和使用商品来 将这些特征转化为效用。转化的效用水平的高低来自于商品所包含的各种特征的 量级以及对商品价格的影响程度。

根据Hedonic理论,可以通过提取商品的特征来分析其与商品价格之间的关 系。将每个特征因素对商品价格的影响程度量化,根据量化后每个特征对价格的 影响程度值来计算商品的价格。Hedonic模型主要有三种不同的模型表达式,分别 为线性形式,对数形式和半对数形式,如公式(2-1)、(2-2)和(2-3)所示。

Pj=bj^ Z a\ X\ +s1

i=l

(2-1)

n2

LnP2 =b2+ ^ a] LnX2iJrs2

i=l

(2-2)

n3

LnP3 gfxf+gj

(2-3)


公式(2-1)为线性形式的Hedonic模型;公式(2-2)为对数形式的Hedonic 模型;公式(2-3)为半对数形式的Hedonic模型。其中Pp P2和P3为商品价格, 比,b2和b3为公式的常数项,ni,n2和n3为特征个数,aj,也2和a?为特征的回归 系数,Xi1,Xi2和X?为商品的特征值,s2和s3为误差项。

2. 1.2 Hedonic模型在住宅地价评估中的应用

作为一种经典的研究异质性商品特征与价格关系的模型,Hedonic模型被广泛 应用于城市住宅地价评估中。朱传广等以南京市为例,根据区位因素和环境因素

建立了关于住宅地价的Hedonic模型[23]。邹利林等以武汉市为例,基于交通、区 位和环境3个方面对武汉市住宅地价的时空演变进行了分析,并建立多种不同形 式的Hedonic模型,研究了武汉市住宅地价的时空特征和各城市因素对住宅地价的 影响[24]。

虽然Hedonic模型在城市地价评估中的作用己经得到学术界的广泛认可,但随 着土地市场和城市环境的发展,在进行城市地价评估中要考虑的因素以及特征数 据之间的关系变得越来越复杂。使用Hedonic模型在进行地价评估时,一般将每个 地价因素的权重值确定后,以线性形式表示出地价影响因素与土地价格之间的映 射关系式。这增大了人为确定因素权重的主观性和不确定性,在面对因素关系复 杂、数据量较大且具备一定信息模糊性的问题时,无法准确地表现出土地价格与 地价影响因素之间的非线性映射关系。并且其作为Hedonic模型作为一种传统统计 模型,在模型智能化和自动化上也有所不足。


热门论文:


如何完成一篇优异的工程类本科毕业论文代写


写作硕士论文有哪些经验和收获(真实分享)


同学们找代写机构代写毕业论文原因分析


上一篇:工科毕业论文代写流程下一篇:没有了!
论文资源 | 期刊资源 | 论文模板资源 | 论文代写技巧 | 站内资讯 | 代写论文交易流程 | 代写论文业务范围 | 联系我们 |
收缩
  • 电话咨询

  • 13838208225
  • 13503820014