基于Stacking回归模型和百度地图API的房租预测

扫码查看

原文链接

NETL

中文摘要：房租预测对租房者和房屋租赁管理都具有重要意义。本文通过收集房租和相关影响因素的数据，经过数据预处理后建立了房租预测的多种回归模型，在此基础上搭建了一个集成回归模型对房租进行预测。首先通过链家网爬取了上海市十六个市辖区的出租房数据，并通过百度地图API地址解析服务和地点检索服务获取小区具体经纬度与影响房租的宏观因素。对原始数据进行了缺失值填补、异常值处理、特征生成等数据预处理。然后建立了常见的单一回归模型，如多元线性回归模型、Ridge回归模型、LASSO回归模型、多层感知机模型、GradientBoosting回归模型、XGBoost回归模型、随机森林回归模型进行房租预测与对比实验。最后为进一步提升预测精度，以单一模型作为初级学习器、线性回归模型作为次级学习器搭建了Stacking集成回归模型作为最终的预测模型。数据实验结果表明，在均方根误差RMSE、拟合优度2R、平均相对误差MRE几个模型预测测度指标上，本文所提出的Stacking集成模型相比于单一预测模型和加权组合预测模型都具有最优的预测效果，达到了较高的预测精度。研究结果为房租预测提供了新思路，可为租房者和管理部门提供参考。

作者：

张馨元

展开 >

关键词：

房租预测数据预处理百度地图API Stacking回归模型

授予学位：

硕士

学科专业：

应用统计

导师：

李维德

学位年度：

2022

学位授予单位：

兰州大学

语种：

中文

中图分类号：