通话

使用通话详细记录和混合机器学习方法对房地产价格进行建模的人工智能

摘要：开发准确的房地产价格预测模型对于城市发展和几项关键的经济功能至关重要。由于存在巨大的不确定性和动态变量，房地产建模已被视为复杂系统进行研究。在本研究中，提出了一种新颖的机器学习方法来解决房地产建模的复杂性。通话详细记录 (CDR) 为深入研究流动性特征提供了绝佳的机会。本研究探索了借助人工智能 (AI) 预测房地产价格的 CDR 潜力。几个重要的流动性熵因素，包括居民熵、居民回转、工人熵、工人回转、居民工作距离和工人家庭距离，被用作输入变量。使用多层感知器 (MLP) 的机器学习方法开发预测模型，并使用粒子群优化 (PSO) 的进化算法进行训练。使用均方误差 (MSE)、可持续性指数 (SI) 和 Willmott 指数 (WI) 评估模型性能。所提出的模型显示出令人鼓舞的结果，表明工人的熵和居民的工作距离直接影响房地产价格。然而，居民流动、居民熵、工人的流动和工人的家对价格的影响最小。此外，结果表明，活动流动和流动熵通常与房地产价格较低的地区有关。