文献类型：期刊文章

作　　者：谢勇[1] 项薇[1] 季孟忠[1] 彭俊[1] 黄益槐[1]

Xie Yong;Xiang Wei;Ji Mengzhong;Peng Jun;Huang Yihuai(Faculty of Mechanical Engineering and Mechanics, Ningbo University, Ningbo 315211, Zhejiang, China)

机构地区：[1]宁波大学机械工程与力学学院

出　　处：《计算机应用与软件》

年　　份：2019

卷　　号：36

期　　号：9

起止页码：151-155

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、JST、ZGKJHX、核心刊

摘　　要：结合收集的住房月租金数据,通过合理处理异常缺失数据和设置多个数据集的预处理后,分别应用GBDT(Gradient Boosting Decision Tree)、Xgboost(eXtreme Gradient Boosting)和LightGBM三种机器学习模型对住房月租金进行预测。通过比较分析在不同数据集训练下的预测结果,发现Xgboost和LightGBM模型优于传统GBDT模型。同时发现影响住房月租金的关键因素主要包括房屋面积、小区所在商圈位置、房屋距离地铁的距离、房屋所在建筑的总楼层数和小区房屋出租数量等。预测模型及分析结果对住房租赁市场中住房租金价格的预测具有一定的参考价值。

关 键 词：住房租金预测  Xgboost  LightGBM  

分 类 号：TP3[计算机类]