文献类型：期刊文章

作　　者：顾桐[1,2] 许国良[2] 李万林[2] 李家浩[1,2] 王志愿[2] 雒江涛[2]

GU Tong;XU Guoliang;LI Wanlin;LI Jiahao;WANG Zhiyuan;LUO Jiangtao(College of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;Electronic Information and Networking Research Institute,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]重庆邮电大学通信与信息工程学院,重庆400065 [2]重庆邮电大学电子信息与网络工程研究院,重庆400065

出　　处：《计算机应用》

基　　金：教育部-中国移动科研基金资助项目(MCM20170203);重庆市自然科学基金资助项目(cstc2018jcyjAX0587);重庆市技术创新与应用示范(产业类重点研发)项目(cstc2018jszx-cyzdX0124)。

年　　份：2020

卷　　号：40

期　　号：9

起止页码：2762-2767

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题,提出一种基于多源数据和集成学习的智能评估方法。首先,从多源数据中构造特征集,并利用Pearson相关系数与序列前向选择法提取最优特征子集;然后,基于构造的特征,以Bagging集成策略作为结合方法集成多个轻量级梯度提升机(LightGBM),并利用贝叶斯优化算法对模型进行优化;最后,将该方法应用于房价评估问题,实现房价的智能评估。在真实的房价数据集上进行的实验表明,相较于支持向量机(SVM)、随机森林等传统模型,引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%,并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域,得到的评估结果更准确。

关 键 词：多源数据 特征选择  轻量级梯度提升机  集成学习  贝叶斯优化  房价智能评估  

分 类 号：TP399]