卷积神经网络和随机森林的城市房价微观尺度制图方法
随着中国城市化进程的加快,城市人口的大规模集聚带来了住房紧张的问题,房价政策制定的时效性与正确性也时刻吸引着社会的关注,因此在微观尺度下对房价进行精细化制图变得愈发重要.由于数据可获取性和现有模型精度的限制,目前已有研究均较少涉及微观尺度.本研究通过将房价数据和遥感影像相融合,构建了一种基于卷积神经网络(CNN)和随机森林(RF)的遥感影像挖掘模型,以实现在不考虑其他数据的情况下,精确、合理地进行房价的微观尺度制图.本文以武汉市作为研究区,在仅有房价数据和遥感影像的情况下,利用本文所构建的模型成功得到武汉市中心城区5m精度的精细房价图.此外,还利用其他数据源以及挖掘技术与本文所构模型进行了对比分析.结果显示,本文所构建的模型获得了最高的房价模拟拟合优度(R2=0.805),相比传统方法中的最高拟合优度(R2=0.653)其精度提升了23.28％,其制图结果可为政府部门规划决策及武汉市经济分布研究提供基础支撑.
房价、深度学习、微观尺度、卷积神经网络、随机森林、武汉
21
国家重点研发计划项目2017YFB0503804;国家自然科学基金项目41671408;国家自然科学基金青年基金项目41801306;湖北省自然科学基金杰出青年项目2017CFA041
2019-04-11（万方平台首次上网日期，不代表论文的发表时间）
共10页
168-177
