[论文解读] House Price Prediction Using LSTM

Xiaochen Chen, Wei Lai+1 more|arXiv (Cornell University)|Sep 25, 2017

Housing Market and Economics参考文献 2被引用 21

一句话总结

本文提出一种长短期记忆（LSTM）网络，利用2004年1月至2016年10月的历史数据，预测2016年11月和12月北京、上海、广州和深圳的平均房价。LSTM模型在均方误差（MSE）方面优于基线ARIMA模型，其中具有状态保持功能和堆叠结构的LSTM变体进一步提升了预测精度。

ABSTRACT

In this paper, we use the house price data ranging from January 2004 to October 2016 to predict the average house price of November and December in 2016 for each district in Beijing, Shanghai, Guangzhou and Shenzhen. We apply Autoregressive Integrated Moving Average model to generate the baseline while LSTM networks to build prediction model. These algorithms are compared in terms of Mean Squared Error. The result shows that the LSTM model has excellent properties with respect to predict time series. Also, stateful LSTM networks and stack LSTM networks are employed to further study the improvement of accuracy of the house prediction model.

研究动机与目标

• 开发一种深度学习模型，利用历史数据中的时间模式，对主要中国城市的房价进行预测。
• 比较LSTM网络与传统时间序列模型（如ARIMA）在房价预测中的性能表现。
• 评估状态保持型和堆叠LSTM等架构改进对预测精度的影响。
• 为动态城市房地产市场提供一种稳健、数据驱动的房地产价格预测方法。

提出的方法

• 使用2004年1月至2016年10月期间，涵盖北京、上海、广州和深圳四个主要中国城市的房价数据。
• 采用自回归积分滑动平均（ARIMA）模型作为对比基线。
• 应用长短期记忆（LSTM）网络，以建模时间序列数据中的序列依赖关系。
• 实现状态保持型LSTM，以在批次之间保持隐藏状态，提升时间连续性。
• 采用多层堆叠LSTM网络，以增强特征提取能力和建模能力。
• 以均方误差（MSE）为主要指标，评估模型性能。

实验结果

研究问题

• RQ1 LSTM网络是否能有效利用历史时间序列数据，对主要中国城市的房价趋势进行建模与预测？
• RQ2 与传统ARIMA模型相比，LSTM在预测精度方面的表现如何？
• RQ3 状态保持型和堆叠LSTM等架构改进在多大程度上提升了预测精度？
• RQ4 LSTM模型是否具备足够的鲁棒性，可泛化应用于中国不同城市房地产市场？

主要发现

• 与ARIMA基线相比，LSTM模型实现了显著更低的均方误差（MSE），证明其具有更优的预测性能。
• 状态保持型LSTM通过在序列间保持隐藏状态连续性，进一步提升了预测精度。
• 堆叠LSTM通过实现对时间模式的更深层次学习，进一步增强了模型性能。
• 结果证实，LSTM非常适合用于建模房地产价格数据中复杂且非线性的时间序列趋势。