[论文解读] Sub-City Real Estate Price Index Forecasting at Weekly Horizons Using Satellite Radar and News Sentiment

Baris Arat, Hasan Fehmi Ates+1 more|arXiv (Cornell University)|Feb 20, 2026

Housing Market and Economics被引用 0

一句话总结

本论文构建一个多模态框架，通过结合交易历史、Sentinel-1 SAR 背散射、新闻情感和宏观经济背景，预测迪拜子城市的每周价格指数，发现情感与 SAR 能提升长周期预测。

ABSTRACT

Reliable real estate price indicators are typically published at city level and low frequency, limiting their use for neighborhood-scale monitoring and long-horizon planning. We study whether sub-city price indices can be forecasted at weekly frequency by combining physical development signals from satellite radar with market narratives from news text. Using over 350,000 transactions from Dubai Land Department (2015-2025), we construct weekly price indices for 19 sub-city regions and evaluate forecasts from 2 to 34 weeks ahead. Our framework fuses regional transaction history with Sentinel-1 SAR backscatter, news sentiment combining lexical tone and semantic embeddings, and macroeconomic context. Results are strongly horizon dependent: at horizons up to 10 weeks, price history alone matches multimodal configurations, but beyond 14 weeks sentiment and SAR become critical. At long horizons (26-34 weeks), the full multimodal model reduces mean absolute error from 4.48 to 2.93 (35% reduction), with gains statistically significant across regions. Nonparametric learners consistently outperform deep architectures in this data regime. These findings establish benchmarks for weekly sub-city index forecasting and demonstrate that remote sensing and news sentiment materially improve predictability at strategically relevant horizons.

研究动机与目标

• 解决城市层面、低频指数与社区尺度监测之间的信息空缺。
• 在2015–2025年覆盖迪拜19个区域，预测2–34周的每周子城市价格指数。
• 通过消融分析评估各模态（价格、成交量、情感、SAR、利率、全球背景）对预测的贡献。
• 为长期、多模态的子城市指数预测建立基准，并比较不同学习模型。

提出的方法

• 从迪拜土地局2015–2025年超35万笔交易中构建19个区域的每周子城市价格指数。
• 融合四类信号：区域交易历史、基于 GDELT 的新闻情感、Sentinel-1 SAR 背散射以及银行同业利率，以及宏观背景。
• 用词法语调和语义嵌入表示情感（句子 BERT + PCA），并将 SAR 特征与滞后周统计对齐（0、4、8、12、20 周）。
• 使用滚动时序交叉验证评估九个时长（2–34 周），将基线（Naive、ARIMA）与多种学习器（Ridge、Random Forest、XGBoost、KNN、LSTM）进行比较。
• 通过 Friedman 和 Wilcoxon 检验评估模态增益的统计显著性，并对不同模态加入进行 Bonferroni 校正。

实验结果

研究问题

• RQ1 是否可以利用多模态信号（交易、SAR、情感、宏观背景）在最高至34周的时长内准确预测每周子城市价格指数？
• RQ2 在何种时长下，情感与 SAR 对超越价格历史预测准确性具有显著贡献？
• RQ3 哪些建模方法和模态组合在长期预测中最好且在各区域具有稳定性？

主要发现

• 长周期预测（26–34 周）受益于完整的多模态模型，相对于仅价格基线，MAE 降低约35%（KNN 从 4.48 降至 2.93，RF 与 XGBoost 也有类似增益）。
• 仅凭价格历史可在约10–14周内达到与多模态模型相当的效果；超过该时间，需要情感与 SAR 提升准确性。
• 非参数学习器（KNN、随机森林）在该数据情形下优于深度结构（LSTM）。
• 情感的语义嵌入与 SAR 特征提供超出词汇情感和光学指标之外的互补信息。
• 在长期预测中，跨区域的模态增益具有统计显著性，不同模态对不同模型家族的贡献不同。