摘要: 租赁市场是我国住房市场中十分重要的一部分，由于近年来商品房价格的居高不下，越来越多的人青睐于租房生活的方式来解决居住问题。随着互联网科技迅速发展，如在线房屋租赁平台快速崛起出现在人们的视野中，其便捷性和高效性深受人们的喜爱。但在这... 展开 租赁市场是我国住房市场中十分重要的一部分，由于近年来商品房价格的居高不下，越来越多的人青睐于租房生活的方式来解决居住问题。随着互联网科技迅速发展，如在线房屋租赁平台快速崛起出现在人们的视野中，其便捷性和高效性深受人们的喜爱。但在这庞大的租赁市场中，由于房东无法准确地对房源租金进行合理的定价、房东与租客之间的信息不对称等问题，在一定程度上造成了租房资源的浪费和阻碍了租赁市场的发展，所以对房屋租金进行准确预测是十分重要的。本文基于目前租赁市场存在的问题，做了以下研究。 首先，利用网络爬虫技术获取了链家网站上深圳市房屋租赁数据。为了进一步扩大了数据特征变量的范围，基于百度API平台爬取了房源周边基础设施配套信息数据。紧接着对得到的原始数据集进行了预处理以及描述性统计分析，初步探索各个特征变量与目标变量房屋租金之间的关系。为了方便后面预测模型的构建，进行了离散变量独热编码、连续变量归一化等数据变换工作。 其次，基于机器学习随机森林算法、XGBoost算法以及LightGBM算法构建了住房租金的单一预测模型，为了提升预测精确度，采用十折交叉验证和网格搜索法对模型重要参数进行了调优。选用拟合优度指标R2和模型误差指标MAE、RMSE对模型预测效果进行评估，研究发现利用网格搜索法进行调参优化后的LightGBM回归预测模型具有更小的测试误差和更大的拟合优度值。证明相较之下单一预测模型中，LightGBM回归模型能更为准确的实现租金价格预测。 最后，将有一定预测效果的三个单一预测模型随机森林模型、XGBoost回归模型、LightGBM回归模型作为组合模型的基学习器，采用MLR模型作为次级学习器，基于Stacking结合策略构建融合模型进行住房租金预测。实验结果表明Stacking融合预测模型在数据集上的表现明显更优于单一预测模型，其拟合优度值能达到0.932，模型在测试集上的预测误差MAE为0.075，RMSE为0.123，说明基于Stacking方法的融合模型发挥了各个单一预测模型的优势，提升了模型的预测效果和泛化性能。 收起