基于大数据技术的城市二手房价格预测
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究背景 | 第15-17页 |
| 1.1.1 房价预测 | 第15-16页 |
| 1.1.2 大数据和深度学习 | 第16-17页 |
| 1.2 研究现状 | 第17-19页 |
| 1.2.1 房价预测 | 第17-18页 |
| 1.2.2 大数据和深度学习 | 第18-19页 |
| 1.3 主要工作 | 第19-21页 |
| 1.4 主要结构 | 第21-22页 |
| 第二章 相关技术介绍 | 第22-30页 |
| 2.1 Spark平台 | 第22-25页 |
| 2.1.1 Spark介绍 | 第22-24页 |
| 2.1.2 Spark ML库 | 第24-25页 |
| 2.2 机器学习算法 | 第25-27页 |
| 2.2.1 传统机器学习 | 第25页 |
| 2.2.2 深度学习 | 第25-27页 |
| 2.3 Oracle数据库以及相关工具 | 第27-30页 |
| 2.3.1 Oracle数据库 | 第27页 |
| 2.3.2 PLSQL Developer | 第27页 |
| 2.3.3 Sqoop | 第27-30页 |
| 第三章 房屋价格影响因素体系 | 第30-38页 |
| 3.1 影响价格的因素体系 | 第30页 |
| 3.2 影响因素指标的量化 | 第30-32页 |
| 3.3 原始数据预处理 | 第32-37页 |
| 3.3.1 数据清洗 | 第33-34页 |
| 3.3.2 初步数据分析 | 第34-36页 |
| 3.3.3 数据标准化 | 第36-37页 |
| 3.4 数据处理总结 | 第37-38页 |
| 第四章 实验模型和评价指标的选取 | 第38-48页 |
| 4.1 建立实验模型 | 第38-46页 |
| 4.1.1 多元线性回归模型 | 第38-39页 |
| 4.1.2 决策树 | 第39-40页 |
| 4.1.3 随机森林 | 第40-42页 |
| 4.1.4 ARMA模型 | 第42页 |
| 4.1.5 LSTM模型 | 第42-44页 |
| 4.1.6 GRU模型 | 第44-46页 |
| 4.2 评价指标 | 第46-48页 |
| 4.2.1 均方误差 | 第46-47页 |
| 4.2.2 平均绝对值误差 | 第47页 |
| 4.2.3 平均百分比误差 | 第47页 |
| 4.2.4 实验耗时 | 第47-48页 |
| 第五章 房价预测系统的实现 | 第48-64页 |
| 5.1 实验环境 | 第48-49页 |
| 5.2 实验步骤 | 第49-50页 |
| 5.3 实验过程及结果 | 第50-61页 |
| 5.3.1基于普通平台的实验 | 第50-57页 |
| 5.3.2基于Spark平台的实验 | 第57-61页 |
| 5.4 实验对比分析 | 第61-64页 |
| 第六章 总结与应用展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 作者简介及读研期间主要科研成果 | 第70页 |
