| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究目的及意义 | 第11-13页 |
| 1.2.1 研究目的 | 第11-13页 |
| 1.2.2 研究意义 | 第13页 |
| 1.3 论文内容结构与技术路线 | 第13-16页 |
| 1.3.1 内容结构 | 第13-14页 |
| 1.3.2 研究方法 | 第14-15页 |
| 1.3.3 技术路线 | 第15-16页 |
| 1.4 论文主要创新点 | 第16-19页 |
| 第2章 国内外研究现状与我国房地产市场的发展历程 | 第19-31页 |
| 2.1 网络搜索数据的应用现状 | 第19-22页 |
| 2.1.1 网络搜索数据在国外的研究现状 | 第19-20页 |
| 2.1.2 网络搜索数据在国内的研究现状 | 第20-22页 |
| 2.2 房地产价格预测研究现状 | 第22-24页 |
| 2.3 随机森林模型的的应用现状 | 第24-25页 |
| 2.3.1 随机模型在特征选择方面的应用 | 第24页 |
| 2.3.2 随机森林在分类和回归方面的应用 | 第24-25页 |
| 2.4 我国房地产市场发展历程 | 第25-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于网络搜索数据与随机森林模型的房价指数预测相关理论研究 | 第31-53页 |
| 3.1 百度指数与房地产相关概念 | 第31-36页 |
| 3.1.1 百度指数概述 | 第31-34页 |
| 3.1.2 房地产相关概念 | 第34-36页 |
| 3.2 消费者行为理论与传导时滞理论 | 第36-39页 |
| 3.2.1 消费者行为理论 | 第36-38页 |
| 3.2.2 传导时滞理论 | 第38-39页 |
| 3.3 网络搜索数据与房地产价格的关联机理 | 第39-41页 |
| 3.4 随机森林模型 | 第41-48页 |
| 3.4.1 决策树 | 第42-43页 |
| 3.4.2 Bagging算法 | 第43页 |
| 3.4.3 随机森林算法及其理论基础 | 第43-48页 |
| 3.5 支持向量机模型 | 第48-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第4章 以上海市房价指数为实证对象的关键词库的构建 | 第53-71页 |
| 4.1 网络搜索关键词的构建原则 | 第53-54页 |
| 4.2 上海市房价指数初始关键词的确定 | 第54-57页 |
| 4.3 上海市房价指数关键词的拓展 | 第57-61页 |
| 4.3.1 关键词的拓展目标 | 第57-58页 |
| 4.3.2 关键词的拓展方法 | 第58-60页 |
| 4.3.3 上海市房价指数预测问题的关键词拓展 | 第60-61页 |
| 4.4 上海市房价指数关键词的筛选 | 第61-70页 |
| 4.4.1 数据的获取及预处理 | 第61-62页 |
| 4.4.2 时差相关系数法筛选 | 第62-65页 |
| 4.4.3 RF-RFE算法筛选 | 第65-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 上海市房价指数预测随机森林模型的构建与评价 | 第71-81页 |
| 5.1 上海市房价指数预测随机森林模型的参数优选 | 第71-75页 |
| 5.1.1 上海市房价指数预测随机森林模型参数mtry优选 | 第71-74页 |
| 5.1.2 上海市房价指数预测随机森林模型参数ntree优选 | 第74-75页 |
| 5.2 上海市房价指数预测随机森林模型的构建 | 第75-78页 |
| 5.3 上海市房价指数预测随机森林模型性能评估 | 第78-80页 |
| 5.4 本章小结 | 第80-81页 |
| 第6章 结论与展望 | 第81-85页 |
| 6.1 研究结论及创新点 | 第81-82页 |
| 6.2 存在的不足及研究展望 | 第82-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 附录A | 第93-97页 |
| 附录B | 第97-103页 |
| 攻读学位期间取得的研究成果 | 第103页 |
