不動產價格逐年上漲，對於我國購屋民眾帶來沉重經濟負擔，如何以資通訊科技了解房價上漲的原因以及提升房價預測的精確率，是近來政府研究房市政策的重要研究議題。房屋價格的空間分析技術以往大多都利用最小平方法(Ordinal Least Square, OLS)進行建模估價模型，然而OLS的重要假設是假設誤差項服從獨立一致的分配，然而這跟現實中的房價環境存在空間自相關有所背離，且 OLS所提供的解釋能力偏低。現行房價預測方法受到準確度的限制，如何提升房價預測準確度技術仍待發展。本計畫研擬發展一種結合深度學習的房價估價方法，以提高現有OLS房價估價技術之準確度。本計畫研究結果包含：(1)探討分析2021年台積電於高雄建廠計畫對於房屋價格空間相關性分析。(2)完成視覺化呈現高雄市房價範圍的LISA空間聚集分析圖。(3)提供空間落遲模型及空間誤差模型對於高雄市房價的評估指標結果。(4)提供機器學習結合空間分析技術的方案;(5)提供發展支持向量回歸以及多重感知機2種機器學習方法結合空間迴歸模型的預測。本研究比較方法結果指出支持向量回歸對於住宅價格的預測相對多重感知、空間落遲模型、空間誤差模型和OLS有著更佳的預測能力，對於趨勢變化解釋力更佳，但空間模型可提供空間相關性的分析，了解房價和環境因素的關係。

　　本研究結果可供政府部門與民間業者參考實踐，應用於各類房地產價格預測及分析，並提供可供後續研究參考的分析方法和開放資料集合，供後續住宅價格預測研究參考。

 

 

    ↓ 檢視大圖 ↓