Direkt zum Inhalt

Vorhersage von Immobilienverkaufspreisen: Eine Überprüfung bestehender Methoden und Veranschaulichung von Datenstrommethoden für eine verbesserte Leistung

WIRES Data Mining und Knowledge Discovery. Oktober 18, 2021

Publikation anzeigen

Abstrakt

Die Notwendigkeit einer genauen und unvoreingenommenen Bewertung von Wohnimmobilien war schon immer wichtig, nicht nur für Finanzinstitute, die solche Vermögenswerte verleihen oder halten, sondern auch für Gemeinden, die auf Grundsteuern als wichtige Einnahmequelle angewiesen sind. Die gängige Methode zur Vorhersage des Verkaufspreises von Wohnimmobilien basiert trotz bekannter Probleme auf der traditionellen multiplen Regression. Als alternativer Ansatz wurden Methoden des maschinellen Lernens vorgeschlagen, aber die Ergebnisse sind alles andere als zufriedenstellend. Eine Überprüfung bestehender Studien und relevanter Themen kann Forschern helfen, die Vor- und Nachteile der Ansätze in diesem wichtigen Forschungszweig besser einzuschätzen und das Feld voranzubringen. Dieser Artikel bietet eine solche Überprüfung. In unserem Test haben wir festgestellt, dass sowohl die regressionsbasierten Methoden als auch die Methoden des maschinellen Lernens die Verwendung des Lernens im Batch-Modus gemeinsam haben. Daher bietet dieser Artikel nicht nur einen Überblick über die aktuelle Forschung zu chargenbasierten Vorhersagemodellen für Wohnimmobilien, sondern untersucht auch einen neuen Ansatz zur Erstellung von Modellen zur Vorhersage von Wohnimmobilienpreisen, indem vergangene Verkaufsaufzeichnungen als ein sich entwickelnder Datenstrom behandelt werden. Die Ergebnisse unserer Studie zeigen, dass der Datenstrom-Ansatz die traditionelle Regressionsmethode übertrifft und zeigen das Potenzial von Datenstrom-Methoden zur Verbesserung von Vorhersagemodellen für Wohnimmobilienpreise.