摘要：针对我国住房租赁市场存在的信息不对称、租金不够透明问题，提出基于互联网数据和机器学习的住房租金预测方法。以深圳市居住小区租金为例，系统比较了支持向量回归、前馈神经网络、XGBoost、随机森林、K近邻5种机器学习回归算法的预测绩效，并采用集成学习理论对模型有效性进行了增强，同时从机器学习的角度对住房租金影响因素进行了分析。结果显示：随机森林和XGBoost在住房租金预测问题上的预测性能优于其他机器学习模型，而基于集成学习理论构建的组合预测模型则优于个体机器学习模型。进一步地，基于树集成方法的特征重要性分析发现，交通、教育以及区位条件是影响住房租金的关键影响要素。

关键词：互联网数据;住房租金预测;机器学习;集成学习;组合模型

中图分类号：F293 文献标识码：A

文章编号：1001-9138-（2021）09-0053-61 收稿日期：2021-08-05

作者简介：谭静，中国科学院深圳先进技术研究院&深圳市房地产评估发展中心，博士后。

基金项目：中国博士后科学基金第68批面上资助项目“新时代背景下区位导向性政策‘内卷化困境及突破路径研究”（2020M682958）。

在人口城市化进程不断加快、大城市“房价高企”以及“租购并举”的背景下，住房租赁市场发挥作为住房买卖市场重要补充的角色越来越迫切。其中，住房租金是影响住房租赁市场能否健康平稳发展的关键因素。当前，住房租赁市场普遍存在信息不对称、租金不透明问题。部分大中城市由于住房租金涨幅过快或波动较大，增加了居民租房压力，不利于住房消费稳定，同时透支城市居民未来消费能力，成为国内扩大需求的障碍之一。……