|
前言： 當今科技日新月異，隨著科技的進步，不動產估價方法也將隨之發生轉變，傳統依賴面積、樓層與地段的估價方式，可能不再能完整反映當前市場的真實價值。近期有研究指出，建物外觀、街景環境、綠地與植被等「影像特徵」對不動產價格也有著深遠的影響。2025年發表於《PLOS ONE》的研究論文，便結合了多源影像與機器學習，提出了一套更為精確，且能解釋估價當中異質性的估價方法。本文將從研究動機、方法過程與結果發現等三個面向，帶領你深入了解這項創新嘗試。若文中內容有未盡之處，亦歡迎不吝指教與補充。
傳統的不動產估價方法大多依賴結構化數據（如房屋面積、樓層、屋齡、交通便利性等），然而，這些資料雖然重要，但無法全面反映市場中的多樣化因素，尤其是那些人們在購房時容易忽略但又深刻影響房價的視覺和環境特徵。例如，房屋的外觀設計、街道的整潔度、周圍的綠化環境等，這些「看得見」的特徵對潛在買家的吸引力往往會直接影響其對房價的評估。
因此，這篇研究的動機在於尋找一種更加精準、能夠反映更多市場特徵的估價方法。作者提出的創新之處是：將多源影像資料（如建物外觀照片、街景影像、衛星影像等）與傳統的結構化數據結合，並運用機器學習模型來提升房價預測的準確性。這種方法不僅能夠提高預測的精度，還能提供更加解釋性的預測結果，幫助我們更清楚地理解房價變化背後的原因。
在這篇研究中，研究者選擇了香港市場作為範例，並收集了來自兩大類資料的資訊：
|
(一)結構化資料(即為傳統估價所得之資訊)
|
| |
●面積
|
如總樓面積、可用面積等。
|
| |
●屋齡
|
建築物的年齡。
|
| |
●樓層
|
房屋所在樓層、樓層總數。
|
| |
●交通便利性
|
周圍公共交通設施的分佈、距離主要車站的遠近等。
|
| |
●市場條件
|
該區域的房價指數、周邊設施等。
|
|
(二)影像資料(關於房屋周邊環境和整體社區氛圍的有價值資訊)
|
| |
●建物外觀照片
|
反映建築的外觀設計與品質，對買家來說，這是購房過程中的第一印象。
|
| |
●街景影像
|
來自 Google 街景，這些影像能夠展示房屋所在區域的環境氛圍，如街道整潔度、商業設施的密集度等。
|
| |
●遙感影像
|
來自衛星影像，這些影像可以提供區域層級的環境指標，如綠化覆蓋率、建成區密度等。
|
在收集了結構化資料和影像資料後，研究者使用了先進的機器學習模型來進行預測。主要的步驟包括：
|
(一)影像資料的處理與特徵提取
|
|
●卷積神經網絡
（CNN）
|
用來處理建物外觀照片和街景影像，從中自動提取視覺特徵，如建物的外觀設計、街道的環境等。
|
|
●語義分割技術
|
用來將街景影像中的元素（如建築、植被、道路等）進行分割，並計算各類元素的比例，進一步分析每個環境元素對房價的影響
|
|
(二)結構化資料與影像特徵的結合
|
|
●研究者將影像資料經過深度學習處理後提取出來的特徵，與傳統的結構化數據進行結合，這樣可以捕捉到影像特徵和結構化數據之間的複雜關聯。
|
|
(三)模型選擇與測試
|
|
|
●研究者選用了多種機器學習模型進行房價預測，包括隨機森林、XGBoost、LightGBM、KNN、SVR等。這些模型能夠處理不同類型的資料，並根據資料特徵選擇最佳模型進行預測；各種模型與結果詳細說明如下：
|
| |
|
|
|
模型名稱
|
概念與介紹
|
預測效果與表現
|
|
隨機森林
（Random Forest）
|
隨機森林是基於決策樹的集成學習方法，通過建立多顆決策樹並進行投票或平均來進行預測，能夠減少過擬合的風險，並適用於處理高維度和多樣化的數據。
|
在所有測試模型中，隨機森林在處理影像資料與結構化數據的結合後，能夠捕捉到非線性關聯，但相比其他模型，預測精度較低。其主要優勢是穩定性和準確性，但精度略遜色於 XGBoost 和 LightGBM。
|
|
極端樹
（Extra Trees）
|
極端樹是隨機森林的變體，它在訓練過程中會進行更多隨機選擇，從而減少過擬合，並且提升了模型的隨機性。
|
極端樹的預測精度與隨機森林相似，但在處理大規模資料集時，會稍微比隨機森林訓練速度更快，並且具有較好的處理高維度資料的能力。與 XGBoost 和 LightGBM 相比，其效果較為平庸。
|
|
XGBoost
（Extreme Gradient Boosting）
|
基於梯度提升算法的強化學習模型，每一輪迭代都會優化前一輪的錯誤，並逐步提高預測精度。 XGBoost 特別適合處理大規模數據，並且擅長於捕捉資料中的非線性關係。
|
XGBoost 表現最佳，預測準確度提升了大約 15%，顯示出強大的預測能力。對於影像資料與結構化數據的結合，它能夠有效捕捉到各種非線性關係，並提供高效的預測結果。
|
|
LightGBM
（Light Gradient Boosting Machine）
|
基於梯度提升的高效模型，與 XGBoost 類似，但它的訓練速度更快，並且在處理大量數據時表現更好，特別適合用於大規模數據集。
|
LightGBM 表現接近 XGBoost，並且在訓練速度上更具優勢。對於大規模數據，LightGBM 提供了更快的計算速度與更高的預測精度，是另一個表現優異的模型。
|
|
K-近鄰
（KNN，K-Nearest Neighbors）
|
KNN 是基於距離度量的算法，預測一個數據點時，會找到距離最近的 K 個鄰居，並根據這些鄰居的結果進行預測。該方法不依賴於數據的分佈假設，簡單且直觀。
|
KNN 在處理影像資料和結構化數據的結合時，其預測效果較為一般。雖然能夠捕捉局部模式，但其表現相對較差，未能顯著提升預測精度，尤其在高維度數據上。相比其他模型，KNN 效果較弱。
|
|
支持向量回歸（SVR，Support Vector Regression）
|
SVR 是支持向量機（SVM）的回歸版本，尋找一個最佳的超平面來進行擬合，並控制預測誤差。適合處理非線性問題，對高維度資料有較好的擬合能力。
|
SVR 能夠處理影像特徵與房價之間的非線性關係，但其在預測精度上的表現沒有 XGBoost 和 LightGBM 那麼突出。SVR 能捕捉到一些複雜的非線性關係，但相比其他模型，效果並不十分優越。
|
|
多層感知機
（MLP，Multi-layer Perceptron）
|
MLP 是一種深度學習模型，包含多層隱藏層，用來學習數據中的複雜模式和非線性關係。它能從數據中自動提取特徵並進行預測，特別適合處理影像資料。
|
MLP 預測精度較高，但在大多數情況下，其效能仍稍微遜色於 XGBoost 和 LightGBM。它能夠自動學習數據中的深層特徵，但訓練速度較慢，且對於處理複雜數據集時需要更多的資源。
|
|
多元線性回歸（MLR，Multiple Linear Regression）
|
多元線性回歸用來解釋多個自變量與目標變數之間的線性關係。這是一個簡單且直觀的預測方法，能清楚展示各特徵對房價的影響。
|
多元線性回歸作為基準模型，在與其他更複雜的機器學習模型進行比較時，表現較為平庸。雖然能幫助解釋特徵對房價的影響，但在精度上無法與 XGBoost 和 LightGBM 比擬。 主要作用是與其他模型對比，檢視基本的線性關係。
|
這篇研究提出了一個創新的不動產估價方法，將多源影像資料與傳統的結構化數據結合，並運用機器學習技術來提升房價預測的準確度。研究結果顯示，影像資料能夠顯著改善房價預測的精度，尤其是透過建物外觀、街景環境等視覺特徵的納入，這些原本難以量化的特徵能夠幫助我們更全面地理解市場價格的變動。具體來說，研究發現，將影像資料加入預測模型後，預測的準確度提升了約 15%，這意味著影像資料對於房價預測的影響是顯著的。
l 為何影像資料能帶來這麼大的提升？
研究中顯示，建物外觀設計、街景環境和綠化指數等視覺特徵，對房價預測有著顯著的貢獻。這些特徵是潛在買家在購房時會直觀感知到的因素，但在傳統估價方法中往往難以量化。將這些視覺元素納入預測中，能讓模型捕捉到更多影響市場價格的因素。
l 多源影像資料的結合：
這篇研究的創新之處在於將來自不同來源的影像資料（如建物外觀照片、街景影像和遙感影像）與結構化數據結合。這樣的資料融合不僅提升了預測精度，還幫助了模型能夠更全面地瞭解房價波動的原因，特別是一些在傳統模型中較難量化的環境因素。
l 模型的選擇與效果
在研究中，研究者測試了多個機器學習模型（如隨機森林、XGBoost、LightGBM等），並發現XGBoost 和 LightGBM 在預測精度上表現最為優異。這兩個模型不僅能有效處理影像資料和結構化數據的結合，還能捕捉資料中複雜的非線性關聯，這讓預測結果更加精準。
儘管這項技術在研究中取得了良好的結果，但如何將這些方法與傳統估價模型結合，仍然是一個未來值得關注的議題。傳統估價方法通常依賴於面積、樓層、屋齡等數據，這些數據無法完全捕捉到市場價格的其他影響因素，例如建物的外觀設計、周邊環境等。將這些視覺特徵納入估價過程，有望提升估價的靈活性與準確性。
在台灣，目前的不動產估價仍主要依賴結構化數據，並且這種方法在短期內依然是主流的估價工具。然而，隨著市場環境的變化與技術的發展，然而，隨著市場環境的變化與技術的發展，未來有可能會逐步引入更多數位工具和新技術來輔助估價，這樣的技術進步可能會使得估價過程變得更加靈活，並提供更精細的市場分析。
本期針對AI 與多源影像在不動產估價的應用之分享與看法，惟如有錯誤之處，尚請不吝指正，謝謝！
資料來源：https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0321951
不動產估價服務介紹 線上洽詢(請點選入內)
|
1150408.jpg)