A long short-term memory model for forecasting housing prices in Taiwan in the post-epidemic era through big data analytics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study aims to analyse housing prices in Taiwan in the post-epidemic era, identify the crucial factors influencing them, and develop a suitable method for analysing and forecasting them. This study collects relevant data such as Taiwan's housing price index data from 2002 to 2020 to identify the crucial factors affecting Taiwan's housing prices; this is achieved by constructing a regression model, forecasting Taiwan's housing prices through a constructed long short-term memory (LSTM) model that employs big data analytics, and verifying the efficiency of the proposed models through R-square and root mean square error values. The results indicate that the top 10 factors affecting Taiwan's housing prices are mostly related to mortgage interest rates, suggesting that in Taiwan, the effect on housing prices in the post-epidemic era may be non-significant. This study collects data on Taiwan's housing price for the period from the first quarter of 2002 to the fourth quarter of 2020 to construct an LSTM for forecasting Taiwan's housing prices. The results indicate that the proposed LSTM exhibits good fitness, indicating that the model is suitable for analysing and forecasting housing prices. Given that analysing and forecasting quantity is also crucial in housing market analyses and that this study focuses only on predicting housing prices, future research should explore the simultaneous prediction and analysis of both price and quantity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle