Housing price prediction using convolutional transformer
Notice bibliographique
Résumé
Since the paper ”Attention is All You Need” came out in 2017, the trans former (TF) model has greatly attracted the interest of many scholars. However, for housing price data sets with multiple features and irregular price changes, the original TF shows the weakness that its self-attention calculation method is insensitive to local information, making the model susceptible to outliers and causing potential optimization problems. To further improve this problem in housing price prediction, this project utilizes convolution embedding to enhance the correlation between adjacent data points. The data set used in this paper are the apartments sold-price in Toronto from 2005 to 2010, which holds nearly 81 features. This study stratifies the dataset chronologically, segregating it into training and validation sets in an 8:2 proportion. The initial 80% of the dataset, spanning from 2005 to 2009, is designated for model training. Subsequently, the study examines future housing prices under the ”SalePrice” item. The final 20% of the validation set data, covering the period from 2009 to 2010, is employed for verification and the computation of house price prediction errors. Based on prediction test results, ConvTrans (convolution + transformer) achieves smaller prediction error (0.1567) than traditional TF (0.2487) and LSTM (0.2755). Simultaneously, in comparison to the prediction outcomes obtained by Y. Chen (2021) utilizing identical datasets and employing non-time series model algo rithms, ConvTrans consistently exhibits superior predictive performance.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».