绘制高分辨率房地产价值分布图：一种受图像修复技术启发的多注意力深度生成模型

《ADVANCED ENGINEERING INFORMATICS》：Mapping high-resolution real estate value distribution: a multi-attention deep generative model inspired by image inpainting

房产估值作为城市规划和投资决策的重要依据，传统点估计方法因忽略空间交互和环境复杂性而存在局限。本研究提出基于图像补全原理的REIN模型，通过融合建筑密度、POI等多源数据构建通道-空间联合注意力机制，实现高分辨率连续价值分布预测。实验表明该模型在纽约市应用中精度显著提升，并具备跨区域适应性和缺失数据推理能力。

　　

姜飞峰|马军

中国香港浸会大学地理系

摘要

准确的房地产估值对于城市规划、投资和政策制定至关重要。传统的基于点的方法将房产视为孤立单元，过于简化了复杂的城市环境，无法捕捉空间互动和持续的价值变化，从而影响决策的准确性。本研究引入了REIN（Real Estate Inpainting Network），这是一种新颖的深度生成模型，它利用局部和周围环境来预测高分辨率、空间连续的房产价值分布。通过将估值问题重新定义为空间修复任务，REIN将多源城市数据转换为类似图像的输入，并采用混合多注意力架构——整合了通道-空间互动和密集-稀疏的上下文依赖性——以学习城市空间结构并从周围环境中推断中心价值。相对价值估算策略进一步增强了模型在不同区域的适应性。应用于纽约市时，REIN在准确性和视觉一致性方面均优于现有模型，证明了其注意力机制和上下文到中心价值推断策略的有效性。该模型在缺少空间上下文、特征不完整以及跨区域迁移的情况下也表现出很强的泛化能力，适用于数据稀缺的规划场景。通过Squeeze-and-Excitation模块进行的特征重要性分析揭示了在异构环境中的全局一致性和区域适应性价值驱动因素。结合预测精度、适应性和可解释性，REIN提供了一个工程信息学框架，支持规划模拟和数据驱动的城市政策决策。

引言

房地产估值对于城市规划、经济投资和政策制定中的决策制定至关重要。它是衡量房产吸引力的一个指标，反映了可访问性、基础设施和法规等因素如何体现在房价中[1]、[2]、[3]。准确的房产估值有助于利益相关者优化资源配置、识别增长机会并实施基于证据的城市策略。随着城市变得越来越复杂和数据丰富，开发准确、可扩展且具有空间响应性的估值模型对于促进可持续和包容性的城市发展至关重要。

传统的房地产估值方法主要生成单个房产或聚合空间单元的离散点估计[4]、[5]、[6]、[7]。例如享乐定价模型或机器学习算法通常将每个房产视为孤立单元，根据城市属性预测其价值。虽然计算效率高，但这些方法往往将周围环境简化为基本统计信息（如平均收入或道路密度），忽略了限制模型性能的复杂空间互动和上下文依赖性[8]、[9]、[10]、[11]。此外，这些碎片化的预测无法捕捉房产价值在空间上的变化，因此在区域规划、情景模拟和政策评估等应用中提供的洞察力有限[12]、[13]。

为了解决这些限制，将房地产价值建模为连续的空间分布为城市决策提供了一种更全面和考虑上下文的方法。这种方法生成的值图能够捕捉细致的空间变化和区域动态，这对于识别过渡区和指导有针对性的干预措施至关重要。它还支持基于情景的模拟，使规划者能够评估不同策略（如新的交通基础设施或混合用途开发）可能如何重塑整个区域的房产价值分布。这些高分辨率、连续的价值图为高级城市分析提供了关键见解，支持在新兴或欠发达地区进行数据驱动的决策。

本研究旨在解决两个关键研究问题：（1）如何准确估计高分辨率、连续的空间房地产价值分布？（2）如何更有效地结合周围环境以捕捉增强预测性能的空间效应和上下文感知模式？

为了解决这些研究问题，本研究提出了一种受图像修复启发的新模型——REIN（Real Estate Inpainting Network），用于预测房地产价值分布。借鉴图像修复的原理——即利用周围环境重建缺失的图像区域——REIN将房产估值视为一个空间重建任务。关键的城市特征（如建筑容积率FAR、兴趣点POI和人口密度）被表示为类似图像的输入通道，而房地产价值则是预测目标。在大量地理参考样本的数据集上进行训练后，REIN能够捕捉复杂的空间依赖性和环境互动，生成细致且空间连续的价值分布[14]、[15]、[16]。通过纽约市的案例研究证明了REIN的有效性。

本研究的主要创新和贡献如下：

•

本研究是首批将房地产估值重新概念化为类似图像修复任务的之一，利用周围环境和环境特征生成高分辨率的房产价值分布。

•

所提出的REIN模型包含两个关键组件来提高预测性能：（1）Squeeze-and-Excitation（SE）模块，突出影响房产价值的最重要因素；（2）多注意力瓶颈，捕捉通道-空间互动和密集-稀疏的上下文依赖性——这对于在复杂、异构的城市环境中学习稳健的表示至关重要。

•

开发了一种相对价值估算策略，以提高模型在不同地理区域的适应性，实现跨区域比较和基于情景的规划。

本文的其余部分安排如下：第2节回顾了房地产价值预测和图像修复的相关工作。第3节详细介绍了提出的方法论，包括问题定义、模型架构和训练程序。第4节展示了案例研究、实验结果和讨论。最后，第5节总结了研究并概述了未来研究的潜在方向。

章节片段

文献综述

本节回顾了现有的房地产价值预测和图像修复技术研究，重点识别了推动所提出建模方法的关键局限性和研究空白。

问题定义

为了解决房地产估值中的研究空白和局限性，本研究提出了一种新的方法，将任务从孤立的基于点的估计重新定义为建模连续的空间房产价值分布。借鉴图像修复技术[31]、[41]的灵感，目标是通过结合局部特征和更广泛的空间上下文来预测高分辨率、连续的价值分布。

问题表述如下（图1）：给定

数据收集

本研究在纽约市进行实验，以验证所提出的REIN模型在连续、高分辨率空间估计房地产价值方面的有效性。纽约市涵盖五个行政区——曼哈顿、布鲁克林、皇后区、布朗克斯和斯塔滕岛——拥有多样化的土地利用模式、开发强度和社会经济条件。其住宅、商业和混合用途物业的密集且异构的组合，加上清晰的

结论

本研究开发了REIN，这是一种受图像修复启发的新颖深度生成模型，用于房地产估值。通过将关键城市特征（如建筑容积率FAR、兴趣点POI）栅格化为多通道输入，REIN利用周围环境和区域内属性来预测房产价值分布。该模型有效捕捉了复杂的空间依赖性和环境互动，生成了反映细致空间变化和区域差异的连续房产价值表面

关于写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT 4o来提高可读性和语言表达。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。

CRediT作者贡献声明

姜飞峰：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、项目管理、方法论、调查、资金获取、形式分析、数据整理、概念化。马军：撰写——审阅与编辑、验证、监督、资源协调、项目管理、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了香港大学的基础研究种子基金（编号2401102093）和合作研究种子基金（编号2207101592）的共同支持。作者感谢匿名审稿人的意见，这些意见有助于改进本文。