深度學習於台灣房價指數趨勢預測模式建立之研究-應用NNLSTM演算法

簡易檢索 / 詳目顯示

回結果列表

研究生：	楊長霖 Chang-Lin Yang
論文名稱：	深度學習於台灣房價指數趨勢預測模式建立之研究-應用NNLSTM演算法 Deep Learning NNLSTM for Prediction of Taiwan Residential Building Price Index Trend
指導教授：	鄭明淵 Min-Yuan Cheng
口試委員:	郭斯傑 Sy-Jye Guo 蔡明修 Ming-Hsiu Tsai 吳育偉 Yu-Wei Wu 鄭明淵 Min-Wuan Cheng
學位類別：	碩士 Master
系所名稱：	工程學院 - 營建工程系 Department of Civil and Construction Engineering
論文出版年：	2017
畢業學年度：	105
語文別：	中文
論文頁數：	116
中文關鍵詞：	NNLSTM 、房價趨勢預測、經濟指標、房價指數、人工智慧
外文關鍵詞：	NNLSTM, Residential building price trend prediction, Economic indicator, House price index, AI
相關次數：	點閱：360 下載：7
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

房市商品長年以來一直為國人喜好的投資標的之一，近年來對於房市趨勢的預測及看法意見不斷提出，但多仰賴財經資訊及名嘴建議，無法得到更具客觀及依據性的房價趨勢預測方法。本研究蒐集國內外房價預測相關文獻，彙整出房價趨勢預測的影響因素，並利用統計分析工具(SPSS)篩選出顯著影響房價趨勢預測的影響因子，接著針對時序性因子，應用時序性因子及非時序因子綜合性預測模式(Neural Network + Long-Short Term Memory , NNLSTM)建立台灣與六都(台北市、新北市、桃園市、新竹市、台中市、高雄市)之新屋與中古屋房價指數趨勢預測模式，藉由模式訓練與測試，找出輸入(影響因子)與輸出(房價指數趨勢)的映射關係，做出精準度較高的房價指數趨勢預測。本研究透過文獻彙整與統計分析工具篩選出10個影響因子，接著每個模式根據此10個因子蒐集自2001年Q1至2016年Q4，共64筆歷史資料並建立案例庫，本模式將案例依時間序列進行驗證共12次訓練和測試。台灣及六都之預測結果顯示絕對百分比誤差(Mean Absolute Percent Error, MAPE)值皆小於3%，屬於高精度的預測，有效取代人為主觀經驗之房市判斷，且說明經濟指標與房價指數趨勢是具有相關聯性的。最後將NNLSTM與其他預測模式相比較，其結果亦優於支持向量機(SVM)、最小平方差支持向量機(LS-SVM)、演化式支持向量機推論模式(ESIM)、演化式最小平差支持向量機(ELSIM)生物與共生演算法最小平方差支持向量機(SOS-LSSVM)，表示本研究應用NNLSTM此模式對於存在時序性因子更適合且能有效且準確地做出預測。

Housing products has been one of popular investment decisions for people in Taiwan many years, many prediction and proposal were continued to put forward but most of it were based on financial information and panelists’ opinion, we could not depend on more objective method predicting residential building price trend. This research collected several related literatures of housing price prediction, furthermore, using statistical analysis tools (SPSS) to figure out 10 influence factor of residential building price index trend. Against to the dependent factors, NNLSTM (Neural Network + Long – Short Term Memory) was applied to build Taiwan Residential Building Price Index Trend Prediction Model, including Taiwan, Taipei, New Taipei, Taoyuan, Hsinchu, Taichung, Kaohsiung.
By model training and testing, we can discover the relationship between the input and the output variables to make reasonable house price index trend prediction. According to these variables, each model collected 64 historical data from 2001 Q1 to 2016 Q4 and did it 12 times in training and testing sequentially.
The results showed that every model in this research are high precision forecast, prediction errors were all less than 3% in MAPE. These models effectively replace the human subjective experience of the housing market judgments and showed that economic indicators and housing prices trend are associated.
Compared with other modules, the result were also better than Support Vector Machine (SVM), Least Squares Support Vector Machines (LS-SVM), Evolutionary Support Vector Machine Inference Model (ESIM), Evolutionary Least Squares Support Vector Machine (ELSIM), Symbiotic Organisms Search- Hybrid Least Squares SVM(SOS-LSSVM). The model of this research can predict more effective and precise.

目錄
摘要    I
Abstract    II
致謝    IV
目錄    VI
圖目錄    IX
表目錄    I
第一章 緒論    1
1.1 研究背景與動機    1
1.2 研究目的    2
1.3    研究範圍與限制    3
1.4 研究內容與流程    4
第二章 文獻回顧    7
2.1 不動產估價    7
2.1.1 不動產估價方法    7
2.2不動產價格預測之方法    9
2.3影響房價之經濟指標因素    12
2.3.1影響房價之因素    12
2.3.2影響房價之經濟指標    15
2.4 國內不動產價格指數    18
2.5. 時序性因子及非時序因子綜合性預測模式  (NNLSTM)    20
2.5.2 NNLSTM模式調適    25
2.6 其他人工智慧    26
2.6.1 支持向量機(SVM)    27
2.6.2 最小平方差支持向量機(LS-SVM)    29
2.6.3 演化式支持向量機(ESIM)    30
2.6.4 演化式最小平差支持向量機(ELSIM)    33
2.6.5 生物共生演算法最小平方差支持向量機(SOS-LSSVM)    35
第三章 房價指數趨勢預測模式建立    40
3.1 建立預測模式流程    40
3.2 確立初步影響因子    42
3.3 因子分析    46
3.4 確認輸入變數與輸出變數    52
3.4.1 輸入變數    52
3.4.2 輸出變數    54
3.5 蒐集並建立房價指數趨勢資料庫    54
3.5.1 案例蒐集    54
3.5.2 資料處理    56
3.6 建立台灣房價指數趨勢預測模式    58
3.6.1 案例正規化    58
3.6.2 依時間序列驗證    59
3.6.3 NNLSTM之應用    60
3.6.4 誤差衡量指標    63
3.7 預測模式結果與比較    65
3.7.1 其他預測模式之比較    65
3.7.2 台灣房價指數趨勢預測結果    67
第四章 NNLSTM預測模式之應用    72
4.1台北市房價指數趨勢預測模式    73
4.1.1 其他預測模式之比較    73
4.1.2 台北市房價指數趨勢預測結果    75
4.2新北市房價指數趨勢預測模式    79
4.2.1 其他預測模式之比較    79
4.2.2 新北市房價指數趨勢預測結果    80
4.3桃園市房價指數趨勢預測模式    85
4.3.1 其他預測模式之比較    85
4.3.2 桃園市房價指數趨勢預測結果    86
4.4新竹市房價指數趨勢預測模式    91
4.4.1 其他預測模式之比較    91
4.4.2 新竹市房價指數趨勢預測結果    92
4.5台中市房價指數趨勢預測模式    97
4.5.1 其他預測模式之比較    97
4.5.2 台中市房價指數趨勢預測結果    99
4.6高雄市房價指數趨勢預測模式    103
4.6.1 其他預測模式之比較    103
4.6.2 高雄市房價指數趨勢預測結果    105
第五章 結論與建議    110
5.1 結論    110
5.2 建議    111
參考文獻    112

 
圖目錄
圖 1 1研究流程圖    4
圖 2 1 NN+LSTM架構圖    20
圖 2 2 Memory Block架構圖Sepp Hochreiter (1997)    23
圖 2 3 Memory Block架構圖    23
圖 2 4本研究Memory Block架構圖    24
圖 2 5模式調適流程    26
圖 2 6可容錯線性SVR模式    28
圖 2 7快速混雜基因演算法之流程圖    32
圖 2 8演化式支持向量機推論模式之流程圖    33
圖 2 9 差分進化演算法之流程圖    34
圖 2 10演化式最小平方差支持向量機模式之流程圖    35
圖 2 11 生物共生演算法(SOS)流程圖    37
圖 2 12生物共生演算法結合最小平方差支持向量機(SOS-LSSVM)流程圖    38
圖 3 1 預測模式建立流程圖    40
圖 3 2 正相關圖例    47
圖 3 3 負相關圖例    47
圖 3 4房價指數趨勢影響因子層級圖    52
圖 3 5中華民國統計資訊網之統計資料庫    55
圖 3 6 Stock-ai財經資料庫    55
圖 3 7 依時間序列驗證示意圖    59
圖 3 8房價指數趨勢預測模式流程圖    60
圖 3 9台灣新屋房價指數趨勢預測結果比較圖    68
圖 3 10台灣新屋房價指數趨勢預測結果線性迴歸圖    69
圖 3 11台灣中古屋房價指數趨勢預測結果比較圖    70
圖 3 12台灣中古屋房價指數趨勢預測結果線性迴歸圖    71
圖 4 1各都房價指數趨勢預測模式流程圖    72
圖 4 2台北市新屋房價指數趨勢預測結果比較圖    76
圖 4 3台北市新屋房價指數趨勢預測結果線性迴歸圖    76
圖 4 4台北市中古屋房價指數趨勢預測結果比較圖    78
圖 4 5台北市中古屋房價指數趨勢預測結果線性迴歸圖    78
圖 4 6新北市新屋房價指數趨勢預測結果比較圖    81
圖 4 7新北市新屋房價指數趨勢預測結果線性迴歸圖    82
圖 4 8新北市中古屋房價指數趨勢預測結果比較圖    83
圖 4 9新北市中古屋房價指數趨勢預測結果線性迴歸圖    84
圖 4 10桃園市新屋房價指數趨勢預測結果比較圖    87
圖 4 11桃園市新屋房價指數趨勢預測結果線性迴歸圖    88
圖 4 12桃園市中古屋房價指數趨勢預測結果比較圖    89
圖 4 13桃園市中古屋房價指數趨勢預測結果線性迴歸圖    90
圖 4 14新竹市新屋房價指數趨勢預測結果比較圖    93
圖 4 15新竹市新屋房價指數趨勢預測結果線性迴歸圖    94
圖 4 16新竹市中古屋房價指數趨勢預測結果比較圖    95
圖 4 17新竹市中古屋房價指數趨勢預測結果線性迴歸圖    96
圖 4 18台中市新屋房價指數趨勢預測結果比較圖    100
圖 4 19台中市新屋房價指數趨勢預測結果線性迴歸圖    100
圖 4 20台中市中古屋房價指數趨勢預測結果比較圖    102
圖 4 21台中市中古屋房價指數趨勢預測結果線性迴歸圖    102
圖 4 22高雄市新屋房價指數趨勢預測結果比較圖    106
圖 4 23高雄市新屋房價指數趨勢預測結果線性迴歸圖    106
圖 4 24高雄市中古屋房價指數趨勢預測結果比較圖    108
圖 4 25高雄市中古屋房價指數趨勢預測結果線性迴歸圖    108

表目錄
表 2 1國內外不動產預測方法相關文獻    11
表 2 2房地產景氣之潛在影響因素    13
表 2 3國內外影響不動產價格因素相關文獻    14
表 2 4國內房價指數發布比較表    19
表 3 1因子篩選表    43
表3-1 因子篩選表(續)    44
表 3 2初步影響因子    45
表 3 3經濟指標因子與新屋房價指數趨勢相關性分析結果表    48
表 3 4經濟指標因子與中古屋房價指數趨勢相關性分析結果表    49
表 3 5經濟指標因子與新屋房價指數趨勢相關性分析結果整理表    50
表 3 6經濟指標因子與中古屋房價指數趨勢相關性分析結果整理表    50
表 3 7相關性分析篩選後之台灣新屋與中古屋房價趨勢預測模式因子    51
表 3 8輸入變數    53
表 3 9台灣新屋案例數據範例    56
表 3 10台灣中古屋案例數據範例    56
表 3 11輸入變數統計表    57
表 3 12訓練案例集範例    61
表 3 13 NNLSTM模型架構    62
表 3 14 MAPE的評估標準    64
表 3 15台灣新屋房價指數趨勢人工智慧結果比較表    66
表 3 16台灣中古屋房價指數趨勢人工智慧結果比較表    66
表 3 17台灣新屋房價指數趨勢預測結果比較表    68
表 3 18台灣新屋房價指數趨勢預測結果誤差衡量表    69
表 3 19台灣中古屋房價指數趨勢預測結果比較表    70
表 3 20台灣中古屋房價指數趨勢預測結果誤差衡量表    71
表 4 1台北市新屋房價指數趨勢人工智慧結果比較表    73
表 4 2台北市中古屋房價指數趨勢人工智慧結果比較表    74
表 4 3台北市新屋房價指數趨勢預測結果比較表    75
表 4 4台北市新屋房價指數趨勢預測結果誤差衡量表    77
表 4 5台北市中古屋房價指數趨勢預測結果比較表    77
表 4 6台北市中古屋房價指數趨勢預測結果誤差衡量表    79
表 4 7新北市新屋房價指數趨勢人工智慧結果比較表    79
表 4 8新北市中古屋房價指數趨勢人工智慧結果比較表    80
表 4 9新北市新屋房價指數趨勢預測結果比較表    81
表 4 10新北市新屋房價指數趨勢預測結果誤差衡量表    82
表 4 11新北市中古屋房價指數趨勢預測結果比較表    83
表 4 12新北市中古屋房價指數趨勢預測結果誤差衡量表    84
表 4 13桃園市新屋房價指數趨勢人工智慧結果比較表    85
表 4 14桃園市中古屋房價指數趨勢人工智慧結果比較表    86
表 4 15桃園市新屋房價指數趨勢預測結果比較表    87
表 4 16桃園市新屋房價指數趨勢預測結果誤差衡量表    88
表 4 17桃園市中古屋房價指數趨勢預測結果比較表    89
表 4 18桃園市中古屋房價指數趨勢預測結果誤差衡量表    90
表 4 19新竹市新屋房價指數趨勢人工智慧結果比較表    91
表 4 20新竹市中古屋房價指數趨勢人工智慧結果比較表    92
表 4 21新竹市新屋房價指數趨勢預測結果比較表    93
表 4 22新竹市新屋房價指數趨勢預測結果誤差衡量表    94
表 4 23新竹市中古屋房價指數趨勢預測結果比較表    95
表 4 24新竹市中古屋房價指數趨勢預測結果誤差衡量表    96
表 4 25台中市新屋房價指數趨勢人工智慧結果比較表    97
表 4 26台中市中古屋房價指數趨勢人工智慧結果比較表    98
表 4 27台中市新屋房價指數趨勢預測結果比較表    99
表 4 28台中市新屋房價指數趨勢預測結果誤差衡量表    101
表 4 29台中市中古屋房價指數趨勢預測結果比較表    101
表 4 30台中市中古屋房價指數趨勢預測結果誤差衡量表    103
表 4 31高雄市新屋房價指數趨勢人工智慧結果比較表    103
表 4 32高雄市中古屋房價指數趨勢人工智慧結果比較表    104
表 4 33高雄市新屋房價指數趨勢預測結果比較表    105
表 4 34高雄市新屋房價指數趨勢預測結果誤差衡量表    107
表 4 35高雄市中古屋房價指數趨勢預測結果比較表    107
表 4 36高雄市中古屋房價指數趨勢預測結果誤差衡量表    109


                                

參考文獻
[1] 于宗先，王金利, 台灣土地問題. 聯經出版事業公司, 2001.
[2] I. A. o. A. Officers, Standard on Automated Valuation Models. Chicago: IAAO, 2003.
[3] W. J. McCluskey and A. Adair, Computer assisted mass appraisal: An international review. Ashgate Publishing Limited, 1997.
[4] 賴碧瑩, "應用類神經網路於電腦輔助大量估價之研究," (in 繁體中文), 住宅學報, vol. 16, no. 2, pp. 43-65, 2007.
[5] F. Kong, H. Yin, and N. Nakagoshi, "Using GIS and landscape metrics in the hedonic price modeling of the amenity value of urban green space: A case study in Jinan City, China," Landscape and urban planning, vol. 79, no. 3, pp. 240-252, 2007.
[6] 黃于祐, "台北市房價影響因素之空間分析-地理加權迴歸方法之應用," 都市計劃研究所, 臺北大學, 2007年, 2007.
[7] 古兆民，黃玉霖, "台灣房地產波動性分析-不對稱 T-GARCH 模型的實證," 2012.
[8] 張金鶚，楊宗憲，洪御仁, "中古屋及預售屋房價指數之建立, 評估與整合─ 台北市之實證分析," JOURNAL OF HOUSING, vol. 17, no. 2, 2008.
[9] 林英彥, 不動產估價. 文笙書局股份有限公司, 2006.
[10] 魏如龍, "類神經網路於不動產價格預估效果之研究," 碩士, 地政研究所, 國立政治大學, 台北市, 2003.
[11] 楊謙柔, "都市住環境設施評價模式之研究," 博士, 建築及都市計畫研究所, 中國文化大學, 台北市, 2009.
[12] 劉玉婷, "應用迴歸分析及類神經網路建構不動產估價模式-以台中市住宅為例," 碩士, 營建工程系碩士班, 國立雲林科技大學, 雲林縣, 2009.
[13] 蔡爾逸, "應用支撐向量機(SVM)於都市不動產價格預測之研究," 碩士, 營建管理研究所, 國立中央大學, 桃園縣, 2012.
[14] 張和崇, "應用人工智慧與果蠅演算法對房價預測之比較分析－以臺北市中古屋為例," 碩士, 經濟學系, 東吳大學, 台北市, 2013.
[15] 鄭啓亨, "演化式模糊多元適應性雲形迴歸應用在不動產價格估算之研究," 碩士, 營建工程系營建管理碩士班, 國立台灣科技大學, 台北市, 2015.
[16] B. Park and J. K. Bae, "Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data," Expert Systems with Applications, vol. 42, no. 6, pp. 2928-2934, 2015/04/15/ 2015.
[17] V. Plakandaras, R. Gupta, P. Gogas, and T. Papadimitriou, "Forecasting the U.S. real house price index," Economic Modelling, vol. 45, pp. 259-267, 2015/02/01/ 2015.
[18] 張金鶚, 房地產投資與市場分析：理論與實務. 華泰經銷, 2003.
[19] R. A. Dubin, "Predicting House Prices Using Multiple Listings Data," The Journal of Real Estate Finance and Economics, journal article vol. 17, no. 1, pp. 35-59, July 01 1998.
[20] 李艷秋，高海龍, "經濟指標與全國房價的關係分析," 吉林建築工程學院學報, vol. 30, no. 1, pp. 71-73, 2013.
[21] 鄭維瑩, "不動產稅制對不動產價格影響分析－論不動產稅制改革," 碩士, 不動產與城鄉環境學系, 國立臺北大學, 新北市, 2013.
[22] 紀美鳳, "房地合一課徵所得稅研議修法前後對六都房市之影響," 財金論文叢刊, no. 24, pp. 106-123, 2016.
[23] 余佳凱, "以灰色理論應用於房產成屋銷售價格預測之研究-以高雄市為例," 碩士, 經營管理研究所, 樹德科技大學, 高雄市, 2014.
[24] 林秋瑾，黃佩玲, "住宅價格與總體經濟變數關係之研究-以向量自我迴歸模式 (VAR) 進行實證," 政大學報, vol. 71, pp. 143-160, 1995.
[25] 汪新，谢昌浩, "我国房价的宏观经济影响因素分析-基于 PLS 方法的实证研究(in 簡體中文)," 華東經濟管理, vol. 24, no. 3, pp. 53-57, 2010.
[26] A. Beltratti and C. Morana, "International house prices and macroeconomic fluctuations," Journal of Banking & Finance, vol. 34, no. 3, pp. 533-545, 2010.
[27] 葉怡成, 類神經網路模式應用與實作. 儒林出版社, 2009.
[28] 賀志強，馮寅, "長的短時記憶(LSTM)在五聲調適合聲的應用," 福建電腦, no. 4, pp. 101-102, 2007.
[29] S. Hochreiter and J. Schmidhuber, "Bridging long time lags by weight guessing and “Long Short-Term Memory”," Spatiotemporal models in biological and artificial systems, vol. 37, pp. 65-72, 1996.
[30] F. A. Gers and J. Schmidhuber, "Recurrent nets that time and count," in Neural Networks, 2000. IJCNN 2000, Proceedings of the IEEE-INNS-ENNS International Joint Conference on, 2000, vol. 3, pp. 189-194: IEEE.
[31] W. Zaremba, I. Sutskever, and O. Vinyals, "Recurrent neural network regularization," arXiv preprint arXiv:1409.2329, 2014.
[32] M.-Y. Cheng and C. Ko, "Computer-aided decision support system for disaster prevention of hillside residents," in Proceedings of the 17th IAARC/CIB/IEEE/IFAC/IFR International Symposium on Automation and Robotics in Construction, Taipei, Taiwan, 2000, pp. 587-592.
[33] K. Fukahori and Y. Kubota, "Consistency evaluation of landscape design by a decision support system," Computer‐Aided Civil and Infrastructure Engineering, vol. 15, no. 5, pp. 342-354, 2000.
[34] S. Sundin and C. Braban‐Ledoux, "Artificial intelligence–based decision support technologies in pavement management," Computer‐Aided Civil and Infrastructure Engineering, vol. 16, no. 2, pp. 143-157, 2001.
[35] M.-Y. Cheng and Y.-W. Wu, "Evolutionary support vector machine inference system for construction management," Automation in Construction, vol. 18, no. 5, pp. 597-604, 2009.
[36] M.-Y. Cheng, P. M. Firdausi, and D. Prayogo, "High-performance concrete compressive strength prediction using Genetic Weighted Pyramid Operation Tree (GWPOT)," Engineering Applications of Artificial Intelligence, vol. 29, pp. 104-113, 2014.
[37] M.-Y. Cheng and M.-T. Cao, "Evolutionary multivariate adaptive regression splines for estimating shear strength in reinforced-concrete deep beams," Engineering Applications of Artificial Intelligence, vol. 28, pp. 86-96, 2014.
[38] M.-Y. Cheng, D. K. Wibowo, D. Prayogo, and A. F. Roy, "Predicting productivity loss caused by change orders using the evolutionary fuzzy support vector machine inference model," Journal of Civil Engineering and Management, vol. 21, no. 7, pp. 881-892, 2015.
[39] M.-Y. Cheng, N.-D. Hoang, and Y.-W. Wu, "Hybrid intelligence approach based on LS-SVM and Differential Evolution for construction cost index estimation: A Taiwan case study," Automation in Construction, vol. 35, pp. 306-313, 2013.
[40] M.-Y. Cheng and A. F. Roy, "Evolutionary fuzzy decision model for cash flow prediction using time-dependent support vector machines," International Journal of Project Management, vol. 29, no. 1, pp. 56-65, 2011.
[41] D. Prayogo, "A Novel Genetic Algorithm-Based Evolutionary Support Vector Machine for Optimizing High-Performance Concrete," Department of Construction Engineering, National Taiwan University of Science and Technology, Taiwan, 2012.
[42] M.-Y. Cheng, D. Prayogo, and Y.-W. Wu, "Novel genetic algorithm-based evolutionary support vector machine for optimizing high-performance concrete mixture," Journal of Computing in Civil Engineering, vol. 28, no. 4, p. 06014003, 2013.
[43] 楊智民、劉廣利, 不確定性支持向量機原理及應用. 中國: 科學出版社, 2006.
[44] M.-Y. Cheng and N.-D. Hoang, "Evolutionary Least Squares Support Vector Machine–Userguide," Technical Report, CIC Lab, National Taiwan Univ. of Sci. and Tech2012.
[45] 吳育偉，鄭明淵, "支持向量機最佳化模式-應用於營建管理決策," 第 11 屆營建工程與管理學術研討會, 2007.
[46] K. Price, R. M. Storn, and J. A. Lampinen, Differential evolution: a practical approach to global optimization. Springer Science & Business Media, 2006.
[47] N.-D. Hoang, "Decision Support System for Construction Management Based on Evolutionary Least Squares Support Vector Machine," PhD Dissertation, CIC Lab, National Taiwan Univ. of Sci. and Tech, 2013.
[48] M.-Y. Cheng and D. Prayogo, "Symbiotic organisms search: a new metaheuristic optimization algorithm," Computers & Structures, vol. 139, pp. 98-112, 2014.
[49] D. Prayogo, "An Innovative Parameter-Free Symbiotic Organisms Search (SOS) for Solving Construction-Engineering Problems," PhD thesis, Department of Construction Engineering, National Taiwan University of Science and Technology, 2015.
[50] M.-Y. Cheng, D. Prayogo, and D.-H. Tran, "Optimizing multiple-resources leveling in multiple projects using discrete symbiotic organisms search," Journal of Computing in Civil Engineering, vol. 30, no. 3, p. 04015036, 2015.
[51] D.-H. Tran, M.-Y. Cheng, and D. Prayogo, "A novel Multiple Objective Symbiotic Organisms Search (MOSOS) for time–cost–labor utilization tradeoff problem," Knowledge-Based Systems, vol. 94, pp. 132-145, 2016.
[52] M.-Y. Cheng et al., "SOS optimization model for bridge life cycle risk evaluation and maintenance strategies," Journal of the Chinese Institute of Civil and Hydraulic Engineering Volume 26, no. 4, 2014.
[53] M.-Y. Cheng, D. Prayogo, and Y.-W. Wu, "Predicting the Pavement Rutting Behavior of Asphalt Mixtures Using Symbiotic Organisms Search-Least Squares Support Vector Machine Inference Model," Construction and Building Materials.
[54] 黃佩玲, "住宅價格與總體經濟變數關係之研究—以向量自我迴歸模式 (VAR) 進行實證," 碩士論文, 國立政治大學地政研究所, 1994.
[55] 陳益財, "總體經濟、金融政策與房地產市場景氣對房價影響之研究," 碩士, 財務金融學系財務管理碩士班, 南華大學, 嘉義縣, 2014.
[56] 馮郁婷, "總體經濟對房地產價格之非線性影響---台北、香港之比較," 碩士, 財務金融學系碩士班, 淡江大學, 新北市, 2015.
[57] 呂珍珍, "房價與經濟指標之關聯性," 碩士, 金融研究所, 國立高雄第一科技大學, 高雄市, 2014.
[58] 張誌文, "影響房地產價格之總體經濟因素分析," 碩士, 經濟學研究所, 國立臺灣大學, 台北市, 2011.
[59] 孟庆斌，荣晨, "宏观经济因素对房地产价格的长短期影响(in 簡體中文)," 统计研究, no. 6, pp. 25-32, 2014.
[60] 游淑滿, "住宅成本與總體經濟因素對房價之實證分析, 國立屏東商業技術學院不動產經營系碩士論文," 2006.

簡易檢索 / 詳目顯示

相關論文