隨著服務業的就業人口數的提高，衍生出各種不同的服務業使用空間，例如：商業辦公大樓、商場、住商混合大樓、百貨公司、購物中心、一樓沿街店鋪、飯店，同時也促進了「商業辦公大樓」的興建及發展。保險公司、政府、投資機構及銀行為商業辦公大樓的主要投資人，在不動產市場中投入大量資金並承擔風險收取租金盈利，在商業辦公大樓不動產投資中重視的是辦公室租金高低、未來租金走勢及投資報酬率；需求者則將辦公空間的各項條件納入評估，選擇與自身需求最符合之辦公室進駐，然而最直接地影響進駐辦公室之意願仍是租金價格的高低。因此，為以科學之方法及更為理性之角度檢視租金價格，本研究藉由文獻回顧蒐集過去相關文獻提及與租金價格相關之因子，在確立因子過後，並以其為基礎蒐集台北市共633筆個案資料，利用類神經網路(Artificial Neural Network) 建構一商業辦公大樓租金預測模型，以80%資料做為訓練案例，20%做為測試案例，經反覆400次循環訓練，預測準確率平均能夠達到90%。最後利用110年大同區、大安區、信義區、松山區之18筆案例作為驗證，發現18筆案例中有10筆預估值低於實際成交價格，模型低估值之誤差率整體比高估值之誤差率大。最後藉由可視化編程語言結合類神經預測模型建構台北市3D模型租金地圖，可透過顏色快速判斷各案例預測租金相對高低，以供交易者了解不同商業辦公大樓未來可能之租金表現。

With the increase in the number of employment population of the service industry, it is derived from a variety of different service spaces, such as commercial office buildings, shopping malls, department stores, shopping centers, first floors shops, hotels … etc. At the same time, the construction and development of spaces in commercial office building is promoted. Insurance companies, government investment agencies and banks are the main investors of the commercial office building, investing a lot of money and assuming the risk in the real estate market. It is important to focus on rental level, future rent trend and investment return rate when investing commercial office buildings; requesters evaluate their requirements, choose the most effective office, and the first thing that affect their willing to rent the office is still rental prices. Therefore, in order to view the rent standard with the scientific methods, this study collects the facts are related to rental level collected by the literature. After establishing the factors, a total of 633 actual cases data in Taipei City are collected based on the result. Then this study uses the artificial neural network to construct a commercial rental predictive model, using 80% of cases as training cases, 20% as testing cases. After repeated 200 cycles of training, predictive accuracy Average can reach 90%. Finally, 18 cases of Datong District, Daan District, Xinyi District and Songshan District were used as verification. It was found that 10 estimates were lower than the actual price, and the error rate of the model low valuation is more than high valuation. Finally, this study constructs a Taipei 3D model rental map by visual programming language artificial neural network. Through color, traders can quickly realize the prediction of rent.

一、中文文獻
[1] 丁志中 (2012)，台北市商用辦公室租金與空置率相關性之研究，碩士論文，輔仁大學金融與國際企業學系金融碩士在職專班
[2] 方乃玉 (2016)，台灣個人投資者進行跨國不動產投資之研究，碩士論文，國立台北大學不動產與城鄉環境學系
[3] 王信達 (2009)，從兩岸總體經濟環境探討上海市與台北市辦公市場租金影響之實證分析，碩士論文，淡江大學中國大陸研究所碩士班
[4] 李志軒 (2019)，台北市商業辦公大樓租金之研究，碩士論文，國立中央大學產業經濟所
[5] 李佳璋 (2004)，重劃區住宅價格之調查研究-以台南市虎尾寮及鄭子寮為例，碩士論文，長榮大學土地管理與開發學系碩士班
[6] 李珮瑄 (2020)，以資料探勘技術探討綠建築等級、技術及成本關聯性，碩士論文，國立臺灣科技大學建築研究所
[7] 林欣樺 (2015)，大眾捷運系統對辦公大樓租金之影響，碩士論文，國立政治大學地政學系
[8] 林睿信 (2016)，綠建築標章對辦公商業大樓租金之影響，碩士論文，國立政治大學財政學系
[9] 邱弘懿 (2016)，資料探勘技術應用於不均衡資料預測表現比較-以信用卡違約風險預測為例，碩士論文，國立交通大學科技管理研究所
[10] 施柏毅 (2005)，類神經網路模擬砂土抗剪試驗之研究，碩士論文，長榮大學土地管理與開發學系碩士班
[11] 韋宏軒 (2021)，應用類神經網路於低壓交流線路串聯電弧故障檢測，碩士論文，國立臺灣科技大學電機工程系
[12] 孫嘉玲 (2000)，台灣產業結構變遷的衡量與生產力的關係，碩士論文，國立臺灣大學經濟學研究所
[13] 張珵涵 (2018)，總體經濟與商圈因子對商業辦公大樓空置、租金、售價及資本化率之影響，碩士論文，國立臺灣科技大學企業管理系
[14] 張嘉宇 (2008)，台北市辦公大樓租金影響因素分析以物業管理觀點之分析，碩士論文，國立政治大學地政學系私立中國地政研究所
[15] 許世雄 (2006)，高雄市不動產價格之研究-以類神經網路與特徵價格為例，碩士論文，國立屏東商業技術學院不動產經營系
[16] 陳芑瑋 (2021)，應用類神經網路與關聯規則於住宅屬性與銷售率之關聯性研究，碩士論文，國立臺灣科技大學設計學院建築研究所
[17] 陳怡伶 (2012)，影響辦公大樓租金折價空間比率因素之研究-以台北市為例，碩士論文，國立政治大學地政研究所
[18] 陳治勳 (2008)，應用模糊類神經網路於房地產價格之研究─以北、高兩市為例，碩士論文，國立屏東商業技術學院不動產經營系
[19] 陳治勳 (2008)，應用類神經網路建立台北市房價區位特性之研究，碩士論文，中國文化大學建築及都市計畫研究所
[20] 陳家銘、吳承釗、林晟誼、劉豐瑞 (2008)，以類神經網路與資料探勘進行道路工程環境影響評估審查結論分類預測，2008年台灣環境資源永續發展研討會
[21] 陳清山、陳信安、郭章淵、詹庚旻、蔡宗明、邱永航、邱崑銓、陳峻煒、李瑾 (2008)，以類神經網路及主成份分析法探討臺中市中小學校舍耐震模式，行政院國家科學委員會補助專題研究計畫
[22] 曾翊瑋 (2006)，租戶結構對辦公大樓租金收益穩定性之影響-兼論辦公大樓投資組合分析，碩士論文，國立政治大學地政研究所
[23] 童俊榮 (2012)，應用資料採礦技術分析台灣健保資料庫－以攝護腺癌病人為例，碩士論文，輔仁大學應用統計研究所
[24] 楊雅婷 (2019)，綠認證對辦公大樓租金之影響–以台北市為例，碩士論文，國立政治大學地政學系
[25] 劉佩宣 (2015)，商業辦公大樓開價租金及空置率對台灣REITs指數影響之研究，碩士論文，亞洲大學財務金融學系
[26] 潛慧心 (2006)，辦公大樓市場供需之研究－以台北市為例，碩士論文，中國文化大學建築及都市計畫研究所
[27] 蔡佳翰 (2021)，應用倒傳遞類神經網路於具太陽能發電之配電饋線電壓控制，碩士論文，國立臺灣科技大學電機工程系
[28] 鄭丞堯 (2018)，台北市辦公商圈租金相互影響關係之研究，碩士論文，國立台北大學不動產與城鄉環境學系
[29] 鄭婷 (2021)，應用類神經網路強化台灣地震損失評估系統之研究—以台北市地震災害風險評估為例，碩士論文，國立台北科技大學建築系建築與都市設計碩士班
[30] 薄有為 (2011)，台北市辦公大樓市場租金與總體經濟因素關聯性之研究-應用時間序列分析方法，碩士論文，逢甲大學土地管理學系碩士在職專班
[31] 韓睿程 (2016)，購屋者決策因素-以高雄市為例，碩士論文，國立高雄第一科技大學營建工程系
[32] 蘇育惟 (2018)，應用資料探勘技術分析台灣特色小鎮之色彩意象，碩士論文，國立臺灣師範大學圖文傳播學系
二、中文書籍
[1] 張金鶚 (1997)，房地產投資與決策分析，華泰書局
[2] 葉怡成 (2003)，類神經網路模式應用與實作，儒林圖書有限公司
[3] 廖述賢、溫智皓 （2019)，資料探勘：人工智慧與機器學習發展以SPSS Modeler 為範例，博碩文化股份有限公司
[4] 簡禎富、許嘉裕 (2014)，資料挖礦與大數據分析，前程文化
三、英文文獻
[1] Amit D.Kachare, Dongare.A.D, Kharde.R.R (2012), Introduction to Artificial Neural Network, International Journal of Engineering and Innovative Technology, Volume 2, Issue 1, 189-193
[2] Ayre, L. B (2006), Data Mining for Information Professionals, 3-5
[3] Dirk.B & Maarten.J (2009), The Effect of Clustering on Office Rents: Evidence from the Amsterdam Market, Journal of Real Estate Finance and Economics, Volume 8
[4] Fayyad, U, Piatetsky-Shapiro, G, & Smyth, P. (1996), From data mining to knowledge discovery in databases, AI Magazine, 37-40
[5] Glascock J. L, Jahanian S, Sirmans C.F (1990), An Analysis of Office Market Rents: Some Empirical Evidence, AREUEA Journal, 105-119.
[6] Hoskins, N, David Higgins, Cardew R (2004), Macroeconomic variables and real estate returns: An international comparison, The Appraisal Journal, 160-172
[7] Parker D, MacFarlane J, Whiley (2001), Forecasting Property Market
Cycles: An Application of the RICS Model to Australian Property Markets, RICS Cutting Edge Conference
[8] Qiulin K.E. (2009), An econometric analysis of Shangai office rents, Journal of Property Investment Finance, 115-134
[9] Wang S.C. (2003), Interdisciplinary Computing in Java Programming Language, The Springer International Series in Engineering and Computer Science, Volume 743, 81-100
[10] Wit I. D, Dijk Ronald V. (2003), The Global Determinants of Direct Office Real Estate Returns, Journal of Real Estate Finance and Economics, 29-43
[11] Winky K. H. (2005), Modeling the dynamics of the Hong Kong office market under economic structural change, Environment and Planning B: Planning and Design, 112-122
四、英文書籍
[1] Berry, M. J., & Linoff, G. S. (2000), Mastering data mining: The art and science of household relationship management, Wiley
[2] Han, J. W., Kamber, M., & Pei, J. (2006), Data mining: concepts and techniques.
Amsterdam, Netherlands: Elsevier / Morgan Kaufmann Pubishers