Publications-Theses
Article View/Open
Publication Export
-
Google ScholarTM
NCCU Library
Citation Infomation
Related Publications in TAIR
題名 資料探勘應用於捷運房地產分群與預測
Data mining applications on MRT real estate cluster and prediction作者 高詮惟 貢獻者 楊建民
高詮惟關鍵詞 房地產
捷運
資料探勘
決策樹
Real Estate
MRT
Data Mining
Decision Tree日期 2016 上傳時間 9-Aug-2016 10:44:34 (UTC+8) 摘要 從民國85年捷運開通至今，捷運系統儼然成為台北、新北市民賴以為重的大眾交通運輸工具，捷運系統所經之處對房地產價格有著顯著影響。然而，即使捷運系統的經過確實會提升鄰近700公尺房地產房價有提升，有下列現象：鄰近於同一條捷運線中之各站點的房地產，皆有因為捷運系統經過而有增值漲幅之現象。即使各站點附近之捷運房地產皆有因捷運系統經過而有價格上之顯著變化。但是相同線上之不同站點有的漲幅程度高、有的漲幅程度卻較低。 經由上述現象，本研究以各捷運站點鄰近700公尺之房地產做為研究範圍，以資料探勘-決策樹演算法結合公車數、景點數、捷運轉運站、同線捷運數、捷運出口數、700M學校數、700M百貨公司數、平均公司資本額、該區人口密度、公司數、刑事案件發生數、該區低收入戶數、該區老化指數、金融機構家數、毒品案件發生數、暴力犯罪案件數、700M醫院/診所數、醫院診所病床數、員警編制人數、派出所數、守望相助巡邏隊數、竊盜案件發生為輸入變數，並分別以近年來新捷運站線中和新蘆線之蘆洲站、三民高中站、徐匯中學站、三和國中站、三重國小站、迴龍站、丹鳳站、輔大站、新莊站、頭前庄站、先嗇宮站、三重站、菜寮站、台北橋站、大橋頭站、中山國小站、行天宮站、松江南京站、東門站之站點資料作為預測資料以作第一階段預測，淡水信義線之大安森林公園站、信義安和站、台北101/世貿站、象山站之站點資料作為預測資料以作第二階段預測，松山新店線之北門站、台北小巨蛋、南京三民站、松山站之站點資料作為第三階段預測資料，第四階段預測則以所有捷運站點做建模並隨機取30%資料作為測試資料。結果顯示，第一階段預測之結果模型預測準確度以新北地區捷運站點資料預測為81.42%及以台北地區捷運站點資料預測為83.12%，以守望相助隊數作為最重要的屬性分支。第二階段決策樹計算預測之結果模型預測準確度80.77%，以守望相助隊數作為最重要的屬性分支。第三階段決策樹計算預測之結果模型預測準確度84.27%，以守望相助隊數作為最重要的屬性分支。第四階段決策樹計算預測之結果模型預測準確度86.40%，以金融機構數作為最重要的屬性分支，可見安全性與金融機構數最為重要。
Since 1996, Mass Rapid Transit(MRT) becomes more important to Taipei City and New Taipei City. The place where MRT go through, the price of real estate will be increased. However, the price of real estate be increased, there are some situation appeared: the price of real estate increased because of the MRT go through. Even if the price of real estate increased, the rate of increasing real estate price is different from the different area of MRT stop. According to the situation, this study used data mining: decision tree for study theory, and study area is near 700 meters of each MRT stop, and combined the input attribute of “number of bus”, “number of view”, “MRT Transportation or not”, “number of same line in MRT”, “number of MRT exit”, “average of capital”, each administrative area of “population density”, “number of company”, “number of low-income households”, ” aging index”, “number of criminal case”, “number of stealing case”, “number of drug case”, “number of violence case”, and near 700 meters of MRT stop of “number of school”, “department store”, ”number of bank”, “number of Hospital”, “number of sick bed”, “number of police officer”, “number of police station”, “number of civil guard”. And use MRT station: Luzhou, Sanmin Senior High School, St. Ignatius High School, Sanhe Junior High School, Sanchong Elementary School, Huliong, Danfeng, Fu Jen University, Xinzhuang, Touqianzhuang, Xianse Temple, Sanchong, Cailiao, Taipei Bridge, Daqiaotou, Zhongshan Elementary School, Xingtian Temple, SongjiangNanjing, Dongmen, Daan Park, Xinyi Anhe, Taipei 101/World Trade Center, Xiangshan, Beimen, Taipei Arena, Nanjing Sanmin, and Songshan station for first, second and third steps of prediction. And the forth steps prediction would take random 30% of data to predicted the result of high rate of real estate price. The result of model in first steps prediction has 81.42% and 83.12% correct rate for New Taipei City and Taipei City area, 80.77% in second steps, 84.27% correct rate in third steps, and 86.40% in forth steps. And in first to third steps, civil guard is the most important attribute, number of band is the most important in forth steps. Thus, safety and finance is the most important.參考文獻 1.張金鶚，1991，房地產真實交易價格之研究2.張金鶚，1993，房地產真實交易價格之研究3.張冊蒼，2012，捷運通車對區域房價之影響-以蘆洲區為例，國立中央大學產業經濟研究所在職專班碩士論文4.張春龍，2000，住宅選擇模型之研究-以台南為例，長榮管理學院經營管理研究所論文5.林月萍，2003，房屋市場住宅產品之顧客消費期望偏好知識型決策支援系統，朝陽科技大學建築及都市設計研究所碩士論文6.賴慧蓉，2007，消費者購屋決策模式之建立-台中市透天別墅為例，朝陽科技大學企業管理學系碩士論文7.吳岱真，2007，購屋空間決策因素之探討及應用，逢甲大學土地管理研究所論文8.賀振宇，2009， 高雄市中產階級自用住宅屬性需求之研究，國立中山大學企業管理研究所碩士論文 9.戴國正，2012，大眾捷運系統對房價影響效果之再檢視，世界華人不動產學會2012年會10.連紹成，2013，捷運規劃及動工時期對房價的影響-以桃園地區透天住宅為例，國立中央大學產業經濟研究所碩士論文11.楊思聰，2007，內湖線捷運對房價之影響，產業經濟研究所碩士論文12.彭建文、楊宗憲、楊詩韻，2009，捷運系統對不同區位房價影響分析-以營運階段為例，運輸計劃季刊第三十八卷第三期 民國九十八年九月 頁275~頁29613.彭宴玲，2005，臺北市綠地效益之評價-特徵價格法之應用，中國文化大學景觀學系碩士論文14.翁千喩，2011，捷運系統對台北市房屋價格的影響，淡江大學產業經濟學系碩士班碩士論文15.陳其甫，2013，捷運藍線對不同地區房價影響之研究—以台北市、新北市為例，國立臺北大學經濟學研究所碩士論文16.林楨家、黃至豪，2003，台北捷運營運前後沿線房地屬性特徵價格之變化，運輸計劃季刊第三十二卷第四期 民國九十二年十二月 頁777~頁80017.黃寶慧，2009，臺灣房地產購買因素之研究-以金融大海嘯期間台北、台中、高雄三大都會區為例，高雄應用科技大學商業現代化學會學術研討會18.李囿緯，2012，不動產政策對消費者購屋動機影響因素之研究，國立臺北科技大學工業工程與管理系EMBA班碩士學位論文19.馮正民、曾平毅、王冠斐，1994，捷運系統對車站地區房價之影響，都市與計劃民國八十三年第二十一卷第一期 第25~45頁20.洪令莊、呂培豪、陳學瀚、郭家佑、施博惟、謝孟哲，2013，應用決策樹於心臟病預測之研究，中臺科技大學資訊管理學系21.尹相志，2009，SQL Server 2008 Data Mining 資料採礦，台北：悅知文化。22.潘福田，2011，購屋者決策因素-以新北市為例，大同大學事業經營研究所碩士論文23.劉彥良，2010，資料探勘於不動產之分群應用-以台北市大安區為例，國立臺北教育大學理學院資訊科學系碩士論文24.高健雅，2007，資料挖掘在房地產價格上之應用，國立政治大學應用數學系碩士論文25.吳佳芸，2015，應用探勘技術於社會輿情以預測捷運周邊房地產市場之研究，國立政治大學資訊管理學系碩士學位論文26.Bajic,V.，1983，The Effect of a New Subway Line on Housing Price in Metropolitan Toronto，Urban Studies,Vol.20 p147-15827.Hoang, H. P. and P. Waley，2000，Status, Quality and the Other Trade-off toward a New Theory of Urban Residential Location，Urban Studies, 37(1), p7-3528.Voith, R.，1991，Transportation，Sorting and House Values，Real Estate Economics, Vol.19, No.2 p117-13729.Coffman, C. and Gregson, M. E.，1998，Railroad Development and Land Value，Journal of Real Estate Finance and Economics, Vol.16, No.2 p191-20430.Bowes, D. R. and Ihlandfeldt, K. R.，2001，Identifying the Impacts of Rail Transit Stations on Residential Property Values，Journal of Urbon Economics, Vol.50, p1-2531.Wu, F.，2009， An Analysis of Quality Attributes of Housing Environment in Guangzhou China， Using Expert Judgements，Dept. of Real Estate and Construction, the University of Hong Kong, p5-6 描述 碩士
國立政治大學
資訊管理學系
102356014資料來源 http://thesis.lib.nccu.edu.tw/record/#G0102356014 資料類型 thesis dc.contributor.advisor 楊建民 zh_TW dc.contributor.author (Authors) 高詮惟 zh_TW dc.creator (作者) 高詮惟 zh_TW dc.date (日期) 2016 en_US dc.date.accessioned 9-Aug-2016 10:44:34 (UTC+8) - dc.date.available 9-Aug-2016 10:44:34 (UTC+8) - dc.date.issued (上傳時間) 9-Aug-2016 10:44:34 (UTC+8) - dc.identifier (Other Identifiers) G0102356014 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/99764 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 資訊管理學系 zh_TW dc.description (描述) 102356014 zh_TW dc.description.abstract (摘要) 從民國85年捷運開通至今，捷運系統儼然成為台北、新北市民賴以為重的大眾交通運輸工具，捷運系統所經之處對房地產價格有著顯著影響。然而，即使捷運系統的經過確實會提升鄰近700公尺房地產房價有提升，有下列現象：鄰近於同一條捷運線中之各站點的房地產，皆有因為捷運系統經過而有增值漲幅之現象。即使各站點附近之捷運房地產皆有因捷運系統經過而有價格上之顯著變化。但是相同線上之不同站點有的漲幅程度高、有的漲幅程度卻較低。 經由上述現象，本研究以各捷運站點鄰近700公尺之房地產做為研究範圍，以資料探勘-決策樹演算法結合公車數、景點數、捷運轉運站、同線捷運數、捷運出口數、700M學校數、700M百貨公司數、平均公司資本額、該區人口密度、公司數、刑事案件發生數、該區低收入戶數、該區老化指數、金融機構家數、毒品案件發生數、暴力犯罪案件數、700M醫院/診所數、醫院診所病床數、員警編制人數、派出所數、守望相助巡邏隊數、竊盜案件發生為輸入變數，並分別以近年來新捷運站線中和新蘆線之蘆洲站、三民高中站、徐匯中學站、三和國中站、三重國小站、迴龍站、丹鳳站、輔大站、新莊站、頭前庄站、先嗇宮站、三重站、菜寮站、台北橋站、大橋頭站、中山國小站、行天宮站、松江南京站、東門站之站點資料作為預測資料以作第一階段預測，淡水信義線之大安森林公園站、信義安和站、台北101/世貿站、象山站之站點資料作為預測資料以作第二階段預測，松山新店線之北門站、台北小巨蛋、南京三民站、松山站之站點資料作為第三階段預測資料，第四階段預測則以所有捷運站點做建模並隨機取30%資料作為測試資料。結果顯示，第一階段預測之結果模型預測準確度以新北地區捷運站點資料預測為81.42%及以台北地區捷運站點資料預測為83.12%，以守望相助隊數作為最重要的屬性分支。第二階段決策樹計算預測之結果模型預測準確度80.77%，以守望相助隊數作為最重要的屬性分支。第三階段決策樹計算預測之結果模型預測準確度84.27%，以守望相助隊數作為最重要的屬性分支。第四階段決策樹計算預測之結果模型預測準確度86.40%，以金融機構數作為最重要的屬性分支，可見安全性與金融機構數最為重要。 zh_TW dc.description.abstract (摘要) Since 1996, Mass Rapid Transit(MRT) becomes more important to Taipei City and New Taipei City. The place where MRT go through, the price of real estate will be increased. However, the price of real estate be increased, there are some situation appeared: the price of real estate increased because of the MRT go through. Even if the price of real estate increased, the rate of increasing real estate price is different from the different area of MRT stop. According to the situation, this study used data mining: decision tree for study theory, and study area is near 700 meters of each MRT stop, and combined the input attribute of “number of bus”, “number of view”, “MRT Transportation or not”, “number of same line in MRT”, “number of MRT exit”, “average of capital”, each administrative area of “population density”, “number of company”, “number of low-income households”, ” aging index”, “number of criminal case”, “number of stealing case”, “number of drug case”, “number of violence case”, and near 700 meters of MRT stop of “number of school”, “department store”, ”number of bank”, “number of Hospital”, “number of sick bed”, “number of police officer”, “number of police station”, “number of civil guard”. And use MRT station: Luzhou, Sanmin Senior High School, St. Ignatius High School, Sanhe Junior High School, Sanchong Elementary School, Huliong, Danfeng, Fu Jen University, Xinzhuang, Touqianzhuang, Xianse Temple, Sanchong, Cailiao, Taipei Bridge, Daqiaotou, Zhongshan Elementary School, Xingtian Temple, SongjiangNanjing, Dongmen, Daan Park, Xinyi Anhe, Taipei 101/World Trade Center, Xiangshan, Beimen, Taipei Arena, Nanjing Sanmin, and Songshan station for first, second and third steps of prediction. And the forth steps prediction would take random 30% of data to predicted the result of high rate of real estate price. The result of model in first steps prediction has 81.42% and 83.12% correct rate for New Taipei City and Taipei City area, 80.77% in second steps, 84.27% correct rate in third steps, and 86.40% in forth steps. And in first to third steps, civil guard is the most important attribute, number of band is the most important in forth steps. Thus, safety and finance is the most important. en_US dc.description.tableofcontents 第一章 緒論 11.1 研究動機與目的 1第二章 文獻探討 32.1 捷運房地產價格之影響因素 32.2 資料探勘與決策樹 92.2.1資料探勘應用於房地產相關文獻 112.3 小結 12第三章 研究方法 133.1研究流程 143.1.1資料來源與準備 153.1.2 預測模型變數說明 163.1.3 變數搜集與整理 203.1.4 資料正規化 243.2 決策樹模型建立 243.2.1停止分支的條件 253.2.2 決策樹過度學習處理 253.2.3 決策樹選擇中間節點演算法-ID3 26第四章 研究結果 284.1資料搜集 284.2 決策樹計算 314.2.1 第一階段決策樹計算 314.2.2 第二階段決策樹計算 354.2.3 第三階段決策樹計算 384.2.4 第四階段決策樹計算 41第五章 結論與建議 445.1結論與建議 445.2研究限制與未來研究方向 46參考文獻 49 zh_TW dc.format.extent 1642366 bytes - dc.format.mimetype application/pdf - dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0102356014 en_US dc.subject (關鍵詞) 房地產 zh_TW dc.subject (關鍵詞) 捷運 zh_TW dc.subject (關鍵詞) 資料探勘 zh_TW dc.subject (關鍵詞) 決策樹 zh_TW dc.subject (關鍵詞) Real Estate en_US dc.subject (關鍵詞) MRT en_US dc.subject (關鍵詞) Data Mining en_US dc.subject (關鍵詞) Decision Tree en_US dc.title (題名) 資料探勘應用於捷運房地產分群與預測 zh_TW dc.title (題名) Data mining applications on MRT real estate cluster and prediction en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 1.張金鶚，1991，房地產真實交易價格之研究2.張金鶚，1993，房地產真實交易價格之研究3.張冊蒼，2012，捷運通車對區域房價之影響-以蘆洲區為例，國立中央大學產業經濟研究所在職專班碩士論文4.張春龍，2000，住宅選擇模型之研究-以台南為例，長榮管理學院經營管理研究所論文5.林月萍，2003，房屋市場住宅產品之顧客消費期望偏好知識型決策支援系統，朝陽科技大學建築及都市設計研究所碩士論文6.賴慧蓉，2007，消費者購屋決策模式之建立-台中市透天別墅為例，朝陽科技大學企業管理學系碩士論文7.吳岱真，2007，購屋空間決策因素之探討及應用，逢甲大學土地管理研究所論文8.賀振宇，2009， 高雄市中產階級自用住宅屬性需求之研究，國立中山大學企業管理研究所碩士論文 9.戴國正，2012，大眾捷運系統對房價影響效果之再檢視，世界華人不動產學會2012年會10.連紹成，2013，捷運規劃及動工時期對房價的影響-以桃園地區透天住宅為例，國立中央大學產業經濟研究所碩士論文11.楊思聰，2007，內湖線捷運對房價之影響，產業經濟研究所碩士論文12.彭建文、楊宗憲、楊詩韻，2009，捷運系統對不同區位房價影響分析-以營運階段為例，運輸計劃季刊第三十八卷第三期 民國九十八年九月 頁275~頁29613.彭宴玲，2005，臺北市綠地效益之評價-特徵價格法之應用，中國文化大學景觀學系碩士論文14.翁千喩，2011，捷運系統對台北市房屋價格的影響，淡江大學產業經濟學系碩士班碩士論文15.陳其甫，2013，捷運藍線對不同地區房價影響之研究—以台北市、新北市為例，國立臺北大學經濟學研究所碩士論文16.林楨家、黃至豪，2003，台北捷運營運前後沿線房地屬性特徵價格之變化，運輸計劃季刊第三十二卷第四期 民國九十二年十二月 頁777~頁80017.黃寶慧，2009，臺灣房地產購買因素之研究-以金融大海嘯期間台北、台中、高雄三大都會區為例，高雄應用科技大學商業現代化學會學術研討會18.李囿緯，2012，不動產政策對消費者購屋動機影響因素之研究，國立臺北科技大學工業工程與管理系EMBA班碩士學位論文19.馮正民、曾平毅、王冠斐，1994，捷運系統對車站地區房價之影響，都市與計劃民國八十三年第二十一卷第一期 第25~45頁20.洪令莊、呂培豪、陳學瀚、郭家佑、施博惟、謝孟哲，2013，應用決策樹於心臟病預測之研究，中臺科技大學資訊管理學系21.尹相志，2009，SQL Server 2008 Data Mining 資料採礦，台北：悅知文化。22.潘福田，2011，購屋者決策因素-以新北市為例，大同大學事業經營研究所碩士論文23.劉彥良，2010，資料探勘於不動產之分群應用-以台北市大安區為例，國立臺北教育大學理學院資訊科學系碩士論文24.高健雅，2007，資料挖掘在房地產價格上之應用，國立政治大學應用數學系碩士論文25.吳佳芸，2015，應用探勘技術於社會輿情以預測捷運周邊房地產市場之研究，國立政治大學資訊管理學系碩士學位論文26.Bajic,V.，1983，The Effect of a New Subway Line on Housing Price in Metropolitan Toronto，Urban Studies,Vol.20 p147-15827.Hoang, H. P. and P. Waley，2000，Status, Quality and the Other Trade-off toward a New Theory of Urban Residential Location，Urban Studies, 37(1), p7-3528.Voith, R.，1991，Transportation，Sorting and House Values，Real Estate Economics, Vol.19, No.2 p117-13729.Coffman, C. and Gregson, M. E.，1998，Railroad Development and Land Value，Journal of Real Estate Finance and Economics, Vol.16, No.2 p191-20430.Bowes, D. R. and Ihlandfeldt, K. R.，2001，Identifying the Impacts of Rail Transit Stations on Residential Property Values，Journal of Urbon Economics, Vol.50, p1-2531.Wu, F.，2009， An Analysis of Quality Attributes of Housing Environment in Guangzhou China， Using Expert Judgements，Dept. of Real Estate and Construction, the University of Hong Kong, p5-6 zh_TW
