房产按揭贷款是银行的重要业务,在发放贷款前需要对房产的真实价值作出合理鉴定,通常由银行委托专业的房地产评估师完成。近年来,利用计算机辅助进行房产鉴价的技术逐渐兴起,但现有房产鉴价模型的精度仍未能满足实际需求。本文的研究目的是从空间信息的角度对现有房产鉴价算法作出改进,通过从无语义标注的卫星图像中挖掘空间信息,并利用图卷积神经网络让房产的空间信息在一定区域内传播,为房产鉴价提供更充分的空间信息,达到提高鉴价精度的目的,为银行提供更具参考意义的房产鉴价算法。空间信息是房产价格的重要影响因素,本文提出了利用空间卷积网络挖掘大范围空间信息的方法,主要研究重点可分为两部分:第一点,提出了一种将无语义标注的卫星图像转化为与房价相关的低维稠密向量的方法,即SVCN(Spatial Vector Convolutional Network),并基于类激活映射原理,提出了从网络深层特征图的注意力区域中提取出深层兴趣区域特征的方法DeepAOI(Deep Area of Interest),从而得到宏观的空间信息,弥补了传统方法只使用单点式的POI(Point of Interest)空间信息的局限性,使回归模型可将卫星图像的视觉信息作为邻里特征使用。第二点,基于空间相关性的考虑,提出了可让近邻样本相互传播空间信息、扩大每个样本对空间信息的感知范围的方法SGCN(Spatial Graph Convolutional Network)。分为两部分:通过改进图卷积神经网络提出了Field-GCN(Field Graph Convolutional Network),它将节点特征划分到公有域或私有域,控制在图中传播的信息,在避免噪声的情况下实现了空间信息的区域传播。此外,基于空间异质性的考虑,对Field-GCN做出了进一步的改进,提出了地理加权图卷积网络GW-GCN(Geographically Weighted Graph Convolutional Network)。通过在图卷积层引入地理加权调整向量,网络可根据节点的空间位置自适应地调整特征变换矩阵的权重,实现在图卷积网络上的地理加权回归。本文利用深圳市真实的二手房挂牌交易数据进行了实证检验,结果表明,通过SVCN引入了卫星图像空间信息后,经典鉴价模型的均方根误差最多可降低33.29%,而使用SGCN可有效地聚合近邻房产的空间信息,进一步地减小鉴价误差。本文所提出的空间卷积网络的方法不仅为房产鉴价提供了新的思路和手段,且可用于研究存在空间相关性和空间异质性的同类任务。