房产价格作为衡量地区经济水平的重要指标,一方面体现该区域房产市场的供求关系,另一方面反映房产自身特征和区位特征的水平。随着社会经济的发展和房产市场的火热,房地产行业的投资属性逐渐被放大,房产价格的普遍上涨和居民的居住需求形成了矛盾。政府为抑制高房价带来的负面影响相继出台了相应的政策,比如提出“房住不炒”的口号、建立二手房成交参考价格机制等,由此可见房产价格不仅影响房产交易双方的交易行为,还影响政府对于房地产市场相关政策的制定。所以对于房产价格的研究,尤其是房价的预测研究具有重要意义。本文以西安市二手房成交价格作为研究对象,以“链家网”作为数据来源,利用后羿采集器爬取西安市二手房成交数据,区域范围包括西安市碑林区、经开区、曲江区、高新区。然后从房产自身特征和区位特征两个维度选取了34个影响房价的指标,借助Python对数据进行预处理后得到6961条数据。在构建多元回归预测模型前对区位特征指标进行降维,将因子分析后提取的4个公因子作为房产区位特征指标,结合主成分分析结果得出结论:生活需求和交通教育的配套设施是衡量区位水平的重要因素。之后利用Python语言构建了岭回归、Lasso回归、弹性回归、Xgboost回归树、BP神经网络五种房价预测模型。发现BP神经网络预测模型经过100次训练后在训练集上的均方误差为0.0014,在验证集上的均方误差为0.0158,误差在上述预测模型中最小,这表明BP神经网络在房价预测问题上具有更好的性能。本研究构建了西安市房产价格BP神经网络预测模型,利用因子分析结果给出房产区位特征水平的评估方法,为房产价格评估和预测提供了依据和方法支撑。该研究成果既可以给房产交易双方建议和指导,也可以使政府有的放矢的制定宏观调控政策,保证房地产市场供需平衡,健康发展。