随着我国新型城镇化建设的不断推进,城市房屋规模爆发式增长,受城市资源配置及房屋供需失衡因素影响,全国各地特别是大城市住房矛盾逐渐呈现,房屋登记交易、房屋空置、房价问题已经成为关乎民生的重大问题,有效提升城市房屋精准化管理水平已成为当务之急。城市房屋精准化管理需要数据作为支撑,我国不动产统一登记已开展多年,实现了人、地、房数据的整合,虽然不动产登记成果不断增加,但是登记数据资源未能得到充分挖掘利用,因此亟需开展基于不动产大数据的城市房屋数据分析与挖掘技术研究,为国家和地方宏观调控城市房屋不动产资源、综合开发利用与可持续发展,提供强有力的科学依据及辅助决策服务。面向城市房屋不动产数据分析与挖掘的技术现状及社会需求,梳理城市房屋不动产大数据的概念及内容,以城市房屋不动产统一登记数据为基础,关联融合城市房屋使用过程中衍生的相关数据,构建城市房屋不动产大数据的数据库;面向不动产统一登记管理和国家宏观调控需求,从人、房、业务三个角度,对城市房屋不动产大数据进行统计分析;研究人房关系、房屋空置率、房价预测数据挖掘模型与算法,以X市城市房屋不动产数据数据分析与挖掘为例,开展城市房屋不动产数据描述性分析、预测性分析以及规范性分析,主要研究工作和结论如下:（1）城市房屋不动产大数据内涵及数据组织方法研究。首先梳理了城市房屋不动产大数据的内容,其次基于Kettle技术,处理了不动产统一登记数据库中的城市房屋登记数据,通过不动产单元号融合城市房屋使用衍生关联数据,利用Sqoop技术将数据加载到HBase数据库中,实现城市房屋不动产大数据的组织与存储,为开展城市房屋不动产大数据分析与挖掘建立数据基础。（2）城市房屋数据挖掘模型与算法研究。以城市房屋为研究对象,研究城市房屋分类并梳理城市房屋数据挖掘与分析的内容;基于城市房屋登记数据采用统计分析方法,对城市房屋现状及其登记业务进行描述性分析,利用基于规则分类法计算房屋空置率;基于主成分分析法对影响城市房屋价格的特征进行了降维分析,基于Lasso算法、Random Forest Regressor算法、XGBoost算法、Stacking算法分别构建二手房价格预测模型。（3）城市房屋登记数据统计分析与房价预测案例研究。以X市城市房屋不动产数据分析与挖掘为例,基于统计分析对该市城市房屋不动产统一登记数据进行多元化分析,包括但不限于权利人分析、城市房屋的类型、交易及抵押状况分析以及登记业务分析等;利用PCA对城市房屋价格的特征进行了降维处理,分别基于Lasso算法、Random Forest Regressor算法、XGBoost算法与Stacking算法构建该城市二手房价格预测模型并针对五个指标对模型预测精度对比。实证研究结果表明,在单个模型中,Random Forest Regressor模型的准确率明显优于其他两个模型;XGBoost模型的MAE、RMSE、RMSLE与绝对误差明显优于其他两个模型;Stacking融合模型的五种指标均优于单一模型,预测误差最小,能更加准确实现二手房价格的预测。