房价问题一直是社会热点问题,近年来针对此问题各地政府也出台相关政策来抑制房价的高速上涨,同时房产税政策也引起了广泛讨论,一个合理评估房产价格的评估模型在此时显得格外重要。建立准确的房产价格评估模型,不仅能够帮助消费者更好的进行购房决策,避免支付额外的购房费用,还能够有利于房产税政策的进一步推进。在人工智能飞速发展的今天,面对房产价格评估模型这种多变量的回归问题上,机器学习与深度学习技术无疑是最好的选择。房产价格的评估预测目前已经有了诸多研究,但不同城市所在的房产价格分布情况差异性大,所获得的数据集特征少且无法统一,这导致在房产价格评估预测这一领域中并没有一个通式,各时各地都要具体问题具体分析,同时在这一领域使用传统统计方法和机器学习方法较多,深度学习相关模型应用较少,且并很少有将深度学习和传统机器学习进行对比分析的研究。针对当前房产价格评估预测研究领域存在的问题,本文根据特征价格理论,利用网络爬虫采集房产数据集,并在房产原始结构特征的基础上,增加了多种近邻特征,大幅扩充了房产数据集特征,提高了房产数据集的质量,并在此数据集上选择多种方法进行对比实验和分析建模。本研究结合极限梯度提升（eXtreme Gradient Boosting,XGB oost）算法和Transformer模型,将XGBoost-Transformer组合模型应用于房产评估领域。通过对比多元线性回归、K近邻回归、随机森林、XGBoost、BP神经网络、Transformer模型和XGBoost-Transformer模型的实验结果,发现当房产数据集无近邻特征时,XGboost-Transformer在拟合优度上高于其它算法至少6.10%,至多25.07%,平均绝对误差上低于其它算法至少2.83万元,至多20.18万元,提升效果较为明显。而房产数据集有近邻特征时,能大幅提高全部算法的回归性能,其中多元线性回归模型其平均百分比绝对误差降低了 12.63%,拟合优度提高了 20.23%。证实了扩充数据集特征,增加房屋近邻特征能够有效提高房产价格评估模型的回归性能,而此时随机森林、XGB oost、XGBoost-Transformer三种模型均表现优异,其中最好的模型XGB oost-Transformer的平均百分比绝对误差为15.58%,拟合优度为0.9382。同时本研究还选取了不同范围的近邻特征数据进行对比实验,结果表明在近邻特征范围为750m时,大部分模型的拟合度和精确度最高。图[30]表[23]参[65]