房价问题既是经济问题,又是民生问题。房地产作为国家经济的主导性和支柱性产业,同时也与居民的生活紧密相关。因此,对房价进行准确把控,构建精准的房价预测模型,不仅可以帮助居民合理消费,有效保护资产也有利于国家对房地产市场的管理和调控,稳定经济,保证民生。房价作为一个复杂的研究对象,受多方面因素影响,而影响因素的复杂性也就对预测模型提出了更高的要求。本文主要从两个角度考虑影响房价的因素,即蕴含在房价数据中的线性因素和非线性因素。房价中的线性因素体现在关于房屋的自身属性上,主要考虑房屋内部及周围环境信息,包括朝向、装修及面积等房屋内部属性。以及房屋周围的一些配套设施等房屋外部属性。而非线性因素是我们不能确定的,如市场环境的变化,人们的购房预期等,本文主要通过研究房价时间序列来体现。考虑到现有房价预测方法中,线性模型在处理时间序列问题时存在一些局限,即无法拟合时序中的非线性成分,因而预测精度欠佳。而长短期记忆网络（LSTM）能够有效解决长序列训练过程中的梯度消失和梯度爆炸问题,在处理序列问题时具有优势。通过LSTM方法可以对预测残差进行误差修正,对数据中的非线性成分进行有效提取。因此,为全面利用房价数据进行预测,本文提出了基于时间序列分析的新方法,将ARIMA模型和LSTM模型进行组合构建混合预测模型。本文基于苏州市二手房数据,结合ARIMA模型和LSTM神经网络模型,分别构建了基于单变量和多变量的ARIMA和LSTM的混合模型。该模型在一定程度上结合了不同模型的特征。其中,LSTM有效地修正了 ARIMA的预测误差,LSTM模型在保持自身特性的同时也可以对线性ARIMA模型的不足进行弥补。经实证验证发现,无论对于哪种混合模型,隐藏在房价时间序列中的非线性特征运用LSTM模型后都能被有效提取,且在ARIMA-LSTM混合模型与ARIMA和LSTM单一模型的对比中,混合模型表现出较好的预测精度。并且在两种混合模型的对比中,发现基于多变量的ARIMA-LSTM混合预测模型精度更高。