Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models

在上海等大城市，住房问题已成为年轻人关注的重要问题。鉴于这座大都市房价的前所未有的飙升，年轻人越来越多地转向租房市场来解决他们的住房需求。本研究利用五种传统的机器学习方法：多元线性回归（MLR）、岭回归（RR）、套索回归（LR）、决策树（DT）和随机森林（RF），以及使用ChatGPT的大型语言模型（LLM）方法，来预测上海弄堂房屋的租金价格。它将这些方法应用于2021年上海约2,609个弄堂房屋租赁交易的公共数据样本，并比较这些方法的结果。在预测能力方面，RF在传统方法中表现最好。然而，尤其是在10-shot情景下，LLM方法显示出比传统方法更具有前途的结果，其R-Squared值超过了传统方法。三个性能指标：均方误差（MSE）、平均绝对误差（MAE）和R-Squared，用于评估模型。我们的结论是，虽然传统的机器学习模型提供了强大的租金价格预测技术，但集成像ChatGPT这样的LLM具有显著的提高预测准确性的潜力。

本论文旨在利用传统机器学习方法和大语言模型（LLM）探讨预测上海弄堂房租价格的问题。由于上海房价的飙升，年轻人越来越多地转向租房市场解决住房需求，因此本研究希望通过这些方法来预测弄堂房租价格。

本论文采用传统机器学习方法和大语言模型（LLM）探讨预测上海弄堂房租价格的问题，并比较不同方法的结果。其中，RF方法在传统方法中表现最好，而LLM方法在10-shot情况下表现出了优异的预测准确性。虽然传统机器学习模型提供了强大的租金预测技术，但LLM的整合具有提高预测准确性的重要潜力。

本论文使用了五种传统机器学习方法和一种大语言模型（LLM）方法，应用于对2021年上海2609个弄堂房租赁交易的公共数据样本进行租金预测，并比较了这些方法的结果。本文使用均方误差（MSE）、平均绝对误差（MAE）和R-Squared三个性能指标来评估模型。本文的亮点是LLM方法在10-shot情况下表现出了优异的预测准确性，而且传统机器学习模型提供了强大的租金预测技术。

最近在这个领域中，还有一些相关的研究，例如：1. 基于深度学习的房价预测模型；2. 基于人工神经网络的房价预测模型；3. 基于支持向量回归的房价预测模型。