基于机器学习的城市青年社区人口流动与住房匹配预测模型研究

摘要

针对城市青年社区人口流动情形复杂、住房供需匹配不足的难题，本研究提出了一种基于多源数据的机器学习预测模型。该模型通过整合人口统计相关数据、房价指数、交通可达性、就业分布等多维特征，以极端梯度提升（XGBoost）开展关键特征的筛选，运用长短期记忆（LSTM）网络掌握人口流动的时序依赖，构建起“XGBoost-LSTM”混合预测框架，并引入随机森林达成住房类型的智能匹配。实证结果显示：该模型在3个典型青年社区里的流动趋势预测准确率为82.7%，住房类型匹配精度为78.3%，表明该模型可有效实现动态预测，并辅助优化资源配置。

关键词

城市青年社区 / 人口流动 / 住房匹配 / 机器学习 / 极端梯度提升-长短期记忆网络混合模型