房地产估值对于城市规划、经济投资和政策制定中的决策制定至关重要。它是衡量房产吸引力的一个指标，反映了可访问性、基础设施和法规等因素如何体现在房价中[1]、[2]、[3]。准确的房产估值有助于利益相关者优化资源配置、识别增长机会并实施基于证据的城市策略。随着城市变得越来越复杂和数据丰富，开发准确、可扩展且具有空间响应性的估值模型对于促进可持续和包容性的城市发展至关重要。
传统的房地产估值方法主要生成单个房产或聚合空间单元的离散点估计[4]、[5]、[6]、[7]。例如享乐定价模型或机器学习算法通常将每个房产视为孤立单元，根据城市属性预测其价值。虽然计算效率高，但这些方法往往将周围环境简化为基本统计信息（如平均收入或道路密度），忽略了限制模型性能的复杂空间互动和上下文依赖性[8]、[9]、[10]、[11]。此外，这些碎片化的预测无法捕捉房产价值在空间上的变化，因此在区域规划、情景模拟和政策评估等应用中提供的洞察力有限[12]、[13]。
为了解决这些限制，将房地产价值建模为连续的空间分布为城市决策提供了一种更全面和考虑上下文的方法。这种方法生成的值图能够捕捉细致的空间变化和区域动态，这对于识别过渡区和指导有针对性的干预措施至关重要。它还支持基于情景的模拟，使规划者能够评估不同策略（如新的交通基础设施或混合用途开发）可能如何重塑整个区域的房产价值分布。这些高分辨率、连续的价值图为高级城市分析提供了关键见解，支持在新兴或欠发达地区进行数据驱动的决策。
本研究旨在解决两个关键研究问题：（1）如何准确估计高分辨率、连续的空间房地产价值分布？（2）如何更有效地结合周围环境以捕捉增强预测性能的空间效应和上下文感知模式？
为了解决这些研究问题，本研究提出了一种受图像修复启发的新模型——REIN（Real Estate Inpainting Network），用于预测房地产价值分布。借鉴图像修复的原理——即利用周围环境重建缺失的图像区域——REIN将房产估值视为一个空间重建任务。关键的城市特征（如建筑容积率FAR、兴趣点POI和人口密度）被表示为类似图像的输入通道，而房地产价值则是预测目标。在大量地理参考样本的数据集上进行训练后，REIN能够捕捉复杂的空间依赖性和环境互动，生成细致且空间连续的价值分布[14]、[15]、[16]。通过纽约市的案例研究证明了REIN的有效性。
本研究的主要创新和贡献如下：
•本研究是首批将房地产估值重新概念化为类似图像修复任务的之一，利用周围环境和环境特征生成高分辨率的房产价值分布。
•所提出的REIN模型包含两个关键组件来提高预测性能：（1）Squeeze-and-Excitation（SE）模块，突出影响房产价值的最重要因素；（2）多注意力瓶颈，捕捉通道-空间互动和密集-稀疏的上下文依赖性——这对于在复杂、异构的城市环境中学习稳健的表示至关重要。
•开发了一种相对价值估算策略，以提高模型在不同地理区域的适应性，实现跨区域比较和基于情景的规划。
本文的其余部分安排如下：第2节回顾了房地产价值预测和图像修复的相关工作。第3节详细介绍了提出的方法论，包括问题定义、模型架构和训练程序。第4节展示了案例研究、实验结果和讨论。最后，第5节总结了研究并概述了未来研究的潜在方向。
