8 — 不動產房價趨勢｜專題手冊

一句話：給買房 / 投資人「這區域 3 年走勢、現在進場合不合理」的決策工具。

為誰解什麼

目標用戶：首購族 / 房地產投資人 / 房仲 / 房貸銀行
痛點：實價登錄查得到但沒洞察、區域對比要花一週、預測模型沒人做
量化目標：6 都熱區房價預測 RMSE < 15%；查詢時間從 1 週 → 10 秒

業界對標

過往學長姐 demo：

6 階段藍圖具體化

flowchart LR
    S["📁 Source<br/>內政部實價登錄<br/>data.gov.tw 周邊設施<br/>Google Maps API"] --> I["📥 Ingest<br/>下載 zip + parse<br/>政府 API<br/>每月觸發"]
    I --> ST["💾 Storage<br/>MySQL + PostGIS<br/>transactions / pois /<br/>predictions"]
    ST <-.順序可換.-> P["⚙️ Process<br/>pandas + LSTM + sklearn<br/>區域 aggregation + 預測"]
    P --> SE["🖥 Serve<br/>Streamlit + Folium<br/>地圖儀表板"]
    SE --> O["📡 Observe<br/>Airflow UI<br/>+ 預測模型 drift monitor"]
    style ST fill:#FEF3C7,stroke:#D97706
    style P fill:#FEF3C7,stroke:#D97706

資料源細節

資料源	取得方式	規模	用來做
內政部不動產交易實價查詢	每季下載 zip / API	每季 ~10 萬筆	主資料
data.gov.tw 學區 / 醫院 / 捷運	API / CSV	~10 萬個 POI	周邊評分
Google Maps Places API	API（要 key）	即時周邊	校準

10 階段執行重點

① 啟動

選題理由：人人都關心、資料公開、地理計算 + 時序預測技術雙修
注意：實價登錄欄位多，要花時間理解

② Discovery

Persona 範例：30 歲首購族阿銘、預算 1500 萬、看中林口 / 板橋
痛點：(1) 不知道現在合理價 (2) 不知道周邊建設 (3) 怕買到下跌區

③ 設計

區域切分：行政區（粗）vs 學區（細）vs H3 hex
預測單位：每月每區坪數均價
Schema：transactions / pois / region_summary / predictions

④ 分工

角色	任務
Ingest	實價登錄 zip 解析 + 地址 → 座標
Pipeline	Airflow 每月 + PostGIS 設定
Analytics	預測模型 + 周邊評分演算法
Product	Streamlit + Folium 互動地圖

⑤ 環境

PostGIS 設定要早（docker 化）
Google Maps API key 注意 quota

⑥ 衝刺

Sprint 1（W10-W12）：

1 個城市（台北）1 季實價登錄 → MySQL
簡單地圖（每筆交易一個點）

Sprint 2（W13-W15）：

6 都全載
周邊 POI 整合
區域 aggregate + 時序圖

Sprint 3（W16-W18）：

預測模型（LSTM 或 Prophet）
評分系統（區域投資分數）
互動地圖 + dashboard

⑦ 整合

端到端：選地址 → 顯示 (a) 周邊歷史成交 (b) 區域趨勢 (c) 未來 3 年預測
整合測試：6 都 5 個熱區都跑通

⑧ 上線

Streamlit Cloud
PostGIS + Airflow 在 GCP

⑨ Demo

殺手 demo：

輸入「板橋區某街某段」→ 顯示完整分析
對比另外兩區 → 推薦
講真實價值：「銀行房貸 AE 給你看的、現在你自己有」

⑩ 復盤

範例：地址 → 座標

# 內政部資料只有「地段地號」要轉成座標
# 方案 1：用 Google Geocoding API（要錢）
# 方案 2：用台灣 TGOS 開放 API（免費）

import requests

def geocode_taiwan(address: str) -> tuple[float, float]:
    """用 TGOS 把地址轉成 (lat, lng)"""
    resp = requests.get(
        "https://api.nlsc.gov.tw/other/...",
        params={"address": address},
    )
    return parse_response(resp)

# 然後寫進 PostGIS
"""
INSERT INTO transactions (id, location, ...)
VALUES (?, ST_SetSRID(ST_MakePoint(lng, lat), 4326), ...)
"""

範例 commit log

* feat: parse 內政部實價登錄 zip with proper encoding (#3)
* fix: handle 中文 / English mixed columns in raw CSV (#5)
* feat: PostGIS schema with spatial index (#8)
* feat: address geocoding with TGOS API + caching (#11)
* feat: POI integration (school/MRT/hospital) (#14)
* feat: region price aggregation with monthly buckets (#17)
* feat: Prophet model for 3-year forecast (#20)
* feat: investment score algorithm (#23)
* feat: streamlit + folium interactive map (#26)

進階挑戰

PostGIS 進階：用 ST_Buffer 算「500m 內捷運站數」
ML 房價預測：XGBoost + 多 feature
dbt + BigQuery：把 Process 層重寫
建設預測影響：捷運完工前後價格變化模型
租屋整合：加 591 租屋資料看「租金回報率」

雷區

雷	為什麼
用「總價」不用「單坪價」	房子大小不同沒法比
沒去異常值	一筆 1 億的會把均價拉爆
預測沒考慮季節性	Prophet 有現成 seasonality
地圖點太多	用 cluster / heatmap

重要：法律與倫理

實價登錄是公開資料 ✅
不要 publish 個人 / 物件可識別資訊
「預測」要標明這是「模型估算」不是「保證價格」
不要說「這區一定漲」這種承諾語言

完整時程（總 20 週）

週	階段	重點產出
W1-W3	啟動	城市範圍選定
W2-W4	Discovery	區域切分策略
W4-W7	設計 + 分工	PostGIS 設計 + 模型選型
W10-W12	Sprint 1	台北 1 季 + 簡單地圖
W13-W15	Sprint 2	6 都 + POI + 趨勢
W16-W18	Sprint 3	預測 + 評分 + 互動
W19	整合 + 上線	end-to-end
W20	Demo + 復盤	強調買房決策價值

← 上個情境：7 新聞輿情 | 回到 README

情境 8：不動產房價趨勢分析

為誰解什麼

業界對標

6 階段藍圖具體化

資料源細節

10 階段執行重點

① 啟動

② Discovery

③ 設計

④ 分工

⑤ 環境

⑥ 衝刺

⑦ 整合

⑧ 上線

⑨ Demo

⑩ 復盤

範例：地址 → 座標

範例 commit log

進階挑戰

雷區

重要：法律與倫理

完整時程（總 20 週）